PROBABILIDAD II
Unidad 1.
Actividad 2
RESUMEN
Fuente: Rincón, Probabilidad, UNAM, México, 2014
MPRO2_U1_A2_RIDC
Vectores aleatorios
Definición:
Un vector aleatorio de dimensión dos es un vector de la forma ( X , Y ) en donde cada coordenada
es una variable aleatoria. De manera análoga se definen vectores aleatorios multidimensionales
( X 1 … . , X n ). Se dice que un vector aleatorio es discreto o continuo, si todas las variables
aleatorias que lo conforman son de ese mismo tipo. Por simplicidad, en la mayoría de los casos
consideraremos vectores aleatorios cuyas coordenadas son variables aleatorias todas discretas o
continuas, y en pocos casos, combinaciones de ellas. Un vector aleatorio ( X , Y )puede
considerarse como una funci´on de Ω en R2 como se muestra en la Figura:
Función de probabilidad y densidad conjunta
(Op. Cit, pp.294-295)
Es decir, la función f (x , y ) es la probabilidad de que la variable X tome el valor x y, al mismo
tiempo, la variable Y tome el valor y . Tal función se llama también función de probabilidad
conjunta de las variables X y Y , y para enfatizar este hecho a veces se escribe f X , Y (x , y), pero
en general omitiremos los subíndices para hacer la notación más corta, aunque siempre asociando
el valor x a la variable X y el valor y a la variable Y
La doble integral que aparece en el cuadro anterior representa el volumen bajo la superficie dada
por la función f (u , v ), sobre la región que se encuentra a la izquierda y abajo del punto ( x , y ).
Toda función de densidad f (x , y ) de estas características satisface las siguientes dos propiedades.
La doble integral indicada se lleva a cabo efectuando una integral a la vez considerando que la otra
variable es constante. Como el integrando es una función no negativa y la doble integral es finita,
por un resultado del cálculo integral en varias variables llamado teorema de Fubini, el orden en el
que se llevan a cabo las integrales no es relevante, de modo que resultado siempre es el mismo. El
aspecto general de una función de densidad conjunta de dos variables aleatorias continuas es el
de una superficie en R3 como la que se muestra en la Figura siguiente:
Función de distribución conjunta
(Op.Cit., p.p. 308)
Además de la función de densidad o de probabilidad, existe también la función de distribución
para un vector ( X , Y ) q, sea ´este discreto o continuo. Su definición aparece a continuación y es
muy semejante al caso unidimensional.
La pequeña coma que aparece en el lado derecho de esta igualdad significa la intersección de los
eventos ( X ≤ x ) y (Y ≤ y), es decir, el número F ( x , y ) y es la probabilidad del evento
( X ≤ x) ∩(Y ≤ y). Más precisamente, esta función debe escribirse como F X ,Y ( x , y).
Función de probabilidad y densidad marginal
(Op. Cit., pp.315-316)
Dada la función de densidad de un vector aleatorio, se verá ahora la forma de obtener la función
de densidad de un sub-vector del vector aleatorio original.
Se integra simplemente respecto de la variable y para dejar como resultado una función que
depende únicamente de x . Esta función resultante es la función de densidad marginal de X . De
manera completamente an´aloga, la funci´on de densidad marginal de la variable Y se obtiene
integrando ahora respecto de la variable x, es decir…
Función de distribución marginal
(Op. Cit., pp. 319-320)
Se verá ahora la forma de obtener la función de distribución individual de una variable aleatoria a
partir de la función de distribución de un vector aleatorio. Nuevamente consideraremos primero el
caso bidimensional.
Observemos que los límites anteriores siempre existen pues la función de distribución conjunta es
acotada y no decreciente en cada variable. No es difícil comprobar que estas funciones de
distribución marginales son, efectivamente, funciones de distribución univariadas. Para un vector
de dimensión tres ( X , Y , Z ), a partir de F X ,Y , Z ( x , y , z) y tomando los límites necesarios, pueden
obtenerse, por ejemplo, las funciones de distribución marginales F X ,Y , ( x , y ) , F X , Z , ( x , z ) , F X ( x) .
En efecto…
Función y distribución condicional
(Op. Cit., pp. 327-328)
La probabilidad condicional de un evento A, dado un evento B, está dada por…
Observe que a la función dada por (4.2) se le considera como una función de x y que el valor de y
es fijo y puede considerársele como un parámetro de dicha funci´on, es decir, para cada valor fijo
de y se tiene una función diferente. En el caso discreto la expresión (4.2) es, efectivamente, la
definición de probabilidad condicional…
Sumando o integrando sobre los posible valores x , es inmediato comprobar que la función dada
por (4.2) es, efectivamente, una función de probabilidad o de densidad. Además que cuando X y
Y son independientes, para cualquier valor de y se tiene que…
Esperanza
(Op. Cit., pp. 333-334)
Efectuando un cambio en el orden de las integrales, es inmediato comprobar que
cuya expresión recuerda el teorema de probabilidad total, pero esta vez en términos de
esperanzas. En el caso cuando el vector ( X , Y ) q es discreto, la definición es análoga.
De lo anterior…
Esperanza, varianza y covarianza de un vector aleatorio
(Op. Cit., pp. 336-339)
De esta manera, encontrar la esperanza de un vector aleatorio se reduce al cálculo de la esperanza
de cada una de las variables del vector. Es claro que esta definición puede extenderse, sin ninguna
dificultad, para dimensiones mayores. Se verá ahora la definición de varianza de un vector
aleatorio en dimensión dos.
la covarianza puede calcularse también como indica la siguiente fórmula.
Coeficiente de correlación
(Op. Cit., pp. 336-339)
Habiendo definido la covarianza, podemos ahora dar la definición del coeficiente de correlación
entre dos variables aleatorias. Supondremos que tales variables aleatorias tienen esperanza y
varianza finitas.
Al número por ρ( X ,Y ) se le denota también por ρX ,Y , en donde ρ es la letra griega ro. El lector
puede observar inmediatamente que la diferencia entre la covarianza y el coeficiente de
correlación radica únicamente en que este último se obtiene al dividir la covarianza por el
producto de las desviaciones estándares de las variables aleatorias
Desigualdad de Chebyshev
(Op. Cit., pp. 345-346)
La desigualdad de Chebyshev es óptima en el sentido de que, sin hipótesis adicionales, se puede
alcanzar la cota superior.
