VECTORES ALEATORIOS

Variables Aleatorias Multidimensionales 1 / 30

1 Introducción

2 Variables Aleatorias bidimensionales Discretas

3 Distribuciones condicionales

4 V. a. multidimensional discreta

5 Distribución multinomial

6 Variables Aleatorias bidimensionales continuas

7 Variables aleatorias independientes

8 Covarianza y coeficiente de correlación lineal

Variables Aleatorias Multidimensionales 2 / 30

 Introducción

Introducción

Hasta el momento hemos considerado conceptos probabilisticos tomando

en cuenta una variable aleatoria a la vez. Es decir el resultado de un
experimento se podı́a registrar como un sólo número x
En muchos casos, sin embargo, nos interesa medir simultaneamente dos o
más caracteristicas numéricas.

Variables Aleatorias Multidimensionales 3 / 30

 Introducción

Ejemplo
Consideremos el experimento de lanzar dos dados. Podrı́amos definir las
siguientes variables aleatorias en el espacio muestral correspondiente:
X = el número de puntos que aparece en el dado 1
Y = el número de puntos que aparece en le dado 2.

Variables Aleatorias Multidimensionales 4 / 30

 Variables Aleatorias bidimensionales Discretas

Variables Aleatorias bidimensionales Discretas

Definición
Sean X e Y dos variables aleatorias discretas. La distribución de
probabilidad conjunta ( o bivariada) para X e Y está dada por:

p(x, y) = P (X = x, Y = y)

definida para todos los números reales x, y. La función p(x, y) se

denomina función de probabilidad conjunta (f.p.c).

Variables Aleatorias Multidimensionales 5 / 30

 Variables Aleatorias bidimensionales Discretas

Definición
La función de probabilidad conjunta de las variables aleatorias discretas X
e Y denotada por p(x, y), satisface las condiciones siguientes:
1 p(x, y) ≥ 0
P P
2
RX RY p(x, y) = 1
La función de probabilidad conjunta de X e Y es cero para todos los
valores en los que no se especifica probabilidad alguna.

Variables Aleatorias Multidimensionales 6 / 30

 Variables Aleatorias bidimensionales Discretas

Definición
La función de distribución acumulada conjunta F (a, b), para cualquier par
de variables aleatorias X e Y , está dada por

F (a, b) = P (X ≤ a, Y ≤ b)

es decir,
X X X X
F (a, b) = p(xi , yj ) = P (X = xi , Y = yj )
xi ≤a yj ≤b xi ≤a yj ≤b

Variables Aleatorias Multidimensionales 7 / 30

 Variables Aleatorias bidimensionales Discretas

Definición
Si X e Y son variables aleatorias discretas con una función de probabilidad
conjunta p(x, y), entonces las funcione de probabilidad marginal de X y Y
son:
X ∞
X
p(xi ) = P (X = xi ) = p(xi , yj ) = p(xi , yj )
RY j=1
y
X ∞
X
p(yj ) = P (Y = yj ) = p(xi , yj ) = p(xi , yj )
RX i=1

Variables Aleatorias Multidimensionales 8 / 30

 Variables Aleatorias bidimensionales Discretas

Ejemplo
La función de probabilidad conjunta de la variable aleatoria (X, Y ) está
definida por,
xy
p(x, y) = x = 1, 2; y = 1, 2, 3, 4
30
a) Hallar la distribución de probabilidades marginales de X y de Y ;
b) Hallar la media y la desviación estándar de Y .

Variables Aleatorias Multidimensionales 9 / 30

 Distribuciones condicionales

Distribuciones condicionales

Definición
Dadas las variables aleatorias discretas X e Y con función de probabilidad
conjunta p(x, y), la función de probabilidad de Y dado X = x es:

p(x, y)
pY |X=x (y) = para p(x) > 0.
p(x)

Variables Aleatorias Multidimensionales 10 / 30

 Distribuciones condicionales

Ejemplo
Dos lı́neas de producción fabrican cierto tipo de artı́culo. Suponga que la
capacidad (en cualquier dı́a dado) es de 5 artı́culos para la lı́nea I de 3
artı́culos para la lı́nea II, y que el número verdadero de artı́culos producidos
por cada una de las lı́neas es una variable aleatoria. Sea (X, Y ) la
representación de la variable bidimensional que da el número de artı́culos
producidos por la linea I y por la lı́nea II, respectivamente.

Y \X 0 1 2 3 4 5 Suma
0 0 0.01 0.03 0.05 0.07 0.09 0.25
1 0.01 0.02 0.04 0.05 0.06 0.08 0.26
2 0.01 0.03 0.05 0.05 0.05 0.06 0.25
3 0.01 0.02 0.04 0.06 0.06 0.05 0.24
Suma 0.03 0.08 0.16 0.21 0.24 0.28 1

¿Cuál es la probabilidad de que la lı́nea I produzca 2 artı́culos dado que la

lı́nea II produjo 2 artı́culos?

Variables Aleatorias Multidimensionales 11 / 30

 Distribuciones condicionales

Definición
La media o esperanza condicional de Y dado X = x, denotada como
E(Y |x) = E(Y |X = x) o µY |X=x = µY |x, es:
∞
X
E(Y |X = x) = yj pY |X=x (yj )
j=1

y la varianza condicional de Y dado X = x, denotada por

V (Y |x) = V (Y |X = x) o σY2 |x = σY2 |X=x es

∞
X
V (Y |X = x) = (yj − µY |x )2 pY |X=x (yj )
j=1

Variables Aleatorias Multidimensionales 12 / 30

 Distribuciones condicionales

Ejemplo
Para el ejemplo anterior tenı́amos la siguiente distribución de
probabilidades.

Y \X 0 1 2 3 4 5 Suma
0 0 0.01 0.03 0.05 0.07 0.09 0.25
1 0.01 0.02 0.04 0.05 0.06 0.08 0.26
2 0.01 0.03 0.05 0.05 0.05 0.06 0.25
3 0.01 0.02 0.04 0.06 0.06 0.05 0.24
Suma 0.03 0.08 0.16 0.21 0.24 0.28 1

¿Cuál es el número esperado de artı́culos producidos por la lı́nea II dado

que la lı́nea I no produjo artı́culos? Calcule también σY |X=2 .

Variables Aleatorias Multidimensionales 13 / 30

 Distribuciones condicionales

Definición
Sea (X, Y ) una variable aleatoria bidimensional discreta con función de
probabilidad marginal pX (x) y pY (y). Se dice que X e Y son
independientes si se cumple cualquiera de las siguientes propiedades:

pX,Y (x, y) = pX (x)pY (y) para todo x, y;

pY |x (y) = pY (y) para todo x, y con pX (x) > 0;
pX|y (x) = pX (x) para todo x, y con pY (y) > 0;
P (X = x, Y = y) = pX (x)pY (y) para todo x, y.

Variables Aleatorias Multidimensionales 14 / 30

 V. a. multidimensional discreta

V. A. multidimensional discreta

Definición
La función de probabilidad conjunta de X1 , X2 , . . . , Xn es:

pX1 ,...,Xn (x1 , . . . , xn ) = P (X1 = x1 , . . . , Xn = xn )

Para todos los puntos (x1 , . . . , xn ) en el recorrido de X1 , . . . , Xn .

Variables Aleatorias Multidimensionales 15 / 30

 V. a. multidimensional discreta

Definición
Si son variables aleatorias discretas con función de probabilidad conjunta
pX1 ,...,Xn (x1 , . . . , xn ) , entonces la función de probabilidad marginal de
cualquier Xi es:

X X X X
pXi (xi ) = P (Xi = xi ) = ··· ··· pX1 ,...,Xn (x1 , . . . , xn ),
RX1 RXi−1 RXi+1 RXn

donde RXj denota el recorrido de la variable Xj .

Variables Aleatorias Multidimensionales 16 / 30

 Distribución multinomial

Distribución multinomial

Suponga que:
Un experimento aleatorio consiste en una serie de n ensayos.
El resultado de cada ensayo se clasifica en una de las k clases;
La probabilidad de que un ensayo genere un resultado en la clase 1, la
clase 2 ,. . . , la clase k, es constante en todos los ensayos e igual a
p1 , p2 , . . . , pk , respectivamente;
Los ensayos son independientes;

Variables Aleatorias Multidimensionales 17 / 30

 Distribución multinomial

Las variables aleatorias X1 , X2 , . . . , Xk que denotan el número de ensayos

que caen en la clase 1, en la clase 2,. . . ,en la clase k, respectivamente
tiene distribución multinomial con una función de probabilidad conjunta

n!
P (X1 = x1 , . . . , Xk = xk ) = px1 px2 . . . pxk k ,
x1 !x2 ! . . . xk ! 1 2
para x1 + x2 + · · · + xk = n y p1 + p2 + · · · + pk = 1.
La distribución multinomial se considera como una extensión multivariada
de la distribución binomial.

Variables Aleatorias Multidimensionales 18 / 30

 Distribución multinomial

Ejemplo
Se fabrica una barra de un largo especı́fico. Suponga que el largo
verdadero X (en centı́metros) es una variable aleatoria distribuida
uniformemente en el intervalo [10,12]. Suponga que sólo nos interesa
saber si ha ocurrido alguno de los tres eventos siguientes:

A1 = {X < 10.5}, A2 = {10.5 ≤ X ≤ 11.8} A3 = {X > 11.8}

Si se fabrican 10 de tales barras, calcule la probabilidad de obtener

exactamente 5 barras de longitud menor que 10.5 cm y exactamente 2 de
longitud mayor que 11.8 cm.

Variables Aleatorias Multidimensionales 19 / 30

 Variables Aleatorias bidimensionales continuas

Variables Aleatorias bidimensionales continuas

Definición
Diremos que (X, Y ) es una variable aleatoria bidimensional continua si
ambas variables son continuas. En tal caso la función de densidad
conjunta denotada por f(x,y), satisface las siguientes propiedades.
1 f (x, y) ≥ 0;
R R R∞ R∞
RX RY f (x, y)dxdy = −∞ −∞ fX,Y (x, y)dxdy = 1;
2

3 Si E es un subconjunto del recorrido de (X, Y ), entonces

ZZ
P (E) = f (x, y)dxdy.
E

Obs: en particular si E = (a, b) × (c, d), entonces:

Z bZ d
P (a ≤ X ≤ b, c ≤ Y ≤ d) = f (x, y)dxdy.
a c

Variables Aleatorias Multidimensionales 20 / 30

 Variables Aleatorias bidimensionales continuas

Ejemplo
Supóngase que una partı́cula radiactiva se localiza aleatoriamente en un
cuadrado con los lados de longitud unitaria. Es decir, si consideran dos
regiones de la misma área, la partı́cula tendrá igual probabilidad de entrar
en cualquiera de ellas. Sean X y Y las coordenadas que localizan la
partı́cula. Un modelo adecuado serı́a el análogo bivariado de la
distribución uniforme univariada.
Encuentre la fdp conjunta de X e Y ;
Encuentre P (X ≤ 0.2, Y ≤ 0.4);
Encuentre P (0.1 ≤ X ≤ 0.3, 0 ≤ Y ≤ 0.5).

Variables Aleatorias Multidimensionales 21 / 30

 Variables Aleatorias bidimensionales continuas

Definición
Si la función de probabilidad conjunta de las variables aleatorias continuas
X e Y es f (x, y), entonces las funciones de densidad de probabilidad
marginales de X e Y son
Z ∞
fX (x) = f (x, y)dy
−∞
y Z ∞
fY (x) = f (x, y)dx,
−∞
respectivamente.

Variables Aleatorias Multidimensionales 22 / 30

 Variables Aleatorias bidimensionales continuas

Ejemplo
a) Determine las funciones marginales del ejemplo anterior
b) Determine el promedio o esperanza de X.

Variables Aleatorias Multidimensionales 23 / 30

 Variables Aleatorias bidimensionales continuas

Definición
Dadas las variables aleatorias continuas X e Y con función de densidad de
probabilidad conjunta f (x, y), la función de densidad de probabilidad
condicional de Y dado X = x es:

f (x, y)
fY |x (y) = fY |X=x (y) = ,
fX (x)
para fX (x) > 0.

Variables Aleatorias Multidimensionales 24 / 30

 Variables Aleatorias bidimensionales continuas

Definición
La media condicional de Y dado X = x, denotada por E(Y |x) o µY |x es
Z
E(Y |x) = yfY |x dy.
RY

y la varianza de Y dado X = x denotada por V (Y |x) o σY2 |x es:

Z
V (Y |x) = (y − µY |x )2 fY |x dy.
RY

Variables Aleatorias Multidimensionales 25 / 30

 Variables Aleatorias bidimensionales continuas

Ejemplo
Sea 
3x, si 0 < y < x < 1
f (x, y) =
0, E.O.C.

Determine P (0 ≤ X ≤ 0.5, Y > 0.2);

Calcule P (0.1 < Y < 0.7/X = 0.2).

Variables Aleatorias Multidimensionales 26 / 30

 Variables aleatorias independientes

Variables aleatorias independientes

Definición
Sean X e Y variables aleatorias continuas con fdp conjunta f (x, y). Se
dice X es independiente de Y si:

fX,Y (x, y) = fX (x)fY (y), para todo (x, y)

Variables Aleatorias Multidimensionales 27 / 30

 Variables aleatorias independientes

Definición
Sean X1 , X2 , . . . , Xn variables aleatorias. Se dice que las n variables
aleatorias son mutuamente independientes (o sólo independientes ) si:

P (X= x1 , . . . , Xn = xn ) = ni=1 P (Xi = xi ), para todo (x1 , . . . , xn )

 Q


(caso discreto)

fX1 ,...,Xn (x1 , . . . , xn ) = ni=1 fXi (xi ), para todo (x1 , . . . , xn )
Q


(caso continuo)


Variables Aleatorias Multidimensionales 28 / 30

 Covarianza y coeficiente de correlación lineal

Covarianza y coeficiente de correlación lineal

La covarianza entre las variables X e Y se define por:

Cov(X, Y ) = E ([X − E(X)][Y − E(Y )]) = E(XY ) − E(X)E(Y ).

El coeficiente de correlación lineal entre X e Y se define por:

Cov(X, Y )
ρX,Y = .
σX σY

Variables Aleatorias Multidimensionales 29 / 30

 Covarianza y coeficiente de correlación lineal

Propiedades del coeficiente de correlación:

1 −1 ≤ ρX,Y ≤ 1 o ρ2X,Y ≤ 1;
2 ρX,Y = 1 si Y = aX + b con a y b constantes y a > 0;
3 ρX,Y = −1 si Y = aX + b con a y b constantes y a < 0;
4 Si X e Y son variables aleatorias independientes entonces:

Cov(X, Y ) = 0,

y en consecuencia:
ρX,Y = 0.

Variables Aleatorias Multidimensionales 30 / 30