República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica de las
Fuerzas Armadas
Núcleo Zulia - Ampliación Mara
Cátedra: Probabilidades y Estadística
Carrera: Ingeniería de Sistemas

Densidades y Variables

Profesor: Integrantes:
Ing. Rafael Rojas Luis Molero V-30.794.627

Municipio Mara, Junio 2024

 Índice
Densidades y Variables
1- Función de Densidad Conjeturas
1.1- Función de Densidad Marginal
1.2- Función de Densidad Condicional
2- Valor esperado condicional
3- Variables aleatorias independientes
4- Esperanzas matemáticas de funciones de varias
variables aleatorias
5- Extensión al caso N-dimensional
 Desarrollo
1- Función de Densidad
La función de densidad es una herramienta fundamental en la teoría de la
probabilidad y la estadística. A continuación, se presentan algunas
conjeturas y resultados relacionados con la función de densidad:
1. Conjetura de Kepler: Esta conjetura afirma que la densidad máxima
se alcanza cuando se apila una pirámide de esferas con caras
centradas. La prueba de esta conjetura fue completada por Thomas
Hales en 1998, utilizando métodos de programación lineal y técnicas
de resolución de problemas de optimización.
2. Función de densidad de probabilidad: La función de densidad de
probabilidad es una función no-negativa integrable que caracteriza el
comportamiento probable de una población. Esta función especifica la
probabilidad relativa de que una variable aleatoria continua tome un
valor cercano a un valor específico.
3. Función de densidad de variables aleatorias continuas: La función de
densidad de una variable aleatoria continua es una función que
describe la probabilidad de que la variable tome un valor específico.
Esta función es fundamental en la teoría de la probabilidad y la
estadística, ya que permite calcular la probabilidad de eventos y la
media y varianza de una distribución.
4. Función de densidad conjunta: La función de densidad conjunta es
una función que describe la probabilidad de que un conjunto de
variables aleatorias continuas tome un valor específico. Esta función
es utilizada para analizar la relación entre varias variables aleatorias.
5. Función de densidad marginal: La función de densidad marginal es
una función que describe la probabilidad de que una variable aleatoria
continua tome un valor específico, considerando solo esa variable.
Esta función se obtiene a partir de la función de densidad conjunta.
En resumen, la función de densidad es una herramienta fundamental en
la teoría de la probabilidad y la estadística, y se utiliza para describir el
comportamiento probable de variables aleatorias continuas.
2- Valor esperado condicional
El valor esperado condicional de una variable aleatoria 𝑋X dado un
conjunto de eventos 𝐺G se denota como \E(X\mid \mathscr G). Este valor
esperado condicional es la media de los valores de X dados que \mathscr
G ocurre. En otras palabras, es el valor que se espera que tome X
cuando \mathscr G es [Link] del Valor Esperado Condicional
1. Medibilidad: La variable aleatoria U que toma el valor \E(X\mid A_i) en
A_i para cada i\in I es medible con respecto a \mathscr G.
2. Varianza Ordinaria: La varianza ordinaria de X se puede expresar en
términos de varianza condicional y valor esperado condicional como
\var(X)=\E[\var(X\mid \mathscr G)]+\var[\E(X\mid \mathscr G)].
3. Mejor Predictor: El valor esperado condicional \E(X\mid Y) es el mejor
predictor de X entre todas las variables aleatorias de valor real.
Ejemplo
Supongamos que X es una variable aleatoria que representa el resultado
de una moneda que cae águila. Si Y es la suma de las monedas que
caen águila, entonces el valor esperado condicional de X dado Y es el
valor que se espera que tome X cuando Y es cierto

3- Variables aleatorias independientes

Las variables aleatorias independientes son aquellas que no tienen efecto
sobre las otras variables aleatorias de su experimento. En otras palabras,
no afectan la probabilidad de que ocurra otro evento. Por ejemplo,
supongamos que deseas saber el peso promedio de una bolsa de azúcar,
por lo que tomas una muestra aleatoria de 50 bolsas de varias tiendas de
comestibles. No esperarías que el peso de una bolsa afectara a otra, por
lo que las variables son independientes.
Definición
Dos variables aleatorias X e Y son independientes si y solo si:
P(X|Y) = P(X) para todos los valores de X e Y.
P(X∩Y) = P(X) * P(Y) para todos los valores de X e Y.
Propiedades
1. Independencia: Las variables aleatorias independientes no están
correlacionadas. Si las dos variables están correlacionadas, entonces
no son independientes.
2. Función de probabilidad conjunta: La función de probabilidad conjunta
de dos variables aleatorias independientes es el producto de las
funciones de probabilidad marginales de cada variable.
3. Función de distribución acumulada conjunta: La función de
distribución acumulada conjunta de dos variables aleatorias
independientes es el producto de las funciones de distribución
marginales de cada variable.
Ejemplo
Supongamos que X es una variable aleatoria que representa el resultado
de una moneda que cae águila. Si Y es la suma de las monedas que caen
águila, entonces el valor esperado condicional de X dado Y es el valor
que se espera que tome X cuando Y es cierto

4- Esperanzas matemáticas de funciones de varias

variables aleatorias
Esperanza de funciones de varias variables aleatorias
La esperanza de una función de varias variables aleatorias se define
como la integral de Lebesgue de la función multiplicada por la densidad
de probabilidad de las variables. Esta definición se aplica tanto para
variables aleatorias discretas como [Link] de la
esperanza
1. Linealidad: La esperanza es un operador lineal, es decir, si 𝑎a y 𝑏b
son constantes y 𝑋X y 𝑌Y son variables aleatorias, entonces
\E(aX+bY)=a\E(X)+b\E(Y).
2. Independencia: Si X y Y son variables aleatorias independientes,
entonces \E(XY)=\E(X)\E(Y).
3. Momentos: Los momentos de una variable aleatoria se definen como
la esperanza de potencias de la variable. Los momentos centrados
son momentos que se han centrado en la media de la variable.
Ejemplos
Suma de variables aleatorias: Si X y Y son variables aleatorias
independientes, entonces \E(X+Y)=\E(X)+\E(Y).
Producto de variables aleatorias: Si X y Y son variables aleatorias
independientes, entonces \E(XY)=\E(X)\E(Y).
Varianza condicionada: La varianza condicionada de una variable
aleatoria X dado un valor Y=y se define como \Var(X|Y=y)=\E[(X-
\E(X|Y=y))^2]

5- Extención al caso N-dimensional

La extensión al caso N-dimensional se refiere a la generalización de
conceptos y técnicas matemáticas a espacios de dimensión superior. En
el contexto de las variables aleatorias, la extensión al caso N-dimensional
implica la aplicación de conceptos como la esperanza, covarianza y
varianza a espacios de dimensión N.
Extensión al caso N-dimensional
1. Esperanza de funciones de varias variables aleatorias: La esperanza
de una función de varias variables aleatorias se define como la
integral de Lebesgue de la función multiplicada por la densidad de
probabilidad de las variables. Esta definición se aplica tanto para
variables aleatorias discretas como continuas.
2. Covarianza: La covarianza entre las variables aleatorias es un valor
que mide la relación entre ellas. La covarianza entre dos variables
aleatorias X e Y se define como la esperanza del producto de las
variables menos el producto de sus esperanzas.
3. Varianza condicionada: La varianza condicionada de una variable
aleatoria X dado un valor Y = y se define como la esperanza del
cuadrado de la diferencia entre X y su esperanza condicionada por Y.
Ejemplos
1. Suma de variables aleatorias: Si X y Y son variables aleatorias
independientes, entonces la esperanza de la suma X + Y es igual a la
suma de sus esperanzas.
2. Producto de variables aleatorias: Si X y Y son variables aleatorias
independientes, entonces la esperanza del producto XY es igual al
producto de sus esperanzas.
3. Varianza condicionada: La varianza condicionada de X dado Y = y se
puede calcular utilizando la fórmula de la varianza condicionada.