j i i Capitulo 5° Vectores Aleatorios En este capitulo se estudiar4 el comportamiento conjunto de dos o més variables aleatorias. 5.1. Distribucién conjunta de variables aleatorias En muchos casos es necesario considerar el comportamiento conjunto de dos o més variables. Supéngase, por ejemplo, que se lanza una moneda corriente tres veces consecutivas y que se desea analizar el comportamiento conjunto de las variables aleatorias X e Y definidas como: X := “numero de caras obtenidas en los primeros dos lanzamientos” Y := “mimero de caras obtenidas en los dos tltimos lanzamientos” Es claro que: P(X =0,¥ =0) = P(S,5,S)) = 5 P(X =0,¥ =1)=P(S,S,C)) = ; P(X =1,¥ =0) = PU(C,S,5)) = 5 P(X =1,Y =1) = P({(C,S,0), (S,C,$)}) = i P(X =1,¥ =2) = P((S,C,C)) = ; P(X =2,¥ =1)=P(C.C,5)) = P(X =2,¥ =2) = P((C,C,0)) = ole ole 170‘ 5.1. DISTRIBUCION CONJUNTA DE VARIABLES ALEATORIAS 171 1 gas informaciOn se puede resumir en la tabla siguiente: X\Y[0Jile DUG 1a 2 [elas Definici6n 5-1 (vector aleatorio n-dimensional) Sean X,,Xz,--- ,X. n variables aleatorias reales definidas sobre el mismo espacio de probabilidad’” (0,9, P). La 3 — B,—variable aleatoria X : 2 —. R" definida por: X(w) = (Xi(w),--+ ,Xy(w)) ge llama vector aleatorio n— dimensional. Definicién 5.2 (distribucién de un vector aleatorio) Sea X un vee- tor aleatorio n-dimensional. La medida de probabilidad definida sobre By, por: ’ Px(B):= P(X€B); BEB, se llama distribucion del vector aleatorio X. Definicién 5.3 (funcién de densidad conjunta) Sea X = (X1,X2,---,Xn) un vector aleatorio n—dimensional. Si las va- riables aleatorias X;; con i = 1,-+- ,n, son todas discretas, se dice que el vector aleatorio X es discreto. En tal caso, se define la funcién de densi- dad de X, o funcién de densidad de probabilidad conjunta de las variables aleatorias X1, X2,°+- ,Xn, como: f(s) = { Nota 5.4 Sean X, y X2 variables aleatorias discretas. Entonces: P(X=x) si x pertenece al rango de X 0 en otro caso. P(X;=2)=P ( =2)NU% = ») uv =P (yes =2,X2 -v) y = YP(X =2,X2=y). v En general, se tiene que: > aW72 CAPITULO % VECTORES Menrowes wis Bol Sea X © (X1,Xaye7+ + Xn) un vector aleatorio n~ di ‘Teore ; 7 discreto. Entoncen, para toda g = 1,07 1% #6 satisface: MEN SIOng P(X, a) Se DLL as Kash ae Br fp ty) tn X54 = Sys Xp = 2p). La funcion __{ P(X;=2) si x pertenece al rango de X; fx,(2) = { 0 en otro caso. se llama distribucién marginal de la variable aleatoria X;. Ejemplo 5.6 Sean X ¢ Y variables aleatorias discretas con distribucién conjunta dada por: X\Y[To[Tif2]3 lil} ie] i] & 1 /sla/s]o : Las distribuciones marginales de X y de Y estén dadas, respectivamente, re : ” zr =1 He] y PX=a) (8 TS] x = “nimero de caras obt, as ‘enidas” “ntimero de lanzamient i : cine hey 'o en el que se obtiene Dor primera vez cara”. 1. Hallar la distribucién conjunta de X ¢ Y. 2 Hallar las distribuciones Marginales de X e Y. 3 Cal leular P(X < 2,¥ = 1), PIX S2Y <1) y UX <2 0¥ <1).5.1. DISTRIBUCION CONJUNTA DE VARIABLES ALEATORIAS 173 goluci6n: 1. La distribucisn conjunta de X ¢ ¥ esti data por: por: Ply i TET 3. De los numerales anteriores se deduce: P(X $2,¥ =1)=P(X=0,¥ =1)+P(X=1,Y=1) P(X <2,¥ <1)=P(X <2,¥ =1)+P(X <$2,¥ =0) =34P(X =0,¥ =0)+ P(X =1LY =0) + P(X =2,Y =0) 1 2 P(X <20¥ <1)=P(X <2)+P(¥ $1)-P(X<2,¥ <1) = P(X =0)+ P(X =1)+ P(X =2) +P(Y =0)+ PY =1)-3 Fiemplo 5.8 Una caja contiene tres puntillas, cuatro tachuelas y dos tor- Se extraen, al azar, tres objetos(sin reemplazo). Sea X el ntimero de tachuelas y Y el ntimero de puntillas extraidas. Hallar la distribucién comjunta de X e Y. | |i ' | | t { | \ | ea FDS Oe 174 cApiTULO 5. VECTORES ALEATORIOS Solucién: Puesto que: (GGG), pata zy = 0.1.2.4 Px aa ay) = para x,y = 0,1,2,3, se tiene que la distribucién conjunta de las variables X e Y est4 dada por: Ejemplo 5.9 Se lanza un dado corriente dos veces consecutivas. Sean: “mdzimo valor obtenido” “suma de los resultados obtenidos” Ia funcion de densidad del vector aleatorio X = (X1,X2) esta dada por: Xi\X.[ 2737475 ]6 7/879]; r z Het o 2 0 ofTo;olo 36 | 36 olovloftolotlo 3 ojo Sai 0 ort olo 4 [olofo Sta oTotolo 5 | 0/ofofol2zrzreiz 0 6 Jolofoto oH =z Las distribuciones marginales de X, y Xo son, respectivamente, = |ilarsyarsq PO, = 2) SH5.1,_DISTRIBUCION CONJUNTA DE VARIABLES ALEATORIAS 175 ’ | [STs triste | SlulelelelelSierel = Pm = 1,X2=2)+ P(X, =1,X) =3) glen 6 P(X1 Sm) X2 S 2) = P(X = 1, Xp = 2) + P(X; = 2, Xp = 2) + P(X, = 3, X2 = 2) = 3 ~ 36° yen general: Mam | Xa(y) = Ii g ie sriicate a(y) (x,y). B o Teorema 5.13 Sea X = nal, con incibn aa d me Xa.) Xn) un vector aleatorio n—dimensio- J = 1-+-,n; se tiene | Ia (ek acumulativa conjunta F. Para cada bd la ‘i cong . variable aleatoria X; esté dada emi” distribucién acumulativa de la Por: Fx,(z) = lim. tim a eT sites tM, lim F(ey,--- 29). La funcion de distribucion Fx, se Yama 3 Marginal de ls variable aleatoria X, funcién de distribucién acumulativa5.1. DISTRIBUCION CONJUNTA DE VARIABLES ALEATORIAS 177 fl teorema anterior indica entonces tribucidn acumulativa conjunta de las variables aleatorias X;,... »Xn, se ecen las marginales. El recfproco, en general, no es valido. A continuaci6n se presentan algunas de las propiedades de la funcién de gistribucién conjunta. que, si se conoce la funcién de dis- cont qeorema 5.14 Sea X = (Xj, X,.. 14 x , »Xn) un vector aleatorio n-dimensio- nal. La funcién de distribucién acumulativa conjunta F de las variables aleatorias X1, X2,...Xn posee las siguientes propiedades: 1. A8F > 0; para todo a = (a,,... 14), b= (biy-++ bn) € R", con a < b,donde: ars cy & F (e101 + (1 e1)biy-+* y€nn {ery en} E{0,1}" +(1—€n)bn). 2. F es continua a derecha en cada componente. 8. Para todo ay,+++ ,aj-1,0i41,+++ an ER; ++ 4M, se satisface: Yim F | aij: a1, 2 ,ai42)---an | <0. oan A i= 1 T Git in lugar i 4 lim F(21,+++ tn) = 1. (wis stn) (00) 00) Demostracién. Se hace la demostracién para el caso n = 2. El caso general Se trabaja de manera andloga. 1. Sean a = (a1, a2), b = (bi, bg); con a l en otro caso oue re ={ Determinar:SITULOS. VECTORES ALEATORIOS _ on RAS ATOR no PINSALY ~ 8). cnstdad maryinales de Xe ¥. sd, 2 Las functones ded Solucién: 1 ener P(X < },¥ >6) p(xs3h) >) a Je & we Mdudt 6.9444 x 10-3 wf fe Sdedy © 2TTTS x Oe? ~ 05 2 f 00 | tee= f(a, y)dy _f Se dy si Od 0 en otro caso -{ # ai pol ; 0 en otro caso" Ejemplo 5.21 Sean X e ¥ variables aleatorias con funcidn de densidad ée probabilidad conjunta dada por: flay) = ie si O<2ly2l . 0 en otro caso | b si 0 1 aft} si O2 O2, 2 si OSee2y>1 i si 22, y2>1 3. dy si O<2<2 sie) { f en otro caso 3 si O 1). Solucién: Como X e Y son independientes, su funcién de densidad de probabilidad conjunta est4 dada por: 32? 3 » Ale, y) = a Ol . 0 en _ otro caso Por lo tanto, , 2 32? P(XY >1)= L he Sy drdy = a Nota 5.28 Sean X ¢ Y variables aleatorias discretas independientes. Es claro que: P(X+Y=2)= UP(K= Y= 2-2) = SP(X =2)P(¥ =2-2). z=0CAPITULO 5. VECTORES ALEATORIOS 188 jemplo 5.29 Supdngase que X ¢ ¥ son variables aleatorias ind, ae £ P(A) y¥ £ Plu). Hallar la distribucién de Z = x +Y tes con X = Solucién: Las variables aleatorias X e Y toman los valores 0,1,-. Pot lp tanto, la variable aleatoria Z toma también los valores 0,1,... Sea 2€ {0,1,-+-}, entonces: P(2=2)= P(X =2)P(Y = 22) = Fer O0)(y +a Estoes, Z2 P04). 4 Nota 5.30 Supén con 'gase que X eY son variables aleatorias independientes funcién de densidad de probabilidad conjunta f(x,y) y funciones de densidad marginales fx y fy, Tespectivamente. La funcion de distribuciin de la variable aleatoria Z = X +Y, puede obtenerse como sigue: Fels) = P< = ff evydedy {tus 2} = | Fx(2) fy (y)drdy {atys 2} copay at ~ [ oo [ oo 1X()fr(y)dedy oo psy . . [ oo P*(2)de fy (y)dy - [Fete ~wivtayay de @ Al derivar, ta ecuacion 5.6, s¢ obtiene que la funcién de densidad 4rr 5.2. VARIABLES ALEATORIAS INDEPENDIENTES 189 sariable aleatoria Z estd dada por: apr faz | Fx(e—v)fv(uldy 2d ia [i gree —vu)fy(y)dy = [tle wivioren (51) La funcién de densidad de la variable aleatoria Z se llama la convolucién de las funciones de densidad fx y fy y se denota por fx * fy. Ejemplo 5.31 Sean X y Y variables aleatorias independientes ¢ igual- mente distribuidas con distribucidn exponencial de pardmetro > 0. La funcidn de densidad de Z = X + estd dada por: f2(2) = (fx * fy) (2) =i = [ EAE Xi gy (z — u)AE Reo) (tu) du = f Me™ Xoe)(— uw) Xo) udu. _ Puesto que: 1 si z>u>0 X (0,00) (2 ~ 4) Xo,00)(¥) = { 0 en otro caso entonces (fx * fy) (2) = ?2e- X(0,00)(2) = FO *Aoan esto es, Z41(2,d). & Ejemplo 5.32 Sean X y Y variables aleatorias independientes tales que X £u (0,2) yy 4 Exp(t). Calcular P(X +¥ > 25). Solucién: La funcién de densidad de probabilidad conjunta de X e Y est dada por: kev si OS 2<2; y>0 _fhev si O tribucién exponenctal de parame" a ad be parame? ene distybuciin gamma de pum df > —5.2. VARIABLES ALEATORIAS INDEPENDIENTES y, En efecto, la funcién generadora de momentos de Z := Xy +++: + Xn estdé dada por: mg(t) = E(exptZ) n = TJ Ete tx) ea . BN ‘2 2,--X_> 2). Por lo tanto, si las variables aleatorias X1,--- ,Xq son independientes. en- tonces: . a Fy(y) = T] POG. < v) = T] Px) a et y Fz(2)=1-]]2- P(X < 2)) k=l =1-][0-Fx.@) k=1 siendo Fy,(-) la funcidén de distribucidn de la variable aleatoria Xx. con kelsey oa Ejemplo 5.41 Sean X y Y variables aleatorias independientes e igual- mente distribuidas con distribucién exponencial de pardmetro a. Determimar la funcién de densidad de la variable aleatoria Z := méx{X,¥°} Solucién: La funcién de densidad de la variable aleatoria U = Y° esta dada por: a ww { aver’ Como las variables aleatorias X y Y$ son independientes, entonces, la Variable aleatoria Z = mdx{X, Y°} tiene como funcién de distribucion acumulativa a: siu>O en otro caso. F(z) = Fx(z)Fya(2). Por lo tanto, la funcién de densidad de Z esté dada por: fa(z) = fx(2)Fys(2) + Fx(2)fya(2)sesto es: si rq &2 Otte Cg , = 1a ayer sone oY? a(t + pyle ew Sal: 0 Nota 5.42 Si Xi, X2,...,Xn sonn variables aleatorias inde, tonces, X Xgy Xk jon k < n, también son independie si Aj, A,.., Ak son conjuntos Borel de R, entonces: Pendicntes, on Hes. En ofeny, P(X) € Aus Xi € Ak) = P(X1 € Aas Xk © Ady Keg € R, “Xn ER) = P(E Al)“ P(Xk EAL) (Xe eR) “P(X, eR) = P(X, € Ai)--- P(X © Ag). Supéngase que X;, X2 y X3 son variables aleatorias discretas indepen. dientes y sean Yj = Xy + Xz y Yo := X2. Entonces: P(Y = 2,¥2=w) = P(X: = 2, X_=2- 2,X} = w) = P(X = 2)P(Xy = 2 - 2)P(X3 = + Vu) = P(Xs = £Vw) P(X, = 2) P(X, = 2 z) = P(X) + Xo = 2) P(X? = w). Esto es, Yi = Xi + Xpy Yo: X? son variables aleatorias independien- tes. {Es este resultado valido en general? La respuesta a esta pregunta la da el teorema siguiente, cuya demostracién se omite, pues ella requiere de resultados de teoria de la medida, Teorema 5.43 Sean Xie Xa, on variables aleatorias independientes. Sean ¥ una variable aleatoria definida en términos de X. ier Xe y Z uns variable — aleatoria definida en términos de Xgyiye1 Xn dondel Com of resultado se tiene trivialmente para a = 0, se considera tinicamente el nay a> 0. Se tiene que: 0 < E((aX + BY)?) = E(a?X? + 2afXY + #*Y¥7) = a(EX?EY? — E(XY)E(XY)) como a > 0, entonces, se obtiene el resultado. Si (EXY)? = EX*EY?, entonces, E(aX + bY = 0. Por Io tants, um probabilidad 1, se tiene que (aX +BY) =0. Sia >0, se puede tomar a = yb=B. Sia= 0, entonces, se puede tomara=O0y b=1. Rectprocamente, si existen ntimeros reales a y b no simulténeamente cero tales que aX + bY = 0, con probabilidad 1, entonoes, aX = —bY wm probabilidad 1 y en tal caso es facil verificar que JEXY |? = EX*EY? @ Nota 5.59 Tomando |X| y |¥| en lugar de X y de Y, en el teorema ante- rior, se llega a: E|XY|< VEX?VEY? Si se aplica el resultado anterior a las variables X-EX yY —EY se \Cou(X,¥)| < WVarX VVarY. Teorema 5.60 SiX e Y son variables aleatorias tas, entonces, Var(X + Y) < co y s€ tiene que: Var(X +Y) = VarX +Var¥ + 2Cov(X,¥). (5.8) obtiene reales con varianzas fint- Demostracién. Para ver que Var(X + Y) < 00 basta verificar que E(X+Y)? — (%) =i(23 | y | EX;X; = P(X: = 1,X;=1) = P(X; =1| Xi =1)P(X%i = 1) entonces: Cov(Xi,X;) = EX:X;— EX:EX; La covarianza es una medida de la asociacién lineal entre dos variables aleatorias, Una covarianza “grande” indica que con probabilidad 1, hay una relacién de tipo lineal entre las dos variables. Pero, jqué significa que la covarianza sea “grande”? ,cémo se puede calificar la magnitud de una co- varianza? de hecho, la propiedad 4. de la covarianza establece que el valor de ésta depende de la escala de medida que se utilice. Por esta raz6n, es dificil, en casos concretos, determinar a simple vista, si una covarianza es “grande” o no, Para eliminar este problema, el matematico inglés Karl Pear- Son, quien desarrollé la gran mayoria de las técnicas estadisticas modernas, introdujé el concepto siguiente: ee202 CAPITULO 5. VECTORES ALEATORIOS Definicién 5.64 (coeficiente de correlacién) Sean X ¢ ¥ yy leatorias reales, con Q < VarX < 00 y0 < Var¥ < ox, correlacién entre X e Y se define como: Cov(X, ¥) WVarX VVarY" Teorema 5.65 Sean X e Y variables aleatorias reales con 0 < Var. y00. ee & Bw lo(X;¥)| = 1, si y sdto si, existen constantes a,b € R no simultinea- mente cero tales que P(aX + bY = 0) =1. Demostracién. Se hace solamente la demostracién de los numerales 2. y 5. Los demés quedan como ejereicio para el lector. 2. Sean i, j y yn YY WarY Bs claro que EX* = EY* = 0 y Var(X*) = Var(¥'"*) = 1. Por lo tanto: o(X*,¥*) = Exty* — EXY ~ EXEY WVarX /VarY = (X,Y) Luego: 0. < Var(X°£Y*) = VarX*+2Cov(X*, ¥*)4Var¥* = 2(14p(%+¥)) de donde se deduce: lolX,¥)| <1 _' ee $4 DSTRIRUCION DE UNA FUNCION DE UN VECTOR ALEATORIO. 203 Sem NT OY como en ef numeml 2. Es claro que: mY) 3 Gada 4 OV 4 0)(P(aX* + BY" =0) = 1) < P(e x) +0 )=o) =1 Var es PAX + 8¥ =0) <1, donde é a : _aEX | BEY Cae 2 ET, 9° Wark | War¥ VVart esto es, A(X,Y) = 1 es P(Y =aX +6) =1, stendo a,b constantes apropadas. Analogamente, se tmbaja et caso p(X, ¥) = 1. El item §., del teorema anterior, indica que si |p(X, ¥)] = 1, entonces, Yo) © aN(w) 4d) para todo w € 2. En la prictica, un coeficiente de correlacién “grande”, en valor absoluto, indica que se puede predecir Y a partir de Ny viceversa, 54. Distribucién de una funcién de un vector aleato- Tio. Sea X, Hever ys) awe} TAS Tale, Aeatorinn Yi, (Xi, Xap Xn) un vector aleatorio y sean gi(y e+ y)yey funciones detinidas sobre A CR" y de valor real. Supéngase MN Ny) Me t= ge(Xi,+++, Xp) son variables aleato- ¢ desen detorminar la distribuciéu conjunta de las variables hy Yeu en Wérminos de la distribucién conjunta de las varia- "ws alentoriag Xyyo++ , Xe >os 204 CAPITULO 5. VECTORES ALEATORIOS Supéngase, inicialmente, que las variables aleatorias Ny, +. “Xyee cretas y que se conoce su distribueién conjunta, Es claro que: tis POY =n Ye = yn) = Pla (Xae es Xnderr sae M I yy) = > P(X = yes =a). (tree enER” fieur een on Fie en) =U Ejemplo 5.66 Sean X; y Xz variables aleatorias con distribucién conjunta dada por: Xi\X2 10 ° na ae se te Sean gi(xi, 22) = 21 +22 y go(21, 22) = 2122. Es claro que. las variables aleatorias Ma = g(X1,X2) =X + Xp y Yo := go(X1,X2) = XLXp toman, respectivamente, los valores —1,0,1,2 y 1,0, 1. La distribucién con: junta de Y; y Yo esté dada por: Y\¥, [-1] OTT -1 |o|3]o ol. | 1 0 2 0 2 Olo{2 Ejemplo 5.67 Sean X1, Xz y Xs variables aleatorias con distribucts junta dada por: 8 8 x = (x), 29,73) (0,0,0) (0,0, 1) (0,1, 1) P((Xi,X2,Xs)=x)]} 2 r 4 s5.4. DISTRIBUCION DE UNA FUNCION DE UN VECTOR ALEATORIO. 205 sean gi(t1 2223) 3 magn conjunea de Yi por! % +224+23 , go(21, 22,23) = [x3 — 29|. La distribu. 91(X1, Xa, Xs) y Ya = g2(X1,X2,X3) estd dada ¥YaA\vi [01 [273 o TOT. a MI OHED Para el caso de variables aleatorias absolutamente continuas se tiene resultado siguiente, el cual se presenta sin demostracién. El lector interesado puede consultar la demostracién en (Jac). Teorema 5.68 (teorema de transformacién) Gea X = (X1,X2,--- ,Xn) un vector aleatorio con densidad conjunta fx Séag:R™ —+ R” una aplicacién inyectiva. Supéngase que tanto g como su inversa h : A C R" —+ R® son continuas. Si las derivadas parciales de h existen y son continuas y si su jacobiano, J, es diferente de cero, entonces, el vector aleatorio ¥ := g(X) tiene funcién de densidad conjunta fy dada por: fly) = { \J(y)I AO) si y estd en el rango deg en otro caso Ejemplo 5.69 Sea X = (X,, Xz) un vector aleatorio con funcién de den- sidad de probabilidad conjunta dada por: 1 si O1 0 en otro caso 1 i = 9% (2) + Fa %e0)(2). Ejemplo 5.78 Supéngase que la duracién X de un dispositivo electrénico es una variable aleatoria continua con funcién de densidad de probabilidad dada por: fz)= 1092 si z > 1000 “0 en otro caso Sean X; y Xz dos determinaciones independientes de la anterior varie ble. Hallar la funcién de densidad de probabilidad de ta variable aleatori Z=%. —_ a> Ul 5.4, DISTRIBUCION DE UNA FUNCION DE UN VECTOR ALEATORNO au Solucién: Se sabe que faz) -f lei f(e2) f(wdae. ae Puesto que f(vey= { SB Se: > 1000 en otto caso entonces: i) z > 1, v > 1000 implica vz > 1000 y asi: oy ) 2 pss nee f 1000 1000, 9, cual f ded 1000 1 2 oon DE 2 ii) Si 0 < 2 <1, entonces vz > 1000, si y sélo si, v > 8%. En tal caso: = 1000 1000 de 1 ron PER PS fiz) = ga si 2>1 2: LE)=) 2 sg ocr) 0 en otrocaso. A Ejemplo 5.79 (distribucién t-Student) Sean X e¢ Y evanabics aleato- rias independientes tales que X 4 N(0,1) y¥ £ 2%). Considerse la transformacién: ve La transformacién inversa estd dada por: A(z,y) = (=u) , Fl jacobiano de la trasformacién inversa es: aen= i. 9(2,¥)CAPITULO 5. VECTORES ALEATORIOS 212 Por lo tanto, la funcién de densidad de probabilidad conjunta de 0 , W:=Y estd dada por: Faw(z,w) = (ge, vw); parawsg donde: -1 & 1 la & NF 1 fev) = Fem (5 ) [r(3 2) ¥F texp “3: pare y > 0. Integrando faw(2,w) com resp densidad de Z esté dada por: l ifk+1 ky) 1 tot)= Feet (4) Ir)" Ls cen 619 Vir 2 2 + z] 3 Se dice que una variable aleatoria real Z tiene di istribucisn t— Student on grades de Ubertad, y se escribe Z 4 t4), si su funcién de densidad esté dada por (5.10). & Ejemplo 5.80 (distribucién F ) Sean xX ey variables aleatorias inde. dientes tales que X £42 yy 4 42 Considérese la aplicacién bil (m) (n) 92,9) = (#1). Se tiene que su inversa esté dada por: ecto a w, se obtiene que una funcign de El jacobiano de la transformacién inversa €8 igual a: J(x,y) = My, Por lo tanto, ta funcién de x. densidad de probabitidad conjunta de Z:= 4 W:=Y estd dada Por: = nl 1 WF AYE om vg a 1 (41) Fara (3): (3)' (ew)? vs on [-0(F*4) . 1 Al integrar con respecto aw, se obtiene que una funcién de densidad estd dada por: faw(z,w) = m+n RY p(R))-t¢myF 2B so Ho=r(™5*) n(x) (*) (142) (gallya 5.4. DISTRIBUCION DE UNA FUNCION DE UN VECTOR ALEATORIO, 213 Se dice que una variable aleatoria Z tiene distribucién F, con m grados de libertad en el numerador y n grados de libertad en el denominador, y se a x escribe Z = Fy”, si su funcidn de densidad esté dada por (5.11). & E] teorema de transformacién se puede generalizar de la siguiente ma- nera: Teorema 5.81 Sea X = (Xi, Xz,---,X,) un vector aleatorio con fun- cién de densidad de probabilidad conjunta fx.Sea g una aplicacién de R"en si mismo. Supéngase que R"se puede particionar en k conjuntos disyun- tos Ai,--*, Ax de tal manera que la aplicacién g restringida a Aj, para i= 1,---,k, es una aplicacién uno a uno con inversa hj. Si las primeras derivadas parciales de hy existen y son continuas y si los jacobianos J; son diferentes de cero en el rango de la transformacién, para i =1,---,k. En- tonces el vector aleatorio ¥ := g(X) tiene funcién de densidad de probabi- lidad conjunta dada por: m fely) = So Jily)| fx (aily)) « = Demostracién. Ver [Jac] @ Fjemplo 5.82 Sea X una variable aleatoria con funcién de densidad fx. Sea g: R—+R dada por g(x) = x*. Es claro que R = (—00,0) U (0,00) y fie lab aplicaciones | g: (0,00) — R ze at g2: (-00,0) — R 2 mH at son invertibles y sus inversas son respectivamente: hi: (0,00) —+ [0,00) a mH ¥e y ha: (0,00) —+ (00,0) cot Ye Los jacobianos de las transformaciones inversas estén dados, respectiva- mente, por: 13 A(z) = jet y (a) = 42-4,214 CAPITULO 5. VECTORES ALEATORIOS Por lo tanto, una funcién de densidad de la variable aleatoria Y = X4estd da. da por: 2 \ Sulu) = Do |dalu)| Sx (bi(v)) yA isl ‘ Vk = WO Wx. a 4 5.5. Valor esperado de un vector aleatorio y ma- triz de varianzas y covarianzas. A continuacién se presenta la generalizacién de los conceptos de valor esperado y varianza de una variable aleatoria estudiados previamente. Definicién 5.83 (valor esperado de un vector aleatorio) Sea X = (X1,Xo,-++,Xn) un vector aleatorio. La esperanza (o valor es- perado) de X , denotada por B(X), se define como sigue: (EX, EX2,--- ,EXn) siempre y cuando EX; exista; para todo j =1,-+ ,n. La anterior definicién puede extenderse de la manera siguiente: Definicién 5.84 (valor esperado de una funcién) Sea X = (X1,X2,--+,Xn) un vector aleatorio y sea h : R™ —> R™ una funcidn dada por: (ha(tiy+++ sta)s++ + Rm(tis-++ y tn) h(a Zn) donde las funciones hi, para i = 1,---,m, son funciones de valor real definidas sobre R, El valor esperado de h(X) estd dado por: E(h(X)) = (E(ha(X)), ++» B(hm(X))) siempre y cuando los valores esperados E(hj(X)) para j = 1,-++ ,m estén definidos. Definicién 5.85 (Valor esperado de una matriz aleatoria) Gi Xyj coni = 1,-++)mMy J = 1y-++4n son variables aleatorias reales defini todas sobre el mismo espacio de probabilidad, entonces, la matri5.5. VALOR ESPERADO Y VARIANZA DE UN VECTOR ALEATORIO 215 A= (Xu)mxn se llama matriz aleatoria y se define su valor experada co- no la matriz cuyas componentes son los valores esperados de lus variables ‘leatorias Xiz, esto es: = (E(Xij))mxn siempre y cuando E(X,;) ezista; para todoi = 1,--+ ,m y todo j =1,-++ ,n. Definicién 5.86 (matriz de varianzas y covarianzas) Sea X = (X1,X2,--+,Xn) un vector aleatorio con EX} < 00; para to- do j =1,-++.m. La matriz de varianzas y covarianzas denotada por 5 se define como sigue: Var(X1) Cov(X1,X2) +++ Cov(Xi,Xn) Cov(X2,X1) = Var(X2) —--- Cou(X2, Xn) Cov(XnyX1) CovlXnyX2) + Var(Xn) Nota 5.87 Obsérvese que > = E([K—EX]? [X-EX)). Ejemplo 5.88 Sea X1 y X2 variables aleatorias discretas con distribucién conjunta dada por: Xi\X2 | -1] 071 1 3 13/0 2 )a fala Es claro que el valor esperado de X = (X1, Xz) es igual a: oa (3-2) y la matriz de varianzas y covarianzas estd dada por: i121 o-(; ) tu] 12 36 Para a= (a1,a), arbitrario, se obtiene que: 1 1 4 1 a; a) oF = (oven ( 1 (8) 2 36 = ha ft dota 4 ae = 4ar gum 1 ol a =( (Ja + tea) + a3 20,PO 216 CAPITULO 5. VECTORES ALEATORIOS esto es, la matriz > es positiva semidefinida. & Bjemplo 5.89 Sea X = (X,Y) un vector aleatorio con funcién de densidag de probabilidad conjunta dada por: si 1 3 si O0, = large + 3602 2% esto es, 5D €8 positiva semidefinida. & we——___ 5.5. VALOR ESPERADO Y VARIANZA DE UN VECTOR ALEATORIO 217 En general, se tiene el resultado siguiente: Teorema 5.90 Sea X = (X1,-++ , Xn) un vector aleatorio n-dimensional. Si B(X3) < 00; para todo j = 1,--- ,n, entonces, la matriz S>, de varianzas y covarianzas de X, es positive semidefinida. Demostracién. Sea a = (a1,-++ an) € R" arbitrario. Considérese la va- riable aleatoria Y definida como sigue: = (Xiye+ Xn)(aiy-++ n)” Mak; ia Se va a verificar que Var(Y) = aya? con lo cual queda probado el resul- tado pues Var(Y) > 0. Se tiene que: Var(Y) = E((¥ — EY]*) Puesto que, EY Sak (Xi) = pal, siendo p:= EX, y como el transpuesto de un ntimero real es el mismo nsimero, se obtiene: VarY = E ([Xa™ — ya") [Xa™ — pa7)) = B([Xa™ — pa") [Xa - ya™]) = E([aX? ~ ap”) [Xa™ — ya) = B(alX — y\[X — yj”) = aE((X — yp)" [X - p])a™ =aSca’. Nota 5.91 Es claro que, a partir de la definicién de la matriz de varianzas y covarianzas 3”, si las variables aleatorias X1,X2,--- ,Xn son independien- He entonces, S~ es una matriz diagonal, donde los elementos de la diagonal Precisamente las varianzas de las variables aleatorias Xj, j =1,-++ ,n. Para finalizar esta seccién, se introduce el concepto de matriz de corre- ‘ones, el cual es muy importante en el desarrollo de la teoria estadistica multivariada, >218 CAPITULO 5, VECTORES ALEATORIOS Definicién 5.92 (matriz de correlaciones) Sea X = (X1, X2,--- , X,) ‘un vector aleatorio con 0 < Var(X;) < 00; para todo j = 1,---\n. La matriz de correlaciones de X, denotada por R, estd definida como sigue: 1 p(X1,X2) P(X1, Xn) p(X2, X1) £ (X2,Xn) P(Xm Xt) Xn Xa) 1 Ejemplo 5.93 Sea X = (X,Y) un vector aleatorio bidimensional con fun- cién de densidad de probabilidad conjunta dada por: _ [2 oi O, ya que, A 1 foot R= diag(— gh Dtiaal =. donde 0; = (War, para j= 1,747 i. in, 3 Por lo tanto, Res simétrica y positiva semidefinida « a e aj >0; para todo j, entonces, R es no singular, si y sdlo st 1 on singular. eeOO > —- 5.6. FUNCIONES GENERADORAS 219 5.6. Funciones generadoras de momentos y carac- teristica conjuntas. En esta seccién se generalizan los conceptos de funcién generadora de momentos y funcién caracteristica. presentados en el capitulo 2. para el caso unidimensional. a vectores aleatorios n dimensionales. Definicién 5.95 (funcién generadora de momentos conjunta) Sea X = (Xy.+++.Xp) un vector aleatorio n dimensional. Si existe M > 0 tal que E(exp(Xt")) es finito para todo t = (t1,--- ,tn) € R® con Vite thom, entonces, s¢ define la funcién generadora de momentos conjunta de X, de- notada por mx(t). como sigue: mx(t) :=E(exp(Xt”)) para |jtl] ) Supéngase, inicialmente, que la funcidn generado- ra de momentos conjunta de X existe. En tal caso, existe una constante M > 0 tal que mx(t) =E(exp(Xt7)) < 00 para todo t con ||t|] 0 tal que mx, (t:) = E(exp(t,X,)) < 00; si |t;| < Mj. Seah: R" —+R definida por: h(t) := exp(ta”); conae R™In funcatn b en conveza y en consecuencia si x, € R" coni= antinface urs “4m se Wan) < Sauh(x;) i= i=1 donde on, © (0,1) para todo i= +m y ) "a; = 1. Por lo tanto, exp { (Sex) “| < Sac explicga?) at En particular, para a = X = (Xj,--- Xn), x = (0,---,0, t ,0, tugar i n= se obtiene que: n n exp {Spanx} Ss Ya exp(t:X;) a=1 11 Tomando valores esperados se llega a: E (-o{S5oux:}) < Somat y por lo tanto, para todo ue R con Ris {u= (u1,-++ Un) ER": uy = ait; con |ti| < Mj y a € (0,1), i=1,---,n} se sutisface que: Elexp(Xu™)) < 00 Seat © R" con |\t|] 0 con: Teorema 5.98 Sea X = (Xi, Supéngase, que para cada i my, (t) := BlexptX,) < 00; i |e] < Mi ‘Si las variables aleatorias, X1,++* , Xn, son independientes, entonces, mx(t) < co para todo t = (thy-*+ stn); con Ijt|] —s_-224 CAPITULO 5. VECTORES ALEATORIOS X existe. Entonces, los momentos conjuntos, alrededor del origen, de todos los ordenes, son finitos y se satisface ademds que: Qkitotkn —————_ xt a pee x! ) (ty stn) =(0, 0) Pn = Para finalizar esta seccién, se presenta la definicién de funcién carac- teristica conjunta de un vector aleatorio. Definicién 5.103 (funcién caracteristica conjunta) Sean X = (X1,+++ Xn) un vector aleatorion dimensional yt = (ti.-++ stp) € R". La funcién caracteristica conjunta del vector aleatorio X, denotada por Yx(t), estd definida por: x(t) = E [exp (ixt?)] ; donde i= V1. Al igual que en el caso univariado, se tiene que la funcién caracteristica conjunta de un vector aleatorio siempre existe. También se satisface que la funcién caracteristica conjunta de un vector aleatorio caracteriza la dis- tribucién del vector. Esto es, dos vectores aleatorios Xe ¥ tienen la misma funcién de distribucién conjunta, si y sélo si, tienen la misma funcién carac- teristica conjunta. Es més, es posible demostrar que al diferenciar la funcién caracteristica sucesivamente y evaluar sus derivadas en el origen, se obtiene la expresi6n siguiente para los momentos conjuntos alrededor del origen: , i Okt, Phyokn = Tp h tk. ake PX(E) Neer stn) (0, 0) siempre y cuando el momento sea finito, No se presentan las demostraciones alla de los objetivos propuestos ver [Her]. de estos resultados, pues van mas Para este texto. El lector interesado puede 5.7. Distribucién normal multivariada. Al igual que ocurre en el caso univariado, en el que la distribucién nor- mal desempefia un papel destacado, se tiene que la distribucién que se detine 8 continuacién es fundamental en el desarrollo de la teorfa estadistica miul- tivariada. a5.7, DISTRIBUCION NORMAL MULTIVARIADA. 225 Dofinicién 8.104 (distribucién normal multivariada) Se dice que el vector aleatorio n dimensional X = (X1,-++ Xn) tiene dis- tribucién normal multivariada si toda combinacién lineal, )a;X;, tiene ja distribucidn normal univariada, (posiblemente degenerada, como ocurre, por ejemplo, cuando oy = 0 para todo j). Ejemplo 5.105 Supéngase que X1,--+ Xp son n variables aleatorias in- dependientes tales que Xj 4 N(uj,0?) para j = 1,---,n. Entonces, si SajXj, se tiene: j= y(t) = Ele”) = E (ettluxit tonal) " = Bx, (ajt) 1 i a . ajt?o} = [exp | injayt - i abt?o? = exp (= [mes 2 ja = exp (int — 10H = exp [int — 5 donde B= Dyjos yo? a esto ¢, ¥ £ N(u, 02), Por lo tanto, el vector X:: (X1,+++ Xn) tiene distribucién normal multivariada, & Teorema 5.106 Sea X : = (X1,+++ Xn) un vector aleatorio. X tiene dis- nbucigs i la fort Normal multivariada, si y séto si, su funcién caracteristica es de forma: px(t) =erp [i (tn) ~ 5 .40)] ~~CAPITULO 5 VECTORES ALEATORIOS hn donde 1 € R", Q es una matriz cuadrada, simétrica y positiva semidefinida y donde (-,-) denota el producto interno usual de R". SajX;. Ba claro que: gel Demostracién, =>) SeaY : EY = ayn; ja = (a,n); donde w EX ya:=(a,°++ Qn) gat a VarY = Var (>) = Vara, Xj) +20 SCov(ay Xj, aiX,) yl a ) Es el resultado dado en 5.91. += ) Supdngase que la matriz Q ¢8 diagonal. Puesto que Lf. ———228 CAPITULO 5. VECTORES ALEATORIOS _ x 4N(u,Q), entonces, 1 )= eo i (t,) - 5.00] Spt - soot = jt x byt) ~ pont :) = [Tex exp . (5-308) | = exp = exp Was = ++ yn, son independientes Por lo tanto, las variables aleatorias Xj; j s Xn) un vector aleatorio tal que Teorema 5.110 Sea X: = (Xi,---, Ya X £N(u,Q). Entonces, existen variables aleatorias independientes ¥\,-+ tales que 0 bien ¥; = 0 0 Y; £.N(0,d;); para j = 1,+-- ny una matriz ortogonal A de tal manera que X = + YA. Demostracién. Puesto que Q es una matriz simétrica positiva semidefini- da se tiene que existe una matriz diagonal A, cuyas componentes son todas no negativas, y una matriz ortogonal A tales que: Q= ANAT Sea Y := (X—y)A". Puesto que X es normal multivariada, entonces, Y¥ lo es también. Ademds, A es la matriz de varianzas y covarianzas de Y. Come ésta matriz es diagonal se sigue, del lema anterior, que las componentes de Y son independientes. Por tiltimo se tiene que: X=p+YA. Supéngase que X = (X1,-+- , Xn) es un vector aleatorio n dimensional tal que las n variables aleatorias, X),--- , X,, son independientes e igual mente distribuidas con distribucién normal estandar. La funcion de densidad aapr 5.7. DISTRIBUCION NORMAL MULTIVARIADA, de probabilidad conjunta de X1,--- , Xp, esta poe? flere +n) = fre (21)->» Fxg (@n) Por otra parte, es claro que el vector X tiene distribucién normal multi- yariada. Surge pues, de manera natural, la pregunta siguiente: Si X es un vector normal multivariado, ;bajo qué condiciones se garantiza la existencia de una funcién de densidad del vector X? La respuesta a esta pregunta la ofrece el teorema siguiente: Teorema 5.111 Sea X 4 N(u,Q). Si Q es positiva definida entonces X posee una funcién de densidad dada por: 1 1 1 1) = ay (ety en [-Fl0e— WOM - "| , ont ( 2 (x= py Demostracién. Como la matriz Q es positiva definida, todos los valores Propios de Q son positives. Ademds, existe una matriz ortogonal U tal que: UQUT=A donde A = diag(A,) siendo d1,++-,An los valores propios de Q, esto es, A ae matriz diagonal cuyos elementos diagonales son los valores propios de Sea A= Udiag(VX)UT. Es claro que ATA = Q y que A es también Positiva definida. sa mk ERD® _, Rx”, dada por h(x) = xA +p. La functén inver- lomacag, tad por h-*(x) = (x ~ p)A-!. Por el teorema de trans- Yume % tiene que la funcién de densidad de X := YA +4, donde es leat, ¥n) es un vector aleatorio n dimensional tal que las varia- onias Yi,--. ,¥, son independientes e igualmente distribuidas con ~~ ' j230, CAPITULO 5. VECTORES ALEATORIOS distribucion normal estdndar, esté dada por: Ix(x) = fy(h'(x)). det =| aerer(- Aaa 'w)") det a | ~ apr (- ple pw)A*] [(x- WA] ”) fact A- = wree(- ~$ [e- wam ANP — 17) Jet A> = garo(- 5lix- pA“ AT)- )7]) fet A> ~ aaren(- 5[- H) (ATA) einer * a o(- 5lex- BQ (x- a) |det. A-| ty (act bexp[-Fo- Wa'x- v"] Nota 5.112 (distribucién normal bivariada) Como caso especial, del teorema anterior, supéngase que = (X1,X2) £N(u,Q); donde w= (m1, m2) oF on Q= ( on ef i donde py := EX1, pa = EX. of := Var (X1), 03 = Var (Xo), o12 = Cov (X1, Xa) = on1 = poor siendo p el coeficiente de correlactén. Por lo tanto, 1 3) = zp (Ae exw [Ha aoe 0]. Puesto que det Q = of03 - a4, = ofa3(1 — p*) ali5.7. DISTRIBUCION NORMAL MULTIVARIAGA 231 Q'a ppl (4 -on aroz(|~ pt)\ ~on of ) se obtiene: a) oe nel 1 nm-m)* Kove) dnayorJ1 ~ pt | 20 wf (8S *) ap (Seen oa) , (25")'}]. feslerd= [ stor.2a)der - af (nem? Fg, a( a )] fasten) = [ sler,20)dr -— . 3(234) © Yaron? | 3 on : Esto es, las distribuciones marginales de X = (X1, Xz) son distribuciones * normales univariadas. En general se tiene que: Se observa ademds que: Teorema 5.113 Todas las distribuciones marginales de X 4 N(y.Q) son normales multivariadas. Demostracién. Supéngase que X = (X1,--»,Xn) y sea X= (Kiya sXe) donde {ky,-++,k} ¢8 un subconjunto de {1,-+- ,n}. La funcién caractertstica de X estd dada por: L PRlthyy** thy) = BED te, Xeu,) ral = px(tiy++ stn); donde ty = 0 si j ¢ {h1,--- ki}. luego X tiene una distribucién normal multivariada. @ > Oe232 CAPITULO 5. VECTORES ALEATORIOS 5.8. Ejercicios 1. Supéngase que la distribucién conjunta de las variables aleatorias Xe Y esta dada por: XTi [2 [3 [4 0 01/0 [0 fo =I Joijorfo fo —2 Jo0i[oifoilo =3 Jor foifor{ oi Calcular: a) P(X>-2,¥>2) b) P(X>-2 v¥ >9) ©) Las distribuciones marginales de X y Y. d) La distribucién de Z:= X+Y 2. Supéngase que X e ¥ son variables aleatorias con distribucién con- junta dada por: X\]0 Ji 2 T 02;a |B 2 Ty foilé 3__[n [x [os Determinar valores para a, 8,7,4,n y x de tal manera que: P(X =1)=04, P(X =2) =0.3, P(Y =0)=02yP(Y =2) =06 3. En una urna se encuentran 4 bolas rojas, 5 negras y 2 azules, Se extraen al azar (sin repeticién) dos bolas de la urna. Sea X la variable aleatoria que denota el ntimero de bolas Tojas extraidas y Y la variable aleatoria que denota el ntimero de bolas negras extraidas. Hallar: a) La distribucién conjunta de X e Y ) EXy EY 4. Realizar el ejercicio anterior bajo el supuesto de que la extraccidn s¢ hace con sustitucién.. ae ~~ - 58 esercicios, 8B gean X.¥ y Z variables aleatorias con distribucién conjunta dada yor D S| is] G21) T i 2,3) T bi [| bt eo bi Caleular ay E(X+¥ 42%). by E(XYZ). (Distribncién roultinomial) Supéngase que hay (k + 1) resultados dis- tints en un experimento aleatorio con probabilidades de ocurrencia kel pi. «peas donde 5 p; = 1. Sea X, el ntimero de veces que se obtiene a eo) i-ésimnn resultado en n repeticiones independientes del experimento. Verificar que la funcién de densidad conjunta de las variables aleato- tins Xj.--+ Xp est dada por: S (tay Te+1) n donde 2; = my Dun i=l Lan cimgfas que se programan, para un mes, en un hospital estatal son clasificarlas en 4 categorias de prioridad en su realizacién: urgente, priridad normal, baja prioridad y espera. Las directivas del hospital estiman que el 10% de las cirugias que se programan son clasificadas ‘In primera categoria, el 50% en la segunda categoria, el 30% en la tercera y el restante 10% en la cuarta. Supéngase que en un mes se programan 30 cirugfas. Calcular: 4) La probabilidad de que 5 de las cirugias sean clasificadas en la primera categorfa, 15 en la segunda, 7 en la tercera y 3 en la enarta. 5) El mimero esperado de cirugias clasificadas en la tercera catego- tia.& 10. 12. CAPITULO 5. VECTORES ALEATORIOS Sean X e ¥ variables aleatorias discretas independientes con distribu. cién conjunta dada por: rap dig 1 a lek 2 b flh Si P(X = 1) = P(X =2) = 3) determinar los valores de los datos ue faltan en la tabla. , A quées igual EXY ? En una pasteleria se venden pasteles Gloria a razén promedio de 1.3 por hora, tortas de chocolate a razén promedio de 0.6 por hora, ¥ Toscones de arequipe a razén promedio de 2.8 por hora. Supéngase ae las cantidades vendidas, de cada producto, son independientes y aue cada una tiene una distribucién Poisson. Calcular: a) La distribucién del numero t chocolate y roscones de arequ ») La probabilidad de vender un periodo de 15 minutos. ‘otal de pasteles Gloria, tortas de ipe vendidos en 2 horas. Por lo menos dos de los productos en Sean X e Y variables aleatorias con distribucién conjunta dada por: X\Y J -1 ot 0 wi fo tf thy 7 4é_| is | ig | Hallar la distribucién conjunta de Z:= X 4 Sean X e Y variables YyWiX-y, aleatorias discretas con distribucién conjunta dada por: X\[-1]0 72 1 = rT 2 eH 3 o-|? 18 16 Caleular Cov(X,¥) y o( X,Y). Calcular los valores esperados de las variables aleatorias dadas en los ejercicios 25 y 26 del capitulo 2, isi13. 4. 15. 18. 19. 5.8. EJERCICIOS 235 Una urna contiene 3 bolas rojas y 2 negras. Se extrae una muestra aleatoria de tamajio 2, sin reemplazo. Sea X el numero de bolas rojas seleccionadas y Y el ntimero de bolas negras seleccionadas. Calcular (X,Y). Sean X e Y variables aleatorias independientes con X £ B(3,1) y y £B (2,4). Calcular P(X =¥). Sean X e Y variables aleatorias independientes con distribucién Ber- noulli de pardmetro 3. {Son Z:= X+Y y W:= |X — Y| indepen- dientes? Explicar. Sean Xi, X2 y X3 variables aleatorias independientes con varianzas positivas y finitas 07,03 y 03 respectivamente, Calcular el coeficiente de correlacién entre X, — Xz y Xp + X3. . Sean X e ¥ dos variables aleatorias tales que (X,Y) = }, VarX =1 y VarY = 2, Calcular Var(X — 2Y) Sean X e ¥ variables aleatorias independientes. Supéngase que tanto X como Y toman los valores 1 y —1 con probabilidad } cada uno. Sea Z:= XY. {Son X,Y y Z dos a dos independientes?, json X,Y y Z independientes? Explicar. Se venden m de n > 2 billetes de loteria. Supéngase que los billetes estén marcados del 1 al n y que cada billete tiene el mismo “chance” de ser vendido. Calcular el valor esperado y la varianza de la varia- ble aleatoria que representa la suma de los nimeros de los billetes vendidos. . A qué es igual el ntimero esperado de dfas del aiio, para los cuales se satisface que exactamente k de r personas celebran su cumpleafios? Supéngase que cada uno de los 365 dfas del aiio tiene la misma pro- babilidad de ser un dia de cumpleafios, ademas ignorése la existencia de aiios bisiestos. * Bajo los mismos supuestos dados en el problema 20, ja qué es igual el 1imero esperado de dias del afio en los que hay més de un cumpleafios? Verifcar, con ayuda de una calculadora, que éste niimero esperado es, Para todo r > 29, mayor o igual a 1.236 23. 24. 25. 26. CAPITULO 5. VECTORES ALEATORIOS Sean X e Y variables aleatorias con media 0, varianza 1 y corrolneigy p. Demostrar que: E (max {X?,¥*}) < 14+ V1i—p? Sugerencia: max{u,v} = }(u+v)+} [uv]. Usar la desigualdad de Cauchy-Schwarz Sean Xe Y variables aleatorias con media 0, vatianza 1 y covarinnan p. a) Demostrar que las variables aleatorias Z:= X — pY y ¥ son no correlacionadas. 6) Calcular BZ y Var (Z). Sean X , ¥ y Z variables aleatorias con media 0, varianza 1. Sea pi :=AlX,Y), pa z= pl¥, Z) y ps = p(X, Z). Demostrar que: 3 > pip2 — 1 — phy/1 - 63 Sugerencia: XZ = |prY +(X — prY)] [p2¥ + (Z - mY)] Sean X £u/(0,1)e ¥ = X?. a) Hallar p(X,Y). b) {Son X e Y independientes? Explicar. Sean X e Y variables aleatorias con funcién de densidad de probabi- lidad conjunta dada por: _fe si 0<2<4,00, 4-0 fan={ 0 en obo cna, Calcular: a) P(12Y), c) P(X >1). Sean X e Y variables aleatorias con funcién de distribucion acuimula- tiva conjunta dada por: _ f G=exp(-2))(,4+4tan'y) si 220 Fay) = { 0 . en otro can, iExiste una funcién de densidad conjunta de X y Y 7. Explicar, Sean X e Y variables aleatorias con funcin de densidad de probabi- lidad conjunta dada por: _fcsin(c+y) si O< ay J f(y) = { 0 en otro caKo, Calcular: 2) El valor de c. *) Las far ) Las funciones de densidad marginnlen de X y de ¥.| | i \ i i i 238 31. 32. 33. =) PQ 5). Alberto y Sandra han acordado reunirse entre las 7 : 00 pm y las 8:00 pm en un restaurante del centro de la ciudad. Sea X la variable aleatoria que denota el tiempo de legada de Alberto e Y la variable aleatoria que denota el tiempo de legada de Sandra. Supsngase que X eY son independientes e igualmente distribuidas con distribucién uniforme sobre el intervalo (7, 8). a) Determinar Ja funcién de densidad conjunta de X e Y. 5) Calcular la probabilidad de que ambos, Alberto y Sandra, Ueguen. al restaurante entre las 7 : 15 pm y las 8: 15 pm. Si el primero en legar espera sdlo 10 minut comer a otra parte, como Alberto com: c) OS antes de irse a » cual es la probabilidad de que tanto Sandra an en el restaurante inicialmente elegido? La variable aleatoria bidimensional ( X,Y) tiene la siguiente funcién de densidad de probabilidad conjunt: a: i < 4 tat2? F (tte) = Fre? 6 ), —00 < th, te < oo. Calcular: a) Las funciones de densidad marginales fx, fy. 6) EX y EY. ce) VarX y Vary. 4) Co(X,Y) y (X,Y).35. 37. 38. 39, 40. 5.8. EJERCICIOS 239 se (X17) Ins coordenadas de un punto escogido al azar dentro d circulo unitario. Esto es, Xe ¥ son variables eaters com i le un de densidad de probabilidad conjunta dada por mn fancién few={ tsi O})- ’) P(¥ X|¥>}). Demostrar o refutar: Si X e Y son variables aleatorias tales que la funcién caracteristica de (X + Y) es igual al producto de las funciones caracteristicas de X e Y, entonces, X e Y son independientes. Justificar la respuesta, Sean X e Y variables aleatorias independientes e igualmente dis- tribuidas con distribucién exponencial de pardmetro \. Determinar funciones de densidad para las siguientes variables aleatorias: a) Z:=|x-¥| 6) W=min {X,Y} Sean X ,Y y Z variables aleatorias independientes e igualmente dis- tribuidas con distribucién uniforme sobre el intervalo (0, 1] . a) Hallar la funcién de densidad conjunta de W := XY y V := Z?. 6) Calcular P(V < W). Sean X e Y variables aleatorias independientes e igualmente dis- tribuidas con distribucién normal esténdar. Sean Y, = X +Y y Yo = X/Y. Hallar la funcién de densidad de probabilidad conjunta de las variables aleatorias Y; y Yz, {qué tipo de distribucién tiene ¥2? Sean X e ¥ variables aleatorias con funcién de densidad de probabi- lidad conjunta dada por: _ f dey si O0,2>0 0 en otro caso. Hallar fy, donde U := XaY4Z | Sean X e Y variables aleatorias con funcién de densidad de probabi- lidad conjunta dada por: x gf aj 7 Si O 2y que Varx = 2 ensna2) Sugerencia: Supéngase que X = Ue, donde U y V son independientes yuSxtyvaw Sea X una variable aleatoria con distribucién t— Student con k grados de libertad. Calcular EX y VarX. Sea X una variable aleatoria con distribucién normal estdndar. iSon X y |X| independientes?, json no correlacionadas?. Explicar. Sean X1, X9, ...,Xn variables aleatorias i.i.d con N(u,0%).; Qué tipo de distribucin tiene la variable aleatoria siguiente n(n =i)(X —p) VR (KG - XP ? Explicar. Sean X e Y variables aleatorias independientes con funciones gener- adoras de momentos dadas por: ma (t) = exp(2e'— 2) y my ()= 2 (14 20-t + 204). Calcular: a) P((X+¥Y]=2). b) EXY. Sea X un vector aleatorio n-dimensional con matriz de varianzas y covarianzas )>. Sea A una matriz cuadrada de orden n no singular y sea Y := XA. a) Demostrar que E(Y) = E(X)A 6) Calcular la matriz de varianzas y covarianzas de Y. Sea X = (X,Y) un vector aleatorio con distribucién normal bivariada con px = 3, hy = 7.7, ox = 0.04, cy = 0.08 y p= 0. Calcular: P(2.95 < X < 3.05, 760 0,Y > 0,Z > 0). 63. Sea X = (X;,X2,Xg) un vector aleatorio con distribucién normal trivariada con p = 0 y Q dada por: i 5 2 -2 i Q=( 2 6 3 i 23 8 Hallar la funcién de densidad f (z,y,2) de X.