Documente Academic
Documente Profesional
Documente Cultură
3
4
5. Distribuciones marginales
6. Distribuciones condicionales
7
8
10
11
11
12
12
Introduce los comentarios y los contenidos que el profesor a cargo del curso ha elaborado especialmente.
Introduce la lectura de los libros para la consulta de los contenidos de la asignatura.
Presenta las preguntas, ejercitaciones o actividades para realizar.
Es una parada de alerta. Introduce alguna recomendacin, observacin o sugerencia para el aprendizaje.
R X Y
(X , Y )
(x, y)
En relacin al ejemplo 2 diremos que (X , Y ) es un vector aleatorio bidimensional continuo. El vector aleatorio (x, y) asume en este caso, cualquier par ordenado de valores (X , Y ) de un rectngulo. (Podra ser otra
regin del plano.)
R X Y
(x, y)
R
p(x, y)
p(x, y) = 1,
3. Si (x, y) A R X Y , entonces
(x,y)A
p(x, y) = P ((X , Y ) A) .
0.05
0.03
0.02
1
2
3
1
0.05
0.10
0.05
0.05
0.15
0.30
0.05
0.05
0.10
1
1
2.1. Actividades
1. Verique que
(x,y)R X Y
p(x, y) = 1.
f :
R
f (x, y)
R2
f (x, y) d x d y = 1,
3. Si (x, y) A R X Y , entonces
f (x, y) d x d y = P ((X , Y ) A) .
1
5400
caso contrario.
1
5400
x (mm)
90
0
y (kg)
Entonces resulta:
P (1 X 3; 400 Y 500) =
3
1
500
400
dy
200
1
dx =
=
0.037.
5400
5400 27
p(x, y).
xu yv
f (x, y) d y d x.
Los conceptos introducidos para un vector aleatorio bidimensional se extienden de manera natural al caso ndimensional.
5. Distribuciones marginales
Dada p(x, y) = P X = x, Y = y la funcin de probabilidad conjunta del vector (X , Y ), se puede calcular con
facilidad:
p X (x) = P (X = x) x R x ,
p Y (y) = P Y = y
y R y .
En otras palabras, conocida la probabilidad conjunta del vector (X,Y) puede determinarse la funcin de probabilidad de X e Y respectivamente.
Si consideramos de nuevo la tabla de la distribucin conjunta del vector (X , Y ), donde X es el nmero de repuestos que se demandan diariamente en una ferretera e Y es el nmero de repuestos en existencia por da resulta,
por ejemplo, que:
p X (0) = P (X = 0) = P (X = 0, Y = 1) + P (X = 0, Y = 2) + P (X = 0, Y = 3) = p(0, 1) + p(0, 2) + p(0, 3) =
p(0, y).
yR Y
En general:
p Y (x) = P (X = x) =
yR Y
p X (y) = P (Y = y) =
xR X
p(x, y),
p(x, y).
Dada f (x, y), la funcin densidad de probabilidad conjunta del vector (X , Y ), se puede determinar :
+
f X (x) =
f Y (y) =
f (x, y) d y,
f (x, y) d x.
Las funciones f X (x) y f Y (y) se denominan densidades marginales de X e Y respectivamente. Asimismo, x, f X (x) con x R] X e y, f Y (y) con y R]Y , son las distribuciones marginales de X e Y respectivamente.
Volvamos a nuestro ejemplo. Si consideramos la funcin densidad conjunta del vector (X , Y ) donde X es el
dimetro de la soldadura e Y la resistencia al corte, se obtiene que:
f X (x) =
1
dy =
5400
900
0
dy
900
1
=
= ,
5400 5400 6
para 0 x < 6.
Luego:
f X (x) =
1
6
0 x < 6,
caso contrario,
6. Distribuciones condicionales
En la Unidad II , hemos denido la probabilidad condicional de que ocurra un evento, cuando se sabe que ha
ocurrido otro evento.
El concepto de la probabilidad condicional para eventos se puede extender al concepto de distribucin condicional de una variable aleatoria X , dado que una segunda variable aleatoria Y ha asumido un valor especco,
por ejemplo, y.
Supongamos que:
X e Y son variables aleatorias discretas con distribucin de probabilidad conjunta conocida,
A es el evento X = x, en tanto
B es el evento Y = y.
Entonces
P ( A/B ) =
o sea que
P ( X =x/Y =y ) =
El cociente
P (A B )
,
P (B )
P (X = x, Y = y p(x, y)
=
.
P (Y = y)
p Y (y)
p(x, y)
p Y (y)
Este cociente es apropiado para evaluar cualquier declaracin de probabilidad en relacin a X , cuando se ha
observado que la variable Y asumi un valor y.
Continuamos con otras deniciones importantes.
A continuacin nos ocupamos tanto de las funciones de probabilidad condicional, - para el caso discreto -, como
de las funciones de densidad condicional, - para el caso continuo -.
Sea (X , Y ) un vector aleatorio con funcin de probabilidad conjunta p(x, y). La funcin de probabilidad condicional para Y , dado que X = x, se dene como:
p ( y/x ) =
p(x, y)
,
p X (x)
p (x/y ) =
p(x, y)
,
p Y (y)
En forma anloga:
Otra denicin
Sea (X , Y ) un vector aleatorio con funcin de densidad conjunta f (x, y). La funcin
de densidad condicional para Y , dado que X = x, se dene como:
f ( y/x ) =
f (x, y)
,
f X (x)
f (x/y ) =
f (x, y)
,
f Y (y)
En forma anloga:
P (X = 3, Y = 2 p(3, 2) 0.05
=
=
= 0.15.
P (Y = 2)
p Y (2) 0.33
Esto signica: cuando hay dos repuestos en existencia alrededor del 15 % de los das no se satisface la demanda.
Si f (x, y) es la funcin densidad conjunta del vector (X , Y ) donde X e Y son respectivamente las variables aleatorias peso y altura de una persona, entonces:
80
60
f (x/1.70) d x =
80
60
f (x, 1.70)
d x,
f Y (1.70)
es la probabilidad de que el peso de una persona que mide 1.70 m se encuentre entre 60 y 80 kg. (P (60X 80/Y =1.70))
(x, y).
2. p (x/y ) = p X (x),
3. p ( y/x ) = p Y (y),
(x, y).
2. f (x/y ) = f X (x),
3. f ( y/x ) = f Y (y),
2. Sean
g (v) =
e v
0
v 0,
caso contrario,
y h(i ) =
3e 3i
0
i 0,
caso contrario,
las densidades marginales de las variables aleatorias independientes V (voltaje) e I (corriente), respectivamente, cul es la funcin densidad conjunta del vector (V, I )?
R1
R3
R2
R4
2. Dos partes deben ensamblarse como se muestra en la gura. El espacio libre puede expresarse como
Y = X 1 X 2 (combinacin lineal de X 1 y X 2 con escalares 1 y 1). Un espacio libre negativo signica
interferencia.
X1
X2
3. Un sistema est formado por n componentes que funcionan independientemente. Si el tiempo transcurrido hasta la falla de la componente i es una variable aleatoria Ti , entonces el tiempo transcurrido hasta
la falla del sistema es una variable aleatoria T donde:
a) T = m x {T1 , T2 , . . . , .Tn } si las componentes estn conectadas en paralelo
a
Existen diferentes mtodos para encontrar la distribucin de probabilidad de una variable aleatoria, que es funcin de otras variables aleatorias. Nos limitaremos a enunciar algunos resultados tiles que nos permitirn resolver numerosos problemas de la ingeniera y abordar algunos temas de la inferencia estadstica, tales como la
estimacin puntual y por intervalos de conanza de ciertos parmetros.
En lo que sigue obtendremos la distribucin de la variable aleatoria T del ejemplo 3a, bajo el supuesto de que
las variables aleatorias T1 , T2 , . . . , Tn son independientes e idnticamente distribuidas; es decir, tienen la misma
curva de densidad, que notaremos f Ti (t ).
Si las componentes del sistema provienen de un mismo proceso de produccin es razonable suponer que las
variables aleatorias Ti estn idnticamente distribuidas.
F T (t ) = P (T t ) = P (T1 t , T2 t , . . . , Tn t ) = P (T1 t ) P (T2 t ) P (Tn t ) =
t
0
f Ti (x) d x
t
0
n1
f Ti (x) d x
f Ti (t ).
1
2
0.05
0.05
0.10
0.35
0.15
0.30
P (Z = 4) =
= 0.50.
P (Z = 5) =
= 0.30.
10
E
i =1
ai X i =
a i E (X i ) ,
(1)
i =1
(2)
La relacin (2) nos facilitar el clculo de la variancia para la suma de dos variables.
=
E (X + Y )2 (E (X + Y ))2 =
V (X + Y )
E X 2 (E (X ))2 + E Y 2 E Y 2 + 2 (E (X Y ) E (X )E (Y )) =
E X 2 + 2E (X Y ) + E Y 2 (E (X ))2 2E (X )E (Y ) (E (Y ))2 =
V (X ) + V (Y ) + 2 (E (X Y ) E (X )E (Y )) .
V
i =1
ai X i =
i =1
2
a i V (X i ) .
X=
Xi ,
i =1
n
i =1 i .
Veamos un ejemplo.
Si la demanda diaria de repuesto en una ferretera es una X con distribucin de Poisson de parmetro . entonces la demanda semanal (6 das) es una variable aleatoria D, siendo D = 6=1 X i , con distribucin de Poisson,
i
de parmetro 6. (se supone independencia entre las demandas diarias).
Es conveniente detenerse y observar la siguiente desigualdad:
6
D=
i =1
X i = 6X i .
Por qu es as?
i =1
X i2
tiene una distribucin que llamaremos chi-cuadrado con k grados de libertad y notaremos T 2 .
k
Esta distribucin se aplicar para estimar la variancia de una variable aleatoria con distribucin normal.
Observemos la grca correspondiente para distintos valores de k.
12
X=
Xi ,
i =1
E (X ) = 1500E (X i ) ,
V (X ) = 1500V (X i ) .
1
donde E (X i ) = 0 y V (X i ) = (0.5(0.5)) = 12 .
12
Por el teorema del lmite central X tiene distribucin aproximadamente normal con E (X ) = 0 y V (X ) =
Por lo tanto
1 P (|X | 15) =
|X 0|
1P
1500
12 .
1500
12
15
1500
12
= 1 P (|Z | 1.34) =
11.2. Propuesta
1. El espesor de una lmina metlica en mm es una variable aleatoria,
X N X = 0.5; X = 0.05 .
El espesor de una lmina de papel aislante en mm es tambin una variable aleatoria,
Y N Y = 0.05; Y = 0.02 .
Obtenga la distribucin del espesor del ncleo de un transformador que consta de 50 capas de lminas
metlicas y 49 lminas de papel aislante.
13
2. La demanda diaria de agua por habitante en una ciudad de 10000 habitantes es una variable aleatoria X
con E (X ) = 0.4 m3 y X = 0.09 m3 . La disponibilidad de agua para el consumo almacenado diariamente
en una represa es una variable aleatoria
Y N Y = 4500m3 ; Y = 450m3 .
Calcule la probabilidad de que un da cualquiera no sea satisfecha la demanda.
3. Un supermercado tiene dos puertas de ingreso que indicamos con A y B . El nmero de clientes que entran por la puerta A en un perodo de 1 minuto es una variable aleatoria con distribucin de Poisson de
parmetro A = 2.5, y el nmero de clientes que entran por la puerta B en un perodo de 1 minuto es una
variable aleatoria independiente de la anterior, con distribucin de Poisson de parmetro B = 2. Calcule
la probabilidad de que en un perodo de 2 minutos entren por lo menos 5 clientes.
(x,y)R X Y
x X
y Y p(x, y).
(3)
Si X e Y son variables aleatorias continuas con funcin densidad conjunta f (x, y), entonces
cov (X , Y ) =
x X
y Y f (x, y) d x d y.
(4)
Las expresiones (3) y (4) nos permiten una interpretacin rpida de la covariancia. Veamos algunas cuestiones
importantes.
14
Si los valores grandes de X estn asociados con valores grandes de Y , con una probabilidad alta, entonces la covariancia es positiva. En cambio si existe una probabilidad alta de que valores grandes de X se
encuentren asociados con valores pequeos de Y o viceversa entonces la covariancia ser negativa.
Le proponemos probar que cov (X , Y ) = E (X Y ) E (X ) E (Y ).
En el caso en que las variables aleatorias son independientes, ya hemos observado que
E (X Y ) = E (X ) E (Y ),
y por lo tanto cov (X , Y ) = 0. Sin embargo puede mostrarse mediante un ejemplo que la recproca no se
cumple.
El inconveniente que presenta la covariancia es que depende de las unidades en que vienen dadas las
variables aleatorias. Si en vez de X e Y se toman las variables aleatorias a X , bY , donde a y b son escalares,
resulta:
cov (a X , bY ) = ab cov (X , Y ).
Para evitar este inconveniente se ha recurrido al siguiente concepto.
Introducimos la siguiente denicin:
Se llama coeciente de correlacin entre dos variables aleatorias X e Y y se nota
(X , Y ), al cociente
cov (X , Y )
.
(X , Y ) =
X Y
De la denicin se deduce en forma inmediata que
(X , Y ) = E
X X Y Y
.
X
Y
es la covariancia entre dos variables estandarizadas, es decir, variables que tienen esperanza matemtica igual a
cero y variancia igual a uno.
Enunciaremos, sin demostrar, algunas propiedades del coeciente de correlacin.
1. 1 (X , Y ) 1.
2. (X , Y ) = 1 Y = AX + B , con A < 0.
3. (X , Y ) = 1 Y = AX + B , con A > 0.
Cuando el coeciente de correlacin toma el valor 1 entonces las observaciones del vector (X , Y ) se
encuentran (con probabilidad uno) sobre una recta con pendiente negativa; en cambio cuando el coeciente de correlacin toma el valor 1, entonces las observaciones del vector (X , Y ) se encuentran (con
probabilidad uno) sobre una recta con pendiente positiva.
El valor = 0 indica la ausencia de cualquier relacin lineal entre las variables, sin embargo puede existir
otro tipo de relacin.
Si existe una relacin estrecha entre dos variables, el conocimiento de una de ellas puede ayudar a predecir el comportamiento de la otra; en cambio cuando la relacin es dbil, tener informacin sobre una de
las variables no ayuda demasiado a extraer conclusiones sobre la otra.
Si se conoce la funcin de densidad conjunta f (x, y) de un vector aleatorio continuo (X , Y ), entonces, es
posible calcular el coeciente de correlacin entre X e Y . Por qu?
Si slo se tiene una muestra formada por n pares ordenados x i , y i , con i = 1, . . . , n, de observaciones del
vector (X , Y ), una medida adecuada del grado de asociacin lineal entre las variables X e Y viene dada
por el estadstico
1 n
n i =1 x i x y i y
r=
.
2
2
1 n
1 n
xi x
yi y
n i =1
n i =1
El estadstico r se denomina coeciente de correlacin de la muestra.
15
Observemos que el numerador de r es la media aritmtica de los productos de las desviaciones correspondientes de x i e y i , y sus medias muestrales. Este valor se denomina covariancia muestral entre X e Y ,
y se simboliza por S X Y . En el denominador de r aparece el producto del desvo estndar de los valores de
x i (S X ) con el desvo estndar de los valores y i (S Y ).
Con la notacin introducida, podemos escribir:
r=
SX Y
.
S X SY
Veamos las propiedades de r , las que pueden ser deducidas a partir de su denicin:
1. 1 r 1.
2. Si r = 1 ( r = 1), los puntos de la muestra estn situados sobre una lnea recta de pendiente positiva
(negativa).
3. Si r asume valores prximos a 1 1, habr una asociacin lineal fuerte entre las variables.
4. Si r es prximo a cero, entonces hay una correlacin muy dbil entre las variables. (Podr existir una
relacin no lineal)
5. r es un nmero sin dimensin, es decir, no depende de las unidades empleadas para X e Y .
Es claro que r es una medida muy til para saber el grado en que la asociacin entre las dos variables se aproxima a una relacin funcional lineal.
Por otra parte es fundamental que se comprenda que r por s mismo no puede probar ni desmentir una relacin
causal entre X e Y an cuando r = 1. La manifestacin de una relacin causa-efecto es posible slo a travs de
la comprensin de la relacin natural que existe entre X e Y , y sta no debe manifestarse slo por la existencia
de una fuerte correlacin entre X e Y .
12.1. Propuesta
Los datos que guran en la siguiente tabla fueron recopilados con el n de estudiar la relacin entre la vida til
de una herramienta y su velocidad de corte.
vida til
velocidad de corte
41
86
18
104
22
100
43
85
6
107
20
104
21
106
35
99
35
90
11
110
15
108
13
105
32
91
Le proponemos que construya un diagrama de dispersin (visto en la Unidad I) representando sobre el eje horizontal la velocidad de corte.
1. Cules son sus observaciones?
16