Función de probabilidad Conjunta-Discreta

Una función de probabilidad conjunta de las

variables X e Y es una función de las dos variables
tal que, al sustituir la x por un valor de la variable X y
la y por un valor de la variable Y, el valor de la
función nos da la probabilidad de que X e Y tomen
Vector Aleatorio simultáneamente
anteriormente citados.
esa pareja de valores

Las propiedades que debe cumplir la función de

probabilidad conjunta son:
• 1. Como consecuencia del primer
axioma.
• 2. Como consecuencia del segundo
axioma.
Estadística Aplicada • 3. Por definición.
2006-1

Ejemplos de Vectores Aleatorios Discretos Ejemplos de Vectores Aleatorios Discretos

Sea X = ( X1, X2) vector aleatorio discreto, con
Xi variable aleatoria que representa el número
de fallas del turno i. La siguiente tabla nos 1. Determinar las cuantías marginales
proporciona la función de cuantía conjunta: f X1 fX2
X1 0 1 2 2. Determine las cuantías condicionales
X2
f ( X 1 / X 2 1) f ( X 2 / X 1 2)
0 0,1 0,2 0,2
1 0,04 0,08 0,08
2 0,06 0,12 0,12

Solució
Solución Solució
Soluci ón
1. Cuantí
Cuantías marginales 2. Cuantías condicionales
0 , 2 ; x1 0
 0 ,04 / 0 ,2 ; x1 0

 f ( x1 , x2 ) 
f X1 ( x1 ) 
0 , 4 ; x1 1 f X1 / X 2 1  
0 ,04 / 0 ,4 ; x1 1
 f X 2 ( x2 1) 
0 , 4 ; x1 2
 0 ,04 / 0 ,4 ; x1 2


0,5 ; x2 0 0 , 2 / 0 , 4 ; x2 0
 f ( x1, x2 ) 
f X2 ( x2 ) 0 , 2 ; x2 1 f X2 / X1 2  0, 08 / 0, 4 ; x2 1
f X1 ( x1 2 ) 
0, 3 ; x 2 0 ,12 / 0 , 4 ; x2 2
 2

1
 Función de Densidad Conjunta
Distribuciones Multivariadas
Si X e Y son variables continuas, la función que
se define es una función de densidad conjunta y
Sea X = (X1, X2 ,..., Xk) vector aleatorio es una función que al integrarla respecto de x e y
PX : Bk R caracterizada por FX , f X (discreta, sobre unos intervalos nos d la probabilidad de que
continua,). la variable tome valores en esos intervalos.
Consideremos k=2 :
Que debe de cumplir unas condiciones
FX ( x1 , x2 ) : función de Distribución conjunta X=(X1,X2) similares a las anteriores:
fX ( x1 , x2 ): función de densidad (cuantía) 1. Como consecuencia del primer axioma.
FXi (xi ): función de Distribución marginal de X i, i=1,2 2. Como consecuencia del segundo
axioma.
fXi (xi ): función de densidad marginal i=1,2 3. Por definición.

Función de Densidad Conjunta Variables Independientes

Dos variables aleatorias X e Y, discretas o
continuas cuyas funciones de probabilidad
o densidad son g(x) y h(y),
respectivamente, con función de
probabilidad o densidad conjunta f(x , y),
son estadísticamente independientes si y
sólo si

Variables independientes Variables dependientes

Características: Covarianza Cov(X1,X 2)y

Distribuciones de probabilidad Coeficiente de Correlación ( X , X ) 1 2

Al valor esperado de (x,y) se le llama covarianza de las

variables X e Y y se representa como σ xy o cov(x,y).

f (x , x )
f ( X1 / X 2 x2 )  X 1 2 si f X2 (x2 ) 0
f X 2 ( x2 )
X 1X 2  f X ( x1 , x2 ) f X1
( x1 ) f X 2 ( x2 ) cov( X 1 , X 2 ) E 
( X 1 E 
X1 
)( X 2 E 
X2 
)

E
X ( E 
X1 
, E
X2
cov( X 1 , X 2 )
) ( X 1 , X 2 ) 
(V X 1V  X 2)

 X 
E ( X E 
X ) T ( X E 
X)  X 1 X 2  cov( X 1 , X 2 ) 0 
( X 1 , X 2 ) 0  E
X1 X 2 
E
X 1 
E X 2

2
 Covarianza
La covarianza es una medida
de la variación común a dos
variables y, por tanto, una
medida del grado y tipo de su
relación.
σxy es positiva si los valores
altos de X están asociados a
los valores altos de Y y
viceversa.
σxy es negativa si los valores
altos de X están asociados a
los valores bajos de Y y
viceversa.
Si X e Y son variables
aleatorias independientes
cov(x,y) = 0 .
La independencia es
Coeficiente de Correlación
coeficiente de correlación, ρ, que se define como el
cociente entre la covarianza y el producto de las
desviaciones típicas de las dos variables.
La correlación toma valores entre -1 y 1, siendo su
signo igual al de la covarianza. Correlaciones con valor
absoluto 1 implican que existe una asociación
matemática lineal perfecta, positiva o negativa, entre las
dos variables y correlaciones iguales a 0 implican
cov(x,y) = 0 cov(x,y) > 0 cov(x,y) < 0 ausencia de asociación. Obviamente, las variables
independientes tienen correlación 0, pero nuevamente,
la independencia es condición suficiente pero no
necesaria.
Correlaciones con valores absolutos intermedios
indican cierto grado de asociación entre los valores de
las variables.

Nota Ejemplo de vectores

aleatorios continuos
Obtenga ademá
además:
Sea X = (X 1, X2) vector aleatorio continuo, con
1. E
X1  densidad:
2. ( X 1 , X 2 ) 2
f X ( x1 , x 2 )  ( x1 x 2 ) e x1 I R x0, 1( x1 , x 2 )
3
3. V
X 2 / X 1 2 
Calcular:
( X 1 , X 2 )

Solució
Solución Solució
Soluci ón
1
EX 1 
2 5
300 ( x12 x1x2 )ex1 dx1 dx2 
3 V
X 1

17
V
X2 

13
9 162

1
2 14 2 1 2
E X1  
30
( x1 x1 x2 ) ex1 dx1 dx2 
2 3 2
E
X 1 X 2  
8
 ( x1 x2 x1 x2 )e x1 dx1dx2 
2
3
0 30 0 9
2 1
E
X 2  
5
 ( x1 x2 x2 ) ex1 dx1dx2 
2
cov( X 1 , X 2 )
300 9 ( X 1 , X 2 )  0,0951
V
X 1 V 
X 2
 
1
2 7
 
x
( x1 x2 x2 ) e 1 dx1dx 2 
2 2 3
E X2
300 18

3
 Esperanza y Varianza Esperanza y Varianza
Sean X , Y v.a. y , C R
Sean X , Y v.a. y , C R V 
 0
E X 
  V
X 2V 
X
EX 
X E 
X V
X C 
V 
X
E
X Y 
E 
XE 
Y V
X Y 
V 
XV 
Y si X Y
E
XY 
E 
X 
EY V
X Y 
V 
XV 
Y 2 cov( X ,Y )

Esperanza y Varianza Ejemplos de Distribuciones Continuas

Sean X1, X2 ,..., Xn v.a.independientes:
Distribución (Binomial):
n  n n  n
E  i  i
X  E  X  V  i V X i 
X
n , p=p 1 , q=1-p=p2
i 1  i1 i1  i1
En general para X1, X 2,..., X n v.a.cualesquiera: Ejemplos de Distribuciones Multivariadas
n  n
E  X i E  Xi n!
i1  i1 f X ( x1 , x2 ) 
x x
p1 1 p2 2 I (x1 , x2 )
n  n x1 !x2 ! x : x 0 x n
 i X i i 2 E  Xi
2ij cov( X i , X j )
i i

V
i 1  i1 i j

Ejemplos de Distribuciones Multivariadas Ejemplos de Distribuciones Multivariadas

Multivariadas

Distribución (Multinomial): n , p 1, p2,..., p k Distribución Normal (Bivariada): X N(,)

n! x x x 1
1
 ( x )T 1 ( x )
f X ( x1 , x2 ,..., xk )  k p1 1 p 2 2 ... p k k I ( x1 ,.., xk ) f X ( x1 , x2 )  e 2
x : x 0 x n
xi ! 2
12
i i

i
1 o bien  
 1
 2 2
x1 1  x 2 2  x11 x2 2 


E
X ( np1 , np2 ,..., npk )
 
 
 2 
 
 

    
2 (1  )    2   1  2 
2
1 
  1
 


 e
212 1 2
np (1 p1 ) np1 p2 
 np1 pk 
1  Además
X   1 2 12 
E
X V 
X
  
 np p
( 12 ) X  2 
 1 k  npk (1pk ) 
 12
 2 

4
 Ejemplo de Distribuciones Multinomial
Multinomial Ejemplo
Ejemplo de
de Distribuciones
Distribuciones Multinomial

Las probabilidades de que cierta lámpara de un Solución:

modelo de proyector dure menos de 40 horas, n=8 ; p1=0,3 ; p2 =0,5 ; p3 =0,2
entre 40 y 80 horas, y más de 80 horas de uso x1 =2 ; x2 =5 ; x3 =1
interrumpido son 0.3 ; 0.5 y 0.2 respectivamente.
n! x x x3
Calcular la probabilidad de que entre 8 de tales P ( X 1 x1; X 2 x2 ; X 3 x3 )  3 p1 1 p2 2 p3
lámparas, 2 duren menos de 40 horas; cinco
duren entre 40 y 80 horas, y una dure más de 80
x !
i 1
i

horas. 8!
 ( 0, 3) 2 ( 0, 5) 5 ( 0, 2) 1 0, 0945
2!5!1!

Propiedades Normal Bivariada Propiedades Normal Bivariada

( X 1 , X 2 )  Análogamente se tiene que:

f X1 ( x1 ) N ( 1, 12 )
E
X 2 / X1  V
X 2 / X1 
f X 2 ( x2 ) N ( 2 , 2 )
2


f ( X 2 / X 1 ) N ( 2  2 ( x1 1 );2 (1 2 ))
2

E
X1 / X 2  V
X1 / X 2  1

f ( X 1 / X 2 ) N ( 1  1 ( x2 2 );1 (1 2 ))
2

2

Aplicaci ón Normal Bivariada Solució

Soluci ón
Dos elementos (X,Y) se distribuyen como
N ( , ), siendo : La respuesta consiste en encontrar: E 
y / x 6


4
  
1 0 .8  E
y / x 62  2 ( x 1 ) 7 , 6
 2 
gramos

6  1
   
V
y / x 62 (1 2 ) 2,72
2
Al analizar un elemento se observa que contiene
6 gramos de X.
- ¿Cuál es el valor más probable de Y?