3788992

Vectores Aleatorios
1 Distribución conjunta de un vector aleatorio
2 Distribuciones marginales y condicionadas
3 Independencia entre variables aleatorias
4 Características de un vector aleatorio
Esperanza
Varianza, Covarianza, Correlación
5 Transformaciones de vectores aleatorios
6 Distribución Normal multivariante 1

En el tema anterior estudiamos distribuciones de probabilidad para una

variable aleatoria. Sin embargo, a menudo nos interesa estudiar más de
una variable en un experimento aleatorio.
Por ejemplo, en la clasificación de señales emitidas y recibidas, cada señal

se clasifica como de baja, media o alta calidad. Podemos definir X=número
de señales de baja calidad recibida, e Y=número de señales de alta calidad
En general, si X e Y son dos variables aleatorias la distribución de

probabilidad que define simultáneamente su comportamiento se
llama distribución de probabilidad conjunta
2
Estadística. Profesora: María Durbán
Variables discretas
Dadas dos v.a. discretas, X , Y definimos su función distribución de

probabilidad mediante la función de probabilidad conjunta:
p( x, y )  Pr( X  x, Y  y )
Como en el caso unidimensional está función debe verificar:
p ( x, y )  0
 p( x, y)  1
x y
La función de distribución conjunta:
F ( x0 , y0 )  Pr( X  x0 , Y  y0 )    Pr( X  x, Y  y)
x  x0 y  y0
3
Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información

digital, cada bit recibido se clasifica como aceptable, sospechoso o no
aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.:
X = Número de bits aceptables

Y = Número de bits sospechosos
4
Ejemplo

Y
4 4.1x10-5
3 4.1x10-5 1.84x10-3
p ( x, y )  0
 p( x, y)  1
x y
2 1.54x10-5 1.38x10-3 3.11x10-2
1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333
0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561
0 1 2 3 4 X 5
Ejemplo

Y
4 4.1x10-5
3 4.1x10-5 1.84x10-3
Pr( X  1, Y  2) 2 1.54x10-5 1.38x10-3 3.11x10-2
1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333
0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561
0 1 2 3 4 X 6
Variables continuas
Dadas dos v.a. continuas, X , Y definimos su función distribución de

probabilidad mediante la función de densidad conjunta:
f ( x, y )
Como en el caso unidimensional está función debe verificar:
f ( x, y )  0
d 2 F ( x, y)
 
f ( x, y) 
 
 
f ( x, y)dxdy  1
dxdy
La función de distribución conjunta:
y0 x0
F ( x0 , y0 )  Pr( X  x0 , Y  y0 )    f ( x, y)dxdy
 
7
Variables continuas
La probabilidad ahora se calcula como un volumen:

b d
Pr(a  X  b, c  Y  d )    f ( x, y)dxdy
a c
Pr(1  X  1, 1.5  Y  1.5)
8
Ejemplo
Sea X la variable aleatoria que representa el tiempo hasta que un servidor

se conectar con tu ordenador (en milisegundos) e Y el tiempo hasta que el
servidor te autoriza como usuario.
La función de densidad conjunta viene dada por:
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y
¿Pr( X  1000, Y  2000)?
9
Ejemplo
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

¿Pr( X  1000, Y  2000)?
Y
3000
Recinto donde la función de
densidad no es 0
2000
1000
1000 2000 3000 X 10

Ejemplo
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

¿Pr( X  1000, Y  2000)?
Y
3000
2000
Recinto de integración para el cálculo
de esa probabilidad
1000
1000 2000 3000 X 11

Ejemplo
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y
Y
1000 y
Pr( X  1000, Y  2000)    f ( x, y)dxdy 
0 0
3000
2000
x=y
1000
1000 2000 3000 X 12

Ejemplo
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y
Y 1000 y 2000 1000

Pr( X  1000, Y  2000)    f ( x, y )dxdy    f ( x, y )dxdy
0 0 1000 0
3000
 0.915
2000
x=y
1000
1000 2000 3000 X 13

2 Distribuciones marginales
Si se definen más de una v.a. en un experimento, es importante

distinguir entre la distribución de probabilidad conjunta y la distribución
de probabilidad de cada variable individualmente. A la distribución de
cada variable se le denomina distribución marginal.
Variables Discretas
Dadas dos v.a. discretas, X , Y con función de probabilidad conjunta

p( x, y ) las funciones de probabilidad marginales de ambas variables son:
pX ( x)  Pr( X  x)   Pr( X  x, Y  y ) Son funciones de probabilidad
y
pY ( y)  Pr(Y  y)   Pr( X  x, Y  y)
x
Se puede calcular su esperanza,
varianza, etc.
14
Ejemplo

Y
La función de probabilidad 4 4.1x10 -5
marginales se obtendrían
sumando en ambas 3 4.1x10-5 1.84x10-3
direcciones
2 1.54x10-5 1.38x10-3 3.11x10-2
1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333
0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561
0 1 2 3 4 X 15
Ejemplo

Y
La función de probabilidad
sumando en ambas
direcciones
0.0001 0.0036 0.0486 0.2916 0.6561
0 1 2 3 4 X 16
Ejemplo

Y
La función de probabilidad 4 4.1x10 -5
sumando en ambas 3 4.1x10-5 1.84x10-3
direcciones
2 1.54x10-5 1.38x10-3 3.11x10-2
1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333
0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561
0 1 2 3 4 X 17
Ejemplo

Y
La función de probabilidad 4 0.00004
sumando en ambas 3 0.00188
direcciones
2 0.03250
1 0.24925
0 0.71637
X 18
Variables Continuas
Dadas dos v.a. continuas, X , Y con función de densidad conjunta f ( x, y )
las funciones de densidad marginales de ambas variables son:

f X ( x)   f ( x, y )dy Son funciones de densidad


fY ( y )   f ( x, y )dx Se puede calcular su esperanza,

varianza, etc.
0.4
0.3
f(x) 0.2
0.1
0.0
-4 -2 0
x
2 4 19
Ejemplo

La función de densidad conjunta viene dada por
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y
¿Pr(Y  2000) ?
20
Ejemplo
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

¿Pr(Y  2000) ?
Podemos resolverlo de dos formas:
Integrar la función de densidad conjunta

en el recinto adecuado
Calcular la función de densidad marginal
de Y y calcular esa probabilidad
21
Ejemplo
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

Y ¿Pr(Y  2000) ?
Y
3000 Integrar la función de densidad conjunta

en el recinto adecuado
2000
 y
1000
Pr(Y  2000)    f ( x, y)dxdy  0.05
2000 0
1000 2000 3000 X 22

Ejemplo
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

Y ¿Pr(Y  2000) ?
Y
3000 Calcular la función de densidad marginal

2000 y
fY ( y)   f ( x, y)dx  6 103 e0.002 y (1  e0.001 y ) y0
0
1000
0
1000 2000 3000 X 23
Ejemplo
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

Y ¿Pr(Y  2000) ?
Y
3000 Calcular la función de densidad marginal

2000 
Pr(Y  2000)   fY ( y)dy  0.05
2000
1000
0
24
2 Distribuciones condicionadas
Cuando se definen más de una v.a. en un experimento, el conocimiento

de una de las variables puede afectar las probabilidades que se asocian
con los valores de la otra variable
Recordamos del Tema 3 (Probabilidad):
PrA  B 
Pr B A 
PrA Mide el tamaño
de uno con
respecto al otro
25
Cuando se definen más de una v.a. en un experimento, el conocimiento

de una de las variables puede afectar las probabilidades que se asocian
con los valores de la otra variable
Variables Discretas
Dadas dos v.a. discretas, X , Y con función de probabilidad conjunta

p( x, y ) la funcion de probabilidad de Y condicionada a X=x0:
A B A
p( y, x0 ) Pr(Y  y, X  x0 ) pX ( x0 )  0
p( y | x0 )  
p X ( x0 ) Pr( X  x0 )
Para un valor genérico de x

p ( y, x) Pr(Y  y, X  x)
p ( y | x)   p( y, x)  p( y | x) pX ( x)
Podemos calcular su esperanza, p X ( x) Pr( X  x)
varianza, etc. 26
Ejemplo


Como sólo se transmiten 4 bits, si X=4, necesariamente Y=0

si X=3, Y=0 ó 1
Saber lo que vale X cambia la probabilidad asociada con los valores de Y

27
Ejemplo


Como sólo se transmiten 4 bits, si X=3, Y=0 ó 1

Pr(Y  0, X  3) 0.05832
Pr(Y  0 | X  3)    0.2 Pr(Y  0 | X  3)  Pr(Y  1| X  3)  1
Pr( X  3) 0.2916
Pr(Y  1, X  3) 0.2333
Pr(Y  1| X  3)    0.8 E[Y | X  3]  0  0.2  1 0.8  0.8
Pr( X  3) 0.2916
Número esperado de bits sospechosos cuando en número de aceptables es 3 28

Variables Continuas
Dadas dos v.a. continuas, X , Y con función de densidad conjunta f ( x, y )
la función de densidad de Y condicionada a X
Es función de densidad
f ( x, y )
f ( y | x) 
f X ( x)
Se puede calcular su esperanza,
varianza, etc.
f ( x, y)  f ( y | x) f X ( x)
29
Ejemplo

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

¿Cuál será la probabilidad de que el tiempo hasta que el servidor te autoriza
como usuario sea más de 2000 milisegundos si el tiempo que ha tardado el
servidor en conectarse ha sido 1500 milisegundos?
¿Pr(Y  2000 | X  1500)?
30
Ejemplo
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

Y ¿Pr(Y  2000 | X  1500)?
Y
f ( x, y )
f ( y | x) 
3000 f X ( x)

2000 f X ( x)   f ( x, y)dy  0.003e0.003 x x 0
x
1000
f ( y | x)  0.002e0.002 x 0.002 y 0  x  y
0
1000 2000 3000 X 31
Ejemplo
f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

Y ¿Pr(Y  2000 | X  1500)?
Y
f ( y | x)  0.002e0.002 x 0.002 y 0  x  y
3000

2000 Pr(Y  2000 | X  1500)   f ( y | X  1500)dy
2000

 0.002e30.002 y dy
1000 2000
 0.368
0
1000 2000 3000 X 32
En algunos experimentos, el conocimiento de una de las variables puede

no afectar ninguna de las probabilidades que se asocian con los valores
de la otra variable
Recordamos del Tema 3 (Probabilidad):
Pr  A  B   Pr  A Pr B 
Pr( A | B)  Pr( A)
Pr( B | A) Pr( B)
33
Variables Discretas
Diremos que dos variables X , Y son independientes si:
p( y | x)  pY ( y) p( x | y)  pX ( x)
p( x, y)  p( x | y) pY ( y)  pX ( x) pY ( y) x, y
34
Variables Continua
Diremos que dos variables X , Y son independientes si:
f ( y | x)  fY ( y) f ( x | y)  f X ( x)
f ( x, y)  f ( x | y) fY ( y)  f X ( x) fY ( y) x, y
35
Ejemplo

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y
f ( y | x)  0.002e0.002 x 0.002 y 0  x  y
 Para todos los valores de x
fY ( y)  6 103 e0.002 y (1  e0.001 y ) y0
36
 X1 
 
X
Dadas n v.a. X1 , X 2 , , X n definimos el vector n-dimensional X   2 
 
 
 Xn 
La función de probabilidad/densidad del vector es la función de
probabilidad/densidad conjunta de los componentes del vector.
Esperanza
Se define el vector de medias como el vector cuyas componentes son

las medias o esperanzas de cada componente.
 E  X1  
 
μ  E  X  
E  2 
X
 
 
 E  X n  37
Covarianza
Primero comenzamos por definir la covarianza entre dos variables:
Es una medida de la relación lineal entre dos variables
Cov( X , Y )  E  X  E  X  Y  E Y   E  XY   E  X  E Y 
Propiedades
Si X , Y son independientes  Cov( X , Y )  0 ya que E  XY   E  X  E Y 
Si Cov( X , Y )  0  X , Y sean independientes

Z  aX  b
Si hacemos un cambio de origen y escala: Cov( Z , W )  abCov( X , Y )
W  cY  d 38
Covarianza
Cov( X , Y )  E  X  E  X  Y  E Y   E  XY   E  X  E Y 
¿Cómo lo calculamos?
Necesitamos calcular la esperanza de una función de dos variables
aleatorias:
 h( x, y) p( x, y)
E  h( X , Y )  x y
 
 
 
h( x, y) f ( x, y)dxdy
39
´Covarianza positiva Covarianza cero
Hay relación
pero no
lineal
40
Covarianza
Estadística. Profesora: negativa
María Durbán Covarianza cero
Ejemplo


¿Es la covarianza entre X e Y positiva o negativa?
Sabemos que X  Y  4  cuando Y se acerca a 4, X se acerca a 0

Por lo tanto la covarianza el negativa
41
Correlación
La correlación entre dos variables también es una medida de la relación

linear entre dos variables
Cov( X , Y )
 ( X ,Y ) 
Var  X Var Y 
Si X , Y son independientes   ( X , Y )  0 ya que Cov  X , Y   0

|  ( X , Y ) | 1
Si Y  aX  b |  ( X , Y ) | 1
42
Matriz de Varianzas y Covarianzas
Dadas n v.a. X1 , X 2 , , X n llamamos matriz de varianzas y covarianzas

del vector X a la matriz cuadrada de orden n:
 Var  X 1  Cov  X 1 , X 2  Cov  X 1 , X n  

 
    Cov  X 1 , X 2  Var  X 2  
M X  E  X - μ  X - μ  
   
 
 Cov  X 1 , X n  Var  X n  
Propiedades
Simétrica
Semidefinida positiva
43
Al igual que en el caso univariante, hay ocasiones en que es necesario

calcular la distribución de probabilidad de una función de dos o más v.a.
Dado un vector aleatorio X con función de densidad conjunta f ( X)

y lo transformamos en otro vector aleatorio Y de la misma dimensión
mediante una función g
y1  g1 ( x1 , , xn )
Existen las
y2  g 2 ( x1 , , xn )
transformaciones
inversas
yn  g n ( x1 , , xn ) dx1 dx1
dy1 dyn
dX dX
f (Y)  f ( g 1 ( Y)) 
dY dY
dxn dxn
dy1 dyn
44
Si Y tiene menor dimensión que X, completamos Y con elementos

de X hasta completar la misma dimensión.
Ejemplo
4 x1 x2 0  x1 , x2  1
f X1 X 2 ( x1 , x2 ) 
0 en el resto
Calcular la función de densidad de Y1  X1  X 2
1. Definimos Y2  X 2
2. Buscamos la distribución conjunta de Y  (Y1 , Y2 )
3. Calculamos la marginal de Y1
45
Ejemplo
4 x1 x2 0  x1 , x2  1
f X1 X 2 ( x1 , x2 ) 
0 en el resto
 Buscamos la distribución conjunta de Y  (Y1 , Y2 )
dX
f (Y)  f ( g 1 ( Y))
dY
g ( X)  ( X 1  X 2 , X 2 )  g 1 (Y)  (Y1  Y2 , Y2 )
Y1 Y2
dX 1 1
 1 f ( g 1 (Y))  4( y1  y2 ) y2
dY 0 1
f (Y)  4( y1  y2 ) y2 ¿En qué recinto está
46
definida?
Ejemplo
0  x1 , x2  1
Y1  X 1  X 2  0  y1  2
Y2  X 2  0  y2  1 Y1  Y2  X 2  0  y1  y2  1
y1  y2  0 y1  y2  1
47
Ejemplo
f (Y) 0 4(
x , xy  1 y ) y
1
1 2
2 2
0  y1  1 0  y2  y1
Y1  X 1  X 2  0  y1  2
Y2  X 2  0  y2  1 Y1  Y2  X 2  0  y1  y2  1
1  y1  2 y1 -1  y2  1
1
0  y1  1 0  y2  y1
y1  y2  0 y1  y2  1 1  y1  2 y1 -1  y2  1
48
Ejemplo
Calculamos la marginal de Y1
y1
3 3
0 4( y1  y2 ) y2y2  2 y1 0  y1  1
fY1 ( y1 )  1
8 3 3
y 1 4( y1  y2 ) y2y2   3  4 y1  2 y1 1  y1  2
1
49
Convolución de X1 y X2
Si X1 y X2 son variables aleatorias independientes con funciones de

densidad f X ( x1 ) y f X ( x2 ), la función de densidad de Y  X1  X 2 es
1 2

fY ( y)   f X1 ( y  x) f X 2 ( x)x

Se utiliza en casos como la transformada de Fourier
50
Un caso que merece mención especial es el cálculo de esperanzas y

varianzas de transformaciones lineales:
Ym1  Amn Xn1 m  n
E  Y   AE  X
Var  Y   AM X A
Ejemplo
 X1 
Y  X1  X2  Y  1 1  
 X2 
E  Y   E  X1   E  X2 
 Var  X1  Cov( X1 , X2 )  1
Var  Y   1 1      Var  X1   Var  X 2   2Cov( X1 , X 2 )
 Cov( X1 , X2 ) Var  X2   1 51

E  Y   AE  X
Ejemplo
 X1 
Y  X1  X2  Y  1 1  
 X2 
E  Y   E  X1   E  X2 
 Var  X1  Cov( X1 , X2 )   1 
Var  Y   1 1      Var  X1   Var  X 2   2Cov( X1 , X 2 )
 Cov( X1 , X2 ) Var  X2    1 52

E  Y   AE  X
Caso particular: Distribución Normal
X i ~ N  i ,  i  i  1, , n independientes
Y  a1 X1  a2 X 2   an X n Normal
n n
E Y    ai i Var Y    ai2 i2
i 1 i 1
53
Ejemplo
Una pieza en forma de U está formada por tres partes, A, B y C. La longitud

de A sigue una distribución Normal con media 10mm y desviación típica
0.1mm. El grosor de las partes B y C se distribuye normalmente con media
2mm y desviación típica 0.05mm.
Suponiendo que las dimensiones de las partes son independientes:
1. Determinar la media y desviación típica de la distribución del hueco D.

2. En esa pieza ha de encajar otra de 7.9 mm, ¿cuál es la probabilidad de
que una pieza de esta forma sea inservible?
D
B C
A
54
Ejemplo
1. Determinar la media y desviación típica de la distribución del hueco D.
A ~ N (10, 0.1)
D  A B C
B ~ N (2, 0.05) C ~ N (2, 0.05)
E  D   10  2  2  6
Var  D   0.12  0.052  0.052  0.015
D.T  D   0.122
D
B C
A
55
Ejemplo
2. En esa pieza ha de encajar otra de 7.9 mm, ¿cuál es la probabilidad de

que una pieza de esa forma sea inservible?
D ~ N (6, 0.015)
 5.9  6 
Pr( D  5.9)  Pr  Z  
 0.122 
Pr( Z  0.82)  1  Pr( Z  0.82)
1 0.7939  0.2061
D
B C
El 20% de las
piezas fabricadas
es inservible A
56
6 Distribución Normal multivariante
 X1 
Si vector aleatorio X    sigue una distribución Normal bivariante
X2
 1 
con vector de medias μ    y matriz de varianzas-covarianzas
2 
  12  1 2 
 2 
  1 2 2 
tiene función de densidad:
 1 
f X 
1 1
exp  ( X  μ)'  ( X  μ)
2   1/ 2
 2 
57
 1 
f X 
1 1
exp  ( X  μ)'  ( X  μ)
2   1/ 2
 2 
 1  
 2  1 2 
  12  1 2  1  1 
    12 22 (1   2 )  1 
(1   2 )    1 
  1 2  22 
 
 1 2  22 
1 
 1  x    2  x    2  x1  1  x2   2   
f  x1 , x2   exp   
1 1

 
2 2
  2    
 
 2   1 2 (1   2 )  2(1   2
) 
             
 1 2 1 2

58
Función de densidad
Diagrama de dispersión
 X1   1    12  1 2 
X  μ   2 
X2 2    1 2 2 
Propiedades
  0  X 1 , X 2 independientes
X1 ~ N  1 ,  1  X 2 ~ N  1 , 1 
X1 | X 2 y X 2 | X1 son normales
60
Ejemplo
En el proceso de fabricación de lámparas electroluminiscentes (luz negra), se

depositan capas de tinta en una base de plástico. El grosor de esas capas es
determinarte a la hora de satisfacer las especificaciones relativas al color e intensidad
de la luz.
Sean X e Y el grosor de dos capas de tinta, se sabe que ambas siguen una
distribución Normal, con medias 0.1mm y 0.23mm y desviaciones típicas 0.00031mm
y 0.00017mm respectivamente. La correlación entre ambas es 0.
Las especificaciones de grosor son las siguientes:
0.099535  X  0.100465
0.22966  Y  0.23039
¿Cuál es la probabilidad de que una lámpara elegida

al azar satisfaga las especificaciones?
61
Ejemplo
¿Cuál es la probabilidad de que una lámpara elegida al azar satisfaga las

especificaciones?
X ~ N (0.1, 0.00031) 0.099535  X  0.100465
Y ~ N (0.23, 0.00017) 0.22966  Y  0.23039
Pr(0.099535  X  0.100465,0.22966  Y  0.23039)
  0  independientes
Pr(0.099535  X  0.100465) Pr(0.22966  Y  0.23039)

Pr(1.5  Z  1.5) Pr(2  Z  2) 
 2 Pr(Z  1.5)  1 2 Pr( Z  2)  1
 0.827
62

3788992

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

3788992

Încărcat de

Drepturi de autor:

Formate disponibile

Vectores Aleatorios

1 Distribución conjunta de un vector aleatorio

2 Distribuciones marginales y condicionadas

3 Independencia entre variables aleatorias

4 Características de un vector aleatorio

5 Transformaciones de vectores aleatorios

6 Distribución Normal multivariante 1

En el tema anterior estudiamos distribuciones de probabilidad para una

Por ejemplo, en la clasificación de señales emitidas y recibidas, cada señal

En general, si X e Y son dos variables aleatorias la distribución de

Dadas dos v.a. discretas, X , Y definimos su función distribución de

La función de distribución conjunta:

En el desarrollo de un nuevo receptor para la transmisión de información

X = Número de bits aceptables

En el desarrollo de un nuevo receptor para la transmisión de información

1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333

0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561

En el desarrollo de un nuevo receptor para la transmisión de información

Pr( X  1, Y  2) 2 1.54x10-5 1.38x10-3 3.11x10-2

1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333

0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561

Dadas dos v.a. continuas, X , Y definimos su función distribución de

La probabilidad ahora se calcula como un volumen:

Pr(1  X  1, 1.5  Y  1.5)

Sea X la variable aleatoria que representa el tiempo hasta que un servidor

La función de densidad conjunta viene dada por:

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

¿Pr( X  1000, Y  2000)?

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

1000 2000 3000 X 10

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

1000 2000 3000 X 11

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

1000 2000 3000 X 12

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

Y 1000 y 2000 1000

1000 2000 3000 X 13

Si se definen más de una v.a. en un experimento, es importante

Dadas dos v.a. discretas, X , Y con función de probabilidad conjunta

En el desarrollo de un nuevo receptor para la transmisión de información

1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333

0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561

En el desarrollo de un nuevo receptor para la transmisión de información

0.0001 0.0036 0.0486 0.2916 0.6561

En el desarrollo de un nuevo receptor para la transmisión de información

1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333

0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561

En el desarrollo de un nuevo receptor para la transmisión de información

Sea X la variable aleatoria que representa el tiempo hasta que un servidor

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

Podemos resolverlo de dos formas:

Integrar la función de densidad conjunta

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

3000 Integrar la función de densidad conjunta

1000 2000 3000 X 22

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

3000 Calcular la función de densidad marginal

f ( x, y)  6 106 exp(0.001x  0.002 y) 0 x y

3000 Calcular la función de densidad marginal

Cuando se definen más de una v.a. en un experimento, el conocimiento

Recordamos del Tema 3 (Probabilidad):

Cuando se definen más de una v.a. en un experimento, el conocimiento

Dadas dos v.a. discretas, X , Y con función de probabilidad conjunta