Professional Documents
Culture Documents
3.1
3.1
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
o
3.1
3.2
3.1
3.3
3.3
3.4
3.5
3.5
Caracter
sticas asociadas a una variable aleatoria
. . . . . . . . . . . . . . . . . . . .
3.9
3.6
3.6.3
3.7
Caracter
sticas de variables aleatorias bidimensionales. . . . . . . . . . . . . . . 3.18
Independencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.20
2.0
Tema 3
3.1
Introduccin
o
En este tema pasamos a representar los resultados de un experimento aleatorio por nmeros. Introu
ducimos as el concepto de variable aleatoria, y las herramientas para trabajar con ellas. Distinguimos
entre variables aleatorias discretas y variables aleatorias continuas. Los conceptos que se presentan
son fundamentales para temas posteriores, especialmente en el tema 4 en que se estudian los modelos
de distribuciones ms relevantes.
a
As mismo para nalizar el tema se realiza una breve introduccin al estudio de las variables
o
aleatorias bidimensionales (y multidimensionales). Destacando el caso particular en que las variables
implicadas son independientes.
3.2
de un experimento aleatorio. Para ello denimos una funcin del espacio muestral en R .
o
3.1
Denicin 3.1 Una variable aleatoria X es una funcin del espacio muestral asociado a un expeo
o
rimento aleatorio en R , es decir
X:R.
Ejemplo 3.1 Consideremos el experimento aleatorio de lanzar dos monedas. Denimos la variable
aleatoria X : nmero de caras obtenidas en los dos lanzamientos. En la siguiente tabla se recogen
u
los sucesos elementales y los valores que les asociamos por la variable aleatoria X:
wi
X(wi )
++
0
C+
1
+C
1
CC
2
En primer lugar, comenzaremos especicando el conjunto de valores que toma la variable aleatoria,
a este conjunto lo denominaremos rango de X, y se denotar por rg(X) . En el Ejemplo 3.1 el rango
a
de X es rg(X) = {0, 1, 2} .
Ejemplo 3.2 Consideremos el experimento aleatorio de preguntar en 50 hogares de Sevilla elegidos
al azar si poseen l
nea ADSL. Para la variable aleatoria X : nmero de hogares con l
u
nea ADSL, el
rango de X es:
rg(X) = {0, 1, 2, . . . , 50} .
Ejemplo 3.3 ( Sobre un mismo espacio muestral se pueden denir distintas variables aleatorias).
Consideremos el experimento aleatorio de lanzar un dado dos veces, podemos denir las siguientes
variables aleatorias:
1. X: suma de los puntos obtenidos en los dos lanzamientos, es decir X(i, j) = i+j , (i, j) .
El rango de X es rg(X) = {2, 3, 4, . . . , 12} .
2. Y : diferencia en valor absoluto entre las puntuaciones obtenidas, es decir Y (i, j) = |i j| ,
(i, j) . El rango de Y es rg(Y ) = {0, 1, 2, . . . , 5} .
Bsicamente podemos distinguir los siguientes tipos de variables aleatorias:
a
Variable aleatoria discreta: toma un conjunto numerable de valores (puede ser nito o innito
numerable).
Variable aleatoria continua: toma valores en un conjunto no numerable (lo ms usual en un
a
intervalo de R).
Ejemplo 3.4 Las variables aleatorias consideradas en los ejemplos anteriores son todas ellas discretas.
Ejemplos de variables aleatorias continuas ser
an: peso de una persona, longitud de las piezas producidas por una mquina, tiempo de funcionamiento de un dispositivo electrnico,..
a
o
Proposicin 3.1 (Igualdad de variables aleatorias) Sean X e Y variables aleatorias denidas sobre
o
un mismo espacio muestral . Entonces
X=Y
3.2
X(w) = Y (w) ,
2o Ing. Informtica
a
w .
w .
w .
w .
3.3
Denicin 3.2 Sea X : R diremos que X es una variable aleatoria discreta si toma un
o
conjunto numerable de valores, es decir rg(X) = {x1 . . . , xn , ..}.
Denicin 3.3 Para una variable aleatoria discreta X con rg(X) = {x1 . . . , xn , ...} se dene la
o
funcin de probabilidad (fdp) de X como
o
P [X = xi ] = P [{w tal que X(w) = xi }] ,
i1.
(3.1)
Ejemplo 3.5 En el Ejemplo 3.1 se deni la variable aleatoria X : nmero de caras obtenidas en dos
o
u
lanzamientos de una moneda. La funcin de probabilidad de X es:
o
xi
P [X = xi ]
0
1/4
1
1/2
2
1/4
Teorema 3.1 La funcin de probabilidad asociada a una variable aleatoria discreta X denida
o
en (3.1) queda caracterizada por las siguientes propiedades:
1. P [X = xi ] > 0
si xi rg(X) .
P [X = xi ] = 1 .
2.
xi rg(X)
P [X = xi ] .
xi B
Ejemplo 3.6 Para la v.a. denida en el Ejemplo 3.1 hallamos P [X B] con B = (, 1), B =
(0.5, 2), B = (0.5, 2]
Solucin:
o
Estad
stica
3.3
P [X (, 1)] = P [X = 0] = 1/4 .
P [X (0.5, 2)] = P [X = 1] = 1/2 .
P [X (0.5, 2]] = P [X = 1] + P [X = 2] = 3/4 .
Denicin 3.4 Sea X una variable aleatoria discreta con rg(X) = {x1 , . . . , xn , ...}. Se dene la
o
Funcin de Distribucin (FdD) de X como
o
o
F (x) = P [X x] =
P [X = xi ] ,
para todo x R .
xi x
0
1/4
1
1/2
2
1/4
Por tanto
F (0) = P [X = 0] = 1/4 .
F (1) = P [X = 0] + P [X = 1] = 3/4 .
F (2) = P [X = 0] + P [X = 1] + P [X = 2] = 1 .
Tngase en cuenta que la FdD se deni como F (x) = P [X x] para todo x R , de aqu que
e
o
0,
si x < 0 ,
1/4, si 0 x < 1 ,
F (x) =
3/4, si 1 x < 2 ,
1,
si 2 x .
La representamos grcamente:
a
F (x)
1
3/4
1/4
0
3.4
2o Ing. Informtica
a
3.4.
(Ntese la similitud con la curva acumulativa que se ten para el caso discreto en Descriptiva).
o
a
Teorema 3.2 La funcin de distribucin (FdD) F de una variable aleatoria discreta verica las sio
o
guientes propiedades:
1. F () = 0, F (+) = 1.
2. F es no decreciente: es decir si x < y
F (x) F (y) .
3.4
Una variable aleatoria continua es aquella que toma valores en un conjunto no numerable, que ser
a
generalmente un intervalo de R. A continuacin denimos este concepto un poco ms formalmente a
o
a
partir de la Funcin de Distribucin.
o
o
Denicin 3.5 Consideremos la Funcin de Distribucin, (FdD), de una variable aleatoria denida
o
o
o
como
F (x) = P [X x], x R .
Diremos que una variable aleatoria es continua si su FdD es una funcin continua, y derivable
o
en casi todos los puntos.
Un ejemplo de grco que corresponder a la funcin de distribucin de una variable aleatoria
a
a
o
o
continua ser el siguiente:
a
F (x)
1
Estad
stica
3.5
(3.2)
Demostracin:
o
Sea h > 0 y consideremos,
P [x h < X x] = F (x) F (x h) .
Si h 0,
P [X = x] = F (x) lim F (x h) = 0 ,
h0
Para trabajar con variables aleatorias continuas introducimos una herramienta denominada funcin
o
de densidad, que nos permite calcular la probabilidad de cualquier subintervalo contenido en el rango
de valores de la variable aleatoria.
Denicin 3.6 Dada X una variable aleatoria continua, existe una funcin no negativa, f (x), a la
o
o
que se denomina funcin de densidad (fdd) de modo que
o
x
f (t) dt .
F (x) =
(3.3)
Obsrvese que (3.3) nos dice que el rea encerrada por la funcin de densidad hasta un punto x0 ,
e
a
o
coincide con el valor de la FdD en dicho punto, F (x0 ).
f (x)
F (x)
F (x0 )
f (x)
x0
3.6
2o Ing. Informtica
a
3.4.
x.
f (x)dx = 1 .
(b)
f (t) dt.
a
f (t) dt .
B
x
f (t) dt
F (x) = f (x).
Ejemplo 3.8 Sea X una variable aleatoria con FdD
0,
x<0
2, 0 x < 1
F (x) =
x
1,
x1.
(a) Representar grcamente F (x). De qu tipo es la v.a.?
a
e
Estad
stica
3.7
1
0.8
0.6
0.4
0.2
0.4 0.2 0
1.2 1.4
Observamos que F (x) es una funcin continua, por tanto X es una variable aleatoria continua.
o
(b) La funcin de densidad es: f (x) = F (x) .
o
Por tanto:
0,
x<0
f (x) =
2x, 0 < x < 1 =
0,
x<1.
2x,
0,
0<x<1
en caso contrario (c.c.)
Ejemplo 3.9 Supongamos que el tiempo de funcionamiento de un dispositivo electrnico (en horas)
o
puede modelarse por una variable aleatoria X continua con funcin de densidad
o
f (x) =
kex/2 ,
0,
si x > 0 .
en caso contrario (c.c.) .
Hallar:
(a) k.
(b) La FdD.
(c) La probabilidad de que el dispositivo funcione ms de dos horas.
a
3.8
2o Ing. Informtica
a
3.5. Caracter
sticas asociadas a una variable aleatoria
(d) La probabilidad de que el dispositivo funcione ms de 6 horas si se sabe que lleva funcionado
a
ms de 2.
a
Solucin:
o
(a) Nos basamos en que
+
f (x)dx = 1 .
As
f (x)dx =
kex/2 dx =
= k 2ex/2
x=
x=0
= k 2 lim ex/2 + 2
x
f (x)dx = k 2 = 1 ,
F (x) =
f (t)dt =
0,
si x 0
x
1 t/2
e
dt = et/2
2
t=x
t=0
= 1 ex/2 ,
si x > 0 .
3.5
P [X > 6
X > 2]
=
P [X > 2]
e6/2
P [X > 6]
= 2/2 = e4/2 = e2 = 0.135 .
P [X > 2]
e
Caracter
sticas asociadas a una variable aleatoria
Denicin 3.7 Se dene la esperanza matemtica, media o valor esperado de una variable aleao
a
toria X como
xi P [X = xi ] ,
si X es discreta
xi rg(X)
= E [X] =
(3.4)
xf (x)dx,
si X es continua
Estad
stica
3.9
Nota 3.4 La denicin dada en (3.4) tiene sentido supuesto que la correspondiente suma o integral
o
converge, en caso contrario, (es decir si E[X] = +), se dice que no existe E[X]. Este comentario
seguir siendo vlido siempre que se utilice el operador esperanza aunque no se indique expl
a
a
citamente.
Nota 3.5 La media o valor esperado de una variable aleatoria tiene la misma interpretacin que en
o
distribuciones de frecuencias.
Ejemplo 3.10 (Caso discreto) Para la variable aleatoria denida en el Ejemplo 3.1 calculamos el
valor esperado de X:
E[X] =
xi rg(X)
xi P [X = xi ] = 0
1
1
1
+1 +2 =1
4
2
4
Ejemplo 3.11 (Caso continuo) Para la variable aleatoria denida en el Ejemplo 3.9 calculamos el
valor esperado de X:
xf (x)dx =
E[X] =
= xex/2
x=
x=0
1
x ex/2 dx = [por partes] =
2
ex/2 dx =
ex/2 dx = 2 ,
g(xi ) P [X = xi ] ,
si X es discreta
xi rg(X)
E [g(X)] =
(3.5)
g(x)f (x)dx,
si X es continua
El operador esperanza, que se ha introducido en esta seccin, tiene muchas propiedades que pueden
o
deducirse fcilmente a partir de las propiedades de las sumas en el caso discreto y de las integrales en
a
el caso continuo. En el siguiente teorema recogemos algunas de ellas que nos sern de gran utilidad
a
en este curso.
Teorema 3.4 Propiedades de la esperanza:
1. E[c] = c, con c R.
2. Linealidad de la esperanza
E[aX + b] = aE[X] + b ,
con a, b R.
(3.6)
Demostracin:
o
1. En este caso se tiene una variable aleatoria que slo toma un valor, c, con probabilidad uno:
o
X=c
con
P [X = c] = 1 .
3.10
2o Ing. Informtica
a
3.5. Caracter
sticas asociadas a una variable aleatoria
= a
xi rg(X)
(axi + b) P [X = xi ]
xi rg(X)
xi P [X = xi ] +b
xi rg(X)
P [X = xi ]
=1
=E[X]
= aE[X] + b .
Se propone hacer como ejercicio la demostracin de este resultado para el caso continuo.
o
ci R, ci = 1, 2 .
g1 (xi )P [X = xi ]
= c1
g2 (xi )P [X = xi ]
+ c2
xi
xi
Denicin 3.9 (Momentos) Se dene el momento (no centrado) de orden k de la variable aleatoria
o
X como
k = E X k ,
k0.
Se dene el momento centrado de orden k de la variable aleatoria X como
k = E (X )k ,
k0,
= E[X] .
Obsrvese que la media es el momento (no centrado) de orden uno: 1 = E[X]. De los momentos
e
centrados, el ms importante es el de orden dos, 2 , ms conocido como varianza, V ar[X], el cual
a
a
pasamos a estudiar con detalle a continuacin.
o
Estad
stica
3.11
o
V ar [X] = E X 2 2 = E X 2 (E[X])2 .
Demostracin:
o
1. Se tiene de forma inmediata de la denicin pues
o
V ar[X] = E (X )2 =
xi rg(X)
(xi )2 P [X = xi ] ,
si X es discreta
(3.7)
(x )2 f (x)dx,
si X es continua
V ar[X].
3.12
2o Ing. Informtica
a
3.5. Caracter
sticas asociadas a una variable aleatoria
Denicin 3.12 Dada X una variable aleatoria se dene la moda como aquel valor de la variable
o
que tiene mayor probabilidad en el caso discreto, y como aquel valor en que la funcin de densidad
o
alcanza un mximo en el caso continuo. (No tiene por qu ser unica).
a
e
Denicin 3.13 Dada X una variable aleatoria discreta se dene la mediana como aquel valor de
o
la variable aleatoria en que la funcin de distribucin vale 1/2.
o
o
Nota 3.6 Para el clculo de la mediana en el caso discreto se presenta la misma casu
a
stica que se
ten en el caso discreto de Descriptiva.
a
Ejemplo 3.12 En el Ejemplo 3.1 calculamos las medidas que se han introducido en este apartado:
E[X] = 0
E[X 2 ] =
1
4
+1
xi rg(X)
1
2
+2
1
4
=1 .
x2 P [X = xi ] = 02
i
3
2
1
1
1
+ 12 + 22 = 3/2
4
2
4
12 = 1/2
1/2
0
0.47
1
0.30
2
0.10
3
0.06
4
0.04
5
0.02
6
0.01
E[X] =
i=1
Si tomamos al azar una familia de la poblacin, el nmero medio o esperado de hijos es uno.
o
u
(b)
2
X = V ar[X] = 1.74
Estad
stica
3.13
(c) La variable aleatoria Y : ayuda (en euros) que recibe anualmente cada familia viene dada
por Y = 2000X. Por tanto
E[Y ] = E[2000 X] = 2000 E[X] = 2000
2
Y = V ar[Y ] = V ar[2000 X] = (2000)2 V ar[X] = 6.96 106
Y =
V ar[Y ] = |2000|
3.6
3.14
2o Ing. Informtica
a
3.6.1
Denicin 3.15 Sea (X, Y ) : R2 . (X, Y ) es una variable aleatoria bidimensional discreta si y
o
slo si X e Y son variables aleatorias unidimensionales discretas.
o
Una variable aleatoria bidimensional discreta queda caracterizada conociendo el conjunto de pares
de valores que toma, rg(X, Y ) = {(xi , yj )}i,j , y su funcin de probabilidad conjunta denida de forma
o
anloga al caso univariante:
a
P [X = xi , Y = yj ] = P [{w : (X(w) = xi , Y (w) = yj )}] ,
(xi , yj ) rg(X, Y ) .
(xi , yj ) rg(X, Y ).
P [X = xi , Y = yj ] = 1 .
xi
yj
P [X = xi , Y = yj ] ,
{xi x, yj y}
(x, y) R2 .
Denicin 3.16 Sea (X, Y ) una variable aleatoria bidimensional discreta con funcin de probabilidad
o
o
conjunta {P [X = xi , Y = yj ]}i,j .
La funcin de probabilidad marginal de X viene dada por
o
P [X = xi ] =
P [X = xi , Y = yj ] .
(3.8)
yj rg(Y )
P [X = xi , Y = yj ] .
(3.9)
xi rg(X)
Ejemplo 3.16 Se dispone de una caja con 3 piezas aptas y 2 defectuosas, U = {3A , 2D}. Se extraen
2 piezas sin reemplazamiento, y se denen las variables aleatorias:
X=
1, si la 1a pieza es apta
0, si la 1a pieza es defectuosa .
Y =
1, si la 2a pieza es apta
0, si la 2a pieza es defectuosa .
Estad
stica
3.15
Solucin:
o
Para i = 1, 2, denamos los sucesos:
Ai : la i-sima pieza extra es apta, Di : la i-sima pieza extra es defectuosa.
e
da
e
da
- El espacio muestral asociado a este experimento aleatorio es:
= { A1 A2 , A1 D2 , D1 A2 , D1 D2 } .
1. La funcin de probabilidad conjunta de (X, Y ) viene dada por:
o
P [X = 0, Y = 0] = P [D1 D2 ] = P [D1 ]P [D2 |D1 ] =
2
2 1
=
20
5 4
6
2 3
=
20
5 4
6
3 2
=
20
5 4
6
3 2
=
20
5 4
X\Y
0
1
P [Y = yj ]
0
2/20
6/20
8/20
1
6/20
6/20
12/20
P [X = xi ]
8/20
12/20
1
2. Distribuciones marginales:
La funcin de probabilidad marginal de X viene dada por
o
P [X = xi ] =
P [X = xi , Y = yj ] .
yj
P [X = xi , Y = yj ] .
xi
Denicin 3.17 Sea (X, Y ) una variable aleatoria bidimensional discreta con funcin de probabilidad
o
o
conjunta {P [X = xi , Y = yj ]}. Si P [Y = yj ] > 0 se dene la funcin de probabilidad de X
o
condicionada a Y = yj , X|Y = yj , como
P [X = xi |Y = yj ] =
3.16
P [X = xi , Y = yj ]
.
P [Y = yj ]
2o Ing. Informtica
a
(3.10)
P [A|B] =
En (3.10) se ha considerado
A = {X = xi } = {X = xi , Y R},
B = {Y = yj } = {X R, Y = yj },
por lo que A B = {X = xi , Y = yj } .
Se puede comprobar que para yj jo, (3.10) dene una funcin de probabilidad.
o
De forma anloga se denir la funcin de probabilidad de Y condicionada a X = xi con xi jo
a
a
o
(supuesto que P [X = xi ] > 0).
3.6.2
En este apartado se dene y estudian algunas propiedades de las variables aleatorias bidimensionales continuas a partir de la funcin de densidad conjunta.
o
Denicin 3.18 Sea (X, Y ) : R2 . (X, Y ) es una variable aleatoria bidimensional continua si
o
y slo si X e Y son variables aleatorias unidimensionales continuas.
o
Una variable aleatoria bidimensional continua queda caracterizada conociendo el conjunto de R2
en que toma valores y su funcin de densidad conjunta, f (x, y), la cul verica propiedades
o
a
anlogas al caso univariante:
a
f (x, y) 0
f (x, y)dxdy = 1 .
A partir de la funcin de densidad conjunta se pueden calcular probabilidades, obtener las distrio
buciones de cada componente (distribuciones marginales), y las caracter
sticas ms relevantes.
a
As la funcin de distribucin conjunta (FdD) conjunta ser una funcin F : R2 [0, 1]
,
o
o
a
o
denida como
x
F (x, y) = P [X x, Y y] =
f (s, t)dsdt ,
(x, y) R2 .
Denicin 3.19 Dada f (x, y) la fdd conjunta de una variable aleatoria bidimensional continua (X, Y ):
o
La funcin de densidad marginal de X viene dada por
o
f (x, y)dy .
fX (x) =
f (x, y)dx .
fY (y) =
Estad
stica
3.17
Denicin 3.20 Sean f (x, y), la fdd conjunta de una variable aleatoria bidimensional continua (X, Y ),
o
y fY (y) la fdd marginal de Y . En todo punto (x, y) en que f es continua y fY (y) > 0, la funcin de
o
densidad de X condicionada a Y = y existe y viene dada por
fX|Y =y (x) =
f (x, y)
.
fY (y)
3.6.3
Caracter
sticas de variables aleatorias bidimensionales.
g(xi , yj )P [X = xi , Y = yj ] .
xi
yj
Caso continuo:
E[g(X, Y )] =
E[XY ] =
xi
yj
6
= 0.3 ,
20
(xi + yj )P [X = xi , Y = yj ]
xi
=
xi
yj
xi
yj
P [X = xi , Y = yj ] +
xi P [X = xi ] +
xi
yj
yj
P [X = xi , Y = yj ]
xi
yj P [Y = yj ]
yj
= E[X] + E[Y ] .
En el caso continuo ser similar, slo que utilizando notacin integral.
a
o
o
(b) Anloga a la anterior.
a
3.18
2o Ing. Informtica
a
Proposicin 3.10
o
Cov[X, Y ] = E[XY ] E[X]E[Y ] .
Demostracin:
o
Propuesta como ejercicio
Ejemplo 3.18 Calculemos la Cov[X, Y ] para la variable aleatoria del Ejemplo 3.16. Utilizamos para
ello
Cov[X, Y ] = E[XY ] E[X]E[Y ]
E[XY ] =
xi yj P [X = xi , Y = yj ] = 6/20 .
xi
E[X] =
yj
xi P [X = xi ] = 12/20 .
xi
E[Y ] =
yj P [Y = yj ] = 12/20 .
yj
Por tanto
Cov[X, Y ] = E[XY ] E[X]E[Y ] = 3/50 .
(El signo negativo de la covarianza nos indica que la relacin entre las variables es inversa: al
o
aumentar una variable la otra disminuye).
Proposicin 3.11 (Varianza de la suma y diferencia de variables aleatorias)
o
(a) V ar[X + Y ] = V ar[X] + V ar[Y ] + 2Cov[X, Y ]
(b) V ar[X Y ] = V ar[X] + V ar[Y ] 2Cov[X, Y ]
Demostracin:
o
(a) Utilizaremos que E[X + Y ] = E[X] + E[Y ], y denotaremos por X = E[X], Y = E[Y ].
V ar[X + Y ] = E (X + Y E[X + Y ])2 = E ((X X ) + (Y Y ))2 =
= E (X X )2 + (Y Y )2 + 2(X X )(Y Y ) = {linealidad de la esperanza} =
= E[(X X )2 ] + E[(Y Y )2 ] + 2E[(X X )(Y Y )] = V ar[X] + V ar[Y ] + 2Cov[X, Y ]
(b) Similar a la anterior.
Estad
stica
3.19
Ejercicio 3.1 Sea (X, Y ) una variable aleatoria bidimensional. Demostrar que
Cov[aX + b, cY + d] = ac Cov[X, Y ] ,
a, b, c, d, R .
Cov[X, Y ]
.
V ar[X] V ar[Y ]
El coeciente de correlacin lineal es una medida de la relacin lineal entre dos variables (su
o
o
interpretacin es anloga a la que se vio en Descriptiva). Obsrvese que signo()=signo(Cov[X, Y ]).
o
a
e
Denicin 3.24 X e Y son variables aleatorias incorreladas si y slo si Cov[X, Y ] = 0 . (Equivao
o
lentemente X,Y = 0).
Ejemplo 3.19 Consideremos la variable aleatoria bidimensional (X, Y ) con Y : el tiempo de espera
en cola y X : el tiempo total que un cliente permanece en una ocina bancaria, ambos en minutos,
(X es el tiempo de espera en cola ms el tiempo que se invierte en atender al individuo). De estas
a
variables se conocen las siguientes caracter
sticas:
marginal de X
marginal de Y
E[X] = 12
V ar[X] = 72
E[Y ] = 6
V ar[Y ] = 36
Cov[X, Y ] = 36 .
Consideremos la variable aleatoria T = X Y , el tiempo que se tarda en atender a un cliente. Gracias
a las Proposiciones 3.9 y 3.11 podemos calcular:
E[T ] = E[X Y ] = E[X] E[Y ] = 6
3.7
Independencia
Hemos visto que a partir de la distribucin conjunta se puede hallar la distribucin de cada
o
o
componente (stas eran las distribuciones marginales). Cabe preguntarse si a partir de la distribuciones
e
marginales es posible determinar la distribucin conjunta. En general esto no es cierto, slo en el caso
o
o
particular en que las variables sean independientes. En esta seccin estudiamos este caso particular
o
comenzando con el caso bivariante.
Denicin 3.25 Dadas dos variables X e Y son independientes si y slo si
o
o
Caso discreto:
P [X = xi , Y = yj ] = P [X = xi ] P [Y = yj ] ,
Caso continuo:
(xi , yj ) rg(X, Y ) .
(x, y) R2 ,
3.20
2o Ing. Informtica
a
3.7. Independencia
Proposicin 3.12 La denicin de independencia dada es equivalente a que para cualesquiera cono
o
juntos B1 , B2 R
P [X B1 , Y B2 ] = P [X B1 ] P [Y B2 ] .
Nota 3.8 Destacamos que en el caso particular en que las variables sean independientes es posible
calcular la funcin de probabilidad ( fdd) conjunta a partir de las marginales. Esto en general no es
o
o
posible.
Proposicin 3.13 (Propiedades de variables independientes)
o
Si X e Y son independientes entonces E[XY ] = E[X] E[Y ], es decir Cov[X, Y ] = 0 .
Si X e Y son independientes entonces V ar[X + Y ] = V ar[X] + V ar[Y ] .
Ejemplo 3.20 Consideremos la variable aleatoria bidimensional denida en el Ejemplo 3.16, las
variables aleatorias X e Y no son independientes.
Podr
amos justicarlo porque no se verica que
P [X = xi , Y = yj ] = P [X = xi ] P [Y = yj ],
X\Y
0
1
P [Y = yj ]
0
4/25
6/25
10/25
1
6/25
9/25
15/25
P [X = xi ]
10/25
15/25
1
Estad
stica
3.21
Denicin 3.26
o
Caso discreto: X1 , . . . , Xn son independientes si y slo si
o
P [X1 = x1 , . . . , Xn = xn ] = P [X1 = x1 ] . . . P [Xn = xn ] ,
(x1 , . . . , xn ) rg(X1 , . . . , Xn ) .
(x1 , . . . , xn ) Rn
siendo f la funcin de densidad conjunta del vector (X1 , . . . , Xn ), y fXi las funciones de densidad
o
marginales de Xi para i = 1, . . . , n .
V ar[X1 + . . . + Xn ] =
V ar[Xi ] .
i=1
Para nalizar recogemos algunos ejemplos en los que se pretende destacar la aplicabilidad de los
resultados recogidos en esta seccin.
o
Ejemplo 3.22 Tres bater tienen probabilidad de hacer blanco p1 = 0.2 , p2 = 0.3 , p3 = 0.4 ,
as
respectivamente. Encontrar la probabilidad de que se obtengan 3 blancos al disparar las tres bater
as.
Solucin:
o
Para i = 1, 2, 3 podemos denir las siguientes variables aleatorias que nos indican si se hace blanco
o no al disparar cada bater
a
Ii =
1,
0,
La funcin de probabilidad de Ii es
o
P [Ii = 1] = pi ,
P [Ii = 0] = 1 pi .
Podemos suponer que las variables aleatorias Ii son independientes (el resultado de cada disparo
no inuye en el resultado que se obtenga al disparar las restantes bater
as), y por tanto calcular
P [obtener 3 blancos al disparar las tres bater
as] = P [I1 = 1, I2 = 1, I3 = 1] = {Ii independientes} =
= P [I1 = 1] P [I2 = 1] P [I3 = 1] = 0.024 .
3.22
2o Ing. Informtica
a
3.7. Independencia
Ejemplo 3.23 Se prueban tres elementos que trabajan independientemente entre s La duracin del
.
o
tiempo de funcionamiento (en horas) de cada elemento se distribuye segn las siguientes funciones de
u
distribucin:
o
para el primer elemento
para el segundo
para el tercer elemento
Hallar la probabilidad de que en el intervalo de tiempo (0, 5] horas fallen los tres elementos.
Solucin:
o
Denamos las variables aleatorias Ti : tiempo de funcionamiento del elemento i, para i = 1, 2, 3 .
P [en el intervalo de tiempo (0, 5] fallen los tres elementos ] =
= P [ T1 5, T2 5, T3 5 ] = {Ti independientes} =
= P [T1 5] P [T2 5] P [T2 5] = F1 (5) F2 (5) F3 (5)
= (1 e0.5 ) (1 e1 ) (1 e1.5 ) = 0.3935 0.6321 0.7769 = 0.1932 .
Estad
stica
3.23