Professional Documents
Culture Documents
Miguel Chong
Series de tiempo
Variables aleatorias bidimensionales Si el resultado del experimento aleatorio que hacemos da como resultado dos observaciones conjuntas entonces tenemos una variable aleatoria bidimensional (X , Y ). Este vector puede ser cualquier punto del plano R R. Cada entrada del vector es una variables aleatorias unidimensionales con su respectivo campo de variaci on o rango que nos determinan el rango del vector conjunto. El vector aleatorio (X , Y ) tendr a un campo de variaci on y una funci on distribuci on de probabilidad, que denotaremos FX Y (, ) o distribuci on conjunta, donde FX Y (x , y ) = = P ({X x } {Y y }) P (X x , Y y ) .
Miguel Chong
Series de tiempo
La manera de denir FX Y (x , y ) nos permite calcular la probabilidad de un rect angulo, en t erminos de la funci on de distribuci on conjunta FX Y (, ). Supongamos que x1 < x2 y y1 < y2 , entonces la probabilidad del rect angulo (x1 , x2 ] (y1 , y2 ] est a dada por: P (x1 < X x2 , y1 < Y y2 ) = = P (X x2 , Y y2 ) P (X x1 , Y y2 ) P (X x2 , Y y1 ) + P (X x1 , Y y1 ) FX Y (x2 , y2 ) FX Y (x1 , y2 ) FX Y (x2 , y1 ) + FX Y (x1 , y1 ) .
Miguel Chong
Series de tiempo
Propiedades de FX Y (, )
1
Si y0 es un valor jo y x es una variable entonces FX Y (x , y0 ) es continua por la derecha. Si x0 es un valor jo y y es una variable entonces FX Y (x0 , y ) es continua por la derecha
FX Y (, ) cumple lo siguiente
1 2 3
Miguel Chong
Series de tiempo
Variables Aleatorias bidimensionales discretas Una variable aleatoria bidimensional es discreta cuando las dos variables que componen al vector tienen una distribuci on discreta y por lo tanto (X , Y ) toma una cantidad nita o numerable de puntos con masa positiva. Supongamos que el rango del vector aleatorio son los puntos {(x1 , y1 ) , (x2 , y2 ) , (x3 , y3 ) , . . .} donde P [X = xi , Y = yi ] > 0,
P [X = xi , Y = yi ] = 1.
Miguel Chong
Series de tiempo
Variables Aleatorias bidimensionales continuas Una variable aleatoria bidimensional es continua cuando la funci on de distribuci on FX Y : R2 R es continua y existe una funci on fX Y : R2 R que llamaremos funci on de densidad conjunta, que cumple con
x y
FXY (x , y ) =
fXY (u , v ) dvdu ,
Miguel Chong
Series de tiempo
Independencia entre variables aleatorias Diremos que las variables aleatorias X y Y son independientes, si y s olo si FX Y (x , y ) = FX (x ) FY (y ) para todo (x , y ) R2 o tambi en si fX Y (x , y ) = fX (x ) fY (y ) para todo (x , y ) R2 . Podemos hablar de vectores aleatorios de dimensi on mayor a tres. Supongamos que tenemos n variables aleatorias unidimensionales X1 , X2 , . . . , Xn . Entonces podemos denir la La funci on de distribuci on conjunta de X1 , X2 , . . . , Xn como FX1 X2 Xn : Rn [0, 1] dada por FX1 X2 Xn (x1 , x2 , . . . , xn ) = P (X1 x1 , X2 x2 , . . . , Xn xn ) . Si suponemos independencias entre las variables aleatorias X1 , X2 , . . . , Xn entonces tenemos que FX1 X2 Xn (x1 , x2 , . . . , xn ) = =
i =1 n
P (Xi xi )
=
i =1
F (xi ) .
o equivalentemente
n
fX1 X2 Xn (x1 , x2 , . . . , xn )
Miguel Chong
=
i =1
fXi (xi ) .
Series de tiempo
Esperanza La esperanza (matem atica), valor esperado o media de una v.a. X es un promedio ponderado de acuerdo a la distribuci on probabilidad. El valor esperado o esperanza de una v.a. X, lo denotaremos por E (X ), y lo calcularemos como sigue:
x Rango(X ) x P (X xfX
= x)
E (X ) =
(x ) dx
Miguel Chong
Series de tiempo