Professional Documents
Culture Documents
Probabilístico
• v.a. real.
• Función distribución de probabilidad (FDP) de una v.a.
real.
• Clasificación de las v.a.
• Función densidad de probabilidad (fdp) de una v.a. real
• Vectores aleatorios
• FDP y fdp de un vector aleatorio
• FDP y fdp condicionales
Objetivos
𝑥: Ω↦ℝ
𝜔 ↦ 𝑥(𝜔)
𝜔 𝑥 ℝ
Ω
Ejemplo 1: v.a. real
𝑛 circuitos
200
terminales CENTRAL A CENTRAL B
telefónicos
𝑛 = 20
Ω = 𝑎, 𝑏, … , 𝑧
𝑥 𝜔 = 0 ; se ω es vocal
𝑥 𝜔 = 1 ; se ω es consonant𝑒
Ω = 𝑎, 𝑏, 𝑐, … , 𝑒, … , 𝑖, 𝑗, … , 𝑜, … , 𝑢, 𝑦, 𝑧
0 1 ℝ
Variable Aleatoria Real
Definición 2: Variable Aleatoria Real
Una variable aleatoria 𝑥 es una función real, definida en Ω, tomando valores en
el conjunto ℝ de los números reales, y satisfaciendo las siguientes condiciones
i. para cualquier número real 𝑋 ∈ ℝ, el conjunto
𝐴𝑋 = 𝜔 ∈ Ω: 𝑥(𝜔) ≤ 𝑋
es un evento;
ii. 𝑃 𝜔 ∈ Ω: 𝑥 𝜔 = −∞ = 𝑃 𝜔 ∈ Ω: 𝑥 𝜔 = ∞ = 0
𝑥(𝜔)
ℝ
Ejemplo 3: v.a. real
Considere la experiencia que consiste en el lanzamiento de un
dado y cuyo resultado es el número de puntos de la cara
observada.
Designando el punto de muestra
asociado a la observación de la Ω
cara 𝑖 = 1, … , 6 por 𝜔𝑖 , se tiene 𝜔1 𝜔2 𝜔3 𝜔4 𝜔5 𝜔6
el siguiente espacio de muestra
Ω = 𝜔1 , 𝜔2 , 𝜔3 , 𝜔4 , 𝜔5 , 𝜔6
𝑥 𝜔𝑖 = (𝑖 − 3)2 0 1 4 9 ℝ
Ejemplo 3: v.a. real
Para este mapa particular, el subconjunto 𝐴𝑋 , definido por
𝐴𝑋 = 𝜔 ∈ Ω: x(ω) ≤ 𝑋
es dado por
∅ ; −∞ < 𝑋 < 0
𝜔3 ; 0 ≤ 𝑋 < 1
𝐴𝑋 = 𝜔2 , 𝜔3 , 𝜔4 ;1 ≤ 𝑋 < 4
𝜔1 , 𝜔2 , 𝜔3 , 𝜔4 , 𝜔5 ;4 ≤ 𝑋 < 9
Ω ;9 ≤ 𝑋 < ∞
FUNCIÓN DISTRIBUCIÓN DE
PROBABILIDAD DE UNA VARIABLE
ALEATORIA REAL
FDP de una v.a. real
Definición 3: Función distribución de probabilidad de una variable aleatoria
Real
Una función distribución de probabilidad (FDP) de una v.a. 𝑥 es una función 𝐹𝑥
definida por
𝐹𝑥 : ℝ ↦ ℝ
𝑋 ↦ 𝐹𝑥 𝑋 = 𝑃 𝐴𝑋
donde 𝐴𝑋 es el evento definido anteriormente en conexión con la definición 2
(v.a. real), dado por
𝐴𝑋 = 𝜔 ∈ Ω: 𝑥(𝜔) ≤ 𝑋
𝑃 ∅ ; −∞ < 𝑋 < 0
𝑃 𝜔3 ; 0≤𝑋<1
𝐹𝑋 (𝑋) = 𝑃(𝐴𝑋 ) = 𝑃(*𝜔2 , 𝜔3 , 𝜔4 +) ; 1≤𝑋<4
𝑃(*𝜔1 , 𝜔2 , 𝜔3 , 𝜔4 , 𝜔5 +) ; 4≤𝑋<9
𝑃(Ω) ; 9≤𝑋<∞
𝑋
Ejemplo 5: FDP v.a.
Considere una fuente de información que produce dos tipos de
mensajes: el mensaje 𝑀1 con probabilidad de ocurrencia 𝑝 y un
mensaje 𝑀2 con probabilidad de ocurrencia 1 − 𝑝 .
1; 1 ≤ 𝑋 < ∞
FDP de una v.a. real
La probabilidad de que una v.a. asuma valores en
cualquier subconjunto de ℝ puede ser fácilmente
determinada a partir de la FDP de la v.a.
Se verifica que
𝑃 𝑎 < 𝑥 ≤ 𝑏 = 𝐹𝑥 𝑏 − 𝐹𝑥 (𝑎)
𝑃 𝑥 = 𝑎 = 𝐹𝑥 𝑎 − lim 𝐹𝑥 (𝑎 − 𝜖)
𝜖→0
Propiedades de la FDP de una v.a. real
Propiedad 1:
i. 𝐹𝑥 −∞ = 0
ii. 𝐹𝑥 +∞ = 1
iii. 𝐹𝑥 es monótona no decreciente
iv. 𝐹𝑥 es continua por la derecha Demostrar
ConcepTest 2
0; 𝑥 <0
𝑓 𝑥 = 𝑥2 ; 0 ≤ 𝑥 ≤ 1
1; 𝑥 >1
ConcepTest 2
0; 𝑥 <0
𝑓 𝑥 = 𝑥2 ; 0 ≤ 𝑥 ≤ 1
1; 𝑥 >1
0; 𝑥 <0
𝑓 𝑥 = 𝑥2 ; 0 ≤ 𝑥 ≤ 1
1; 𝑥 >1
<
Si se cambia el símbolo como se muestra, la función
representa una FDP de una v.a.?
ConcepTest 2
0; 𝑥 <0
𝑓 𝑥 = 𝑥2 ; 0 ≤ 𝑥 < 1
1; 𝑥 >1
1
a. 𝑃 𝑥 = 2
b. 𝑃(𝑥 = 1) 3
1 5 4
c. 𝑃 2 < 𝑥 ≤ 2
𝑋
ConcepTest 3
1 1 1
a. 𝑃 𝑥 = 2
= 𝐹𝑥
2
− lim 𝐹𝑥 − 𝜖
2
=
𝜖→0
2 1 2 2
+ 0,5 − = 0
9 2 9
3
b. 𝑃 𝑥 = 1 = 𝐹𝑥 1 − lim 𝐹𝑥 1 − 𝜖 = − 4
𝜖→0
1 1
=
2 4
1 5 5 1
c. 𝑃 <
2
𝑥≤
2
= 𝐹𝑥
2
− 𝐹𝑥
2
= 0,65
CLASIFICACIÓN DE VARIABLES
ALEATORIAS
Clasificación de v.a.
• Usualmente se clasifican en tres tipos:
– v.a. discretas
– v.a. continuas
– v.a. mixtas
• Se definen en razón del a FDP.
Discreta Continua
v.a. discreta
Para una v.a. discreta su contradominio Ω𝑥 es un conjunto de puntos
isolados (finito o infinito, pero numerable). Esto significa que
Ωx = *X1 , X 2 , … +
𝑃 𝑥 = 𝑋𝑖 = 𝑃 𝜔 ∈ Ω: 𝑥 𝜔 = 𝑋𝑖 = 𝑝𝑖 ; 𝑖 = 1,2, …
𝐹𝑥 𝑋
1 1
𝐹𝑥 = 𝑋 = ,𝑢 𝑋 + 𝑢 𝑋 − 9 - + ,𝑢 𝑋 − 1 + 𝑢(𝑋 − 4)-
6 3
v.a. discreta
Definición 4: v.a. discreta
Una variable aleatoria es dicha discreta cuando su FDP se escribe
𝐹𝑥 𝑋 = 𝑃 𝑥 = 𝑋𝑖 𝑢(𝑋 − 𝑋𝑖 )
𝑖
(𝑋𝑖 ∈ Ω𝑥 )
con 𝑢( ) representando la función escalón unitario, dada por
0; 𝑋 < 0
𝑢(𝑋) =
1; 𝑋 ≥ 0
La probabilidad asociada a un evento 𝐼 ⊂ ℝ cualquiera puede ser escrita
𝑃(𝐼) = 𝑃 𝑥 = 𝑋𝑖
𝑖
(𝑋𝑖 ∈ 𝐼)
v.a. continua
Definición 5: v.a. continua
Una v.a. 𝑥 es dicha continua cuando su función distribución de
probabilidad es continua y diferenciable en casi todos los puntos (𝐹𝑥 y no
diferenciable en apenas un número contable de puntos).
v.a. continua
0; 𝑋 < −𝑉
1 1
𝐹𝑥 = 𝑋 𝑋 + ; −𝑉 ≤ 𝑋 ≤ 𝑉
2𝑉 2
1; 𝑋>𝑉
v.a. mixta
Definición 6: v.a. mixta
Una v.a. 𝑥 es dicha mixta cuando su FDP se escribe como una suma de una
función 𝐶𝑥 𝑋 continua y diferenciable en casi todos los puntos es una función
𝐷𝑥 (𝑋) que se expresa como una suma ponderada de funciones escalón
unitario, o sea
𝐹𝑥 𝑋 = 𝐶𝑥 𝑋 + 𝐷𝑥 𝑋
= 𝐶𝑥 𝑋 + 𝑎𝑖 𝑢 𝑋 − 𝑏𝑖
𝑖
FDP
𝐹𝑥 𝑋 = 𝐶𝑥 𝑋 + 𝑖 𝑃 𝑥 = 𝑋𝑖 𝑢(𝑋 − 𝑋𝑖 )
donde 𝐶𝑥 es una función continua, monótona no decreciente y diferenciable
en cualquiera de los puntos, y 𝑢( ) es la función escalón unitario.
FUNCIÓN DENSIDAD DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA REAL
fdp de una v.a. real
Definición 7: fdp de una v.a. real
La función densidad de probabilidad de una v.a. 𝑥 definida como
la derivada de su función distribución de probabilidad, o sea
𝑑
𝑝𝑥 𝑋 = 𝐹𝑥 (𝑋)
𝑑𝑥
∞
𝑡
𝑓 𝑥 𝛿 𝑥 − 𝑎 𝑑𝑥 = 𝑓(𝑎) 0 𝜏
−∞
𝛿 𝑥 =0; 𝑥≠0
fdp de una v.a. real
𝑑
𝑝𝑥 𝑋 = 𝐶𝑥 𝑋 + 𝑖 𝑃 𝑥 = 𝑋𝑖 𝛿(𝑋 − 𝑋𝑖 )
𝑑𝑋
donde 𝐶𝑥 es una función continua, monótona no decreciente y diferenciable
en cualquiera de los puntos, y 𝛿( ) es la función impulso.
v.a.
v.a. de Bernoulli v.a. Binomial
hipergeométrica
v.a. binomial
v.a. geométrica v.a. de Poisson
negativa
Variables aleatorias continuas
v.a. de v.a. de
v.a. Gamma
Rayleigh Cauchy
v.a.
Laplaciana
VARIABLES ALEATORIAS DISCRETAS
Distribución binomial
• A menudo un experimento consiste en pruebas repetitivas,
cada una con dos resultados posibles, los cuales se pueden
marcar como éxito o fracaso.
– Aplicación: prueba de artículos a medida que salen de una
línea de ensamblaje, donde cada experimento puede indicar si
un artículo está defectuoso o no. Elegir cualquiera de los
resultados como éxito.
El proceso se denomina
proceso de Bernoulli.
Cada ensayo se llama
experimento de
Bernoulli.
Distribución binomial: Proceso de Bernoulli
• El proceso de Bernoulli debe tener las siguientes propiedades:
1. El experimento consiste en 𝑛 ensayos que se repiten.
2. Cada ensayo produce un resultado que se puede clasificar como
éxito o fracaso.
3. La probabilidad de un éxito, que se denota con 𝑝, permanece
constante de un ensayo a otro.
4. Los ensayos que se repiten son independientes.
1
2 …
𝑛
«defectuoso»=éxito
«no defectuoso»=fracaso 𝑝 éxito 𝑝 éxito
𝑞 fracaso 𝑞 fracaso
Ensayos independientes
Distribución binomial: Proceso de Bernoulli
De un proceso de ensamble se seleccionan tres artículos al azar, se
inspeccionan y se clasifican como defectuosos o no defectuosos. Un artículo
defectuoso se designa como un éxito. El número de éxitos es una variable
aleatoria 𝑥 que toma valores integrales de 0 a 3.
• Los 8 resultados posibles y los valores correspondiente de 𝑋 se Resultado 𝑿
muestran en la tabla. NNN 0
• Como los artículos se seleccionan de forma independiente de un
proceso que supondremos produce 25% de artículos defectuosos, NDN 1
3 1 3 9 NND 1
𝑃 𝑁𝐷𝑁 = 𝑃 𝑁 𝑃 𝐷 𝑃 𝑁 = = .
4 4 4 64 DNN 1
• Cálculos similares dan las probabilidades para los demás resultados
posibles. NDD 2
• La distribución de probabilidad de 𝑥 es, DND 2
DDN 2
𝑿 0 1 2 3
DDD 3
𝐹𝑥 𝑋 27 27 9 1
64 64 64 64
Distribución binomial
𝑝𝑥 𝑋 = 𝐶𝑛𝑖 𝑝𝑖 𝑞 𝑛−𝑖 𝛿 −𝑖 ;
𝑖=0
0 ≤ 𝑝 ≤ 1 ,𝑞 = 1 − 𝑝
• Aplicaciones
– Ingeniero industrial: ampliamente interesado en la
«proporción de artículos defectuosos» en cierto
proceso industrial.
• Las mediciones de control de calidad y los esquemas de
muestreo para procesos se basan en la distribución binomial.
– Aplicaciones médicas y militares:
• «cura» o «no cura», importante en trabajo farmacéutico.
• «dar en el blanco» o «fallar», resultado de lanzar un proyectil
guiado.
– Telecomunicaciones, redes ad-hoc
Distribución de Poisson
• Experimento de Poisson: Experimentos que
producen valores numéricos de una variable
aleatoria 𝑥, el número de resultados que
ocurren durante un intervalo de tiempo
determinado o en una región específica.
– El intervalo puede ser de cualquier duración,
como un minuto, un día, una semana, un mes o
incluso un año.
• Generar observaciones para la variable aleatoria 𝑥 que
representa el número de llamadas telefónicas por hora
que recibe una oficina,
• el número de días que una escuela permanece cerrada
debido a la nieve durante el invierno.
Distribución de Poisson
fdp FDP
Distribución uniforme
Suponga que el tiempo máximo que se puede reservar una sala de conferencias grande
de cierta empresa son cuatro horas. Con mucha frecuencia tienen conferencias extensas
y breves. De hecho, se puede suponer que la duración 𝑥 de una conferencia tiene una
distribución uniforme en el intervalo ,0, 4-.
a. ¿Cuál es la función de densidad de probabilidad?
b. ¿Cuál es la probabilidad de que cualquier conferencia determinada dure al menos 3
horas?
Solución:
a. La función de densidad apropiada para la v.a. 𝑥 distribuida uniformemente en esta
situación es
1
𝑝𝑥 (𝑋) = 4 ; 0 ≤ 𝑋 ≤ 4,
0; en otro 𝑐𝑎𝑠𝑜
41 1
b. 𝑃 𝑥 ≥ 3 = 3 4
𝑑𝑥 = 4 .
Distribución normal o Gaussiana
FDP
fdp
Distribución normal o Gaussiana
• Una vez que se especifican 𝑚 y 𝜍, la curva normal queda
determinada por completo.
• Dos curvas normales que tienen misma 𝜍 pero diferentes
𝑚:
– Curvas idénticas en forma,
– centradas en diferentes posiciones a lo largo del eje horizontal.
• Dos curvas normales con la misma 𝑚 pero con 𝜍
diferentes:
– Las dos curvas están centradas exactamente en la misma
posición sobre el eje horizontal;
– La curva con la mayor 𝜍 es más baja y más extendida.
(Recordar que el área bajo la curva de probabilidad debe ser
igual a 1)
Distribución normal o Gaussiana
Propiedades de la curva normal:
1. La moda, que es el punto sobre el eje horizontal donde la
curva tiene su punto máximo, ocurre en X = 𝑚.
2. La curva es simétrica alrededor de un eje vertical a través
de la media 𝑚.
3. La curva tiene sus puntos de inflexión en X = 𝑚 ± 𝜍, es
cóncava hacia abajo si 𝑚 − 𝜍 < 𝑥 < 𝑚 + 𝜍, y es cóncava
hacia arriba en otro caso.
4. La curva normal se aproxima al eje horizontal de manera
asintótica, conforme nos alejamos de la media en
cualquier dirección.
5. El área total bajo la curva y sobre el eje horizontal es igual
a uno.
Distribución normal o Gaussiana
Definición 8: fdp normal o gaussiana
Una v.a. 𝑥 es normalmente distribuida (gaussiana) cuando su fdp
tiene la forma
1 𝑋−𝑚 2
−
𝑝𝑥 𝑋 = 𝑒 2𝜎2 ; 𝑚 ∈ ℝ ; 𝜍 > 0
2𝜋𝜍
La FDP correspondiente es
𝑋
𝑋−𝑚
𝐹𝑥 𝑋 = 𝑝𝑥 𝑋 𝑑𝑋 = 1 − 𝑄
−∞ 𝜍
donde
∞ 𝑢2
1
𝑄 𝛼 = 𝑒 − 2 𝑑𝑢
2𝜋 𝛼
Distribución normal o Gaussiana
Área bajo la curva normal
• La curva de cualquier distribución continua de probabilidad o función de densidad
se construye de manera que el área bajo la curva limitada por las dos ordenadas
X = 𝑋1 y 𝑋 = 𝑋2 sea igual a la probabilidad de que la variable aleatoria 𝑥 tome el
valor entre X = 𝑋1 y 𝑋 = 𝑋2 .
1 𝑋2 𝑋−𝑚 2
−
𝑃 𝑋1 < 𝑥 < 𝑋2 = 𝑒 2𝜎2 𝑑𝑋
2𝜋𝜍 𝑋1
Distribución normal o Gaussiana
Las dos regiones sombreadas tienen tamaños diferentes; por lo tanto, la probabilidad
asociada con cada distribución será diferente para los dos valores dados de 𝑥
Función Q
𝑋
𝑋−𝑚
𝐹𝑥 𝑋 = 𝑝𝑥 𝑋 𝑑𝑋 = 1 − 𝑄
−∞ 𝜍
donde
∞ 𝑢2
1
𝑄 𝛼 = 𝑒 − 2 𝑑𝑢
2𝜋 𝛼
𝑄 𝑋 = 1 − 𝑄(−𝑋)
Función Q
Distribución normal o Gaussiana
Dada una distribución normal estándar, calcule el área bajo la curva que se localiza
a. a la derecha de 𝑍 = 1.84, y
b. entre 𝑍 = −1.97 y 𝑍 = 0.86
Solución:
a. 𝑄 1.84 = 0.0329
b. 1 − 𝑄 0.86 − 1 − 𝑄 −1.97 = 1 − 𝑄 0.86 − 𝑄 1.97 = 1 − 0.1949 −
0.0244 = 0.7807
Modelo de Señales para Sistema DS-CDMA
Ruido gaussiano
Fuente: Francisco A. Sandoval, Orientador: PhD. Raimundo Sampaio Neto. Novos Receptores com Posto Reduzido e suas
Aplicações em Sistemas Baseados em DS-CDMA. Pontifícia Universidade Católica do Rio de Janeiro – PUC-RIO. 2013
Ruido AWGN en Sinusoide
Exponencial
Definición 10: fdp exponencial
Una v.a. 𝑥 es exponencialmente distribuida cuando su fdp tiene la
forma
𝑝𝑥 𝑋 = 𝑎𝑒 −𝑎𝑋 𝑢 𝑋 ; 𝑎 > 0
fdp FDP
Lognormal
Fuente: Francisco A. Sandoval, Orientador: PhD. Raimundo Sampaio Neto. Novos Receptores com Posto Reduzido e suas
Aplicações em Sistemas Baseados em DS-CDMA. Pontifícia Universidade Católica do Rio de Janeiro – PUC-RIO. 2013
Ejemplo 8: Distribuciones comunes
El tiempo de vida de una lámpara, en horas, puede ser modelado
por una variable aleatoria 𝑡 con fdp exponencial, o sea:
𝑝𝑡 𝑇 = 𝑎𝑒 −𝑎𝑇 𝑢 𝑇 ; 𝑎 > 0
Si se examina un gran número de lámparas, se observa que
apenas 50% de las lámparas duran más de 100 horas. Esta
observación sugiere que 𝑃 𝑡 ≤ 100 = 0.5.
Calcule
a) el valor de la constante 𝑎,
b) la función distribución de probabilidad de la variable 𝑡 y
c) la probabilidad de una lámpara durar mas de 200 horas.
Ejemplo 8: Distribuciones comunes
Cálculo del valor de la constante 𝑎:
100
𝑃 𝑡 ≤ 100 = 𝑎𝑒 −𝑎𝑇 𝑑𝑇 = 0,5
0
por cuanto:
ln 2
𝑎= = 0.0069
100
𝐹𝑡 𝑇 = 1 − 𝑒 −𝑎𝑇 𝑢(𝑇)
Finalmente:
𝑥 : Ω ⟼ ℝ𝑛
𝜔⟼𝒙 𝜔
Vectores Aleatorios
Definición 11: Vector Aleatorio
Un vector aleatorio 𝒙 es una función vectorial de dimensión 𝑛
cuyo dominio es Ω, y tal que
i. para cualquier 𝑿 ∈ ℝ𝑛 , el conjunto 𝐴𝑿 = *𝜔 ∈ Ω ∶ 𝒙 ≤ 𝑿+ es
un evento. La notación (𝒙 ≤ 𝑿) es una forma compacta de
escribir
(𝑥1 𝜔 ≤ 𝑋1 , 𝑥2 𝜔 ≤ 𝑋2 , … , 𝑥𝑛 𝜔 ≤ 𝑋𝑛 )
ii. 𝑃 𝑥1 𝜔 ≤ 𝑋1 , 𝑥2 𝜔 ≤ 𝑋2 , … , 𝑥𝑖 𝜔 = +∞, … , 𝑥𝑛 𝜔 ≤ 𝑋𝑛 = 0 ; ∀𝑖
iii. 𝑃 𝑥1 𝜔 ≤ 𝑋1 , 𝑥2 𝜔 ≤ 𝑋2 , … , 𝑥𝑖 𝜔 = −∞, … , 𝑥𝑛 𝜔 ≤ 𝑋𝑛 = 0 ; ∀𝑖
Ejemplo 9: Vector Aleatorio
Considere el lanzamiento de una moneda. El espacio de muestras
asociado a esta experiencia es el conjunto
Ω = *cara, sello+
0 ; 𝑿 ∈ ℛ1
𝐹𝑥 = 𝑿 = 𝑃 𝐴𝑿 = 𝑝 ; 𝑿 ∈ ℛ2
1 ; 𝑿 ∈ ℛ3
Ejemplo 12: FDP vector aleatorio
Considere nuevamente la situación del ej. 10, donde un terminal
transmite datos para un computador utilizando dígitos binarios
(bits) a través de un canal de transmisión ruidoso.
Asuma que las probabilidades de transmitir cada uno de los
1
dígitos son iguales, o sea, 𝑃 𝑥1 = 0 = 𝑃 𝑥1 = 1 = . Obtenga
2
la FDP del vector aleatorio 𝒙 considerando el evento 𝐴𝑿 .
0; 𝑿 ∈ ℛ1
𝑝
; 𝑿 ∈ ℛ2
2
1
𝐹𝑥 (𝑿) = 𝑃(𝐴𝑿 ) = ; 𝑿 ∈ ℛ3
2
1
; 𝑿 ∈ ℛ4
2
1; 𝑿 ∈ ℛ5
Propiedades de la FDP de un Vector aleatorio
𝐹𝑥 𝑿 = 𝑃 𝐴𝑿 = 𝑃 𝒙 ≤ 𝑿 = 𝑃(𝑥1 ≤ 𝑋1 , 𝑥2 ≤ 𝑋2 , … , 𝑥𝑛 ≤ 𝑋𝑛 )
Se tiene:
lim 𝐹𝒙 𝑿 = 𝑃 𝑥1 ≤ ∞, 𝑥2 ≤ ∞, … , 𝑥𝑗 ≤ 𝑋𝑗 , … , 𝑥𝑛 ≤ ∞
𝑋𝑖 →∞
𝑖=1,…,𝑛
𝑖≠𝑗
= 𝑃 𝑥𝑗 ≤ 𝑋𝑗 = 𝐹𝑥𝑗 𝑋𝑗
Esta propiedad indica la manera por la cual es posible obtener, a partir de una función
distribución de probabilidad conjunta de varias variables, las funciones distribución de
probabilidad de cada una de ellas.
Propiedades de la FDP de un Vector aleatorio
Ej. de Propiedad v.
Considere la FDP del ejemplo 12. Determinar las funciones
distribución de probabilidad de las componentes 𝑥1 y 𝑥2 del vector
𝒙.
0 ; −∞ < 𝑋1 < 0
1
Fx1 X1 = lim F𝐱 𝐗 = ; 0 ≤ 𝑋1 < 1
X2 →∞ 2
1 ; 1 ≤ 𝑋1 < ∞
0 ; −∞ < 𝑋2 < 0
1
Fx2 X2 = lim F𝐱 𝐗 = ; 0 ≤ 𝑋2 < 1
X1 →∞ 2
1 ; 1 ≤ 𝑋2 < ∞
FUNCIÓN DENSIDAD DE PROBABILIDAD
DE UN VECTOR ALEATORIO
Función densidad de probabilidad de un vector aleatorio
𝑝𝒙 𝑿 = 𝑝𝑥1 𝑥2 …𝑥𝑛 𝑋1 , 𝑋2 , … , 𝑋𝑛
𝛿𝑛
= 𝐹𝑥1 𝑥2 …𝑥𝑛 (𝑋1 , 𝑋2 , … , 𝑋𝑛 )
𝛿𝑋1 𝛿𝑋2 … 𝛿𝑋𝑛
𝑋1 𝑋2 𝑋𝑛
… 𝑝
−∞ 𝑥1 𝑥2 …𝑥𝑛
𝑢1 , 𝑢2 , … , 𝑢𝑛 𝑑𝑢1 𝑑𝑢2 … 𝑑𝑢𝑛
i. −∞ −∞
= 𝐹𝑥1 𝑥2 …𝑥𝑛 𝑋1 , 𝑋2 … 𝑋𝑛
∞ ∞ ∞
ii. −∞ −∞
… 𝑝
−∞ 𝑥1 𝑥2 …𝑥𝑛
𝑋1 𝑋2 … 𝑋𝑛 𝑑𝑋1 𝑑𝑋2 … 𝑑𝑋𝑛 = 1
∞ 𝑋𝑗 ∞
−∞ −∞
… 𝑝 𝑢 , 𝑢 , … , 𝑢𝑛
−∞ 𝑥1 𝑥2 …𝑥𝑛 1 2
𝑑𝑢1 𝑑𝑢2 … 𝑑𝑢𝑛
iv. ∞
= −∞ 𝑝𝑥𝑗 𝑢𝑗 𝑑𝑢𝑗 = 𝐹𝑥𝑗 𝑋𝑗
Propiedades de la fdp de un vector aleatorio
vi. 𝑃 𝒙 ∈ 𝒮 = … 𝑝
𝒮 𝑥1 𝑥2 …𝑥𝑛
𝑋1 , 𝑋2 , … , 𝑋𝑛 𝑑𝑋1 𝑑𝑋2 … 𝑑𝑋𝑛
La propiedad v indica la manera por la cual es posible obtener, a partir de una función
densidad de probabilidad conjunta de varias variables, las funciones densidad de
probabilidad de cada una de ellas.
Propiedades de la fdp de un vector aleatorio
∞
𝑝𝑦 𝑌 = 𝑝𝑥𝑦 𝑢, 𝑌 𝑑𝑢
−∞
Ejemplo 14: Propiedades de la fdp de un vector aleatorio
Un tren llega a una estación y para por cinco minutos antes de proseguir. El
instante de llegada del tren, contando a partir de las 9:00, en minutos, puede
ser modelado por una v.a. 𝑡 con función densidad de probabilidad
𝑝𝑡 𝑇 = 0.15𝑒 −0.15𝑇 𝑢(𝑇)
1. Calcule la probabilidad de que el tren llegue antes de las 9:20.
2. Asuma que un estudiante quiere llegar a tomar el tren
a) Determine el máximo atraso que el estudiante puede tener para que la
probabilidad de que el tome el tren sea mayor que 0.5.
b) Considere que el instante de llegada del estudiante a la estación
(contado a partir de las 9:00, en minutos) sea una v.a. 𝑥, y que la fdp
conjunta de las variables 𝑡 y 𝑥 sea dada por
Demostrar
FDP y fdp condicionales
Definición 16: Independencia Estadística entre Dos Variables
Aleatorias.
Dos variables aleatorias 𝑥 y 𝑦 son estadísticamente
independientes cuando
𝐹𝑥𝑦 𝑋, 𝑌 = 𝐹𝑥 𝑋 𝐹𝑦 (𝑌)
www.fralbe.com