Professional Documents
Culture Documents
multidimensionales
III examen parcial
Distribucin de probabilidad conjunta
La distribucin de probabilidad conjunta de la
variable aleatoria discreta k-dimensional (X1,X2, ,
Xk), denotada por f X1, X2, , Xk(x1,x2, , xk) esta dada
por:
f X1, X2, , Xk (x1,x2, , xk) = P (X1= x1, X2=x2, , Xk=xk)
para (x1,x2, , xk) IRk. Por simplificacin se usar
la notacin f (x1,x2, , xk) en lugar de f X1, X2, , Xk
(x1,x2, , xk)
Ejemplo pgina 127 1
En el primer semestre de un ao, el padrn de
estudiantes de una escuela universitaria tiene
250 estudiantes activos en el bachillerato. Se les
clasifica en 4 grupos: los de primer, segundo,
tercero y cuarto ao. Los datos se resumen en la
siguiente tabla: Grupo N de estudiantes
1 100
2 70
3 50
4 30
Ejemplo pgina 127 2
Se extrae una muestra de 20 estudiantes, entonces sea
X1:N de estudiantes de primer ao
X2:N de estudiantes de segundo ao
X3:N de estudiantes de tercer ao
X4:N de estudiantes de cuarto ao
La distribucin de probabilidad conjunta de (X1,X2, X3,
X4) es
Distribuciones marginales de
distribuciones k-dimensionales
Dada una distribucin conjunta cualquiera f (x1,x2,
, xk) se pueden calcular muchas distribuciones
marginales. Por ejemplo para k=4 se pueden
calcular las siguientes marginales simples f(x1),
f(x2), f(x3) y f(x4), adems de las marginales
conjuntas f(x1 ,x2), f(x1 ,x3), f(x1 ,x4), f(x2 ,x3),
f(x2 ,x4), f(x1 ,x2 , x3), f(x1 ,x2 , x4), f(x2 ,x3 , x4)
Ejemplo
Para el caso del padrn de estudiantes de una
escuela universitaria podramos calcular f(x2) y
f(x1 , x4)
Distribuciones condicionales
Dada una distribucin conjunta cualquiera f
(x 1 ,x 2 , , x k ) se pueden calcular muchas
distribuciones condicionales. Por ejemplo para
k=4 se pueden calcular las siguientes
condicionales: f(x1 | x2 ,x3 , x4), f(x1 ,x4|x2 ,x3),
f(x2 |x3) entre otros.
Ejemplo
Siguiendo con el ejemplo del padrn de una
escuela universitaria visto anteriormente calcule
la distribucin condicional de X1 y X3 dadas
X2 = x2 y X4= x4, es decir, f(x1 ,x3|x2 ,x4).
Valor esperado de una variable
aleatoria k-dimensional
Teorema 1: Si (X1,X2, , Xk) es una variable k-
dimensional con distribucin de probabilidad
f(x1,x2, , xk) y g(x1,x2, , xk) es una funcin
cualquiera, el valor esperado de g(X1,X2, , Xk),
denotado por E[g(X1,X2, , Xk)] se calcula como:
E[g(X1,X2, , Xk)] = g(x1,x2, , xk) f(x1,x2, , xk),
para todos los posibles valores de (X1,X2, , Xk).
Prueba:
E[a1X1+ a2X2+ + anXn]= (a1X1+ a2X2+ + anXn) f(x1,x2, , xk)
= a1X1 f(x1,x2, , xk) + a2X2 f(x1,x2, , xk)+ + anXn f(x1,x2, , xk)
= a1X1 f(x1,x2, , xk)+ a2X2 f(x1,x2, , xk) + + anXn f(x1,x2, ,
xk)
= a1 X1 f(x1,x2, , xk)+a2 X2 f(x1,x2, , xk) + + an Xn f(x1,x2, ,
xk)
= a1E[X1] + a2E[X2]+ + anE[Xn]
Corolario:
E[X1+ X2+ + Xn]= E[X1] + E[X2]+ + E[Xn]
Como ejercicio
Teorema 3
Corolario 1
Corolario 2
Si X1,X2, , Xn son variables aleatorias
independientes, entonces
Teorema 4
Prueba
Ejemplo pgina 131
Suponga que para las variables aleatorias X1,X2,X3
se tiene que E(X1) = 4, E(X2) = 9, E(X3) = 3,
Var(X1) = 3, Var(X2) = 7, Var(X3) = 5, Cov(X1, X2)
=1, Cov(X2, X3) = 2, Cov(X1, X3) = 3.
c)
Valor esperado y variancia muestrales
en el muestreo aleatorio simple 1
Teorema 5: Suponga que una poblacin consta
de N unidades, U1, U2, , Un y que los valores
respectivos que toma una variable X en esas
unidades son x1,x2, , xN. Sean u1,u2, , un, las n
unidades de una muestra aleatoria simple
seleccionadas en ese orden y X1,X2, , Xn los
valores respectivos de la variable X en esas n
unidades. Entonces la media muestral satisface
Valor esperado y variancia muestrales
en el muestreo aleatorio simple 2
Prueba 1
X1 puede tomar los valores x1,x2, , xN cuyas
respectivas probabilidades son 1/N, 1/N, , 1/N.
Anlogamente sucede para X2,X3, , Xn pues
tienen la misma distribucin de probabilidad de
X1 . Por su parte, (X1,X2) puede tomar los valores
(xi, xj) con probabilidad 1/N(N-1) (suponiendo
muestreo sin reemplazo); lo mismo ocurre para
cualquier par de variables (Xa,Xb) con ab.
Prueba 2
Por tanto
Muestra aleatoria
Definicin: Se dice que n variables aleatorias
X1,X2, , Xn constituyen una muestra aleatoria
de tamao n de una distribucin de probabilidad
discreta f(x), si las variables son independientes
y la distribucin de probabilidad de cada una es
f(x). Es decir, si su distribucin de probabilidad
conjunta f (x1,x2, , xn) se puede expresar como:
f (x1,x2, , xn) = f(x1) f(x2) f(xn)
Ejemplos de la pgina 135
Sea X1, el nmero de puntos obtenido al lanzar un
dado y X2 el nmero de puntos obtenido al lanzar de
nuevo el dado.
A) Halle la distribucin de probabilidad f(x).
B) (X1, X2) es una muestra aleatoria de f(x), halle la
distribucin de la muestra.
Prueba se omite
Distribucin Multinomial
Sean X1,X2, , Xk variables aleatorias. Se dice que
dichas variables tienen una distribucin
multinomial y nos referimos a ellas como
variables aleatorias multinomiales si y solo si su
distribucin de probabilidad conjunta esta dada
por
Ejemplo: Tomado de Miller & Miller
(1999) pgina 199
En una cierta ciudad hay tres estaciones de
televisin. Durante el horario de mxima
audiencia del sbado en la noche, el canal 12
tiene el 50% de audiencia, el canal 10 el 30% y el
canal 3 el 20%. Encuentre la probabilidad de que
en una muestra de 8 televidentes en esa ciudad
elegidos aleatoriamente durante el (prime time)
del sbado en la noche 5 vieran canal 12, 2 canal
10 y 1 canal 3.
Ejemplo
Una empresa lechera desea conocer la opinin
que se tiene sobre sus tres productos estrella,
yogurt light, queso crema y helado de yogurt.
Las preferencias a cerca de los productos son del
10%, 30% y 40% respectivamente. Cul es la
probabilidad de que en una muestra aleatoria de
10 personas tres prefieran el yogurt light, dos
prefieran el queso crema y tres el helado de
yogurt?
Ejemplo pgina 137
En un hogar viven 4 adultos: 2 estn con el
candidato A, uno con el candidato B y uno con el
candidato C. Se selecciona una muestra con
reemplazo de tres personas y se anotan los
nombres de los candidatos que apoyan, sea X1: el
nmero de veces que sale A, X2: el nmero de
veces que sale B y X3: el nmero de veces que
sale C. Cul es la probabilidad conjunta de X1,
X2 y X3 ?
Teoremas relativos a la distribucin
multinomial 1
Si las variables X1,X2, , Xk se distribuyen como una
multinomial de parmetros n y p1, p2, , pk entonces:
1. La distribucin de probabilidad marginal de Xi es
binomial de parmetros n y pi.
2. La distribucin de probabilidad de Xi + Xj , ij, es
binomial de parmetros pi + pj.
3. La distribucin condicional de Xi dado Xj=xj , ij,
es binomial de parmetros n xj y pi /(1 pj)
Teoremas relativos a la distribucin
multinomial 2
4. Cov (Xi + Xj ) = n pi pj para ij.
Binomial
Geomtrica
Binomial Negativa
Multinomial