Beruflich Dokumente
Kultur Dokumente
Definición: sean y variables aleatorias continuas con función de distribución conjunta .
Si existe una función no negativa llamada función de densidad conjunta, tal que:
𝑦1 𝑦2
𝐹 ( 𝑦1 , 𝑦 2)=∫ ∫ 𝑓 (𝑡 ¿ ¿1 , 𝑡 2) 𝑑 𝑡2 𝑑𝑡 1 ¿
−∞ −∞
Recordemos que para el caso de una variable aleatoria continua, la distribución acumulada es:
𝑦
𝐹 ( 𝑦)= ∫ 𝑓 ( 𝑡 ) 𝑑𝑡
−∞ 𝑦2 𝑦1
Para dos variables aleatorias es: 𝐹 ( 𝑦1 , 𝑦 2)=∫ ∫ 𝑓 (𝑡 ¿ ¿1 , 𝑡 2) 𝑑 𝑡1 𝑑𝑡 2 ¿
−∞ −∞
Distribuciones Conjuntas de Probabilidad
Definiciones en variables continuas
Definición: si y son variables con función de distribución conjunta , entonces:
Definición: sean y variables aleatorias continuas con función de probabilidad conjunta
entonces las funciones de densidad marginal de y , vienen dadas por:
∞ ∞
𝑓 ( 𝑦 1 ) =∫ 𝑓 ( 𝑦 1 , 𝑦2 ) 𝑑 𝑦 2 ; 𝑓 ( 𝑦 2 ) =∫ 𝑓 ( 𝑦 1 , 𝑦 2 ) 𝑑 𝑦 1
−∞ −∞
𝑎 𝑏
𝐹 ( 𝑎 ,𝑏 )=𝑃 ( 𝑦 1 ≤ 𝑎 , 𝑦 2 ≤ 𝑏 ) =∫ ∫ 𝑓 ( 𝑦 ¿ ¿ 1, 𝑦 2 )𝑑 𝑡 2 𝑑𝑡 1 ¿
−∞ −∞
Algunosejemplos
5 ∞
𝑃 ( 𝑦 1 ≤ 5 , 𝑦 2 ≥ 3 )= ∫ ∫ 𝑓 ( 𝑦 ¿ ¿ 1 , 𝑦 2) 𝑑 𝑡 2 𝑑𝑡 1 ¿
−∞ 3
∞ ∞
𝑃 ( 𝑦 1 ≥ 3 , 𝑦 2 ≥ 10 )=∫ ∫ 𝑓 ( 𝑦 ¿ ¿ 1 , 𝑦 2) 𝑑 𝑡 1 𝑑𝑡 2 ¿
10 3
Distribuciones Conjuntas de Probabilidad
Función de densidad marginal
La función de densidad marginal de es:
∞
𝑓 ( 𝒚 𝟏 ) = ∫ 𝒇 ( 𝒚 𝟏 , 𝒚𝟐 ) 𝒅 𝒚 𝟐
−∞
Definición:
sean y variables aleatorias continuas con función de probabilidad conjunta y
funciones de probabilidad marginal y , respectivamente. Para cualquier tal que , la
densidad condicional de dado , está dada por:
𝑓 ¿
y, para cualquier tal que , la función densidad condicional de dado , está dada por:
𝑓 ¿
Distribuciones Conjuntas de Probabilidad
Ejemplo de aplicación en economía
Una máquina automática expendedora de bebidas tiene una cantidad aleatoria de debida en
existencia al principio de un día determinado y dosifica una cantidad aleatoria durante el
día (ambas variables con cantidades expresadas en galones). La máquina no se reabastece
durante el día y, en consecuencia, . Se ha observado que y tienen una densidad conjunta
dada por:
1
𝑓 ( 𝑦 1 , 𝑦 2)=
{ 2
; 0 ≤ 𝑦1 ≤ 𝑦2 ≤ 2
0; 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
1
𝑓 ( 𝑦 1 , 𝑦 2)=
{2
; 0 ≤ 𝑦1 ≤ 𝑦2 ≤ 2
0; 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Sabemos que: ∞
𝑓 ( 𝑦 1 ) =∫ 𝑓 ( 𝑦 1 , 𝑦2 ) 𝑑 𝑦 2
−∞
2 2
1
1 1 2 1
𝑓 ( 𝑦 1 ) =∫ 𝑑 𝑦2 𝑓 ( 𝑦 1 ) = ∫ 𝑑 𝑦2 𝑓 ( 𝑦 1 ) = ( 𝑦2 )|𝑦 = (2− 𝑦 1)
𝑦 2 2 𝑦 2 21
1 1
No se puede colocar como límite puesto que la función debe estar en términos de
Distribuciones Conjuntas de Probabilidad
Ejemplo de aplicación en economía
1
𝑓 ( 𝑦 1 , 𝑦 2)=
{2
; 0 ≤ 𝑦1 ≤ 𝑦2 ≤ 2
0; 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Sabemos que:
∞
𝑓 ( 𝑦 2 ) =∫ 𝑓 ( 𝑦 1 , 𝑦2 ) 𝑑 𝑦 1
−∞
𝑦2 𝑦2
1 1 1 𝑦 1
𝑓 ( 𝑦 2 ) =∫ 𝑑 𝑦1 𝑓 ( 𝑦 2 ) = ∫ 𝑑 𝑦1 𝑓 ( 𝑦 2 ) = ( 𝑦1 )|0 = ( 𝑦 2 −0)
2
0
2 2 0 2 2
No se puede colocar como límite puesto que la función debe estar en términos de
Distribuciones Conjuntas de Probabilidad
Ejemplo de aplicación en economía
𝑃 ( 𝑌 2 ≤ 𝑦 2 ,𝑌 1 ≤ 𝑦1 ) = 𝐹 ( 𝑦 2 , 𝑦1 ) = ∫ ∫ 𝑓 ( 𝑦1, 𝑦2 ) 𝑑 𝑡 1 𝑑 𝑡 2
−∞ −∞
Distribuciones Conjuntas de Probabilidad
Ejemplo de aplicación en economía
𝑦2 𝑦1
𝑃 ( 𝑌 2 ≤ 𝑦 2 ,𝑌 1 ≤ 𝑦1 ) = 𝐹 ( 𝑦 2 , 𝑦1 ) = ∫ ∫ 𝑓 ( 𝑦1 , 𝑦2 ) 𝑑 𝑡 1 𝑑 𝑡 2
−∞ −∞
𝑦2 𝑦1
1
𝐹 ( 𝑦 2 , 𝑦 1 ) = ∫∫ 𝑑 𝑡 1 𝑑 𝑡 2
2 0 𝑡 2
𝑦2 𝑦2
1 𝑦
1
𝐹 ( 𝑦 2 , 𝑦 1 ) = ∫ ( 𝑡 1 )|𝑡 𝑑 𝑡 2
1
𝐹 ( 𝑦 2 , 𝑦 1 ) = ∫ ( 𝑦 ¿ ¿ 1 −𝑡 2) 𝑑 𝑡 2 ¿
2 0 2
2 0
Distribuciones Conjuntas de Probabilidad
Ejemplo de aplicación en economía
𝑦2
𝑦2 2
1 𝑡
)|
1
𝐹 ( 𝑦 2 , 𝑦 1 ) = ∫ ( 𝑦 ¿ ¿ 1 −𝑡 2) 𝑑 𝑡 2 ¿
2 0
𝐹 ( 𝑦2 , 𝑦1 )=(2
𝑦1𝑡 2−
2
2 0
2
1 𝑦
𝐹 ( 𝑦2 , 𝑦1 )=
2 (
𝑦 1 𝑦2 −
2
2
) ; 0 ≤ 𝑦1 , 𝑦 2 ≤ 2
Sabemos que:
2
1 𝑦
𝐹 ( 𝑦2 , 𝑦1 )=
2 (
𝑦 1 𝑦2 −
2
2
) ; 0 ≤ 𝑦1 , 𝑦 2 ≤ 2
2
1 1,5
2 (
𝑃(𝑌 ¿ ¿1 ≤ 1,3 , 𝑌 2 ≤ 1,5)= ( 1,3 )( 1,5 ) −
2 )
=0,4125 ¿
Distribuciones Conjuntas de Probabilidad
Ejemplo de aplicación en economía
Sabemos que:
2
1 𝑦
𝐹 ( 𝑦2 , 𝑦1 )=
2 (
𝑦 1 𝑦2 −
2
2
) ; 0 ≤ 𝑦1 , 𝑦 2 ≤ 2
2
1 1,5
2 (
𝑃(𝑌 ¿ ¿1 ≤ 1,3 , 𝑌 2 ≤ 1,5)= ( 1,3 )( 1,5 ) −
2 )
=0,4125 ¿
Distribuciones Conjuntas de Probabilidad
Ejemplo de aplicación en economía
d) ¿Cuál es la probabilidad de que la máquina automática tenga una cantidad de
bebida superior a 1,5 galones y se dosifique una cantidad superior a 1,3 galones en
un
día?
1,5 2 1,5
1 2
𝑃 (𝑌 1 ≥1,3 , 𝑌 2 ≤1,5)= ∫ ∫ 𝑑 𝑡 1 𝑑 𝑡 2=∫ ( 2 −1,3 )|1,3 𝑑𝑡 2
2 0 1,3 0
2
𝑃 ( 𝑌 1 ≥ 1,3 , 𝑌 2 ≤ 1,5 ) =0,8 ( 𝑡1 )|1,3=0,8 ( 2 −1,3 )=0,56
Distribuciones Conjuntas de Probabilidad
Ejemplo de aplicación en economía
f) ¿Las dos variables son independientes?
Para que las dos variables sean independientes, se debe cumplir con la siguiente
condición: 𝑓 ( 𝑦 , 𝑦 ) =𝑓 ( 𝑦 ) ∗ 𝑓 ( 𝑦 )
1 2 1 2
1 1
{
𝑓 ( 𝑦 1 , 𝑦 2)= 2
; 0 ≤ 𝑦1 ≤ 𝑦2 ≤ 2
0; 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑓 ( 𝑦 1 ) = (2 − 𝑦 1 )
2
1 1
≠ (2 − 𝑦1 ) 𝑦2
2 4
Recordemos que:
= “Cantidad de debida en existencia al principio de un día determinado”
= “Cantidad que dosifica la maquina durante el día”
𝑃 ( 𝑦 1 ≤ 1,3 , 𝑦2 <1,5)
𝑃 ( 𝑦 1 ≤ 1,3¿ 𝑦 2 <1,5 ) =
𝑃( 𝑦 2 ≤ 1,5)
1,5
1,5 2
( )|
2 2
1 1 𝑦 1 1,5 0
𝑃 ( 𝑦 2 ≤ 1,5 )=∫ ( 𝑦 2 ) 𝑑 𝑦 2=
0 2
2
2 2 0
= ∗
2 (2
−
2 )
=0,5625
De esta manera:
∞ ∞
E(𝑌 ¿ ¿1 ∗ 𝑌 2)=∫ ∫ 𝑦 1 ∗ 𝑦 2 𝑓 ( 𝑦 ¿ ¿ 1 , 𝑦 2)𝑑 y 2 𝑑 y1 ¿ ¿
−∞ −∞
Al
igual que en variables discretas, la covarianza de dos variables continuas y se define
como:
Cov(𝑌
¿ ¿1,𝑌 2)= E(𝑌 ¿ ¿1∗𝑌 2)− 𝜇1 ∗ 𝜇2 ¿¿
2 𝑦1
1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)=∫ ∫ 𝑦 1 ∗ 𝑦2 𝑑 y 2 𝑑 y 1 ¿
0 0
2
2 𝑦1
1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ ∫ 𝑦 1 ∗ 𝑦 2 𝑑 y 2 𝑑 y 1 ¿
20 0
Los límites de la segunda integral siempre se deben acotar
a valores numéricos, de tal manera que el valor esperado
sea un número.
Distribuciones Conjuntas de Probabilidad
Ejemplo de covarianza en variables continuas
2 𝑦1
1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ ∫ 𝑦 1 ∗ 𝑦 2 𝑑 y 2 𝑑 y 1 ¿
2𝑦 0 1
𝑦1
2 2 2 2
𝑦
( )| 𝑦1
1 1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ 𝑦 1 ∗
2𝑦 1
2
2
0
𝑑 𝑦1¿ E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ 𝑦 1 ∗
2𝑦 1
2 ( )
𝑑 𝑦1¿
2 2
1 3
1 3
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ 𝑦1 𝑑 𝑦 2 ¿ E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ 𝑦1 𝑑 𝑦2 ¿
4𝑦 1
4𝑦 1
2
3
( )| ( )
3
1 𝑦 2 1 2
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= = =1 ¿
4 4 0 4 2
Distribuciones Conjuntas de Probabilidad
Ejemplo de covarianza en variables continuas
Otra manera para calcular el valor esperado de es:
2 2
1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)=∫∫ 𝑦 1 ∗ 𝑦2 𝑑 y 1 𝑑 y 2 ¿
0 𝑦 2
2
2 2
1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ ∫ 𝑦1 ∗ 𝑦2 𝑑 y1 𝑑 y2 ¿
20 𝑦 2
2
2 2
1
()
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫
𝑦
20 2
𝑦2 𝑑 𝑦2 ¿
𝑦
1
| 2
2
2 2 2 3 2 4
1 4 𝑦
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ −
20 2 2 ( 21
)
𝑦2 𝑑 𝑦2 = ∫ 2 𝑦2−
2 0
𝑦
2
𝑑𝑦 2=¿
1 2𝑦 𝑦
2 2
−(8
2
) ( 2 2
)|
0
¿¿
Distribuciones Conjuntas de Probabilidad
Ejemplo de covarianza en variables continuas
2
2 4 1 16
E(𝑌 ¿ ¿1 ∗ 𝑌 2)=
1 2𝑦 𝑦
(
2 2
−
2
8
2
)|
0
¿ 2 (
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= 4 − =1¿
8 )
Por lo que se llega al mismo resultado.
Cov(𝑌
¿ ¿ 1 ,𝑌 2)=1 − 𝜇1 ∗ 𝜇 2 ¿
Se debe calcular el valor esperado de cada una de las variables:
1
𝑓 ( 𝑦 1 ) = ( 2− 𝑦 1 ) ; 0< 𝑦 1< 2
2
Recordemos que
∞ 2 2
1 1 2 2
𝐸 ( 𝑦 1 )= ∫ 𝑦 1 𝑓 ( 𝑦 1 ) 𝑑 𝑦1 =¿ ∫ 𝑦 1( 2 − 𝑦 1) 𝑑 𝑦1 =¿ ∫ ( 2 𝑦1 − 𝑦 1) 𝑑 𝑦 1 = ¿¿
−∞ 2 0 2 0 3
Distribuciones Conjuntas de Probabilidad
Ejemplo de covarianza en variables continuas
1
𝑓 ( 𝑦 2 ) = ( 𝑦 2 ) ; 0< 𝑦2 < 2
2
2
∞ 2 3
𝐸 ( 𝑦 2 )= ∫ 𝑦 2 𝑓 ( 𝑦 2 ) 𝑑 𝑦2 =¿∫
−∞ 0
1
𝑦2 ( 𝑦2 ) 𝑑 𝑦2 =
2 ( )|
1 𝑦
2
2 3 0
4
= ¿
3
2 4 1
De esta manera: Cov(𝑌 ¿ ¿ 1 ,𝑌 2)=1 − ∗ = =0,1111>0 ¿
3 3 3
Por lo anterior, la relación entre las dos variables es positiva, lo que tiene sentido
para el ejemplo aplicado.
= “Cantidad de debida en existencia al principio de un día determinado”
= “Cantidad que dosifica la maquina durante el día”
ó
Distribuciones Conjuntas de Probabilidad
Ejemplo de covarianza en variables continuas
Para el ejemplo, calcular el coeficiente de correlación lineal entre las dos variables
𝐶𝑜𝑣 (𝑌 1 , 𝑌 2)
𝜌=
𝜎1∗ 𝜎2
∞ 2 2
2 21 4 2
2 2 2
−∞
2
𝜎 1 =𝐸 ( 𝑦 1) − 𝜇1= ∫ 𝑦 1 𝑓 ( 𝑦 1 ) 𝑑 𝑦1 − ( )
3
=∫ 𝑦 1 ( 2 − 𝑦 1 ) 𝑑 𝑦1 − =
0 2 9 9
∞ 2 2
4 2 1 16 2
2 2 2
−∞
2
𝜎 2 = 𝐸 ( 𝑦 2) − 𝜇2= ∫ 𝑦 2 𝑓 ( 𝑦 2 ) 𝑑 𝑦2 − ( )
3
=∫ 𝑦2 ( 𝑦 2 ) 𝑑 𝑦 1 −
0 2 9
=
9
0,1111
𝜌= =0,49995 ≅ 50 %
√2 /9∗ √ 2/9
Distribuciones Conjuntas de Probabilidad
Valor esperado y varianza de funciones lineales
Parael ejemplo, supongamos que deseamos calcular el valor esperado y la varianza de la
siguiente función lineal:
2 4
Antes de resolver el ejercicio, recordemos que: 𝐸 ( 𝑦 1 )= 3 ; 𝐸 ( 𝑦 2 )=
3
2 2 2
𝜎 1 =𝜎 2 =
9
;Cov(𝑌
¿ ¿ 1, 𝑌 2 )=0,1111 ¿
Si entonces ,