Upload
ariel-gonzalez-bizama
View
52
Download
3
Embed Size (px)
Citation preview
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
197
Vectores aleatorios bidimensionales continuos ( .... cbav
): Comencemos por definir el concepto de vector aleatorio bidimensional continuo:
DEFINICIÓN:
Sea M un espacio muestral continuo, se dice que X es un vector
aleatorio bidimensional (ó bivariado) continuo a la función:
IRIRMX :
Tal que
IRIRyxMAyxX , ,,1
siendo M un espacio muestral continuo .
El vector aleatorio
X puede representarse por:
IRIRMYXX :),(
,es decir,
))(),(()( MYMXMX
Obs.:
X .... cbav
ssí X e Y son v.a.c. unidimensionales.
DEFINICIÓN:
Sea ),( YXX
un .... cbav
, se define la densidad probabilística
conjunta (f.d.p.c.) denotada por ),( yxf X a
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
198
X
XX
fyx
IRxIRRDf
,
,0:
satisfaciendo las siguientes condiciones:
1) DyxyxfX , 0,
2) 1),(),( dydxyxIyxf DX
Una vez definida la función de densidad conjunta del .... cbav
X
podemos definir otras funciones importantes.
DEFINICIÓN:
Sea ),( YXX
un .... cbav
, con función de densidad probabilística
conjunta fX , se definen las funciones de densidad marginales como:
1) la de X como dyyIyxfxfYDXX )(),()( XDx
2) la de Y como dxxIyxfyfXDXY )(),()( YDy
Estas funciones deben cumplir las siguientes condiciones:
i ) 1)()( dxxIxfXDX
ii) 1)()( dyyIyfYDY
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
199
DEFINICIÓN:
Sea ),( YXX
un .... cbav
, con función de densidad probabilística
conjunta fX , se define la función de distribución conjunta como:
yYxXIPyFy
IRIRF
X
X
;),(x),(x
1,0:
y
DX
x
X dydxyxIyxfyYxXIPyF ),(),(;),(x
DEFINICIÓN:
Sea ),( YXX
un .... cbav
, con fX , )(xf X y )(yfY funciones de
densidad probabilística conjunta y de densidad marginal de X y de Y
respectivamente, se definen las funciones de distribución marginal:
1) de X como:
)()(
,0:
xXIPxFx
IRF
X
XX
donde
x
xDXX dxxIxfxXIPxF )()()()(
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
200
2) de Y como
)()(
,0:
yYIPyFy
IRF
Y
YY
donde
y
YDYY dyyIyfyYIPyF )()()()(
Nota: ,xFxF XX y yFyF XY ,
DEFINICIÓN:
Sea ),( YXX
un .... cbav
, con fX , )(xf X y )(yfY funciones de
densidad probabilística conjunta y de densidad marginal de X y de Y
respectivamente. Se define la función de densidad condicional de X dado
Y= y como:
)()(
),(y
yf
yxfyYXf
Y
X
con 0)(yfY
Nota: )(y solo indica la dependencia que tiene de y
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
201
Análogamente se define la función de densidad probabilística condicional
de Y dado X= x como:
)(
)(
),(x
xf
yxfxXYf
X
X
si 0)(xf X
Nota: )(x solo indica la dependencia que tiene de x
TEOREMA:
Sea ),( YXX
un .... cbav
, con fX , )(xf X y )(yfY funciones de
densidad probabilística conjunta y de densidad marginal de X y de Y
respectivamente.
Entonces las v.a.c. X e Y son independientes ssi
f x y f x f yX X Y ( , ) ( ) ( ) Dyx ),(
COROLARIO: Si X e Y son v.a.c. independientes
)()/( xfyYXf X y )()/( yfxXYf Y
Obs: todas las definiciones y teoremas dados para el caso bidimensional pueden generalizarse a más dimensiones en forma natural.
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
202
Esperanza de vectores aleatorios bivariados continuos y sus
propiedades.
DEFINICIÓN:
Sea ),( YXX
un .... cbav
, con función de densidad probabilística
conjunta f x yX ( , ) y sea IRIRIRDg : , una
función continua entonces si
dydxyxIyxfyxg DX),(),(),(
< ,
se define la esperanza de g(x,y) como número dado por:
dydxyxIyxfyxgyxgE DX),(),(),(),( (**)
**************************************************** Nota:
Si Xyxg ),( (**) da la esperanza marginal de X : XE
Si Yyxg ),( (**) da la esperanza marginal de Y : YE
Si 2),( Xyxg (**) da la esperanza de X 2 : 2XE
Si 2),( Yyxg (**) da la esperanza de Y 2 : 2YE
Si 2])[(),( XIEXyxg (**) da la varianza marginal de X : XV
Si 2])[(),( YIEYyxg (**) da la varianza marginal de Y : YV
Si XYyxg ),( (**) da la esperanza de XY : XYE
DEFINICIÓN:
Sea ),( YXX
un .... cbav
, con función de densidad probabilística
conjunta f x yX ( , ) .Sea X e Y variables aleatorias continuas tal que existe
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
203
la esperanza de cada una de ellas, se llama la covarianza de X e Y al número denotado por:
YIEXIEXYIEYIEYXIEXIEYXCov ),(
PROPIEDADES
E kX = kE X k constante.
E k = k k constante.
E X+Y = E X +E Y X e Y v.a.
E aX+bY = aE X +bE Y X, Y v.a. y a,b constantes.
E XY = E X E Y si X,Y son v.a. independientes.
V kX = k 2 V X k constante.
V k = 0 k constante.
V X+Y = V X +V Y +2COV(X,Y) X,Y v.a.
V X+Y = V X +V Y si X e Y son v.a. independientes.
V aX+bY =a 2 V X +b 2 V Y +2abCov(X,Y) X,Y v.a. y a,b constantes.
Cov(X1,X2) = Cov(X2,X1)
Cov(X,X) = V X
Si X1, X2 son independientes, entonces Cov(X1,X2) = 0
i
n
i
ii
n
i
i XEXE11
X i v.a. y i con i=1,2......n constantes.
),(211
jij
ji
ii
n
i
ii
n
i
i XXCovXVXV
********************************************************
DEFINICIÓN:
Sea ),( YXX
un .... cbav
, con función de densidad probabilística
conjunta f x yX ( , ) y covarianza de X e Y. Se define el coeficiente de
correlación al número:
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
204
2
xy
2xD
YVXV
YXCovXY
)(
),(
Nota: 1. El coeficiente de correlación mide el grado de asociación que
tienen las variables aleatorias X e Y. 2. Si X e Y son independientes entonces la correlación es cero.
3. Una propiedad es que su valor está en el intervalo -1,1 . 4. Si Z=aX+b y W=cY+d donde a,b,c,d son constantes
entonces
XYZWac
ac
Ejemplo:
Encuentre el valor de K para que esta función sea una f.d.p.c.
Considerando la región D encerrada por 2
xy y 2x , como en la
figura 1 2
),()(),( 22 yxIxyxKyxf D
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
205
Entonces:
Ahora la función de densidad marginal de X es
Tarea para el lector: Comprobar que:
1
2
0
2
0
22
x
dydxxyxK
Kdxxyyx
x
1
3
12
0
2
0
32
Kdx
xx 1
242
2
0
43
K
xx 1
1208
2
0
54
34
15K
2
0
22
34
15
x
X dyxyxxf
2
0
32
334
15
x
X
xyyxxf
xIxx
xf X 2,0
43
24234
15
12,0 dxxIxfX
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
206
Y la función de densidad marginal de Y es
Como tarea para el lector se propone comprobar que:
Esperanzas Condicionales
DEFINICIÓN:
Sea ),( YXX
.... cbav
con f.d.p.c. f x yX ( , ) y sea
)(/ xf yYX la función de densidad condicional de X dado Y = y, se
define la esperanza condicional de X dado Y = y como el número:
dxxIxxfyY
XE DyYX )()(/
***********************************************************************
2
2
22
34
15
y
Y dxxyxyf
2
2
223
2334
15
y
Y
yxxyf
yIyyy
yfY 1,0
423
223
8
3
8
34
15
11,0 dyyIyfY
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
207
DEFINICIÓN:
Sea ),( YXX
.... cbav
con f.d.p.c. f x yX ( , ) y sea
)(/ yf xXY la función de densidad condicional de Y dado X = x, se
define la esperanza condicional de Y dado X =x como el número:
dyyIyyfxX
YE DxXY )()(/
**********************************************************************
DEFINICIÓN:
Sea ),( YXX
.... cbav
con f.d.p.c. f x yX ( , ) y sea )(/ xf yYX
la función de densidad condicional de X dado Y = y, se define la varianza condicional de X dado Y = y como el número positivo:
22
yYXE
yYXE
yYXV
en que
dxxIxfxyY
XE DyYX )()(/
22
*************************************************************
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
208
DEFINICIÓN:
Sea ),( YXX
.... cbav
con f.d.p.c. f x yX ( , ) y sea )(/ yf xXY la
función de densidad condicional de Y dado X = x, se define la varianza condicional de Y dado X =x como el número positivo:
22
xXYE
xXYE
xXYV
en que
dyyIyfyxX
YE DxXY )()(/
22
IE ( xxy ) = dyxx
xyxy
x
2
0
43
22
242
)( =
2
043
224
24
1
2
12
1
4
1 x
xx
yxxy
= )12(
)2(62
22
xx
xyy =
)12(8
)8(3
x
xx
IE ( xxy 2) = dy
xx
xyxy
x
2
0
43
222
242
)( =
43
325
24
1
2
13
1
5
1
xx
yxxy
= )12(5
)53(82
23
xx
xyy =
)12(20
)203(2
x
xx
Calculo de la Varianza:
V ( xxy ) = IE ( xxy 2) + (IE ( xxy ))
2
= )12(20
)203(2
x
xx2
2
)12(20
)203(
x
xx = 2
2
12
9603176
x
xx
----------------O-----------------
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
209
4473
335522
33448
43
223
8
3
83
1
4
1
223
8
3
8
23
234
423
23
423
3242
2 423
22
yyy
yyyy
yyy
yxx
yyy
xyx
dx
yyy
xyxx
yyxIE
y
44735
88131356
334440
543
223
8
3
84
1
5
1
223
8
3
8
23
245
423
24
423
4252
2 423
2222
yyy
yyyy
yyy
yxx
yyy
xyx
dx
yyy
xyxx
yyxIE
y
Calculo de la Varianza
yyxV yy
xIE2
2
yyxIE
44735
8813135623
245
yyy
yyyy2
23
234
4473
335522
yyy
yyyy
223
234578
44735
612304813142252
yyy
yyyyyyy
Distribución Multinormal. (Normal K-variada) Anteriormente se estudió la distribución normal de una variable
aleatoria. El concepto de distribución normal puede extenderse para incluir varias variables aleatorias y en particular la distribución normal k-variada se emplea de manera extensa para describir el comportamiento probabilístico de dos o más variables.
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
210
Definición:
Se dice que el vector x
(x1,x2,x3,.....xk) se distribuye como una normal k-variante ssi su f.d.p.c. se distribuye de la siguiente forma:
xx
kx exxxf1
2
1
21
2
1,...,
donde k21 x,........x,xx
k21 ,......,,
xxIE/
=
k*k
2k
k23222
k1312121
x,xcov.......x,xcov
x,xcov........x,xcovx,xcov
Esta última matriz se conoce como matriz de varianzas y covarianzas, ella es simétrica pues la Cov( Xi , Xj )= Cov( Xj , Xi ) para todo i distinto de j.
Observación:
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
211
Todas las f.d.p. marginales son normales de dimensiones menores.
Lo interesante de esta distribución es el poder encontrar las distintas marginales de la distribución normal k-variada .
Ejemplo:
1.1.-Encontrar las f.d.p. marginales 431 ,,1
xxxf x , 652 ,,
2xxxf x
provenientes de una normal k-variada con k=6 con vector de medias
6,4,1,2,3,1
y cuya matriz de varianzas y covarianzas es:
2
24
023
1302
01415
203601
Para encontrar estas marginales cabe recordar que como estas también se distribuyen en forma normal, solo se debe buscar en los subíndices pedidos el respectivo vector de medias y dejar las filas y columnas relacionadas de la matriz de varianzas y covarianzas de acuerdo a las marginales pedidas.
Entonces tenemos que la distribución para el primer caso será:
11431 ,,,1
Nxxxf x
donde 1,2,11
y
3
02
361
1
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
212
y para el segundo
22652 ,,,2
Nxxxf x
donde 6,4,32
y
2
24
201
2
Un caso particular en normales k-variadas es la normal bivariada la cual se representa de la siguiente forma:
,Nx,xf 221y
donde 21 ,
22
2121 x,xcov
o bien,
2
2
2
2 2
1 2
1
2 12
1,
y
y
y
y
x
xXY
x
x
XY
xxxx
XYyx
Yeyxf
donde
XIEx , YIEY , )(2 XVarX , )(2 YVarY y
XY es el coeficiente de correlación entre las variables X e Y definido con
anterioridad ( 1XY ).
Nota: ahora bien, si hacemos XY =0 logramos obtener las condiciones
necesarias de independencia entre las variables X e Y en la distribución normal bivariada, ésta además de ser necesaria, es una condición suficiente por lo siguiente:
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
213
22
2
1
2
1
2
1,
y
y
x
xxx
yx
Xeyxf =
22
2
1
2
1
2
1
2
1 y
y
x
xx
y
x
x
ee
Por lo tanto se obtiene que
f x y f x f yX X Y ( , ) ( ) ( ) Dyx ),(
donde )( )( yfyxf YX son las funciones de densidad marginales
normales univariadas de X e Y respectivamente.
Propiedades.
1.- XIEx , YIEY son las esperanzas marginales
2.-2, xxNX &
2, yyNY
3.-22
11
1; xy
y
xXYx XY
yNyY
Xf ;
22
11
1; yx
x
y
XYy XYxN
xXYf
4.- x
x
y
XYyy
y
xXYx x
xXYIEy
yYXIE 1
11
1
,
5.-22
1
22
1
1 , 1 yXYx xXYV
yYXV XY
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
214
Observación:
Si sabemos que X se distribuye en forma Normal con parámetros
2
1;xN y la variable Y también se distribuye Normal con parámetros
2
2;yN entonces la variable Z= X+Y también se distribuirá normal con
parámetros YXNZ yx ,cov2;~ 2
2
2
1 .
Un caso especial es cuando las variables son independientes lo que
implicaría que la covarianza es 0 por lo tanto 2
2
2
1;~ yxNZ
Ejercicio Resueltos.
1.-Sea ,~,,, 4321
Nxxxxfx con 1,3,2,1
y
4
716
439
2104
Encontrar la distribución de Z=3x1+x2+x3-2x4.
Desarrollo.- i)Método 1.-
2,~ NZ
E[Z]= = 3E[x1]+E[x2]+E[x3]-2 E[x4] = 3*1+2-3-2*1 =0
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
215
V[Z]= 9V(X1)+ V(X2)+ V(X3)+4V(X4)+2[cov(3X1 ,X2) + 3cov(X1 ,X3) + cov(3X1,-2X4) + cov(X2 ,X3) + cov(X2 ,-2X4) + cov(X3,-2X4)] V[Z]= 9*4+9+16+4*4+2( 3*0+3*(-1)-6*2+3-2*4-2*(-7))= 65
65,0~ NZ
ii) Método 2. En forma matricial.
Z=[x1, x2, x3, x4]
2
1
1
3
4321 x,x,x,xZ
2
1
1
3
1,3,2,1ZE
2
1
1
3
=3+2-3-2=0
V[Z]= E[(Z-E[Z])’(Z-E[Z])]= E[(XA-
A)’(XA-
A)]= E[A’(X’-
’)(X-
)A]
= A’ E[(X-
)’(X-
)]A =A´’ A
1,3,2,1ZV
4742
71631
4390
2104
2
1
1
3
2,1,1,3ZV
5
30
4
7
V[Z]=21+4+30+10=65
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
216
2.-Durante años en un test de conocimiento se efectúan dos evaluaciones con 3 preguntas cada una. Los rendimientos en las seis
preguntas se pueden asociar a un vector normal ,~ 6
NX donde
654321 x,x,x,x,x,xX
en que xi se asocia al resultado de la pregunta i
con i=1,2,...,6. La evaluación 1 corresponde a la suma de las preguntas impares y
la evaluación 2 corresponde a la suma de las preguntas pares.
Datos: 11,13,14,9,12,10
6
25
006
2404
10215
032014
a) Determinar la probabilidad que la evaluación 2 sea mayor que 32. b) Determinar la probabilidad que la evaluación 2 sea mayor que la
evaluación 1. c) Si 30 alumnos rinden las 2 evaluaciones, ¿Cuál es la probabilidad que
al menos 6 alumnos tengan una evaluación 1 menor que la 2?. Desarrollo.-
a) Se sabe que la evaluación 2 está compuesta por la suma de las respuestas pares, por lo tanto, si definimos W y S como:
W = la evaluación 1 y S = la evaluación 2
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
217
Pregunta2 2
222 ,~2
Nxfx
Pregunta4 2
444 ,~4
Nxfx
Pregunta6 2
666 ,~6
Nxfx
Por lo que E[X2+X4+X6]= 2+ 4+ 6 =12+14+11 = 37 V[X2+X4+X6]= V(X2)+V(X4)+V(X6)+2 [cov(X2,X4)+cov(X2,X6)+ cov(X4,X6)] =5+6+6+2*2+2*1+2*0 =23
23,37~ NS entonces para el cálculo de la probabilidad tenemos lo
siguiente:
043.1123
3732
23
3732 ZP
SPSP
= 1- (-1.0426) = 0.8515
b)Si hacemos R = S-W entonces tenemos que encontrar la probabilidad de que R>0 y como sabemos que R se distribuye en forma Normal sólo falta encontrar sus parámetros.
23,37~ NS y 15,32~ NW
WSVVNR wsws ,cov2;~
Para el cálculo de la varianza de S con W tenemos lo siguiente: Cov[X2+X4+X6 , X1+X3+X5 ]= [cov(X2,X1) + cov(X2,X3) + cov(X2,X5) + cov(X4,X1) + cov(X4,X3) + cov(X4,X5) + cov(X6,X1) +cov(X6,X3) + cov(X6,X5)]
Cov[S ,W ]= (1-1+0-2+0+0+0+2-2)= -2 V(R)=42
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
218
42,5~ NR
772.0142
50
42
50 ZP
RPRP = 1- (-0.772) = 0.7799
c)Debido a que en general una persona no puede dar dos veces la misma evaluación es que el método para resolverlo sería una hipergeométrica,por ello ésta probabilidad se puede aproximar a una distribución binomial con los siguientes parámetros:
7799,0;30~ BinB
IP[x 6] = 6xP1
=xx
x x
305
0
)2201.0()7799.0(30
1
= 1
3.- Sea X = (X1, X2) un vector aleatorio bidimensional distribuído
como una normal bivariada tal que X1 y X2 están correlacionados positivamente y de modo que verifican las siguientes condiciones:
1. IP[X1<1] = 0,8413 X~N (u , ) y >0
2. IP[X2>6] = 0,0228 3. V[X1]=1 y V[X2]=2 4. V[X1/X2=x2] = 0,75
a) Calcule IP[0 < X2 < 4 / X1 = 2]. b) Encuentre la matriz de varianzas y covarianzas.
Desarrollo.-
a) V[X1]= 12 =1 V[X2]= 2
2 =2
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
219
V[X1/X2=x2] = 12 (1- 2)=0,75
=0.5
IP[0 < X2 < 4 / X1 = 2] = IP[ X2 < 4 / X1 = 2] IP [X2 < 0 / X1 = 2].
22
111
22211
1
2
2121;~ XX
X
X
X XXXXxN
xXX
f
2
3);2(
2
212N
Para calcular 1 y 2 :
0
841,01
1
1
1
1
1
111
xIPxIP
1716,3226
023,06
16
2
21
21
2
221
u
uuxIPxIP
IP [X2<4 / X1 = 2 ] = 0.3163 IP [X2 < 0 / X1 = 2] = 0
0,31630-0.3163 2] X / 4 X [0 12IP
b)
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
220
22
22
21
2
2
21
2
1 21 XX
4.-Ciertas vigas tienen secciones rectangulares cuyas dimensiones, largo y ancho se pueden representar mediante una distribución normal bivariada
con vector de media 15,10
en [cm] y matriz de varianzas y
covarianzas
1
05.0
Los límites de tolerancia para el largo de la viga son (9.3; 10.7) y
para el ancho son (14,16). Una viga se considera defectuosa si el largo o el ancho está fuera de los límites de tolerancia. Se tomo una muestra de
tamaño n=15. ¿Cuál es la IP de que 11 de estas vigas no sean defectuosas?
Desarrollo.-
Se aprecia claramente que existe independencia entre el largo y el ancho por lo que la probabilidad de que las vigas no cumplan los requerimientos será la multiplicación de las marginales las cuales también se distribuyen en forma normal.
Sea X=Largo y Y=ancho f x y f x f yX X Y ( , ) ( ) ( )
Si son defectuosas tenemos
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
221
5.0,10~ NX
5.0
107.10
5.0
103.917.103.913.97,10 ZIPXIPXXIP
= 32266.0989.0989.01989.0989.01 ZIP
1,15~ NY
1
1516
1
15141161411416 ZIPYIPYYIP
= 68268.0111111 ZIP
2202735.068268.032266.0sdefectuosaIP
7797265.02202735.01sdefectuosaseannoIP
Como las vigas son reemplazadas, la probabilidad pedida sigue una distribución hipergeométrica pero esta es factible aproximarla a una distribución binomial.
779,0;30~ BinB
IP[x=11] = 20874.0)221.0()779.0(11
15 111511
5.- Sea (X,Y) V
.a.n.b. con 10,5
y 12=1, 2
2=25 y >0. Si la
IP(4<Y<16/X=5)=0.954, encuentre la matriz de varianzas y covarianzas.
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
222
251;10N
251;551
55N
1;xN5x
yf
2
2
2y
2x
x
y
y
5
42
15
6954.1
15
62
954.015
6
15
6954.0
15
1016Z
15
104P
22
2222
Luego 25
41
6.-Sea 321 x,x,xX
v.a.3-normal con vector de medias 2,2,1
y matriz
de varianzas y covarianzas =diag(1,9,4). Si Y1 = 3X1+2X2-X3 e
Y2=2X1-X2. Encuentre E[Y1/Y2] y V[Y1/Y2]
Desarrollo.-
Si Y1 = 3X1+2X2-X3 y1 =E[Y1] = E[3X1] + E[2X2] - E[X3] =5
Y si Y2 = 2X1-X2 y2= E[Y2] = E[2X1] - E[X2]] =0
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
223
V[Y1]= 9V(X1)+ 4V(X2)+ V(X3) = 9+36+4=49 V[Y2]= 4V(X1)+ V(X2) = 4+9=13
013
75 2
22
2
1
21122
1
y
yyY
Yy
y
y
yyy
21
21
21,cov
yy
yy
yy
cov(y1,y2)=cov(3X1,2X1)+cov(3X1,-X2)+cov(2X2,2X1)+cov(2X2,-X2)+
cov(-X3 ,2X1) + cov(-X3 ,-X2) = 6cov(X1 ,X1) – 2(X2 ,X2)= 6-18 = -12
475.0
137
12,cov
21
21
21
yy
yy
yy
222
1
13
125 y
yYY
13
49349
1349
14411 22
22
1121 yyyyY
YV
4 0 -3 0 0 4 0 2 0
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
224
7.- Sea ,~ 5
NX donde 1,2,3,4,1
y = 9 0 0
4 -1 9
Sean 543131
32
4
21 23
2;
2XXXXYe
XX
YX
XY
a) Encuentre la distribución de Y1, Y2, Y3 respectivamente. b) ¿Y1 e Y2 son independientes?.
c) Determine la IP (Y1> 2Y2).
Desarrollo.- a) i)Para desarrollar estos ejercicios lo primero que hay que hacer es
calcular las marginales respectivas y luego usar las propiedades de la normal bivariada.
41;22
2
24N
1;xN2x
xf
22424
22x
2244x4
4x
2x242x
4
2
2
1
22
2x,xcov
4x2x
4224
3,2N44
11;22
2
2
2
14N
2xx
f4
2
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
225
ii)
91;122
33N
1;xN2x
xf
23131
23x
2311x1
1x
3x313x
1
3
2
1
23
3,cov
13
1331
xx
xx
3,4
94
4
11;12
2
3
2
13~
21
3 NNx
xf
iii) 23354313 ,NXXX2X3Y
y3 =E[Y3] = E[3X1] - E[2X3] + E[X4] + E[X5]=3-6-2+1 = -4 V[Y3 ]= 9V(X1)+ 4V(X3)+ V(X4)+ V(X5)+ 2[cov(3X1 ,-2X3) + cov(3X1 ,X4) + cov(3X1 ,X5) + cov(-2X3 ,X4) + cov(-2X3 ,X5) + cov(X4 ,X5)]=
= 36+36+4+9+2(18-1) = 119
119,4~3 NY
b) Y1 e Y2 son independientes ya que se aprecia claramente en la matriz
de varianzas y covarianzas que X2 no está relacionado ni con X3 ni con X1 y lo mismo pasa con X4.
c) IP(Y1>2Y2) = IP(R>0) con R =Y1 – 2Y2
Y1 N (-2,3) Y2 N (9/4,3) y como de la pregunta b) sabemos que son independientes, tenemos que:
15,2
13~ NR
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
226
???115
2
130
15
2
13
0 ZIP
R
IPRIP
= 1- (¿???) =????
Ejercicios Propuestos.- 1.-Sean X e Y las desviaciones horizontal y vertical (sobre un plano) respectivamente, de un vehículo espacial tripulado, con respecto al aterrizaje de éste en el mar. Supóngase que X e Y son 2 variables aleatorias que se distribuyen en forma normal e independientes con
medias x = y=0 y varianzas iguales. ¿ Cuál es la máxima desviación estándar permitible de X e Y, que cumpliría con los requerimientos de la Nasa de tener una probabilidad de 0.99, de que el vehículo aterrice a no más de 500 ft del punto elegido, tanto en dirección vertical como horizontal?.
Respuesta: x= y<177.97 pies.
2.-Sea Y,XX
vector normal bivariado. Se conoce:
a)P(X<5)=0.5 b)P(X<6) = 0,8413= P(Y<15)
c)P(Y<5) = 0.1587 = 1-P(X<6) d)P[4 < Y < 16 / X = 2]= e)Si X aumenta entonces Y aumenta
Calcule la IP(3<X<3.6/Y=5).
Respuesta:0.13
3.-Sea Y,XX
v
.a. n. bivariado tal que :
i) 22
3x
xXY
ii) 3y5
3
yYX
a) Demuestre que YxX
Y
Universidad Técnica Federico Santa María versión 1.5 Pág.
____________________________________________________________________________________________
____________________________________________________________________________________________
Departamento de Matemáticas Profesor Alejandro Fernández
227
b) Calcule E[X], E[Y], xy .
Respuesta.-
x = -18
y = 25
xy = -0.95