Vectores aleatorios

3.1.

Vectores aleatorios
w.

Definicion. (Vector aleatorio). Un vector aleatorio es una funcin o n tal que para cualquier conjunto B en B(Rn ), se cumple X :R que la imagen inversa X 1 B es un elemento de F . Dado entonces que un vector aleatorio es una funcin de en Rn , ste o e puede representar de la forma X = (X1 , . . . , Xn ) en donde cada coordenada es una funcin de en R. Demostraremos a continuacin que la condicin o o o que aparece en la denicin anterior es equivalente a solicitar que cada o

ww

Recuerde que hemos supuesto que se tiene siempre como elemento base un espacio de probabilidad (, F , P ).

at

em

at

ic

a1

tulo se extiende el concepto de variable aleatoria con valores En este cap reales a variables aleatorias con valores en Rn , a tales funciones las llamaremos vectores aleatorios. Estudiaremos adems varios conceptos importantes a relacionados con estas funciones.

.c om

coordenada de este vector sea una variable aleatoria. En consecuencia, es correcto denir un vector aleatorio simplemente como un vector de variables aleatorias. Vase la Figura 3.1. Puede demostrarse adems que si se parte de e a n espacios de probabilidad en donde estn denidas n variables aleatorias a respectivamente, entonces existe un espacio de probabilidad en donde el vector aleatorio est denido. a
(X1 , . . . , Xn )

(X1 (), . . . , Xn ())

Figura 3.1: Un vector aleatorio es una funcin de en Rn . o Proposicion. Una funcin (X1 , . . . , Xn ) : Rn es un vector aleatoo rio si, y slo si, cada coordenada es una variable aleatoria. o

Demostracin. Sea (X1 , . . . , Xn ) un vector aleatorio. Entonces la imagen o inversa de cualquier conjunto de Borel de Rn es un elemento de la -lgea bra del espacio de probabilidad. En particular, la imagen inversa del conjunto B pertenece a F , para cualquier Boreliano B de R. 1 Pero esta imagen inversa es simplemente X1 B. Esto demuestra que X1 es variable aleatoria. De manera anloga se procede con las otras coora denadas del vector. Suponga ahora que cada coordenada de una funcin o (X1 , . . . , Xn ) : Rn es una variable aleatoria. Considere la coleccin o B = {B B(Rn ) : (X1 , . . . , Xn )1 B F }. Como cada coordenada es una variable aleatoria, los conjuntos de Borel de Rn de la forma B1 Bn , en donde cada factor de este producto es un Boreliano de R, es un elemento

ww

w.

at

em at

ic a1

.c o

Rn

de la coleccin B. Entonces o B(R) B(R) B B(Rn ). Es fcil demostrar que la coleccin B es una -lgebra. Asi que a o a (B(R) B(R)) B B(Rn ). Pero ambos extremos de esta ecuacin coinciden. De modo que B = B(Rn ), o y por lo tanto la funcin (X1 , . . . , Xn ) es un vector aleatorio. o Para simplicar la escritura donde sea posible se usan unicamente vecto res aleatorios bidimensionales, esto es, de la forma (X, Y ). En la mayor a de los casos, las deniciones y resultados son fcilmente extendidos a dia mensiones mayores. Por ejemplo, el siguiente resultado es anlogo al caso a unidimensional y puede extenderse al caso de n dimensiones: un vector aleatorio (X, Y ) : R2 genera el espacio de probabilidad (R2 , B(R2 ), PX,Y ), a en donde B(R2 ) es la -lgebra de conjuntos de Borel de R2 , y PX,Y es a una medida de probabilidad denida sobre esta -lgebra, e inducida por el vector aleatorio de la siguiente forma. Para cualquier B en B(R2 ),

Nuestro objetivo es estudiar estas nuevas medidas de probabilidad, o equivalentemente, los vectores aleatorios que las generan. En la mayor de los a casos, aunque no unicamente, consideraremos vectores aleatorios como los que se denen a continuacin. o Definicion. (Vector discreto y continuo). Se dice que el vector (X, Y ) es discreto si cada coordenada es una variable aleatoria discreta, y se dice que es continuo en caso de que cada coordenada lo sea.

ww

w.

PX,Y (B) = P ((X, Y )1 B).

at

em at

ic a1

.c

om

3.2.

Distribucin conjunta o

Como en el caso de variables aleatorias, todo vector aleatorio induce una medida de probabilidad, ahora sobre Rn . Esta medida de probabilidad puede estudiarse, de manera equivalente, mediante la funcin de distribucin o o conjunta denida a continuacin. o Definicion. (Funcion de distribucion conjunta). La funcin de o distribucin de un vector (X, Y ), denotada por F (x, y) : R2 [0, 1], se o dene como sigue F (x, y) = P (X x, Y y).

ww

w.

El nmero F (x, y) es entonces la probabilidad de que el vector aleatorio u tome algn valor en la rectngulo innito (, x] (, y], el cual se u a muestra en la Figura 3.2. En palabras, la funcin F (x, y) es la probabilidad o de que X sea menor o igual a x, y al mismo tiempo Y sea menor o igual a y, esto es simplemente la probabilidad del evento (X x) (Y y).

at

em

at

ic

Figura 3.2: El nmero F (x, y) = P (X x, Y y) es la probabilidad de que el u vector (X, Y ) tome un valor en la regin sombreada. o e o o A la funcin F (x, y) se le conoce tambin como funcin de distribucin bivao riada de X y Y , y en general a la distribucin conjunta de un vector aleatorio o

a1

(x, y)

.c o

de cualquier dimensin nita se le llama distribucin multivariada. Natuo o ralmente, en el caso unidimensional, la distribucin se llama univariada. o Cuando sea necesario especicarlo se escribe FX,Y (x, y) en lugar de F (x, y), y es evidente la forma de extender la denicin para el caso de vectores o aleatorios de ms de dos coordenadas. Con el n de mantener la notacin a o simple, en la medida de lo posible se mantiene la correspondencia de las letras, es decir, x es un valor asociado a X, y y esta asociada a Y . Las funciones de distribucin conjunta satisfacen propiedades semejantes al o caso unidimensional, se estudian a continuacin algunas de ellas. o Proposicion. Toda funcin de distribucin conjunta F (x, y) satisface o o las siguientes propiedades. 1. 2.

4. F (x, y) es continua por la derecha en cada variable.

F (b1 , b2 ) F (a1 , b2 ) F (b1 , a2 ) + F (a1 , a2 ) 0.

La demostracin de las propiedades (1) a (4) es completamente anloga al o a caso unidimensional y por tanto la omitiremos. Respecto a la propiedad (5) observe que la expresin F (b1 , b2 ) F (a1 , b2 ) F (b1 , a2 ) + F (a1 , a2 ) o corresponde a la probabilidad del evento (a1 < X b1 , a2 < Y b2 ). De modo que (5) se traduce simplemente en solicitar que la probabilidad de que el vector (X, Y ) tome valores en el rectngulo (a1 , b1 ] (a2 , b2 ], sea no a negativa. Este rectngulo se muestra en la Figura 3.3. a

ww

w.

5. Si a1 < b1 y a2 < b2 , entonces

at em

3. F (x, y) es no decreciente en cada variable.

at

x,y

ic

l m

F (x, y) = 0,

alguna de las variables.

a1

x,y

l m F (x, y) = 1, ambas variables.

.c om

b2

a2

a1

b1

Figura 3.3: La probabilidad asociada al rectngulo (a1 , b1 ] (a2 , b2 ] es P (a1 < a X b1 , a2 < Y b2 ) = F (b1 , b2 ) F (a1 , b2 ) F (b1 , a2 ) + F (a1 , a2 ). Ejercicio. Graque y demuestre que la siguiente funcin es de distribucin. o o F (x, y) =

Ejercicio. Graque y demuestre que la siguiente funcin no es de distrio bucin. o 0 si x + y < 0, F (x, y) = 1 si x + y 0. Este es un ejemplo de una funcin que tiene el comportamiento l o mite adecuado en innito, es continua por la derecha y no decreciente en cada variable, pero no es funcin de distribucin pues asigna valores negativos a o o algunas regiones del plano. Por ejemplo calcule la probabilidad del cuadra-

ww

A diferencia del caso unidimensional, las propiedades (1) a (4) no son sucientes para asegurar que una funcin F (x, y) asigna probabilidad no neo gativa a cualquier rectngulo. El siguiente ejercicio muestra un ejemplo de a esta situacin. Vase tambin el ejercicio 271. o e e

w.

at e

m at

ic

a1

(1 ex )(1 ey ) si x, y > 0, otro caso.

.c om

do (1, 1] (1, 1]. Definicion. (Funcion de distribucion conjunta). Una funcin o 2 [0, 1], no necesariamente denida en trminos cualquiera F (x, y) : R e de un vector aleatorio, es una funcin de distribucin conjunta si cumple o o con las cinco propiedades enunciadas en la proposicin anterior. o Ms adelante se mostrarn otros ejemplos concretos de funciones de distria a bucin conjunta. o Para tres dimensiones se tiene la siguiente denicin. Se dice que la funcin o o F : R3 [0, 1] es una funcin de distribucin si cumple las primeras cuatro o o propiedades anteriores y la quinta propiedad se reemplaza por la siguiente condicin: Para cualesquiera nmeros reales a1 < b1 , a2 < b2 , y a3 < b3 , o u F (b1 , b2 , b3 ) F (a1 , b2 , b3 ) F (b1 , a2 , b3 ) F (b1 , b2 , a3 )

En trminos de vectores aleatorios se puede demostrar que el lado izquierdo e de esta desigualdad corresponde a la probabilidad del evento (a1 < X1 b1 , a2 < X2 b2 , a3 < X3 b3 ), es decir, se trata de la probabilidad de que el vector aleatorio (X1 , X2 , X3 ) tome algn valor dentro del paralelep u pedo que se muestra en la Figura 3.4. La condicin anterior establece entonces o que este nmero debe ser mayor o igual a cero. u Ms generalmente, se tiene la siguiente denicin. a o

ww w.

at

em

F (a1 , a2 , a3 ) 0.

at

+F (a1 , a2 , b3 ) + F (a1 , b2 , a3 ) + F (b1 , a2 , a3 )

ic a

1.c

om

z
b3

a3

a2 a1 b1

b2

en donde #a es el nmero de veces que alguna de las variables xi toma u el valor ai en la evaluacin de la funcin F . o o Nuevamente la suma que aparece en esta denicin corresponde a la proo babilidad del evento (a1 < X1 b1 , . . . , an < Xn bn ), y la condicin o requiere simplemente que este nmero sea no negativo. u Finalmente enunciamos un resultado que establece la importancia de la funcin de distribucin, y cuya demostracin puede ser encontrada por ejemplo o o o en [19]. La prueba no es sencilla pero es anloga al caso unidimensional. a

ww

xi {ai ,bi }

w.

at

Definicion. (Funcion de distribucion conjunta). Una funcin o n [0, 1] es una funcin de distribucin si cumple las primeF : R o o ras cuatro propiedades anteriores y, adicionalmente, para cualesquiera nmeros reales a1 < b1 , a2 < b2 , . . ., an < bn , u (1)#a F (x1 , . . . , xn ) 0,

em

at

ic a1

.c o

Figura 3.4: Regin (a1 , b1 ] (a2 , b2 ] (a3 , b3 ]. o

 Proposicion. Sea F : Rn [0, 1] una funcin de distribucin. Entonces o o existe un espacio de probabilidad, y un vector aleatorio, cuya funcin de o distribucin es F . o Es decir, este resultado garantiza la existencia de un espacio de probabilidad (, F , P ) en donde se encuentra denido un vector aleatorio (X1 , . . . , Xn ) o o tulo con funcin de distribucin la especicada. En lo que resta del cap hablaremos de vectores aleatorios suponiendo que existe un espacio de probabilidad base asociado.

3.3.

Densidad conjunta

A esta funcin tambin se le llama funcin de probabilidad conjunta de o e o las variables X y Y . Es evidente que la funcin de probabilidad de un vector discreto cumple las o siguientes propiedades. a) f (x, y) 0. b)
x,y

f (x, y) = 1.

Rec procamente, toda funcin no negativa f (x, y) : R2 [0, 1] que sea eso

ww

Definicion. (Funcion de probabilidad conjunta). La funcin de o probabilidad de un vector discreto (X, Y ) es la funcin f (x, y) : R2 o [0, 1] dada por f (x, y) = P (X = x, Y = y).

w.

at

em

at ic

Como en el caso unidimensional, algunos vectores tienen asociada otra funcin llamada de probabilidad o de densidad, y la cual se dene a continuao cin. o

a1

.c om

trictamente positiva unicamente en un subconjunto discreto de R2 y que o o sume uno, se llama funcin de probabilidad conjunta. La denicin de funcin de probabilidad en el caso discreto multidimensional es evidente. Es o claro tambin que la correspondiente funcin de distribucin se puede cale o o cular a partir de la funcin de probabilidad de la siguiente forma: o F (x, y) = P (X x, Y y) = f (u, v).
ux vy

Ejemplo. La funcin f (x, y) = 1/4, para x, y = 1, 2, es una funcin de o o probabilidad conjunta pues es no negativa y suma uno, corresponde a la distribucin uniforme sobre el conjunto {1, 2} {1, 2}. La grca se muestra o a en la Figura 3.5. f (x, y)
1/4

em

at ic
1 2

a1
y

ww w.

Figura 3.5: Funcin de probabilidad f (x, y) = 1/4, para x, y = 1, 2. o La correspondiente funcin de distribucin o o 0 1/4 F (x, y) = f (u, v) = 2/4 2/4 ux vy 1 cuya grca se encuentra en la Figura 3.6. a es si si si si si o x < 1 y < 1, 1 x < 2, 1 y < 2, 1 x < 2, y 2, x 2, 1 y < 2, x 2 y y 2,

at

1 2

.c om

F (x, y)

2 1 1 2

Figura 3.6: Ejemplo de funcin de distribucin discreta. o o

at

em
x,y=1

o Ejemplo. La funcin denida por f (x, y) = (1/2)x+y para x, y N, e o idnticamente cero fuera de este conjunto discreto, es una funcin de proe babilidad bivariada pues es no negativa y suma uno. En efecto,

at
1 2x+y

Para el caso de vectores continuos se tiene la siguiente denicin. o

ww

x,y=1

w.

f (x, y) =

ic a1
=(

1 2 ) = 1. 2x x=1

.c

om

 Definicion. (Funcion de densidad conjunta). Sea (X, Y ) un vector continuo con funcin de distribucin F (x, y). Se dice que (X, Y ) es o o absolutamente continuo si existe una funcin no negativa e integrable o 2 [0, ), tal que, para todo (x, y) en R2 , se cumple la f (x, y) : R igualdad
x y

F (x, y) =

f (u, v) dv du.

A la funcin f (x, y) se le denota por fX,Y (x, y), y se le llama funcin de o o densidad conjunta de X y Y . As como en el caso unidimensional, no existe realmente unicidad para la funcin de densidad pues basta modicarla en algunos puntos para ser diso tinta pero seguir cumpliendo la igualdad anterior, sin embargo la funcin o de distribucin y por tanto las probabilidades, permanecen sin cambio alo guno. Es claro que la funcin de densidad conjunta f (x, y) de un vector o absolutamente continuo cumple las siguientes propiedades. a) f (x, y) 0. b)

procamente, toda funcin no negativa f : R2 [0, ), que integre o Rec uno, se llama funcin de densidad conjunta. En particular, cuando f (x, y) o es continua, 2 F (x, y). f (x, y) = yx Observe que, en el caso absolutamente continuo y conociendo la funcin de o densidad conjunta, la probabilidad del evento (a X b, c Y d) no cambia si se incluyen o se excluyen los extremos de cada intervalo, y se calcula como la integral doble que se ilustra en la Figura 3.7.

ww w.

f (x, y) dx dy = 1.

M at

em

at

ic

a1

.c om

f (x, y)

y
b d

a b

P (a X b, c Y d) =

f (x, y) dy dx
a c

at

em
1/4 0

Ejemplo. La funcin f : R2 [0, ) dada por la siguiente expresin es o o o una funcin de densidad pues es no negativa e integra uno. si x, y [0, 2], otro caso.

f (x, y) =

Esta funcin de densidad conjunta corresponde a la distribucin uniforme o o del vector (X, Y ) en el cuadrado [0, 2] [0, 2]. La grca se muestra en la a Figura 3.8. Para calcular la correspondiente funcin de distribucin F (x, y) se debe o o calcular la doble integral para los distintos valores de x y y. Esta doble integral toma distintas expresiones en cada una de las cinco regiones que aparecen en la parte izquierda de la Figura 3.9. Despus de algunos clculos e a elementales se encuentra que la funcin de distribucin conjunta tiene la o o

ww w.

at ic

a1

Figura 3.7: La probabilidad como el volumen bajo una supercie.

.c o

f (x, y)

1/4 2

0 xy/4 x/2 = y/2 1

M at em

F (x, y) =

ww

w.

Ejercicio. Demuestre que la siguiente funcin es de densidad. Calcule o P (X = Y ), P (X = 1) y P (X + Y = n + 1). Puede usted calcular la

at ic
y

siguiente expresin cuya grca aparece en la parte derecha de la Figura 3.9. o a f (u, v)dvdu o si x < 0 y < 0, si 0 x, y < 2, si 0 x < 2, y 2, si 0 y < 2, x 2, si x 2 y y 2.

a1

.c o

Figura 3.8: Funcin de densidad f (x, y) = 1/4, para x, y [0, 2]. o

y x/2 0 2 xy/4 2 0 0 y/2 x 1

F (x, y) y

Figura 3.9: Ejemplo de funcin de distribucin continua bivariada. o o correspondiente funcin de distribucin? o o 4xy si x, y = 1, . . . , n, n2 (n + 1)2 f (x, y) = 0 otro caso. Ejercicio. Demuestre que la siguiente funcin es de densidad. Encuentre la o correspondiente funcin de distribucin y graque ambas funciones. Calcule o o adems P (1/3 < X < 1, 0 < Y < 1/2), P (Y > X) y P (X > 1/2). a

ww

w.

at e
0

f (x, y) =

x+y

Ejercicio. Demuestre que la siguiente funcin es de densidad. Encuentre la o correspondiente funcin de distribucin y calcule P (1 < X < 2, 1 < Y < 2), o o P (X > 1) y P (Y + X > 2). f (x, y) = 3(x2 + y 2 )/16 0 si 0 < x < y < 2, otro caso.

at

ic

si 0 < x, y < 1, otro caso.

a1

.c om

3.4.

Distribucin marginal o

Dada la funcin de distribucin F (x, y) de un vector aleatorio (X, Y ), es o o posible obtener la funcin de distribucin de cada variable aleatoria por o o separado mediante el siguiente procedimiento. Definicion. (Funcion de distribucion marginal). Sea (X, Y ) un vector con funcin de distribucin F (x, y). A la funcin o o o
y

No es dif vericar que las funciones de distribucin marginales son efeccil o tivamente funciones de distribucin univariadas. En el caso de vectores de o dimensin mayor, se puede obtener la distribucin marginal de cualquier o o subconjunto de variables aleatorios del vector original mediante un procedimiento similar. Ejemplo. En un ejemplo anterior hab amos encontrado la siguiente funcin o

ww w.

at

em

F (y) = l F (x, y). m

x

at

ic

se le conoce como la funcin de distribucin marginal de X. Anlogao o a mente se dene la funcin de distribucin marginal de Y como o o

a1

.c

om

F (x) = l F (x, y) m

de distribucin conjunta o 0 xy/4 x/2 FX,Y (x, y) = y/2 1 o si x < 0 y < 0, si 0 x, y < 2, si 0 x < 2, y 2, si 0 y < 2, x 2, si x 2 y y 2.

Puede usted encontrar ahora FY (y)?

Ejercicio. Encuentre las funciones de (X, Y ) cuya funcin de distribucin es o o 0 3x2 y/5 + 2xy 3 /5 3x2 /5 + 2x/5 F (x, y) = 3y/5 + 2y 3 /5 1

ww

w.

Esta funcin esta denida de manera distinta en cada una de las cinco regioo nes disjuntas y exhaustivas del plano Cartesiano dadas por las condiciones anteriores. Para encontrar, por ejemplo, la funcin de distribucin marginal o o FX (x) simplemente tenemos que hacer la variable y tender a innito en las regiones donde ello sea posible. Ello puede hacerse en las regiones dadas por las condiciones del primer, tercer y quinto rengln de la lista anterior. Esto o da como resultado si x < 0, 0 x/2 si 0 x < 2, FX (x) = 1 si x 2.

at

em

Para el caso de funciones de densidad conjunta, se pueden obtener las funciones de densidad individuales como indica la siguiente denicin. o

at

ic a1

distribucin marginales del vector o si x < 0 y < 0, o si 0 x < 1 y 0 y < 1, si 0 x < 1 y y 1, si x 1 y y 1.

si x 1 y 0 y < 1,

.c o

 Definicion. (Funcion de densidad marginal). Sea (X, Y ) un vector absolutamente continuo con funcin de densidad f (x, y). A la funcin o o f (x) =

f (x, y) dy

se le conoce como la funcin de densidad marginal de X. Anlogamente o a se dene la funcin de densidad marginal de Y como o f (y) =

f (x, y) dx.

Si (X, Y ) es un vector discreto la integral se reemplaza por una suma. Tampoco es dif comprobar que las funciones de densidad marginales son cil efectivamente funciones de densidad univariadas. Las dos deniciones anteriores pueden extenderse de manera evidente cuando se tenga un vector aleatorio de cualquier dimensin nita. Tambin es posible calcular las funo e ciones de densidad y de distribucin de (X, Y ) a partir, por ejemplo, de las o funciones correspondientes del vector (X, Y, Z). Ejercicio. Calcule las funciones de densidad marginales del vector aleatorio discreto (X, Y ) cuya funcin de probabilidad esta dada por la siguiente o tabla. x\y 1 2 3 1 1/45 2/45 3/45 0 4/45 5/45 6/45 1 7/45 8/45 9/45

Ejercicio. Calcule las funciones de densidad marginales del vector aleatorio continuo (X, Y ) cuya funcin de densidad es o f (x, y) = 3(x2 + y 2 )/16 0 si 0 < x < y < 2, otro caso.

ww

w.

at em

at ic

a1

.c om

Observe que la distribucin conjunta determina de manera unica a las distrio buciones marginales. Sin embargo, si lo que se conoce son las distribuciones marginales, entonces puede haber varias distribuciones conjuntas que produzcan las marginales dadas. La forma de producir la distribucin conjunta o se llama acoplamiento, y la distribucin conjunta obtenida se llama a veo ces distribucin de acoplamiento o cpula. Dos variables aleatorias X y Y o o siempre pueden acoplarse de la forma FX,Y (x, y) = FX (x)FY (y), que es el caso donde se han hecho independientes una de la otra, pero puede haber otras formas de hacerlo. En el siguiente ejemplo se muestra una situacin o concreta en el caso discreto. Ejemplo. Sean X y Y discretas ambas con distribucin uniforme en el o conjunto {0, 1}, es decir, su distribucin de probabilidad es o f (x) =

ww

w.

Sean a 0 y b 0 tales que a + b = 1/2. Entonces la siguiente densidad conjunta tiene como densidades marginales las especicadas para X y para Y.

at

em at
x\y 0 1 0 a b

1/2 si x = 0, 1, 0 otro caso.

Observe que esta densidad conjunta es en realidad toda una familia de densidades conjuntas que producen las densidades marginales especicadas. En este caso X y Y son independientes si, y slo si, a = b = 1/4. o

ic a1
1 b a

.c

om

3.5.

Distribucin condicional o

La siguiente denicin es una extensin del concepto elemental de probabio o lidad condicional de eventos. Definicion. (Funcion de densidad condicional). Sea (X, Y ) un vector con funcin de densidad fX,Y (x, y), y sea y tal que fY (y) = 0. A o la funcin o fX,Y (x, y) x fX|Y (x|y) = fY (y) se le conoce como la funcin de densidad condicional de X dado que Y o toma el valor y. No es dif comprobar que esta funcin es efectivamente una funcin de cil o o densidad, tanto en el caso discreto como en el continuo. Observe que el valor y permanece jo y la funcin es vista como una funcin de la variable real o o x, esto puede observarse en el siguiente ejemplo.

Es sencillo comprobar que para cualquier valor jo de y en el intervalo (0, 1), la funcin de densidad condicional de X dado Y es la que aparece ms abajo. o a Es tambin inmediato vericar que esta funcin, vista como funcin de x, es e o o de densidad. El valor de y puede entonces considerarse como un parmetro a de esta nueva distribucin. o fX|Y (x|y) = 2x/y 2 si 0 < x < y, 0 otro caso.

Anlogamente puede comprobarse que para cualquier x en (0, 1) jo, a fY |X (y|x) = 2(1 y)/(x 1)2 si x < y < 1, 0 otro caso.

ww w.

fX,Y (x, y) =

at

Ejemplo. Considere la funcin de densidad conjunta o 24x(1 y) si 0 < x < y < 1, 0 otro caso.

em

at

ic a

1.c

om

Ejercicio. Calcule las funciones de densidad condicionales fY |X (y|x) y fX|Y (x|y) a partir de la siguiente funcin de densidad conjunta o f (x, y) = 3(x2 + y 2 )/16 0 si 0 < x < y < 2, otro caso.

Se pueden denir tambin funciones de distribucin condicionales de la sie o guiente forma. Definicion. (Funcion de distribucion condicional). Sea (X, Y ) un vector aleatorio absolutamente continuo con funcin de densidad o fX,Y (x, y), y sea y tal que fY (y) = 0. A la funcin o x FX|Y (x|y) =

em at

Nuevamente resulta que la funcin de distribucin condicional es efectivao o mente una funcin de distribucin. En el caso absolutamente continuo y o o suponiendo x fX|Y (x|y) continua, por el teorema fundamental del clcua lo se tiene que F (x|y). fX|Y (x|y) = x X|Y Ejemplo. Considere nuevamente la funcin de densidad conjunta del ejemo plo anterior, fX,Y (x, y) = 24x(1 y), para 0 < x < y < 1. Para y jo en el

ww

w.

o o se le conoce como la funcin de distribucin condicional de X dado que Y toma el valor y. Cuando el vector aleatorio (X, Y ) es discreto la integral se substituye por la suma correspondiente.

at

ic a1
x

fX|Y (u|y) du

.c

om

intervalo (0, 1) se tiene que si x 0, 0 FX|Y (x|y) = fX|Y (u|y) du = x2 /y 2 si 0 < x < y, 1 si x y.
x

Puede tambin denirse la esperanza condicional de la siguiente forma. e Definicion. Sea (X, Y ) un vector con funcin de distribucin o o FX,Y (x, y), y sea y un valor tal que fY (y) = 0. Si X tiene esperanza nita, entonces se dene E(X | Y = y) = x dFX|Y (x|y).

Ejercicio. Calcule la funcin de distribucin condicional FX|Y (x|y) a partir o o de la funcin de densidad conjunta fX,Y (x, y) = 3(x2 + y 2 )/16, para 0 < o x < y < 2. Calcule adems E(X | Y = y) para cualquier valor de y en el a intervalo (0, 2). Ejercicio. Calcule E(X | Y = y) para y = /4, cuando (X, Y ) es un vector absolutamente continuo con funcin de densidad f (x, y) = (1/2) sen(x + y), o para x, y (0, /2). Ejercicio. Sea (X, Y ) un vector aleatorio tal que X tiene esperanza nita y Y es discreta con valores 0, 1, . . . tal que P (Y = n) > 0 para n = 0, 1, . . . Demuestre que E(X) =
n=0

ww w.

at

em

En el siguiente cap tulo veremos una denicin mucho ms general de este o a concepto.

E(X | Y = n) P (Y = n).

at

ic

a1

.c om

3.6.

Independencia

Podemos ahora denir el importante concepto de independencia de variables aleatorias. Primero deniremos tal concepto para dos variables aleatorias, despus lo haremos para n variables, y nalmente para una coleccin arbie o traria de variables aleatorias. Definicion. (Independencia de dos variables aleatorias). Se dice que X y Y son independientes, y a menudo se escribe X Y , si para cada par de conjuntos de Borel A, B de R, se cumple la igualdad P (X A, Y B) = P (X A) P (X B).

ic a1

.c om

(3.1)

Proposicion. (Independencia de dos variables aleatorias). Las variables aleatorias X y Y son independientes si, y slo si, para cada o (x, y) en R2 se cumple la igualdad FX,Y (x, y) = FX (x) FY (y). (3.2)

Demostracin. Si X y Y son independientes, entonces tomando A = (, x] o y B = (, y] en (3.1) se obtiene (3.2). Suponga ahora que se cumple (3.2)

ww w.

En trminos de la siempre existente funcin de distribucin, la independene o o cia de dos variables aleatorias se puede expresar como indica el siguiente resultado.

at em

at

para cualesquiera x y y en R. Dena la coleccin o A = {A B(R) : P (X A, Y y) = P (X A) P (Y y), y R }. No es dif demostrar que A es una -lgebra y usando la hiptesis resulta cil a o que A = B(R). Sea ahora A un elemento cualquiera jo de B(R). Dena la coleccin o B = {B B(R) : P (X A, Y B) = P (X A) P (Y B) }. Se puede comprobar nuevamente que B es una -lgebra, y de hecho B = a B(R). De esta forma, para cualquier A y B en B(R), se cumple la condicin (3.1). o El concepto de independencia de variables aleatorias es una extensin de o la misma propiedad para eventos. Cuando la funcin de densidad conjunta o existe, la condicin de independencia de X y Y es equivalente a solicitar o que para cualesquiera nmeros reales x y y, se cumpla la identidad u fX,Y (x, y) = fX (x) fY (y).

em at

ic a1

.c

om

(3.3)

En el caso discreto, la armacin anterior es completamente correcta. Para o el caso continuo hay una observacin tcnica que es necesario mencionar. o e Como en este caso las funciones de densidad pueden ser modicadas sin que cambie la funcin de distribucin asociada, la igualdad (3.3) puede o o no cumplirse para cada (x, y) R2 , entonces se permite que la igualdad no se cumpla en un conjunto de medida de Lebesgue cero, por ejemplo, un conjunto numerable de parejas (x, y) en R2 , y entonces habr independencia a en el caso continuo si se cumple (3.3), salvo conjuntos de medida de Lebesgue cero. Ejemplo. Sea (X, Y ) un vector aleatorio con funcin de densidad f (x, y) = o 4xy, para 0 x, y 1, y cuya grca aparece en la Figura 3.10. a La funcin de densidad marginal de X se calcula de la siguiente forma. Para o 0 x 1, fX (x) =
1

ww

w.

at

f (x, y)dy =
0

4xydy = 2x.

f (x, y)
4

x Figura 3.10: Funcin de densidad f (x, y) = 4xy, para 0 x, y 1. o Anlogamente fY (y) = 2y para 0 y 1. En consecuencia, X y Y son ina dependientes pues para cada par (x, y), se cumple fX,Y (x, y) = fX (x) fY (y). Ejercicio. Determine si las variables aleatorias continuas X y Y son independientes cuando su funcin de densidad conjunta es o

ww w.

at

fX,Y (x, y) =

3(x2 + y 2 )/32 0

em
si 0 < x, y < 2, otro caso. El concepto de independencia puede ser extendido claramente al caso de varias variables aleatorias de la forma siguiente.

at

ic a1

.c om

 Definicion. (Independencia de varias variables aleatorias). Se dice que las variables X1 , . . . , Xn son independientes si para cualesquiera Borelianos A1 , . . . , An de R, se cumple P (X1 A1 , . . . , Xn An ) = P (X1 A1 ) P (Xn An ). o Ms an, una coleccin innita de variables aleatorias es independiente a u si cualquier subconjunto nito de ella lo es. Usando un procedimiento similar al caso de dos variables aleatorias, puede demostrarse que la condicin de independencia de n variables aleatorias o es equivalente a solicitar que para cualquier vector (x1 , . . . , xn ) en Rn se cumpla la igualdad

Cuando las variables X1 , . . . , Xn son independientes y tomando conjuntos Borelianos adecuados en la denicin general, puede comprobarse que cualo quier subconjunto de estas variables tambin son independientes. El rec e proco, sin embargo, es en general falso como se pide demostrar a continuacin. o Ejercicio. Sean X y Y independientes ambas con distribucin uniforme o en el conjunto {1, 1}. Sea Z = XY . Demuestre que X, Y y Z son independientes dos a dos pero no lo son en su conjunto. Proposicion. Sean X y Y independientes, y sean g y h dos funciones de R en R, Borel medibles. Entonces las variables aleatorias g(X) y h(Y ) tambin son independientes. e

ww

w.

at

fX1 ,...,Xn (x1 , . . . , xn ) = fX1 (x1 ) fXn (xn ).

em

Y en trminos de la funcin de densidad, cuando sta exista y salvo un e o e conjunto de medida cero, la condicin es o

at

ic a

FX1 ,...,Xn (x1 , . . . , xn ) = FX1 (x1 ) FXn (xn ).

1.c

om

Demostracin. Sean A y B cualesquiera dos conjuntos de Borel de R. Eno tonces P ( g(X) A, h(Y ) B ) = P ( X g1 (A), Y h1 (B) ) = P ( g(X) A ) P ( h(Y ) B ). = P ( X g1 (A) ) P ( Y h1 (B) )

Este resultado puede extenderse fcilmente al caso n-dimensional, y de esta a forma obtener que la composicin de n funciones Borel medibles aplicadas, o respectivamente, a n variables aleatorias independientes, produce nuevamente variables aleatorias independientes. La denicin de independencia de dos variables aleatorias puede extendero se al caso de dos vectores aleatorios de cualquier dimensin de la forma o siguiente. Definicion. (Independencia de dos vectores aleatorios). Se dice que los vectores X = (X1 , . . . , Xn ) y Y = (Y1 , . . . , Ym ) son independientes, si para cada A en B(Rn ), y cada B en B(Rm ), se cumple la igualdad P (X A, Y B) = P (X A) P (Y B). (3.4)

Naturalmente esta denicin puede extenderse un poco ms para incluir la o a independencia de un nmero nito de vectores aleatorios, no necesariamenu te todos de la misma dimensin. Y nuevamente, una coleccin innita de o o vectores aleatorios es independiente si cualquier subcoleccin nita de ellos o lo es. Ejercicio. Demuestre que si los vectores (X1 , . . . , Xn ) y (Y1 , . . . , Ym ) son independientes, entonces las variables Xi y Yj son independientes para cualquier posible valor de los ndices i y j.

ww

w.

at

em

at ic

a1

.c o

3.7.

Esperanza de una funcin de un vector o aleatorio

o Si (X, Y ) es un vector aleatorio y : R2 R es una funcin Borel medible, entonces (X, Y ) es una variable aleatoria y el problema nuevamente es encontrar su esperanza. Usando directamente la denicin, la esperanza de o (X, Y ) se calcula del siguiente modo: E[(X, Y )] =

x dF(X,Y ) (x),

E[(X, Y )] =
R2

ww

w.

Teorema (Esperanza de una funcion de un vector aleatorio). Sea (X, Y ) un vector aleatorio, y sea : R2 R una funcin o Borel medible tal que la variable aleatoria (X, Y ) tiene esperanza nita. Entonces

at

em

at ic

pero, as como en el caso unidimensional, ello requiere encontrar primero la distribucin de (X, Y ), lo cual puede ser dif en muchos casos. El o cil siguiente resultado establece una forma alternativa de calcular la esperanza de (X, Y ), sin conocer su distribucin, pero conociendo, por supuesto, la o distribucin del vector (X, Y ). o

(x, y) dFX,Y (x, y).

a1

.c om

(3.5)

Nuevamente omitiremos la demostracin de este resultado. Observe que se o trata de una integral de Riemann-Stieltjes en dos dimensiones. El incremento de F en el rectngulo (xi1 , xi ] (yj1 , yj ] es a F (xi , yj ) F (xi , yj1 ) F (xi1 , yj ) + F (xi1 , yj1 ). Vase nuevamente la Figura 3.3 para comprobar esta expresin. En el caso e o

cuando X y Y son independientes, este incremento es F (xi )F (yj ) F (xi )F (yj1 ) F (xi1 )F (yj ) + F (xi1 )F (yj1 )

= F (xi ) F (yj ),

= (F (xi ) F (xi1 ))(F (yj ) F (yj1 ))

es decir, la integral bidimensional se separa en dos integrales, y se puede escribir E[(X, Y )] = (x, y) dFX (x) dFY (y).
R2

Cuando el vector (X, Y ) es discreto, la frmula (3.5) se reduce a o

Ejercicio. Sea (X, Y ) un vector aleatorio discreto con valores en el cono junto producto {x1 , x2 , . . .} {y1 , y2 , . . .}, y sea : R2 R una funcin Borel medible tal que la variable (X, Y ) tiene esperanza nita. Demuestre que

ww

w.

E[(X, Y )] =

at

i=1 j=1

En el caso cuando (X, Y ) es absolutamente continuo, la expresin (3.5) se o escribe E[(X, Y )] = (x, y) fX,Y (x, y) dxdy.
R2

Con ayuda de este resultado podemos ahora demostrar que la esperanza separa sumas.

em

en donde la suma se efecta sobre todos los posibles valores (x, y) del vector. u En este caso la demostracin del teorema resulta no muy complicada, y se o pide dar los detalles en el siguiente ejercicio.

at ic

(xi , yj ) P (X = xi , Y = yj ).

a1

.c

x,y

om

E[(X, Y )] =

(x, y) P (X = x, Y = y),

 Proposicion. Sean X y Y con esperanza nita. Entonces E(X + Y ) = E(X) + E(Y ).

Demostracin. Sean (x, y) = x + y, 1 (x, y) = x, y 2 (x, y) = y. Entonces o E(X + Y ) = E((X, Y )) =

R2

(x + y) dFX,Y (x, y) x dFX,Y (x, y) + y dFX,Y (x, y)

=
R2

= E(X) + E(Y ).

En particular, E(X Y ) = E(X) E(Y ).

Demostracin. o E[g(X) h(Y )] =

R2

ww

E[g(X)h(Y )] = E[g(X)] E[h(Y )].

w.

Proposicion. Sean X y Y independientes, y sean g y h dos funciones Borel medibles tales que g(X) y h(Y ) tienen esperanza nita. Entonces

at em
=
R2

= E[g(X)] E[h(Y )].

at
g(x) h(y) dFX,Y (x, y) g(x) h(y) dFX (x) dFY (y)

ic

a1

= E(1 (X, Y )) + E(2 (X, Y ))

.c om

R2

En general, el rec proco de la armacin anterior es falso, es decir, la cono dicin E(XY ) = E(X)E(Y ) no es suciente para poder concluir que X y o Y son independientes. Por ejemplo, considere el vector aleatorio discreto (X, Y ) con funcin de probabilidad o x\y 1 0 1 1 1/5 0 1/5 0 0 1/5 0 1 1/5 0 1/5

Definicion. (Covarianza). La covarianza de X y Y , denotada por Cov(X, Y ), es el nmero u Cov(X, Y ) = E [(X E(X))(Y E(Y ))] .

Para que la denicin anterior tenga sentido es necesario suponer que las o esperanzas E(X), E(Y ) y E(XY ) son nitas. En general cuando se escribe Cov(X, Y ), se suponen tales condiciones. Se revisan a continuacin algunas o propiedades de la covarianza.

ww w.

En esta seccin se dene y estudia la covarianza entre dos variables aleatoo rias. Una interpretacin de este nmero, ligeramente modicado, ser dada o u a en la siguiente seccin. o

at

em

at

3.8.

Covarianza

ic

a1

.c o

Es sencillo vericar que E(XY ) = E(X)E(Y ) = 0, sin embargo X y Y no son independientes pues P (X = 0, Y = 0) = 1/5, mientras que P (X = 0)P (Y = 0) = 1/25. Otros ejemplos de esta misma situacin pueden o encontrarse en el ejercicio 351 en la pgina 203. a

 Proposicion. Sean X y Y variables aleatorias y sea c una constante. Entonces 1. Cov(X, Y ) = E(XY ) E(X)E(Y ). 2. Cov(X, Y ) = Cov(Y, X). 3. Cov(X, X) = Var(X). 4. Cov(c, Y ) = 0. 5. Cov(cX, Y ) = c Cov(X, Y ). 6. Cov(X1 + X2 , Y ) = Cov(X1 , Y ) + Cov(X2 , Y ).

8. En general, Cov(X, Y ) = 0 = X,Y independientes.

Demostracin. o

1. Por la propiedad de linealidad de la esperanza, Cov(X, Y ) = E [(X E(X))(Y E(Y ))] = E(XY ) E(X)E(Y ).

2. - 4. Estas propiedades se siguen directamente de la denicin. o 5. - 6. Esto es consecuencia de la denicin y de la linealidad de la esperanza. o 7. Esta propiedad se obtiene fcilmente de la primera pues E(XY ) = a E(X)E(Y ) cuando X y Y son independientes.

ww

= E [XY Y E(X) XE(Y ) + E(X)E(Y )]

w.

at

em

at ic

a1

.c

om

7. Si X y Y son independientes, entonces Cov(X, Y ) = 0.

8. Sea (X, Y ) un vector 1/8 fX,Y (x, y) = 1/2 0 Entonces X y Y 1/4 fX (x) = 1/2 0

aleatorio discreto con funcin de densidad o si (x, y) {(1, 1), (1, 1), (1, 1), (1, 1)}, si (x, y) = (0, 0), otro caso.

Ejercicio. Sean X y Y independientes. Demuestre que Cov(X + Y, Y ) = Var(Y ).

3.9.

Coeciente de correlacin o

El coeciente de correlacin de dos variables aleatorias es un nmero real o u que mide el grado de dependencia lineal que existe entre ellas. Su denicin o es la siguiente.

ww w.

Observe en particular que la covarianza es una funcin bilineal y simtrica. o e Estas propiedades sern de utilidad en la siguiente seccin. Ms adelante a o a demostraremos que, en el caso especial cuando el vector (X, Y ) tiene distribucin normal bivariada, la condicin de covarianza cero implica que estas o o variables son efectivamente independientes.

at

em

at

ic a

1.c

om

Puede entonces comprobarse que Cov(X, Y ) = 0. Sin embargo X y Y no son independientes pues en particular P (X = 0, Y = 0) = 1/2, mientras que P (X = 0)P (Y = 0) = 1/4.

tienen idnticas densidades marginales, e si x {1, 1}, 1/4 si y {1, 1}, si x = 0, fY (y) = 1/2 si y = 0, otro caso. 0 otro caso.

 Definicion. (Coeficiente de correlacion). El coeciente de correlacin de las variables aleatorias X y Y , denotado por (X, Y ), es el o nmero u Cov(X, Y ) . (X, Y ) = Var(X) Var(Y )

Naturalmente en esta denicin se necesita suponer que las varianzas son o estrictamente positivas y nitas. Vista como funcin de dos variables aleao torias, el coeciente de correlacin es una funcin simtrica pero no es lineal o o e pues no separa sumas ni multiplicaciones por constantes. Ejercicio. Demuestre que, en general,

Proposicion. El coeciente de correlacin satisface las siguientes proo piedades. 1. Si X y Y son independientes, entonces (X, Y ) = 0. 2. 1 (X, Y ) 1. 3. |(X, Y )| = 1 si, y slo si, existen constantes a y b tales que, con o probabilidad uno, Y = aX + b, con a > 0 si (X, Y ) = 1, y a < 0 si (X, Y ) = 1.

ww

w.

La interpretacin dada al coeciente de correlacin se justica a partir de o o los siguientes resultados.

at

em

at

ic

b) (X1 + X2 , Y ) = (X1 , Y ) + (X2 , Y ).

a1

a) (c X, Y ) = c (X, Y ), c constante.

.c

om

Demostracin. o 1. Si X y Y son independientes, entonces Cov(X, Y ) = 0, y por lo tanto (X, Y ) = 0. 2. Suponga primero que X y Y son tales que E(X) = E(Y ) = 0, y Var(X) = Var(Y ) = 1. Para cualquier valor de , 0 Var(X + Y )

= 1 + 2E(XY ) + 2 .

= E(X + Y )2 E 2 (X + Y )

3. Si X y Y son tales que Y = aX + b con a = 0 y b constantes, entonces (X, Y ) = a Cov(X, aX + b) = . |a| Var(X)Var(aX + b)

Por lo tanto (X, Y ) = 1 cuando a > 0, y (X, Y ) = 1 cuando a < 0. Inversamente, suponga que X y Y son tales que |(X, Y )| = 1. Dena U = (X X )/X y V = (Y Y )/Y . Entonces claramente E(U ) = E(V ) = 0, y Var(U ) = Var(V ) = 1. Por lo tanto (U, V ) = E(U V ). Es fcil ver tambin que |(U, V )| = |(X, Y )| = 1. Si (U, V ) = 1, a e

ww

w.

El trmino de enmedio es (X, Y ). e

at

1 E(

em at

El caso = 1 produce el resultado E(XY ) 1, mientras que para = 1 se obtiene E(XY ) 1. Es decir, 1 E(XY ) 1. Observe que estas desigualdades tambin pueden ser obtenidas a partir de la e desigualdad de Cauchy-Schwarz. Ahora se aplica este resultado a las variables aleatorias (X X )/X y (Y Y )/Y , que evidentemente son centradas y con varianza unitaria. Entonces X X Y Y ) 1. X Y

ic a1

.c o

entonces Var(U V ) = E(U V )2 E 2 (U V ) = E(U V )2 = 0. = 2(1 E(U V )) Esto signica que con probabilidad uno, la variable U V es constante. Esto es, para alguna constante c, con probabilidad uno, U V = c. Pero esta constante c debe ser cero pues E(U V ) = 0. Por lo tanto, Y Y X X = , X Y de donde se obtiene Y = Y + (X X )Y /X . Esto establece una relacin lineal directa entre X y Y . En cambio, si (U, V ) = 1, o entonces Var(U + V ) = E(U + V )2 E 2 (U + V )

Esto signica nuevamente que con probabilidad uno, la variable U + V es constante. Esto es, para alguna constante c, con probabilidad uno, U + V = c. Nuevamente la constante c es cero pues E(U + V ) = 0. Por lo tanto, Y Y X X = , Y Y de donde se obtiene Y = Y (X X )Y /X . Esto establece una relacin lineal, ahora inversa, entre X y Y . Uniendo los ultimos dos o resultados se obtiene que, cuando |(X, Y )| = 1, con probabilidad uno, Y = [ (X, Y ) Y Y ] X + [ Y (X, Y ) X ]. X X

ww

w.

at

em at
= 0.

= E(U + V )2

= 2(1 + E(U V ))

ic

a1

.c

om

Ejercicio. Sean X y Y independientes e idnticamente distribuidas. Dee muestre que (X + Y, X Y ) = 0. Definicion. (Correlacion positiva, negativa o nula). Cuando (X, Y ) = 0 se dice que X y Y son no correlacionadas. Cuando |(X, Y )| = 1 se dice que X y Y estn perfectamente correlacionadas a positiva o negativamente, de acuerdo al signo de (X, Y ). Nuevamente observe que, en general, la condicin (X, Y ) = 0 no es suo ciente para poder armar que X y Y son independientes, excepto en el caso normal. Esto es consecuencia del mismo resultado para la covarianza. Ejercicio. Sea X una variable aleatoria discreta con distribucin uniforme o en el conjunto {2, 1, 1, 2}, y dena Y = X 2 . Demuestre que el coeciente de correlacin entre X y Y es cero, y sin embargo X y Y no son o independientes. Adicionalmente en los ejercicios 379 y 380 de la pgina 208 se muestran sia tuaciones concretas de este mismo resultado tanto en el caso discreto como en el continuo. Sin embargo, cuando la distribucin de (X, Y ) es normal y o (X, Y ) = 0, entonces efectivamente se cumple que X y Y son independientes. Demostraremos esto a continuacin. o Proposicion. Si (X, Y ) es un vector con distribucin normal bivariada o tal que (X, Y ) = 0, entonces X y Y son independientes.

Demostracin. Como veremos ms adelante, la funcin de densidad normal o a o

ww

w.

at

em at

ic a1

.c o

bivariada est dada por la siguiente expresin: a o f (x, y) = 1 21 2 1 2 1 x 1 y 2 y 2 2 x 1 2 exp ) 2( )( )+( ) ( 2) 2(1 1 1 2 2

2 2 en donde 1 = E(X), 1 = Var(X), 2 = E(Y ), 2 = Var(Y ), y (1, 1). Se pueden calcular directamente las funciones de densidad marginales y comprobar que

f (x) = y f (y) =

1
2 21 1 2 22

2 exp[(x 1 )2 /21 ] 2 exp[(y 2 )2 /22 ],

En resumen tenemos la siguiente tabla.

ww

w.

at

2 2 es decir, X tiene distribucin N (1 , 1 ), y Y tiene distribucin N (2 , 2 ). o o Despus de hacer algunos clculos sencillos se puede demostrar que el coee a ciente de correlacin entre X y Y es , y comprobar nalmente que cuando o este nmero es cero, se verica la igualdad fX,Y (x, y) = fX (x)fY (y), para u cualesquiera valores reales de x y y.

em at

ic a1

.c

om

 Propiedades del coeficiente de correlacion

(X, Y ) [1, 1]. |(X, Y )| = 1 si, y slo si, Y = aX + b, con probabilidad uno. o Si X Y, entonces (X, Y ) = 0. En general, (X, Y ) = 0 = X Y . Si (X, Y ) tiene dist. normal y (X, Y ) = 0, entonces X Y .

Definicion. (Esperanza y varianza de un vector). Sea X el vector aleatorio (X1 , . . . , Xn ). Cuando cada coordenada del vector tiene esperanza nita se dene la esperanza de X como el vector numrico e

Si cada coordenada del vector aleatorio tiene segundo momento nito, entonces la varianza de X se dene como la matriz cuadrada Var(X1 ) Cov(X1 , X2 ) Cov(X1 , Xn ) Cov(X2 , X1 ) Var(X2 ) Cov(X2 , Xn ) . Var(X) = . . . . . . . . . Cov(Xn , X1 ) Cov(Xn , X2 ) Var(Xn )
nn

ww w.

E(X) = (E(X1 ), . . . , E(Xn )).

at

em at

Los conceptos de esperanza y varianza para una variable aleatoria pueden extenderse al caso de vectores aleatorios de cualquier dimensin de la sio guiente forma.

ic

a1

3.10.

Esperanza y varianza de un vector aleatorio

.c

om

La varianza de un vector X puede expresarse como sigue E (X E(X))t (X E(X)) , o en donde X t signica transpuesta del vector rengln X. Observe que (X E(X))t es un vector columna de dimensin n1, mientras que (XE(X)) es o un vector rengln de dimensin 1 n. De modo que el producto de estos dos o o vectores, en el orden indicado, resulta en una matriz cuadrada de dimensin o n n cuya entrada (i, j) es E[(Xi E(Xi ))(Xj E(Xj ))] = Cov(Xi , Xj ). Esta matriz tambin se llama matriz de varianzas y covarianzas, y tiene las e siguientes propiedades. Proposicion. La matriz Var(X) es simtrica y positiva denida. Esto e ultimo signica que para cualquier vector = (1 , . . . , n ) de Rn se cum ple la desigualdad Var(X), 0, en donde , denota el producto interior usual de Rn .

ww

w.

Demostracin. La simetr se sigue de la igualdad Cov(Xi , Xj ) = Cov(Xj , Xi ). o a La propiedad de ser positiva denida se obtiene usando la bilinealidad de la covarianza,

at

Var(X),

em
n

=
i,j=1 n

=
i,j=1

at
n

ic
i=1 n i=1

Cov(Xi , Xj )i j Cov(i Xi , j Xj )
n

= Cov( = Var(

a1

i Xi ,
j=1

.c om

j Xj )

i Xi ) 0.

e o A esta matriz tambin se le llama matriz de correlacin. Cumple la propiedad de ser simtrica y tener todos los elementos de la diagonal iguales a e uno.

Se puede tambin denir la matriz de coecientes de correlacin del vector o e X como sigue (X1 , X1 ) (X1 , Xn ) . . . . (X) = . . (Xn , X1 ) (Xn , Xn )
nn

3.11.

Distribuciones multivariadas discretas

Distribucion multinomial. Suponga que se tiene un experimento aleatorio con k posibles resultados distintos. Las probabilidades para cada uno de estos resultados son respectivamente p1 , . . . , pk , en donde p1 + + pk = 1. Ahora suponga que se tienen n ensayos sucesivos independientes del experimento anterior, y dena las variables aleatorias discretas X1 , . . . , Xk , como aquellas que registran el nmero de veces que se obtienen cada uno u de los k posibles resultados en los n ensayos. Observe que la ultima variable Xk est determinada por las anteriores pues Xk = n X1 Xk1 . a Entonces se dice que el vector X = (X1 , . . . , Xk1 ) tiene una distribucin o multinomial(n, p1 , . . . , pk1 ), y su funcin de densidad es o

f (x1 , . . . , xk1 ) =

ww w.

n x1 xk 0

at e

at

En esta seccin se estudian algunas distribuciones discretas de vectores aleao torios. Estas distribuciones son ejemplos particulares de medidas de probabilidad sobre Rn , para algn valor natural de n. u

px1 pxk 1 k

ic

a1

.c
si x1 , . . . , xk = 0, 1, . . . , n con x1 + + xk = n, otro caso.

om

Los parmetros de esta distribucin son entonces el nmero de ensayos n, a o u y las k 1 probabilidades p1 , . . . , pk1 . El factor que aparece en parntesis e o en la funcin de densidad conjunta se conoce como coeciente multinomial y se dene como sigue n x1 xk = n! . x1 ! xk !

En particular, se dice que el vector (X1 , X2 ) tiene distribucin trinomial con o parmetros (n, p1 , p2 ) si su funcin de densidad es a o f (x1 , x2 ) = n! px1 px2 (1 p1 p2 )nx1 x2 x1 ! x2 ! (n x1 x2 )! 1 2

E(X) = (np1 , . . . , npk1 ),

at

em

at ic

En el caso general no es dif comprobar que la distribucin marginal de la cil o variable Xi es bin(n, pi ), para i = 1, . . . , k 1. Puede adems demostrarse a que

Observe que cuando unicamente hay dos posibles resultados en cada ensa yo, es decir k = 2, la distribucin multinomial se reduce a la distribucin o o binomial. Distribucion hipergeomtrica multivariada. Suponga que se tienen e N objetos de los cuales N1 son de un primer tipo, N2 son de un segundo tipo y as sucesivamente con Nk objetos de tipo k. Entonces N1 + + Nk = N . Suponga que de la totalidad de objetos se obtiene una muestra sin reemplazo de tamao n, y dena la variables X1 , . . . , Xk , como aquellas que n u representan el nmero de objetos seleccionados de cada tipo. Se dice entonces que el vector X = (X1 , . . . , Xk ) tiene una distribucin hipergeomtrica o e

ww w.

[Var(X)]ij

npi (1 pi ) npi pj

a1

.c o
si i = j, si i = j.

para x1 , x2 = 0, 1, . . . , n, tales que x1 + x2 n.

multivariada y su funcin de densidad es o N1 x1 N n Nk xk

f (x1 , . . . , xk ) =

Se escribe (X, Y ) unif(a, b) (c, d). Se puede observar inmediatamente que las distribuciones marginales son nuevamente uniformes, adems X y a Y siempre son independientes. Es fcil tambin comprobar que E(X, Y ) = a e ((a + b)/2, (c + d)/2), y que Var(X, Y ) = (b a)2 /12 0 0 (d c)2 /12 .

Distribucion uniforme bivariada. Se dice que las variables aleatorias continuas X y Y tienen una distribucin conjunta uniforme en el rectngulo o a (a, b) (c, d), si su funcin de densidad es o 1 si x (a, b), y (c, d), (b a)(d c) f (x, y) = 0 otro caso.

ww

w.

at

Ahora estudiamos algunas distribuciones continuas de vectores aleatorios.

em

at

3.12.

Distribuciones multivariadas continuas

ic

a1

.c o

en donde cada variable xi toma valores en el conjunto {0, 1, . . . , n} pero sujeto a la condicin xi Ni , y en donde adems debe cumplirse que o a x1 + + xk = n. Se dice entonces que el vector (X1 , . . . , Xk ) tiene distribucin hipergeomtrica multivariada (N, N1 , . . . , Nk , n). Observe que cuando o e unicamente hay dos tipos de objetos, es decir k = 2, la distribucin hiper o geomtrica multivariada se reduce a la distribucin hipergeomtrica univae o e riada. En la seccin de ejercicios aparecen expresiones para la esperanza y o varianza de esta distribucin. o

De manera evidente esta distribucin puede extenderse al caso de n dimeno siones conservndose las mismas propiedades mencionadas. a Distribucion normal bivariada. Se dice que las variables aleatorias continuas X y Y tienen una distribucin normal bivariada si su funcin de o o densidad conjunta es

f (x, y) =

21 2 1 2 1 x 1 2 x 1 y 2 y 2 2 exp ( ) 2( )( )+( ) 2) 2(1 2 1 2 2

at

ww w.

em

para cualesquiera valores reales de x y y, y en donde 1 < < 1, 1 > 0, 2 > 0, y 1 , 2 son dos constantes reales sin restriccin. Se escribe entonces o 2 2 (X, Y ) N(1 , 1 , 2 , 2 , ). Cuando 1 = 2 = 0, y 1 = 2 = 1, la distribucin se llama normal bivariada estndar, y su grca se muestra en o a a la Figura 3.11 cuando = 0. En el siguiente ejercicio se enuncian algunas propiedades de esta distribucin. o f (x, y)

at

ic a1

.c om

Figura 3.11: Funcin de densidad normal bivariada estndar. o a

2 2 Ejercicio. Sea (X, Y ) un vector con distribucin N(1 , 1 , 2 , 2 , ). Deo muestre que

2 a) X tiene distribucin marginal N(1 , 1 ). o 2 o b) Y tiene distribucin marginal N(2 , 2 ).

c) (X, Y ) = . d) X y Y son independientes si, y slo si, = 0. o e) E(X, Y ) = (1 , 2 ). f) Var(X, Y ) =

2 1 1 2 2 1 2 2

(2)n/2

en donde x = (x1 , . . . , xn ) y = (1 , . . . , n ) son dos vectores de nmeros u reales, es una matriz de dimensin nn positiva denida, es decir, xxt o 0 para cualquier vector x = (x1 , . . . , xn ) de Rn , y 1 es la matriz inversa de . Como es usual, xt denota el vector transpuesto del vector rengln o x. Cuando n = 1 o n = 2, con adecuada, se obtienen las distribuciones normal univariada y bivariada mencionadas antes.

ww

w.

f (x) =

1 exp [ (x )1 (x )t ], 2 det

at

em

Distribucion normal multivariada. Se dice que el vector (X1 , . . . , Xn ) o o tiene una distribucin normal multivariada si su funcin de densidad es

at

ic

Es interesante observar que existen distribuciones bivariadas con densidades marginales normales, pero cuya distribucin conjunta no lo es. En el o ejercicio 397 en la pgina 211 se presenta un ejemplo al respecto. a

a1

.c

om

3.13.

Ejercicios

Vectores aleatorios
268. Sea (, F , P ) un espacio de probabilidad y sea (X1 , . . . , Xn ) : Rn una funcin tal que cada coordenada es una variable aleatoria. o Demuestre que la siguiente coleccin es una sub -lgebra de B(Rn ). o a {B B(Rn ) : (X1 , . . . , Xn )1 B F }.

Distribucin conjunta o
om
o 269. Graque y demuestre que las siguientes funciones son de distribucin. 1 1 a) F (x, y) = (1 ex )( + tan1 y), para x > 0, y R. 2 b) F (x, y) = 1 ex ey + exy , para x, y > 0. a) F (x, y) = 1 exy , para x, y > 0.

o o 271. Demuestre que la siguiente funcin no es de distribucin. Extienda este resultado al caso n-dimensional. F (x, y, z) = 0 si x + y + z < 0, 1 si x + y + z 0.

272. Demuestre que la siguiente funcin no es de distribucin. o o F (x, y) = m n{1, mx{x, y}} a 0 si x, y > 0, otro caso.

273. Sean F (x) y G(x) dos funciones de distribucin. Demuestre o proporo cione un contraejemplo para las siguientes armaciones.

ww w.

b) F (x, y) = 1 exy , para x, y > 0.

at e

o 270. Investigue si las siguientes funciones son de distribucin.

at ic

a1

.c

a) F (x)G(x) es una funcin de distribucin univariada. o o b) F (x)G(y) es una funcin de distribucin bivariada. o o c) F n (x) es una funcin de distribucin univariada. o o d) F n (x)Gm (y) es una funcin de distribucin bivariada. o o u 274. Sean X y Y dos variables aleatorias, y sean x y y cualesquiera nmeros reales. Diga falso o verdadero. Demuestre en cada caso. a) P (X > x, Y > y) = 1 P (X x, Y y). b) P (X x, Y y) P (X x). c) P (X x) = P (X x, Y x) + P (X x, Y > x).

276. Sean X1 , X2 y X3 variables aleatorias con funcin de distribucin cono o u junta F (x1 , x2 , x3 ). Demuestre que para cualesquiera nmeros reales a1 < b1 , a2 < b2 y a3 < b3 , P (a1 < X1 b1 , a2 < X2 b2 , a3 < X3 b3 ) +F (a1 , a2 , b3 ) + F (a1 , b2 , a3 ) + F (b1 , a2 , a3 ) F (a1 , a2 , a3 ). 277. Demuestre que para cualquier vector aleatorio (X, Y ) y para cualquier valor real de u, FX,Y (u, u) = FXY (u), es decir, la funcin de distribuo cin del mximo de dos variables aleatorias es la distribucin conjunta o a o evaluada en la diagonal. Extienda este resultado al caso n-dimensional.

= F (b1 , b2 , b3 ) F (a1 , b2 , b3 ) F (b1 , a2 , b3 ) F (b1 , b2 , a3 )

ww w.

at

P (a < X b, c < Y d) = F (b, d) + F (a, c) F (a, d) F (b, c).

em

275. Sean X y Y variables aleatorias con funcin de distribucin conjunta o o F (x, y). Demuestre que para cualesquiera nmeros reales a < b y u c < d,

at ic

a1

e) P (XY < 0) P (X < 0).

.c o

d) P (X + Y x) P (X x).

278. Sea (X, Y ) un vector con funcin de distribucin F (x, y), y con diso o tribuciones marginales F (x) y F (y), respectivamente. Demuestre que para todo x y y en R, F (x) + F (y) 1 F (x, y) F (x)F (y).

279. Cotas de Frchet. Sea (X, Y ) un vector con funcin de distribucin e o o F (x, y), y con distribuciones marginales F (x) y F (y), respectivamente. Demuestre que para todo x y y en R, mx{F (x) + F (y) 1, 0} F (x, y) m a n{F (x), F (y)}. 280. Considere el espacio = (0, 1)(0, 1) junto con la -lgebra B((0, 1) a (0, 1)) y P la medida de probabilidad uniforme sobre . Sea (X, Y ) el vector aleatorio denido sobre este espacio de probabilidad dado por X(1 , 2 ) = 1 2 y Y (1 , 2 ) = 1 2 . Demuestre que (X, Y ) es efectivamente un vector aleatorio y encuentre su funcin de distribuo cin. o

281. Demuestre que la funcin de densidad de un vector (X, Y ) absolutao mente continuo puede ser encontrada, a partir de la funcin de distrio bucin, de las siguientes formas alternativas: o a) f (x, y) = 2 P (X > x, Y > y). xy 2 P (X x, Y > y). b) f (x, y) = xy 2 c) f (x, y) = P (X > x, Y y). xy 1 , ab

282. Graque y demuestre que las siguientes funciones son de densidad. a) f (x, y) = para 0 < x < a, 0 < y < b.

ww

w.

at

Densidad conjunta

em at

ic

a1

.c

om

d) f (x, y) = 9x2 y 2 /4, para 1 x, y 1. e) f (x, y) = exy , para x, y > 0. f ) f (x, y) = ex , para 0 < y < x. 283. Calcule la constante c que hace a f una funcin de densidad. o a) f (x) = c x, para 0 x 1.

c) f (x, y) = 6x2 y, para 0 x, y 1.

b) f (x, y) = 4xy, para 0 x, y 1.

b) f (x, y) = c x, para 0 < y < x < 1. c) f (x, y) = c (x + y), para 0 x, y 1.

i ) f (x1 , . . . , xn ) = c (x1 + + xn ), para 0 x1 , . . . , xn 1.

1 1 a) F (x, y) = (1 ex )( + tan1 y), para x > 0, y R. 2 b) F (x, y) = 1 ex ey + exy , para x, y > 0. 285. Encuentre la funcin de distribucin del vector (X, Y ) cuya funcin o o o de densidad es a) f (x, y) = 1 , para 0 < x < a, 0 < y < b. ab b) f (x, y) = exy , para x, y > 0. c) f (x, y) = ey , para 0 < x < y. d) f (x, y) = 2exy , para 0 < x < y.

ww

284. Encuentre la funcin de densidad del vector (X, Y ) cuya funcin de o o distribucin es o

w.

at em

h) f (x, y, z) = c x(y x)(z y), para 0 < x < y < z < 1.

at

g) f (x, y, z) = c (x + y + z), para 0 x, y, z 1.

ic a

f ) f (x, y) = c (x2 + 1 xy), para 0 < x < 1, 0 < y < 2. 2

1.c

e) f (x, y) = c x(y x) para 0 < x < y < 1.

om

d) f (x, y) = c (1 x)(1 y) para 1 < x, y < 1.

286. Sean f (x) y g(x) dos funciones de densidad. Demuestre o proporcione un contraejemplo para las siguientes armaciones: a) x f (x)g(x) es una funcin de densidad univariada. o 287. Sea (X, Y, Z) un vector con funcin de densidad o f (x, y, z) = 3 e(x+y+z) si x, y, z > 0, 0 otro caso,

b) (x, y) f (x)g(y) es una funcin de densidad bivariada. o

en donde es una constante. Calcule P (X < 1, Y > 2, Z < 3), P (X > 2, Y < 1) y P (X + Y + Z < 1). 288. Sean X y Y independientes ambas con distribucin exp(). Encuentre o la funcin de densidad y de distribucin de las variables X Y y X Y , o o cada una de ellas por separado y despus de manera conjunta. e

Distribucin marginal o

290. Demuestre que la funcin de distribucin marginal o o x FX (x) = l FX,Y (x, y) m

y

es efectivamente una funcin de distribucin univariada. o o 291. Encuentre las funciones de distribucin marginales del vector (X, Y ) o cuya funcin de distribucin es o o a) F (x, y) = (1 ex )(1 ey ), para x, y > 0.
2 2

b) F (x, y) = (1 ex )(1 ey ), para x, y > 0.

ww

o 289. Suponiendo el caso absolutamente continuo, demuestre que la funcin de densidad marginal fX (x) = fX,Y (x, y) dy es efectivamente una funcin de densidad univariada. o

w.

at

em at

ic

a1

.c

om

292. Encuentre las funciones de densidad marginales del vector (X, Y ) cuya funcin de densidad es o 1 a) f (x, y) = , para 0 < x < a, 0 < y < b. ab b) f (x, y) = 4xy, para 0 < x, y < 1. d) f (x, y) = (x + 2y)/4, para 0 < x < 2 y 0 < y < 1. e) f (x, y) = 2(4x + y)/5, para 0 < x, y < 1. f ) f (x, y) = 1/x, para 0 < y < x < 1. g) f (x, y) = 3/2, para 0 < y < x2 < 1. h) f (x, y) = 2x/y 2 , para 0 < x < 1 y y > 1. 293. Encuentre la constante c que hace a f una funcin de densidad. Eno cuentre adems las funciones de densidad marginales, la funcin de a o distribucin conjunta asociada y las funciones de distribucin margio o nales. b) f (x, y) = c mx{x + y 1, 0} a c) f (x, y) = 24x(1 x y), para x, y > 0 y x + y < 1.

at em

a) f (x, y) = c m n{x, y}

para 0 < x, y < 1. para 0 < x, y < 1.

294. Sea 0 < a < 1 y dena la funcin f (x, y) = ax (1 a)y , para x, y = o o 1, 2, . . . Demuestre que f (x, y) es una funcin de densidad y calcule las funciones de densidad y de distribucin marginales. Calcule adems o a FX,Y (x, y). 295. Sean a y b dos constantes positivas. Calcule las densidades marginales del vector (X, Y ) con funcin de densidad uniforme en la regin que o o aparece en la Figura 3.12.

Distribucin condicional o
296. Demuestre que la funcin de distribucin condicional x FX|Y (x|y) = o o x fX|Y (u|y) du es efectivamente una funcin de distribucin univao o riada.

ww

w.

at ic

a1

.c

om

y b x

a b

Figura 3.12: 297. Demuestre que la funcin de densidad condicional x fX|Y (x|y) = o o fX,Y (x, y)/fY (y) es efectivamente una funcin de densidad univariada. En el caso absolutamente continuo compruebe adems que fX|Y (x|y) = a /x FX|Y (x|y). 298. La distribucion exponencial no tiene memoria. Sea X con distribucin exp() y sea t > 0 jo. Demuestre que la distribucin o o condicional de X t, dado que X t, sigue siendo exp().

d) f (x, y) = (x + 2y)/4, para 0 < x < 2 y 0 < y < 1. e) f (x, y) = 2(4x + y)/5, para 0 < x, y < 1. f ) f (x, y) = 1/x, para 0 < y < x < 1. g) f (x, y) = xy/25, para 0 < x < 2, 0 < y < 5.

c) f (x, y) = 24x(1 x y), para x, y > 0 y x + y < 1.

300. Calcule las funciones condicionales FX | Y (x | y) y fX | Y (x | y), para las siguientes funciones de distribucin conjunta. o 1 1 a) F (x, y) = (1 ex )( + tan1 y), para x 0. 2

ww

w.

a) f (x, y) =

1 , para 0 < x < a, 0 < y < b. ab b) f (x, y) = 4xy, para 0 < x, y < 1.

at

299. Calcule las funciones condicionales fX|Y (x|y) y FX|Y (x|y), para las siguientes funciones de densidad.

em at

ic

a1

.c

om

b) F (x, y) = 1 ex ey + exy , para x, y 0. 301. Se hacen tres lanzamientos de una moneda equilibrada cuyos resultados llamaremos cara y cruz. Sea X la variable que denota el nmero de u caras que se obtienen en los dos primeros lanzamientos, y sea Y la variable que denota el nmero de cruces en los dos ultimos lanzamientos. u Calcule fX,Y (x, y), fX (x), fY (y) y fY |X (y|x) para x = 0, 1, 2. 302. Sea (X, Y ) un vector con funcin de densidad f (x, y) = (x + y)/8, o para 0 x, y 2, con grca como se muestra en la Figura 3.13. a Compruebe que f (x, y) es una funcin de densidad y calcule o

at e

m
2

Figura 3.13: Funcin de densidad f (x, y) = (x + y)/8, para x, y [0, 2]. o a) fX (x). b) fY (y). c) FX,Y (x, y). d) FX (x). e) FY (y). f) fX|Y (x|y). g) fY |X (y|x). h) FX|Y (x|y). j) P (Y > X). k) P (X > 1 | Y < 1). l) P (X > 1). m) P (X + Y > 1). n) P (|X Y | > 1). i) FY |X (y|x).

ww w.

at ic
x

a1

.c o

f (x, y)

303. Sea (X, Y ) un vector con funcin de densidad f (x, y) = 8xy, para o 0 < x < y < 1. Graque y compruebe que f (x, y) es una funcin de o densidad. Calcule adems a a) fX (x). b) fY (y). c) FX,Y (x, y). d) FX (x). e) FY (y). f) fX|Y (x|y). g) fY |X (y|x). h) FX|Y (x|y). j) P (Y < 1/2, X < 1/2). l) P (XY < 1). m) P (X + Y < 1). k) P (Y > 1/2 | X > 1/2). i) FY |X (y|x).

n) P (|X Y | < 1).

f (x, y)

M at

em at
y x

Figura 3.14: Funcin de densidad f (x, y) = 1 (x + y) exy , para x, y > 0. o 2

ww

w.

ic

304. Sea (X, Y ) un vector con funcin de densidad f (x, y) = 1 (x+y) exy , o 2 para x, y > 0, cuya grca aparece en la Figura 3.14. Compruebe que a f (x, y) es una funcin de densidad y calcule o

a1

.c

om

a) fX (x). b) fY (y). c) FX,Y (x, y). d) FX (x). e) FY (y). f) fX|Y (x|y). g) fY |X (y|x).

h) FX|Y (x|y). j) P (0 < X < 1, 0 < Y < 1). k) P (Y > 2 | X < 1). l) P (XY < 1). m) P (X + Y > 1). n) P (|X Y | < 1). i) FY |X (y|x).

305. Sea (X, Y ) un vector con funcin de densidad f (x, y) = 4x(1 y), o para 0 < x, y < 1, cuya grca se muestra en la Figura 3.15. a

M at

em at

ic
1

a1
y Figura 3.15: Funcin de densidad f (x, y) = 4x(1 y), para 0 < x, y < 1. o Compruebe que f (x, y) es efectivamente una funcin de densidad y o calcule

ww

w.

.c o

f (x, y)

a) fX (x). b) fY (y). c) FX,Y (x, y). d) FX (x). e) FY (y). f) fX|Y (x|y). g) fY |X (y|x).

h) FX|Y (x|y). j) P (X > 1/2). k) P (1/4 < Y < 3/4 | X < 1/2). l) P (Y > X 2 ). m) P (2X Y > 1). n) P (|X 2Y | < 1). i) FY |X (y|x).

306. Sea (X, Y ) un vector con funcin de densidad f (x, y) = 3y, para o 0 < x < y < 1. Compruebe que f (x, y) es efectivamente una funcin o de densidad y calcule

c) fX (x) y fY (y).

d) E(X | X + Y = 6). o 308. Sea (X, Y ) un vector con funcin de densidad dada por la siguiente tabla x\y -1 0 1 1 .3 .05 .05 2 .05 .2 .05 3 .1 .1 .1 Calcule a) P (X = 2), P (X + Y = 1) y P (Y X).

ww w.

b) P (X + Y 6).

M at

a) P (X = Y ).

em

o 307. Sea (X, Y ) un vector con distribucin uniforme en el conjunto {1, . . . , 6} {1, . . . , 6}. Calcule

at

ic

c) E(Y ) y E(Y | X = x).

a1

b) fX (x) y fY (y).

.c om

a) P (X + Y < 1/2).

b) fX (x) y fY (y). d) E(Y | X = x) para x = 1, 2, 3. 309. Sean X y Y independientes ambas con distribucin exp(). Demuestre o que la distribucin condicional de X dado que X + Y = u, es uniforme o en el intervalo (0, u). 310. Sean A y B dos eventos con probabilidad positiva y sea X una variable con esperanza nita. Demuestre o proporcione un contraejemplo. a) Si A B, entonces E(X | A) E(X | B). b) E(X | A) E(X). c) fY | X (y | x) para x = 1, 2, 3.

312. Sea (X, Y ) un vector aleatorio absolutamente continuo con funcin de o densidad fX,Y (x, y). Demuestre que las variables X y Y son independientes si, y slo si, para casi todo par de nmeros x y y se cumple o u fX,Y (x, y) = fX (x) fY (y). 313. Demuestre la variable aleatoria constante es independiente de cualquier otra variable aleatoria. Inversamente, suponga que X es independiente de cualquier otra variable aleatoria, demuestre que X es constante. 314. Demuestre que los eventos A y B son independientes si, y slo si, las o variables aleatorias indicadoras 1A y 1B lo son.

ww

w.

at em

311. Sean X y Y variables aleatorias discretas con valores en los conjuntos {x1 , x2 , . . .} y {y1 , y2 , . . .}, respectivamente. Demuestre que X y Y son o ndices independientes si, y slo si, para cualesquiera valores de los i, j = 1, 2, . . . P (X = xi , Y = yj ) = P (X = xi ) P (Y = yj ).

at ic

a1

Independencia de variables aleatorias

.c

om

315. Demuestre que si tres variables aleatorias son independientes, entonces cualesquiera dos de ellas lo son. Ms generalmente, demuestre que a cualquier subconjunto nito de un conjunto de variables aleatorias independientes tambin lo es. e 316. Sean X y Y independientes. Demuestre que cada uno de los siguientes pares de variables aleatorias tambin son independientes. El siguiente e ejercicio generaliza este resultado. a) X y Y . b) |X| y |Y |.

317. Sean X1 , . . . , Xn independientes, y sean g1 , . . . , gn : R R funciones Borel medibles. Demuestre que las variables g1 (X1 ), . . . , gn (Xn ) son independientes. 318. Demuestre que las variables aleatorias X1 , . . . , Xn son independientes si, y slo si, para cualquier vector (x1 , . . . , xn ) en Rn se cumple o

320. Sean X y Y dos variables aleatorias independientes. Recuerde las deniciones X + = mx{0, X} y X = m a n{0, X}. Demuestre que cada uno de los siguientes pares de variables aleatorias tambin son indee pendientes. a) X + y Y + . b) X + y Y . c) X y Y + . d) X y Y .

321. Determine si las siguientes son funciones de densidad de variables aleatorias independientes. a) f (x, y) = 1 , para 0 < x < a, 0 < y < b. ab b) f (x, y) = 2x, para 0 < x, y < 1. c) f (x, y) = 2exy , para 0 < x < y.

ww w.

319. Sean X1 , . . . , Xn independientes, y sea 1 k < n. Sean g : Rk R y h : Rnk R funciones Borel medibles. Demuestre que las variables aleatorias g(X1 , . . . , Xk ) y h(Xk+1 , . . . , Xn ) son independientes.

at

em at

FX1 ,...,Xn (x1 , . . . , xn ) = FX1 (x1 ) FXn (xn ).

ic a1

.c om

d) f (x, y) = exy , para x, y > 0. e) f (x, y) = 3(x2 + y 2 )/8, para x, y [1, 1]. f ) f (x, y) = 3x(1 xy), para 0 < x, y < 1. 322. Determine si las siguientes son funciones de distribucin de variables o aleatorias independientes. a) F (x, y) = (1 ex )(1 ey ), para x, y > 0.
2 2

b) F (x, y) = (1 ex )(1 ey ), para x, y > 0.

323. Demuestre que X y Y son independientes si, y slo si, cualquiera de o las siguientes condiciones se cumple: Para cada par de nmeros reales u x y y,

c) P (X > x, Y y) = P (X > x) P (Y y).

325. Diga falso o verdadero. Demuestre en cada caso. a) X, Y independientes X, Y 2 independientes.

b) X, Y independientes X 2 , Y 2 independientes.

d) X, Y independientes X + Y, X Y independientes. e) X, Y independientes XY, Y independientes. f ) X, Y, Z independientes X + Y, Z independientes.

c) X, Y independientes X + Y, Y independientes.

g) X, Y, Z independientes XY, Z independientes.

ww

w.

P (a < X b, c < Y d) = P (a < X b) P (c < Y d).

at

324. Demuestre que X y Y son independientes si, y slo si, para cualeso quiera nmeros reales a < b y c < d, u

em

at ic

b) P (X x, Y > y) = P (X x) P (Y > y).

a1

.c

a) P (X > x, Y > y) = P (X > x) P (Y > y).

om

326. Sean X y Y independientes ambas con distribucin normal estndar. o a Demuestre que Z = aX + bY + c tiene distribucin normal cuando o ab = 0. Encuentre la esperanza y varianza de Z. 327. Sean X1 , . . . , Xn variables aleatorias independientes cada una con diso tribucin Ber(p). Calcule P (X1 + + Xn = k) para k = 0, 1, . . . , n. 328. Sean X y Y independientes ambas con distribucin unif{1, . . . , n}. Eno cuentre la distribucin del vector (U, V ) = (X + Y, X Y ). Determine o adems si las variables U y V son independientes. a 329. Sean X y Y independientes con valores enteros naturales y con esperanza nita. Demuestre que E(m n{X, Y }) = P (X n)P (Y n).

331. Encuentre la funcin de densidad de X + Y cuando X y Y son indeo pendientes con distribucin uniforme en los conjuntos {0, 1, . . . , n} y o {0, 1, . . . , m} respectivamente. 332. Sean X1 , . . . , Xn independientes con distribucin geo(p). Demuestre o o que la variable X1 + + Xn tiene distribucin bin neg(n, p). 333. Sean X y Y independientes. Encuentre la funcin de distribucin de o o Z en trminos de FX (x) y FY (y) cuando e a) Z = mx{X, Y }. a b) Z = m n{X, Y }.

334. Sean X y Y independientes ambas con distribucin exp(), y sea a o una constante. Calcule P (mx{X, Y } aX) y P (m a n{X, Y } aX). 335. Sean X y Y independientes con distribucin exp(1 ) y exp(2 ) reso pectivamente. Demuestre que P (Y > X) = 1 /(1 + 2 ).

ww

w.

at

em at

330. Sean X y Y independientes con distribucin Poisson de parmetros o a 1 y 2 respectivamente. Demuestre que la distribucin condicional o de X dado que X + Y = n es bin(n, 1 /(1 + 2 )).

ic

a1

n=1

.c

om

336. Sean X y Y independientes e idnticamente distribuidas. Demuestre e que P (Y > X) = 1/2. 337. Sean X y Y variables independientes con distribucin exponencial o con parmetros 1 y 2 respectivamente. Demuestre que m a n{X, Y } tiene distribucin exponencial con parmetro 1 + 2 , y que P (X1 = o a m n{X1 , X2 }) = 1 /(1 + 2 ). Este resultado puede extenderse al caso de n variables independientes exponenciales. 338. Usando la siguiente tabla, construya una funcin de densidad f (x, y) o de un vector discreto (X, Y ), distinta de la densidad uniforme, con la condicin de que X y Y sean independientes. o x\y 0 1 0 1

a) Encuentre el valor de c que hace a f (x, y) una funcin de densidad o y graque esta funcin. o b) Calcule P (X + Y > 1) y P (X 1/2). c) Encuentre las funciones de densidad marginales fX (x) y fY (y).

d) Determine si X y Y son independientes. 341. Sea (X, Y ) un vector aleatorio con funcin de densidad f (x, y) = o x+y , para x = 0, 1, 2, y y = 1, 2. Encuentre el valor de la consc/2 tante c y determine si X y Y son independientes. Calcule adems las a probabilidades P (X = 1), P (X = 2 | Y = 2) y P (XY = 2). 342. Sea (X, Y ) un vector aleatorio con funcin de densidad f (x, y) = 2, o para 0 < x < y < 1.

ww

w.

340. Sea (X, Y ) un vector con funcin de densidad f (x, y) = c (1 x), para o 0 < x < y < 1.

at

em

339. Sea (X, Y ) un vector discreto con distribucin de probabilidad uniforo me en el conjunto {1, . . . , n}{1, . . . , m}, con n y m enteros positivos. Demuestre que X y Y son independientes.

at

ic a1

.c

om

a) Graque y demuestre que f (x, y) es una funcin de densidad. o b) Encuentre las funciones de densidad marginales fX (x) y fY (y). c) Determine si X y Y son independientes. d) Calcule P (Y > X) y P (Y > X 2 ). o 343. Sea (X, Y ) un vector con funcin de densidad f (x, y) = c |x + y|, para 1 < x, y < 1. a) Encuentre el valor de la constante c que hace a f (x, y) una funcin o de densidad y graque esta funcin. o b) Calcule P (X > 0), P (XY > 0) y P (0 < X + Y < 1). c) Encuentre las funciones de densidad marginales fX (x) y fY (y).

346. Sea (X, Y, Z) un vector aleatorio con funcin de densidad f (x, y, z) = o 8xyz, para 0 < x, y, z < 1. a) Compruebe que f (x, y, z) es una funcin de densidad. o b) Calcule P (X < Y < Z) y P (X + Y + Z < 1). c) Encuentre fX,Y (x, y), fX,Z (x, z) y fY,Z (y, z). d) Determine si X, Y y Z son independientes. 347. Sea (X, Y, Z) un vector aleatorio con funcin de densidad f (x, y, z) = o 24x, para 0 < x < y < z < 1. a) Compruebe que f (x, y, z) es una funcin de densidad. o b) Calcule P (X + Y < 1) y P (Z X > 1/2).

ww

w.

at

345. Sean X y Y independientes con distribucin Poisson con parmetros o a o 1 y 2 respectivamente. Demuestre que X + Y tiene distribucin Poisson(1 + 2 ).

em at

ic

344. Sean X y Y independientes con distribucin bin(n, p) y bin(m, p), o respectivamente. Demuestre que X+Y tiene distribucin bin(n+m, p). o

a1

.c

om

d) Determine si X y Y son independientes.

c) Encuentre fX,Y (x, y), fX,Z (x, z) y fY,Z (y, z). d) Determine si X, Y y Z son independientes. 348. Sea X1 , X2 , . . . una sucesin de variables aleatorias independientes o cada una con distribucin unif(0, 1). Demuestre que para cualquier o > 0, l P (mx{X1 , . . . , Xn } 1 /n) = e . m a
n

349. Sean X y Y independientes con distribucin Poisson de parmetros o a 1 y 2 respectivamente. Demuestre que E(X | X + Y = n) = n 1 . 1 + 2

Esperanza de una funcin de un vector aleatorio o

351. Demuestre que la condicin E(XY ) = E(X)E(Y ) no implica necesao riamente que X y Y son independientes. Para ello considere cualquiera de los siguientes ejemplos. 1/8 si (x, y) = (1, 1), (1, 1), (1, 1), (1, 1), a) f (x, y) = 1/2 si (x, y) = (0, 0), 0 otro caso. b) f (x, y) = 3(x2 + y 2 )/8, para x, y [1, 1]. c) X con distribucin uniforme en {1, 0, 1} y Y = 1(X=0) . o 352. Demuestre que si las variables X1 , . . . , Xn son independientes e integrables, entonces E(X1 Xn ) = E(X1 ) E(Xn ). 353. Sean X y Y independientes. Diga falso o verdadero justicando en cada caso.

ww w.

M at

em

at

ic

350. Encuentre una distribucin conjunta de dos variables aleatorias X y o Y que no sean independientes y que Y tenga distribucin marginal o Ber(p).

a1

.c o

a) Var(X + Y ) = Var(X) + Var(Y ). b) Var(X Y ) = Var(X) Var(Y ). c) Var(XY ) = Var(X)Var(Y ). 354. Sean X y Y variables aleatorias independientes con varianza nita. Demuestre que Var(XY ) = Var(X) Var(Y ) + E 2 (X) Var(Y ) + E 2 (Y ) Var(X). e o 355. Sean X1 , . . . , Xn independientes con idntica distribucin y con esperanza nita. Demuestre que si x es tal que fX1 ++Xn (x) = 0, entonces E(X1 | X1 + + Xn = x) = x . n

b) Calcule y graque las densidades marginales fX (x) y fY (y). Verique que ambas funciones son efectivamente de densidad. c) Demuestre que X y Y no son independientes. d) Calcule E(XY ) y fX+Y (u). 357. Sea (X, Y ) un vector discreto con siguiente tabla. x\y 2 1 2/18 2 3/18 3 1/18 funcin de densidad dada por la o 4 3/18 5/18 1/18 6 1/18 1/18 1/18

ww

a) Graque f (x, y) y compruebe que efectivamente se trata de una funcin de densidad conjunta. o

w.

at

x\y 1 2 3

at ic
-1 .1 .06 .1

a1
0 .05 .2 .05

356. Sea (X, Y ) un vector aleatorio discreto con funcin de densidad f (x, y) o dada por la siguiente tabla.

em

.c

om
1 .1 .04 .3

a) Graque f (x, y) y compruebe que efectivamente es una funcin o de densidad conjunta. b) Calcule y graque las densidades marginales fX (x) y fY (y). Verique que ambas son efectivamente funciones de densidad. c) Demuestre que X y Y no son independientes. d) Calcule E(XY ) y fX+Y (u). 358. Sea (X, Y ) un vector aleatorio con funcin de densidad dada por o f (x, y) = 8xy si 0 < y < x < 1, 0 otro caso.

d) Calcule E(XY ) y fX+Y (u).

Esperanza y varianza de un vector

359. Calcule la esperanza y varianza del vector aleatorio (X, Y ) cuya funcin de densidad conjunta es o a) f (x, y) = 1 , para 0 < x < a, 0 < y < b. ab b) f (x, y) = 4xy, para x, y [0, 1].

Covarianza
360. Sea a cualquier nmero real jo. Encuentre variables aleatorias X y u Y tales que Cov(X, Y ) = a,

ww w.

M at

em

at

c) Demuestre que X y Y no son independientes.

ic

b) Encuentre y graque las densidades marginales fX (x) y fY (y). Verique que ambas son efectivamente funciones de densidad.

a1

.c o

a) Graque f (x, y) y compruebe que efectivamente es una funcin o de densidad conjunta.

361. Diga falso o verdadero. Demuestre en cada caso. a) X 0, Y 0 Cov(X, Y ) 0.

b) Cov(X, Y ) = 0, Cov(Y, Z) = 0 Cov(X, Z) = 0.

d) Cov(X, Y ) = a, Cov(Y, Z) = a Cov(X, Z) = a. 362. Diga falso o verdadero. Demuestre en cada caso. a) Cov(X, Y ) 0.

c) Cov(X, Y ) > 0, Cov(Y, Z) > 0 Cov(X, Z) > 0.

b) Cov(aX, bY ) = ab Cov(X, Y ), con a, b constantes. c) Cov(X, aY + b) = a Cov(X, Y ) + b, con a, b constantes.

a) Cov(X, Y ) = E(XY ) E(X)E(Y ). b) Cov(X, Y ) = Cov(Y, X). c) Cov(X, X) = Var(X).

d) Cov(X, X) = Var(X).

364. Demuestre que la condicin Cov(X, Y ) = 0 no es suciente para cono cluir que X y Y son independientes. En el texto se proporciona un ejemplo para un vector discreto, construya ahora un ejemplo para un vector continuo. 365. Demuestre que Var(X Y ) = Var(X) + Var(Y ) 2 Cov(X, Y ). 366. Demuestre que
n

a) Var(X1 + + Xn ) =

ww

f ) Cov(X1 + X2 , Y ) = Cov(X1 , Y ) + Cov(X2 , Y ).

w.

e) Cov(aX + b, Y ) = a Cov(X, Y ), con a, b constantes.

at em

at ic a1
Var(Xk ) + 2 Cov(Xj , Xk ).
j<k

k=1

.c o

363. Demuestre que

b) Cov(
i=1

ai Xi ,
j=1

bj Y j ) =
i=1 j=1

ai bj Cov(Xi , Yj ).

367. Sean X1 , . . . , Xn independientes y con varianza nita. Demuestre que

n

Var(X1 + + Xn ) =

Var(Xk ).
k=1

368. Sean X1 , . . . , Xn independientes y con idntica distribucin. Dena e o = (X1 + + Xn )/n. Demuestre que para cada k = 1, . . . , n, X Cov(Xk X, X) = 0.

372. Calcule la covarianza de X y Y cuya funcin de densidad conjunta o est dada por la siguiente tabla. a x\y 2 4 6 1 .2 .05 .05 2 .05 .1 .1 3 .15 .15 .15

373. Calcule la covarianza de X y Y , cuya funcin de densidad conjunta es o a) f (x, y) = 1 , para 0 < x < a, 0 < y < b. ab

ww

x\y -1 1

at

em
-1 1/12 3/12

371. Calcule la covarianza de X y Y cuya funcin de densidad conjunta o est dada por la siguiente tabla. a 0 2/12 2/12 1 3/12 1/12

w.

at

ic

370. Sea (X, Y ) con distribucin uniforme en el conjunto (a, b) (c, d). o Demuestre que Cov(X, Y ) = 0.

a1

.c om

369. Sea (X, Y ) con distribucin uniforme en el conjunto {1, . . . , n}{1, . . . , n}. o Demuestre que Cov(X, Y ) = 0.

b) f (x, y) = 3x2 y, para 1 < x < 1, 0 < y < 1. d) f (x, y) = exy , para x, y > 0.
2 2 374. Sea (X, Y ) un vector con distribucin normal N(X , X , Y , Y , ). o Demuestre que Cov(X, Y ) = X Y .

c) f (x, y) = ex /2, para |y| < x.

Coeciente de correlacin o
375. Demuestre nuevamente que 1 (X, Y ) 1, ahora a partir de la desigualdad de Cauchy-Schwarz. 376. Diga falso o verdadero. Demuestre en cada caso.

b) (X, Y ) > 0, (Y, Z) > 0 (X, Z) > 0.

d) (X, Y ) = 1, (Y, Z) = 1 (X, Z) = 1. f ) (X, Y )(Y, Z) = 1 (X, Z) = 1.

g) (X, Y ) = a, (Y, Z) = a (X, Z) = a. 377. Diga falso verdadero. Demuestre en cada caso. a) (X, Y ) = (Y, X). b) (X + a, Y ) = (X, Y ), a constante. c) (aX + b, Y ) = a (X, Y ) + b, a, b constantes. 378. Sea a un nmero cualquiera en [1, 1]. Encuentre variables aleatorias u X y Y tales que (X, Y ) = a. 379. Sean X y Y independientes con distribucin Ber(p) con p = 1/2. o Demuestre que el coeciente de correlacin entre X + Y y |X Y | es o cero, y sin embargo estas variables aleatorias no son independientes.

ww w.

e) (X, Y ) = 1, (Y, Z) = 1 (X, Z) = 1.

at

em

c) (X, Y ) < 0, (Y, Z) < 0 (X, Z) < 0.

at

ic a

a) (X, Y ) = 0, (Y, Z) = 0 (X, Z) = 0.

1.c

om

380. Sea X con distribucin normal estndar. Demuestre que el coeciente o a 2 es cero, y sin embargo estas variables no de correlacin entre X y X o son independientes. Este resultado puede extenderse al caso en el que la distribucin de X cumple la condicin E(X) = E(X 3 ) = 0. o o 381. Sea X una variable aleatoria y sean a y b constantes. Demuestre que a) (X, X) = 1. b) (X, X) = 1. c) (X, aX + b) = signo(a). 382. Demuestre que (aX + b, cY + d) = ac = 0. Recuerde que +1 signo(x) = 1 0 signo(ac) (X, Y ), en donde si x > 0, si x < 0, si x = 0.

M at

em
x\y 0 1

383. Calcule el coeciente de correlacin de X y Y cuya funcin de densidad o o conjunta est dada por la siguiente tabla. a 1 1/8 1/2 2 1/4 1/8

384. Calcule el coeciente de correlacin de X y Y cuya funcin de densidad o o conjunta est dada por la siguiente tabla. a x\y 2 4 6 1 1/9 1/9 1/9 2 1/9 1/9 1/9 3 1/9 1/9 1/9

385. Calcule el coeciente de correlacin de X y Y con distribucin cono o junta uniforme en el conjunto

ww

w.

at

ic a

1.c

om

a) {1, . . . , n} {1, . . . , n}. b) [1, 1] [1, 1]. 386. Sea X con distribucin bin(n, p) y sea Y = n X. Demuestre que o Cov(X, Y ) = np(1 p), y por lo tanto (X, Y ) = 1. 387. Calcule el coeciente de correlacin de X y Y cuya funcin de densidad o o conjunta es a) f (x, y) = b) f (x, y) = c) f (x, y) =
1 2 sen(x ex /2,

+ y), para x, y [0, /2]. para |y| < x. para x, y > 0.

exy ,

Distribucin multinomial o

390. Sea (X1 , . . . , Xk1 ) un vector con distribucin multinomial de parmeo a tros (n, p1 , . . . , pk1 ). Demuestre que cada coordenada Xi tiene distribucin marginal bin(n, pi ), para i = 1, . . . , k 1. o 391. Sea X = (X1 , . . . , Xk1 ) un vector con distribucin multinomial de o parmetros (n, p1 , . . . , pk1 ). Demuestre que E(X) = (np1 , . . . , npk1 ) a y que npi (1 pi ) si i = j, [Var(X)]ij = npi pj si i = j.

Distribucin hipergeomtrica multivariada o e

392. Demuestre que la funcin de densidad de la distribucin hipergeomtrio o e ca multivariada efectivamente lo es.

ww w.

at

389. Demuestre que la funcin de densidad de la distribucin multinomial o o efectivamente lo es.

em

at

ic a

1.c

2 2 388. Sea (X, Y ) un vector con distribucin normal N(X , X , Y , Y , ). o Demuestre que (X, Y ) = .

om

393. Sea (X1 , . . . , Xk ) un vector con distribucin hipergeomtrica multivao e a riada con parmetros (N, N1 , . . . , Nk , n). Demuestre que cada coordenada Xi tiene distribucin hipergeomtrica univariada con parmetros o e a (N, Ni , n), para i = 1, . . . , k. 394. Sea X = (X1 , . . . , Xk ) con distribucin hipergeomtrica multivariada o e con parmetros (N, N1 , . . . , Nk , n). Demuestre que a E(X) = (nN1 /N, . . . , nNk /N ), y que n Ni N Ni N n si i = j, N N N 1 [Var(X)]ij = n Ni Nj n N si i = j. N N N 1

397. Sea f (x, y) la funcin de densidad normal bivariada estndar con = o a 0. Dena 2f (x, y) si xy < 0, g(x, y) = 0 si xy 0.

Demuestre que g(x, y) es una funcin de densidad bivariada que no es o normal pero cuyas densidades marginales son normales estndar. a

2 2 398. Sea (X, Y ) un vector con distribucin normal (X , X , Y , Y , ). Deo muestre que E(X) = (X , Y ), y

ww

2 2 396. Sea (X, Y ) un vector con distribucin normal N(1 , 1 , 2 , 2 , ). Deo 2 o muestre que X tiene distribucin marginal N(1 , 1 ), y Y tiene distri2 ). Vase el siguiente ejercicio para vericar bucin marginal N(2 , 2 o e que el rec proco de este resultado es falso.

w.

M at

em

395. Demuestre que la funcin de densidad de la distribucin normal bivao o riada efectivamente lo es.

at

ic a
2 X X Y

Var(X, Y ) =

1.c
X Y 2 Y .

Distribucin normal bivariada o

om

2 2 399. Sea (X, Y ) un vector con distribucin normal N(1 , 1 , 2 , 2 , ). Deo o muestre que la distribucin condicional de Y dado que X = x es 2 normal con media 2 + (x 1 )2 /1 y varianza 2 (1 2 ), y que la distribucin condicional de X dado que Y = y es normal con media o 2 1 + (y 2 )1 /2 y varianza 1 (1 2 ).

400. Demuestre que a travs del cambio de variable (u, v) = ((xX )/X , (y e Y )/Y ), la funcin de densidad normal bivariada se puede escribir o como sigue f (u, v) = 1 2 1 2 exp ( 1 1 (u v)2 v 2 ). 2) 2(1 2

ww

w.

at

em

Cuando = 0 las elipses se reducen al c rculo u2 + v 2 = ln k2 .

at

v2 (u v)2 + = 1. 2 ln k2(1 ) ln k2

ic

a1

.c om

Sea c > 0 y dena k = 1/(2c 1 2 ). Demuestre ahora que las l neas de contorno f (u, v) = c son las elipses