Distribuciones

multidimensionales
III examen parcial
 Distribucin de probabilidad conjunta
La distribucin de probabilidad conjunta de la
variable aleatoria discreta k-dimensional (X1,X2, ,
Xk), denotada por f X1, X2, , Xk(x1,x2, , xk) esta dada
por:
f X1, X2, , Xk (x1,x2, , xk) = P (X1= x1, X2=x2, , Xk=xk)
para (x1,x2, , xk) IRk. Por simplificacin se usar
la notacin f (x1,x2, , xk) en lugar de f X1, X2, , Xk
(x1,x2, , xk)
Ejemplo pgina 127 1
En el primer semestre de un ao, el padrn de
estudiantes de una escuela universitaria tiene
250 estudiantes activos en el bachillerato. Se les
clasifica en 4 grupos: los de primer, segundo,
tercero y cuarto ao. Los datos se resumen en la
siguiente tabla: Grupo N de estudiantes
1 100
2 70
3 50
4 30
 Ejemplo pgina 127 2
Se extrae una muestra de 20 estudiantes, entonces sea
X1:N de estudiantes de primer ao
X2:N de estudiantes de segundo ao
X3:N de estudiantes de tercer ao
X4:N de estudiantes de cuarto ao
La distribucin de probabilidad conjunta de (X1,X2, X3,
X4) es
Distribuciones marginales de
distribuciones k-dimensionales
Dada una distribucin conjunta cualquiera f (x1,x2,
, xk) se pueden calcular muchas distribuciones
marginales. Por ejemplo para k=4 se pueden
calcular las siguientes marginales simples f(x1),
f(x2), f(x3) y f(x4), adems de las marginales
conjuntas f(x1 ,x2), f(x1 ,x3), f(x1 ,x4), f(x2 ,x3),
f(x2 ,x4), f(x1 ,x2 , x3), f(x1 ,x2 , x4), f(x2 ,x3 , x4)
Ejemplo
Para el caso del padrn de estudiantes de una
escuela universitaria podramos calcular f(x2) y
f(x1 , x4)
Distribuciones condicionales
Dada una distribucin conjunta cualquiera f
(x 1 ,x 2 , , x k ) se pueden calcular muchas
distribuciones condicionales. Por ejemplo para
k=4 se pueden calcular las siguientes
condicionales: f(x1 | x2 ,x3 , x4), f(x1 ,x4|x2 ,x3),
f(x2 |x3) entre otros.
Ejemplo
Siguiendo con el ejemplo del padrn de una
escuela universitaria visto anteriormente calcule
la distribucin condicional de X1 y X3 dadas
X2 = x2 y X4= x4, es decir, f(x1 ,x3|x2 ,x4).
Valor esperado de una variable
aleatoria k-dimensional
Teorema 1: Si (X1,X2, , Xk) es una variable k-
dimensional con distribucin de probabilidad
f(x1,x2, , xk) y g(x1,x2, , xk) es una funcin
cualquiera, el valor esperado de g(X1,X2, , Xk),
denotado por E[g(X1,X2, , Xk)] se calcula como:
E[g(X1,X2, , Xk)] = g(x1,x2, , xk) f(x1,x2, , xk),
para todos los posibles valores de (X1,X2, , Xk).

Prueba: anloga al caso bidimensional (se omite)

Funcin generatriz de momentos
Definicin: La funcin generatriz de momentos
conjunta de (X1,X2, , Xk) , se define como:

m X1,X2, , Xk (t1,t2,,tk) =E(et1 X1++tk xk) con

-hi < ti<hi, hi>0, i=1,2,,k

 Valores esperados de combinaciones
lineales
Teorema 2:
E[a1X1+ a2X2+ + anXn]= a1E[X1] + a2E[X2]+ + anE[Xn]

Prueba:
E[a1X1+ a2X2+ + anXn]= (a1X1+ a2X2+ + anXn) f(x1,x2, , xk)
= a1X1 f(x1,x2, , xk) + a2X2 f(x1,x2, , xk)+ + anXn f(x1,x2, , xk)
= a1X1 f(x1,x2, , xk)+ a2X2 f(x1,x2, , xk) + + anXn f(x1,x2, ,
xk)
= a1 X1 f(x1,x2, , xk)+a2 X2 f(x1,x2, , xk) + + an Xn f(x1,x2, ,
xk)
= a1E[X1] + a2E[X2]+ + anE[Xn]
Corolario:
E[X1+ X2+ + Xn]= E[X1] + E[X2]+ + E[Xn]
Como ejercicio
Teorema 3

Corolario 1

Corolario 2
Si X1,X2, , Xn son variables aleatorias
independientes, entonces
Teorema 4

Prueba
Ejemplo pgina 131
Suponga que para las variables aleatorias X1,X2,X3
se tiene que E(X1) = 4, E(X2) = 9, E(X3) = 3,
Var(X1) = 3, Var(X2) = 7, Var(X3) = 5, Cov(X1, X2)
=1, Cov(X2, X3) = 2, Cov(X1, X3) = 3.

Adems sea Y=2X1 3X2+X3, Z=X1+ 2X2X3. Calcule

los siguientes valores esperados
a) E(Y)
b) Var(Y)
c) Cov(Y, Z)
Solucin
a) E(Y) = 2(4) 3 (9) + 4(3) = -7.

b) Var(Y) =4(3) + 9 (7) +16(5) -2(6) (1) +2(8)(-3)

2 (12) (-2) = 143.

c)
Valor esperado y variancia muestrales
en el muestreo aleatorio simple 1
Teorema 5: Suponga que una poblacin consta
de N unidades, U1, U2, , Un y que los valores
respectivos que toma una variable X en esas
unidades son x1,x2, , xN. Sean u1,u2, , un, las n
unidades de una muestra aleatoria simple
seleccionadas en ese orden y X1,X2, , Xn los
valores respectivos de la variable X en esas n
unidades. Entonces la media muestral satisface
Valor esperado y variancia muestrales
en el muestreo aleatorio simple 2
Prueba 1
X1 puede tomar los valores x1,x2, , xN cuyas
respectivas probabilidades son 1/N, 1/N, , 1/N.
Anlogamente sucede para X2,X3, , Xn pues
tienen la misma distribucin de probabilidad de
X1 . Por su parte, (X1,X2) puede tomar los valores
(xi, xj) con probabilidad 1/N(N-1) (suponiendo
muestreo sin reemplazo); lo mismo ocurre para
cualquier par de variables (Xa,Xb) con ab.
Prueba 2

Porque todas las variancias son iguales, lo

mismo que las covariancias
Prueba 3

Por tanto
Muestra aleatoria
Definicin: Se dice que n variables aleatorias
X1,X2, , Xn constituyen una muestra aleatoria
de tamao n de una distribucin de probabilidad
discreta f(x), si las variables son independientes
y la distribucin de probabilidad de cada una es
f(x). Es decir, si su distribucin de probabilidad
conjunta f (x1,x2, , xn) se puede expresar como:
f (x1,x2, , xn) = f(x1) f(x2) f(xn)
Ejemplos de la pgina 135
Sea X1, el nmero de puntos obtenido al lanzar un
dado y X2 el nmero de puntos obtenido al lanzar de
nuevo el dado.
A) Halle la distribucin de probabilidad f(x).
B) (X1, X2) es una muestra aleatoria de f(x), halle la
distribucin de la muestra.

Suponga que (X1, X2) es una muestra aleatoria de

una distribucin de Bernoulli, halle la distribucin
de la muestra.
Teorema 6
Si (X1,X2, , Xn) es una muestra aleatoria de
una distribucin de probabilidad f(x) con media
y variancia 2, se cumple que

Prueba se omite
Distribucin Multinomial
Sean X1,X2, , Xk variables aleatorias. Se dice que
dichas variables tienen una distribucin
multinomial y nos referimos a ellas como
variables aleatorias multinomiales si y solo si su
distribucin de probabilidad conjunta esta dada
por
Ejemplo: Tomado de Miller & Miller
(1999) pgina 199
En una cierta ciudad hay tres estaciones de
televisin. Durante el horario de mxima
audiencia del sbado en la noche, el canal 12
tiene el 50% de audiencia, el canal 10 el 30% y el
canal 3 el 20%. Encuentre la probabilidad de que
en una muestra de 8 televidentes en esa ciudad
elegidos aleatoriamente durante el (prime time)
del sbado en la noche 5 vieran canal 12, 2 canal
10 y 1 canal 3.
Ejemplo
Una empresa lechera desea conocer la opinin
que se tiene sobre sus tres productos estrella,
yogurt light, queso crema y helado de yogurt.
Las preferencias a cerca de los productos son del
10%, 30% y 40% respectivamente. Cul es la
probabilidad de que en una muestra aleatoria de
10 personas tres prefieran el yogurt light, dos
prefieran el queso crema y tres el helado de
yogurt?
Ejemplo pgina 137
En un hogar viven 4 adultos: 2 estn con el
candidato A, uno con el candidato B y uno con el
candidato C. Se selecciona una muestra con
reemplazo de tres personas y se anotan los
nombres de los candidatos que apoyan, sea X1: el
nmero de veces que sale A, X2: el nmero de
veces que sale B y X3: el nmero de veces que
sale C. Cul es la probabilidad conjunta de X1,
X2 y X3 ?
 Teoremas relativos a la distribucin
multinomial 1
Si las variables X1,X2, , Xk se distribuyen como una
multinomial de parmetros n y p1, p2, , pk entonces:
1. La distribucin de probabilidad marginal de Xi es
binomial de parmetros n y pi.
2. La distribucin de probabilidad de Xi + Xj , ij, es
binomial de parmetros pi + pj.
3. La distribucin condicional de Xi dado Xj=xj , ij,
es binomial de parmetros n xj y pi /(1 pj)
Teoremas relativos a la distribucin
multinomial 2
4. Cov (Xi + Xj ) = n pi pj para ij.

5. La generatriz de momentos conjunta de X1,X2,

, Xk es:
Pruebas 1
1) Considere un experimento aleatorio que puede
producir k diferentes resultados denotados por
s1,s2,,sk, con probabilidades respectivas y p1, p2,
, pk y cuya suma es 1. Suponga que el
experimento se repite n veces, de manera que los
eventos son mutuamente independientes. Sea Xi :
el nmero de veces que ocurre el resultado si en
las n repeticiones, con xi 0 0,1,,n y p(si) = pi en
cada repeticin. Por tanto, Xi es una variable con
distribucin binomial de parmetros n y pi.
 Pruebas 2
2. Sea Y = Xi + Xj . Y es el nmero de veces que ocurre si
o sj en las n repeticiones del experimento, con P (si
o sj ) = pi + pj en cada repeticin. Por tanto, Y se
distribuye como una binomial de parmetros n y pi +
pj .
3. Tmese el caso i= 1, j = 2. Sea y = n X1 X2. Las
variables X1 , X2, Y se distribuyen como una
multinomial de parmetros n, p1 , p2 y 1 p1 p2 .
Esto sucede por que en cada repeticin del
experimento solo se consideran tres resultados
posibles a saber s1, s2 y todos los dems (s3, s4,, sk)
con probabilidades p1 , p2 y 1 p1 p2 ,
respectivamente.
Pruebas 3
Pruebas 4
4. Como Xi + Xj es una binomial de parmetros n
y pi + pj , adems Xi es una binomial de
parmetros n y pi , anlogamente Xj es una
binomial de parmetros n y pj:
Pruebas 5
Igualando las dos expresiones de Var(Xi, Xj) se
obtiene
Pruebas 6
5.
Distribucin Hipergeomtrica k-
dimensional
Suponga que las variables X1,X2, , Xk tienen
una distribucin hipergeomtrica k-dimensional
si sta tiene la forma:

Con xi = 0,1,, n, xi Ni para i = 1,2, , k

Ejemplo 1
En un equipo de futbol con 12 jugadores, han
hecho una comisin de 4 representantes. En la
plantilla hay 3 delanteros, 3 mediocampistas y
6 defensas. Cul es la probabilidad de que
haya 2 delanteros y 2 mediocampistas?
Ejemplo (Miller y Miller pag 201)
En una lista para candidatos a ser jurados hay 6
hombres casados, 3 solteros, 7 mujeres casadas y
4 solteras. Suponga que se hace una seleccin
aleatoria, cul es la probabilidad de que el
jurado consista de 4 hombres casados, un
hombre soltero, 5 mujeres casadas y 2 mujeres
solteras?
Transformacin de variables aleatorias
discretas 1
Sean X y Y variables aleatorias con distribucin de
probabilidad conjunta f(x,y). Sea A el conjunto de
puntos (x,y) donde f(x,y) > 0. Se definen dos nuevas
variables aleatorias mediante la transformacin.
W = u1 (x, y)
Z = u2 (x, y)
Definidas de A en B. Suponga adems que la
transformacin es biunvoca, entonces, la
distribucin de probabilidad conjunta de la variable
bidimensional (W,Z) es
Transformacin de variables aleatorias
discretas 2

Donde: x = v1 (w, z), y = v2 (w, z) son las inversas de

w = u1 (x, y), z = u2 (x, y). Para obtener las
distribuciones de probabilidad de W y de Z, se
obtienen las marginales de W y Z de la distribucin
conjunta g(w,z). Lo anterior se puede generalizar
para X1 ,X2 , , Xn, cuando se desea encontrar la
distribucin conjunta de n variables nuevas Y1 ,Y2 ,
, Yn, definidas en funcin de las Xi.
Ejemplo pgina 142 1
Sea la distribucin de probabilidad conjunta
f(x,y) definida por

Suponga que se desea encontrar la distribucin

de probabilidad de una nueva variable aleatoria
W = XY. Para resolver el problema considere la
siguiente transformacin
Ejemplo pgina 142 2
w = xy
z = y.
Se elige z = y, para que la transformacin w =xy, z=
y, sea biunvoca. As entonces, tenemos que

A = {(x,y)|f(x,y)} = {(1,1), (1,2), (1,3), (2,1), (2,2),

(2,3), (3,1), (3,2), (3,3)}
B = {(1,1), (2,2), (3,3), (2,1), (4,2), (6,3), (3,1),
(6,2), (9,3)}
Ejemplo pgina 142 3
A cada par (x,y) de A le corresponde un nico
par (w,z) de B, por ejemplo el par (2,3) de A le
corresponde el par (6,3) de B (w = xy, z = y). As
mismo, un par (w,z) de B le corresponde segn
la transformacin , el nico par x=w/z, y=z, Por
lo que, para (w,z) B, los valores de g(w,z)
estn dados por
Ejemplo pgina 142 4
Los valores de g(w,z) y la distribucin de
probabilidad de W, g(W) se presentan en la siguiente
tabla
z
1 2 3 g(w)
1 1/36 0 0 1/36

w 2 2/36 2/36 0 4/36

3 3/36 0 3/36 6/36
4 0 4/36 0 4/36
6 0 6/36 6/36 12/36
9 0 0 9/36 9/36
Generacin de muestras aleatorias de
distribuciones discretas
Bernoulli

Binomial

Geomtrica

Binomial Negativa

Multinomial