You are on page 1of 37

4.

Modelos Multivariantes
Curso 2011-2012
Estadística
Distribución conjunta de
variables aleatorias
3 Modelos Multivariantes
Definiciones (v. a. discretas)
„ Distribución de probabilidad conjunta
de dos variables aleatorias X, Y
„ Función de distribución conjunta:
°
¯
°
®
­
= = =
∀ ≥ = =
= =
¦ ¦
∞ =
−∞ =
∞ =
−∞ =
x
x
y
y
y Y x X P
y x y Y x X P
y Y x X P
. 1 ) , (
, , 0 ) , (
) , (
) , ( ) , ( y Y x X P y x F
XY
≤ ≤ =
4 Modelos Multivariantes
Lanzamiento de dos dados
1 2 3 4 5 6
1 1/36 1/36 1/36 1/36 1/36 1/36
2 1/36 1/36 1/36 1/36 1/36 1/36
3 1/36 1/36 1/36 1/36 1/36 1/36
4 1/36 1/36 1/36 1/36 1/36 1/36
5 1/36 1/36 1/36 1/36 1/36 1/36
6 1/36 1/36 1/36 1/36 1/36 1/36
Dado
AZUL
Dado ROJO
X= “ Resultado de dado ROJO”
Y= “ Resultado de dado AZUL”
Distribución conjunta de probabilidad
P ( X=i , Y=j ) =1/36, (i,j de 1 a 6)
5 Modelos Multivariantes
Ejemplo
S: SUMA DE DOS DADOS
2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36
1 1/18 1/18 1/18 1/18 1/18
D: DIFERENCIA 2 1/18 1/18 1/18 1/18
DE DOS DADOS 3 1/18 1/18 1/18
4 1/18 1/18
5 1/18
Ejemplo: Se lanzan dos dados y se deIinen las variables
aleatorias suma (S) y valor absoluto de la diIerencia (D)
de los resultados.
Distribucion Conjunta P(S÷ x, D÷ y)
6 Modelos Multivariantes
Distribuciones Marginales
S: SUMA DE DOS DADOS
2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36 6/36
1 1/18 1/18 1/18 1/18 1/18 10/36
D: DIFERENCIA 2 1/18 1/18 1/18 1/18 8/36
DE DOS DADOS 3 1/18 1/18 1/18 6/36
4 1/18 1/18 4/36
5 1/18 2/36
1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Marginal de S
Marginal de D
7 Modelos Multivariantes
Distribuciones Marginales
¦
¦
∞ =
−∞ =
∞ =
−∞ =
= = = =
= = = =
x
x
y
y
y Y x X P y Y P
y Y x X P x X P
) , ( ) (
) , ( ) (
0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
1 2 3 4 5 6 7 8 9 10 11 12 13
Suma de
dos dados
8 Modelos Multivariantes
Distribuciones condicionadas
S: SUMA DE DOS DADOS
2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36 6/36
1 1/18 1/18 1/18 1/18 1/18 10/36
D: DIFERENCIA 2 1/18 1/18 1/18 1/18 8/36
DE DOS DADOS 3 1/18 1/18 1/18 6/36
4 1/18 1/18 4/36
5 1/18 2/36
1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
D | S = 8
0 1/5
1 0
2 2/5
3 0
4 2/5
5 0
1
Distribucion de la diIerencia
entre los dados condicionada a
que la suma es 8.
P(D ÷ y , S÷8) ÷ P(D÷y, S÷8) / P(S÷8)
9 Modelos Multivariantes
Independencia
P(X=i, Y=j) = P( X= i ) × P( Y= j )
Dado ROJO
1 2 3 4 5 6
1 1/36 1/36 1/36 1/36 1/36 1/36
2 1/36 1/36 1/36 1/36 1/36 1/36
3 1/36 1/36 1/36 1/36 1/36 1/36
4 1/36 1/36 1/36 1/36 1/36 1/36
5 1/36 1/36 1/36 1/36 1/36 1/36
6 1/36 1/36 1/36 1/36 1/36 1/36
Dado
AZUL
Las variables aleatorias X, Y son independientes si y sólo si
10 Modelos Multivariantes
Variables aleatorias continuas
: cumple que
conjunta, densidad de Iuncion la ) , ( Siendo
) , ( ) , (
y x f
ay ax y x f a Y c b X a P
XY
a
c
b
a
XY ³ ³
= ≤ ≤ ≤ ≤
1 ) , ( ) 2
, , 0 ) , ( ) 1
=
∀ ≥
³ ³

∞ −

∞ −
ay ax y x f
y x y x f
XY
XY
11 Modelos Multivariantes
Variables aleatorias continuas
„ Función de distribución
„ Funciones de densidad marginales
³ ³
∞ − ∞ −
=
x y
XY XY
av au v u f y x F ) , ( ) , (
³
³

∞ −

∞ −
=
=
ax y x f y f
ay y x f x f
XY Y
XY X
) , ( ) (
) , ( ) (
12 Modelos Multivariantes
Las variables aleatorias X, Y tienen como función
de densidad conjunta
1 0 , 1 0 , 6 ) , (
2
< < < < = y x xy y x f
XY
2 2 3
0 0
2
1
1 1
2
0 0
1
2
0
1
2 2
0
1. ( , ) 6
2. ( 1) 6
1
6
5
3. Marginales
( ) 6 2 , 0 1
( ) 6 3 , 0 1
x y
x y
y
X
Y
P X x Y y uv auav x y
P X Y xy axay
xy axay
f x xy ay x x
f y xy ax y y
+ ≤

≤ ≤ = =
+ ≤ =
= =
= = < <
= = < <
³ ³
³³
³ ³
³
³
y
x ÷ 1-y
13 Modelos Multivariantes
Independencia
.
si solo y si ntes independie son aleatorias variables Las
(y) (x)f f (x,y) f
X, Y
Y X XY
=
°
¯
°
®
­
< < =
< < =
Ÿ < < < < =
1 0 , 3 ) (
1 0 , 2 ) (
1 0 , 1 0 , 6 ) , ( . 1
2
2
y y y f
x x x f
y x xy y x f
Y
X
XY
Independientes
°
¯
°
®
­
< < − = =
< < = =
Ÿ ≤ ≤ ≤ =
³
³
1 0 ), log(
1
) (
1 0 , 1
1
) (
1 0 ,
1
) , ( . 2
1
0
y y ax
x
y f
x ay
x
x f
x y
x
y x f
y
Y
x
X
XY
No independientes
y
x
0 1
1
14 Modelos Multivariantes
Funciones de densidad
condicionadas
,
,
( , )
( , ) , cuando ( ) 0
( )
( , )
( , ) , cuando ( ) 0
( )
XY
X Y Y
Y
XY
Y X X
X
f x y
f x y f y
f y
f x y
f y x f x
f x
= >
= >
15 Modelos Multivariantes
Independencia -II
2
2
2
,
2
( ) 2 , 0 1
1. ( , ) 6 , 0 1, 0 1
( ) 3 , 0 1
6
( , ) 2 , 0 1
3
X
XY
Y
X Y
f x x x
f x y xy x y
f y y y
xy
f x y x x
x
= < <
­
°
= < < < < Ÿ
®
°
= < <
¯
= = < <
Independientes
x y
x
x y f
x y
y x
y x f
y y ax
x
y f
x ay
x
x f
x y
x
y x f
X Y
Y X
y
Y
x
X
XY
≤ ≤ =
≤ ≤ − =
°
¯
°
®
­
< < − = =
< < = =
Ÿ ≤ ≤ ≤ =
³
³
0 ,
1
) , (
1 ,
) log(
1
) , (
1 0 ), log(
1
) (
1 0 , 1
1
) (
1 0 ,
1
) , ( . 2
,
,
1
0
No independientes
16 Modelos Multivariantes
Independencia -III
(y) f x) (y f
(x) f y) (x f
X, Y
Y X Y
X Y X
=
=
,
,
si solo y si ntes independie son aleatorias variables Las
,
,
17 Modelos Multivariantes
Ejemplo
¯
®
­
> +
≤ +
=
2 2 2
2 2 2
, 0
,
) , (
r y x
r y x c
y x f
r x r x r
r
ay
r
ay y x f x f
r
c
x r
x r
X
≤ ≤ − − =
=
=
=
³
³
− +
− −

∞ −
,
2
1
) , ( ) ( . 2
.
1
. 1
2 2
2
2
2
2 2
2 2
π
π
π
18 Modelos Multivariantes
Ejemplo (cont.)
2 2 2 2
2 2
,
2 2
2
2
,
2
1
) (
) , (
) , ( . 4
,
2
1
) , ( ) ( . 3
2 2
2 2
y r x y r
y r
y f
y x f
y x f
r y r y r
r
ax
r
ax y x f y f
Y
Y X
y r
y r
Y
− ≤ ≤ − −

= =
≤ ≤ − − =
=
=
³
³
− +
− −

∞ −
π
π
f
Y
(y)
f
X,Y
(x,y)
19 Modelos Multivariantes
Independencia
.
si solo y si ntes independie son aleatorias variables Las
(y) (x)f f (x,y) f
X, Y
Y X XY
=
°
¯
°
®
­
< < =
< < =
Ÿ < < < < =
1 0 , 3 ) (
1 0 , 2 ) (
1 0 , 1 0 , 6 ) , ( . 1
2
2
y y y f
x x x f
y x xy y x f
Y
X
XY
Independientes
°
°
¯
°
°
®
­
≤ ≤ − − =
≤ ≤ − − =
Ÿ
°
¯
°
®
­
> +
≤ +
=
r y r y r
r
y f
r x r x r
r
x f
r y x
r y x
r
y x f
Y
X
,
2
) (
,
2
) (
, 0
,
1
) , ( . 2
2 2
2
2 2
2
2 2 2
2 2 2
2
π
π
π
No Independientes
20 Modelos Multivariantes
Esperanza de g(X,Y)
³ ³
¦ ¦

∞ −

∞ −
∞ =
−∞ =
∞ =
−∞ =
=
= = =
axay y x f y x g E[g(X,Y){
Y X g
X, Y b
y Y x X P y x g E[g(X,Y){
Y X g
X, Y a
XY
x
x
y
y
) , ( ) , (
: como ) , ( Iuncion la de esperanza
deIine se continuas, aleatorias les son variab Si ) (
) , ( ) , (
: como ) , ( Iuncion la de esperanza
deIine se discretas, aleatorias les son variab Si ) (
21 Modelos Multivariantes
Propiedades de E[g(X,Y)]
( )
E|Y| E|X| Y| E|X
Ejemplo
)| ( | )| ( |
) ( ) ( ) ( ) (
) , ( ) ( ) , ( ) (
) , ( ) , (
) , (
cumple se ) Y) g(X, Si
2 1
2 1
2 1
2 1
2 1 2 1
2 1
+ = +
+ =
+ =
¸
¹
·
¨
©
§
+
¸
¹
·
¨
©
§
=
+ =
+ = +
+ =
³ ³
³ ³ ³ ³
³ ³ ³ ³
³ ³

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −
Y g E X g E
ay y f y g ax x f x g
ay ax y x f y g ax ay y x f x g
axay y x f (y) g axay y x f (x) g
axay y x f (y) g (x) g (Y){ g (X) E[g
(Y g (X) g
Y X
XY XY
XY XY
XY
22 Modelos Multivariantes
Covarianza
( )
.
,
E[Y{ ȝ E[X{ ȝ
axay y x f ) ȝ )(y ȝ (x
){ ȝ )(Y ȝ E[(X Cov(X,Y)
Cov(X,Y)
X, Y
Y X
Y X
Y X
= =
− − =
− − =
³ ³

∞ −

∞ −
y donde
: como define se y
por denota se , aleatorias variables dos de covarianza La
¦¦
= = − − =
− − =
i f
f i Y f X i
Y X
y Y x X )P ȝ )(y ȝ (x
){ ȝ )(Y ȝ E[(X Cov(X,Y)
) , (
: discretas son s v.a' las Si
23 Modelos Multivariantes
Propiedades de la covarianza
Propiedades
· Cov(X,Y)÷E[XY{ - E[X{E[Y{
·Jar (X·Y) ÷ Jar(X) · Jar(Y) · 2 Cov(X,Y)
La covarianza es una medida de la dependencia lineal entre
las dos variables. Si las variables son independientes,
Cov(X,Y)÷0
( )
( )
( ) 0 ) (
( )
,
= − − =
− − =
− − =
³ ³
³ ³
³ ³

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −
ay y )f ȝ (y ax x )f ȝ (x
axay y f x )f ȝ )(y ȝ (x
axay y x f ) ȝ )(y ȝ (x Cov(X,Y)
Y Y X X
Y X Y X
Y X
24 Modelos Multivariantes
Medias y Matriz de Varianzas
¸
¸
¹
·
¨
¨
©
§
=
¸
¸
¹
·
¨
¨
©
§
=
¸
¸
¹
·
¨
¨
©
§
=
2
2
| |
varianzas de Matriz
| |
medias de Vector
; aleatorio Vector
Y XY
XY X
Y
X
U Jar
U E
Y
X
σ σ
σ σ
µ
µ
U
X, Y dos variables aleatorias con Iuncion de densidad conjunta
f (x,y)
) , (
| | |, | ) ( :
| | |, | ) ( :
2
2
Y X Cov
Y Jar Y E y f Y
X Jar X E x f X
XY
Y Y Y
X X X
=
= = →
= = →
σ
σ µ
σ µ
25 Modelos Multivariantes
Correlación
.
) ( ) (
) , (
como aleatorias
variables dos entre n correlacio de e coeIicient deIine Se
Y Jar X Jar
Y X Cov
(X,Y)
X, Y
= ρ
ρ
Propiedades
· -1 ≤ ρ(X,Y) ≤ ¹1
· Si X e Y son independientes, entonces ρ(X,Y) ÷ 0.
· Y ÷ a · b X ⇔ ρ(X,Y) ÷ 1 (b~0) o ρ(X,Y) ÷ -1 (b·0)
26 Modelos Multivariantes
n variables aleatorias
) x ,x (x f
n X
,...,
2 1
Para hacer calculo de probabilidades de un suceso en el
que intervenga las variables aleatorias X
1
, X
2
, ..., X
n
es
preciso conocer la distribucion de probabilidad conjunta.
Si las variables son continuas se emplea la Iuncion de
densidad conjunta
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
=
n
X
X
X
#
2
1
X
n
x x x
n n
n
at at at t t t f x x x F
x x x F
n n
" "
2 1 2 1 2 1
2 1
1 1
) ,..., , ( ) ,..., , (
). ,..., , ( conjunta on distribuci de Iuncion la o
³ ³ ³
∞ − ∞ − ∞ −

=
X X
X
27 Modelos Multivariantes
Vector de variables aleatorias
n
x x x
n n
n
n
n
at at at t t t f x x x F
x x x F
x x x f
n X X X
n n
" "
2 1 2 1 2 1
2 1
2 1
2 1
1 1
) ,..., , ( ) ,..., , (
). ,..., , ( conjunta on distribuci de Iuncion la por o
) ,..., , ( : conjunta densidad de Iuncion su
por ada caracteriz viene conjunta ad probabilid de on distribuci Su
continuas v.a. de (vector) Conjunto ) ,..., , (
³ ³ ³
∞ − ∞ − ∞ −

=
→ =
X X
X
X
X
28 Modelos Multivariantes
Distribuciones marginales
n n i i
i i
n
ax ax ax x x x f x f
x f
n X X X
" "
2 1 2 1
i
2 1
) ,..., , ( ) (
), ( , X de marginal densidad de Iuncion La

continuas v.a. de (vector) Conjunto ) ,..., , (
³ ³ ³

∞ −

∞ −

∞ −
=
→ =
X
X
Todas menos x
i
n n f i if
f i if f i
ax ax ax x x x f x x f
x x f , X X
" "
2 1 2 1
) ,..., , ( ) , (
), , ( ), ( de marginal densidad de Iuncion La
³ ³ ³

∞ −

∞ −

∞ −
=
X
Todas menos x
i
y x
f
29 Modelos Multivariantes
Esperanza
2 1 2 1 12 2 1
2 1 2 1 2 1 2 1
2 1 2 1
2 1 2 1 2 1
2 1
) , ( ) , (
) ,..., , ( ) , ( )| , ( |
) (
) ,..., , ( | |
: demostrar Iacil Es
) ,..., , ( ) ,..., , ( )| ( |
) ,..., , ( ) g( de Esperanza
ax ax x x f x x g
ax ax ax x x x f x x g X X g E
ax x f x
ax ax ax x x x f x X E
ax ax ax x x x f x x x g g E
X X X g
n n
i i i i
n n i i
n n n
n
³ ³
³ ³ ³
³
³ ³ ³
³ ³ ³

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −

∞ −
=
=
=
=
=
=
" "
" "
" "
X
X
X
X
X
30 Modelos Multivariantes
Vector de Medias y Matriz de
Varianzas
°
¯
°
®
­
≠ =
=

¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
=
°
°
¯
°
°
®
­
=
=
=

¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
=
→ =
f i X X Cov
X Jar
Jar
X E
X E
X E
E
n X X X
if f i
i i
n n n
n
n
n n n
T
n
σ
σ
σ σ σ
σ σ σ
σ σ σ
µ
µ
µ
µ
µ
µ
) , (
) (
| |
| |
| |
| |
| |
aleatorias variables de Vector , ) ,..., , (
2
2
2 1
2
2
2 12
1 12
2
1
2 2
1 1
2
1
2 1
"
# % # #
"
"
# #
X
X
X
31 Modelos Multivariantes
Independencia
. ,...,
si solo y si
ntes independie son ,..., aleatorias variables Las
2 2 1 1 2 1
2 1
) (x f ) (x )f (x f ) x ,x f(x
X ,X X
n n n
n
" =
32 Modelos Multivariantes
Transformaciones Lineales
n n
n n
T
n
T
n
a a a E Y E
X a X a X a Y
n a a a
n X X X
µ µ µ + + + = =
= + + + =
→ =
→ =
"
"
2 2 1 1
2 2 1 1
2 1
2 1
| | | |
constantes de Vector , ) ,..., , (
aleatorias variables de Vector , ) ,..., , (
X a
X a
a
X
T
T
( )
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
= =
n n n n
n
n
n
a
a
a
a a a Jar Y Jar
#
"
# % # #
"
"
"
2
1
2
2 1
2
2
2 12
1 12
2
1
2 1
| | | |
σ σ σ
σ σ σ
σ σ σ
a X a
T
33 Modelos Multivariantes
Transformaciones Lineales
Caso General
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
=
=
= → =
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
=
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
× →
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
=
→ =
mn n n
m
m
n n n
n
n
mn m m
n
n
T
n mn m m
n
n
m
mn m m
n
n
T
n
a a a
a a a
a a a
a a a
a a a
a a a
Jar Y Jar
E Y E
X
X
X
a a a
a a a
a a a
Y
Y
Y
n m
a a a
a a a
a a a
n X X X
"
# % # #
"
"
"
# % # #
"
"
"
# % # #
"
"
#
"
# % # #
"
"
#
"
# % # #
"
"
2 1
2 22 12
1 21 11
2
2 1
2
2
2 12
1 12
2
1
2 1
2 22 21
1 12 11
2
1
2 1
2 22 21
1 12 11
2
1
2 1
2 22 21
1 12 11
2 1
| | | |
| | | |
constantes de Matriz
aleatorias variables de Vector , ) ,..., , (
σ σ σ
σ σ σ
σ σ σ
A X A
X A AX
a
X
34 Modelos Multivariantes
Transformaciones Lineales
(Independencia)
( )
2 2 2
2
2
2
2
1
2
1
2
1
2
2
2
2
1
2 1
2 2 1 1
2 1
2 1
0 0
0 0
0 0
| |
constantes de Vector , ) ,..., , (
ntes independie aleatorias variables de Vector , ) ,..., , (
n n
n n
n
n n
T
n
T
n
a a a
a
a
a
a a a Y Jar
X a X a X a Y
n a a a
n X X X
σ σ σ
σ
σ
σ
+ + + =
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
=
+ + + =
→ =
→ =
"
#
"
# % # #
"
"
"
"
a
X
35 Modelos Multivariantes
Ejemplo:
Calcular la media y la varianza de la suma de 12 variables
aleatorias independientes con distribucion uniIorme en (0,1)
1 | | | |
6 | | | |
0 ) , (
12 / 1 | |
2 / 1 | |
) 1 , 0 ( ,
12
1
12
1
12 2 1
12
2
1
¦
¦
=
=
= =
= =
+ + + =
°
¯
°
®
­
=
=
=

¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
=
i
i
i
i
f i
i
i
i
U Jar Y Jar
U E Y E
U U U Y
U U Cov
U Jar
U E
Uniforme U
U
U
U
U
"
#
36 Modelos Multivariantes
Ejemplo
Se dispone de n sobres con sus correspondientes cartas. Se
extraen las cartas de los sobres, se sortean y se vuelven a
introducir de forma aleatoria cada una en un sobre. ¿Cuál es el
número esperado de cartas que coinciden con su sobre inicial?
. 1
1 1 1
| | | | | | | |
inicial sobre su con coincide carta la Si , 1
inicial sobre su con coincide carta la Si , 0
ias coincidenc de Numero
2 1
2 1
= + + + =
+ + + =
¯
®
­
=
+ + + = ≡
n n n
X E X E X E X E
i
i
X
X X X X X
n
i
n
"
"
"

no
37 Modelos Multivariantes
Ejemplo
„ Un proceso fabrica una proporción p de tornillos defectuosos. Se
define X como la variable “número de tornillos extraídos del
proceso hasta que aparecen r defectuosos”. Se pide E[X] y
Var[X].
.
) 1 (
| | | | | | | |
| | | | | | | |
/ ) 1 ( | |
/ 1 |
:
2
2 1
2
2
2
2
1
p
p r
X Jar X Jar X Jar X Jar
p
r
X E X E E X E
p p X Jar
p
X
X X
X
X
X
r
r
i
i
r
i

= + + + =
= + + + =
¯
®
­
− =
=
+ + + =



"
"
"
1
i
1
X
E[X
geométrica aleatoria variable
X X
defectuoso ésimo - i el aparece que hasta extraídos tornillos de Número
defectuoso 2º el aparece que hasta extraídos tornillos de Número
defectuoso primer el aparece que hasta extraídos tornillos de Número
nuevos
nuevos
38 Modelos Multivariantes
Media de n variables
aleatorias independientes
°
¯
°
®
­
=
=
Ÿ
+ + +
=
∀ = ∀ =
°
°
¯
°
°
®
­
+ + +
=
+ + +
=
+ + +
=
→ =
n
X Jar
X E
n
X X X
X
i { Jar[X i { E[X ȝ
n
X Jar X Jar X Jar
X Jar
n
X E X E X E
X E
n
X X X
X
n X X X
n
i i
n
n
n
T
n
2
2 1
2
2
2 1
2 1
2 1
2 1
| |
| |
| | | | | |
| |
| | | | | |
| |
, ) ,..., , (
σ
µ
σ
"
"
"
"
varianza y media misma la tienen variables las Si
ntes independie aleatorias variables de Vector X
39 Modelos Multivariantes
Teorema Central del Límite
estandar. normal la de on distribuci de Iuncion la es
2
1
(t)
/ ) ( donde
), (
/
Entonces . y varianza media de
ad probabilid de on distribuci misma la con ntes independie
aleatorias variables de secuencia una Sea
2 /
2 1
2
2 1
2
³
∞ −

∞ →
= Φ
+ + + =
∞ < < ∞ − Φ =
¸
¹
·
¨
©
§


∞ <
t
x
n
n
n
ax e
n X X X X
t t t
n
X
P lim
,...,X ,X X
π
σ
µ
σ µ
"
40 Modelos Multivariantes
Teorema Central del Límite
: (aprox.) Entonces
varianza
y media de ad probabilid de ón distribuci misma la con
ntes, independie aleatorias variables Sea
2
.
2 1
∞ < σ
µ
n
,...,X ,X X
) , (
2
n
N X
σ
µ →
41 Modelos Multivariantes
x
-0,2 0 0,2 0,4 0,6 0,8 1 1,2
0
0,5
1
1,5
Media ÷ 0.5
Var ÷ 0.08
-0,2 0 0,2 0,4 0,6 0,8 1 1,2
0
1
2
3
4
5
Media ÷ 0.5
Var ÷ 0.08/10
10
10 2 1
X X X
X
+ + +
=
"
X
i
42 Modelos Multivariantes
Binomial-Poisson-Normal
Binomial
QS
Poisson
λ λλ λ
Normal
µ µµ µ,σ σσ σ
0 , → ∞ → p n
np = λ
λ σ
λ µ
λ
=
=
∞ →
) 1 (
2 / 1
p np
np
p
n
− =
=

∞ →
σ
µ
43 Modelos Multivariantes
Aproximación Binomial-Normal
n=25, p=1/2
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
44 Modelos Multivariantes
0
0.02
0.04
0.06
0.08
0.1
0.12
0 5 10
15 20 25 30 35 40 45 50
Aproximación Binomial-Normal
n = 50, p=0.5
45 Modelos Multivariantes
Normal: P(X ≤ 10.5)
Binomial: P(X ≤ 10)
Corrección por continuidad
46 Modelos Multivariantes
Corrección por continuidad
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Binomial: P(X ≤ 10)
Normal: P(X ≤ 10.5)
47 Modelos Multivariantes
Se ha tomado una muestra de 45 piezas de un proceso que Iabrica
un promedio de 25° de piezas Iuera de especiIicacion.
13 32
1.¿Cual es la probabilidad de que en la muestra haya exactamente
13 elementos deIectuosos?
Calculo exacto: Binomial 45 0 25
45
13 0 25 0 75 0 110
13
Aproximacion Normal: 11 25 2
X (n , p . )
P(X ) . . .
Y N( . , .
→ = =
§ ·
= = =
¨ ¸
© ¹
→ 9
13 12 5 13 5 0 1142
2. ¿Cual es la probabilidad de que la muestra contenga
13 o mas piezas deIectuosas?
: 13 13 14 45 0 325
12 5 11 25
: 12 5 1 ( 1 0 4310 0
2 9
)
P(X ) P( . Y . ) .
E P(X ) P(X ) P(X ) P(X ) .
. - .
A P(Y . ) - ĭ ) ĭ( . ) .
.
= = ≤ ≤ =
≥ = = + = + + = =
≥ = = − =
"
333
48 Modelos Multivariantes
Aplicación a Control de Recepción
49 Modelos Multivariantes
Plan de muestreo simple por atributos
Una compañía recibe lotes con un gran número de piezas.
Según el contrato cada lote debe tener como máximo una
proporción de piezas defectuosas igual p
A
(AQL).
Un plan de muestreo simple por atributos consiste en
determinar
n: número de piezas muestreadas
c: número máximo de piezas defectuosas en
la muestra
De forma que si X es el número de piezas defectuosas en la
muestra se aplica la siguiente regla:
x ≤ c se acepta el lote
x > c se rechaza el lote
50 Modelos Multivariantes
Riesgos del vendedor y comprador
„ Riesgo del vendedor: Probabilidad de
rechazar un lote bueno (con porcentaje
de defectuosas igual al p
A
(AQL))
α=P( X > c| p = p
A
).
„ Riesgo del comprador: Probabilidad
de aceptar un lote malo (con un
porcentaje de defectuosas p
R
>> p
A
)
β = P( X≤ c| p = p
R
).
51 Modelos Multivariantes
Planteamiento del problema
Muestra
Lote
n
DATOS.
p
A
÷ AQL α. Riesgo venaeaor
p
R
÷ RQL β. Riesgo compraaor
OBJETIJO.
n. tamaño muestral
c. maximo aefectuosas
52 Modelos Multivariantes
Ecuación del vendedor
) 1 (
Conocido
) (
)
) 1 ( ) 1 (
Si
) ) 1 ( , ( ) , ( Binomial
de muestra una en s deIectuosa piezas de Numero
lote el en s deIectuosa piezas de Proporcion
1
1
A A
A
A A
A
A A
A
A
A
p np
np c
:
: Z P
p np
np c
p np
np X
P( ) p c,p P(X Į
p p
p np np N p n X
n X
p


= Ÿ
≥ =


>


= = > =
=
− ≈ →




α
α
α
0
N(0,1)
α
:
1-α
53 Modelos Multivariantes
Ecuación del comprador
) 1 (
Conocido
) (
)
) 1 ( ) 1 (
: Si
R R
R
R R
R
R R
R
R
R
p np
np c
:
: Z P
p np
np c
p np
np X
P( ) p c,p P(X
p p


= Ÿ
≤ =





= = ≤ =
=
β
β
β
β
N(0,1)
β
:
β
0
54 Modelos Multivariantes
Valores de n y c
) 1 (
R R
R
p np
np c
:


=
β
) 1 (
1
A A
A
p np
np c
:


=
−α
) 1 (
) 1 ( ) 1 (
1
2
1
A A A
A R
R R A A
p np : np c
p p
p p : p p :
n
− + =
¸
¸
¹
·
¨
¨
©
§

− − −
=


α
β α
55 Modelos Multivariantes
np
A
np
R
α
β
c
c
c
Aceptar Lote
Recha:ar Lote
Lote Bueno
p÷p
A
Probabilidad de
aceptar un lote
bueno
Lote Malo
p÷p
R
Probabilidad de
rechazar un lote
malo
56 Modelos Multivariantes
Ejemplo: plan de muestreo
Diseñar un plan de muestreo para lotes de 10000
unidades con un AQL igual al 0.02, RQL igual a
0.08, riesgo de comprador de 0.10 y del vendedor
igual al 0.05.
4 98 . 0 02 . 0 93 65 . 1 02 . 0 93
93
02 . 0 08 . 0
92 . 0 08 . 0 28 . 1 98 . 0 02 . 0 65 . 1
28 . 1 z 0.10 y 64 . 1 z 05 . 0 Para
2
- 1
≈ × × + × =

¸
¸
¹
·
¨
¨
©
§

× + ×
=
− = Ÿ = = Ÿ =
c
n
β α
β α
57 Modelos Multivariantes
Distribución normal multivariante
positiva da semideIini Matriz
) ,..., , (
) ,..., , (
) ( ) (
2
1
exp
) 2 (
1
) ,..., , (
| | ; | | ;
2 1
2 1
1
2 / 1
2 /
2 1
2
2 1
2
2
2 12
1 12
2
1
2
1
2
1
n n
x x x
M
x x x f
X Jar X E
X
X
X
X
n T
n
n T
n
T
n
n
n n n
n
n
n n
× ∈
ℜ ∈ =
ℜ ∈ =
¿
¾
½
¯
®
­
− − − =
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
= =
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
= =
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§
=

M
x
x M x
M
µ µ µ µ
µ µ
π
σ σ σ
σ σ σ
σ σ σ
µ
µ
µ
µ
"
# % # #
"
"
# #
58 Modelos Multivariantes
Distribución normal bivariante
°
¿
°
¾
½
»
¼
º
¸
¸
¹
·
¨
¨
©
§ −
¸
¸
¹
·
¨
¨
©
§ −

°
¯
°
®
­
«
«
¬
ª
¸
¸
¹
·
¨
¨
©
§ −
+
¸
¸
¹
·
¨
¨
©
§ −



=
¸
¸
¸
¸
¸
¹
·
¨
¨
¨
¨
¨
©
§



= − =
¸
¸
¹
·
¨
¨
©
§
=
¸
¸
¹
·
¨
¨
©
§
=
ℜ ∈ =
ℜ ∈ =
¿
¾
½
¯
®
­
¸
¸
¹
·
¨
¨
©
§


− − − =


2
2 2
1
1 1
2
2
2 2
2
1
1 1
2
2
2 1
2 1
2
2
2 1
2 1
2
1
2
2 2
2
2
1
2
2 2 1
2 1
2
1
2
2 12
12
2
1
2
2 1
2
2 1
2 2
1 1 1
2 2 1 1
2 / 1
2 1
2
) 1 ( 2
1
exp
1 2
1
) , (
1
1
) 1 (
1
), 1 (
;
) , (
) , (
) (
2
1
exp
2
1
) , (
σ
µ
σ
µ
ρ
σ
µ
σ
µ
ρ
ρ σ πσ
σ σ σ
ρ
σ σ
ρ
σ
ρ
ρ σ σ
σ σ ρσ
σ ρσ σ
σ σ
σ σ
µ µ µ
µ
µ
µ µ
π
x x
x x
x x f
x x
x
x
x x
M
x x f
T
T
1
M M
M
x
M
59 Modelos Multivariantes
60 Modelos Multivariantes
-2 0 2
-2
0
2
rho=0
-2 0 2
-2
0
2
rho=0. 5
-2 0 2
-2
0
2
rho=0. 9
-2 0 2
-2
0
2
rho=-0. 2
-2 0 2
-2
0
2
rho=-0. 5
-2 0 2
-2
0
2
rho=-0.9
61 Modelos Multivariantes
Propiedades
„ Las dist. marginales son normales N(µ
i
,
σ
i
).
„ Las dist. condicionadas son normales.
„ ρ=0 ⇔Las variables son independientes
„ Transformaciones lineales:
Y = AX
X es N(µ µµ µ, M) ŸY es N(A µ µµ µ, AMA
T
)
62 Modelos Multivariantes
Ejemplo
( ) 6 1 1
)
6
1
6
0
(
) 1 (
1 1
6 ) ( ) ( ) ( | |
0 30 20 10 | |
? 1 ¿
.
4 0 0
0 1 0
0 0 1
varianzas de matriz y 30) 20, (10, media de ional tridimens normal ) X , X , (X la Sea
3 2 1 3 2 1
3 2 1
3 2 1
3 2 1
3 2 1
Φ − =


=
≥ =
≥ − + = + ≥ +
°
¯
°
®
­
= + + =
= − + =
→ − + =
+ ≥ +
¸
¸
¸
¹
·
¨
¨
¨
©
§
=
Y
P
Y P
) X X P(X ) X X P(X
X Jar X Jar X Jar Y Jar
Y E
Normal X X X Y
) X X P(X
M
Ejercicios propuestos
Capítulo 4. Distribución conjunta de varias variables
4.1 Supóngase una diana circular con centro en el origen de coordenadas y radio r y X, Y las coordenadas
de un punto elegido al azar (por ejemplo, el lanzamiento de un dardo). Supóngase que cualquier
otro punto de la diana tiene la misma probabilidad de ser elegido. Calcule f
XY
(x, y) y f
X
(x).
4.2 Un gran almacén guarda cajas que contienen piezas de distinto tipo. La proporción p de piezas de
tipo A en una caja se puede considerar una variable aleatoria con función de densidad:
f(p) = kp(1 −p) con 0 ≤ p ≤ 1
(a) Calcular el valor de k, la media y la varianza de la variable aleatoria p.
(b) Si se toman 10 cajas al azar.¿Cuál es la probabilidad de que ninguna de ellas contenga
una proporción de piezas de tipo A igual o superior al 75% ?
4.3 X e Y son dos variables aleatorias independientes con la misma función de distribución F. Calcular
la función de densidad de
U = max(X, Y).
4.4 Obtén la distribución de probabilidad del máximo, del mínimo y de la media de los resultados
obtenidos al lanzar dos dados equilibrados. Se acepta que los resultados de los dados son variables
aleatorias independientes.
4.5 Una empresa de celulosa tiene dos líneas para fabricar pasta de papel en planchas de 1m × 1m. Una
medida de su calidad es la limpieza, que se mide en número de impurezas (partículas) por m
2
. La
línea I, fabrica con una tasa media de 5 impurezas por m
2
y la línea II con 3 impurezas por m
2
.
El número de impurezas por plancha es una variable aleatoria con distribución de Poisson. Las
planchas de pasta se empaquetan en balas de 2000 unidades y se almacenan clasificadas según la
línea de procedencia. Cuando por algún motivo se encuentra en el almacén una bala sin clasificar
se adopta el siguiente criterio: tomar una muestra aleatoria de 10 planchas y determinar el número
medio de impurezas. Asignarla al grupo de la línea I si el número medio de impurezas es mayor
que 4 y a la línea II en caso contrario. (Se supone que la probabilidad inicial de pertenecer a una
u otra linea es la misma).
(a) Calcular la probabilidad de clasificar erróneamente una bala.
(b) En un caso concreto, el número de impurezas en cada una de las diez planchas han sido
1, 2, 3, 3, 4, 4, 5, 5, 6, 8. Calcular la probabilidad de que pertenezca a cada una de las líneas.
4.6 La función de densidad de una variable aleatoria bidemensional viene dada por la expresión:
f
XY
(x, y) =
½
xy +ce
x
, cuando 0 < x < 1 y 0 < y < 1
0, en el resto
¿Son independientes las variables aleatorias X e Y ?
1
4.7 Los billetes de banco son fabricados en pliegos. La impresión se realiza por dos máquinas iguales,
una de ellas imprime el anverso y la otra el reverso. Sea X e Y , respectivamente, el número de
defectos de impresión en el anverso y reverso de un pliego. Ambas variables son independientes con
distribución de Poisson de parámetros λ
1
y λ
2
.
(a) Demostrar que el número total de defectos en un pliego Z = X + Y tiene distribución de
Poisson. (Nota.- Utilizar que
Pr{Z = n} =
n
X
k=0
Pr{X = k}Pr{Y = n −k}
y el desarrollo del binomio de Newton para (λ
1

2
)
n
.)
(b) Si el número total de defectos en un pliego es Z = n, ¿ cuál es la probabilidad de que haya
exáctamente X = k defectos en el anverso? (Obtener la expresión en función de λ
1
, λ
2
, n
y k). ¿ De qué distribución de probabilidad se trata?
4.8 La cantidad en miligramos de dos componentes contenidos en un producto es una variable aleatoria
bidemensional, cuya función de densidad viene dada por la expresión
f
XY
(x, y) =
½
4xy, cuando 0 ≤ x ≤ 1 y 0 ≤ y ≤ 1
0, en el resto
Calcular la probabilidad de que la cantidad del primer componentes sea menor que 0.3.3 miligramos
cuando la del segundo es 0.8 miligramos.
4.9 La llegada de los clientes a un banco se considera un proceso Poisson con parámetro λ. Sabiendo
que en la última hora han llegado 2 clientes, ¿cuál es la probabilidad de que los dos entraran en los
primeros 15 minutos?
4.10 La función de densidad de la variable aleatoria bidemendional (X, Y ), bien dada por la expresión:
f
XY
(x, y) =
½
kxy, cuando 0 < x < y < 1
0, en el resto
(a) Calcular el valor de k.
(b) Calcular P(X < 0.5|Y = 0.5).
(c) ¿Son independientes las variables aleatorias X e Y ?
4.11 X e Y son variables aleatorias con coeficiente de correlación lineal ρ = −1. Si las varianzas son
iguales, calcular la varianza de Z = X +Y −1.
4.12 Un equipo de radio tiene dos partes, el receptor y el amplificador. La duración del receptor es
una variable aleatoria exponencial de media 500 horas y la duración del amplificador una variable
exponencial de media 1000 horas. ¿Cuál es la probabilidad de que el fallo del equipo (cuando se
produzca) sea debido a un fallo del receptor? (Se supone que las variables son independientes)
4.13 Sea X
1
una variable aleatoria N(10,1), X
2
una variable aleatoria N(20,1), y X
3
una variable aleatoria
N(30,4). Se define
2
Z
1
= X
1
+X
2
−X
3
Z
2
= X
1
+X
2
+X
3
Z
3
= X
1
−X
2
−X
3
Si X
1
, X
2
, X
3
son independientes, calcular la matriz de varianzas de (Z
1
, Z
2
, Z
3
).
4.14 La distribución de probabilidad conjunta de las variables aleatorias Y
1
e Y
2
es la siguiente:
Y
1
-1 0 1
-1 1/16 3/16 1/16
Y
2
0 3/16 0 3/16
1 1/16 3/16 1/16
Calcular su coeficiente de correlación e indicar si son independientes.
4.15 La función de densidad conjunta de X e Y viene dada por
f(x, y) = xy, 0 < x < 1, 0 < y < 2
1. Obtener las funciones de densidad marginales y decir si X e Y son independientes.
(a) Calcular P(X +Y < 1).
4.16 Un ordenador tarda un total de T
2
segundos en procesar un mensaje de correo electrónico, esta
cantidad incluye el tiempo T
1
durante el cual el mensaje está en la cola esperando a ser procesado
(T
2
≥ T
1
). La función de densidad conjunta de las variables aleatorias T
1
, T
2
es
f
T
1
T
2
(t
1
, t
2
) = e
−t
2
, 0 ≤ t
1
≤ t
2
< ∞
Calcular la probabilidad de que un mensaje haya estado menos de un segundo en la cola si el tiempo
total que ha durado su procesamiento ha sido mayor que dos segundos.
4.17 Sea X un valor elegido al azar de la distribución uniforme en el intervalo [0,1]. A continuación
se toma al azar otro valor Y de la distribución uniforme [X, 1]. Calcular la función de densidad
marginal de Y.
4.18 Una oficina de correos tiene dos ventanillas de atención al público. Tres personas A,B y C llegan en
el mismo instante a la oficina de correos y encuentran las dos ventanillas desocupadas. Los tiempos
de servicio requeridos por las tres personas son variables aleatorias independientes con distribución
exponencial de parámetro λ. Los tiempos de servicio de A y B comienzan de inmediato, mientras
que C debe esperar a que termine el primero de los dos. ¿Cuál es la probabilidad de que C no sea
el último en salir de la oficina de correos?
4.19 En cierta fabricación mecánica el 96% de las piezas resultan con longitudes admisibles (dentro
de tolerancias), un 3% son piezas defectuosas cortas y un 1% son defectuosas largas. Calcular la
probabilidad de:
(a) En un lote de 250 piezas sean admisibles 242 o más.
3
(b) En un lote de 500 sean cortas 10 o menos.
(c) En 1000 piezas haya entre 6 y 12 largas. Todas las aproximaciones se calculan la distribu-
ción normal.
4.20 La estatura de los ciudadanos varones de un país sigue una distribución normal:
N(µ = 175cm, σ = 5cm);
si se seleccionan al azar 100 ciudadanos, ¿cuál es la probabilidad de que al menos 30 superen los
180cm?
4.21 En un proceso de fabricación de película fotográfica aparecen por término medio 1 defecto de
cada 20 metros de película. Si la distribución de defectos es Poisson, calcular la probabilidad de
6 defectos en un rollo de 200 metros de pelicula (a) directamente; (b) utilizando la aproximación
normal.Para controlar la recepción de lotes de 10000 unidades de discos compactos se toma una
muestra al azar de n = 200 discos clasificándolos como aceptables y defectuosos. Si el número de
discos defectuosos es igual o inferior a c = 15 se acepta el lote, en caso contrario se rechaza. ¿Cuál
es la probabilidad de aceptar un lote con el 12% de discos defectuosos? ¿Cuál es la probabilidad
de rechazar un lote con el 5% de discos defectuosos? ¿Que valores de n y c deben utilizarse si se
desea que las probabilidades anteriores sean iguales a 0.05?
4.22 Sean X, Y, U y V variables aleatorias, demostrar que si Y = U +V, entonces
Cov(X, Y ) = Cov(X, U) + Cov(X, V ).
4.23 La función de densidad conjunta de las variables aleatorias X, Y es la siguiente normal bidimen-
sional:
f(x, y) =
1
2π(1 −ρ
2
)
1/2
exp
µ
−1
2(1 −ρ
2
)
(x
2
−2ρxy +y
2
)

Si ρ = 0.3, calcular Pr(Y ≤ X + 1).
4.24 Un inversor tiene su dinero repartido en acciones de dos compañías. La rentabilidad (% de beneficio)
de las compañías pueden ser consideradas como dos variables aleatorias, con media anual igual para
las dos del 10%, aunque el riesgo es muy diferente. Una tiene una desviación típica de 2.5% y la otra
del 1%. Además se sabe que la correlación entre ellas es -0.50. ¿Qué proporción debe invertir en
cada una para que el riesgo sea mínimo? (Nota: Mínimo riesgo es lo mismo que mínima varianza.
X →N(10, 2.5) y Y →N(10, 1), corr(X, Y ) = −0.5).
4.25 Cierto compuesto metálico se ha sometido durante una hora a una atmósfera de oxígeno a 200
grados centígrados. Una medida de su corrosión es la ganancia de peso durante este tiempo. Se
ha comprobado que para un determinado compuesto esta ganancia X
1
, en una hora, se distribuye
segúun una normal N(100, 5).
Si se realizan los ensayos de manera secuencial, ¿cuántos se tendrán que hacer por término
medio para encontrar una probeta con una ganancia mayor que 105?
(a) Se comprueba que sometiendo la probeta al ensayo durante dos horas, la ganancia en la se-
gunda hora X
2
tiene una distribución normal N(60, 5), siendo el coeficiente de correlación
entre las variables X
1
y X
2
, ρ = −0.28. Calcular la probabilidad de que una probeta
tenga mayor ganancia de peso en la segunda hora que en la primera.
4
(b) Se forman los índices de oxidación Z
1
= X
1
+X
2
y Z
1
= X
1
−X
2
. Calcular la función de
densidad conjunta de estas dos nuevas variables. ¿Son independientes?
(c) Si la ganancia durante las dos horas ha sido 170, ¿cuál es el valor medio de la ganancia
en la primera hora?
4.26 El abastecimiento de energía eléctrica de una comarca depende de tres centrales: una nuclear, una
térmica de carbón y una hidráulica con potencias instaladas de 500 MW, 300 MW y 200 MW,
respectivamente. Desde el punto de vista de fiabilidad, cada central sólo puede estar en uno de
estos dos estados: disponible (con toda su potencia) o averiada (con potencia cero). En un día, la
probabilidad de avería de la central nuclear es 0.10, de la térmica es 0.12 y de la hidráulica 0.05.
Las averías son independientes y supondremos como hipótesis simplificadora que a lo largo de un
día la central no cambia de estado.
1. Para un día, calcular la función de distribución de la variable aleatoria Y =Potencia disponible
en la comarca.
2. Un pais tiene 30 centrales de cada uno de los tipos del apartado 1. Calcular la probabilidad
de que en un día la potencia disponible en el pais sea menor que24000 MW. (Utilizar la
aproximación normal).
3. La potencia máxima diaria demandada en el pais es una variable aleatoria con distribución
normal de media 23000 MW y desviación típica 1000 MW. ¿Cuál es la probabilidad de que
en un día la demanda sea superior a la potencia disponible?
4.27 En 1958 George Edward Pelham Box y Mervin Edgar Müller desarrollaron un método para generar
variables aleatorias a partir de una fuente de números aleatorios uniformemente distribuidos, que
eran fáciles de obtener de forma computacional. Sobre ese método versa el siguiente problema.
http://es.wikipedia.org/wiki/Método_de_Box-Muller
4.28 Una compañía desea aplicar un plan de muestreo para controlar la compra de lotes de 10000
unidades. La capacidad de inspección máxima que tienen es de 200 piezas. Determinar c, "el
número máximo de piezas defectuosas en la muestra que debe tener un lote aceptado" si se desea
que la probabilidad de rechazar un lote con el 10% de piezas defectuosas sea igual 0.02. Un proveedor
estima que sus lotes tienen un 5% de piezas defectuosas, ¿qué probabilidad tiene de que un lote
suyo sea aceptado?
4.28 Se tienen dos variables aleatorias U y V que se distribuyen según un modelo de probabilidad
uniforme continuo entre (0, 1) independientes. A partir de las anteriores se definen 2 nuevas variables
aleatorias Z y W como función de las anteriores:
½
Z =

−2 log U
W = 2πV
1. Calcular las probabilidades P(Z < z
0
) y P(W < w
0
). Utilizar estos resultados para deducir la
expresión de la función de densidad de probabilidad conjunta f
Z,W
(z, w) para las variables aleatorias
Z y W, así como el domino donde están definidas.
2. Una vez caracterizadas las variables aleatorias Z y W por su función de densidad de probabilidad
conjunta f
Z,W
(z, w) se vuelve a definir 2 nuevas variables aleatorias X e Y mediante la siguiente
transformación:
½
X = Z · cos W
Y = Z · senW
5
Para estas nuevas variables se comprueba que la función de densidad de probabilidad conjunta es:
f
X,Y
(x, y) =
1

exp
µ

1
2
¡
x
2
+y
2
¢

, con (x, y) ∈ R
2
.
Demostrar que las variables aleatorias X e Y son independientes. Calcular la media y la varianza
de las variables y sus funciones de densidad marginal identificando el tipo de variables de las que
se trata.
3. Con la información del apartado 1 y 2 obtener el valor numérico de las siguientes probabilidades:
(a) P(−1 < X < 1, −1 < Y < 1)
(b) P(X
2
+Y
2
< 1)
(c) P(Y < X)
4. Finalmente, calcular los coeficientes de la siguiente tansformación lineal
µ
X
0
Y
0

=
µ
a
b

+
µ
c 0
d e
¶µ
X
Y

con c, e > 0, para que las nuevas variables aleatorias (X
0
, Y
0
)
T
tengan una distribución de probrob-
abilidad con vector de medias y matriz de varianzas dadas por:
µ =
µ
1
3

, S =
µ
4 2
2 5

.
6