Ejercicios Distribuciones Multivariantes

1
Distribuciones Multivariantes
Distribucin conjunta de un vector aleatorio
Distribuciones marginales y condicionadas
Independencia entre variables aleatorias
Caractersticas de un vector aleatorio
Esperanza
Varianza, Covarianza, Correlacin
Transformaciones de vectores aleatorios
Distribucin Normal multivariante
Estadstica. Profesora: Mara Durbn
2
Objetivos del tema:
Al final del tema el alumno ser capaz de:
Utilizar la funcin de probabilidad o densidad conjunta para el clculo de
probabilidades
Calcular distribuciones marginales y condicionadas a partir de las
conjuntas
Interpretar y calcular covarianzas y correlaciones entre variables aleatorias
Calcular medias y varianzas de transformaciones lineales de vectores
aleatorios
Comprender las propiedades de la distribucin Normal bivariante
3
1. Distribucin conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Caractersticas de un vector aleatorio
Esperanza
5. Transformaciones de vectores aleatorios
6. Distribucin Normal multivariante
4
En el tema anterior estudiamos distribuciones de probabilidad para una
variable aleatoria. Sin embargo, a menudo nos interesa estudiar ms de
una variable en un experimento aleatorio.
Por ejemplo, en la clasificacin de seales emitidas y recibidas, cada seal
se clasifica como de baja, media o alta calidad.
Podemos definir:
X=nmero de seales de baja calidad recibidas, e
Y=nmero de seales de alta calidad.
En general, si X e Y son dos variables aleatorias, la distribucin de
probabilidad que define simultneamente su comportamiento se
llama distribucin de probabilidad conjunta.
5
Variables discretas
Dadas dos v.a. discretas, , definimos su funcin distribucin de
probabilidad mediante la funcin de probabilidad conjunta:
( , ) Pr( , ) p x y X x Y y = = =
, X Y
Como en el caso unidimensional est funcin debe verificar:
( , ) 0
( , ) 1
x y
p x y
p x y
La funcin de distribucin conjunta:

0 0
0 0 0 0
( , ) Pr( , ) Pr( , )
x x y y
F x y X x Y y X x Y y

= = = =

6
Ejemplo
En el desarrollo de un nuevo receptor para la transmisin de informacin
digital, cada bit recibido se clasifica como aceptable, sospechoso o no
aceptable, dependiendo de la calidad de la seal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.:
X = Nmero de bits aceptables
Y = Nmero de bits sospechosos
7
Ejemplo
0 1 2 3 4
4 4.1x10
-5
3 4.1x10
-5
1.84x10
-3
2 1.54x10
-5
1.38x10
-3
3.11x10
-2
1 2.56x10
-6
3.46x10
-4
1.56x10
-2
0.2333
0
1.6x10
-7
2.88x10
-5
1.94x10
-3
7.83x10
-2
0.6561
( , ) 0
( , ) 1
x y
p x y
p x y
X
Y
8
Ejemplo
0 1 2 3 4
4 4.1x10
-5
3 4.1x10
-5
1.84x10
-3
2 1.54x10
-5
1.38x10
-3
3.11x10
-2
1 2.56x10
-6
3.46x10
-4
1.56x10
-2
0.2333
0
1.6x10
-7
2.88x10
-5
1.94x10
-3
7.83x10
-2
0.6561
Pr( 1, 2) X Y
X
Y
9
Distribucin Multinomial
Un experimento se repite n veces de forma independiente:
1. El experimento tiene k posibles resultados
2. La probabilidad de cada resultado, se mantiene constante
La variable = el nmero de veces que ocurre el resultado i-simo
1 2
, ,
k
p p p K
1 2
, ,
k
X X X K
i
X
siguen una distribucin multinomial con funcin de probabilidad
conjunta:
1 2
1 1 2 2 1 2
1 2
1 2 1 2
!
Pr( , , , )
! ! !
1
k
x x x
k k k
k
k k
n
X x X x X x p p p
x x x
x x x n p p p
= = = =
+ + + = + + + =
K K
K
K K
10
Ejemplo
Las probabilidades de que cierta lmpara de un modelo de proyector dure
menos de 40 horas, entre 40 y 80 horas, y ms de 80 horas de uso son
0.3 ; 0.5 y 0.2 respectivamente.
Calcular la probabilidad de que entre 8 de tales lmparas, 2 duren menos de
40 horas; cinco duren entre 40 y 80 horas, y una dure ms de 80 horas.
Hay 3 resultados posibles:
1 1
2 2
3 3
40 0.3
40 80 0.5
80 0.2
X dura p
X dura p
X dura p
= < =
= =
= > =
2 5
1 2 3
8!
Pr( 2, 5, 1) 0.3 0.5 0.2 0.095
2!5!1!
X X X = = = = =
11
Variables continuas
Dadas dos v.a. continuas, definimos su funcin distribucin de
probabilidad mediante la funcin de densidad conjunta:
( , ) f x y
, X Y
Como en el caso unidimensional est funcin debe verificar:
( , ) 0
( , ) 1
f x y
f x y dxdy
+ +

=

La funcin de distribucin conjunta:
0 0
0 0 0 0
( , ) Pr( , ) ( , )
y x
F x y X x Y y f x y dxdy

= =

2
( , )
( , )
d F x y
f x y
dxdy
=
12
Variables continuas
La probabilidad ahora se calcula como un volumen:
Pr( , ) ( , )
b d
a c
a X b c Y d f x y dxdy =

Pr( 1 1, 1.5 1.5) X Y
13
Variables continuas
La probabilidad ahora se calcula como un volumen:
Pr( , ) ( , )
b d
a c
a X b c Y d f x y dxdy =

Pr( 1 1, 1.5 1.5) X Y
14
Ejemplo
Sea X la variable aleatoria que representa el tiempo hasta que un servidor
se conecta con tu ordenador (en milisegundos) e Y el tiempo hasta que el
servidor te autoriza como usuario.
La funcin de densidad conjunta viene dada por:
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
Pr( 1000, 2000) ? X Y < <
15
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
Pr( 1000, 2000) ? X Y < <
X
Y
Recinto donde la funcin de
densidad no es 0
1000
2000
3000
1000 2000 3000
16
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
Pr( 1000, 2000) ? X Y < <
X
Y
1000
2000
3000
1000 2000 3000
Recinto de integracin para el clculo
de esa probabilidad
17
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
1000
0 0
Pr( 1000, 2000) ( , )
y
X Y f x y dxdy < < = +

X
Y
1000
2000
3000
1000 2000 3000
x=y
18
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
1000 2000 1000
0 0 1000 0
Pr( 1000, 2000) ( , ) ( , )
0.915
y
X Y f x y dxdy f x y dxdy < < = +
=

X
Y
1000
2000
3000
1000 2000 3000
x=y
19
Esperanza
20
2. Distribuciones marginales
Si se definen ms de una v.a. en un experimento, es importante
distinguir entre la distribucin de probabilidad conjunta y la distribucin
de probabilidad de cada variable individualmente. A la distribucin de
cada variable se le denomina distribucin marginal.
Variables Discretas
Dadas dos v.a. discretas, con funcin de probabilidad conjunta
las funciones de probabilidad marginales de ambas variables son:
, X Y
( , ) p x y
( ) Pr( ) Pr( , )
( ) Pr( ) Pr( , )
X
y
Y
x
p x X x X x Y y
p y Y y X x Y y
= = = = =
= = = = =
Son funciones de probabilidad

Se puede calcular su esperanza,
varianza, etc.
21
Ejemplo
0 1 2 3 4
4 4.1x10
-5
3 4.1x10
-5
1.84x10
-3
2 1.54x10
-5
1.38x10
-3
3.11x10
-2
1 2.56x10
-6
3.46x10
-4
1.56x10
-2
0.2333
0
1.6x10
-7
2.88x10
-5
1.94x10
-3
7.83x10
-2
0.6561
X
Y
Las funciones de probabilidad
marginal se obtendran
sumando en ambas
direcciones.
22
Ejemplo
0 1 2 3 4
0.0001 0.0036 0.0486 0.2916 0.6561
X
Y
sumando en ambas
direcciones.
23
Ejemplo
0 1 2 3 4
4 4.1x10
-5
3 4.1x10
-5
1.84x10
-3
2 1.54x10
-5
1.38x10
-3
3.11x10
-2
1 2.56x10
-6
3.46x10
-4
1.56x10
-2
0.2333
0
1.6x10
-7
2.88x10
-5
1.94x10
-3
7.83x10
-2
0.6561
X
Y
sumando en ambas
direcciones
24
Ejemplo
4 0.00004
3 0.00188
2 0.03250
1 0.24925
0
0.71637
X
Y
sumando en ambas
direcciones
25
Variables Continuas
Dadas dos v.a. continuas, con funcin de densidad conjunta
las funciones de densidad marginal de ambas variables son:
, X Y ( , ) f x y
( ) ( , )
( ) ( , )
X
Y
f x f x y dy
f y f x y dx
+
=
=
Son funciones de densidad

varianza, etc.
-4 -2 0 2 4
x
0.0
0.1
0.2
0.3
0.4
f(
x
)
26
Ejemplo
La funcin de densidad conjunta viene dada por
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
Pr( 2000) ? Y >
27
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
Pr( 2000) ? Y >
Podemos resolverlo de dos formas:
Integrar la funcin de densidad conjunta
en el recinto adecuado
Calcular la funcin de densidad marginal
de Y y calcular esa probabilidad
28
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
X
Y
1000
2000
3000
1000 2000 3000
Pr( 2000) ? Y >
Integrar la funcin de densidad conjunta
en el recinto adecuado
2000 0
Pr( 2000) ( , ) 0.05
y
Y f x y dxdy
+
> = =

Y
29
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
X
Y
1000
2000
3000
1000 2000 3000
Pr( 2000) ? Y >
3 0.002 0.001
0
( ) ( , ) 6 10 (1 ) 0
y
y y
Y
f y f x y dx e e y

= = >

Y
0
30
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
Y
1000
2000
3000
Pr( 2000) ? Y >
2000
Pr( 2000) ( ) 0.05
Y
Y f y dy
+
> = =

Y
0
31
2. Distribuciones condicionadas
Cuando se definen ms de una v.a. en un experimento, el conocimiento
de una de las variables puede afectar a las probabilidades que se asocian
con los valores de la otra variable
Recordemos del Tema de Probabilidad el Teorema de Bayes:
( )
( )
( ) A
B A
A B
Pr
Pr
Pr
I
=
Mide el tamao
de uno con
respecto al otro
32
Cuando se definen ms de una v.a. en un experimento, el conocimiento
de una de las variables puede afectar a las probabilidades que se asocian
con los valores de la otra variable
Variables Discretas
Dadas dos v.a. discretas, con funcin de probabilidad conjunta
la funcion de probabilidad de Y condicionada a X=x
0
:
, X Y
( , ) p x y
Para un valor genrico de x
A B
Podemos calcular su esperanza, varianza, etc.
0
( ) 0
X
p x >
A
( )
( )
( )
( )
( )
0
0
0
0
0
Pr
, Pr ,
|
x X
y Y x X
x p
y x p
x y p
X
=
= =
= =
( )
( )
( )
( )
( ) x X
y Y x X
x p
y x p
x y p
X
=
= =
= =
Pr
, Pr ,
| ( ) ( ) ( ) x p x y p y x p
X
| , =
33
Ejemplo
Como slo se transmiten 4 bits, si X=4, necesariamente Y=0
si X=3, Y=0 1
M
Saber lo que vale X cambia la probabilidad asociada con los valores de Y
34
Ejemplo
Como slo se transmiten 4 bits, si X=3, Y=0 1
Pr( 0, 3) 0.05832
Pr( 0 | 3) 0.2
Pr( 3) 0.2916
Pr( 1, 3) 0.2333
Pr( 1| 3) 0.8
Pr( 3) 0.2916
Y X
Y X
X
Y X
Y X
X
= =
= = = = =
=
= =
= = = = =
=
Pr( 0| 3) Pr( 1| 3) 1 Y X Y X = = + = = =
[ | 3] 0 0.2 1 0.8 0.8 E Y X = = + =
Nmero esperado de bits sospechosos cuando el nmero de aceptables es 3
35
Variables Continuas
Dadas dos v.a. continuas, con funcin de densidad conjunta
la funcin de densidad de Y condicionada a X
, X Y ( , ) f x y
( , )
( | )
( )
X
f x y
f y x
f x
=
Es funcin de densidad
varianza, etc.
( , ) ( | ) ( )
X
f x y f y x f x =
36
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
Cul ser la probabilidad de que el tiempo hasta que el servidor te autoriza
como usuario sea ms de 2000 milisegundos si el tiempo que ha tardado el
servidor en conectarse ha sido 1500 milisegundos?
Pr( 2000 | 1500) ? Y X > =
37
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
X
Y
1000
2000
3000
1000 2000 3000
( , )
( | )
( )
X
f x y
f y x
f x
=
Y
0
Pr( 2000 | 1500) ? Y X > =
0.003
( ) ( , ) 0.003 x 0
x
X
x
f x f x y dy e
+
= = >
0.002 0.002
( | ) 0.002 0
x y
f y x e x y
= < <
38
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
X
Y
1000
2000
3000
1000 2000 3000
Y
0
Pr( 2000 | 1500) ? Y X > =
0.002 0.002
( | ) 0.002 0
x y
f y x e x y
= < <
2000
3 0.002
2000
Pr( 2000 | 1500) ( | 1500)
0.002
0.368
y
Y X f y X dy
e dy
+
+
> = = =
=
=
39
Esperanza
40
En algunos experimentos, el conocimiento de una de las variables puede
no afectar ninguna de las probabilidades que se asocian con los valores
de la otra variable
Recordemos del Tema de Probabilidad:
( ) ( ) ( )
( ) ( )
( ) ( ) B A B
A B A
B A B A
Pr | Pr
Pr | Pr
Pr Pr Pr
=
=
=
41
Variables Discretas
, X Y Diremos que dos variables son independientes si:
( | ) ( ) ( | ) ( )
Y X
p y x p y p x y p x = =
( , ) ( | ) ( ) ( ) ( ) ,
Y X Y
p x y p x y p y p x p y x y = =
42
Variables Continua
, X Y Diremos que dos variables son independientes si:
( | ) ( ) f ( | ) ( )
Y X
f y x f y x y f x = =
( , ) ( | ) ( ) ( ) ( ) ,
Y X Y
f x y f x y f y f x f y x y = =
43
Ejemplo
6
( , ) 6 10 exp( 0.001 0.002 ) 0 f x y x y x y
= < <
0.002 0.002
( | ) 0.002 0
x y
f y x e x y
= < <
3 0.002 0.001
( ) 6 10 (1 ) 0
y y
Y
f y e e y

= >
Para todos los valores de x

44
Esperanza
45
Esperanza
Dadas n v.a. definimos el vector n-dimensional
1 2
, , ,
n
X X X K
1
2
n
X
X
X
| |
|
|
=
|
|
|
\
X
M
La funcin de probabilidad/densidad del vector es la funcin de
probabilidad/densidad conjunta de los componentes del vector.
Se define el vector de medias como el vector cuyas componentes son
las medias o esperanzas de cada componente.
[ ]
[ ]
[ ]
[ ]
1
2
n
E X
E X
E
E X
| |
|
|
= =
|
|
|
\
X
M
46
Covarianza
Primero comenzamos por definir la covarianza entre dos variables:
Es una medida de la relacin lineal entre dos variables
[ ] ( ) [ ] ( ) [ ] [ ] [ ] ( , ) Cov X Y E X E X Y E Y E XY E X E Y ( = =

Propiedades
Si son independientes ya que
Si sean independientes
Si hacemos un cambio de origen y escala:
, X Y ( , ) 0 Cov X Y = [ ] [ ] [ ] E XY E X E Y =
( , ) 0 , Cov X Y X Y =
d cY W
b aX Z
+ =
+ =
( ) ( ) Y X acCov W Z Cov , , =
47
Covarianza
[ ] ( ) [ ] ( ) [ ] [ ] [ ] ( , ) Cov X Y E X E X Y E Y E XY E X E Y ( = =

Cmo lo calculamos?
Necesitamos calcular la esperanza de una funcin de dos variables
aleatorias:
[ ] ( , ) E h X Y =
( , ) ( , )
( , ) ( , )
x y
h x y p x y
h x y f x y dxdy
+ +

48
Covarianza positiva Covarianza cero
Covarianza negativa Covarianza cero
Hay relacin
pero no
lineal
49
Ejemplo
Es la covarianza entre X e Y positiva o negativa?
Sabemos que cuando Y se acerca a 4, X se acerca a 0
Por lo tanto la covarianza es negativa.
4 X Y +
50
Correlacin
La correlacin entre dos variables tambin es una medida de la relacin
lineal entre dos variables
[ ] [ ]
( , )
( , )
Cov X Y
X Y
Var X Var Y
=
Si son independientes ya que
Si
, X Y ( , ) 0 X Y = ( ) , 0 Cov X Y =
| ( , ) | 1 X Y
| ( , ) | 1 Y aX b X Y = + =
51
Matriz de Varianzas y Covarianzas
Dadas n v.a. llamamos matriz de varianzas y covarianzas
del vector a la matriz cuadrada de orden n:
1 2
, , ,
n
X X X K
X
( )( )
[ ] [ ] [ ]
[ ] [ ]
[ ] [ ]
1 1 2 1
1 2 2
1
, ,
,
,
n
X
n n
Var X Cov X X Cov X X
Cov X X Var X
E
Cov X X Var X
| |
|
( |
= =
( |

|
|
\
M X- X-
L
M M
M M O M
L L
Propiedades
Simtrica (ella y su matriz traspuesta coinciden)
Semidefinida positiva (todos sus autovalores son ) 0
52
Esperanza
53
Al igual que en el caso univariante, hay ocasiones en que es necesario
calcular la distribucin de probabilidad de una funcin de dos o ms v.a.
Dado un vector aleatorio con funcin de densidad conjunta ,
lo transformamos en otro vector aleatorio de la misma dimensin
mediante una funcin
X ( ) f X
Y
g
1 1 1
2 2 1
1
( , , )
( , , )
( , , )
n
n
n n n
y g x x
y g x x
y g x x
=
=
=
K
K
M
K
Existen las
transformaciones
inversas
1
( ) ( ( ))
d
f f g
d
=
X
Y Y
Y
1 1
1
1
n
n n
n
dx dx
dy dy
d
d
dx dx
dy dy
=
X
Y
L
M M
L
54
Si tiene menor dimensin que , completamos con elementos
de hasta completar la misma dimensin.
X Y Y
X
Ejemplo
1
1 2 1 2
1 2
2
4 0 , 1
( , )
0 en el resto
X X
x x x x
f x x
< <
=
Calcular la funcin de densidad de
1. Definimos
2. Buscamos la distribucin conjunta de
3. Calculamos la marginal de
1 1 2
Y X X = +
2 2
Y X =
1 2
( , ) Y Y = Y
1
Y
55
Ejemplo
1
1 2 1 2
1 2
2
4 0 , 1
( , )
0 en el resto
X X
x x x x
f x x
< <
=
1
( ) ( ( ))
d
f f g
d
=
X
Y Y
Y
Buscamos la distribucin conjunta de
1 2
( , ) Y Y = Y
{
2
1
1
1 2 2 1 2 2
( ) ( , ) ( ) ( , )
Y
Y
g X X X g Y Y Y
= + = X Y
14243
1 1
1
0 1
d
d

= =
X
Y
1
1 2 2
( ( )) 4( ) f g y y y
= Y
1 2 2
( ) 4( ) f y y y = Y
En qu recinto est definida?
56
Ejemplo
1 2
0 , 1 x x < <
1 1 2
2 2

Y X X
Y X
= +
=
(0,1)
(0,0)
(1,1)
(1,0)
1 2 1 2
1 2 1 2
1 2 1 2
1 2 1 2
(x =0,x =0) (y 0 0, 0)
(x =0,x =1) (y 1 0, 1)
(x =1,x =0) (y 1 0, 0)
(x =1,x =1) (y 1 1, 1)
y
y
y
y
= + =
= + =
= + =
= + =
57
Ejemplo
1 2
0 , 1 x x < <
1 1 2
2 2

Y X X
Y X
= +
=
(0,1)
(0,0)
(1,1)
(1,0)
(0,0)
(1,1)
(1,0)
(2,1)
1 2 1 2
1 2 1 2
1 2 1 2
1 2 1 2
(x =0,x =0) (y 0 0, 0)
(x =0,x =1) (y 1 0, 1)
(x =1,x =0) (y 1 0, 0)
(x =1,x =1) (y 1 1, 1)
y
y
y
y
= + =
= + =
= + =
= + =
58
Ejemplo
2
1
1 2 1
2 1 2
0 1 0
1 2 -1 1
y y y
y y y
< < < <
< < < <
1 2
0 y y =
1 2
1 y y =
1 1 2
2 2

Y X X
Y X
= +
=
1 2
0 , 1 x x < <
Calculamos las 4 rectas que delimitan el recinto:
2
2
1 2
1 2
0
1
0
1
y
y
y y
y y
=
=
=
=
1 2 2
1 2 1
2 1 2
( ) 4( )
0 1 0
1 2 -1 1
f y y y
y y y
y y y
=
< < < <
< < < <
Y
59
Ejemplo
Calculamos la marginal de
1
Y
1
1
1
3
1 2 2 2 1 1
0
1
1
3
1 2 2 2 1 1 1
1
3
4( ) 0 1
2
( )
8 3
4( ) 4 1 2
3 2
y
Y
y
y y y y y y
f y
y y y y y y y
= < <
=
= + < <

60
Convolucin de X
1
y X
2
Si X
1
y X
2
son variables aleatorias independientes con funciones de
densidad y , la funcin de densidad de es
1
1
( )
X
f x
2
2
( )
X
f x 1 2
Y X X = +
1 2
( ) ( ) ( )
Y X X
f y f y x f x x
+
Se utiliza en casos como la transformada de Fourier

61
Un caso que merece mencin especial es el clculo de esperanzas y
varianzas de transformaciones lineales:
1 1

m m n n
m n

= Y A X
[ ] [ ]
[ ]
E E
Var M
=
=
X
Y A X
Y A A
Ejemplo
( )
1
1 2
2
1 1
| |
= + =
|
\
X
Y X X Y
X
[ ] [ ] [ ]
[ ] ( )
[ ]
[ ]
[ ] [ ]
1 2
1 1 2
1 2 1 2
1 2 2
( , ) 1
1 1 2 ( , )
( , ) 1
E E E
Var Cov
Var Var Var Cov
Cov Var
= +
| |
| |
= = + +
|
|
\
\
Y X X
X X X
Y X X X X
X X X
62
1 1

m m n n
m n

= Y A X
[ ] [ ]
[ ]
E E
Var M
=
=
X
Y A X
Y A A
Ejemplo
( )
1
1 2
2
1 1
| |
= =
|
\
X
Y X X Y
X
[ ] [ ] [ ]
[ ] ( )
[ ]
[ ]
[ ] [ ]
1 2
1 1 2
1 2 1 2
1 2 2
( , ) 1
1 1 2 ( , )
( , ) 1
E E E
Var Cov
Var Var Var Cov
Cov Var
=
| || |
= = +
| |
\
\
Y X X
X X X
Y X X X X
X X X
63
1 1

m m n n
m n

= Y A X
[ ] [ ]
[ ]
E E
Var M
=
=
X
Y A X
Y A A
Caso particular: Distribucin Normal
( )
1 1 2 2
~ , 1, , independientes
i
i i
n n
X N i n
Y a X a X a X
=
= + + +
K
K
[ ] [ ]
2 2
1 1

n n
i i i i
i i
E Y a Var Y a
= =
= =

Normal
64
Ejemplo
Una pieza en forma de U est formada por tres partes, A, B y C. La longitud
de A sigue una distribucin Normal con media 10mm y desviacin tpica
0.1mm. El grosor de las partes B y C se distribuye normalmente con media
2mm y desviacin tpica 0.05mm.
Suponiendo que las dimensiones de las partes son independientes:
1. Determinar la media y desviacin tpica de la distribucin del hueco D.
2. En esa pieza ha de encajar otra de 5.9 mm, cul es la probabilidad de
que una pieza de esta forma sea inservible?
A
B C
D
65
Ejemplo
1. Determinar la media y desviacin tpica de la distribucin del hueco D.
A
B C
D
D A B C =
~ (10, 0.1)
~ (2, 0.05) ~ (2, 0.05)
A N
B N C N
[ ]
[ ]
[ ]
2 2 2
10 2 2 6
0.1 0.05 0.05 0.015
. 0.122
E D
Var D
DT D
= =
= + + =
=
66
Ejemplo
2. En esa pieza ha de encajar otra de 7.9 mm, cul es la probabilidad de
que una pieza de esa forma sea inservible?
A
B C
D
~ (6, 0.015) D N
5.9 6
Pr( 5.9) Pr
0.122
Pr( 0.82) 1 Pr( 0.82)
D Z
Z Z
| |
< = <
|
\
< =
1 0.7939 0.2061 =
El 20% de las
piezas fabricadas
es inservible
67
Esperanza
6. Distribucin Normal multivariante 6. Distribucin Normal multivariante
68
Si vector aleatorio sigue una distribucin Normal bivariante
con vector de medias y matriz de varianzas-covarianzas
tiene funcin de densidad:
(
=
2
1
( )
( ) )
`
=

) ( )' (
2
1
exp
2
1
1
2 / 1
X X X
f
(
=
2
1
X
X
X
(
=
2
2 2 1
2 1
2
1

69
( )
( ) )
`
=

) ( )' (
2
1
exp
2
1
1
2 / 1
X X X
f
2 2 2
1 2
(1 ) =
2
1 1 2 1
2
2
1 2 2
1
1
1 (1 )
| |
|
|
=
|
|
\
( )
( )
2 2
1 1 2 2 1 1 2 2
1 2 2
2
1 2 1 2
1 2
1 1
, exp 2
2(1 )
2 (1 )
x x x x
f x x

(
| | | | | || |
( = +
` | | | |
( \ \ \ \
)
(
=
2
2 2 1
2 1
2
1

x
y
f(x,y)
x
y
x
y
= 0.90
= 0 = 0.90
The Bivariate Normal Distribution
x
y y
y
x x
1
1
2
2
= 0
= 0.9
= 0.9
Contour Plots of the Bivariate Normal Distribution
x
y y
y
x x
1
1
2
2
= 0
= 0.9
= 0.9
Scatter Plots of data from the Bivariate Normal Distribution
=
1 2
=
1 2 =
1 2
=
1 2
=
1 2 =
1 2
=
1 2
=
1 2
=
1 2
Funcin de densidad
Diagrama de dispersin
71
(
=
2
1
=
2
2 2 1
2 1
2
1

(
=
2
1
X
X
X
Propiedades
( ) ( )
1 2
1 1 1 2 1 1
1 2 2 1
0 , independientes
X ~ , X ~ ,
X | X X | X son normales
X X
N N
y

=
72
Ejemplo
En el proceso de fabricacin de lmparas electroluminiscentes (luz negra), se
depositan capas de tinta en una base de plstico. El grosor de esas capas es
determinante a la hora de satisfacer las especificaciones relativas al color e intensidad
de la luz.
Sean X e Y el grosor de dos capas de tinta, se sabe que ambas siguen una
distribucin Normal, con medias 0.1mm y 0.23mm y desviaciones tpicas 0.00031mm
y 0.00017mm respectivamente. La correlacin entre ambas es 0.
Las especificaciones de grosor son las siguientes:
0.099535 0.100465
0.22966 0.23039
X
Y

Cul es la probabilidad de que una lmpara elegida
al azar satisfaga las especificaciones?
73
Ejemplo
0.099535 0.100465
0.22966 0.23039
X
Y

Cul es la probabilidad de que una lmpara elegida al azar satisfaga las
especificaciones?
~ (0.1, 0.00031)
~ (0.23, 0.00017)
X N
Y N
Pr(0.099535 0.100465, 0.22966 0.23039) X Y
0 independientes =
( )( )
Pr(0.099535 0.100465) Pr(0.22966 0.23039)
Pr( 1.5 1.5) Pr( 2 2)
2Pr( 1.5) 1 2Pr( 2) 1
X Y
Z Z
Z Z

=

0.827 =

Ejercicios Distribuciones Multivariantes

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ejercicios Distribuciones Multivariantes

Diunggah oleh

Hak Cipta:

Format Tersedia

1

La funcin de distribucin conjunta:

Son funciones de probabilidad

Son funciones de densidad

Calcular la funcin de densidad marginal

Calcular la funcin de densidad marginal

Para todos los valores de x

Estadstica. Profesora: Mara Durbn

Se utiliza en casos como la transformada de Fourier

Anda mungkin juga menyukai