MTODOS ESTADSTICOS
Contenido General
1
Introduccin
a Probabilidad
Distribuciones discretas
Distribuciones continuas
Muestreo
Regresin
Estimacin
Puntual
Estimacin por intervalos
Prueba de hiptesis
Componentes
principales
Clusters (Conglomerados)
Tema 1
Contenido programtico
Espacio
muestral
y
axiomas
de
probabilidad
Probabilidad condicional e independencia
Variables aleatorias discretas y continuas
Medidas de tendencia central y dispersin
Principales distribuciones discretas y
continuas
Variables aleatorias bidimensionales
Trminos bsicos
Experimento:
es el proceso
obtener una observacin
de
Eventos
Trminos bsicos
simples.
Operaciones elementales
Unin
AB
Operaciones elementales
Interseccin
AB
Operaciones elementales
Complemento
Eventos Disjuntos
B
C
Interpretacin frecuentista de
Probabilidad
Axiomas de la probabilidad
Para cada evento A, se asigna la probabilidad del
evento tal que:
Axioma 1: 0 P(A) 1
Axioma 2: P(S ) = 1
Eventos complementarios
Para 3 conjuntos:
P(A B C) =
P(A) + P(B)
+ P(C) - P(A B) - P(A C) - P(B C)
+P(A B C)
Operaciones elementales
Ejercicio
De los voluntarios que llegan a un banco de sangre, 1
de 3 tiene sangre tipo O+; 1 de 15, tipo O-; 1 de 3,
tipo A+; y 2 de 15, tipo A-. Se selecciona al azar el
nombre de un donante de los registros del banco.
Cul es la probabilidad de que la persona
seleccionada tenga
Sangre tipo O+?
Sangre tipo O?
Sangre tipo A?
Sangre que no es del tipo A, ni O?
Ejercicio
La siguiente tabla muestra un resumen de una encuesta realizada a
500 personas en referencia a su posicin frente a la despenalizacin
del aborto:
A favor
En contra
Total
Mujeres
200
100
300
Hombres
50
150
200
Total
250
250
500
Ejercicio
La siguiente tabla muestra un resumen del anlisis realizado a
las flechas de un compresor para determinar el grado con que
stas satisfacen ciertos requerimientos:
La curvatura cumple con los requerimientos
El acabado
superficial cumple
con los
requerimientos
No
345
No
12
Ejercicio
La siguiente tabla muestra un resumen del anlisis realizado a
las flechas de un compresor para determinar el grado con que
stas satisfacen ciertos requerimientos:
La curvatura cumple con los requerimientos
El acabado
superficial cumple
con los
requerimientos
No
345
No
12
Probabilidad Condicional
P( A B)
P( A | B)
P( B)
Probabilidad Condicional
Ejemplo:
Ejercicio
La siguiente tabla muestra un resumen del anlisis realizado a las
flechas de un compresor para determinar el grado con que stas
satisfacen ciertos requerimientos:
La curvatura cumple con los requerimientos
El acabado
superficial cumple
con los
requerimientos
No
345
No
12
Probabilidad Condicional
Linda
P( A B)
P( A | B)
P( B)
Axioma
1: 0 P(A) 1
Eventos independientes
P( A | B) P ( A)
Luego:
P ( A | B ) P ( A)
P( A B)
P( B)
P ( A B ) P ( A) P ( B)
Eventos independientes
En un grupo de estudiantes de bachillerato que
consta de 60 mujeres y 40 varones, se observa
que 24 chicas y 16 muchachos usan lentes.
Adems, se sabe que si un estudiante es elegido
aleatoriamente la probabilidad de que el
estudiante use lentes es 40%=0.4
Considerando esto,
Calcule la probabilidad de que un estudiante
elegido aleatoriamente use lentes dado que es un
estudiante varn
Puede usted afirmar que ambos eventos son
independientes en este grupo?
Eventos independientes
Que los eventos sean
independientes significa que
los eventos son excluyentes?
Encuesta encubierta
Encuesta encubierta
P(F)
Probabilidad de ser fumador (Conocida)
P(H)
Probabilidad de ser homosexual (Buscada)
F y H son eventos independientes
P(F H) = P(F) + P(H) P(F H)
[Unin]
[F y H Independientes]
P( F H ) P( F )
P( H )
1 P( F )
Casadas
Solteras
Totales
0.30
0.10
0.40
0.15
0.05
0.20
0.10
0.05
0.15
0.06
0.04
0.10
0.04
0.01
0.05
5 ms
0.07
0.03
0.10
Total
0.72
0.28
1.00
b.- P(B|A)
c.- P(B)
d.- P(A|B)
Teorema de Probabilidad
Total
( B A2 )
A2
( B A1 )
A1 = {ser hipertenso}
A2 = {no serlo}
(estos sucesos constituyen una particin)
B = {padecer infarto}
P(B) = ?
Recordemos que:
P( B A) P( B | A) * P( A)
Teorema de Probabilidad
Total
A1, A2,, A6, forman
una particin del
espacio muestral.
Ai A j i j
A2
A3
B
A1
A4
P( B ) P( B | Ai ) P ( Ai )
i
A6
A5
Teorema de Bayes
P ( A B ) P ( B | A) P ( A) P ( A | B ) P ( B )
P( B | A) P ( A)
P( A | B)
P( B)
Teorema de Bayes
A2
A3
A6
B
A1
A4
A5
P ( B | A1 ) P ( A1 )
P ( A1 | B )
P( B | Ai ) P( Ai )
i
Teorema de Bayes
P ( B | A) P( A)
P( A | B )
C
C
P ( B | A) P ( A) P ( B | A ) P ( A )
Variables Aleatorias
Experimento: lanzar tres monedas
S = {ccc,ccx,cxc,xcc,cxx,xcx,xxc,xxx}
S
xxx
ccc
ccx
cxc
xcc
cxx
xcx
xxc
R
0
3
Variable aleatoria:
aleatoria
Funcin del espacio
muestral S en el
conjunto de los reales R
2
1
(Nmero de caras)
Variables Aleatorias
Definicin
Una variable aleatoria es una funcin que asigna
un nmero real a cada resultado en el espacio
muestral de un experimento aleatorio.
Variables Aleatorias
Las variables aleatorias tienen asociada una
estructura de probabilidad que se caracteriza por
la distribucin de probabilidad
Variables Aleatorias
X=x representa el evento "la variable aleatoria X toma el
valor x", y
p(X=x) representa la probabilidad de dicho suceso.
X<x representa el evento "la variable aleatoria X toma un
valor menor a x", y
p(X<x) representa la probabilidad de que la v.a. X tome un
valor menor a x.
Variables Aleatorias
Discretas
Ejemplo:
El nmero de artculos defectuosos en una
seleccin de 4 artculos de entre 240
El nmero de trabajos recibidos por un centro
de cmputo en un da
Variables Aleatorias
Discretas
Variable
Evento probabilidad aleatori
a
v
hv
hhv
hhhv
hhhhv
hhhhh
Para cada valor que toma la variable es necesario conocer su proba
Variable
Evento probabilidad aleatori
a
v
1/2
0
hv
1/4
1
hhv
1/8
2
hhhv
1/16
3
hhhhv
1/32
4
hhhhh
1/32
5
Para cada valor que toma la variable es necesario conocer su proba
Caractersticas
p(y) 1
toda y
Ejemplo:
Se lanza dos veces una moneda balanceada
y se observa el nmero X de caras. Calcule la
distribucin de probabilidad para X.
resultado
1,5
1,5
Fx(x)
0
0.2
0.7
1
x<-2
-2 <= x < 0
0 <= x < 2
2 <= x
0,7
0,2
-2
-1
Probabilidades
Si la Variable X es discreta:
Prob( X k ) = F(k)
Prob( h X k )= F(k) - F(h-1)
Prob( X > k ) = 1 - F(k)
Prob( X = k )= F(k) - F(k-1)
Prob( X < k ) = F(k-1)
Variables Aleatorias
Continuas
prob (a X b) f ( x)dx
a
Ejemplos:
Supongamos el experimento que consiste en elegir al azar
500 personas y medir su estatura. La funcin que asocia a
cada persona su estatura es una variable aleatoria
continua.
Consideremos el experimento que consiste en elegir al
azar 100 patillas de una plantacin y pesarlas. La funcin
que asocia a cada patilla su peso es una variable
aleatoria continua.
Pero sern esas las variables asociadas a esos experimentos?
Distribucin de Probabilidad
Funcin de
distribucin
acumulada
Densidad de
Probabilidad
1. f (x) 0
2. f(x)dx 1
-
P(x 1 X x 2 ) P(x 1 X x 2 )
P(x 1 X x 2 ) P(x 1 X x 2 )
Funcin de Distribucin
Acumulada
F ( x) prob( X x) f ( x)dx
Ejemplo:
Sea c una constante y consideremos la funcin de densidad
f(y)
cy
0
si 0 <= y <= 1
en cualquier otro punto
Calcule el valor de c
Calcule P(0.2 < y <0.5)
Obtenga la funcin de distribucin acumulada para la variable
aleatoria
Calcule F(0.2) y F(0.7)
F(0.7)
Probabilidades
Si la Variable es X continua:
Prob( X a ) = F(a)
Prob( a < X b )= F(b) - F(a)
Prob( X > a ) = 1 - F(a)
Medidas de Tendencia
Central
de
su
valor
medio
Valor esperado
E ( X ) x P( x)
E ( X ) xf ( x)dx
18
20
22
f(x)
0.2
0.6
0.2
15
25
40
f(y)
0.2
0.3
0.3
0.2
E ( X ) x P( x)
Ejemplo:
Sea X una variable aleatoria continua cuya funcin de
densidad de probabilidad est dada por:
f(x)
x2/3
0
si -1<= x <= 2
en cualquier otro punto
E ( X ) xf ( x)dx
Mediana
F(mediana)=1/2
Medidas de Dispersin
Varianza:
V ( X )= E ( X - )
2
Medidas de Dispersin
V ( X ) ( x ) 2 P( x)
Medidas de Dispersin
V ( X ) x f ( x)dx
Medidas de Dispersin
y la Desviacin Estndar: =
V( X )
Distribuciones continuas de
distinta Varianza
0.14
0.12
0.1
=3
0.08
=8
0.06
0.04
0.02
0
10
15
20
25
30
35
40
45
50
55
60
Varianza Distribucin
Normal
18
20
22
f(x)
0.2
0.6
0.2
15
25
40
f(y)
0.2
0.3
0.3
0.2
Determine la varianza de X y de Y
V ( X ) ( x ) 2 P( x) x 2 P( x) 2
Ejemplo:
Sea X una variable aleatoria continua cuya funcin de
densidad de probabilidad est dada por:
f(x)
x2/3
0
si -1 <= x <= 2
en cualquier otro punto
Calcule la varianza de x
V ( X ) x 2 f ( x)dx 2
Regla Emprica
Si un conjunto de datos tiene una distribucin simtrica con forma
aproximada de joroba, pueden utilizar las siguientes reglas
prcticas para describir el conjunto de datos:
Aproximadamente el 68% de las observaciones quedan a 1
desviacin estndar de su media (esto es, dentro del intervalo
para poblaciones)
Aproximadamente el 95% quedan a 2 desviaciones estndar de su
media (esto es, dentro del intervalo 2 para poblaciones)
Casi todas quedan a menos de 3 desviaciones estndar de su
media (esto es, dentro del intervalo 3 para poblaciones)
Ejemplo de Distribuciones
Discretas
P(x)
Hembras
x P(x)
1/2
hv
1/4
1/4
hhv
1/8
1/4
hhhv
1/16
3/16
hhhhv
1/32
1/8
hhhhh
1/32
5/32
total
31/32
P(x)
Varones
x P(x)
1/2
1/2
hv
1/4
1/4
hhv
1/8
1/8
hhhv
1/16
1/16
hhhhv
1/32
1/32
hhhhh
1/32
total
31/32
E(k) = k
Valor Esperado
Decisiones:
Inversiones
Riesgo y Ganancia
Lotera
Seguro
Distribuciones
Discretas
5 pruebas de embarazo
Si estando embarazada la probabilidad de
que el test d positivo es 0.9 Cul es la
probabilidad de obtener 4 o ms positivos
en 5 ensayos
(estando la mujer
embarazada)?
X=4
E = Positivo
EFEE E
n=5
Distribucin Binomial
Caractersticas:
Distribucin Binomial
Parmetros:
n, p.
Variable aleatoria:
Nmero x de xitos
en los n ensayos.
Valor esperado: ?
Varianza:
Cul es la probabilidad de
obtener x xitos?
n x
P ( x) p (1 p ) n x
x
Distribucin Binomial
Parmetros:
n, p.
Varianza:
V(X)= n p (1-p)
Variable aleatoria:
Nmero x de xitos en los
n ensayos.
Valor esperado:
E(X)= n p
n x
n x
P ( x) p (1 p )
x
Grfica de Distribucin
Binomial
0.25
0.2
0.15
0.1
0.05
10
12
Acotada
Ejemplo de Distribucin
Binomial
5 pruebas de embarazo
Si estando embarazada la probabilidad de
que el test d positivo es 0.9 Cul es la
probabilidad de obtener 4 o ms positivos
en 5 ensayos?
X=4
E = Positivo
EFEE E
n=5
Distribucin geomtrica
Caractersticas:
Distribucin geomtrica
FFE
P(x) = P(F F F F E)
X-1
P(x) = (1-p) x 1 p
Distribucin geomtrica
1
E( X )
p
(1 p )
2
V (X )
2
p
Distribucin geomtrica
Se supone que el 5% de las enfermeras que se
presentan en el Hospital General del Sur
aspirando al cargo de asistente de ciruga,
tienen entrenamiento en Instrumentacin
Quirrgica.
Determine la probabilidad de que se encuentre
Ejemplo de Hipergeomtrica
El KINO!
NP = 25
Favorables = K = 15
Se elige una muestra
de 15
Cul
es
la
probabilidad de que
x sea 12, 13, 14, 15?
NP
Distribucin
Hipergeomtrica
Caractersticas:
Distribucin
Hipergeomtrica
Parmetros:
NP K n
P( x)
K
x
NP K
nx
NP
Distribucin
Hipergeomtrica
Sea p= K/NP la proporcin de elementos favorables en la
poblacin:
Valor esperado:
E(X) = ?
Varianza:
Distribucin
Hipergeomtrica
Sea p= K/NP la proporcin de elementos del tipo A en la
poblacin:
Valor esperado:
E(X)= n p
Varianza:
np (1 p)( NP n)
( NP 1)
P(12) = 0.0167
P(13) = 0.0014
P(14) = 0.000046
P(15)= 0.0000003
Ejemplo de Hipergeomtrica
Para evitar que lo descubran en la aduana, un
viajero ha colocado 6 tabletas de narctico en
una botella que contiene 9 pldoras de vitamina
que son similares en apariencia. Si el oficial de la
aduana selecciona 3 tabletas aleatoriamente para
analizarlas, a) Cul es la probabilidad de que el
viajero sea arrestado por posesin de narcticos?,
b) Cul es la probabilidad de que no sea
arrestado por posesin de narcticos?.
Ejemplo de Hipergeomtrica
Cul es la probabilidad de que una
mesera se rehse a servir bebidas
alcohlicas nicamente a dos menores
de edad si verifica aleatoriamente solo
5 identificaciones de entre 9
estudiantes, de los cuales 4 no tiene la
edad suficiente? Cul es la
probabilidad de que como mximo 2 de
las identificaciones pertenezcan a
menores de edad?.
Distribucin de Poisson
Caractersticas
Eventos que ocurren con cierta velocidad en el
tiempo (nmero de casos semanales de Dengue
en el hospital del sur), o en el espacio (nmero
de camarones por m3 en el Lago de Maracaibo).
El nmero de eventos que ocurre en una unidad
de tiempo, longitud, rea o volumen es
independiente del nmero de los que ocurren en
otras unidades
El nmero medio (o esperado) de eventos en
cada unidad se denota por la letra griega lambda
Distribucin de Poisson
Parmetros:
promedio de
ocurrencias del suceso
por unidad de tiempo o
espacio.
Variable aleatoria:
Nmero x de ocurrencias
del suceso en la unidad
de tiempo o espacio (x =
0, 1, 2, ...).
Valor esperado:
E(X)= ?
Varianza:
V(X)=
e
P( x)
x!
Distribucin de Poisson
Parmetros:
promedio de
ocurrencias del suceso
por unidad de tiempo o
espacio.
Variable aleatoria:
Nmero x de ocurrencias
del suceso por unidad
de tiempo o espacio (x
= 0, 1, 2, ...).
Valor esperado:
E(X)=
Varianza:
V(X)=
e
P( x)
x!
Distribucin de Poisson
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
10
15
20
25
Ejemplo de Distribucin de
Poisson
1 - poisscdf(4, 1.3);
de
la
se
Ejemplo de Distribucin de
Poisson
de
la
se
1 - poisscdf(4, 1.3);
Distribucin de Poisson
Caractersticas:
Distribuciones
Continuas
Distribucin Normal
Importancia
La distribucin Normal es indudablemente la
distribucin continua fundamental, tanto por sus
aplicaciones como por el rol que juega dentro de la
Teora Estadstica.
Es la piedra angular de la Inferencia ya que muchas
estadsticas muestrales tienden hacia la distribucin
Normal cuando el tamao de la muestra crece.
Enfoque original: Moivre, ca. 1738-1756
Posteriormente: Karl Gauss, 1855
Tambin es conocida como distribucin Gaussiana
Distribucin Normal
Caractersticas
Distribucin Normal
Parmetros
Funcin de Densidad
1
f ( x)
e
2
Valor Esperado
1 x
, x
Varianza
2
Normal Estndar
Grfica de Distribucin
Normal
Normal Estndar
Si X es N(,2) entonces:
Z = (X-)/ es N(0,1)
Normal Estndar
P(Z < 0) = ?
P(Z > 0) = ?
Normal Estndar
Estndar
1.25
1.25
p ( z 1.25) 1 p ( z 1.25)
1 - 0.8944
0.1056
el ancho
0.47 y
de la
0.63
Distribucin Gamma
Caractersticas
Valores positivos
Asimetra hacia la derecha
Muy verstil, dependiendo del valor de los
parmetros adopta formas muy distintas
Dos distribuciones fundamentales son
casos particulares de ella:
Exponencial y Chi-cuadrado.
Distribucin Gamma
Parmetros
: Parmetro de escala
Parmetro de forma
Funcin de Densidad:
-1
-(
Valor
esperado
*
Varianza
2 *
x
)
x exp
f ( x) =
( )
Distribucin Gamma
1
=1
0.9
0.8
0.7
=1
0.6
=3
0.5
0.4
=5
0.3
0.2
0.1
0
10
Distribucin Gamma
1
0.9
=1
0.8
0.7
=1
0.6
0.5
=3
0.4
0.3
=5
0.2
0.1
0
10
Distribucin Exponencial
Est relacionada con la distribucin de Poisson.
Diferencia: a la distribucin de Poisson le interesa el
nmero de ocurrencias, mientras que a la exponencial le
interesa el tiempo transcurrido entre las ocurrencias.
Ejemplo:
Poisson: el nmero de personas en la cola del banco
Exponencial: el tiempo entre llegadas a la taquilla
Distribucin Exponencial
Parmetro
Funcin de Densidad:
-(
e
f ( x)=
x
)
Valor
esperado
Varianza
2
Distribucin Exponencial
Parmetro
Funcin de Densidad:
f ( x ) = e
Valor
esperado
1/
Varianza
1/2
Distribucin Exponencial
Funcin de Densidad (alternativa):
f ( x ) = e
, x 0
: La media del
proceso de Poisson.
Nmero medio de
sucesos por unidad
de medida.
Distribucin Exponencial
Valor esperado
Varianza
1
2
F ( x) P( X x) 1 e
P ( X x ) e x
La probabilidad de que no ocurra un evento de
Poisson en el tiempo x es equivalente a la
probabilidad de que el tiempo de observacin
requerido para que suceda el evento sea
mayor que x.
Distribucin Exponencial
Valor esperado
Varianza
1
2
F ( x) P( X x) 1 e
P ( X x ) e x
Cul es la mediana de una variable exponencial de media 1/?
Exponencial media = 40
Exponencial media = 40
Mediana = 27.73
50%
Ejemplo de Distribucin
Exponencial
Distribucin Exponencial
Los clientes de un supermercado llegan en
promedio de 1 por minuto. Halle la
probabilidad de que transcurran:
A lo sumo 2 minutos antes de la llegada del
prximo cliente
Por lo menos 3 minutos
Distribucin Exponencial
La duracin de un cierto tipo de bombillo es una
variable aleatoria exponencial de media 5000
horas.
Cul es la probabilidad de que dure ms de
6000 horas?
Si lleva funcionando 1000 horas
cul es la probabilidad de que dure6000 horas adicionales a las 1000
que lleva funcionando?
6000 horas en total?
Distribucin Exponencial
Propiedad de carencia de memoria
Distribucin Exponencial
El tiempo entre arribos de los taxis en un cruce muy
concurrido tiene una distribucin exponencial con
media de 10 minutos.
Cul es la probabilidad de que una persona que
est en el cruce tenga que esperar ms de una hora
para tomar un taxi?
Suponga que la persona ya esper una hora, cul
es la probabilidad de que llegue uno en los siguientes
10 minutos?
Distribucin Beta
Caractersticas:
Distribucin Beta
Parmetros :
y ambos parmetros de forma.
Funcin de densidad :
Es 0 en todas partes salvo en el
intervalo [0,1] donde est definida por:
( + ) x -1 (1 x) -1
f ( , , x )=
( ) ( )
0 < x <1 >0 >0
Distribucin Beta
Valor esperado:
/( + )
Varianza :
/( + )2( + + 1)
Caractersticas:
f(x)
Distribucin Uniforme
Continua
Parmetros:
ayb
Funcin de densidad:
f(x)= ?
0
Valor esperado:
en [a, b]
en el resto
Varianza:
Distribucin Uniforme
Continua
Parmetros:
ayb
Funcin de densidad:
Valor esperado:
(a + b)/2
Varianza:
(b a)2/12
Distribucin Uniforme
Continua
Suponga que un departamento de investigacin de
Distribucin Uniforme
Continua
Suponga que el departamento de investigacin de un
Distribucin Uniforme
Continua
Distribuciones de
Probabilidad Conjuntas
Distribucin de probabilidad
conjunta
Si X y Y son variables aleatorias discretas, la distribucin
de probabilidad conjunta de X y Y, es una descripcin del
conjunto de puntos (x,y) en el rango de (X,Y) junto con la
probabilidad asociada con cada uno de ellos.
Es conocida como distribucin bivariada o distribucin
bivariable
Satisface las siguientes condiciones:
(1)
0 p( x, y ) 1
(2)
p( x, y ) 1
x
(3)
f xy ( x, y ) P( X x, Y y )
Distribucin de probabilidad
conjunta
Suponga dos variables aleatorias:
X: Posicin frente a la legalizacin del aborto (0: en contra, 1: a favor)
Y: Nivel de educacin de la persona (1: primaria, 2: bachiller,
3: universitaria)
0
1
Y
2
.1
.2
.2
.2
.3
0
Distribucin de probabilidad
conjunta
DISTRIBUCIN
CONJUNTA
X
0
1
Marginal de Y
p1 ( y ) p ( x, y )
x
Y
2
Marginal
de X
.1
.2
.2
.2
.3
0
.6
.4
.3
.4
.3
p2 ( x ) p ( x, y )
y
Distribucin de probabilidad
conjunta
DISTRIBUCIN
CONJUNTA
X
0
1
Marginal de Y
Y
2
Marginal
de X
.1
.2
.2
.2
.3
0
.6
.4
.3
.4
.3
p ( x, y )
p( x | y)
p( y)
Obtenga la distribucin de probabilidad
condicional de x dado y=1
Distribucin de probabilidad
conjunta
Valor esperado
E ( XY ) xyp( x, y )
y
En el ejemplo,
DISTRIBUCIN
CONJUNTA
X
Marginal
de X
.1
.2
.3
.6
.2
.2
.4
.3
.4
.3
Marginal de Y
Distribucin de probabilidad
conjunta
Teorema
Si x y y son variables aleatorias
independientes, entonces
E(xy) = E(x)E(y)
Covarianza
La covarianza(X,Y) es una medida de
asociacin lineal entre las variables X e Y
(x,y)
(y-y)
(x-x)
+
(x , y)
Relacin
lineal dbil
(covarianza
cercana a 0)
Covarianza
Si
E X X ; E Y Y
Definicin
COV( X , Y ) E ( X X )(Y Y )
Teorema
COV( X,Y ) = E( XY ) - x . Y
Covarianza: 0
En el ejemplo,
DISTRIBUCIN
CONJUNTA
X
Marginal
de X
.1
.2
.3
.6
.2
.2
.4
.3
.4
.3
Marginal de Y
E(x) = 0.4
E(y) = 2
E(xy) = 0.6
Calcule la covarianza de las variables aleatorias
Teorema
DISTRIBUCI
N
CONJUNTA
Y2
Y1
-1
-1
0
1/16
3/16
3/16
0
1/16
3/16
1/16
3/16
1/16
Cul es su covarianza?
Son independientes?
Correlacin
cov( X , Y )
x y
-1 1
En el ejemplo,
DISTRIBUCIN
CONJUNTA
X
Marginal
de X
.1
.2
.3
.6
.2
.2
.4
.3
.4
.3
Marginal de Y
E(x) = 0.4
E(y) = 2
Cov(xy) = 0.6 - 0.4*2 = -0.2
Calcule el coeficiente de correlacin para x y y
Correlacin Positiva
-1 1 Si = 0
X, Y independientes
Coeficiente de Correlacin
r
X2
Distintos grados de
asociacin lineal entre
dos variables
r = 0.9
r = -0.9
r = 0.5
r = -0.5
X2
Ntese la orientacin
de la nube en funcin
del
signo
de
la
correlacin
Independencia
X2
r=0
X1
Correlacin y Causalidad
http://xkcd.com/552/
FIN DE PROBABILIDAD