Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Distribuciones Multivariantes
Estadstica. Profesora: Mara Durbn
3
Distribuciones Multivariantes
1. Distribucin conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Caractersticas de un vector aleatorio
Esperanza
Varianza, Covarianza, Correlacin
5. Transformaciones de vectores aleatorios
6. Distribucin Normal multivariante
1. Distribucin conjunta de un vector aleatorio
Estadstica. Profesora: Mara Durbn
4
1. Distribucin conjunta de un vector aleatorio
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.
Estadstica. Profesora: Mara Durbn
5
1. Distribucin conjunta de un vector aleatorio
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
X
Y
Estadstica. Profesora: Mara Durbn
8
1. Distribucin conjunta de un vector aleatorio
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.:
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
Estadstica. Profesora: Mara Durbn
9
1. Distribucin conjunta de un vector aleatorio
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
Estadstica. Profesora: Mara Durbn
10
1. Distribucin conjunta de un vector aleatorio
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 = = = = =
Estadstica. Profesora: Mara Durbn
11
1. Distribucin conjunta de un vector aleatorio
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
=
Estadstica. Profesora: Mara Durbn
12
1. Distribucin conjunta de un vector aleatorio
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
Estadstica. Profesora: Mara Durbn
13
1. Distribucin conjunta de un vector aleatorio
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
Estadstica. Profesora: Mara Durbn
14
1. Distribucin conjunta de un vector aleatorio
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 < <
Estadstica. Profesora: Mara Durbn
15
1. Distribucin conjunta de un vector aleatorio
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
Estadstica. Profesora: Mara Durbn
16
1. Distribucin conjunta de un vector aleatorio
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
Estadstica. Profesora: Mara Durbn
17
1. Distribucin conjunta de un vector aleatorio
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
Estadstica. Profesora: Mara Durbn
18
1. Distribucin conjunta de un vector aleatorio
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
Estadstica. Profesora: Mara Durbn
19
Distribuciones Multivariantes
1. Distribucin conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Caractersticas de un vector aleatorio
Esperanza
Varianza, Covarianza, Correlacin
5. Transformaciones de vectores aleatorios
6. Distribucin Normal multivariante
2. Distribuciones marginales y condicionadas
Estadstica. Profesora: Mara Durbn
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
= = = = =
= = = = =
=
=
= < <
Pr( 2000) ? Y >
2. Distribuciones marginales
Estadstica. Profesora: Mara Durbn
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
2. Distribuciones marginales
Estadstica. Profesora: Mara Durbn
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 >
Podemos resolverlo de dos formas:
Integrar la funcin de densidad conjunta
en el recinto adecuado
2000 0
Pr( 2000) ( , ) 0.05
y
Y f x y dxdy
+
> = =
Y
2. Distribuciones marginales
Estadstica. Profesora: Mara Durbn
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 >
Podemos resolverlo de dos formas:
3 0.002 0.001
0
( ) ( , ) 6 10 (1 ) 0
y
y y
Y
f y f x y dx e e y
= = >
= < <
Y
1000
2000
3000
Pr( 2000) ? Y >
Podemos resolverlo de dos formas:
2000
Pr( 2000) ( ) 0.05
Y
Y f y dy
+
> = =
= < <
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 > =
2. Distribuciones condicionadas
Estadstica. Profesora: Mara Durbn
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
= < <
2. Distribuciones condicionadas
Estadstica. Profesora: Mara Durbn
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
+
+
> = = =
=
=
2. Distribuciones condicionadas
Estadstica. Profesora: Mara Durbn
39
Distribuciones Multivariantes
1. Distribucin conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Caractersticas de un vector aleatorio
Esperanza
Varianza, Covarianza, Correlacin
5. Transformaciones de vectores aleatorios
6. Distribucin Normal multivariante
3. Independencia entre variables aleatorias
Estadstica. Profesora: Mara Durbn
40
3. Independencia entre variables aleatorias
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
=
=
=
Estadstica. Profesora: Mara Durbn
41
3. Independencia entre variables aleatorias
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 = =
Estadstica. Profesora: Mara Durbn
42
3. Independencia entre variables aleatorias
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 = =
Estadstica. Profesora: Mara Durbn
43
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
= < <
3. Independencia entre variables aleatorias
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
= >
Estadstica. Profesora: Mara Durbn
48
4. Caractersticas de un vector aleatorio
Covarianza positiva Covarianza cero
Covarianza negativa Covarianza cero
Hay relacin
pero no
lineal
Estadstica. Profesora: Mara Durbn
49
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
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 +
4. Caractersticas de un vector aleatorio
Estadstica. Profesora: Mara Durbn
50
4. Caractersticas de un vector aleatorio
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 = + =
Estadstica. Profesora: Mara Durbn
51
4. Caractersticas de un vector aleatorio
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
Estadstica. Profesora: Mara Durbn
52
Distribuciones Multivariantes
1. Distribucin conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Caractersticas de un vector aleatorio
Esperanza
Varianza, Covarianza, Correlacin
5. Transformaciones de vectores aleatorios
6. Distribucin Normal multivariante
5. Transformaciones de vectores aleatorios
Estadstica. Profesora: Mara Durbn
53
5. Transformaciones de vectores aleatorios
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
Estadstica. Profesora: Mara Durbn
54
5. Transformaciones de vectores aleatorios
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
Estadstica. Profesora: Mara Durbn
55
5. Transformaciones de vectores aleatorios
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?
Estadstica. Profesora: Mara Durbn
56
5. Transformaciones de vectores aleatorios
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
= + =
= + =
= + =
= + =
Estadstica. Profesora: Mara Durbn
57
5. Transformaciones de vectores aleatorios
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
= + =
= + =
= + =
= + =
Estadstica. Profesora: Mara Durbn
58
5. Transformaciones de vectores aleatorios
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
Estadstica. Profesora: Mara Durbn
59
5. Transformaciones de vectores aleatorios
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
= < <
=
= + < <
\
\
Y X X
X X X
Y X X X X
X X X
Estadstica. Profesora: Mara Durbn
63
5. Transformaciones de vectores aleatorios
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
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
Estadstica. Profesora: Mara Durbn
64
5. Transformaciones de vectores aleatorios
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
Estadstica. Profesora: Mara Durbn
65
5. Transformaciones de vectores aleatorios
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
= =
= + + =
=
Estadstica. Profesora: Mara Durbn
66
5. Transformaciones de vectores aleatorios
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
Estadstica. Profesora: Mara Durbn
67
Distribuciones Multivariantes
1. Distribucin conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Caractersticas de un vector aleatorio
Esperanza
Varianza, Covarianza, Correlacin
5. Transformaciones de vectores aleatorios
6. Distribucin Normal multivariante 6. Distribucin Normal multivariante
Estadstica. Profesora: Mara Durbn
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
6. Distribucin Normal multivariante
Estadstica. Profesora: Mara Durbn
69
6. Distribucin Normal multivariante
( )
( ) )
`
=
) ( )' (
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
Estadstica. Profesora: Mara Durbn
71
(
=
2
1
=
2
2 2 1
2 1
2
1
(
=
2
1
X
X
X
6. Distribucin Normal multivariante
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
=
Estadstica. Profesora: Mara Durbn
72
6. Distribucin Normal multivariante
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?
Estadstica. Profesora: Mara Durbn
73
6. Distribucin Normal multivariante
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 =