Pro Piedade S

Tema 4: Variable Aleatoria Bidimensional
Teora de la Comunicaci on
Curso 2007-2008
Denici on Distribuci on y fdp Conjunta Clasicaci on de V.A Bidimensionales Distribuciones Condicionales Funciones de dos V.A. Momentos de dos V.A
Contenido
1
Denici on de Variable Aleatoria Bidimensional
2
Distribuci on y fdp Conjunta
3
Clasicaci on de Variables Aleatorias Bidimensionales
4
Distribuciones Condicionales
5
Funciones de dos Variables Aleatorias
6
Momentos de dos Variables Aleatorias
Tema 4: Variable Aleatoria Bidimensional Teora de la Comunicaci on
Contenido
1
2
3
4
5
6
Variable Aleatoria Bidimensional
Experimento Compuesto: =
1
2
con < , F, P >
1
con esp. prob. <
1
, F
1
, P
1
>
X:
1
R
1

1
X(
1
) R
2
con esp. prob. <
2
, F
2
, P
2
>
Y :
2
R
2

2
Y (
2
) R
Variable Aleatoria Bidimensional:
(X, Y ): R
2
(
1
,
2
) (X(
1
), Y (
2
)) R
2
Rango o Recorrido:
XY
=
_
(x, y) R
2
|(
1
,
2
) con X(
1
) = x, Y (
2
) = y
_
An alogo al caso unidimensional:
Caso bidimensional Sucesos: areas
{X x, Y y} = {X x} {Y y}
Contenido
1
2
3
4
5
6
Funci on Distribuci on Conjunta
Denici on: Se dene la Funci on Distribuci on Conjunta de la v.a.
bidimensional (X, Y ) como
F
XY
: R
2
R
(x, y) R
2
F
XY
(x, y) = P (X x, Y y)
F
XY
contiene toda la informaci on probabilstica de la variable
aleatoria (X, Y ).
F
XY
(x, y) representa la probabilidad de que la v.a. bidimensional
tome valores en el cuadrante (x, y).
Funci on Distribuci on Conjunta. Propiedades
1
F
XY
(x, ) = F
XY
(, y) = 0 F
XY
(, ) = 1
2
F
XY
(x, ) = F
X
(x) F
XY
(, y) = F
Y
(y)
3
0 F
XY
(x, y) 1
4
FD es no decreciente (en x y en y).
5
x
1
< x
2
P(x
1
< X x
2
, Y y) = F
XY
(x
2
, y) F
XY
(x
1
, y)
6
x
1
< x
2
, y
1
< y
2
P(x
1
< X x
2
, y
1
< Y y
2
) = F
XY
(x
2
, y
2
) +F
XY
(x
1
, y
1
)
F
XY
(x
1
, y
2
) F
XY
(x
2
, y
1
)
Funci on Densidad de Probabilidad Conjunta
Funci on Densidad de Probabilidad Conjunta
Denici on:
f
XY
(x, y) =

2
F
XY
(x, y)
xy
f
XY
contiene toda la informaci on probabilstica de (X, Y )
Propiedades
1
f
XY
(x, y) 0
2
F
XY
(x, y) =

x
=
y
=
f
XY
(, )dd
3
x=
y=
f
XY
(x, y)dxdy = 1
4
P((X, Y ) D) =

D
f
XY
(x, y)dxdy
5
Concepto de densidad:
f
XY
(x, y) = lm
x0
+
y0
+
P(x < X x + x, y < Y y + y)
xy
Funciones Marginales
Funciones Marginales
Marginal de X:
F
X
(x) = F
XY
(x, )
f
X
(x) =
f
XY
(x, y)dy
Marginal de Y :
F
Y
(y) = F
XY
(, y)
f
Y
(y) =
f
XY
(x, y)dx
Contenido
1
2
3
4
5
6
Clasicaci on en funci on del Rango de la v.a. Bidimensional
1
Rango = Conjunto de puntos aislados
2
Rango = Conjunto de lneas
3
Rango =

Area no nula
1: Rango = Conjunto de Puntos Aislados
X e Y v.a. discretas.
X
= {x
1
, x
2
, . . .},
Y
= {y
1
, y
2
, . . .}
P(x
i
, y
k
) = P(X = x
i
, Y = y
k
) = p
ik
Funci on Distribuci on:
F
XY
(x, y) =
x
i
x
y
k
y
p
ik
=
(x
i
,y
k
)
XY
p
ik
u(x x
i
)u(y y
k
)
Funci on Densidad de Probabilidad:
f
XY
(x, y) =
(x
i
,y
k
)
XY
p
ik
(x x
i
)(y y
k
)
P((x, y) D) =
(x
i
,y
k
)D
p
ik
Marginales: P(X = x
i
) =
k
p
ik
P(Y = y
k
) =
i
p
ik
Ejemplos: Lanzamiento de dos monedas independientes
1
X cara o cruz, Y cara o cruz.
2
X cara o cruz primera moneda. Y n umero de caras.
2: Rango = Conjunto de Lneas
1
X discreta, Y continua (o viceversa)
XY
conjunto de lneas verticales (u horizontales)
x
i

X
, y
Y
P(X = x
i
, Y y)
Funci on Distribuci on:
F
XY
(x, y) =
x
i
x
P(X = x
i
, Y y) =
x
i
X
P(X = x
i
, Y y)u(xx
i
)
Funci on Densidad de Probabilidad:
f
XY
(x, y) =
x
i
X
P(X = x
i
, Y y)
y
(x x
i
)
Marginales:
P(X = x
i
) = P(X = x
i
, Y ) F
Y
(y) =
x
i
X
P(X = x
i
, Y y)
2
X continua, Y = g(X)
XY
: lnea y = g(x)
3
X = g(Z), Y = h(Z) F
XY
(x, y) en funci on de F
Z
(z)
3: Rango =

Area no Nula
X e Y continuas (o mixtas)
Ejemplo: V.a. uniforme en
XY
f
XY
(x, y) =
_
K (x, y)
XY
0 resto
Obtenci on de K:
_ _
XY
Kdxdy = KArea(
XY
) = 1 K =
1
Area(
XY
)
Caso Particular:
XY
rect angulo x
1
< x < x
2
, y
1
< y < y
2
.
Marginales:
f
X
(x) =
_

f
XY
(x, y)dy =
_
1
x
2
x
1
x
1
< x < x
2
0 resto
f
Y
(y) =
_

f
XY
(x, y)dx =
_
1
y
2
y
1
y
1
< y < y
2
0 resto
Ambas vuelven a ser uniformes ( este es un caso especial)
Contenido
1
2
3
4
5
6
Funci on Distribuci on Condicionada
Denici on: Para un suceso M R
2
, la funci on distribuci on de (X, Y )
condicionada a M se dene como:
F
XY
(x, y|M) = P(X x, Y y|M) =
P({X x, Y y} M)
P(M)
Marginales:
F
X
(x|M) = F
XY
(x, |M) F
Y
(y|M) = F
XY
(, y|M)
Funci on Densidad de Probabilidad Condicionada
Denici on:
f
XY
(x, y|M) =

2
F
XY
(x, y|M)
xy
Marginales:
f
X
(x|M) =
_

f
XY
(x, y|M)dy f
Y
(y|M) =
_

f
XY
(x, y|M)dx
Obtenci on de la Distribuci on Conjunta
Sea M = {Y y}:
F
X
(x|M) =
P({X x} {Y y})
P(Y y)
=
F
XY
(x, y)
F
Y
(y)
= F
X
(x|Y y)
F
XY
(x, y) = F
X
(x|Y y)F
Y
(y)
Haciendo M = {X x}:
F
XY
(x, y) = F
Y
(y|X x)F
X
(x)
Obtenci on de la fdp Conjunta
A partir de M = {y < Y y + y} (o M = {x < X x + x}):
f
XY
(x, y) = f
X
(x|Y = y)f
Y
(y)
f
XY
(x, y) = f
Y
(y|X = x)f
X
(x)

f
XY
(x, y) = f
X
(x|y)f
Y
(y)
f
XY
(x, y) = f
Y
(y|x)f
X
(x)
Principales Teoremas
Teorema de la Multiplicaci on
f
XY
(x, y) = f
X
(x|y)f
Y
(y) = f
Y
(y|x)f
X
(x)
Teorema de la Probabilidad Total
f
X
(x) =
f
X
(x|y)f
Y
(y)dy f
Y
(y) =
f
Y
(y|x)f
X
(x)dx
Teorema de Bayes
f
Y
(y|x) =
f
X
(x|y)f
Y
(y)
f
X
(x)
f
X
(x|y) =
f
Y
(y|x)f
X
(x)
f
Y
(y)
Independencia de Variables Aleatorias
Recordamos: Sucesos independientes P(A B) = P(A)P(B)
Denici on: X e Y son variables aleatorias independientes sii los
sucesos {X x}, {Y y} son independientes para todo x, y, es decir
P({X x} {Y y}) = P(X x)P(Y y)
F
XY
(x, y) = F
X
(x)F
Y
(y)
f
XY
(x, y) = f
X
(x)f
Y
(y)
f
X
(x|y) = f
X
(x)
f
Y
(y|x) = f
Y
(y)
En el caso discreto:
P(X = x
i
, Y = y
k
) = P(X = x
i
)P(Y = y
k
) x
i

X
, y
k

Y
Teorema: Si las v.a. X e Y son independientes, las v.a. Z = g(X),
W = h(Y ) tambi en son independientes.
Ejemplos
1
(X, Y ) v.a uniforme en el rect angulo x
1
< X < x
2
, y
1
< Y < y
2
:
f
XY
(x, y) =
_
1
(x
2
x
1
)(y
2
y
1
)
(x, y)
XY
0 resto
f
X
(x) =
_
1
x
2
x
1
x
1
< x < x
2
0 resto
f
Y
(y) =
_
1
y
2
y
1
y
1
< y < y
2
0 resto
f
XY
(x, y) = f
X
(x)f
Y
(y) (X, Y ) son independientes
2
(X, Y ) v.a. uniforme en el crculo unidad (R = X
2
+Y
2
1):
f
XY
(x, y) =
_
1
x
2
+y
2
1
0 resto
f
X
(x) =
_
2
1 x
2
1 x 1
0 resto
f
Y
(y) =
_
2
_
1 y
2
1 y 1
0 resto
f
XY
(x, y) = f
X
(x)f
Y
(y) (X, Y ) no son independientes
f
Y
(y|x) =
f
XY
(x, y)
f
X
(x)
=
_
1
2
1x
2

1 x
2
y
1 x
2
0 resto
fdp condicionada uniforme f
Y
(y|x) = f
Y
(y)
Contenido
1
2
3
4
5
6
Una funci on de dos Variables Aleatorias
Funci on de una v.a. bidimensional
(X, Y ) v.a. bidimensional:
(X, Y ): R
2
(
1
,
2
) (X(
1
), Y (
2
)) R
2
Z v.a. funci on de (X, Y )
Z: R
2
R
(X, Y ) Z = g (X(
1
), Y (
2
))
Objetivo: Caracterizar Z a partir del conocimiento de g() y suponiendo
caracterizada la v.a. (X, Y )
F
Z
(z) = P(Z z) = P((X, Y ) B
XY
) B
XY
=
_
(x, y) R
2
|g(x, y) z
_
Proceso:
B usqueda de B
XY
para cada z
Obtenci on de P(Z z) = P((X, Y ) B
XY
)
Ejemplos: Amplicador de entrada a un receptor, modulador, avi on
bimotor, salto de longitud (3 v.a.), . . .
Funci on de v.a. bidimensional. Ejemplo 1
X, Y variables aleatorias independientes
Z = X +Y
F
Z
(z) = P(Z z) = P (X +Y z) =
_ _
B
XY
f
XY
(x, y)dxdy
B
XY
=
_
(x, y) R
2
|x +y z
_
F
Z
(z) =
_

x=
_
zx
y=
f
XY
(x, y)dxdy
v.a. indep
=
=
_

x=
_
zx
y=
f
X
(x)f
Y
(y)dxdy =
_

x=
f
X
(x)F
Y
(z x)dx
Derivando respecto a z:
f
Z
(z) =
_

x=
f
X
(x)f
Y
(z x)dx f
Z
(z) = f
X
(z) f
Y
(z)
Teorema de la Convoluci on
Teorema: Sean X e Y v.a. independientes y Z = X +Y
f
Z
(z) = f
X
(z) f
Y
(z)
Otros resultados importantes
Dadas las v.a. independientes X
1
, . . . , X
N
, la combinaci on lineal
Y = b +
N
k=1
a
k
X
k
,
es una v.a. con media y varianza
Y
= b +
N
k=1
a
k
X
k

2
Y
=
N
k=1
a
2
k
2
X
k
Si X
1
, . . . , X
N
son v.a. Gaussianas, Y es Gaussiana.
Si N entonces Y es Gaussiana independientemente de las
distribuciones de X
1
, . . . , X
N
(Teorema del Lmite Central)
X, Y variables aleatorias independientes
Z = max(X, Y )
B
XY
: {Z z} = {X z} {Y z}
F
Z
(z) = P(Z z) = P ({X z} {Y z})
v.a. indep
=
= P(X z)P(Y z) = F
X
(z)F
Y
(z)
: Lanzamiento de dos dados independientes
X: puntuaci on dado 1. Y : puntuaci on dado 2
X
= {1, . . . , 6} P(X = x
i
) = 1/6 x
i
=
X
Y
= {1, . . . , 6} P(Y = y
k
) = 1/6 y
k
=
Y
Z: Suma de puntuaciones
Z = X +Y f
Z
(z) = f
X
(z) f
Y
(z)
Dos Funciones de dos Variables Aleatorias
(X, Y ) v.a. bidimensional
g(), h() funciones de (X, Y )
Z: R
2
R W: R
2
R
(X, Y ) Z = g (X, Y ) (X, Y ) W = h(X, Y )
(Z, W) es una v.a. bidimensional
Objetivo: Caracterizar Z y W de manera conjunta a partir del
conocimiento de g(), h() y suponiendo caracterizada la v.a. (X, Y )
F
ZW
(z, w) = P(Z z, W w) = P((X, Y ) B
XY
)
B
XY
=
_
(x, y) R
2
|g(x, y) z, h(x, y) w
_
Ejemplos: Interferencias en sistemas wireless, Separaci on ciega de
fuentes, . . .
Teorema Fundamental
Teorema: Sean X, Y v.a. continuas y g(x, y), h(x, y) funciones no
constantes en ning un intervalo de
XY
. Entonces la fdp conjunta de las
variables aleatorias Z = g(X, Y ), W = h(X, Y ) viene dada por
f
ZW
(z, w) =
n
i=1
f
XY
(x
i
, y
i
)
|J(x
i
, y
i
)|
J(x, y) es el Jacobiano
J(x, y) =
z
x
z
y
w
x
w
y
=
1
J(z, w)
J(z, w) =
x
z
x
w
y
z
y
w
(x
i
, y
i
) son las races del sistema de ecuaciones
z = g(x, y)
w = h(x, y)
_
Teorema Fundamental
Ejemplo: R, v.a. independientes
f
R
(r) =
r
2
e
r
2
2
2
r 0 (Rayleigh) f
() Uniforme en (, )
f
R
(r, ) = f
R
(r)f
() =
r
2
2
e
r
2
2
2
_
r > 0
< <
Transformaci on: X = Rcos , Y = Rsin
Jacobiano:
J(r, ) =
x
r
x
y
r
y
cos r sin
sin r cos
= r
Races:
x = r cos
y = r sin
_
sol. unica
=
_
r
1
=
_
x
2
+y
2
1
= arctan(y/x)
Teorema Fundamental
Ejemplo (Continuaci on): R, v.a. independientes
f
R
(r) =
r
2
e
r
2
2
2
r 0 (Rayleigh) f
() Uniforme en (, )
f
R
(r, ) = f
R
(r)f
() =
r
2
2
e
r
2
2
2
_
r > 0
< <
Transformaci on: X = Rcos , Y = Rsin
Obtenci on de la fdp:
f
XY
(x, y) =
f
R(r
1
,
1
)
|J(r
1
,
1
)|
=
1
2
2
e
x
2
+y
2
2
2
_
< x <
< y <
Marginales: N(0, )
f
X
(x) =
1
2
e
x
2
2
2
f
Y
(y) =
1
2
e
y
2
2
2
f
XY
(x, y) = f
X
(x)f
Y
(y) X, Y independientes
M etodo de la Variable Aleatoria Auxiliar
M etodo de la v.a. Auxiliar
Motivaci on: Dada (X,Y ) v.a. bidimensional continua, formamos
Z = g(X, Y ) y se desea obtener f
Z
(z)
1
Se dene W = h(X, Y ) (normalmente W = X o W = Y )
2
f
ZW
(z, w) a partir de f
XY
(x, y) mediante el T
a
Fundamental
3
Se obtiene f
Z
(z) =
_
f
ZW
(z, w)dw
Ejemplo
X, Y v.a. independientes. Z = X +Y
1
Denimos W = Y
2
f
XY
(x, y) = f
X
(x)f
Y
(y)
J =
z
x
z
y
w
x
w
y
1 1
0 1
= 1
z = x +y
w = y
_

_
x
1
= z w
y
1
= w
f
ZW
(z, w) =
f
XY
(x
1
, y
1
)
|J(x
1
, y
1
)|
= f
XY
(z w, w) = f
X
(z w)f
Y
(w)
3
f
Z
(z) =
_
f
ZW
(z, w)dw =
_
f
X
(z w)f
Y
(w)dw = f
X
(z) f
Y
(z)
Contenido
1
2
3
4
5
6
Media y Varianza
Media de una Funci on de dos Variables Aleatorias
Denici on: Z = g(X, Y )
E [g(X, Y )] =
_

g(x, y)f
XY
(x, y)dxdy
En el caso discreto:
E[g(X, Y )] =
k
g(x
i
, y
k
)P(X = x
i
, Y = y
k
)
Media condicionada:
E[g(X, Y )|M] =
_

g(x, y)f
XY
(x, y|M)dxdy
Teorema
X, Y v.a. independientes

E[XY ] = E[X]E[Y ]
Media y Varianza
Varianza de una Funci on de dos Variables Aleatorias
Var[g(X, Y )] = E
_
g
2
(X, Y )
E [g(X, Y )]
2
Teorema
X, Y v.a. independientes Var[X +Y ] = Var[X] + Var[Y ]
Resumen
Dadas X
1
, . . . , X
N
v.a. independientes:
Y = b +
N
k=1
a
k
X
k
E[Y ] = b +
N
k=1
a
k
E[X
k
] Var[Y ] =
N
k=1
a
2
k
Var[X
k
]
Adem as:
Si X
1
, . . . , X
N
son v.a. Gaussianas, Y es Gaussiana.
Si N entonces Y es Gaussiana independientemente de las
distribuciones de X
1
, . . . , X
N
(Teorema del Lmite Central)
Momento no centrado de orden (r, s)
m
rs
=
_
x
r
y
s
f
XY
(x, y)dxdy = E[X
r
Y
s
]
Momento centrado de orden (r, s)
rs
=
_
(x
X
)
r
(y
Y
)
s
f
XY
(x, y)dxdy = E[(X
X
)
r
(Y
Y
)
s
]
Casos Particulares
Medias: m
10
= E[X] =
X
, m
01
= E[Y ] =
Y
Varianzas:
20
= E[(X
X
)
2
] =
2
X
,
02
= E[(Y
Y
)
2
] =
2
Y
Covarianza:
11
= Cov(X, Y ) = E[(X
X
)(Y
Y
)] = C
XY
=
XY
Coeciente de Correlaci on:
r
XY
=
Cov(X, Y )
Y
=
Cov(X, Y )
_
2
X
2
Y
1 r
XY
1
Relaciones Estadsticas
Relaci on Estadstica entre dos Variables Aleatorias
Independencia: f
XY
(x, y) = f
X
(x)f
Y
(y)
f
X
(x|y) = f
X
(x) f
Y
(y|x) = f
Y
(y)
No existe relaci on estadstica entre X e Y
Incorrelaci on: No existe relaci on estadstica lineal entre X e Y
C
XY
= 0 E[XY ] = E[X]E[Y ] r
XY
= 0
Ortogonalidad: E[XY ] = 0
Adem as. . .
X, Y v.a. independientes

X, Y incorreladas
r
XY
= 1 Existe relaci on estadstica lineal exacta entre X e Y
Y = aX +b

Pro Piedade S

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Pro Piedade S

Cargado por

Copyright:

Formatos disponibles

Tema 4: Variable Aleatoria Bidimensional

También podría gustarte