P. 1
Vector Aleatorio

Vector Aleatorio

|Views: 52|Likes:
Uploaded from Google Docs
Uploaded from Google Docs

More info:

Published by: Edson Arturo Quispe Sánchez on Jan 03, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

01/03/2011

pdf

text

original

1

Vector Aleatorio
Estadística Aplicada
2006-1
Función de probabilidad Conjunta-Discreta
Una función de probabilidad conjunta de las
variables X e Y es una función de las dos variables
tal que, al sustituir la x por un valor de la variable X y
la y por un valor de la variable Y, el valor de la
función nos da la probabilidad de que X e Y tomen
simultáneamente esa pareja de valores
anteriormente citados.
Las propiedades que debe cumplir la función de
probabilidad conjunta son:
• 1. Como consecuencia del primer
axioma.
• 2. Como consecuencia del segundo
axioma.
• 3. Por definición.
Sea X = ( X
1
, X
2
) vector aleatorio discreto, con
X
i
variable aleatoria que representa el número
de fallas del turno i. La siguiente tabla nos
proporciona la función de cuantía conjunta:
0 1 2
0 0,1 0,2 0,2
1 0,04 0,08 0,08
2 0,06 0,12 0,12
2
1
X
X
Ejemplos de Vectores Aleatorios Discretos
1. Determinar las cuantías marginales
2. Determine las cuantías condicionales
) / ( 2
1 2
= X X f ) / ( 1
2 1
= X X f
2 1
X
X
f f
Ejemplos de Vectores Aleatorios Discretos
Soluci Solució ónn
1. Cuant 1. Cuantíías marginales as marginales
¦
¹
¦
´
¦
=
=
=
=
2 4 0
1 4 0
0 2 0
1
1
1
1
1
x
x
x
x f
X
; ,
; ,
; ,
) (
¦
¹
¦
´
¦
=
=
=
=
2 3 0
1 2 0
0 5 0
2
2
2
2
2
x
x
x
x f
X
; ,
; ,
; ,
) (
2. Cuantías condicionales
¦
¹
¦
´
¦
=
=
=
=
=
=
=
2 4 0 04 0
1 4 0 04 0
0 2 0 04 0
1
1
1
1
2
2 1
1
2
2 1
x
x
x
x f
x x f
f
X
X X
; , / ,
; , / ,
; , / ,
) (
) , (
/
¦
¹
¦
´
¦
=
=
=
=
=
=
=
2 4 0 12 0
1 4 0 08 0
0 4 0 2 0
2
2
2
2
1
2 1
2
1
1 2
x
x
x
x f
x x f
f
X
X X
; , / ,
; , / ,
; , / ,
) (
) , (
/
Soluci Solucióónn
2
Distribuciones Multivariadas
Sea X = (X
1
, X
2
,..., X
k
) vector aleatorio
P
X
: B
k
R caracterizada por F
X
, f
X
(discreta,
continua,).
Consideremos k=2 :
: función de Distribución conjunta X=(X
1
,X
2
)
: función de densidad (cuantía)
F
Xi
(x
i
): función de Distribución marginal de X
i
, i=1,2
f
Xi
(x
i
): función de densidad marginal i=1,2
) , (
2 1 X
f x x
) , (
2 1 X
F x x
Función de Densidad Conjunta
Si X e Y son variables continuas, la función que
se define es una función de densidad conjunta y
es una función que al integrarla respecto de x e y
sobre unos intervalos nos d la probabilidad de que
la variable tome valores en esos intervalos.
Que debe de cumplir unas condiciones
similares a las anteriores:
1. Como consecuencia del primer axioma.
2. Como consecuencia del segundo
axioma.
3. Por definición.
Función de Densidad Conjunta
Variables Independientes
Dos variables aleatorias X e Y, discretas o
continuas cuyas funciones de probabilidad
o densidad son g(x) y h(y),
respectivamente, con función de
probabilidad o densidad conjunta f(x , y),
son estadísticamente independientes si y
sólo si
Variables independientes Variables dependientes
0
2
2
2 1
2 2 1
2
2
> = = ) (
) (
) , (
) / ( x f si
x f
x x f
x X X f
X
X
X
) ( ) ( ) , (
2 1 2 1 2 1
2
1
x f x f x x f X X
X
X
X
- = · ±
| | | | | |) , (
2 1
X E X E X E =
| | | | | | ) ( ) ( X E X X E X E
T
X
÷ ÷ =
¯
Distribuciones de probabilidad
| | | | | | ) )( ( ) , cov(
2 2 1 1 2 1
X E X X E X E X X ÷ ÷ =
| | | |) (
) , cov(
) , (
2 1
2 1
2 1
X V X V
X X
X X
-
= p
¬ = ¬ ± 0
2 1 2 1
) , cov( X X X X
| | | | | |
2 1 2 1 2 1
0 X E X E X X E X X = ¬ = ) , ( p
Características: Covarianza Cov(X
1
,X
2
)y
Coeficiente de Correlación
) , (
2 1
X X p
Al valor esperado de (x,y) se le llama covarianza de las
variables X e Y y se representa como σ
xy
o cov(x,y).
3
Covarianza
La covarianza es una medida
de la variación común a dos
variables y, por tanto, una
medida del grado y tipo de su
relación.
σxy es positiva si los valores
altos de X están asociados a
los valores altos de Y y
viceversa.
σxy es negativa si los valores
altos de X están asociados a
los valores bajos de Y y
viceversa.
Si X e Y son variables
aleatorias independientes
cov(x,y) = 0 .
La independencia es
cov(x,y) = 0 cov(x,y) > 0 cov(x,y) < 0
Coeficiente de Correlación
coeficiente de correlación, ρ, que se define como el
cociente entre la covarianza y el producto de las
desviaciones típicas de las dos variables.
La correlación toma valores entre -1 y 1, siendo su
signo igual al de la covarianza. Correlaciones con valor
absoluto 1 implican que existe una asociaci ón
matemática lineal perfecta, positiva o negativa, entre las
dos variables y correlaciones iguales a 0 implican
ausencia de asociación. Obviamente, las variables
independientes tienen correlación 0, pero nuevamente,
la independencia es condición suficiente pero no
necesaria.
Correlaciones con valores absolutos intermedios
indican cierto grado de asociaci ón entre los valores de
las variables.
Obtenga adem Obtenga ademáás: s:
1.
1.
2. 2.
3.
3.
| |
1
X E
) , (
2 1
X X p
| | 2
1 2
= X X V /
Nota
Nota Ejemplo de vectores
aleatorios continuos
Sea X = (X
1
, X
2
) vector aleatorio continuo, con
densidad:
Calcular:
| |
) , ( ) (
3
2
) , (
2 1
1 , 0 x
2 1 2 1
1
x x I e x x x x f
R
x
X
+
÷
+ =
) , (
2 1
X X p
| |
í í
·
÷
= + =
0
1
0
2 1 2 1
2
1 1
3
5
3
2
1
dx dx e x x x X E
x
) (
| |
í í
·
÷
= + =
0
1
0
2 1 2
2
1
3
1
2
1
3
14
3
2
1
dx dx e x x x X E
x
) (
| |
í í
·
÷
= + =
0
1
0
2 1
2
2 2 1 2
9
5
3
2
1
dx dx e x x x X E
x
) (
| |
í í
·
÷
= + =
0
1
0
2 1
3
2
2
2 1
2
2
18
7
3
2
1
dx dx e x x x X E
x
) (
Soluci Solució ónn
| |
í í
·
÷
= + =
0
1
0
2 1
2
2 1 2
2
1 2 1
9
8
3
2
1
dx dx e x x x x X X E
x
) (
| |
162
13
2
= X V | |
9
17
1
= X V
| | | |
0951 , 0
) , cov(
) , (
2 1
2 1
2 1
÷ = =
X V X V
X X
X X p
Soluci Solucióónn
4
Sean X , Y v.a. y o , C e R
| | o o =
X
E
| | | | X E X E
X
o o =
| | | | | | Y E X E Y X E + = +
| | | | | | Y E X E XY E =
Esperanza y Varianza Esperanza y Varianza
Sean X , Y v.a. y o , C e R
| | 0 = o V
| | | | X V X V
2
o o =
| | | | X V C X V = +
| | | | | | Y X si Y V X V Y X V ± + = +
| | | | | | ) , cov( Y X Y V X V Y X V 2 + + = +
Esperanza y Varianza Esperanza y Varianza
Sean X
1
, X
2
,..., X
n
v.a.independientes:
En general para X
1
, X
2
,..., X
n
v.a.cualesquiera:
| |
I I
= =
=

n
i
i
n
i
i
X E X E
1 1
| |
¯ ¯
= =
=

n
i
i
n
i
i
X V X V
1 1
| |
I I
= =
=

n
i
i
n
i
i
X E X E
1 1
| |
¯ ¯ ¯
< = =
+ =

j i
j i j i
n
i
i i
n
i
i i
X X X E X V ) , cov( o o o o 2
1
2
1
Esperanza y Varianza
Esperanza y Varianza
Distribución (Binomial):
n , p=p
1
, q=1-p=p
2
) , (
! !
!
) , (
2 1 2 1
2 1
2 1
2 1
x x I p p
x x
n
x x f
x x
X
=
{ }
¯
= . > n x x x
i i
0 :
Ejemplos de Distribuciones Continuas
Ejemplos de Distribuciones Continuas
Ejemplos de Distribuciones
Ejemplos de Distribuciones
Multivariadas
Multivariadas
Distribución (Multinomial): n , p
1
, p
2
,..., p
k
) ,.., ( ...
!
!
) ,..., , (
k
x
k
x x
k
i
i
k X
x x I p p p
x
n
x x x f
k
1 2 1
1
2 1
2 1
I
=
=
{ }
¯
= . > n x x x
i i
0 :
| | ) ,..., , (
k
np np np X E
2 1
=
¯
|
|
|
.
|

\
|
÷ ÷
÷ ÷ ÷
=
) (
) (
k k k
k
X
p np p np
p np p np p np
1
1
1
1 2 1 1 1

  

Ejemplos de Distribuciones Ejemplos de Distribuciones Multivariadas Multivariadas
Distribución Normal (Bivariada): X ~ N(u,E)
o bien
Además
) ( ) (
) , (
u u
t
÷ E ÷ ÷
÷
¯
=
x x
X
T
e x x f
1
2
1
2 1
2 1
2
1
¦
)
¦
`
¹
¦
¹
¦
´
¦

|
|
.
|

\
| ÷
|
|
.
|

\
| ÷
÷
|
|
.
|

\
| ÷
+
|
|
.
|

\
| ÷
÷
÷
÷
=
2
2 2
1
1 1
2
2
2 2
2
1
1 1
2
2
1 2
1
2
2 1
1 2
1
o
u
o
u
p
o
u
o
u
p
p o to
x x x x
e
) (
| | ) (
2 1
u u = X E | |
X V
X
=

= ¯
2
2 2 1
2 1
2
1
o o po
o po o
Ejemplos de Distribuciones Ejemplos de Distribuciones Multivariadas Multivariadas
5
Las probabilidades de que cierta lámpara de un
modelo de proyector dure menos de 40 horas,
entre 40 y 80 horas, y más de 80 horas de uso
interrumpido son 0.3 ; 0.5 y 0.2 respectivamente.
Calcular la probabilidad de que entre 8 de tales
lámparas, 2 duren menos de 40 horas; cinco
duren entre 40 y 80 horas, y una dure más de 80
horas.
Ejemplo de Distribuciones Ejemplo de Distribuciones Multinomial Multinomial
Solución:
n=8 ; p
1
=0,3 ; p
2
=0,5 ; p
3
=0,2
x
1
=2 ; x
2
=5 ; x
3
=1
3 2 1
3 2 1
3
1
3 3 2 2 1 1
x x x
i
i
p p p
x
n
x X x X x X P
I
=
= = = =
!
!
) ; ; (
0945 0 2 0 5 0 3 0
1 5 2
8
1 5 2
, ) , ( ) , ( ) , (
! ! !
!
= =
Ejemplo de Distribuciones Ejemplo de Distribuciones Multinomial Multinomial
p p = ) , (
2 1
X X
) , ( ) (
2
1 1 1
1
o u N x f
X
=
) , ( ) (
2
2 2 2
2
o u N x f
X
=
)) ( ); ( ( ) / (
2
2
1 2 2
2
1
1 2 1
1 p o u
o
o
p u ÷ ÷ + = x N X X f
| |
2 1
X X E / | |
2 1
X X V /
Propiedades Normal Propiedades Normal Bivariada Bivariada
Análogamente se tiene que:
)) ( ); ( ( ) / (
2
2
2 1 1
1
2
2 1 2
1 p o u
o
o
p u ÷ ÷ + = x N X X f
| |
1 2
X X E / | |
1 2
X X V /
Propiedades Normal Propiedades Normal Bivariada Bivariada
Dos elementos (X,Y) se distribuyen como
N ( u , E ), siendo :
Al analizar un elemento se observa que contiene
6 gramos de X.
- ¿Cuál es el valor más probable de Y?
|
|
.
|

\
|
=
6
4
u
|
|
.
|

\
|
= E
2
8 0 1 .
Aplicaci
Aplicaci
ó
ó
n Normal
n Normal
Bivariada
Bivariada
La respuesta consiste en encontrar:
gramos
| | 6 = x y E /
| | 6 7 6
1
1
2
2
, ) ( / = ÷ + = = u
o
o
p u x x y E
| | 72 2 1 6
2
2
2
, ) ( / = ÷ = = p o x y V
Soluci Solucióónn

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->