4.

Modelos Multivariantes

Curso 2011-2012
Estadística

Distribución conjunta de
variables aleatorias
 Definiciones (v. a. discretas)

„ Distribución de probabilidad conjunta

de dos variables aleatorias X, Y
­ 3 ; = [ < = \  ≥  ∀[ \
°
3  ; = [ < = \  ® [ = ∞ \ = ∞
¦ ¦ 3 ; = [ < = \  = 
° [ = −∞ \ = −∞
¯
„ Función de distribución conjunta:

);<  [ \  = 3  ; ≤ [ < ≤ \ 
Modelos Multivariantes 3

Lanzamiento de dos dados

'DGR52-2
1 2 3 4 5 6
1 1/36 1/36 1/36 1/36 1/36 1/36
2 1/36 1/36 1/36 1/36 1/36 1/36
3 1/36 1/36 1/36 1/36 1/36 1/36
'DGR 4 1/36 1/36 1/36 1/36 1/36 1/36
$=8/ 5 1/36 1/36 1/36 1/36 1/36 1/36
6 1/36 1/36 1/36 1/36 1/36 1/36

X = “ Resultado de dado ROJO”

Y = “ Resultado de dado AZUL”
Distribución conjunta de probabilidad
P ( X=i , Y=j ) =1/36, (i,j de 1 a 6)
Modelos Multivariantes 4
 Ejemplo
(MHPSOR6HODQ]DQGRVGDGRV\VHGHILQHQODVYDULDEOHV
DOHDWRULDVVXPD6\YDORUDEVROXWRGHODGLIHUHQFLD'
GHORVUHVXOWDGRV
'LVWULEXFLyQ&RQMXQWD36 [' \

S : SUMA DE DOS DADOS

2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36
1 1/18 1/18 1/18 1/18 1/18
D : DIFERENCIA 2 1/18 1/18 1/18 1/18
DE DOS DADOS 3 1/18 1/18 1/18
4 1/18 1/18
5 1/18

Modelos Multivariantes 5

Distribuciones Marginales

S : SUMA DE DOS DADOS

2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36 6/36
1 1/18 1/18 1/18 1/18 1/18 10/36
D : DIFERENCIA 2 1/18 1/18 1/18 1/18 8/36
DE DOS DADOS 3 1/18 1/18 1/18 6/36
4 1/18 1/18 4/36
5 1/18 2/36
1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

0DUJLQDOGH6 0DUJLQDOGH'

Modelos Multivariantes 6
 Distribuciones Marginales
\ =∞
3  ; = [  = ¦ 3  ; = [ < = \ 
\ = −∞
[ =∞
3< = \  = ¦ 3 ; = [ < = \ 
[ = −∞
0,18
0,16
0,14
0,12
0,1
0,08
0,06
0,04
6XPDGH 0,02
0
GRVGDGRV 1 2 3 4 5 6 7 8 9 10 11 12 13

Modelos Multivariantes 7

Distribuciones condicionadas
S : SUMA DE DOS DADOS
2 3 4 5 6 7 8 9 10 11 12
0 1/36 1/36 1/36 1/36 1/36 1/36 6/36
1 1/18 1/18 1/18 1/18 1/18 10/36
D : DIFERENCIA 2 1/18 1/18 1/18 1/18 8/36
DE DOS DADOS 3 1/18 1/18 1/18 6/36
4 1/18 1/18 4/36
5 1/18 2/36
1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

D|S= 8

'LVWULEXFLyQGHODGLIHUHQFLD 0 1/5
1 0
HQWUHORVGDGRVFRQGLFLRQDGDD 2 2/5
3 0
TXHODVXPDHV 4 2/5
5 0
3' \_6  3' \6 36  1

Modelos Multivariantes 8
 Independencia
Las variables aleatorias ;<son independientes si y sólo si

P(X=i, Y=j) = P( X= i ) × P( Y= j )
'DGR52-2
1 2 3 4 5 6
1 1/36 1/36 1/36 1/36 1/36 1/36
2 1/36 1/36 1/36 1/36 1/36 1/36
'DGR 3 1/36 1/36 1/36 1/36 1/36 1/36
$=8/ 4 1/36 1/36 1/36 1/36 1/36 1/36
5 1/36 1/36 1/36 1/36 1/36 1/36
6 1/36 1/36 1/36 1/36 1/36 1/36

Modelos Multivariantes 9

Variables aleatorias continuas

G E
3D ≤ ; ≤ E F ≤ < ≤ G  = ³F ³D I ;<  [ \  G[ G\
6LHQGR I ;<  [ \  ODIXQFLyQGHGHQVLGDGFRQMXQWD
TXHFXPSOH 
 I ;<  [ \  ≥  ∀[ \
∞ ∞
 ³−∞ ³−∞ I ;<  [ \  G[ G\ = 

Modelos Multivariantes 10
 Variables aleatorias continuas

„ Función de distribución

[ \
);<  [ \  = ³−∞ ³−∞ I ;< X Y GX GY
„ Funciones de densidad marginales
∞
I ;  [ = ³−∞ I ;<  [ \  G\
∞
I<  \  = ³−∞ I ;<  [ \  G[

Modelos Multivariantes 11

Las variables aleatorias X, Y tienen como función

de densidad conjunta

I ;<  [ \  =  [\    < [ <   < \ < 

[ \
 3 ; ≤ [ < ≤ \  = ³ ³ XY  GXGY = [  \ 
 

 3 ; + < ≤  = ³³
[ + \ ≤
 [\  G[G\
\

 − \ 
=³ ³  [\  G[G\ =
   [ \

 0DUJLQDOHV

I ;  [  = ³  [\  G\ =  [  < [ < 


I<  \  = ³  [\  G[ =  \    < \ < 


Modelos Multivariantes 12
 Independencia
/DVYDULDEOHVDOHDWRULDV ;< VRQLQGHSHQGLH QWHVVL\VyORVL
I ;< [\ = I ; [I < \
­ I ;  [  =  [  < [ < 
 °
 I ;<  [ \  =  [\   < [ <   < \ <  Ÿ ®
° I  \ =  \    < \ < 
,QGHSHQGLHQWHV ¯ <

­ [
 ° I ;  [ = ³ [ G\ =   < [ < 
 I ;<  [ \  =   ≤ \ ≤ [ ≤  Ÿ ®
[ 
° I<  \  = ³ G[ = − ORJ \   < \ < 
 ¯ \[

\ 1RLQGHSHQGLHQWHV

 [ 

Modelos Multivariantes 13

Funciones de densidad
condicionadas

I ;<  [ \ 
I ; _<  [ _ \  =  FXDQGRI<  \  > 
I<  \ 
I ;<  [ \ 
I< _ ;  \ _ [  =  FXDQGRI ;  [  > 
I ;  [

Modelos Multivariantes 14
 Independencia -II

­ I ;  [  =  [  < [ < 
°
 I ;<  [ \  =  [\   < [ <   < \ <  Ÿ ®

,QGHSHQGLHQWHV
° I  \ =  \   < \ < 
¯ <

 [\
I ; _<  [ _ \  = =  [  < [ < 
[

­ [

 ° I ;  [  = ³ [
G\ =   < [ < 
 I ;<  [ \  =   ≤ \ ≤ [ ≤  Ÿ ® 
[ ° I <  \  = ³ G[ = − ORJ \   < \ < 
¯ \ [

I ; _<  [ _ \  = −  \ ≤ [ ≤
[ ORJ \ 

1RLQGHSHQGLHQWHV
I < _ ;  \ _ [ =   ≤ \ ≤ [
[

Modelos Multivariantes 15

Independencia -III

/DVYDULDEOHVDOHDWRULDV ;< VRQLQGHSHQGLHQWHVVL\VyORVL

I ; _< [ _ \ = I ; [
I< _ ; \ _ [ = I< \

Modelos Multivariantes 16
 Ejemplo
­ F [  + \  ≤ U 
I  [ \  = ®   
¯ [ + \ > U

 F= 

πU
∞
 I ;  [ = ³−∞ I  [ \ G\
 + U  −[
= ³ G\
π U − U  − [

  
= 
U − [  −U ≤ [≤U
πU
Modelos Multivariantes 17

Ejemplo (cont.)
∞
 I <  \  = ³ I  [ \ G[
−∞
 + U  − \
=
π U
³− U  − \
G[


= 
U − \  − U ≤ \ ≤ U
πU

I  [ \  
 I ; _<  [ _ \  = =  − U  − \ ≤ [ ≤ U − \
I<  \   U  − \ 

I<\ I;_<[_\

Modelos Multivariantes 18
 Independencia
/DVYDULDEOHVDOHDWRULDV ;< VRQLQGHSHQGLHQWHVVL\VyORVL
I ;< [\ = I ; [I< \
­ I ;  [  =  [  < [ < 
 °
 I ;<  [ \  =  [\   < [ <   < \ <  Ÿ ®
° I  \ =  \    < \ < 
,QGHSHQGLHQWHV ¯ <

­ 
° I  [  = U  − [ − U ≤ [ ≤ U
­    
;
πU 
°  [ +\ ≤U °
 I  [ \  = ®πU  Ÿ®
°¯  [  + \  > U  °   
° I<  \  =  U − \ − U ≤ \ ≤ U
¯ πU
1R,QGHSHQGLHQWHV

Modelos Multivariantes 19

Esperanza de g(X,Y)

D  6L ;< VRQYDULDEOHVDOHDWRULDVGLVFUHWDVVHGHILQH

HVSHUDQ]DGHODIXQFLyQJ  ;  < FRPR 
[ =∞ \ =∞
(>J;<@ = ¦ ¦ J  [ \  3  ; = [ < = \ 
[ = −∞ \ = −∞

E 6L ;< VRQYDULDEOHVDOHDWRULDVFRQWLQXDVVHGHILQH

HVSHUDQ]DGHODIXQFLyQJ  ;  < FRPR 
∞ ∞
(>J;<@ = ³ ³ J  [ \  I ;<  [ \ G[G\
−∞ −∞

Modelos Multivariantes 20
 Propiedades de E[g(X,Y)]
6LJ; < = J; + J < VHFXPSOH
∞ ∞
(>J; + J <@ = ³
−∞ ³−∞ 
( J [ + J \) I ;<  [ \ G[G\
∞ ∞ ∞ ∞
=³
−∞ ³−∞ 
J [ I ;<  [ \ G[G\ + ³ ³ J \ I ;<  [ \ G[G\
−∞ − ∞

J  [§¨ ³ I ;<  [ \  G\ ·¸G[ + ³ J   \ §¨ ³ I ;<  [ \ G[ ·¸G\

∞ ∞ ∞ ∞
=³
−∞ © −∞ ¹ −∞ © −∞ ¹
∞ ∞
=³ J  [ I ;  [G[ + ³ J   \  I<  \ G\
−∞ −∞
= (> J  ; @ + (> J  < @

(MHPSOR
(>; + <@ = (>;@ + (><@

Modelos Multivariantes 21

Covarianza
La covarianza de dos variables aleatorias ;< , se denota por
&RY;< y se define como :
&RY;< = (>; − ȝ ; < − ȝ< @
∞ ∞
= ³−∞ ³−∞ [ − ȝ ; \ − ȝ<  I ( [ \ )G[G\
donde ȝ ; = (>;@ y ȝ< = (><@

Si las v.a' s son discretas :

&RY;< = (>; − ȝ ; < − ȝ< @
= ¦ ¦ [L − ȝ ; \ M − ȝ< 3 ; = [L  < = \ M 
L M

Modelos Multivariantes 22
 Propiedades de la covarianza
/DFRYDULDQ]DHVXQDPHGLGDGHODGHSHQGHQFLDOLQHDOHQWUH
ODVGRVYDULDEOHV6LODVYDULDEOHVVRQLQGHSHQGLHQWHV
&RY;< 
∞ ∞
&RY;< =  ³−∞ ³−∞ [ − ȝ ; \ − ȝ<  I ( [ \ )G[G\
∞ ∞
= ³−∞ ³−∞ [ − ȝ ; \ − ȝ< I ; ( [ I<  \ )G[G\
∞ ∞
= ³−∞ [ − ȝ ; I ; ( [ )G[ ³−∞ \ − ȝ< I<  \ G\ = 
3URSLHGDGHV
‡ &RY;< (>;<@ (>;@(><@
‡9DU;< 9DU;9DU<&RY;<

Modelos Multivariantes 23

Medias y Matriz de Varianzas

;< GRVYDULDEOHVDOHDWRULDVFRQIXQFLyQGHGHQVLGDGFRQMXQWD
I[\
;  I ;  [ → µ ; = (> ; @ σ ; = 9DU> ; @
<  I <  \  → µ< = (>< @ σ < = 9DU>< @
σ ;< = &RY  ;  < 
§; ·
9HFWRU DOHDWRULR  8 = ¨¨ ¸¸ 
©< ¹
9HFWRU GH  PHGLDV
§µ ·
( >8 @ = ¨¨ ; ¸¸
© µ< ¹
0DWUL]  GH YDULDQ]DV
§σ 
σ ;< ·
9DU >8 @ = ¨¨ ;
¸
¸
© σ ;< σ < ¹

Modelos Multivariantes 24
 Correlación
6HGHILQHFRHILFLHQWHGHFRUUHODFLyQ ρ HQWUHGRVYDULDEOHV
DOHDWRULDV ;< FRPR
&RY  ;  < 
ρ;< =  
9DU  ;  9DU < 

3URSLHGDGHV
‡ ≤ ρ;<≤ 
‡ 6L; H< VRQLQGHSHQGLHQWHVHQWRQFHVρ;< 
‡ < DE;⇔ ρ;< E!Rρ;< E

Modelos Multivariantes 25

n variables aleatorias
3DUDKDFHUFiOFXORGHSUREDELOLGDGHVGHXQVXFHVRHQHO
TXHLQWHUYHQJDODVYDULDEOHVDOHDWRULDV;;;QHV
SUHFLVRFRQRFHUODGLVWULEXFLyQGHSUREDELOLGDGFRQMXQWD
6LODVYDULDEOHVVRQFRQWLQXDVVHHPSOHDODIXQFLyQGH
GHQVLGDGFRQMXQWD
§ ; ·
¨ ¸ I ; [[   [Q 
¨; ¸
; =¨ ¸
#
¨ ¸
¨; ¸
© Q¹
RODIXQFLyQGHGLVWULEXFLyQFRQMXQWD);  [  [  [Q 
[Q [Q− [
);  [  [  [Q  = ³ ³ " ³ I ; W  W   W Q GWGW  " GW Q
−∞ −∞ −∞

Modelos Multivariantes 26
 Vector de variables aleatorias

; =  ;   ;   ; Q  → &RQMXQWRYHFWRUGHQYDFRQWLQXDV

6XGLVWULEXFLyQGHSUREDELOLGDGFRQMXQWDYLHQHFDUDFWHUL]DGDSRU
VXIXQFLyQGHGHQVLGDGFRQMXQWD  I ;  [  [  [Q 
RSRUODIXQFLyQGHGLVWULEXFLyQFRQMXQWD);  [  [  [Q 

[Q [Q− [
);  [  [  [Q  = ³ ³ " ³ I ; W  W   W Q GWGW  " GW Q
−∞ −∞ −∞

Modelos Multivariantes 27

Distribuciones marginales
; =  ;   ;   ; Q  → &RQMXQWRYHFWRUGHQYDFRQWLQXDV

/DIXQFLyQGHGHQVLGDGPDUJLQDOGH; L  I L  [L 
∞ ∞ ∞
I L  [L  = ³ ³ "³ I  [  [  [Q G[G[ " G[Q
−∞ −∞ −∞ ;  

7RGDVPHQRV[L

/DIXQFLyQGHGHQVLGDGPDUJLQDOGH ; L ; M  I LM  [L  [ M 
∞ ∞ ∞
I LM  [L  [ M  = ³ ³ " ³ I ;  [  [  [Q G[G[ " G[Q
−∞ −∞ −∞

7RGDVPHQRV[L\ [M
Modelos Multivariantes 28
 Esperanza

(VSHUDQ]DGHJ ; = J  ; ;   ; Q 

(> J  ;@ = ³−∞∞ ³−∞∞ " ³−∞∞ J  [ [  [Q  I ;  [ [  [Q G[G[ " G[Q
(VIiFLOGHPRVWUDU
(> ; L @ = ³−∞∞ ³−∞∞ " ³−∞∞ [L I ;  [ [  [Q G[G[ " G[Q
= ³−∞∞ [L I L  [L  G[L

(> J  ; ;  @ = ³−∞∞ ³−∞∞ " ³−∞∞ J  [ [  I ;  [ [  [Q G[G[ " G[Q
= ³−∞∞ ³−∞∞ J  [ [  I  [ [ G[G[

Modelos Multivariantes 29

Vector de Medias y Matriz de

Varianzas
; =  ;   ;   ; Q 7  → 9HFWRUGH Q YDULDEOHV DOHDWRULDV
§ µ · ­ µ = (> ;  @
¨ ¸ °
¨ µ  ¸ ° µ  = (> ;  @
(> ;@ = ¨ ¸ → ®
# #
¨ ¸ °
¨ µ ¸ °µ = (> ; @
© Q¹ ¯ Q Q

§ σ  σ  " σ Q ·
¨ ¸
¨ σ  σ  " σ Q ¸ ­° 9DU  ; L  = σ L
9DU> ;@ = ¨ ¸→®
¨ # # % # ¸ °̄&RY ; L  ; M  = σ LM L ≠ M
¨σ " σ Q ¸¹
© Q σ Q

Modelos Multivariantes 30
 Independencia

/DVYDULDEOHVDOHDWRULDV ; ;   ; Q VRQLQGHSHQGLHQWHV

VL\VyORVL
I[[  [Q  = I[ I [ " I Q[Q 

Modelos Multivariantes 31

Transformaciones Lineales
; =  ;   ;   ; Q 7  → 9HFWRUGHQYDULDEOHVDOHDWRULDV
D =  D  D  DQ 7  → 9HFWRUGHQFRQVWDQWHV

< = D ;  + D ;  + " + DQ ; Q = D 7 ;

(>< @ = D 7 (> ;@ = Dµ + D µ  + " + DQ µ Q

§ σ  σ  " σ ·§ D ·
¨ ¸¨ ¸
Q

¨σ σ  " σ  Q ¸¨ D  ¸
9DU >< @ = D 7 9DU > ; @ D = (D D " DQ )¨ 
¨ # # % # ¸¸¨ # ¸
¨ ¸
¨σ
© Q σ Q " σ Q ¸¹¨© DQ ¸¹

Modelos Multivariantes 32
 Transformaciones Lineales
Caso General
; =  ;   ;   ; Q 7  → 9HFWRUGHQYDULDEOHVDOHDWRULDV
§ D D " DQ ·
¨ ¸
¨D D " D Q ¸
D = ¨  → 0DWUL]GHP × QFRQVWDQWHV
# # % # ¸
¨ ¸
¨D DPQ ¸¹
© P DP  "
§ < · § D D " DQ ·§ ;  ·
¨ ¸ ¨ ¸¨ ¸
¨ < ¸ ¨ D D " D Q ¸¨ ;  ¸
¨ # ¸=¨ # # % # ¸¨ # ¸
= $; → (>< @ = $(> ;@
¨ ¸ ¨ ¸¨ ¸
¨< ¸ ¨ D DPQ ¸¹¨© ; Q ¸¹
© P ¹ © P DP  "
9DU>< @ = $ 9DU> ;@ $ 7
§ D D " DQ ·§ σ  σ  " σ ·§ D D " DP ·
¨ ¸¨ ¸¨
Q
¸
¨D D " D Q ¸¨ σ  σ  " σ  Q ¸¨ D D " DP  ¸
= ¨ 
# # % # ¸¨ # # % # ¸¸¨ # # % # ¸
¨ ¸¨ ¨ ¸
¨D ¸¨
" DPQ ¹© σ Q σ  Q " σ Q ¸¹¨© DQ D Q " DPQ ¸¹
© P DP 

Modelos Multivariantes 33

Transformaciones Lineales
(Independencia)

; =  ;   ;   ; Q 7  → 9HFWRU GHQYDULDEOHV DOHDWRULDV LQGHSHQGLH QWHV

D =  D  D   D Q  7  → 9HFWRU GHQFRQVWDQWHV

< = D ;  + D  ;  + " + DQ ; Q

§ σ   "  ·§ D ·
¨ ¸¨ ¸
¨  σ  "  ¸¨ D  ¸
9DU >< @ = (D D  " D Q )¨
¨ # # % # ¸¸¨ # ¸
¨ ¸
¨ 
©  " σ Q ¹© D Q ¸¹
 ¸¨

= Dσ  + Dσ  + " + DQσ Q

Modelos Multivariantes 34
 Ejemplo:
&DOFXODUODPHGLD\ODYDULDQ]DGHODVXPDGHYDULDEOHV
DOHDWRULDVLQGHSHQGLHQWHVFRQGLVWULEXFLyQXQLIRUPHHQ

§ 8 ·
¨ ¸ ­ (>8 L @ =   
¨ 8 ¸ °
8 =¨  8 L → 8QLIRUPH ® 9DU>8 L @ =   
# ¸ °&RY8 L 8 M  = 
¨ ¸ ¯
¨8 ¸
©  ¹
< = 8 + 8  + " + 8

(>< @ = ¦ (>8 L @ =
L =

9DU>< @ = ¦ 9DU>8 L @ =
L =

Modelos Multivariantes 35

Ejemplo

Se dispone de n sobres con sus correspondientes cartas. Se

extraen las cartas de los sobres, se sortean y se vuelven a
introducir de forma aleatoria cada una en un sobre. ¿Cuál es el
número esperado de cartas que coinciden con su sobre inicial?

; ≡1~PHURGHFRLQFLGHQFLDV ; = ; + ;  + " + ; Q
­6LODFDUWDLQRFRLQFLGHFRQVXVREUHLQLFLDO
;L = ®
¯ 6LODFDUWDLVtFRLQFLGHFRQVXVREUHLQLFLDO
(> ; @ = (> ;  @ + (> ;  @ + " + (> ; Q @
  
= + + " + = 
Q Q Q

Modelos Multivariantes 36
 Ejemplo
„ Un proceso fabrica una proporción p de tornillos defectuosos. Se
define X como la variable “número de tornillos extraídos del
proceso hasta que aparecen r defectuosos”. Se pide E[X] y
Var[X].
;  ≡ Número de tornillos extraídos hasta que aparece el primer defectuoso
;  ≡ Número de tornillos QXHYRV extraídos hasta que aparece el 2º defectuoso
; L ≡ Número de tornillos QXHYRV extraídos hasta que aparece el i - ésimo defectuoso

X = X1 + ;  + " + ; U
­ E[X i @ =   S
; L  variable aleatoria geométrica ® 
¯9DU> ; L @ =  − S  S
U
(> ; @ = (> X1@ + (> ;  @ + " + (> ; U @ =
S
U  − S 
9DU> ; @ = 9DU> ;  @ + 9DU> ;  @ + " + 9DU> ; U @ = 
S

Modelos Multivariantes 37

Media de n variables
aleatorias independientes
; =  ;   ;   ; Q 7  → Vector de Q variables aleatorias independientes
­ (> ;  @ + (> ;  @ + " + (> ; Q @
° (> ; @ =
; + ;  +"+ ; Q ° Q
; =  ®
Q ° 9DU> ;  @ + 9DU> ;  @ + " + 9DU> ; Q @
°9DU> ; @ =
¯ Q

Si las variables tienen la misma media y varianza

ȝ = (>; L @ ∀L σ  = 9DU>; L @ ∀L
­ (> ; @ = µ
; + ;  + " + ; Q °
; = Ÿ® σ
Q °̄9DU > ; @ =
Q

Modelos Multivariantes 38
 Teorema Central del Límite
6HD ;;  ; Q XQDVHFXHQFLDGHYDULDEOHVDOHDWRULDV
LQGHSHQGLHQWHVFRQODPLVPDGLVWULEXFLyQGHSUREDELOLGDG
GHPHGLDµ \YDULDQ]Dσ  < ∞(QWRQFHV
§ ; −µ ·
OLP 3¨ ≤ W ¸ = Φ W  − ∞ < W < ∞
Q →∞ © σ  Q ¹
GRQGH ; =  ; + ;  + " + ; Q   Q
 W −[   

Φ W = ³−∞ H G[
π
HVODIXQFLyQGHGLVWULEXFLyQGHODQRUPDOHVWiQGDU

Modelos Multivariantes 39

Teorema Central del Límite

Sea ; ;  ; Q variables aleatorias independientes,
con la misma distribución de probabilidad de media µ y
varianza σ 2 < ∞

Entonces (aprox.) :


σ
; → 1 µ  
Q
Modelos Multivariantes 40
 


0HGLD 

;L 9DU 

       
[


0HGLD 
;  + ;  + " + ;  
;=  9DU 




       

Modelos Multivariantes 41

Binomial-Poisson-Normal

%LQRPLDO Q → ∞ S →  3RLVVRQ
QS λ
λ = QS

Q→∞ λ →∞
S →   µ =λ
µ = QS σ= λ
σ = QS − S
1RUPDO
µσ
σ

Modelos Multivariantes 42
 Aproximación Binomial-Normal
n=25, p=1/2

0.18

0.16

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Modelos Multivariantes 43

Aproximación Binomial-Normal
n = 50, p=0.5

0.12

0.1

0.08

0.06

0.04

0.02

0
          

Modelos Multivariantes 44
 Corrección por continuidad
%LQRPLDO3;≤ 

1RUPDO3;≤ 

Modelos Multivariantes 45

Corrección por continuidad

1RUPDO3;≤ 

%LQRPLDO3;≤ 

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Modelos Multivariantes 46
 6HKDWRPDGRXQDPXHVWUDGHSLH]DVGHXQSURFHVRTXHIDEULFD
XQSURPHGLRGHGHSLH]DVIXHUDGHHVSHFLILFDFLyQ

¢&XiOHVODSUREDELOLGDGGHTXHHQODPXHVWUDKD\DH[DFWDPHQWH
HOHPHQWRVGHIHFWXRVRV"
&iOFXORH[DFWR; → %LQRPLDOQ =   S =   
§  ·
3; =   = ¨ ¸    =  
©  ¹
$SUR[LPDFLyQ1RUPDO< → 1     
3; =   = 3   ≤ < ≤    =  

¢&XiOHVODSUREDELOLGDGGHTXHODPXHVWUDFRQWHQJD
RPiVSLH]DVGHIHFWXRVDV"
(  3; ≥   = 3; =   + 3; =   + " + 3; =   =  
    
$  3< ≥    =   ĭ   =  − ĭ    =  
 

Modelos Multivariantes 47

Aplicación a Control de Recepción

Modelos Multivariantes 48
Plan de muestreo simple por atributos
Una compañía recibe lotes con un gran número de piezas.
Según el contrato cada lote debe tener como máximo una
proporción de piezas defectuosas igual pA (AQL).
Un plan de muestreo simple por atributos consiste en
determinar
n: número de piezas muestreadas
c: número máximo de piezas defectuosas en
la muestra
De forma que si X es el número de piezas defectuosas en la
muestra se aplica la siguiente regla:
x ≤ c se acepta el lote
x > c se rechaza el lote

Modelos Multivariantes 49

Riesgos del vendedor y comprador

„ Riesgo del vendedor: Probabilidad de
rechazar un lote bueno (con porcentaje
de defectuosas igual al pA (AQL))
α=P( X > c| p = pA).
„ Riesgo del comprador: Probabilidad
de aceptar un lote malo (con un
porcentaje de defectuosas pR>> pA)
β = P( X≤ c| p = pR).

Modelos Multivariantes 50
 Planteamiento del problema

0XHVWUD

/RWH

'$726 2%-(7,92
S$ $4/α5LHVJRYHQGHGRU QWDPDxRPXHVWUDO
S5 54/β5LHVJRFRPSUDGRU FPi[LPRGHIHFWXRVDV

Modelos Multivariantes 51

Ecuación del vendedor

S ≡3URSRUFLyQ GH SLH]DV GHIHFWXRVD VHQ HOORWH
; ≡ 1~PHUR GH SLH]DV GHIHFWXRVD VHQ XQD PXHVWUD GH Q
; → %LQRPLDO  Q  S  ≈ 1  QS  QS  − S  

6L  S = S $
; − QS $ F − QS $
Į = 3; > F_S = S $  = 3 > 
QS $  − S $  QS $  − S $ 
= 3  = ≥ ]−α 
F − QS $ 1
&RQRFLGR α Ÿ ]−α = α
QS $  − S $ 
 ]α

Modelos Multivariantes 52
 Ecuación del comprador
6L S = S 5 
; − QS 5 F − QS 5
β = 3; ≤ F_S = S 5  = 3 ≤ 
QS 5  − S 5  QS 5  − S 5 
= 3 = ≤ ] β 
F − QS 5
&RQRFLGR⠟ ] β =
QS 5  − S 5 

1
β

]β 
Modelos Multivariantes 53

Valores de n y c

F − QS $ F − QS5
]−α = ]β =
QS $  − S $  QS5  − S5 


§ ]−α S $  − S $  − ] β S 5  − S 5  ·
Q=¨ ¸
¨ S5 − S $ ¸
© ¹

F = QS $ + ]−α QS $  − S $ 

Modelos Multivariantes 54
 3UREDELOLGDGGH
/RWH%XHQR DFHSWDUXQORWH
S S$ α EXHQR

QS$ F
3UREDELOLGDGGH
UHFKD]DUXQORWH
/RWH0DOR PDOR
S S5 β

F QS5
$FHSWDU/RWH 5HFKD]DU/RWH
F

Modelos Multivariantes 55

Ejemplo: plan de muestreo

'LVHxDU XQ SODQ GH PXHVWUHR SDUD ORWHV GH 
XQLGDGHV FRQ XQ $4/ LJXDO DO  54/ LJXDO D
 ULHVJR GH FRPSUDGRU GH  \ GHO  YHQGHGRU
LJXDODO

3DUDα =  Ÿ ]α = \β =  Ÿ ] β = −


§   ×  +   ×  ·
Q = ¨¨ ¸ ≈ 
¸
©   −   ¹
F =  ×  +   ×  ×  ≈ 

Modelos Multivariantes 56
 Distribución normal multivariante

§ ; · § µ · § σ  σ  " σ ·
¨ ¸ ¨ ¸ ¨ Q
¸
¨ ; ¸ ¨ µ ¸ ¨ σ  σ  " σ Q ¸
; = ¨ ¸ µ = (> ; @ = ¨ ¸ 0 = 9DU> ; @ = ¨
# #
¨ # # % # ¸¸
¨ ¸ ¨ ¸
¨; ¸ ¨µ ¸ ¨σ " σ Q ¸¹
© Q¹ © Q¹ © Q σ  Q

 ­  ½
I  [  [  [Q  =  
H[S®− [ − µ 7 0 − [ − µ  ¾
π  Q   0 ¯  ¿
[ =  [  [  [Q 7 ∈ ℜ Q
µ =  µ  µ   µ Q 7 ∈ ℜ Q
0 ∈ 0DWUL]Q × QVHPLGHILQLGDSRVLWLYD

Modelos Multivariantes 57

Distribución normal bivariante

 ­  § [ − µ ·½
I  [  [  =  
H[S®−  [ − µ [ − µ  0 −¨¨   ¸¸¾
π 0 ¯  © [ − µ  ¹ ¿

[ =  [ [ 7 ∈ ℜ  § σ  σ  · § σ  ρσ σ  ·¸
0 = ¨ ¸=¨ 
7
µ =  µ µ   ∈ ℜ  ¨ ¸ ¨
σ  ¸¹
© σ  σ  ¹ © ρσ σ 
§  −ρ ·
¨  ¸
   −  ¨ σ σ σ  ¸
0 = σ  σ   − ρ  0 =
 − ρ   ¨ − ρ  ¸
¨¨ ¸
© σ σ  σ  ¸¹
­ ª§ [ − µ ·  § [ − µ · 
 ° 
«¨   ¸¸ + ¨¨  ¸
I  [  [  = H[S®−  ¨ σ ¸
°̄  − ρ  «¬© © σ ¹

πσ σ  − ρ  ¹

§ [ − µ ·§ [ − µ  ·º ½°
−  ρ ¨¨   ¸¸¨¨  ¸¸» ¾
© σ  ¹© σ  ¹¼ °¿

Modelos Multivariantes 58
Modelos Multivariantes 59

2 2 2

0 0 0

-2 -2 -2

-2 0 2 -2 0 2 -2 0 2
rho= 0 rho= 0.5 rho= 0.9

2 2 2

0 0 0

-2 -2 -2

-2 0 2 -2 0 2 -2 0 2
rho= -0.2 rho= -0.5 rho= -0.9

Modelos Multivariantes 60
 Propiedades
„ Las dist. marginales son normales N(µi,
σi).
„ Las dist. condicionadas son normales.
„ ρ=0 ⇔ Las variables son independientes
„ Transformaciones lineales:
Y = AX
X es N(µ, M) Ÿ Y es N(A µ, AMAT)

Modelos Multivariantes 61

Ejemplo
6HD OD ;   ;   ;  QRUPDO WULGLPHQV LRQDO GH PHGLD     \ PDWUL] GH YDULDQ]DV
§  ·
¨ ¸
0 = ¨   ¸
¨   ¸¹
©
¢ 3;  + ;  ≥ ;  +   "

­ ( >< @ =  +  −  = 
°
< = ;  + ;  − ;  → 1RUPDO ®
°9DU >< @ = 9DU  ;  + 9DU  ;  + 9DU  ;  = 
¯   

3;  + ;  ≥ ;  +   = 3;  + ;  − ;  ≥  
= 3 < ≥ 
< −
= 3 ≥  
 
= − Φ  (  )

Modelos Multivariantes 62