Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap4e PDF
Cap4e PDF
Modelos Multivariantes
Curso 2011-2012
Estadística
Distribución conjunta de
variables aleatorias
Definiciones (v. a. discretas)
);< [ \ = 3 ; ≤ [ < ≤ \
Modelos Multivariantes 3
Modelos Multivariantes 5
Distribuciones Marginales
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
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
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 ;< [ \ = [\ < [ < < \ < ®
° I \ = \ < \ <
,QGHSHQGLHQWHV ¯ <
[
° I ; [ = ³ [ G\ = < [ <
I ;< [ \ = ≤ \ ≤ [ ≤ ®
[
° 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 ;< [ \ = [\ < [ < < \ < ®
,QGHSHQGLHQWHV
° I \ = \ < \ <
¯ <
[\
I ; _< [ _ \ = = [ < [ <
[
[
° I ; [ = ³ [
G\ = < [ <
I ;< [ \ = ≤ \ ≤ [ ≤ ®
[ ° I < \ = ³ G[ = − ORJ \ < \ <
¯ \ [
I ; _< [ _ \ = − \ ≤ [ ≤
[ ORJ \
1RLQGHSHQGLHQWHV
I < _ ; \ _ [ = ≤ \ ≤ [
[
Modelos Multivariantes 15
Independencia -III
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 [ = U − [ − U ≤ [ ≤ U
;
πU
° [ +\ ≤U °
I [ \ = ®πU ®
°¯ [ + \ > U °
° I< \ = U − \ − U ≤ \ ≤ U
¯ πU
1R,QGHSHQGLHQWHV
Modelos Multivariantes 19
Esperanza de g(X,Y)
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\
−∞ − ∞
(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< = (><@
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
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 [Q− [
); [ [ [Q = ³ ³ " ³ I ; W W W Q GWGW " GW Q
−∞ −∞ −∞
Modelos Multivariantes 27
Distribuciones marginales
; = ; ; ; Q → &RQMXQWRYHFWRUGHQYDFRQWLQXDV
/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
(> J ; ; @ = ³−∞∞ ³−∞∞ " ³−∞∞ J [ [ I ; [ [ [Q G[G[ " G[Q
= ³−∞∞ ³−∞∞ J [ [ I [ [ G[G[
Modelos Multivariantes 29
§ 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
Modelos Multivariantes 31
Transformaciones Lineales
; = ; ; ; Q 7 → 9HFWRUGHQYDULDEOHVDOHDWRULDV
D = D D DQ 7 → 9HFWRUGHQFRQVWDQWHV
< = D ; + D ; + " + DQ ; Q = D 7 ;
§ 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)
< = D ; + D ; + " + DQ ; Q
§ σ " ·§ D ·
¨ ¸¨ ¸
¨ σ " ¸¨ D ¸
9DU >< @ = (D D " D Q )¨
¨ # # % # ¸¸¨ # ¸
¨ ¸
¨
© " σ Q ¹© D Q ¸¹
¸¨
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
; ≡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
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
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;≤
Modelos Multivariantes 45
%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
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
Modelos Multivariantes 50
Planteamiento del problema
0XHVWUD
/RWH
'$726 2%-(7,92
S$ $4/α5LHVJRYHQGHGRU QWDPDxRPXHVWUDO
S5 54/β5LHVJRFRPSUDGRU FPi[LPRGHIHFWXRVDV
Modelos Multivariantes 51
6L S = S $
; − QS $ F − QS $
Į = 3; > F_S = S $ = 3 >
QS $ − S $ QS $ − S $
= 3 = ≥ ]−α
F − QS $ 1
&RQRFLGR α ]−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
&RQRFLGRβ ] 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
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
§ [ − 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) 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