Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Universidad de Alcalá
Las variables aleatorias pueden ser discretas o continuas (al igual que las
variables estadísticas cuantitativas estudiadas anteriormente en el curso).
Ej: X = Número de ordenadores que cogen la wifi entre los 15 de una clase
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Ejemplo:
X= Número de personas por día que solicitan tratamientos innecesarios en el
servicio de urgencias de un pequeño hospital
X=x 0 1 2 3 4 5
P(x) 0.01 0.1 0.3 0.4 0.1 ?
Distribución de probabilidad
ξ=xi x1 x2 x3 ... xk
P(ξ = xi) P(ξ = x1) P(ξ = x2) P(ξ = x3) ... P(ξ = xk)
x1 x2 ... xi ... xk
U.D. de Matemáticas, MCAR Página 13
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
a b
U.D. de Matemáticas, MCAR Página 18
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
≤ ≤ = − =
Universidad de Alcalá
Distribución de Probabilidad = ≤ =
−∞
Función de distribución
= > = −
Función de fiabilidad (Reliability)
P (X=x) = 0 0 F(x) 1
P ( X a ) = F(a)
P ( a < X b ) = F(b) - F(a)
P ( X > a ) = 1 - F(a)
Valor esperado
Se representa mediante E [X] ó
Es el equivalente a la media de las variables estadísticas
∞
µ= = ⋅ µ = E( X ) =
−∞
xf ( x)dx
Varianza
Se representa mediante VAR [X] o 2
Es el equivalente a la varianza de las variables estadísticas
Se llama desviación típica, , a la raíz cuadrada positiva de la
varianza
V ( X ) = E ( X - µ )2 σ +
U.D. de Matemáticas, MCAR Página 25
Universidad de Alcalá
xi P( xi ) caso discreto
µ = E[ X ] = +∞
x f ( x) dx caso continuo
−∞
( xi − µ ) 2 P( xi ) caso discreto
σ = Var[ X ] = E ( X − µ )
2 2
= +∞
( x − µ ) 2 f ( x) dx caso continuo
−∞
− ( E [ X ])
2
σ = Var[ X ] = E X
2 2
xi 2 P ( xi ) caso discreto
E X 2
= +∞
x 2 f ( x) dx caso continuo
−∞
Universidad de Alcalá
Ejemplo:
X= Número de personas por día que solicitan tratamientos
innecesarios en el servicio de urgencias de un pequeño hospital
X=x 0 1 2 3 4 5
P(X=x)=P(x) 0.01 0.1 0.3 0.4 0.1 0.09
Ejemplo:
Sea X una variable aleatoria continua cuya función de densidad de
probabilidad está dada por:
∞ − −
µ= = = = = = − = =
−∞ − −
+∞ 2 x2
σ = Var[ X ] = E ( X − µ )
2 2
= ( x − µ ) f ( x) dx = ( x − 1, 25)
2
dx =
2
−∞ −1 3
2
1 x5 x3 x4
= + 1,5625 − 2,5 = 0, 6375 σ = 0, 7984
3 5 3 4 1
Universidad de Alcalá
E(k) = k
E(k X) = k E(X)
E(X+Y) = E(X) + E(Y)
V(X) = E[ (X - µ)2 ] = E(X2) - µ2
Moda
Para una variable aleatoria discreta la moda se define como el valor de
la variable que toma la máxima probabilidad.
La moda de una variable aleatoria continua es el valor de la variable
que toma el máximo de la función de densidad.
f ( Mo ) = máxf ( x ); f ′ ( Mo ) = 0 f ′′ ( Mo ) ≤ 0
pueden existir varias modas
Mediana
Para una variable aleatoria discreta la mediana se define como el valor
de la variable tal que la probabilidad de los valores menores o iguales
es de 0,5, por tanto F ( Me) = P(ξ ≤ Me) = 1 / 2
Cuantiles de orden α
Se define el cuantil de orden α como el valor de la variable que deja el
100 α % de la probabilidad por debajo de él, por tanto
F(Cα ) = P(ξ ≤ Cα ) = α
U.D. de Matemáticas, MCAR Página 31
Universidad de Alcalá
µξ = E (ξ ) σ ξ2 = E (ξ − µξ ) 2
Momentos:
mr = E(ξ − c)r µ r = E (ξ − µξ ) r α r = E (ξ r )
Centrado en c Centrado en Centrado en cero
U.D. de Matemáticas, MCAR Página 32
Universidad de Alcalá
Momentos:
mr = E(ξ − c)r µ r = E (ξ − µξ ) r α r = E (ξ r )
k k
µK = (−α1 )i α k −i
i =0 i
&RHILFLHQWHGH$VLPHWU¯D µ σ
µ
&RHILFLHQWHGH$SXQWDPLHQWRR&XUWRVLV −
σ
Universidad de Alcalá
Formas:
&$! &$ &$
Curtosis
U.D. de Matemáticas, MCAR Página 34
Universidad de Alcalá
Universidad de Alcalá
7
6 8
5 9
4 10
3 11
2 12
Para el caso de 1 solo dado, donde todos los valores tienen la misma probabilidad de
salir (1/6), obtendríamos una Distribución Uniforme
Universidad de Alcalá
X B( p) P ( X = x) = p x (1 − p )1− x x=0, 1
Ejemplo de distribución de Bernoulli.
Solución:
La noción frecuentista de probabilidad nos permite aproximar la probabilidad
de tener secuelas en este tipo de accidentes mediante 300/2000 = 0,15 =15%
X=“tener secuelas tras accidente frontal sin cinturón” es variable de Bernoulli
X=1 tiene probabilidad p 0,15
X=0 tiene probabilidad q 0,85
Universidad de Alcalá
X B( p) P ( X = x) = p x (1 − p)1− x x=0 , 1
1
Evidentemente: P( X = x) = P( X = 0) + P ( X = 1) = p + q = 1
x =0
(>;@ = µ = [ 3ᤡ; = [ ᤢ= ⋅ 3ᤡ; = ᤢ+ ⋅ 3ᤡ; = ᤢ= S
[ =
9DUᤡ; ᤢ= ( > ; @ −ᤡ( > ; @ ᤢ=
[ 3ᤡ; = [ ᤢ
− S
[ =
= ⋅ 3ᤡ; = ᤢ
+ ⋅ 3ᤡ; = ᤢ
− S = S − S = Sᤡ − S ᤢ= ST
Solución:
La noción frecuentista de probabilidad nos permite aproximar la
probabilidad de quedar con secuelas en este tipo de accidentes por
10/2000 = 0,005 = 0,5%
Universidad de Alcalá
Universidad de Alcalá
Con reemplazamiento
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Distribución uniforme
Se da una distribución uniforme cuando el resultado de un experimento aleatoria
puede ser un conjunto finito de n posibles resultados, todos ellos igualmente
probables.
3ᤡξ = U ᤢ= si r = 1, 2, ... , n
Q
Sólo depende de n. Su media y su varianza son, respectivamente:
Q + Q −
µ= σ =
Ejemplo de distribución de uniforme.
Universidad de Alcalá
Universidad de Alcalá
! " →#
Universidad de Alcalá
Universidad de Alcalá
∞
− [
3ᤡ< ≥ ᤢ= H =
[ = [
Universidad de Alcalá
ξ = número de pruebas que ocurren hasta que sucede el primer éxito (suceso A ).
ξ = número de fracasos que ocurren hasta que sucede el primer éxito (suceso A ).
U.D. de Matemáticas, MCAR Página 62
Universidad de Alcalá
Repitiendo un experimento de
Bernoulli hasta conseguir el
primer éxito.
ξ = número de pruebas que ocurren hasta que sucede el primer éxito (suceso A ).
U −
*ᤡS ᤢ→ 3ᤡ; = U ᤢᤡ
= − S ᤢ S U =
ξ = número de fracasos que ocurren hasta que sucede el primer éxito (suceso A ).
*ᤡS ᤢ→ 3ᤡ< = U ᤢᤡ
= − S ᤢ
U
S U =
Ambas son equivalentes.
U.D. de Matemáticas, MCAR Página 63
Universidad de Alcalá
*ᤡS ᤢ→ 3ᤡ; = U ᤢᤡ U −
= − S ᤢ S U = (>;@ =
S
*ᤡS ᤢ→ 3ᤡ< = U ᤢᤡ
= − S ᤢ S U =
− S T
(><@ = =
U
S S
− S T
9DUᤡ; ᤢ= 9DUᤡ< ᤢ= =
S S
BN(k,p)
N
(ᤡξ ᤢ=
S
Nᤡ − S ᤢ
k σ ᤡξ ᤢ=
S
U − U −N
3ᤡ: = U ᤢ= S Nᤡ − S ᤢ U = NN + N +
N −
$ % % & !
'( % ) % ! " % *
+ % , - % & !
'( % ) %
U.D. de Matemáticas, MCAR Página 65
Universidad de Alcalá
BN(k,p)
− S T
(ᤡξ ᤢ= N = N
S S
Nᤡ − S ᤢ
σ ᤡξ ᤢ=
k S
U + N − N
3ᤡ: = U ᤢ= S ᤡ − S ᤢ
U
U =
U
& ! '(
% ) %
( ᤡξ ᤢ= Q yS 1 −Q
σ ᤡξ ᤢ= Q yS yT
1 −
U.D. de Matemáticas, MCAR Página 67
Universidad de Alcalá
Ejemplo:
Resultado de un generador de números aleatorios entre 0 y 1.
Universidad de Alcalá
f (x)
Distribución Exponencial (λ) 1
0,8
Media
1
2
f (x) 5
[ < 0,6
Iᤡ[ ᤢ=
λ H −λ[ ≤[ ≤∞
0,4
0,2
[ < F (x)
=
)ᤡ[ ᤢ −λ [
1 Media
− H ≤[ ≤∞ 0,8
1
2
5
0,6
0,4
∞ ∞ 0,2
(ᤡξ ᤢ G[ = [ λH −λ[ G[ =
= [ Iᤡ[ ᤢ 0
λ
0 5 10 15 20
Universidad de Alcalá
−α . / 0 1
α = = [ξ ] = = =
λ −α
.
λ −. λ
15 Mediana = 27,73
10 50%
5
0
0 20 40 60 80 100 120 140 160 180 200
Ejemplo:
Universidad de Alcalá
(λt )
Veamos que X sigue una Exp(λ) 0
P{X > t} = P{N t = 0} = e −λt = e −λt = R (t ) = 1 − F (t ) ≈ exp(λ )
0!
Luego la probabilidad de que no ocurra ningún suceso de (t) en un tiempo t fijo es igual a la
de que el tiempo hasta la próxima llegada sea una distribución Exp(λ).
← Ρ (λ )
Exp ( λ ) Exp ( λ )
← → ← →
0 t
U.D. de Matemáticas, MCAR Página 74
Universidad de Alcalá
Ejemplo:
La tasa de llegadas de trabajos por u. t. a un centro de computación es λ =
0,1 por segundo, y el nº de trabajos que llegan por u. t. es una v. a.
Poisson (λ). El tiempo entre llegadas es una v. a. X ∼ Exp(λ).
{ > .} = . −.
= −. ⋅ .
= −
=. 1
.
()
.
Ρ (λ ) = Ρ (. ⋅ . ) = Ρ ( )2 { = .} = −
= −
=. 1
.3
Universidad de Alcalá
{ ξ> +
ξ> }= {ξ > } siendo t > 0, h > 0
{ ξ< +
ξ> }= {ξ < }
La función exponencial es la única distribución continua que tiene esta
propiedad.
− 3
10,2
0,8 (x)
0,4
S S F (x)
(ᤡξ ᤢ
= \ 9ᤡξ ᤢ
=
λ λ 1 Forma,Escala
1,2
0,8 2,0,5
2,2
0,6 2,4
Erlang (p = forma, λ = escala)= 0,4
10,2
Universidad de Alcalá
<.
5,1
. 0,6 f (x)
= λ − −λ 0,4
.≤ ≤∞ 0,2
Γ 0
0 1 2 3 4 5 6 7 8 9 10
Solo toma valores positivos
probabilidad acumulativa
λ λ 0,4 F (x)
( ) ( +( − ))
0,2
+
σξ = λ α = 0
λ 0 1 2 3 4 5 6 7 8 9 10
U.D. de Matemáticas, MCAR Página 78
Universidad de Alcalá
4 - 5% =
γ ( p, λ ) es reproductiva en p, pero no lo es en λ.
Esto es, si ξ1 es una variable aleatoria γ ( p1, λ ) y ξ2 una variable aleatoria γ
( p2, λ ) independientes entre sí, entonces la variable aleatoria ξ1 + ξ2 sigue
una distribución γ (p1+p2, λ ).
Universidad de Alcalá
! "# $
También recibe el nombre de
GAUSS-LAPLACE.
1 −
2 σ
• Su función de densidad es: f ( x) = e , x∈
σ 2π
Universidad de Alcalá
! "# $
N( , ): Interpretación
geométrica N(-3 , 1) N(0 , 1) N(3 , 1)
N(0 , 1)
N(0 , 2)
N(0 , 4)
! "# $
N( , ): Interpretación probabilista
• Las probabilidades representan
áreas bajo la gráfica de la
función de densidad
68.26%
Universidad de Alcalá
! "# $
P (Z a)
! "# $
Algunas características
• La función de densidad tiene forma acampanada y es simétrica con respecto a su media,
mesocúrtica y unimodal.
– Media, mediana y moda coinciden.
• Los puntos de inflexión de la función de densidad están a distancia de .
Es decir, son - y + .
• Probabilidad normal: si tomamos intervalos centrados en , y cuyos extremos están…
– a distancia , tenemos probabilidad 68.26% 68%
– a distancia 2 , tenemos probabilidad 95.44% 95%
– a distancia 2’5 tenemos probabilidad 98.76% 99%
– a distancia 3 tenemos probabilidad 99.73%
Universidad de Alcalá
! "# $
Tipificación:
• Dada una variable de media y desviación típica , se denomina valor
tipificado o estandarizado, z, de una observación x, a la distancia (con
signo) con respecto a la media, medido en desviaciones típicas, es
decir
x−µ
z=
σ
• En el caso de variable X normal, la interpretación es clara: Asigna a
todo valor de N( , ), un valor de N(0,1) que deja exactamente la
misma probabilidad por debajo.
X −µ
Si X N (µ ,σ ) Z= N (0 ,1)
σ
• Nos permite así comparar entre dos valores de dos distribuciones
normales diferentes, para saber cuál de los dos es más extremo.
! "# $
Ejemplo:
Se quiere dar una beca a uno de dos estudiantes de sistemas educativos
diferentes. Se asignará al que tenga mejor expediente académico.
El estudiante A tiene una calificación de 8 en un sistema donde la calificación
de los alumnos se comporta como N(6,1).
El estudiante B tiene una calificación de 80 en un sistema donde la
calificación de los alumnos se comporta como N(70,10).
Solución:
No se puede comparar directamente 8 puntos de A frente a los 80 de B, pero
como ambas poblaciones se comportan de modo normal, podemos tipificar y
observar las puntuaciones sobre una distribución de referencia N(0,1).
xA − µ A 8−6
zA = = =2
σA 1
x − µ B 80 − 70
zB = B = =1
σB 10
Como ZA > ZB, se puede decir que el porcentaje de compañeros del mismo
sistema de estudios que ha superado en calificación al estudiante A es mayor
que el que ha superado B. Luego en principio A es mejor candidato para la beca.
U.D. de Matemáticas, MCAR Página 87
Universidad de Alcalá
! "# $
Observación:
Las distribuciones iniciales
tienen distinta media y
distinta desviación típica.
No se pueden comparar
directamente.
xA − µ A 8−6
zA = = =2
σA 1
x − µ B 80 − 70
zB = B = =1
σB 10
! "# $
Suma y diferencia de dos variables normales independientes:
Sea ξ1 una variable aleatoria N(µ1, σ1) y ξ2 una variable aleatoria N(µ2, σ2)
independientes entre sí. La variable aleatoria ξ1 ± ξ2 sigue una distribución,
también normal, de media µ1 ± µ2 y desviación típica σ + σ
es decir, ξ es N ( µ1 ± µ2; σ + σ )
!
Universidad de Alcalá
! "# $
Al ser ξ una variable discreta sólo toma un conjunto finito o infinito
numerable de valores puntuales, por ejemplo puede tomar valores:
0 1 2 3 ... a ... . Al considerar que ξ tiene un tratamiento continuo nos
encontramos con el inconveniente de que P(ξ=a) = 0; es necesario, por
ello, hacer una corrección de continuidad que es considerar que ξ toma
en a la probabilidad que toma en el intervalo (a - 0.5, a + 0.5) (corrección
de medio punto por debajo y por arriba).
Binomial Normal
P(ξ = a) P(a - 0,5 ≤ ξ ≤ a +0,5)
P(ξ ≤ a) P(ξ ≤ a + 0,5)
P(ξ ≥ a) P(ξ ≥ a – 0,5)
P(ξ < a) P(ξ < a – 0,5)
P(ξ > a) P(ξ > a + 0,5)
P(a ≤ ξ ≤ b) P(a-0,5 ≤ ξ ≤ b+0,5)
P(a < ξ < b) P(a + 0,5 < ξ < b - 0,5)
! "# $
ξ con distribución normal N(µ ; σ) se desvíe de la media, en valor
absoluto, en menos de una cantidad múltiplo de la desviación típica:
Universidad de Alcalá
!
Chi-cuadrado: χ 2
n
2
1
γ (n/2, 1/2)
2
• Es una Gamma 2
2
3
• Tiene un sólo parámetro denominado 2
grados de libertad. 4
2
5
• La función de densidad es asimétrica
2
positiva. Sólo tienen densidad los 6
valores positivos.
Chi-cuadrado: n ≈ γ ( n / 2,1 / 2)
χ 2
( ) − −
"# >.
ξ = =
=
χ Γ
ξ = =
. "
ξ . ξ = χ =γ ( )
!
T de student: tn
Debida a W. S. Gosset (en 1908)
Tiene un parámetro denominado
grados de libertad.
0H 0R (ᤡξ ᤢ= VL Q >
Es simétrica con respecto al cero.
Q
9DUᤡξ ᤢ= VLQ >
Se consideran valores anómalos Q −
los que se alejan de cero (positivos
o negativos).
$ "#" = + >
−
Al ser continua P(tn=x)=0
Universidad de Alcalá
!
T de student: tn
Sean ξ1, ξ2,..., ξn y ξ n+1 variables aleatorias N(0,σ) independientes entre sí.
Entonces la variable aleatoria
ξ
ξ σ %
= = =
ξ# χ
(ξ # ) #= σ
#=
+
Γ −
+
F de Snedecor:
n1 , n 2
Q Q ᤡQ! + Q − ᤢ
(ᤡζ ᤢ= 9ᤡζ ᤢ=
Q − ! Q − ᤢ
Qᤡ ᤡQ − ᤢ
Universidad de Alcalá
!
F de Snedecor:
n1 , n 2
Sean X1,..., Xn1, Y1,..., Yn2 las variables aleatorias N(0,1) independientes.
La variable aleatoria
#
sigue una distribución F (Fisher)
ξ= #=
de Snedecor con g. l.
'&
&= + −
Γ χ
ξ YDFRQσ ξ >
3 ξ −µ < . σ ≥ − ∀. >
.
3 {µ −. σ <ξ < µ +. σ }
o bien
{
3 ξ −µ <.σ ≤ } .
∀. >
Universidad de Alcalá
ξ YDFRQσ ξ >
! % &!
¿Por qué es importante la distribución normal?
Universidad de Alcalá
! % &!
Veamos aparecer la distribución normal
! % &!
A continuación se eligen aleatoriamente
Muestra
grupos de 10 observaciones de las
anteriores y se calcula el promedio. 1ª 2ª 3ª
185 190 179
Universidad de Alcalá
! % &!
• La distribución de las medias muestrales
sí que tiene distribución aproximadamente
normal.
! % &!
• Dada una variable aleatoria cualquiera, si extraemos muestras de
tamaño n, y calculamos los promedios muestrales, entonces:
– Sea lo que sea lo que midamos, cuando se promedie sobre una muestra
grande (n>30) nos va a aparecer de manera natural la distribución normal.
Universidad de Alcalá
' ! ( ! !
• Saquemos muestras de
diferentes tamaños, y
usemos la media de cada
muestra para estimar la
media de la población.
' ! ( ! !
• Su distribución es más
parecida a la normal que la
original.
Universidad de Alcalá
' ! ( ! !
• Al aumentar el
tamaño, n, de la
muestra:
– La normalidad de las
estimaciones mejora
– El error típico
disminuye.
' ! ( ! !
• Puedo ‘garantizar’
medias muestrales tan
cercanas como quiera a
la verdadera media, sin
más que tomar ‘n
bastante grande’
Universidad de Alcalá
'
Sea (X1, X2, ..., Xn) v.a.i.i.d, se verifica que la media muestral
( ; + ( ; ! + + ( ;
( ; =
; + + ; Q Q
; = tiene
Q 9DU ; +9DU ; ! + +9DU ;
9DU ; =
Q!
Si todas las variables aleatorias (X1, X2, ..., Xn) son independientes y
tienen la misma media y varianza con
'
Ejemplo:
Universidad de Alcalá
! % &!
Si (X1, X2, ..., Xn) son independientes y ; L ≈ 1ᤡµσ ᤢ ∀ i =1, ..., n
σ
se verifica que la media muestral ; ≈ 1ᤡµ ᤢ
Q
Teorema Central del Límite
Sea (X1, X2, ..., Xn) una secuencia de variables aleatorias independientes y con
la misma media µ y varianza σ2 finita. Entonces se verifica:
σ
; ≈ 1ᤡµ ᤢ y ; + + ; Q ≈ 1ᤡQ µσ Q ᤢ
Q
Por tanto
; −µ ; + + ; Q − Q µ
≈ 1ᤡᤢ y ≈ 1ᤡᤢ
σ
Q σ Q
, % -
M. Concepción Alonso Rodríguez
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
Universidad de Alcalá
!
La covarianza (X,Y) es una medida de asociación lineal entre las
variables X e Y. Producto cruzado de las desviaciones (x- x) (y- y) para
cada punto de datos.
"
#
$
%
Universidad de Alcalá
!
La Covarianza (X,Y) de dos variables aleatorias X e Y, se denota por
Cov(X,Y) y se define como:
467 ' = $[ −µ ' − µ' ]
$( )=µ 2 $ (' ) = µ'
Propiedades:
467 ' 9 $ ' ( µ µ8
Si X y Y son dos variables aleatorias independientes, entonces: Cov(X,Y)=0
El contrario no es cierto
Var ( X ± Y ) = Var (X) + Var(Y) ± 2 Cov (X,Y)
!
La Correlación (X,Y) de dos variables aleatorias X e Y, es una medida
de asociación que expresa el grado de dependencia lineal entre
ambas, se define como:
'
ρ ' =
σ σ(
Propiedades:
-1 1
! "
# $" %
Universidad de Alcalá
!
& &
X2
&
# r = 0.9 r = -0.9
! " %
'# # X2
" #
r = 0.5 r = -0.5
# %
X2
Independencia
r=0
X1
U.D. de Matemáticas, MCAR Página 134
Universidad de Alcalá
!
&
Universidad de Alcalá
Universidad de Alcalá
! !
! !
Universidad de Alcalá
! !
! !
Esperanza:
Universidad de Alcalá
! !
es simétrica
! !
Independencia:
Las variables aleatorias (X1, X2, ..., Xn) son independientes
si y sólo si
Una muestra aleatoria simple (X1, X2, ..., Xn) (m.a.s.) está constituida
por variables aleatorias que tienen la misma distribución y son
independientes
Universidad de Alcalá
! !
La variable aleatoria X = (X1, X2, ..., Xn) se dice que sigue una distribución
normal n-dimensional (no singular) con vector de medias µ = µ µ
y matriz de covarianzas , y se escribe ≡ µΣ
si su función de densidad viene dada por:
= % − − µ Σ− −µ ∈
π
:
:
Σ
# ≡ µ# σ #
Las distribuciones condicionadas de una normal multivariante son
también distribuciones normales.
!
Modelo normal bivariante: ; µ definida positiva
µ σ σ σ ρσ σ σ
= 2 µ= 2 = = 2 ρ= 2
µ σ σ ρσ σ σ σ σ
función de densidad
−ρ
−
− −µ Σ)
−µ σ σσ
= −
=
−ρ −ρ
π
σσ σ
σ σ σ
= = σ σ −σ = σ σ − =σ σ −ρ
σ σ σσ
− −µ −µ −µ −µ
+ − ρ
−ρ σ σ σ σ
=
πσ σ −ρ
U.D. de Matemáticas, MCAR Página 145
Universidad de Alcalá
!
− −µ −µ −µ −µ
+ − ρ
−ρ σ σ σ σ
=
πσ σ −ρ µ = .2 µ = .2 σ = 2 σ = ρ = 0,2
plot3d( (1/(2*Pi*sqrt(1-0.2^2)))*exp((-1/(2*(1-0.2^2)))*(x^2+y^2-2*0.2*x*y)),
x=-4..4,y=-4..4,color=x, axes=boxed);
!
− −µ −µ −µ −µ
+ − ρ
−ρ σ σ σ σ
=
πσ σ −ρ µ = .2 µ = .2 σ = 2 σ =
ρ = 0,8
ρ = - 0,8
plot3d( (1/(2*Pi*sqrt(1-0.8^2)))*exp((-1/(2*(1-0.8^2)))*(x^2+y^2-
2*0.8*x*y)),x=-4..4,y=-4..4,color=x, axes=boxed);
Universidad de Alcalá
!
− −µ −µ −µ −µ
+ − ρ
−ρ σ σ σ σ
=
πσ σ −ρ µ = 2 µ = 2σ = 2σ =
ρ = 0,2 ρ = 0,8
Universidad de Alcalá
!
Normal bivariante
f(x1,x2)
x2
c2 y1 y2
c√λ1
e1 e2 c√λ2
x2 x1
µ
x1
f ( x1 , x2 ) = c 2 ⇔ ( x − µ )' −1
(x − µ) = c2
λ 1, λ 2 autovalores de
e1 , e2 autovectores de
!
Distribuciones no normales,
aunque parecidas a la normal.
1 2 2 1 2
− x (1 + y ) − y
2 2
1e
2 2
π 1+y
2
x
−
2
2+2y
1 2e
2 2
π (1 + y )
Universidad de Alcalá
!
Curvas de nivel de distintas normales bivariantes:
! !
Normales multivariantes:
Universidad de Alcalá
! !
! !
Universidad de Alcalá
! !