Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase 2toi
Clase 2toi
marginales y condicionales
Mike Wiper
Departamento de Estadística
Universidad Carlos III de Madrid
Una variable aleatoria es una función que ascribe un valor (numérico) al resultado
de un experimento.
Una variable discreta, X , sigue una distribución de Poisson con parámetro λ > 0 si
λx e −λ
P(X = x) = para x = 0, 1, 2, ...
x!
Se tiene E [X ] = V [X ] = λ.
FY (y ) = P(Y ≤ y ).
La función de densidad fY (y ) = dF (y )
dy tal que
Z y
fY (y ) dy = FY (y ).
−∞
R∞
Momentos: E [g (Y )] = −∞
g (y )fY (y ) dy .
α α
E [Y ] = V [Y ] = .
β β2
1,
XX
P(X = x, Y = y ) =
x y
X
P(X = x, Y = y ) = P(Y = y ), la distribución marginal de Y,
x
la distribución marginal de X .
X
P(X = x, Y = y ) = P(X = x),
y
Sea Y > 0 una variable continua y X ∈ {0, 1, 2, ..., ∞} una variable discreta y
denimos la distribución conjunta de X e Y :
β α y α+x−1 e −(β+1)y
fX ,Y (x, y ) = , donde α, β > 0.
Γ(α) x!
Sea Y > 0 una variable continua y X ∈ {0, 1, 2, ..., ∞} una variable discreta y
denimos la distribución conjunta de X e Y :
β α y α+x−1 e −(β+1)y
fX ,Y (x, y ) = , donde α, β > 0.
Γ(α) x!
E [X ] = E [E [X |Y ]].
Demostración
V [X ] = E [V [X |Y ]] + V [E [X |Y ]].
Demostración
E [X ] = E [E [X |Y ]]
= E [Y ] ¾Por qué?
E [X ] = E [E [X |Y ]]
= E [Y ] ¾Por qué?
α
=
β
E [X ] = E [E [X |Y ]]
= E [Y ] ¾Por qué?
α
=
β
V [X ] = E [V [X |Y ]] + V [E [X |Y ]]
= E [Y ] + V [Y ]
α α
= + 2
β β
α(1 + β)
=
β2
Z
P(X = x) = P(X = x|Y = y )fY (y ) dy
∞
y x e −y β α α−1 −βy
Z
= y e dy
0 x! Γ(α)
∞
βα
Z
= y α+x−1 e −(β+1)y dy
Γ(α)x! 0
∞
βα
Z
∗
−1 −β ∗ y
P(X = x) = yα e dy
Γ(α)x! 0
donde α∗ = α + x , β ∗ = β + 1.
∞
βα
Z
∗
−1 −β ∗ y
P(X = x) = yα e dy
Γ(α)x! 0
donde α∗ = α + x , β ∗ = β + 1.
El integrando es otra distribución gamma sin su constante de integración.
∞
βα
Z
∗
−1 −β ∗ y
P(X = x) = yα e dy
Γ(α)x! 0
donde α∗ = α + x , β ∗ = β + 1.
El integrando es otra distribución gamma sin su constante de integración.
∗
β α Γ(α∗ ) ∞ β ∗ α α∗ −1 −β ∗ x
Z
P(X = x) = ∗ x e dy
Γ(α)x! β ∗ α 0 Γ(α∗ )
Γ(α∗ ) β α
= ∗
Γ(α)x! β ∗ α
1 1 x
α
Γ(α + x)
= 1− para x = 0, 1, 2, ...
Γ(α)x! β+1 β+1
En nuestro ejemplo:
P(X = x|Y = y )fY (Y = y )
fY |X (y |x) =
P(X = x)
y x e −y β α α−1 −βy
x! Γ(α) y e
= x
β α
Γ(α+x)
Γ(α)x! 1 − β+
β
1 β+1
En nuestro ejemplo:
P(X = x|Y = y )fY (Y = y )
fY |X (y |x) =
P(X = x)
y x e −y β α α−1 −βy
x! Γ(α) y e
= x
β α
Γ(α+x)
Γ(α)x! 1 − β+
β
1 β+1
Y |X = x ∼ Gamma(α + x, β + 1).
En esta sección hemos repasado algunos de los cálculos necesarios para evaluar
distribuciones conjuntas, condicionales y marginales.
= E [E [X |Y ]]
= E [V [X |Y ]] + V [E [X |Y ]]
Una variable discreta, X , sigue una distribución binomial negativa con parámetros
r > 0 y 0 < p < 1 si:
Γ(r + x)
P(X = x) = (1 − p)r p x para x = 0, 1, 2, ...
Γ(r )x!
x +r −1
P(X = x) = (1 − p)r p x .
x
Se tiene E [X ] = r 1−p
p
y V [X ] = r (1−p)
p
2.