Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Procesos Estocásticos,
Ingenierı́a Electrónica,
Universidad del Quindı́o.
Contenido
Vectores aleatorios
Definiciones
Función de densidad de probabilidad Gaussiana multivariada
Otras fdp multivariadas
Contenido
Vectores aleatorios
Definiciones
Función de densidad de probabilidad Gaussiana multivariada
Otras fdp multivariadas
Espacio Muestral
1. 0 ≤ pXY (xi , yj ) ≤ 1.
P P
2. ∀xi ∀yj pXY (xi , yj ) = 1.
PP
3. P[(X , Y ) ∈ A] = pXY (xi , yj ).
(xi ,yj )∈A
Ejemplo FPMC
Se
ample 4.1 prueban
Test two integrated un par circuits de circuitos one after integrados
the other. On each unotest, después
the possible del outcomes
otro y en
cadaare a (accept)
prueba lasandposiblesr (reject). salidas Assume that sonallrcircuits rechazado are acceptable with probabilitySe
y a aceptado.
0.9 and that the outcomes of successive tests are independent. Count the number of
asume que todos
acceptable circuitslos X andcircuitos
count theson number aceptables
of successful con tests probabilidad
Y before you observe de 0,9
y las salidas de cada prueba son independientes. Sea X una VAthe
the first reject. (If both tests are successful, let Y = 2.) Draw a tree diagram for que
experiment and find the joint PMF of X and Y .
cuenta. . . .el
. . . número
. . . . . . . . . . . .de
. . . . circuitos
. . . . . . . . . . . . .aceptados
. . . . . . . . . . . . . . .y. . .Y
. . . .el
. . .número
. . . . . . . . . . . .de
. . . .pruebas
.......
The experiment has the following tree diagram.
aceptadas antes del primer rechazo. Encuentre la FPMC de X y Y .
0.9 a •aa 0.81 X=2,Y =2
a
0.9
0.1 r •ar 0.09 X=1,Y =1
0.9 a •ra 0.09 X=1,Y =0
0.1 r
0.1 r •rr 0.01 X=0,Y =0
SX ,Y = {aa, ar , ra, rr }
Ejemplo FPMC
SX ,Y = {aa, ar , ra, rr }
SX ,Y = {aa, ar , ra, rr }
g (aa) = (2, 2), g (ar ) = (1, 1), g (ra) = (1, 0), g (rr ) = (0, 0)
Ejemplo FPMC
PX,Y (x, y) y=
x =0 0.01
x =1 0.09
x =2 0
Por lo tanto:
2. Marginal.
m
X
P(X = xi ) = pX (xi ) = pXY (xi , yj ).
j=1
3. Condicional.
pXY (xi , yj )
pY |X (yj |xi ) = , pX (xi ) > 0.
pX (xi )
4. Teorema de Bayes.
pY |X (yj |xi )pX (xi )
pX |Y (xi |yj ) = Pn .
i=1 pY |X (yj |xi )pX (xi )
Ejemplo FPM Marginal
Encontrar las FPM marginales para los valores de X y Y del ejemplo
de los circuitos.
Ejemplo FPM Marginal
Encontrar las FPM marginales para los valores de X y Y del ejemplo
de los circuitos.
Para PX (x)
2
X 2
X
PX (0) = PX ,Y (0, y ) = 0,01, PX (1) = PX ,Y (1, y ) = 0,18
y =0 y =0
2
X
PX (2) = PX ,Y (2, y ) = 0,81, PX (x) = 0, x 6= 0, 1, 2
y =0
Ejemplo FPM Marginal
Encontrar las FPM marginales para los valores de X y Y del ejemplo
de los circuitos.
Para PX (x)
2
X 2
X
PX (0) = PX ,Y (0, y ) = 0,01, PX (1) = PX ,Y (1, y ) = 0,18
y =0 y =0
2
X
PX (2) = PX ,Y (2, y ) = 0,81, PX (x) = 0, x 6= 0, 1, 2
y =0
Para PY (y )
2
X 2
X
PY (0) = PX ,Y (x, 0) = 0,10, PY (1) = PX ,Y (x, 1) = 0,09
x=0 x=0
2
X
PY (2) = PX ,Y (x, 2) = 0,81, PY (y ) = 0, y 6= 0, 1, 2
x=0
Independencia estadı́stica
∂ 2 FX ,Y (x, y )
fX ,Y (x, y ) =
∂x∂y
Igualmente se tiene
Z y Z x
FX ,Y (x, y ) = P(X ≤ x ∩ Y ≤ y ) = fX ,Y (α, β)dαdβ
−∞ −∞
Función de densidad de probabilidad conjunta: Propiedades
1. FXY (x, y ) ≥ 0.
Z ∞ Z ∞
2. fX ,Y (x, y )dx dy = 1.
−∞ −∞
Z b Z d
5. P(a < X ≤ b, c < Y ≤ d) = fX ,Y (x, y )dx dy .
a c
Ejemplo FDPC
Y Y
FX ,Y = 0
x < 0 or y < 0 0≤y≤x
(a) (b)
Y Y
1 1
y
y
X
x 1
FX ,Y = 0
x < 0 or y < 0 0≤y≤x
0≤x <y 0≤y≤1
0≤x ≤1 (a) x>1 (b)
Y Y
• El segundo caso es (c)
Y
(d)
cuando x ≥ 1 y y ≥ 1, 1
y
1
1
y
en este caso el triángulo y
se encuentra totalmente
contenido en la región de x 1
X
X
1 x
integración, por lo tanto
0≤x <y 0≤y≤
x >0 1≤and
x ≤y 1> 1 x>1
FX ,Y = 1 (e)
(c) (d)
Y
Ejemplo FDPC - FDA
Y Y
• Cuando (x, y ) se
1 1
encuentra dentro del area
triangular, la integral se y
y
resume a:
Z yZ x X X
x 1 x 1
FX ,Y (x, y ) = 2dudv = 2xy − y 2
0 v
x < 0 or y < 0 0≤y≤x ≤1
(a) (b)
Y Y
1 1
y
y
Y Y
y
y
• Cuando (x, y ) se 1 1
FX ,Y (x, y ) = 2dudv = x 2
0 v 0≤x <y 0
0≤x ≤1
(c)
Y
y
1
Y Y
y
y
X X
El resto de casos son un poco x más complicados
1 y dado el valor
x 1 de
fX ,Y (x, y ) = 2 en la región triangular, por lo tanto el valor de la
integral es dos veces el área. x < 0 or y < 0 0≤y≤x ≤1
(a) (b)
Y Y
• El caso restante se da
cuando (x, y ) se 1 1
encuentra a la derecha y
y
del area triangular, la
integral se resume a: X X
x 1 1 x
Z yZ 1
FX ,Y (x, y ) = 2dudv = 02y − y2
≤x<y 0≤y≤1
0 v 0≤x ≤1 x>1
(c) (d)
Y
y
1
Y Y
y
y
X X
El resto de casos son un poco x más complicados
1 y dado el valor
x 1 de
fX ,Y (x, y ) = 2 en la región triangular, por lo tanto el valor de la
integral es dos veces el área. x < 0 or y < 0 0≤y≤x ≤1
(a) (b)
Y Y
• El caso restante se da
cuando (x, y ) se 1 1
encuentra a la derecha y
y
del area triangular, la
integral se resume a: X X
x 1 1 x
Z yZ 1
FX ,Y (x, y ) = 2dudv = 02y − y2
≤x<y 0≤y≤1
0 v 0≤x ≤1 x>1
(c) (d)
Y
y
1
Ejemplo FDPC - FDA
0.8
0.6
0.4
0.2
0
1.5
1
1
0.5
0.5
0 0
y x
Figure 4.4 A graph of the joint CDF F X,Y (x, y) of Example 4.5.
Ejemplo FDPC 2
0
1.5
Las variables X y Y tienen la FDPC
1
( 1
0.5
1/15 0 ≤ x ≤ x,0.50 ≤ y ≤ 3,
fX ,Y (x, y )y = 0 0
0 Caso Contrariox
In this example, we note that it made little difference whether we integrate first over y
and then over x or the other way around. In general, however, an initial effort to decide
0.6
Ejemplo 0.4
FDPC 2
0.2
0
1.5
Las variables X y Y tienen la FDPC
1
( 1
0.5
1/15 0 ≤ x ≤ x,0.50 ≤ y ≤ 3,
fX ,Y (x, y )y = 0 0
0 Caso Contrariox
In this example, we note that it made little difference whether we integrate first over y
and then over x or the other way around. In general, however, an initial effort to decide
Fdp marginal y fdp condicional
Ejemplo FDP
Taking the Marginal
derivative of both sides with
- respect to x (which involves differentiating an int
∞
variable limits), we obtain f X (x) = −∞ f X,Y (x, y) d y. A similar argument holds for fY
0.5
(x)
4
X
−∞ −∞
Ejemplo FDP
Taking the Marginal
derivative of both sides with
- respect to x (which involves differentiating an int
∞
variable limits), we obtain f X (x) = −∞ f X,Y (x, y) d y. A similar argument holds for fY
0.5
(x)
4
X
5y/4 −1 ≤ x ≤ 1, x 2 ≤ y ≤ 1,
f X,Y (x, y) = (4.35)
Ejemplo FDP Marginal 0 otherwise.
0.5
5(1−x 4 )
(
f (x)
5(1 − x 4 )/8 8 ≤ x ≤ −1
−1 1, ≤ x(4.37)
≤1
X
f X (x) =
fX (x)
0 = otherwise.
0 0 Caso contrario
−1 0 1
x
For the marginal PDF of Y , we note that for y < 0 or y > 1, f Y (y) = 0. For 0 ≤ y ≤ 1,
we integrate over the horizontal bar marked Y = y. The boundaries of the bar are
√ √
x = − y and x = y. Therefore, for 0 ≤ y ≤ 1,
Ejemplo FDP Marginal
Para la FDP marginal de Y , notamos que y < 0 o y > 1, fY (y ) = 0.
Y
1
) √y , √
Y=y 5y 5y ,,x= y
f Y (y) = √ dx = x = 5y 3/2 /2. (4.
X − y 4 4 ,x=−√ y
-1 -y
1/2
y1/21
The complete marginal PDF of Y is
3
2
f (y)
(5/2)y 3/2 0 ≤ y ≤ 1,
fY (y) =
Y
1 (4.
0 otherwise.
0
−1 0 1
y
(5/2)y 3/2 0 ≤ y ≤ 1,
fY (y) =
Y
1 (4.
0 otherwise.
0
−1 0 1
y
3 (5/2)y 3/2 0 ≤ y ≤ 1,
fY (y) =
Y
1 (4.
0 otherwise.
2
f (y)
0 (5/2)y 3/2 0 ≤ y ≤ 1,
fY (y) =
Y
1 −1 0 1 (4.39)
0 otherwise.
0 y
−1 0 1
y
3 (5/2)y
• La FDP 3/2 0 ≤ y ≤ 1,
marginal
fY (y) =
Y
1 (4.
0 de Y es:
completa otherwise.
2
f (y)
0 (5/2)y 3/2 0 ≤ y ≤ 1,
fY (y) =
Y
1 −1 0 1 (4.39)
0( otherwise.
0 y y ≤1 (5/2)y 3/2 0 ≤
−1 0 1 fY (y ) =
y 0 Caso contrario
The joint probability density function of random variables X and Y is
Teorema de Bayes e independencia estadı́stica
Vectores aleatorios
Definiciones
Función de densidad de probabilidad Gaussiana multivariada
Otras fdp multivariadas
Función de distribución de vectores aleatorios
fX1 X2 X3 X4 (x1 , x2 , x3 , x4 )
fX1 X2 X3 |X4 (x1 , x2 , x3 |x4 ) = ,
fX4 (x4 )
fX X X X (x1 , x2 , x3 , x4 )
fX1 X2 |X3 ,X4 (x1 , x2 |x3 , x4 ) = 1 2 3 4 .
fX3 ,X4 (x3 , x4 )
Valores esperados
Por ejemplo
Z ∞ Z ∞
E [X1 , . . . , Xm ] = ··· x1 . . . xm fX1 ...Xm (x1 , . . . , xm )dx1 . . . dxm .
−∞ −∞
µXi = E [Xi ].
E [X] = µ, si υ > 1,
υ −1
cov(X) = υ−2 Λ , si υ > 2.
Fdp Multinomial (I)
Un dado de m caras se lanza n veces.
es el coeficiente multinomial.
Fdp Multinomial (II)
Esto equivale a lanzar un dado de m caras una vez, de forma tal que
X será un vector de ceros y unos, un vector de bits, para el cual sólo
un bit está encendido.
Fdp Multinomial (III)
donde
m
X m
X
0 ≤ xk ≤ 1, xk = 1, α0 = αk
k=1 k=1
αk αk (α0 − αk )
E [xk ] = , var[xk ] = .
α0 α02 (α0 + 1)
Por ejemplo
• Dir(1, 1, 1) → distribución uniforme.
• Dir(2, 2, 2) → distribución ancha centrada en ( 13 , 13 , 13 ).
• Dir(20, 20, 20) → distribución angosta centrada en ( 13 , 31 , 13 ).
Fdp Dirichlet (IV)