Distribuciones Multivariantes Distribuciones Multivariantes ...

1

Distribuciones Multivariantes

Distribución conjunta de un vector aleatorio

Distribuciones marginales y condicionadas

Independencia entre variables aleatorias

Características de un vector aleatorio

EsperanzaVarianza, Covarianza, Correlación

Transformaciones de vectores aleatorios

Distribución Normal multivarianteEstadística. Profesora: María Durbán

2

Objetivos del tema:

Al final del tema el alumno será capaz de:

� Utilizar la función de probabilidad o densidad conj unta para el cálculo deprobabilidades

� Calcular distribuciones marginales y condicionadas a partir de las conjuntas

� Interpretar y calcular covarianzas y correlaciones entre variables aleatorias

� Calcular medias y varianzas de transformaciones lin eales de vectoresaleatorios

� Comprender las propiedades de la distribución Norma l bivariante


Estadística. Profesora: María Durbán3


1. Distribución conjunta de un vector aleatorio

2. Distribuciones marginales y condicionadas

3. Independencia entre variables aleatorias

4. Características de un vector aleatorio


5. Transformaciones de vectores aleatorios

6. Distribución Normal multivariante




En el tema anterior estudiamos distribuciones de probabilidad para unavariable aleatoria. Sin embargo, a menudo nos interesa estudiar más deuna variable en un experimento aleatorio.

Por ejemplo, en la clasificación de señales emitidas y recibidas, cada señalse clasifica como de baja, media o alta calidad. Podemos definir:X=“número de señales de baja calidad recibidas”, eY=“número de señales de alta calidad”.

En general, si X e Y son dos variables aleatorias, la distribución de probabilidad que define simultáneamente su comportamiento se llama distribución de probabilidad conjunta.



Variables discretas

Dadas dos v.a. discretas, , definimos su función distribución de probabilidad mediante la función de probabilidad conjunta:

( , ) Pr( , )p x y X x Y y= = =

,X Y

Como en el caso unidimensional está función debe verificar:

( , ) 0

( , ) 1x y

p x y

p x y

≥=∑∑

La función de distribución conjunta:

0 0

0 0 0 0( , ) Pr( , ) Pr( , )x x y y

F x y X x Y y X x Y y≤ ≤

= ≤ ≤ = = =∑ ∑



Ejemplo

En el desarrollo de un nuevo receptor para la transmisión de informacióndigital, cada bit recibido se clasifica como aceptable, sospechoso o noaceptable, dependiendo de la calidad de la señal recibida.Se transmiten 4 bits y se definen las siguientes v.a.:

X = Número de bits aceptablesY = Número de bits sospechosos



Ejemplo


0 1 2 3 4

4 4.1x10-5

3 4.1x10-5 1.84x10-3

2 1.54x10-5 1.38x10-3 3.11x10-2

1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333

0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561

( , ) 0

( , ) 1x y

p x y

p x y

≥=∑∑

X

Y



Ejemplo


0 1 2 3 4

4 4.1x10-5

3 4.1x10-5 1.84x10-3

2 1.54x10-5 1.38x10-3 3.11x10-2

1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333

0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561

Pr( 1, 2)X Y≤ ≤

X

Y



Distribución Multinomial

Un experimento se repite n veces de forma independiente:

1. El experimento tiene k posibles resultados

2. La probabilidad de cada resultado, se mantiene constante

La variable = el número de veces que ocurre el resultado i-ésimo

1 2, , kp p pK

1 2, , kX X XK

iX

siguen una distribución multinomial con función de probabilidadconjunta:

1 2

1 1 2 2 1 2

1 2

1 2 1 2

!Pr( , , , )

! ! !

1

kxx x

k k k

k

k k

nX x X x X x p p p

x x x

x x x n p p p

= = = =

+ + + = + + + =

K KK

K K



Ejemplo

Las probabilidades de que cierta lámpara de un modelo de proyector duremenos de 40 horas, entre 40 y 80 horas, y más de 80 horas de uso son 0.3 ; 0.5 y 0.2 respectivamente.

Calcular la probabilidad de que entre 8 de tales lámparas, 2 duren menos de 40 horas; cinco duren entre 40 y 80 horas, y una dure más de 80 horas.

Hay 3 resultados posibles: 1 1

2 2

3 3

40 0.3

40 80 0.5

80 0.2

X dura p

X dura p

X dura p

= < → == − → == > → =

2 5

1 2 3

8!Pr( 2, 5, 1) 0.3 0.5 0.2 0.095

2!5!1!X X X= = = = =



Variables continuas

Dadas dos v.a. continuas, definimos su función distribución de probabilidad mediante la función de densidad conjunta:

( , )f x y

,X Y

Como en el caso unidimensional está función debe verificar:

( , ) 0

( , ) 1

f x y

f x y dxdy+∞ +∞

−∞ −∞

≥

=∫ ∫

La función de distribución conjunta:

0 0

0 0 0 0( , ) Pr( , ) ( , )y x

F x y X x Y y f x y dxdy−∞ −∞

= ≤ ≤ = ∫ ∫

2 ( , )( , )

d F x yf x y

dxdy=



Variables continuas

La probabilidad ahora se calcula como un volumen:

Pr( , ) ( , )b d

a ca X b c Y d f x y dxdy≤ ≤ ≤ ≤ = ∫ ∫

Pr( 1 1, 1.5 1.5)X Y− ≤ ≤ − ≤ ≤



Variables continuas

La probabilidad ahora se calcula como un volumen:

Pr( , ) ( , )b d

a ca X b c Y d f x y dxdy≤ ≤ ≤ ≤ = ∫ ∫

Pr( 1 1, 1.5 1.5)X Y− ≤ ≤ − ≤ ≤



Ejemplo

Sea X la variable aleatoria que representa el tiempo hasta que un servidorse conecta con tu ordenador (en milisegundos) e Y el tiempo hasta que el servidor te autoriza como usuario.

La función de densidad conjunta viene dada por:

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

¿Pr( 1000, 2000)?X Y< <



Ejemplo

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

¿Pr( 1000, 2000)?X Y< <

X

Y

Recinto donde la función dedensidad no es 0

1000

2000

3000

1000 2000 3000Estadística. Profesora: María Durbán

16


Ejemplo

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

¿Pr( 1000, 2000)?X Y< <

X

Y

1000

2000

3000

1000 2000 3000

Recinto de integración para el cálculode esa probabilidad



Ejemplo

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

1000

0 0Pr( 1000, 2000) ( , )

y

X Y f x y dxdy< < = +∫ ∫

X

Y

1000

2000

3000

1000 2000 3000

x=y



Ejemplo

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

1000 2000 1000

0 0 1000 0Pr( 1000, 2000) ( , ) ( , )

0.915

y

X Y f x y dxdy f x y dxdy< < = +

=∫ ∫ ∫ ∫

X

Y

1000

2000

3000

1000 2000 3000

x=y












2. Distribuciones marginales

Si se definen más de una v.a. en un experimento, es importantedistinguir entre la distribución de probabilidad conjunta y la distribuciónde probabilidad de cada variable individualmente. A la distribución de cada variable se le denomina distribución marginal.

Variables Discretas

Dadas dos v.a. discretas, con función de probabilidad conjuntalas funciones de probabilidad marginales de ambas variables son:

,X Y

( , )p x y

( ) Pr( ) Pr( , )

( ) Pr( ) Pr( , )

X

y

Y

x

p x X x X x Y y

p y Y y X x Y y

∀

∀

= = = = =

= = = = =

∑

∑

Son funciones de probabilidad

Se puede calcular su esperanza,varianza, etc.


Ejemplo


0 1 2 3 4

4 4.1x10-5

3 4.1x10-5 1.84x10-3

2 1.54x10-5 1.38x10-3 3.11x10-2

1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333

0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561

X

Y

Las funciones de probabilidadmarginal se obtendríansumando en ambas direcciones.




Ejemplo


0 1 2 3 4

0.0001 0.0036 0.0486 0.2916 0.6561

X

Y

Las funciones de probabilidadmarginal se obtendríansumando en ambas direcciones.




Ejemplo


0 1 2 3 4

4 4.1x10-5

3 4.1x10-5 1.84x10-3

2 1.54x10-5 1.38x10-3 3.11x10-2

1 2.56x10-6 3.46x10-4 1.56x10-2 0.2333

0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561

X

Y

Las funciones de probabilidadmarginal se obtendríansumando en ambas direcciones




Ejemplo


4 0.00004

3 0.00188

2 0.03250

1 0.24925

0 0.71637

X

Y

Las funciones de probabilidadmarginal se obtendríansumando en ambas direcciones





Variables Continuas

Dadas dos v.a. continuas, con función de densidad conjuntalas funciones de densidad marginal de ambas variables son:

,X Y ( , )f x y

( ) ( , )

( ) ( , )

X

Y

f x f x y dy

f y f x y dx

+∞

−∞+∞

−∞

=

=

∫

∫

Son funciones de densidad


-4 -2 0 2 4x

0.0

0.1

0.2

0.3

0.4

f(x)


Ejemplo

Sea X la variable aleatoria que representa el tiempo hasta que un servidorse conecta con tu ordenador (en milisegundos) e Y el tiempo hasta que el servidor te autoriza como usuario. La función de densidad conjunta viene dada por

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

¿Pr( 2000)?Y >



Ejemplo

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

¿Pr( 2000)?Y >

Podemos resolverlo de dos formas:

Integrar la función de densidad conjuntaen el recinto adecuado

Calcular la función de densidad marginalde Y y calcular esa probabilidad



Ejemplo

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

X

Y

1000

2000

3000

1000 2000 3000

¿Pr( 2000)?Y >


Integrar la función de densidad conjuntaen el recinto adecuado

2000 0Pr( 2000) ( , ) 0.05

y

Y f x y dxdy+∞

> = =∫ ∫

Y



Ejemplo

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

X

Y

1000

2000

3000

1000 2000 3000

¿Pr( 2000)?Y >


3 0.002 0.001

0( ) ( , ) 6 10 (1 ) 0

yy y

Yf y f x y dx e e y− − −= = × − >∫


Y

0



Ejemplo

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

Y

1000

2000

3000

¿Pr( 2000)?Y >


2000Pr( 2000) ( ) 0.05YY f y dy

+∞> = =∫


Y

0



2. Distribuciones condicionadas

Cuando se definen más de una v.a. en un experimento, el conocimientode una de las variables puede afectar a las probabilidades que se asociancon los valores de la otra variable

Recordemos del Tema de Probabilidad el Teorema de Bayes:

( ) ( )( )A

BAAB

PrPr

PrI=

Mide el tamañode uno conrespecto al otro



Cuando se definen más de una v.a. en un experimento, el conocimientode una de las variables puede afectar a las probabilidades que se asociancon los valores de la otra variable

Variables Discretas

Dadas dos v.a. discretas, con función de probabilidad conjuntala funcion de probabilidad de Y condicionada a X=x0:

,X Y

( , )p x y

Para un valor genérico de x

A B∩

Podemos calcular su esperanza, varianza, etc.

0( ) 0Xp x >A( ) ( )

( )( )

( )00

0

0

0Pr

,Pr,|

xX

yYxX

xp

yxpxyp

X ===

==

( ) ( )( )

( )( )xX

yYxX

xp

yxpxyp

X =====

Pr

,Pr,| ( ) ( ) ( )xpxypyxp X|, =


Ejemplo



Como sólo se transmiten 4 bits, si X=4, necesariamente Y=0si X=3, Y=0 ó 1

M

Saber lo que vale X cambia la probabilidad asociada con los valores de Y



Ejemplo



Como sólo se transmiten 4 bits, si X=3, Y=0 ó 1

Pr( 0, 3) 0.05832Pr( 0 | 3) 0.2

Pr( 3) 0.2916

Pr( 1, 3) 0.2333Pr( 1| 3) 0.8

Pr( 3) 0.2916

Y XY X

X

Y XY X

X

= == = = = ==

= == = = = ==

Pr( 0 | 3) Pr( 1| 3) 1Y X Y X= = + = = =

[ | 3] 0 0.2 1 0.8 0.8E Y X = = × + × =

Número esperado de bits sospechosos cuando el número de aceptables es 3




Variables Continuas

Dadas dos v.a. continuas, con función de densidad conjuntala función de densidad de Y condicionada a X

,X Y ( , )f x y

( , )( | )

( )X

f x yf y x

f x=

Es función de densidad


( , ) ( | ) ( )Xf x y f y x f x=


Ejemplo


6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <¿Cuál será la probabilidad de que el tiempo hasta que el servidor te autoriza como usuario sea más de 2000 milisegundos si el tiempo que ha tardado elservidor en conectarse ha sido 1500 milisegundos?

¿Pr( 2000 | 1500)?Y X> =



Ejemplo

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

X

Y

1000

2000

3000

1000 2000 3000

( , )( | )

( )X

f x yf y x

f x=

Y

0

¿Pr( 2000 | 1500)?Y X> =

0.003( ) ( , ) 0.003 x 0x

Xx

f x f x y dy e+∞ −= = >∫

0.002 0.002( | ) 0.002 0x yf y x e x y−= < <



Ejemplo

6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <

X

Y

1000

2000

3000

1000 2000 3000

Y

0

¿Pr( 2000 | 1500)?Y X> =

0.002 0.002( | ) 0.002 0x yf y x e x y−= < <

2000

3 0.002

2000

Pr( 2000 | 1500) ( | 1500)

0.002

0.368

y

Y X f y X dy

e dy

+∞

+∞ −

> = = =

=

=

∫

∫














En algunos experimentos, el conocimiento de una de las variables puede no afectar ninguna de las probabilidades que se asocian con los valores de la otra variable

Recordemos del Tema de Probabilidad:

( ) ( ) ( )( ) ( )( ) ( )BAB

ABA

BABA

Pr|Pr

Pr|Pr

PrPrPr

==

=∩



Variables Discretas

,X YDiremos que dos variables son independientes si:

( | ) ( ) ( | ) ( ) Y Xp y x p y p x y p x= =

( , ) ( | ) ( ) ( ) ( ) , Y X Yp x y p x y p y p x p y x y= = ∀



Variables Continua

,X YDiremos que dos variables son independientes si:

( | ) ( ) f ( | ) ( ) Y Xf y x f y x y f x= =

( , ) ( | ) ( ) ( ) ( ) , Y X Yf x y f x y f y f x f y x y= = ∀


Ejemplo


6( , ) 6 10 exp( 0.001 0.002 ) 0f x y x y x y−= × − − < <


0.002 0.002( | ) 0.002 0x yf y x e x y−= < <

3 0.002 0.001( ) 6 10 (1 ) 0y y

Yf y e e y− − −= × − >≠ Para todos los valores de x













Esperanza

Dadas n v.a. definimos el vector n-dimensional 1 2, , , nX X XK

1

2

n

X

X

X

=

XM

La función de probabilidad/densidad del vector es la función deprobabilidad/densidad conjunta de los componentes del vector.

Se define el vector de medias como el vector cuyas componentes son las medias o esperanzas de cada componente.

[ ]

[ ][ ]

[ ]

1

2

n

E X

E XE

E X

= =

µ XM



Covarianza

Primero comenzamos por definir la covarianza entre dos variables:

Es una medida de la relación lineal entre dos variables

[ ]( ) [ ]( ) [ ] [ ] [ ]( , )Cov X Y E X E X Y E Y E XY E X E Y = − − = −

Propiedades

Si son independientes ya queSi sean independientes Si hacemos un cambio de origen y escala:

,X Y ( , ) 0Cov X Y⇒ = [ ] [ ] [ ]E XY E X E Y=( , ) 0 ,Cov X Y X Y= ⇒

dcYW

baXZ

+=+= ( ) ( )YXacCovWZCov ,, =⇒



Covarianza

[ ]( ) [ ]( ) [ ] [ ] [ ]( , )Cov X Y E X E X Y E Y E XY E X E Y = − − = −

¿Cómo lo calculamos?

Necesitamos calcular la esperanza de una función de dos variablesaleatorias:

[ ]( , )E h X Y =( , ) ( , )

( , ) ( , )

x y

h x y p x y

h x y f x y dxdy+∞ +∞

−∞ −∞

∑∑

∫ ∫



´Covarianza positiva Covarianza cero

Covarianza negativa Covarianza cero

Hay relaciónpero nolineal


Ejemplo



¿Es la covarianza entre X e Y positiva o negativa?

Sabemos que cuando Y se acerca a 4, X se acerca a 0Por lo tanto la covarianza es negativa.

4X Y+ ≤ ⇒




Correlación

La correlación entre dos variables también es una medida de la relación lineal entre dos variables

[ ] [ ]( , )

( , )Cov X Y

X YVar X Var Y

ρ =

Si son independientes ya que

Si

,X Y ( , ) 0X Yρ⇒ = ( ), 0Cov X Y =

| ( , ) | 1X Yρ ≤

| ( , ) | 1Y aX b X Yρ= + ⇒ =



Matriz de Varianzas y Covarianzas

Dadas n v.a. llamamos matriz de varianzas y covarianzasdel vector a la matriz cuadrada de orden n:

1 2, , , nX X XK

X

( )( )

[ ] [ ] [ ][ ] [ ]

[ ] [ ]

1 1 2 1

1 2 2

1

, ,

,

,

n

X

n n

Var X Cov X X Cov X X

Cov X X Var XE

Cov X X Var X

′= =

M X-µ X-µ

L

M M

M M O M

L L

Propiedades

Simétrica (ella y su matriz traspuesta coinciden)Semidefinida positiva (todos sus autovalores son ) 0≥













Al igual que en el caso univariante, hay ocasiones en que es necesariocalcular la distribución de probabilidad de una función de dos o más v.a.

Dado un vector aleatorio con función de densidad conjunta ,lo transformamos en otro vector aleatorio de la misma dimensiónmediante una función

X ( )f X

Yg

1 1 1

2 2 1

1

( , , )

( , , )

( , , )

n

n

n n n

y g x x

y g x x

y g x x

==

=

K

K

M

K

Existen lastransformacionesinversas

1( ) ( ( ))d

f f gd

−= XY Y

Y

1 1

1

1

n

n n

n

dx dx

dy dyd

ddx dx

dy dy

=X

Y

L

M M

L



Si tiene menor dimensión que , completamos con elementos de hasta completar la misma dimensión.

XY YX

Ejemplo

1

1 2 1 2

1 22

4 0 , 1( , )

0 en el resto X X

x x x xf x x

< <=

Calcular la función de densidad de

1. Definimos

2. Buscamos la distribución conjunta de

3. Calculamos la marginal de

1 1 2Y X X= +

2 2Y X=

1 2( , )Y Y=Y

1Y



Ejemplo

1

1 2 1 2

1 22

4 0 , 1( , )

0 en el resto X X

x x x xf x x

< <=

1( ) ( ( ))d

f f gd

−= XY Y

Y

� Buscamos la distribución conjunta de1 2( , )Y Y=Y

{21

1

1 2 2 1 2 2( ) ( , ) ( ) ( , )

YY

g X X X g Y Y Y−= + → = −X Y14243

1 11

0 1

d

d

−= =X

Y

1

1 2 2( ( )) 4( )f g y y y− = −Y

1 2 2( ) 4( )f y y y= −Y

¿En qué recinto está definida?



Ejemplo

1 20 , 1x x< <

1 1 2

2 2

Y X X

Y X

= +=

(0,1)

(0,0)

(1,1)

(1,0)

1 2 1 2

1 2 1 2

1 2 1 2

1 2 1 2

(x =0,x =0) (y 0 0, 0)

(x =0,x =1) (y 1 0, 1)

(x =1,x =0) (y 1 0, 0)

(x =1,x =1) (y 1 1, 1)

y

y

y

y

→ = + =→ = + =→ = + =→ = + =



Ejemplo

1 20 , 1x x< <

1 1 2

2 2

Y X X

Y X

= +=

(0,1)

(0,0)

(1,1)

(1,0)(0,0)

(1,1)

(1,0)

(2,1)

1 2 1 2

1 2 1 2

1 2 1 2

1 2 1 2

(x =0,x =0) (y 0 0, 0)

(x =0,x =1) (y 1 0, 1)

(x =1,x =0) (y 1 0, 0)

(x =1,x =1) (y 1 1, 1)

y

y

y

y

→ = + =→ = + =→ = + =→ = + =



Ejemplo

2

1

1 2 1

2 1 2

0 1 0

1 2 -1 1

y y y

y y y

< < < << < < <

1 2 0y y− =1 2 1y y− =

1 1 2

2 2

Y X X

Y X

= +=

1 20 , 1x x< <Calculamos las 4 rectas que delimitan el recinto:

2

2

1 2

1 2

0

1

0

1

y

y

y y

y y

==− =− =

1 2 2

1 2 1

2 1 2

( ) 4( )

0 1 0

1 2 -1 1

f y y y

y y y

y y y

= −< < < << < < <

Y



Ejemplo

�Calculamos la marginal de 1Y

1

1

1

3

1 2 2 2 1 1

0

1 1

3

1 2 2 2 1 1 1

1

34( ) 0 1

2( )

8 34( ) 4 1 2

3 2

y

Y

y

y y y y y y

f y

y y y y y y y−

− ∂ = < <=

− ∂ = − + − < <

∫

∫



Convolución de X1 y X2

Si X1 y X2 son variables aleatorias independientes con funciones de densidad y , la función de densidad de es

1 1( )Xf x2 2( )Xf x 1 2Y X X= +

1 2( ) ( ) ( )Y X Xf y f y x f x x

+∞

−∞= − ∂∫

Se utiliza en casos como la transformada de Fourier



Un caso que merece mención especial es el cálculo de esperanzas yvarianzas de transformaciones lineales:

1 1 m m n n m n× × ×= ≤Y A X

[ ] [ ][ ]

E E

Var M

=

′= X

Y A X

Y A A

Ejemplo

( ) 1

1 2

2

1 1

= + ⇒ =

XY X X Y

X

[ ] [ ] [ ]

[ ] ( ) [ ][ ] [ ] [ ]

1 2

1 1 2

1 2 1 2

1 2 2

( , ) 11 1 2 ( , )

( , ) 1

E E E

Var CovVar Var Var Cov

Cov Var

= +

= = + +

Y X X

X X XY X X X X

X X X




1 1 m m n n m n× × ×= ≤Y A X

[ ] [ ][ ]

E E

Var M

=

′= X

Y A X

Y A A

Ejemplo

( ) 1

1 2

2

1 1

= − ⇒ = −

XY X X Y

X

[ ] [ ] [ ]

[ ] ( ) [ ][ ] [ ] [ ]

1 2

1 1 2

1 2 1 2

1 2 2

( , ) 11 1 2 ( , )

( , ) 1

E E E

Var CovVar Var Var Cov

Cov Var

= −

= − = + − −

Y X X

X X XY X X X X

X X X




1 1 m m n n m n× × ×= ≤Y A X

[ ] [ ][ ]

E E

Var M

=

′= X

Y A X

Y A A

Caso particular: Distribución Normal

( )1 1 2 2

~ , 1, , independientesi i i

n n

X N i n

Y a X a X a X

µ σ =

= + + +

K

K

[ ] [ ] 2 2

1 1

n n

i i i i

i i

E Y a Var Y aµ σ= =

= =∑ ∑

Normal



Ejemplo

Una pieza en forma de U está formada por tres partes, A, B y C. La longitudde A sigue una distribución Normal con media 10mm y desviación típica 0.1mm. El grosor de las partes B y C se distribuye normalmente con media2mm y desviación típica 0.05mm.Suponiendo que las dimensiones de las partes son independientes:

1. Determinar la media y desviación típica de la distribución del hueco D.2. En esa pieza ha de encajar otra de 5.9 mm, ¿cuál es la probabilidad de

que una pieza de esta forma sea inservible?

A

B CD



Ejemplo

1. Determinar la media y desviación típica de la distribución del hueco D.

A

B CD

D A B C= − −~ (10,0.1)

~ (2,0.05) ~ (2,0.05)

A N

B N C N

[ ][ ][ ]

2 2 2

10 2 2 6

0.1 0.05 0.05 0.015

. 0.122

E D

Var D

DT D

= − − =

= + + =

=



Ejemplo

2. En esa pieza ha de encajar otra de 7.9 mm, ¿cuál es la probabilidad deque una pieza de esa forma sea inservible?

A

B CD

~ (6,0.015)D N

5.9 6Pr( 5.9) Pr

0.122

Pr( 0.82) 1 Pr( 0.82)

D Z

Z Z

− < = <

< − = − ≤

1 0.7939 0.2061− =

El 20% de laspiezas fabricadases inservible









6. Distribución Normal multivariante6. Distribución Normal multivarianteEstadística. Profesora: María Durbán

68

Si vector aleatorio sigue una distribución Normal bivariante

con vector de medias y matriz de varianzas-covarianzas

tiene función de densidad:

=

2

1

µµ

µ

( )( )

−Σ−−

Σ= − )()'(

2

1exp

2

1 1

2/1µXµXX

πf

=

2

1

X

XX

=Σ

2

221

21

2

1

σσρσσρσσ




( )( )

−Σ−−

Σ= − )()'(

2

1exp

2

1 1

2/1µXµXX

πf

2 2 2

1 2 (1 )σ σ ρ∑ = −2

1 1 21

2

2

1 2 2

1

1

1(1 )

ρσ σ σ

ρρσ σ σ

−

− ∑ = −−

( )( )

2 2

1 1 2 2 1 1 2 21 2 22

1 2 1 21 2

1 1, exp 2

2(1 )2 (1 )

x x x xf x x

µ µ µ µρρ σ σ σ σπ σ σ ρ

− − − − = − + − − −

=Σ

2

221

21

2

1

σσρσσρσσ

x

y

f(x,y)

x

y

x

y

ρ = −0.90ρ = 0 ρ = 0.90

The Bivariate Normal Distribution

x

y y y

x xµ1

µ2

µ1 µ1

µ2 µ2

ρ = 0ρ = 0.9 ρ = − 0.9

Contour Plots of the Bivariate Normal Distribution

x

y y y

x xµ1

µ2

µ1 µ1

µ2 µ2

ρ = 0ρ = 0.9 ρ = − 0.9

Scatter Plots of data from the Bivariate Normal Distribution

σ = σ1 2σ = σ1 2 σ = σ1 2

σ = σ1 2 σ = σ1 2 σ = σ1 2

σ = σ1 2

σ = σ1 2σ = σ1 2

Función de densidad

Diagrama de dispersión


=

2

1

µµ

µ

=Σ

2

221

21

2

1

σσρσσρσσ

=

2

1

X

XX


Propiedades

( ) ( )1 2

1 1 1 2 1 1

1 2 2 1

0 , independientes

X ~ , X ~ ,

X | X X | X son normales

X X

N N

y

ρµ σ µ σ

= ⇒



Ejemplo

En el proceso de fabricación de lámparas electroluminiscentes (luz negra), se depositan capas de tinta en una base de plástico. El grosor de esas capas es determinante a la hora de satisfacer las especificaciones relativas al color e intensidadde la luz.Sean X e Y el grosor de dos capas de tinta, se sabe que ambas siguen una distribución Normal, con medias 0.1mm y 0.23mm y desviaciones típicas 0.00031mmy 0.00017mm respectivamente. La correlación entre ambas es 0.Las especificaciones de grosor son las siguientes:

0.099535 0.100465

0.22966 0.23039

X

Y

≤ ≤≤ ≤

¿Cuál es la probabilidad de que una lámpara elegidaal azar satisfaga las especificaciones?



Ejemplo

0.099535 0.100465

0.22966 0.23039

X

Y

≤ ≤≤ ≤

¿Cuál es la probabilidad de que una lámpara elegida al azar satisfaga las especificaciones?

~ (0.1,0.00031)

~ (0.23,0.00017)

X N

Y N

Pr(0.099535 0.100465,0.22966 0.23039)X Y≤ ≤ ≤ ≤

0 independientesρ = →

( )( )

Pr(0.099535 0.100465)Pr(0.22966 0.23039)

Pr( 1.5 1.5)Pr( 2 2)

2Pr( 1.5) 1 2Pr( 2) 1

X Y

Z Z

Z Z

≤ ≤ ≤ ≤− ≤ ≤ − ≤ ≤ =

≤ − ≤ −

0.827=

Distribuciones Multivariantes Distribuciones Multivariantes ...

Documents

Transcript of Distribuciones Multivariantes Distribuciones Multivariantes ...