1
Distribuciones Multivariantes
Distribución conjunta de un vector aleatorio
Distribuciones marginales y condicionadas
Independencia entre variables aleatorias
Características de un vector aleatorio Esperanza
Varianza, Covarianza, Correlación Transformaciones de vectores aleatorios
Distribución Normal multivariante
Estadística. Profesora: María Durbán
2
Objetivos del tema:
Al final del tema el alumno será capaz de:
Utilizar la función de probabilidad o densidad conjunta para el cálculo de probabilidades
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 lineales de vectores
aleatorios
Comprender las propiedades de la distribución Normal bivariante
Distribuciones Multivariantes
Estadística. Profesora: María Durbán
3
Distribuciones Multivariantes
1. Distribución conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Características de un vector aleatorio Esperanza
Varianza, Covarianza, Correlación 5. Transformaciones de vectores aleatorios
6. Distribución Normal multivariante
1. Distribución conjunta de un vector aleatorio
Estadística. Profesora: María Durbán
4
1. Distribución conjunta de un vector aleatorio
En el tema anterior estudiamos distribuciones de probabilidad para una variable aleatoria. Sin embargo, a menudo nos interesa estudiar más de una variable en un experimento aleatorio.
Por ejemplo, en la clasificación de señales emitidas y recibidas, cada señal se clasifica como de baja, media o alta calidad.
Podemos definir:
X=“número de señales de baja calidad recibidas”, e Y=“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
Estadística. Profesora: María Durbán
5
1. Distribución conjunta de un vector aleatorio
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
( , ) 1
x yp x y
p x y
≥
=
∑∑
La función de distribución conjunta:
0 0 0 0 0 0
( ,
)
Pr(
,
)
Pr(
,
)
x x y yF x y
X
x Y
y
X
x Y
y
≤ ≤=
≤
≤
=
∑ ∑
=
=
Estadística. Profesora: María Durbán
6
1. Distribución conjunta de un vector aleatorio
Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información digital, cada bit recibido se clasifica como aceptable, sospechoso o no aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.:
X = Número de bits aceptables Y = Número de bits sospechosos
Estadística. Profesora: María Durbán
7
1. Distribución conjunta de un vector aleatorio
Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información digital, cada bit recibido se clasifica como aceptable, sospechoso o no aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.:
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 2.56x10-63.46x10-4 1.56x10-2 0.2333 0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561
( , )
0
( , ) 1
x yp x y
p x y
≥
=
∑∑
X YEstadística. Profesora: María Durbán
8
1. Distribución conjunta de un vector aleatorio
Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información digital, cada bit recibido se clasifica como aceptable, sospechoso o no aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.:
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 2.56x10-63.46x10-4 1.56x10-2 0.2333 0 1.6x10-7 2.88x10-5 1.94x10-3 7.83x10-2 0.6561
Pr(
X
≤
1,
Y
≤
2)
X YEstadística. Profesora: María Durbán
9
1. Distribución conjunta de un vector aleatorio
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, k p p Kp 1, 2, k X X KX i
X
siguen una distribución multinomialcon función de probabilidad
conjunta: 1 2 1 1 2 2 1 2 1 2 1 2 1 2 ! Pr( , , , ) ! ! ! 1 k x x x k k k k k k n X x X x X x p p p x x x x x x n p p p = = = = + + + = + + + = K K K K K
Estadística. Profesora: María Durbán
10
1. Distribución conjunta de un vector aleatorio
Ejemplo
Las probabilidades de que cierta lámpara de un modelo de proyector dure menos 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 = = =
Estadística. Profesora: María Durbán
11
1. Distribución conjunta de un vector aleatorio
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 y
f x y
dxdy
=
Estadística. Profesora: María Durbán
12
1. Distribución conjunta de un vector aleatorio
Variables continuas
La probabilidad ahora se calcula como un volumen:
Pr(
,
)
b d( , )
a c
a
≤ ≤
X
b c
≤ ≤
Y
d
=
∫ ∫
f x y dxdy
Estadística. Profesora: María Durbán
13
1. Distribución conjunta de un vector aleatorio
Variables continuas
La probabilidad ahora se calcula como un volumen:
Pr(
,
)
b d( , )
a c
a
≤ ≤
X
b c
≤ ≤
Y
d
=
∫ ∫
f x y dxdy
Pr( 1
− ≤ ≤ −
X
1, 1.5
≤ ≤
Y
1.5)
Estadística. Profesora: María Durbán
14
1. Distribución conjunta de un vector aleatorio
Ejemplo
Sea X la variable aleatoria que representa el tiempo hasta que un servidor se 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 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
¿ Pr(
X
<
1000,
Y
<
2000) ?
Estadística. Profesora: María Durbán
15
1. Distribución conjunta de un vector aleatorio
Ejemplo 6
( , )
6 10 exp( 0.001
0.002 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
¿ Pr(
X
<
1000,
Y
<
2000) ?
X YRecinto donde la función de densidad no es 0
1000 2000 3000
1000 2000 3000
Estadística. Profesora: María Durbán
16
1. Distribución conjunta de un vector aleatorio
Ejemplo 6
( , )
6 10 exp( 0.001
0.002 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
¿ Pr(
X
<
1000,
Y
<
2000) ?
X Y 1000 2000 3000 1000 2000 3000Recinto de integración para el cálculo de esa probabilidad
Estadística. Profesora: María Durbán
17
1. Distribución conjunta de un vector aleatorio
Ejemplo 6
( , )
6 10 exp( 0.001
0.002 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
1000 0 0Pr(
X
<
1000,
Y
<
2000)
=
∫ ∫
yf x y dxdy
( , )
+
X Y 1000 2000 3000 1000 2000 3000 x=yEstadística. Profesora: María Durbán
18
1. Distribución conjunta de un vector aleatorio
Ejemplo 6
( , )
6 10 exp( 0.001
0.002 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
1000 2000 1000 0 0 1000 0Pr(
1000,
2000)
( , )
( , )
0.915
yX
<
Y
<
=
f x y dxdy
+
f x y dxdy
=
∫ ∫
∫ ∫
X Y 1000 2000 3000 1000 2000 3000 x=yEstadística. Profesora: María Durbán
19
Distribuciones Multivariantes
1. Distribución conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Características de un vector aleatorio Esperanza
Varianza, Covarianza, Correlación 5. Transformaciones de vectores aleatorios
6. Distribución Normal multivariante
2. Distribuciones marginales y condicionadas
Estadística. Profesora: María Durbán
20
2. Distribuciones marginales
Si se definen más de una v.a. en un experimento, es importante distinguir entre la distribución de probabilidad conjunta y la distribución de 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 conjunta las 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.
Estadística. Profesora: María Durbán
21 Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información digital, cada bit recibido se clasifica como aceptable, sospechoso o no aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.:
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 2.56x10-63.46x10-4 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 probabilidad marginal se obtendrían sumando en ambas direcciones.
X = Número de bits aceptables Y = Número de bits sospechosos
2. Distribuciones marginales
Estadística. Profesora: María Durbán
22 Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información digital, cada bit recibido se clasifica como aceptable, sospechoso o no aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.:
0 1 2 3 4
0.0001 0.0036 0.0486 0.2916 0.6561
X Y
Las funciones de probabilidad marginal se obtendrían sumando en ambas direcciones.
X = Número de bits aceptables Y = Número de bits sospechosos
2. Distribuciones marginales
Estadística. Profesora: María Durbán
23 Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información digital, cada bit recibido se clasifica como aceptable, sospechoso o no aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.:
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 2.56x10-63.46x10-4 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 probabilidad marginal se obtendrían sumando en ambas direcciones
X = Número de bits aceptables Y = Número de bits sospechosos
2. Distribuciones marginales
Estadística. Profesora: María Durbán
24 Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información digital, cada bit recibido se clasifica como aceptable, sospechoso o no aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.: 4 0.00004 3 0.00188 2 0.03250 1 0.24925 0 0.71637 X Y
Las funciones de probabilidad marginal se obtendrían sumando en ambas direcciones
X = Número de bits aceptables Y = Número de bits sospechosos
Estadística. Profesora: María Durbán
25
2. Distribuciones marginales
Variables Continuas
Dadas dos v.a. continuas, con función de densidad conjunta las funciones de densidad marginal de ambas variables son:
, X Y
f x y
( , )
( )
( , )
( )
( , )
X Yf
x
f x y dy
f
y
f x y dx
+∞ −∞ +∞ −∞=
=
∫
∫
Son funciones de densidad
Se puede calcular su esperanza, varianza, etc. -4 -2 0 2 4 x 0.0 0.1 0.2 0.3 0.4 f( x )
Estadística. Profesora: María Durbán
26 Ejemplo
Sea X la variable aleatoria que representa el tiempo hasta que un servidor se 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 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
¿ Pr(
Y
>
2000) ?
2. Distribuciones marginales
Estadística. Profesora: María Durbán
27 Ejemplo 6
( , )
6 10 exp( 0.001
0.002 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
¿ Pr(
Y
>
2000) ?
Podemos resolverlo de dos formas: Integrar la función de densidad conjunta en el recinto adecuado
Calcular la función de densidad marginal de Y y calcular esa probabilidad
2. Distribuciones marginales
Estadística. Profesora: María Durbán
28 Ejemplo 6
( , )
6 10 exp( 0.001
0.002 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
X Y 1000 2000 3000 1000 2000 3000¿ Pr(
Y
>
2000) ?
Podemos resolverlo de dos formas: Integrar la función de densidad conjunta en el recinto adecuado
2000 0
Pr(
Y
>
2000)
=
∫ ∫
+∞ yf x y dxdy
( , )
=
0.05
Y
Estadística. Profesora: María Durbán 29 Ejemplo 6
( , )
6 10 exp( 0.001
0.002 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
X Y 1000 2000 3000 1000 2000 3000¿ Pr(
Y
>
2000) ?
Podemos resolverlo de dos formas:
3 0.002 0.001
0
( )
y( , )
6 10
y(1
y)
0
Y
f
y
=
∫
f x y dx
= ×
−e
−−
e
−y
>
Calcular la función de densidad marginal de Y y calcular esa probabilidad Y
0
2. Distribuciones marginales
Estadística. Profesora: María Durbán
30 Ejemplo 6
( , )
6 10 exp( 0.001
0.002 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
Y 1000 2000 3000¿ Pr(
Y
>
2000) ?
Podemos resolverlo de dos formas:
2000
Pr(
Y
2000)
f
Y( )
y dy
0.05
+∞
>
=
∫
=
Calcular la función de densidad marginal de Y y calcular esa probabilidad Y
0
2. Distribuciones marginales
Estadística. Profesora: María Durbán
31
2. Distribuciones condicionadas
Cuando se definen más de una v.a. en un experimento, el conocimiento de una de las variables puede afectar a las probabilidades que se asocian con los valores de la otra variable
Recordemos del Tema de Probabilidad el Teorema de Bayes:
( )
(
( )
)
A
B
A
A
B
Pr
Pr
Pr
=
I
Mide el tamaño de uno con respecto al otroEstadística. Profesora: María Durbán
32
2. Distribuciones condicionadas
Cuando se definen más de una v.a. en un experimento, el conocimiento de una de las variables puede afectar a las probabilidades que se asocian con los valores de la otra variable
Variables Discretas
Dadas dos v.a. discretas, con función de probabilidad conjunta
la 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 ( ) 0 X p x > A
(
) (
( )
)
(
(
)
)
0 0 0 0 0 Pr , Pr , | x X y Y x X x p y x p x y p X = = = = =( ) ( )
( )
(
(
)
)
x X y Y x X x p y x p x y p X = = = = = Pr , Pr , | p( ) ( ) ( )
x,y =p y|x pX xEstadística. Profesora: María Durbán
33 Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información digital, cada bit recibido se clasifica como aceptable, sospechoso o no aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.: X = Número de bits aceptables Y = Número de bits sospechosos
Como sólo se transmiten 4 bits, si X=4, necesariamente Y=0 si X=3, Y=0 ó 1
M
Saber lo que vale X cambia la probabilidad asociada con los valores de Y
2. Distribuciones condicionadas
Estadística. Profesora: María Durbán
34 Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información digital, cada bit recibido se clasifica como aceptable, sospechoso o no aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.: X = Número de bits aceptables Y = Número de bits sospechosos
Como sólo se transmiten 4 bits, si X=3, Y=0 ó 1
Pr( 0, 3) 0.05832 Pr( 0 | 3) 0.2 Pr( 3) 0.2916 Pr( 1, 3) 0.2333 Pr( 1| 3) 0.8 Pr( 3) 0.2916 Y X Y X X Y X Y X X = = = = = = = = = = = = = = = = Pr(Y=0 |X= +3) Pr(Y=1|X= =3) 1 [ | 3] 0 0.2 1 0.8 0.8 E Y X= = × + × =
Número esperado de bits sospechosos cuando el número de aceptables es 3
2. Distribuciones condicionadas
Estadística. Profesora: María Durbán
35
2. Distribuciones condicionadas
Variables Continuas
Dadas dos v.a. continuas, con función de densidad conjunta la función de densidad de Y condicionada a X
, X Y
f x y
( , )
( , )
( | )
( )
Xf x y
f y x
f
x
=
Es función de densidadSe puede calcular su esperanza, varianza, etc.
( , )
( | )
X( )
f x y
=
f y x f
x
Estadística. Profesora: María Durbán
36 Ejemplo
Sea X la variable aleatoria que representa el tiempo hasta que un servidor se 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 ) 0
f 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 el servidor en conectarse ha sido 1500 milisegundos?
¿ Pr(
Y
>
2000 |
X
=
1500) ?
Estadística. Profesora: María Durbán 37 Ejemplo 6
( , )
6 10 exp( 0.001
0.002 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
X Y 1000 2000 3000 1000 2000 3000( , )
( | )
( )
Xf x y
f y x
f
x
=
Y 0¿ Pr(
Y
>
2000 |
X
=
1500) ?
0.003( )
( , )
0.003
xx
0
X xf
x
=
∫
+∞f x y dy
=
e
−>
0.002 0.002( | )
0.002
x y0
f y x
=
e
−< <
x
y
2. Distribuciones condicionadas
Estadística. Profesora: María Durbán
38 Ejemplo 6
( , )
6 10 exp( 0.001
0.002 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
X Y 1000 2000 3000 1000 2000 3000 Y 0¿ Pr(
Y
>
2000 |
X
=
1500) ?
0.002 0.002( | )
0.002
x y0
f y x
=
e
−< <
x
y
2000 3 0.002 2000Pr(
2000 |
1500)
( |
1500)
0.002
0.368
yY
X
f y X
dy
e
dy
+∞ +∞ −>
=
=
=
=
=
∫
∫
2. Distribuciones condicionadas
Estadística. Profesora: María Durbán
39
Distribuciones Multivariantes
1. Distribución conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Características de un vector aleatorio Esperanza
Varianza, Covarianza, Correlación 5. Transformaciones de vectores aleatorios
6. Distribución Normal multivariante 3. Independencia entre variables aleatorias
Estadística. Profesora: María Durbán
40
3. Independencia entre variables aleatorias
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:
(
)
( ) ( )
(
)
( )
(
B
A
)
( )
B
A
B
A
B
A
B
A
Pr
|
Pr
Pr
|
Pr
Pr
Pr
Pr
=
=
=
∩
Estadística. Profesora: María Durbán
41
3. Independencia entre variables aleatorias
Variables Discretas
,
X Y
Diremos que dos variables son independientes si:
( | )
Y( ) ( | )
X( )
p y x
=
p
y
p x y
=
p
x
( , )
( | )
Y( )
X( )
Y( )
,
p x y
=
p x y p
y
=
p
x p
y
∀
x y
Estadística. Profesora: María Durbán
42
3. Independencia entre variables aleatorias
Variables Continua
,
X Y
Diremos que dos variables son independientes si:
( | )
Y( ) f ( | )
X( )
f y x
=
f
y
x y
=
f
x
( , )
( | )
Y( )
X( )
Y( )
,
f x y
=
f x y f
y
=
f
x f
y
∀
x y
Estadística. Profesora: María Durbán
43 Ejemplo
Sea X la variable aleatoria que representa el tiempo hasta que un servidor se 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 ) 0
f x y
= ×
−−
x
−
y
< <
x
y
3. Independencia entre variables aleatorias
0.002 0.002
( | )
0.002
x y0
f y x
=
e
−< <
x
y
3 0.002 0.001( )
6 10
y(1
y)
0
Yf
y
= ×
−e
−−
e
−y
>
≠
Para todos los valores de xEstadística. Profesora: María Durbán
44
Distribuciones Multivariantes
1. Distribución conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Características de un vector aleatorio Esperanza
Varianza, Covarianza, Correlación 5. Transformaciones de vectores aleatorios
6. Distribución Normal multivariante 4. Características de un vector aleatorio
Estadística. Profesora: María Durbán
45
4. Características de un vector aleatorio
Esperanza
Dadas n v.a. definimos el vector n-dimensional X X1, 2,K,Xn
1 2 n X X X = X M
La función de probabilidad/densidad del vector es la función de probabilidad/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 X E E X = = µ X MEstadística. Profesora: María Durbán
46
4. Características de un vector aleatorio
Covarianza
Primero comenzamos por definir la covarianzaentre 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 que Si sean independientes Si hacemos un cambio de origen y escala:
, X Y ⇒Cov X Y( , )=0 E XY
[ ] [ ] [ ]
=E X E Y ( , ) 0 , Cov X Y = ⇒X Y d cY W b aX Z + = + = ⇒Cov(
Z,W)
=acCov(
X,Y)
Estadística. Profesora: María Durbán
47
4. Características de un vector aleatorio
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 variables aleatorias:
[
( , )]
E h X Y =( , ) ( , )
( , ) ( , )
x yh x y p x y
h x y f x y dxdy
+∞ +∞ −∞ −∞∑∑
∫ ∫
Estadística. Profesora: María Durbán
48
4. Características de un vector aleatorio
´Covarianza positiva Covarianza cero
Covarianza negativa Covarianza cero
Hay relación pero no lineal
Estadística. Profesora: María Durbán
49 Ejemplo
En el desarrollo de un nuevo receptor para la transmisión de información digital, cada bit recibido se clasifica como aceptable, sospechoso o no aceptable, dependiendo de la calidad de la señal recibida.
Se transmiten 4 bits y se definen las siguientes v.a.: X = Número de bits aceptables Y = Número de bits sospechosos ¿Es la covarianza entre X e Y positiva o negativa?
Sabemos que cuando Y se acerca a 4, X se acerca a 0 Por lo tanto la covarianza es negativa.
4
X
+ ≤
Y
⇒
4. Características de un vector aleatorio
Estadística. Profesora: María Durbán
50
4. Características de un vector aleatorio
Correlación
La correlaciónentre dos variables también es una medida de la relación lineal entre dos variables
[ ] [ ]
( , )( , )X Y Cov X Y Var X Var Y
ρ =
Si son independientes ya que
Si , X Y ⇒ρ( , )X Y =0 Cov X Y
(
,)
=0 | ( , ) | 1ρ X Y ≤ | ( , ) | 1 Y=aX+b⇒ρ X Y =Estadística. Profesora: María Durbán
51
4. Características de un vector aleatorio
Matriz de Varianzas y Covarianzas
Dadas n v.a. llamamos matriz de varianzas y covarianzas del vector a la matriz cuadrada de orden n:
1, 2, , n X X K X X
(
)(
)
[ ]
[
]
[
]
[
]
[ ]
[
]
[ ]
1 1 2 1 1 2 2 1 , , , , n X n nVar X Cov X X Cov X X Cov X X Var X E 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
Estadística. Profesora: María Durbán
52
Distribuciones Multivariantes
1. Distribución conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Características de un vector aleatorio Esperanza
Varianza, Covarianza, Correlación 5. Transformaciones de vectores aleatorios
6. Distribución Normal multivariante 5. Transformaciones de vectores aleatorios
Estadística. Profesora: María Durbán
53
5. Transformaciones de vectores aleatorios
Al igual que en el caso univariante, hay ocasiones en que es necesario calcular 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 dimensión mediante una función
X f( )X Y g 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 las transformaciones inversas 1 ( ) ( ( )) d f f g d − = X Y Y Y 1 1 1 1 n n n n dx dx dy dy d d dx dx dy dy = X Y L M M L
Estadística. Profesora: María Durbán
54
5. Transformaciones de vectores aleatorios
Si tiene menor dimensión que , completamos con elementos de hasta completar la misma dimensión.
X Y Y X Ejemplo 1 1 2 1 2 1 2 2 4 0 , 1 ( , ) 0 en el resto X X x x x x f x x = < <
Calcular la función de densidad de
1. Definimos
2. Buscamos la distribución conjunta de
3. Calculamos la marginal de 1 1 2 Y =X +X 2 2 Y =X 1 2 ( ,Y Y) = Y 1 Y
Estadística. Profesora: María Durbán
55
5. Transformaciones de vectores aleatorios
Ejemplo 1 1 2 1 2 1 2 2 4 0 , 1 ( , ) 0 en el resto X X x x x x f x x = < < 1 ( ) ( ( )) d f f g d − = X Y Y Y
Buscamos la distribución conjunta de
1 2 ( ,Y Y) = Y { 2 1 1 1 2 2 1 2 2 ( ) ( , ) ( ) ( , ) Y Y g X = 1X424+X3 X →g− Y = Y −Y Y 1 1 1 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?
Estadística. Profesora: María Durbán
56
5. Transformaciones de vectores aleatorios
Ejemplo 1 2 0<x x, <1 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 → = + = → = + = → = + = → = + =
Estadística. Profesora: María Durbán
57
5. Transformaciones de vectores aleatorios
Ejemplo 1 2 0<x x, <1 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 → = + = → = + = → = + = → = + =
Estadística. Profesora: María Durbán
58
5. Transformaciones de vectores aleatorios
Ejemplo 2 1 1 2 1 2 1 2 0 1 0 1 2 -1 1 y y y y y y < < < < < < < < 1 2 0 y −y = y1−y2=1 1 1 2 2 2 Y X X Y X = + = 1 2
0<x x, <1 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
Estadística. Profesora: María Durbán
59
5. Transformaciones de vectores aleatorios
Ejemplo Calculamos la marginal de Y1 1 1 1 3 1 2 2 2 1 1 0 1 1 3 1 2 2 2 1 1 1 1
3
4(
)
0
1
2
( )
8
3
4(
)
4
1
2
3
2
y Y yy
y y y
y
y
f
y
y
y y y
y
y
y
−−
∂ =
< <
=
−
∂ = − +
−
< <
∫
∫
Estadística. Profesora: María Durbán
60
5. Transformaciones de vectores aleatorios
Convolución de X1y X2
Si X1y X2son variables aleatorias independientes con funciones de
densidad y , la función de densidad de es fX1( )x1 fX2( )x2 1 2
Y=X +X 1 2
( )
(
)
( )
Y X Xf
y
+∞f
y
x f
x x
−∞=
∫
−
∂
Estadística. Profesora: María Durbán
61
5. Transformaciones de vectores aleatorios
Un caso que merece mención especial es el cálculo de esperanzas y varianzas 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 = + ⇒ = X Y X X Y X[ ] [ ] [ ]
[ ] ( )
[ ]
[ ]
[ ]
[ ]
1 2 1 1 2 1 2 1 2 1 2 2 ( , ) 1 1 1 2 ( , ) ( , ) 1 E E E Var CovVar Var Var Cov
Cov Var = + = = + + Y X X X X X Y X X X X X X X
Estadística. Profesora: María Durbán
62
5. Transformaciones de vectores aleatorios
Un caso que merece mención especial es el cálculo de esperanzas y varianzas 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 = − ⇒ = − X Y X X Y X[ ] [ ] [ ]
[ ]
(
)
[ ]
[ ]
[ ]
[ ]
1 2 1 1 2 1 2 1 2 1 2 2 ( , ) 1 1 1 2 ( , ) ( , ) 1 E E E Var CovVar Var Var Cov
Cov Var = − = − − = + − Y X X X X X Y X X X X X X X
Estadística. Profesora: María Durbán
63
5. Transformaciones de vectores aleatorios
Un caso que merece mención especial es el cálculo de esperanzas y varianzas de transformaciones lineales:
1 1 m× = m n× n× m≤n Y A X
[ ]
[ ]
[ ]
E E Var M = ′ = X Y A X Y A ACaso particular: Distribución Normal
(
)
1 1 2 2 ~ , 1, , independientes i i i n n X N i n Y a X a X a Xµ σ
= = + + + K K[ ]
[ ]
2 2 1 1 n n i i i i i i E Y aµ
Var Y aσ
= = =∑
=∑
NormalEstadística. Profesora: María Durbán
64
5. Transformaciones de vectores aleatorios
Ejemplo
Una pieza en forma de U está formada por tres partes, A, B y C. La longitud de 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 media 2mm 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 C
Estadística. Profesora: María Durbán
65
5. Transformaciones de vectores aleatorios
Ejemplo
1. Determinar la media y desviación típica de la distribución del hueco D.
A B C D
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 D T D = − − = = + + = =Estadística. Profesora: María Durbán
66
5. Transformaciones de vectores aleatorios
Ejemplo
2. En esa pieza ha de encajar otra de 7.9 mm, ¿cuál es la probabilidad de
que una pieza de esa forma sea inservible?
A B C D
~
(6, 0.015)
D
N
5.9 6 Pr( 5.9) Pr 0.122 Pr( 0.82) 1 Pr( 0.82) D Z Z Z − < = < < − = − ≤ 1 0.7939− =0.2061 El 20% de las piezas fabricadas es inservibleEstadística. Profesora: María Durbán
67
Distribuciones Multivariantes
1. Distribución conjunta de un vector aleatorio
2. Distribuciones marginales y condicionadas
3. Independencia entre variables aleatorias
4. Características de un vector aleatorio Esperanza
Varianza, Covarianza, Correlación 5. Transformaciones de vectores aleatorios
6. Distribución Normal multivariante 6. Distribución Normal multivariante
Estadística. 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 1µ
µ
µ
( )
( )
−
Σ
−
−
Σ
=
−)
(
)'
(
2
1
exp
2
1
1 2 / 1X
µ
X
µ
X
π
f
= 2 1 X X X
=
Σ
2 2 2 1 2 1 2 1σ
σ
ρσ
σ
ρσ
σ
Estadística. Profesora: María Durbán
69
6. Distribución Normal multivariante
( )
( )
−
Σ
−
−
Σ
=
(
)'
−(
)
2
1
exp
2
1
1 2 / 1X
µ
X
µ
X
π
f
2 2 2 1 2(1 )σ σ
ρ
∑ = − 2 1 1 2 1 2 2 1 2 2 1 1 1 (1 ) ρ σ σ σ ρ ρ σ σ σ − − ∑ = − − (
)
( )
2 2 1 1 2 2 1 1 2 2 1 2 2 2 1 2 1 2 1 2 1 1 , exp 2 2(1 ) 2 (1 ) x x x x f x x µ µ ρ µ µ ρ σ σ σ σ π σ σ ρ − − − − = − + − − − = Σ 2 2 2 1 2 1 2 1 σ σ ρσ σ ρσ σ x y f(x,y) x y x y ρ = −0.90 ρ = 0 ρ = 0.90The Bivariate Normal Distribution
x y y y x x µ1 µ2 µ1 µ1 µ2 µ2 ρ = 0 ρ = 0.9 ρ = − 0.9
Contour Plots of the Bivariate Normal Distribution
x y y y x x µ1 µ2 µ1 µ1 µ2 µ2 ρ = 0 ρ = 0.9 ρ = − 0.9
Scatter Plots of data from the Bivariate Normal Distribution
σ = σ1 2 σ = σ1 2 σ = σ1 2 σ = σ1 2 σ = σ 1 2 σ = σ1 2 σ = σ1 2 σ = σ1 2 σ = σ1 2
Función de densidad
Diagrama de dispersión
Estadística. Profesora: María Durbán
71
=
2 1µ
µ
µ
=
Σ
2 2 2 1 2 1 2 1σ
σ
ρσ
σ
ρσ
σ
=
2 1X
X
X
6. Distribución Normal multivariante
Propiedades
(
1)
2(
)
1 1 1 2 1 1 1 2 2 10
,
independientes
X ~
,
X ~
,
X | X X | X son normales
X
X
N
N
y
ρ
µ σ
µ σ
=
⇒
Estadística. Profesora: María Durbán
72
6. Distribución Normal multivariante
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 intensidad de 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 0.00031mm y 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 elegida al azar satisfaga las especificaciones?
Estadística. Profesora: María Durbán
73
6. Distribución Normal multivariante
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≤ ≤X 0.100465, 0.22966≤ ≤Y 0.23039) 0 independientes ρ= →