1 4 Vectores

4.
Vectores aleatorios
Estadstica
Ingeniera Informatica
Curso 2009-2010
Estadstica (Aurora Torrente) 4. Vectores aleatorios Curso 2009-2010 1 / 32
Contenidos
1
Introduccion
2
Distribuciones de probabilidad conjunta
Distribuciones marginales
Distribuciones condicionadas
Covarianza y coeciente de correlacion
Independencia de variables aleatorias
3
Transformacion de vectores aleatorios
Introducci on
En muchos experimentos nos pueden interesar las relaciones que existen
entre dos o mas caractersticas,
necesitaremos estudiarlas de manera conjunta
vector aleatorio o variable aleatoria multidimensional: herramienta que
nos permite tal estudio (generalizacion a dimensi on n de las variables
aleatorias)
vamos a considerar unicamente vectores aleatorios de dimension dos
Vector aleatorio (X
1
, X
2
):
Funcion
(X
1
, X
2
) : R
2
que a cada s le asocia un vector de dos n umeros reales (X
1
(s), X
2
(s))
cada coordenada es una variable aleatoria
Introducci on
Distribuciones:
Los vectores aleatorios tienen asociadas
funcion de distribucion
distribucion conjunta (de masa o de densidad)
distribuciones marginales
distribuciones condicionadas
Introducci on
Distribuciones:
Los vectores aleatorios tienen asociadas
funcion de distribucion
distribucion conjunta (de masa o de densidad)
distribuciones marginales
distribuciones condicionadas
Introducci on
Dado A R
2
, se dene la probabilidad de A mediante:
P(A) = P ((X
1
, X
2
) A) = P (s : (X
1
(s), X
2
(s)) A)
Funcion de distribucion de un vector aleatorio
F(x
1
, x
2
) = P (s : X
1
(s) x
1
, X
2
(s) x
2
)
un vector aleatorio puede ser discreto o continuo si todas las
variables que lo conforman lo son
solo consideraremos vectores aleatorios cuyas coordenadas son todas
discretas o continuas, y no mezcla de ellas
Funcion de masa conjunta (v.a. discreto)
Dado un v.a.discreto (X
1
, X
2
) tal que X
1
toma los valores
N
1
= {x
11
, x
12
, ...} e X
2
toma los valores N
2
= {x
21
, x
22
, ...}:
f
X
1
,X
2
(x
1
, x
2
) =
_
P(X
1
= x
1
, X
2
= x
2
), si (x
1
, x
2
) N
1
N
2
0, en otro caso
esta denida sobre R
2
y toma valores en el intervalo [0,1]
representa la probabilidad de que X
1
tome el valor x
1
y al mismo
tiempo X
2
tome el valor x
2
si no hay posibilidad de confusion la representamos por f (x
1
, x
2
)
Propiedades:
1. f (x
1
, x
2
) 0,
2.
x
1
N
1
x
2
N
2
f (x
1
, x
2
) = 1.
Si los conjuntos N
1
y N
2
son nitos, la funcion de masa conjunta puede
expresarse facilmente con una tabla de doble entrada:
X
1
| X
2
x
21
. . . x
2j
. . . x
2n
x
11
.
.
.
.
.
.
x
1i
. . . f (x
1i
, x
2j
) . . .
.
.
.
.
.
.
x
1m
Funcion de densidad conjunta(v.a. continuo)
Dado un v.a. continuo (X
1
, X
2
), la funcion de densidad conjunta de
dicho vector es una funcion f
X
1
,X
2
: R
2
R, que verica:
1. f (x
1
, x
2
) 0, (x
1
, x
2
) R
2
,
2.
_
R
2
f (x
1
, x
2
)dx
1
dx
2
= 1.
La probabilidad de cualquier suceso A R
2
relativo al vector aleatorio se
calcula mediante:
P
X
1
,X
2
(A) =
_
A
f
X
1
,X
2
(x
1
, x
2
)dx
1
dx
2
Distribuciones de probabilidad conjunta Distribuciones marginales
Distribuciones marginales f
X
1
, f
X
2
:
Las distribuciones marginales se obtienen al considerar cada variable por
separado (como si la otra no existiera)
Distribuciones de probabilidad conjunta Distribuciones marginales
Distribuciones Marginales de (X
1
, X
2
) (v.a.discreto)
f
X
1
(x
1i
) = P(X
1
= x
1i
) =
x
2j
N
2
f
X
1
,X
2
(x
1i
, x
2j
), x
1i
N
1
f
X
2
(x
2j
) = P(X
2
= x
2j
) =
x
1i
N
1
f
X
1
,X
2
(x
1i
, x
2j
), x
2j
N
2
Si las distribuciones estan en una tabla de doble entrada, basta con sumar
por las y columnas para obtener las marginales
Distribuciones Marginales de (X
1
, X
2
) (v.a.continuo)
f
X
1
(x
1
) =
_
x
2
R
f
X
1
,X
2
(x
1
, x
2
)dx
2
, x
1
R
f
X
2
(x
2
) =
_
x
1
R
f
X
1
,X
2
(x
1
, x
2
)dx
2
, x
2
R
Distribuciones de probabilidad conjunta Distribuciones condicionadas
Distribuciones condicionadas f
X
1
|X
2
=x
2j
(x
1i
| X
2
= x
2j
):
La distribucion de probabilidad de una variable aleatoria X
1
condicionada
por un valor jo x
2
de la otra variable aleatoria X
2
, se obtiene como el
cociente entre la funcion de probabilidad (de masa o de densidad, seg un el
caso) conjunta y el valor de la marginal de X
2
correspondiente a x
2
la representamos por f (x
1i
| X
2
= x
2j
) cuando no haya posibilidad de
confusion
Distribuciones de probabilidad conjunta Distribuciones condicionadas
Funcion de masa condicionada (discreto)
f
X
1
|X
2
=x
2j
(x
1i
| X
2
= x
2j
) =
f
X
1
,X
2
(x
1i
, x
2j
)
f
X
2
(x
2j
)
, x
1i
N
1
es decir:
P(X
1
= x
1i
| X
2
= x
2j
) =
P(X
1
= x
1i
, X
2
= x
2j
)
P(X
2
= x
2j
)
, x
1i
N
1
Funcion de densidad condicionada (continuo)
f
X
1
|X
2
=x
2
(x
1
| X
2
= x
2
) =
f
X
1
,X
2
(x
1
, x
2
)
f
X
2
(x
2
)
, x
1
R
Para que esta denicion tenga sentido es necesario que f
X
2
(x
2
) > 0;
intuitivamente esto signica que estamos condicionando por un valor
de X
2
potencialmente observable
Distribuciones de probabilidad conjunta Covarianza y coeciente de correlacion
a partir de las marginales y de las condicionadas (distribuciones de
v.a. unidimensionales) pueden calcularse esperanzas, varianzas, etc.
a partir de la conjunta se pueden calcular otras medidas interesantes
en el caso multidimensional
covarianza
coeciente de correlacion
Covarianza entre X
1
y X
2
:
cov(X
1
, X
2
) = E[(X
1
E[X
1
])(X
2
E[X
2
])] = E[X
1
X
2
] E[X
1
]E[X
2
]
Caso discreto:
=
x
1i
N
1
x
2j
N
2
x
1i
x
2j
f
X
1
,X
2
(x
1i
, x
2j
)
x
1i
N
1
x
1
f
X
1
(x
1i
)
x
2j
N
2
x
2j
f
X
2
(x
2j
)
Caso continuo:
=
_
R
2
x
1
x
2
f
X
1
,X
2
(x
1
, x
2
)dx
1
dx
2
_
x
1
R
x
1
f
X
1
(x
1
)dx
1
_
x
2
R
x
2
f
X
2
(x
2
)dx
2
Coeciente de correlacion:
(X
1
, X
2
) =
cov(X
1
, X
2
)
_
V(X
1
)V(X
2
)
si (X
1
, X
2
) = 0 (cov(X
1
, X
2
) = 0), X
1
y X
2
son incorreladas
Propiedades:
1. Si X
1
y X
2
son incorreladas entonces E[X
1
X
2
] = E[X
1
]E[X
2
]
2. V(X
1
+ X
2
) = V(X
1
) + V(X
2
) + 2cov(X
1
, X
2
)
3. V(X
1
X
2
) = V(X
1
) + V(X
2
) 2cov(X
1
, X
2
)
4. Si X
1
y X
2
son incorreladas entoces V(X
1
X
2
) = V(X
1
) + V(X
2
)
5. cov(a
1
X
1
+ b
1
, a
2
X
2
+ b
2
) = a
1
a
2
cov(X
1
, X
2
)
Distribuciones de probabilidad conjunta Independencia de variables aleatorias
Variables aleatorias independientes:
X
1
y X
2
son independientes cuando la probabilidad de una (X
1
) no vara
al conocer el valor que toma la otra (X
2
):
f
X
1
|X
2
=x
2
= f
X
1
(la funci on de probabilidad (de masa o de densidad) de X
1
condicionada por
X
2
= x
2
, para todo valor observable x
2
, coincide con la marginal de X
1
)
X
1
y X
2
son independientes f
X
1
,X
2
= f
X
1
f
X
2
V.a. independientes discretas
Dado x
2j
N
2
, potencialmente observable:
f
X
1
,X
2
(x
1i
, x
2j
) = f
X
1
(x
1i
) f
X
2
(x
2j
), x
1i
N
1
es decir:
P(X
1
= x
1i
, X
2
= x
2j
) = P(X
1
= x
1i
) P(X
2
= x
2j
), x
1i
N
1
V.a. independientes continuas
Dado x
2
R, potencialmente observable:
f
X
1
,X
2
(x
1
, x
2
) = f
X
1
(x
1
) f
X
2
(x
2
) x
1
R
Si X
1
y X
2
son independientes, entonces estan incorreladas:
cov(X
1
, X
2
) = (X
1
, X
2
) = 0
el recproco no es cierto en general
(en el tema 5 veremos cuando s lo es...)
Ejemplo 1. Caso Discreto: (marginales)
Lanzamos un dado dos veces; sea el vector aleatorio (X
1
, X
2
), en el
que X
1
toma el valor 1 si la suma de los resultados obtenidos es par
y toma el valor 1 si la suma de las puntuaciones es impar, y X
2
es
la variable aleatoria que contabiliza el n umero de cincos obtenidos
en ambos lanzamientos.
Funcion de masa conjunta:
X
1
/ X
2
0 1 2
1 13/36 4/36 1/36
1 12/36 6/36 0
Marginales:
X
1
/ X
2
0 1 2 f
X
1
1 13/36 4/36 1/36 18/36 = 1/2
1 12/36 6/36 0 18/36 = 1/2
f
X
2
25/36 10/36 1/36 1
Ejemplo 1 (cont.): (condicionada)
Distribucion de X
1
condicionada por el hecho de que saquemos un unico
cinco (en alguno de los dos lanzamientos):
X
1
| X
2
= 1 f
X
1
|X
2
=1
1
4/36
10/36
=
4
10
1
6/36
10/36
=
6
10
equivalente a reducir el espacio muestral inicial al espacio condicionado por
X
2
= 1: {(5, 1), (5, 2), (5, 3), (5, 4), (5, 6), (1, 5), (2, 5), (3, 5), (4, 5),
(6, 5)}, y calcular la funcion de masa de X
1
(que vale 1 si la suma de las
puntuaciones es par y 1 si la suma es impar):
f
X
1
|X
2
=1
(1) =
4
10
y f
X
1
|X
2
=1
(1) =
6
10
Ejemplo 1 (cont.): (covarianza, independencia)
E[X
1
X
2
] =
x
1i
x
2j
x
1i
x
2j
f
X
1
,X
2
(x
1i
, x
2j
) = 1 0
13
36
+ 1 1
4
36
+ 1 2
1
36
1 0
12
36
1 1
6
36
1 2 0 =
4 + 2 6
36
= 0
Esperanzas:
E[X
1
] =
x
1i
x
1i
f
X
1
(x
1i
) = 1
1
2
1
1
2
= 0
E[X
2
] =
x
2i
x
2i
f
X
2
(x
2i
) = 0
25
36
+ 1
10
36
+ 2
1
36
=
1
3
por lo que cov(X
1
, X
2
) = 0 y las variables son incorreladas.
No son independientes, ya que, por ejemplo
f
X
1
(1) =
1
2
= f
X
1
|X
2
=1
(1) =
4
10
, o
f
X
1
,X
2
(1, 1) =
4
36
= f
X
1
(1) f
X
2
(1) =
1
2

10
36
=
5
36
Ejemplo 2. Caso Continuo: (marginales)
Sea (X
1
, X
2
) un vector aleatorio continuo, cuya funcion de densidad
conjunta viene dada por la siguiente expresion:
f (x
1
, x
2
) =
_
k, si 0 < x
2
< x
1
< 1
0, en el resto
Valor de k para que f sea funcion de densidad:
_
R
2
f (x
1
, x
2
)dx
1
dx
2
= 1 1 =
_
1
0
_
1
x
2
k dx
1
dx
2
=
_
1
0
k x
1
|
1
x
2
dx
2
=
=
_
1
0
k (1 x
2
)dx
2
= k
_
x
2
x
2
2
2
_
1
0
=
k
2
k=2
Marginales:
f (x
1
) =
_
x
1
0
2dx
2
= 2x
1
, 0 < x
1
< 1
f (x
2
) =
_
1
x
2
2dx
1
= 2(1 x
2
), 0 < x
2
< 1
Ejemplo 2 (cont.): (condicionadas, covarianza)
Dados x
1
y x
2
(0, 1):
f
X
1
|X
2
=x
2
(x
1
) =
2
2(1 x
2
)
=
1
1 x
2
, x
2
< x
1
< 1
f
X
2
|X
1
=x
1
(x
2
) =
2
2x
1
=
1
x
1
, 0 < x
2
< x
1
X
1
y X
2
no son independientes.
Covarianza:
E[X
1
X
2
] =
_
1
0
_
1
x
2
x
1
x
2
2dx
1
dx
2
=
_
1
0
2x
2
x
2
1
2
1
x
2
=
_
1
0
(x
2
x
3
2
)dx
2
=
1
4
E[X
1
] =
_
1
0
x
1
2x
1
dx
1
=
2
3
; E[X
2
] =
_
1
0
x
2
2(1 x
2
)dx
2
=
1
3
cov(X
1
, X
2
) =
1
4

2
3
1
3
=
1
36
Ejemplo 2 (cont.): (probabilidad de un suceso)
Probabilidad del suceso A = {X
1
> 1/2, X
2
< 1/2} :
P{X
1
> 1/2, X
2
< 1/2} =
_
1/2
0
_
1
1/2
2dx
1
dx
2
=
1
2
Transformaci on de vectores aleatorios
Operaciones entre variables aleatorias
Las operaciones entre variables aleatorias da lugar a nuevas variables
aleatorias.
Sean las variables aleatorias X
1
y X
2
. Tambien son variables aleatorias:
X
1
+ X
2
(suma o convolucion)
X
1
X
2
(resta)
X
1
X
2
(producto)
X
1
/X
2
, supuesto que X
2
= 0 (cociente)
max(X
1
, X
2
) (maximo)
min(X
1
, X
2
) (mnimo)
...
Suma de variables aleatorias
Dadas las v.a. X
1
y X
2
sabemos que:
E[X
1
+ X
2
] = E[X
1
] + E[X
2
]
V(X
1
+ X
2
) = V(X
1
) + V(X
2
) + 2 cov(X
1
, X
2
)
si X
1
y X
2
son incorreladas (o independientes): V(X
1
+ X
2
) =
= V(X
1
) + V(X
2
)
...pero no conocemos la distribucion de la v.a. X
1
+ X
2
.
Distribuci on de la suma (v.a. discretas):
p
X
1
+X
2
(s) =
x
1
+x
2
=s
p
X
1
,X
2
(x
1
, x
2
)
Distribuci on de la suma (v.a. continuas):
f
X
1
+X
2
(s) =
_
R
f
X
1
,X
2
(s x
2
, x
2
)dx
2
X
1
, X
2
independientes f
X
1
+X
2
(s) =
_
R
f
X
1
(s x
2
)f
X
2
(x
2
)dx
2
Ejemplo 1. Caso discreto:
Dada la masa conjunta siguiente, la
funcion de masa de la v.a. X+Y viene
dada por:
X / Y 0 1
0 4/49 10/49
1 10/49 25/49
p
X+Y
(0) = P(X = 0, Y = 0) = 4/49;
p
X+Y
(1) = P(X = 1, Y = 0) + P(X = 0, Y = 1) = 20/49
p
X+Y
(2) = P(X = 1, Y = 1) = 25/49;
que como vemos, suma 1. Las marginales de X e Y son:
P(X = 0) = P(Y = 0) = 2/7, P(X = 1) = P(Y = 1) = 5/7
y se comprueba que son independientes.
En el tema 5 veremos que X e Y tienen una distribucion llamada
Bernouilli y que la v.a. suma X + Y tiene una distribucion
llamada binomial
Ejemplo 2. Caso continuo:
Dada la densidad conjunta f
X,Y
(x, y) = e
(x+y)
, x, y > 0, obtenemos la
densidad de la variable aleatoria X + Y integrando
f
X+Y
(s) =
_
R
e
(sy+y)
dy =
_
s
0
e
s
dy = e
s
y|
s
0
= s e
s
, s > 0
que comprobamos que integra 1 (funcion gamma).
Si calculamos las marginales de X e Y resulta:
f
X
(x) =
_
+
0
e
(x+y)
dy = e
x
_
e
y
_
+
0
= e
x
, x > 0
y analogamente:
f
Y
(y) = e
y
, y > 0
y se comprueba inmediatamente que X e Y son independientes.
En el tema 5 veremos que X e Y tienen una distribucion llamada
exponencial y que la v.a. suma X + Y tiene una distribucion
llamada gamma
Transformacion de vectores aleatorios
Las operaciones entre variables aleatorias se pueden escribir como
transformaciones de vectores aleatorios.
Ejemplo: Suma y Resta de variables aleatorias
Dadas las variables aleatorias X
1
y X
2
, las tambien variables aleatorias
X
1
+ X
2
y X
1
X
2
pueden escribirse como una funci on g = (g
1
, g
2
) de R
2
en R
2
como:
g: R
2
R
2
(X
1
, X
2
) g(X
1
, X
2
) = (X
1
+ X
2
, X
1
X
2
)
es decir, g
1
(X
1
, X
2
) = X
1
+ X
2
y g
2
(X
1
, X
2
) = X
1
X
2
.
(X
1
, X
2
) y g(X
1
, X
2
) son vectores aleatorios
Caso continuo, con transformaciones continuas y
diferenciables
Dadas las v.a. continuas X
1
y X
2
con funcion de densidad conjunta f
X
1
,X
2
,
y las transformaciones continuas y diferenciables g
1
(x
1
, x
2
) y g
2
(x
1
, x
2
), las
v.a. transformadas Y
1
= g
1
(X
1
, X
2
) e Y
2
= g
2
(X
1
, X
2
) tienen funcion de
densidad dada por:
f
Y
1
,Y
2
(y
1
, y
2
) = f
X
1
,X
2
(g
1
(y
1
, y
2
))
dx
dy
,
con
g = (g
1
, g
2
)
y
dx
dy
dx
1
dy
1
dx
1
dy
2
dx
2
dy
1
dx
2
dy
2

Suma de v.a. continuas
Para sumar las v.a. continuas X
1
y X
2
con funcion de densidad conjunta
f
X
1
,X
2
, consideramos las transformaciones continuas y diferenciables
g
1
(x
1
, x
2
) = x
1
+ x
2
= y
1
y g
2
(x
1
, x
2
) = x
2
= y
2
.
despejamos x
1
y x
2
: x
1
= y
1
y
2
, x
2
= y
2
hallamos el Jacobiano:
dx
dy
1 1
0 1
= 1
calculamos la densidad conjunta:
f
Y
1
,Y
2
(y
1
, y
2
) = f
X
1
,X
2
(y
1
y
2
, y
2
) (1)
la densidad de la suma X
1
+ X
2
es:
f
X
1
+X
2
(y
1
) =
_
R
f
X
1
,X
2
(y
1
y
2
, y
2
) dy
2
Ejercicio:
Calcular la distribucion de la variable aleatoria diferencia X
1
X
2
.

1 4 Vectores

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

1 4 Vectores

Încărcat de

Drepturi de autor:

Formate disponibile

4.

Estadstica (Aurora Torrente) 4. Vectores aleatorios Curso 2009-2010 30 / 32

S-ar putea să vă placă și