Beruflich Dokumente
Kultur Dokumente
Vectores aleatorios
Valor esperado
Maestra en Bioinformatica
Probabilidad y Estadstica: Clase 3
Gustavo Guerberoff
gguerber@fing.edu.uy
Facultad de Ingeniera
Universidad de la Republica
Abril de 2010
Varianza
Vectores aleatorios
Contenidos
1
Vectores aleatorios
Multinomial
Distribucion
Valor esperado
Propiedades del valor esperado
Ejemplos de valor esperado
Varianza
Propiedades de la varianza
Valor esperado
Varianza
Vectores aleatorios
Valor esperado
de Poisson
Distribucion
Definicion
Varianza
Vectores aleatorios
Valor esperado
parametro
= 10.
dpois(x, 10)
0.00
0.02
0.04
0.06
0.08
0.10
0.12
Varianza
0
10
20
x
30
40
50
Vectores aleatorios
Valor esperado
Vectores aleatorios
Consideremos k variables aleatorias, X1 , X2 , . . . , Xk , definidas
sobre . Esas variables pueden agruparse en un vector de k
componentes
X = (X1 , X2 , . . . , Xk ).
Definicion
X : Rk .
Un vector aleatorio es una funcion
Los vectores aleatorios discretos (es decir,
Observacion:
aquellos formados por variables discretas) quedan
caracterizados por los valores posibles y por sus respectivas
probabilidades conjuntas:
P(X1 = a1 , X2 = a2 , . . . , Xk = ak ),
donde (a1 , a2 , . . . , ak ) es un vector de valores posibles.
Varianza
Vectores aleatorios
Valor esperado
Varianza
de en k sucesos o
Ejemplo: Consideremos una particion
categoras, {C1 , C2 , . . . , Ck }, con P(Ci ) = pi , para cada
i = 1, 2, . . . , k . Obviamente p1 + p2 + . . . + pk = 1.
Consideremos el experimento aleatorio que consiste en tomar
un elemento al azar de y ver a que categora pertenece.
Repetimos n veces de manera independiente ese experimento
y denotamos:
X1 = Cantidad de resultados en C1
X2 = Cantidad de resultados en C2
...
Xk
...
= Cantidad de resultados en Ck
Vectores aleatorios
Valor esperado
Varianza
Multinomial
Distribucion
El conjunto de valores posibles para cada una de las variables
es {0, 1, 2, P
. . . , n}. Sin embargo las variables deben cumplir la
k
condicion:
i=1 Xi = n.
Si (m1 , m2 , . . . , mk ) es un vector
P tal que mi {0, 1, 2, . . . , n},
para cada i = 1, 2, . . . , k, y ki=1 mi = n, entonces:
P(X1 = m1 , X2 = m2 , . . . , Xk = mk ) =
n!
pm1 pm2 . . . pkmk .
m1 !m2 ! . . . mk ! 1 2
Definicion
Decimos en tal caso que el vector aleatorio X = (X1 , X2 , . . . , Xk )
Multinomial de parametros
tiene distribucion
n y p 1 , p2 , . . . , pk .
Vectores aleatorios
Valor esperado
Definicion
Decimos que las variables X e Y son independientes si se
cumple:
P(X = ai , Y = bj ) = P(X = ai )P(Y = bj )
para cada i = 1, 2, . . . m, j = 1, 2, . . . , n.
A la probabilidad que aparece del lado izquierdo se le llama
probabilidad conjunta y a las que aparecen del lado derecho
probabilidades marginales.
Varianza
Vectores aleatorios
Valor esperado
Varianza
Valor esperado
Notemos que las marginales se pueden calcular a partir de la
conjunta; por ejemplo:
P(X = a) =
n
X
P(X = a, Y = bj ).
j=1
Definicion
El Valor Esperado de X se define de la siguiente manera:
E(X ) =
r
X
i=1
ai P(X = ai ).
Vectores aleatorios
Valor esperado
Varianza
Vectores aleatorios
Valor esperado
y ademas:
E(XY ) =
m X
n
X
ai bj P(X = ai , Y = bj ).
i=1 j=1
E(XY ) =
m X
n
X
ai bj P(X = ai )P(Y = bj )
i=1 j=1
m
X
ai P(X = ai )
i=1
= E(X )E(Y )
n
X
j=1
bj P(Y = bj )
Varianza
Vectores aleatorios
Valor esperado
Varianza
Vectores aleatorios
Valor esperado
Varianza
Definicion
La Varianza de una variable aleatoria X se define de la
siguiente manera:
var (X ) = E(X E(X ))2 .
de
La varianza es un numero
positivo que mide la dispersion
Varianza
Vectores aleatorios
Valor esperado
Propiedades
Propiedades de la varianza:
1) Si X es una variable aleatoria y R entonces:
var (X ) = 2 var (X ).
2) Si X e Y son variables aleatorias independientes
entonces: var (X + Y ) = var (X ) + var (Y ).
Varianza