Beruflich Dokumente
Kultur Dokumente
CONJUNTAS
Unidad # 5
Materia: Estadística
Profesora: Gina Verónica Ochoa Jara
FACULTAD DE CIENCIAS
NATURALES Y MATEMÁTICAS
411
• X: W → R2
• f: R2 → R tal que:
• f(x y) = P(X = x, Y = y)
Marginal de X y Marginal de Y
• Si XT = (X Y) es un Vector Aleatorio Bivariado Discreto
con Distribución Conjunta f, entonces la Distribución de
Probabilidades fX de X se denomina Distribución Marginal
de X y la Distribución de Probabilidades fY de Y se
denomina Distribución Marginal de Y y son dadas por:
fX(x) = P(X = x) = f (x y)
toda y
fY(y) = P(Y = y) = f (x y)
toda x
416
• f(x y) = k(x + y)
• con Soporte S = {(x y) | x = 1; 2; 3 y = 1; 2}
f(x y) = P(X = x, Y = y)
5/21
1/4
4/21
1/5 3/21 4/21
3/20 3/21
2/21
1/10
1/20
2
0
1 1
2
3
421
• P(Y < 2) = ?
• P(Y < 2) = P(X = 1, Y = 1) + P(X = 2, Y = 1)
+ P(X = 3, Y = 1) = 9/21 = 3/7
1 2x + 3
f X (x ) = (x + y) =
21 21
Y =1
• La marginal de Y es:
3
3y + 6
f Y (y) =
X =1
1
21
(x + y) =
21
Variable X
Variable Y Marginal de Y
1 2 3
f(x y) = 1
toda X todaY
424
Distribución Acumulada F
• Para cualquier Vector, Continuo o Discreto XT = (X Y) se
define la Distribución Acumulada F tal que:
• F(1 2)
• F(1 2) = P(X 1, Y 2)
• = f(1 1) + f(1 2)
• =P(X=1 , Y =1)+P(X=1 , Y =2)
• = 2/21+3/21=5 / 21
428
• F(3 2)
• F(3 2) =P(X 3, Y 2)
• = f(1 1) + f(1 2) + f(2 1) + f(2 2) + f(3 1) + f(3 2)
• = P(X=1,Y =1)+ P(X=1,Y =2)+ P(X=2,Y =1)
+ P(X=2,Y =2) +P(X=3,Y =1) +P(X=3,Y =2)
• =2/21+3/21+3/21+4/21+4/21+5/21
• =1
429
Aleatorios
• Sea para el caso discreto o para el continuo:
t1 x + t 2 y tT x
E[u(x y)] = E [ e ] = E[ e ] = MX(t1 t2) = MX(t)
• Esto es,
• cov(X,Y) = xy = E[(X - x)(Y - y)]
Variables
ij > 0 ij < 0
ij = 0
ij = 0
438
Variables
• Ejemplo. En el ejercicio anterior establecimos que el
vector bivariado X es un Vector Aleatorio Discreto con
Distribución:
1
f(x y) = (x + y)
21
Variables
441
Variables Variable Y
Variable X Marginal de
Y
1 2 3
Variables Variable Y
Variable X Marginal de
Y
1 2 3
Variables
444
Variables
• De aquí obtenemos:
445
Variables
• El Coeficiente de Correlación entre X e Y es
446
Variables
• Teorema 5.2. Si X e Y son Variables Aleatorias, Discretas
o Continuas, con Desviaciones Estándar x y y
respectivamente, al mismo tiempo que , son
constantes reales, entonces,
Variables
• Prueba.
Independencia de Variables
…viene
Aleatorias
• Si X e Y son Estocásticamente Independientes,
E(XY) = E(X)E(Y)
cov(X , Y) = 0;
450
Independencia de Variables
…viene
Aleatorias
• Si la Cov(X , Y) = 0 no necesariamente significa que X e
Y son estocásticamente independientes, ya que bien
podría existir Dependencia no Lineal entre ellas y por
tanto ser dependientes.
451
Independencia de Variables
…viene
Aleatorias
• Ejemplo. Sean X e Y Variables Aleatorias Discretas que
conforman el Vector Aleatorio Bivariado XT = (X Y) cuya
Distribución de Probabilidades Conjunta es:
Independencia de Variables
…viene
Aleatorias
• Con la Distribución Conjunta dada, se desprende que:
1
P(X = 0) = P(X = 1) = P(X = 2) =
3
• además,
1 2
P(Y = 0) = ; y, P(Y = 1) =
3 3
• de donde,
1 1 2 2
P(X = 0, Y = 1) = P(X = 0)·P(Y = 1) = =
3 3 3 9
• Por lo que concluimos que X e Y no son
Estocásticamente Independientes, ya que f(x y)fx(x) fy(y).
453
Independencia de Variables
…viene
Aleatorias
• Además, 2
µx = 1; µy =
3
• Por lo que,
Independencia de Variables
…viene
Aleatorias
• Supóngase que el Vector Bivariado XT = (X Y) es tal que las
Medias x y y y Varianzas 𝜎𝑥2 y 𝜎𝑦2 de X y de Y existen. La
cov(U,V), siendo U y V son Variables Aleatorias
Estandarizadas, lo que significa que u = v = 0 y 𝜎𝑢2 = 𝜎𝑣2 = 1,
bajo estas condiciones:
Independencia de Variables
…viene
Aleatorias
• Caso de Excepción
• Si X e Y son Variables Aleatorias Normales y
cov(X,Y) = 0, entonces, X e Y son independientes.
456
Distribuciones Condicionales
…viene
Discretas
• Ejemplo. Sea XT = (X Y) un Vector Aleatorio Bivariado tal
que su Distribución de Probabilidades es:
• fy|x (y | x) = ?
458
Distribuciones Condicionales
…viene
Discretas
1
f(x y) = (x + y) S = {(x y) | x = 1; 2; 3 y = 1; 2}
21
• Además ya hemos determinado La Marginal de Y, esto es
fy(y)
• Entonces:
459
Distribuciones Condicionales
…viene
Discretas
• Tabulemos la Distribución Condicional de X dado Y
evaluando en la distribución condicional obtenida.
Variable X
Variable Y Total
1 2 3
1 f x|y = 1 2/9 3/9 4/9 1
2 f x|y = 2 3/12 4/12 5/12 1
460
Distribuciones Condicionales
…viene
Discretas
1
f(x y) = (x + y) S = {(x y) | x = 1; 2; 3 y = 1; 2}
21
• Además ya hemos determinado La Marginal de Y, esto es
fx(x)
• Entonces:
461
Distribuciones Condicionales
…viene
Discretas
• Tabulemos la Distribución Condicional de Y dado X
evaluando en la distribución condicional obtenida.
Variable X
Variable Y
1 f y|x = 1 2 f y|x = 2 3 f y|x = 3
1 2/5 3/7 4/9
2 3/5 4/7 5/9
Total 1 1 1
462
Media Condicional
• Si nos pidieran determinar la Media Condicional de X
dado Y = 1, x+y
f x|y (x | y) =
3y + 6
• La Media de X dado Y = 1
463
Varianza Condicional
• Si nos pidieran determinar la Varianza Condicional de X
dado Y = 1,
464
Referencias Bibliográficas
• ZURITA, G. (2010), “Probabilidad y Estadística,
Fundamentos y Aplicaciones”, Segunda Edición,
Ediciones de la Facultad de Ciencias Naturales y
Matemáticas ESPOL, Guayaquil, Ecuador.