Tema8b ud3
-
Upload
jacinto-gonzalez-pachon -
Category
Documents
-
view
418 -
download
0
Transcript of Tema8b ud3
Probabilidades y Estadística I
Esquema inicial
1. Variables aleatorias bidimensionales. Distribución conjunta 2. Distribuciones marginales 3. Distribuciones condicionadas 4. Independencia 5. Momentos 6. Teorema de Bayes 7. Reproductividad de v. aleatorias
Probabilidades y Estadística I
3. Distribuciones condicionadas (1/6)
EJEMPLO
La variable X representa la proporción de errores tipo A que existen en un documento, mientras que la variable Y representa la proporción de errores tipo B. En ese documento existen otros tipos de errores como el C, el D etc...La falta de información sobre el estudio nos lleva a que la distribución conjunta del vector (X, Y) sigue una distribución uniforme.
El 75% de los errores son de tipo B Y=0.75
X | Y=0.75
Probabilidades y Estadística I
3. Distribuciones condicionadas (2/6)
Variable aleatoria bidimensional discreta
Sea 0y un número real tal que 2 0( ) 0p y > . Se denomina función de probabilidad de X condicionada al 0Y y= , y se denota por 0( )p x y| , a la siguiente función real de variable real.
00
2 0
( , )( )( )
p x yp x yp y
=|
00
1 0
( , )( )( )
p x yp y xp x
=|
{ }0
0( )y Rg Y
p x y∈
| { }0
0( )x Rg X
p y x∈
|FAMILIAS
Probabilidades y Estadística I
3. Distribuciones condicionadas (3/6)
Variable aleatoria bidimensional continua
Sea 0y un número real tal que 2 0( ) 0f y > . Se denomina función de densidad de X condicionada al 0Y y= , y se denota por 0( )f x y| , a la siguiente función real de variable real.
00
2 0
( , )( )( )
f x yf x yf y
=|
00
1 0
( , )( )( )
f x yf y xf x
=|
{ }0
0( )y Rg Y
f x y∈
| { }0
0( )x Rg X
f y x∈
|FAMILIAS
Probabilidades y Estadística I
3. Distribuciones condicionadas (4/6)
EJEMPLO
0000
2 0 0
1 0 1( , ) 2 1( )( ) 2(1 )
0
si x yf x y yf x yf y y
resto
≤ ≤ − −= = = −
|
0 , 12
( , ) 10 en el resto
x ysi
f x y x y ≤ ≤ = + ≤
1
2
2(1 ) 0 1( ) 2
0
y
o
y yf y dx
resto
− − ≤ ≤= =
∫
Probabilidades y Estadística I
3. Distribuciones condicionadas (5/6)
Relaciones entre los tres tipos de distribuciones asociadas a un vector aleatorio bidimensional
CONJUNTA = MARGINAL × CONDICIONADA
Esta clase de relación se obtiene en los tres escenarios en donde se desarrolla el contenido de esta asignatura: • Estadística Descriptiva: • •
i jij i j j if f f f f= × = ×
• Probabilidades con Álgebra de Boole: ( ) ( ) ( ) ( ) ( )P A B P A P B A P B P A B∩ = × = ×| | • Variables aleatorias: 1 2( , ) ( ) ( ) ( ) ( )f x y f x f y x f y f x y= =| |
Probabilidades y Estadística I
3. Distribuciones condicionadas (6/6)
Variable aleatoria bidimensional mixta
( , )X Y ∈ 2R
X es discreta y Y es continua
1( ) ( )p x f y x× | 2 ( ) ( )f y p x y× |
DISTRIBUCUÓN CONJUNTA
Probabilidades y Estadística I
Esquema inicial
1. Variables aleatorias bidimensionales. Distribución conjunta 2. Distribuciones marginales 3. Distribuciones condicionadas 4. Independencia 5. Momentos 6. Teorema de Bayes 7. Reproductividad de v. aleatorias
Probabilidades y Estadística I
4. V. aleatorias independientes (1/2)
( )f x y| = 1( )f x ∀y ⇔ ( )f y x| = 2 ( )f y ∀x
DEFINICIÓN 1
DEFINICIÓN 2
1 2( , ) ( ) ( )f x y f x f y= × 1 2( , ) ( ) ( )F x y F x F y= ×
• Estadística Descriptiva: • •ij i jf f f= ×
• Probabilidades con Álgebra de Boole: ( ) ( ) ( )P A B P A P B∩ = ×
Probabilidades y Estadística I
4. V. aleatorias independientes (2/2)
EJEMPLO
4 0 , 1( , )
0xy si x y
f x yresto
≤ ≤=
1
2 0 1( )
0x si x
f xresto
≤ ≤=
2
2 0 1( )
0y si y
f yresto
≤ ≤=
[ ] [ ] [ ],P a X b c Y d P a X b P c Y d≤ ≤ ≤ ≤ = ≤ ≤ × ≤ ≤
Probabilidades y Estadística I
Esquema inicial
1. Variables aleatorias bidimensionales. Distribución conjunta 2. Distribuciones marginales 3. Distribuciones condicionadas 4. Independencia 5. Momentos 6. Teorema de Bayes 7. Reproductividad de v. aleatorias
Probabilidades y Estadística I
Momentos centrados en el origen
5. Momentos (1/3)
[ ]( , ) ( , ) ( , )x y
E g x y g x y p x y=∑∑Caso discreto
Caso continuo [ ]( , ) ( , ) ( , )E g x y g x y f x y dx dy+∞ +∞
−∞ −∞
= ∫ ∫
, [ ]k lk l E x yα =
Momentos centrados en la media ( ) ( ), 1, 0 0,1
k l
k l E x yµ α α = − −
Probabilidades y Estadística I
Momentos destacados
5. Momentos (2/3)
1,0 [ ] XE Xα µ= = 0,1 [ ] YE Yα µ= =
[ ] 22, 0 XVar Xµ σ= = [ ] 2
0, 2 YVar Yµ σ= =
1,1 ( , )Cov X Yµ =cov( , )
X y
X Yρσ σ
=
Probabilidades y Estadística I
Propiedades
5. Momentos (3/3)
[ ] [ ] [ ]E aX bY aE X bE Y+ = +a)
2 2( ) ( ) ( ) 2 cov( , )Var aX bY a Var X b Var Y ab X Y+ = + +b)
BAJO INDEPENDENCIA
c) [ ] [ ] [ ]cov( , )X Y E XY E X E Y= −
[ ] [ ] [ ]E XY E X E Y=d)
cov( , ) 0X Y = 2 2( ) ( ) ( )Var aX bY a Var X b Var Y+ = +
Probabilidades y Estadística I
Esquema inicial
1. Variables aleatorias bidimensionales. Distribución conjunta 2. Distribuciones marginales 3. Distribuciones condicionadas 4. Independencia 5. Momentos 6. Teorema de Bayes 7. Reproductividad de v. aleatorias
Probabilidades y Estadística I
6. Teorema de Bayes
a) Caso 1: X e Y discretas 1
1
( ) ( )( )
( ) ( )x
p y x p xp x y
p y x p x=∑
b) Caso 2: X e Y continuas 1
1
( ) ( )( )
( ) ( )f y x f x
f x yf y x f x dx
=∫
c) Caso 3: X discreta e Y continua 1
1
( ) ( )( )
( ) ( )x
f y x p xp x y
f y x p x=∑
d) Caso 4: X continua e Y discreta 1
1
( ) ( )( )
( ) ( )p y x f x
f x yp y x f x dx
=∫
Probabilidades y Estadística I
Esquema inicial
1. Variables aleatorias bidimensionales. Distribución conjunta 2. Distribuciones marginales 3. Distribuciones condicionadas 4. Independencia 5. Momentos 6. Teorema de Bayes 7. Reproductividad de v. aleatorias
Probabilidades y Estadística I
7. Reproductividad (1/3)
1( , )X n pβ∼Caso 1: Binomial
BAJO INDEPENDENCIA
2( , )Y n pβ∼
1 2( , )X Y n n pβ+ ∼ +
Caso 2: Binomial negativa 1( , )X N n pβ∼ 2( , )Y N n pβ∼
1 2( , )X Y N n n pβ+ ∼ +
Probabilidades y Estadística I
7. Reproductividad (2/3)
1( )X P λ∼Caso 3: Poisson
BAJO INDEPENDENCIA
2( )Y P λ∼
1 2( )X Y P λ λ+ ∼ +
Caso 4: Normal 1 1( , )X N µ σ∼
2 21 2 1 2( , )X Y N µ µ σ σ+ ∼ + +
2 2( , )Y N µ σ∼
Probabilidades y Estadística I
7. Reproductividad (3/3)
1( , )X Erlang k λ∼Caso 5: Erlang
BAJO INDEPENDENCIA
2( , )Y Erlang k λ∼
1 2( , )X Y Erlang k k λ+ ∼ +