Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
4. Modelos Multivariantes Curso 2011-2012 Estadística Distribución conjunta de variables aleatorias 3Modelos Multivariantes Definiciones (v. a. discretas) � Distribución de probabilidad conjunta de dos variables aleatorias X, Y � Función de distribución conjunta: �� � � � === ∀≥== == � � ∞= −∞= ∞= −∞= � � � � ����� ������� ����� ����� ������ ��� ������ ���������� ≤≤= 4Modelos Multivariantes Lanzamiento de dos dados 1 2 3 4 5 6 1 1/36 1/36 1/36 1/36 1/36 1/36 2 1/36 1/36 1/36 1/36 1/36 1/36 3 1/36 1/36 1/36 1/36 1/36 1/36 4 1/36 1/36 1/36 1/36 1/36 1/36 5 1/36 1/36 1/36 1/36 1/36 1/36 6 1/36 1/36 1/36 1/36 1/36 1/36 �� � � �� �� ����� X = “ Resultado de dado ROJO” Y = “ Resultado de dado AZUL” Distribución conjunta de probabilidad P ( X=i , Y=j ) =1/36, (i,j de 1 a 6) 5Modelos Multivariantes Ejemplo S : SUMA DE DOS DADOS 2 3 4 5 6 7 8 9 10 11 12 0 1/36 1/36 1/36 1/36 1/36 1/36 1 1/18 1/18 1/18 1/18 1/18 D : DIFERENCIA 2 1/18 1/18 1/18 1/18 DE DOS DADOS 3 1/18 1/18 1/18 4 1/18 1/18 5 1/18 ������������������� �� � ������� ��������������������� ���� ������!"����������� ����� �! � ����� ������#������� ��� �����!� � ��� ��� ���!#�$��% �&!� ��'��(�)���(��� 6Modelos Multivariantes Distribuciones Marginales S : SUMA DE DOS DADOS 2 3 4 5 6 7 8 9 10 11 12 0 1/36 1/36 1/36 1/36 1/36 1/36 6/36 1 1/18 1/18 1/18 1/18 1/18 10/36 D : DIFERENCIA 2 1/18 1/18 1/18 1/18 8/36 DE DOS DADOS 3 1/18 1/18 1/18 6/36 4 1/18 1/18 4/36 5 1/18 2/36 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 *��+����� ��� *��+����� ��� 7Modelos Multivariantes Distribuciones Marginales � � ∞= −∞= ∞= −∞= ==== ==== � � � � �������� �������� ����� ����� 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0,16 0,18 1 2 3 4 5 6 7 8 9 10 11 12 13 �!"�� �� �� � � 8Modelos Multivariantes Distribuciones condicionadas S : SUMA DE DOS DADOS 2 3 4 5 6 7 8 9 10 11 12 0 1/36 1/36 1/36 1/36 1/36 1/36 6/36 1 1/18 1/18 1/18 1/18 1/18 10/36 D : DIFERENCIA 2 1/18 1/18 1/18 1/18 8/36 DE DOS DADOS 3 1/18 1/18 1/18 6/36 4 1/18 1/18 4/36 5 1/18 2/36 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 D | S = 8 0 1/5 1 0 2 2/5 3 0 4 2/5 5 0 1 ��� ���!#�$�� ����� ������#��� �� ���� �� � ��# � �#� �� ���� ,!������!"�����-� '�� (���.��(-��(�'��(����(-��/�'��(-� 9Modelos Multivariantes Independencia P(X=i, Y=j) = P( X= i ) × P( Y= j ) �� ����� 1 2 3 4 5 6 1 1/36 1/36 1/36 1/36 1/36 1/36 2 1/36 1/36 1/36 1/36 1/36 1/36 3 1/36 1/36 1/36 1/36 1/36 1/36 4 1/36 1/36 1/36 1/36 1/36 1/36 5 1/36 1/36 1/36 1/36 1/36 1/36 6 1/36 1/36 1/36 1/36 1/36 1/36 �� � � �� Las variables aleatorias � � son independientes si y sólo si 10Modelos Multivariantes Variables aleatorias continuas �#!"0���,!� # �&!� ��� ���� � � ��!�#�$������������� ������ ��� ��������� ���� �� � � � ��� �=≤≤≤≤ �����1 �������� = ∀≥ � � ∞ ∞− ∞ ∞− ������� ����� �� �� 11Modelos Multivariantes Variables aleatorias continuas � Función de distribución � Funciones de densidad marginales � �∞− ∞− = � � ���� ���������� ������ � � ∞ ∞− ∞ ∞− = = ������� ������� ��� ��� ����� ����� 12Modelos Multivariantes Las variables aleatorias X, Y tienen como función de densidad conjunta ������2��� 1 <<<<= ��������� 1 1 3 � � 1 � � � 1 � � � 1 � � 1 1 � �� � � � 2 1� � �� 2 � 2 4 3� *��+������ � � 2 1 � � � � � 2 3 � � � � � � � � � � � � � � � �� ���� � � � � � �� ���� �� ���� � � �� �� � � � � �� �� � � + ≤ − ≤ ≤ = = + ≤ = = = = = < < = = < < � � �� � � � � � )�(��5� 13Modelos Multivariantes Independencia � ����$� ������� ���� �0�� ��� �������� ������������������ ���������� ��� � � ���� = � � � � � <<= <<= �<<<<= ���3�� ���1�� ������2����� 1 1 ���� ���� ������� � � �� 6� �0�� ��� �� � � � � � <<−== <<== �≤≤≤= � � ����� +� � �� ���� � �� ��� � ����1 � � ���� � �� ��� � �� �� � ��� �� � � �� 7 ��� �0�� ��� ��� �� � � 14Modelos Multivariantes Funciones de densidad condicionadas . . � � � � . � � #!�� � � � � � � � � � � . � � #!�� � � � � � � �� � � � � �� � � � � � � � � � � � � � � � � � � � � � � � � = > = > 15Modelos Multivariantes Independencia -II 1 1 1 . 1 � � 1 � � � �� � � � 2 � � �� � � � � 3 � � � 2 � . � 1 � � � 3 � �� � � � � � � � � � � �� � � � � � � �� � � � � � � = < <� � = < < < < � � � = < <� = = < < 6� �0�� ��� �� �� � ��� �� �� ��� ���� � �� ��� � �� �� � ��� �� �� � � � � �� ≤≤= ≤≤−= � � � � � <<−== <<== �≤≤≤= � � �� � �.� �� �� +� � �.� ����� +� � �� ���� � �� ��� � ����1 . . � � 7 ��� �0�� ��� �� 16Modelos Multivariantes Independencia -III ��������� ��������� � � ��� ��� = = . . ����$� ������� ���� �0�� ��� �������� ������������������ . . 17Modelos Multivariantes Ejemplo � � � >+ ≤+ = 111 111 �� � ��� ��� ��� ��� ����� � �� � ������� � �� �� � ≤≤−−= = = = � � −+ −− ∞ ∞− � 1 � ������1 � � �� 11 1 1 1 11 11 π π π 18Modelos Multivariantes Ejemplo (cont.) 1111 11 . 11 1 1 � 1 � �� ��� �.��8 � 1 � ������3 11 11 ����� ���� ��� ��� ����� � �� � ������� � �� �� �� � −≤≤−− − == ≤≤−−= = = � � −+ −− ∞ ∞− π π ����� ��������� 19Modelos Multivariantes Independencia � ����$� ������� ���� �0�� ��� �������� ������������������ ���������� ��� � � ���� = � � � � � <<= <<= �<<<<= ���3�� ���1�� ������2����� 1 1 ���� ���� ������� � � �� 6� �0�� ��� �� � � � � � � � ≤≤−−= ≤≤−−= � �� � � � >+ ≤+ = ����� � �� ����� � �� ��� ��� ���� � � � 1 �� � 1 �� �� � � ����1 11 1 11 1 111 111 1 π π π 7 �6� �0�� ��� �� 20Modelos Multivariantes Esperanza de g(X,Y) � � � � ∞ ∞− ∞ ∞− ∞= −∞= ∞= −∞= = === ��������������� ��� ��� � �� ������������� ��� ��� � �� �� � � � � ������ �# " �����!�#�$������ ����0������ � ���������# � ��!�������� ��������� �������������� ������ �# " �����!�#�$������ ����0������ � ��������� ��#�� �������� ��������� �������������� 21Modelos Multivariantes Propiedades de E[g(X,Y)] ( ) 9:;<9:=<;<9:= �9&�"0� �<�:�<�: �������� ���������� ������ ��� #!"0��������;�+�=���� 1� 1� 1� 1� 1�1� 1� +=+ += += � � � +� � � = += +=+ += �� � �� � � �� � � � ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ������ ������������ ������������������ ���������� ����������� � ������� ������������������� ������� �� ���� ���� �� 22Modelos Multivariantes Covarianza ( ) � � ���������� ��������������� ������� ��������� �� ����� �� � � �� �� �� == −−= −−= � � ∞ ∞− ∞ ∞− y donde :como define se y por denota se , aleatorias variables dos de covarianza La �� ==−−= −−= � � ������ �� ������������� ������� ��������� �� ��� :discretas son sv.a' las Si 23Modelos Multivariantes Propiedades de la covarianza � �� ����� > ����� �������� �������� >!�� ��"�� � !����� " !����� " # ����� �� ���# ������������!���"� � �� ����� �0�� ��#������������ ��� ���� ������������������������������� �� ������� ���� �� ���������� ( ) ( ) ( ) ��� �� � =−−= −−= −−= � � � � � � ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ���������������� ���������������� ��������������� ����� �� ���� ���� �� 24Modelos Multivariantes Medias y Matriz de Varianzas � � � � � = �� �� � = �� �� � = 1 1 <: ���������� ��*� ��� <: "� ���� �?�# �� @����� �� ?�# �� ��� ��� � � $!�� $� � � σσ σσ µ µ � � � ���������������� �����# ���!�#�$�� �� ���� � �# �&!� �� � �� �� ��� <:<�:��� <:<�:��� 1 1 ����� �!������� �!������� �� ��� ��� = ==→ ==→ σ σµ σµ 25Modelos Multivariantes Correlación � ���� ��� # " ������ ���� ����������� ���� �����# �����#�$� ���# ���#��� � �������� �!���!�� ����� �� �� � � =ρ ρ� �� ����� > 5��≤ ρ�� �� ≤ A� > ���� ��� � ���� �0�� ��� ������ �#���ρ�� �� � %� > � � � " � � ⇔ ρ�� �� � & ��'%� � ρ�� �� � & ��(%� 26Modelos Multivariantes n variables aleatorias �� ���� )� �����1� '����B�#���#C�#!� � ��0� ������ � ��� ��!���!#�� ������� ,!���� �����+�������������������� �����=���=1�������=����� 0��#�� �# � #������ �� ���!#�$�� ��0� ������ � �# �&!� �� ������������������ ��# � ��!�������"0��������!�#�$�� �� ���� � �# �&!� � � � � � � � � � � � � = )� � � � 1 � � ) � � � )) ) �*�*�****����� ���� ) ) �� 1�1�1� 1� � � ���������������� ����������# �&!� �$�� �� ���!#�� ��!�#�$������� � � �∞− ∞− ∞− − = �� � 27Modelos Multivariantes Vector de variables aleatorias ) � � � )) ) ) ) �*�*�****����� ���� ���� )��� ) ) �� 1�1�1� 1� 1� 1� � � ���������������� ����������# �&!� �$�� �� ���!#�� ��!�#�$�����0 ��� ����������# �&!� �� ���� � � ��!�#�$���!� 0 ���� �#���# �����������# �&!� ��� 0� ������ � �$�� �� ���!#��!� # � ��!��������� �����# ���% �&!� �������� � � �∞− ∞− ∞− − = →= �� � � � 28Modelos Multivariantes Distribuciones marginales ))�� �� ) ������������ �� )��� �� 1�1� � 1� ���������� ������=� ��"��+����� ���� � � ��!�#�$����� � # � ��!��������� �����# ���% �&!� �������� � � � ∞ ∞− ∞ ∞− ∞ ∞− = →= � � D ���"�� ���� ))���� ������ ������������� ��� �� �� 1�1� ����������� ��������� ��"��+����� ���� � � ��!�#�$����� � � � ∞ ∞− ∞ ∞− ∞ ∞− = � D ���"�� ���� � �� 29Modelos Multivariantes Esperanza 1�1��11� 1�1�1�1� 1�1� 1�1�1� 1� ������ ������������<��: �� ��������<: � �" � ������C#���9� �����������������<�: ���������+�� ��9�0������ ���������� ����������������� ����� ������������� ���������������� ���� )) ���� ))�� ))) ) � � � � � � � � � � � � ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− ∞ ∞− = = = = = = �� �� �� � � �� � 30Modelos Multivariantes Vector de Medias y Matriz de Varianzas �� � � � ≠= = → � � � � � � � � � � � = � � � � � � � = = = → � � � � � � � � � � � = →= ������� �!�� !�� �� �� �� � )��� ���� �� ))) ) ) ))) + ) σ σ σσσ σσσ σσσ µ µ µ µ µ µ ��� �� <: <: <: <: <: ���� ������������� �?�# ����������� 1 1 1� 1 1 1�1 ��1 1 � 11 �� 1 � 1� � ���� � � �� � � � 31Modelos Multivariantes Independencia ������ ����$� ����� �� ���� �0�� ��� ������������� ������������������ 11��1� 1� �������������� ���� � �� ))) ) �= 32Modelos Multivariantes Transformaciones Lineales )) )) + ) + ) ������ ������� )��� )��� µµµ +++== =+++= →= →= � � 11�� 11�� 1� 1� <:<: # �� �� ���� �?�# ����������� ���� ���������������� �?�# ����������� �� �� � � � � ( ) � � � � � � � � � � � � � � � � � � � � � � == )))) ) ) ) � � � ���!���!�� � � ���� � � � 1 � 1 1� 1 1 1�1 ��1 1 � 1�<:<: σσσ σσσ σσσ ��� � 33Modelos Multivariantes Transformaciones Lineales Caso General � � � � � � � � � � � � � � � � � � � � � � � � � � � � � � � � � = = =→= � � � � � � � � � � � � � � � � � � � � � � = � � � � � � � � � � � ×→ � � � � � � � � � � � = →= ,))) , , ))) ) ) ,),, ) ) + ),),, ) ) , ,),, ) ) + ) ��� ��� ��� ��� ��� ��� !���!�� ��� � � � ��� ��� ��� � � � ), ��� ��� ��� )��� � ���� � � � ���� � � � ���� � � � � ���� � � � � ���� � � 1� 111�1 �1��� 1 1� 1 1 1�1 ��1 1 � 1� 1111� ��1�� 1 � 1� 1111� ��1�� 1 � 1� 1111� ��1�� 1� <:<: <:<: # �� �� ���� ��*� ��� ���� ���������������� �?�# ����������� σσσ σσσ σσσ ��� ���� � � 34Modelos Multivariantes Transformaciones Lineales (Independencia) ( ) 111 1 1 1 1 � 1 � 1 � 1 1 1 1 � 1� 11�� 1� 1� �� �� �� <: # �� �� ���� �?�# ����������� � ���� �0�� ������� ���������������� �?�# ����������� )) )) ) )) + ) + ) ��� � � � ����!�� ������� )��� )��� σσσ σ σ σ +++= � � � � � � � � � � � � � � � � � � � � � � = +++= →= →= � � � ���� � � � � � � 35Modelos Multivariantes Ejemplo: %��#!�������"� ����������������� ������!"�� ���1����������� ���� ������� �0�� ��� ���# �� �� ���!#�$��!��� �"���������� �<:<: 2<:<: ���� �1/�<: 1/�<: ������ �1 � �1 � �11� �1 1 � � � = = == == +++= � � � � � = = = → � � � � � � � � � � � = � � � � �� � � � $!���!�� $��� $$$� $$��� $!�� $� $)����,-$ $ $ $ $ � � 36Modelos Multivariantes Ejemplo Se dispone de n sobres con sus correspondientes cartas. Se extraen las cartas de los sobres, se sortean y se vuelven a introducir de forma aleatoria cada una en un sobre. ¿Cuál es el número esperado de cartas que coinciden con su sobre inicial? �� ��� <:<:<:<: ���#����� ����!�# ���# ��#� ����#�� ������������ ���#����� ����!�# ���# ��#� ����#�� ������������ ���# ��#� ��#� ��7E"�� � 1� 1� =+++= +++= � � � = +++=≡ ))) �������� � � � ����� ) � ) � � � � �� 37Modelos Multivariantes Ejemplo � Un proceso fabrica una proporción p de tornillos defectuosos. Se define X como la variable “número de tornillos extraídos del proceso hasta que aparecen r defectuosos”. Se pide E[X] y Var[X]. � ��� <:<:<:<: <:<:<:<: /���<: /�< � 11� 1 1 1 1 � . .� �!���!���!���!�� . � ������� ..�!�� . � �� � � � � � � � � � − =+++= =+++= � � � −= = +++= ≡ ≡ ≡ � � � 1 i 1 X E[X geométrica aleatoria variable XX defectuoso ésimo-i el aparece que hasta extraídos tornillos de Número defectuoso 2º el aparece que hasta extraídos tornillos de Número defectuoso primer el aparece que hasta extraídos tornillos de Número ����� ����� 38Modelos Multivariantes Media de n variables aleatorias independientes �� � � � = = � +++ = ∀=∀= � � � � � � � +++ = +++ = +++ = →= ) �!�� �� ) ��� � ��!���������� ) �!���!���!�� �!�� ) ������ �� ) ��� � )��� ) �� ) ) ) + ) 11� 1 1 1� 1� 1� 1� <: <: <:<:<: <: <:<:<: <: ��������� σ µ σ � � � � varianza y media misma la tienen variables las Si ntesindependie aleatorias variables de Vector� 39Modelos Multivariantes Teorema Central del Límite �� C� ����� �"������ �$�� �� ���!#�� ��!�#�$�������� 1 � � � �/��� � � ��� / 9� �#�����������������"� ��� � �� 0� ������ � �$�� �� ���!#��"��"����# ���� ���� �0�� �� ����� ��������������� ����#!��#���!������� 1/ 1� 1 1� 1 � ∞− − ∞→ =Φ +++= ∞<<∞−Φ=� � � ≤ − ∞< * � ) ) ) ��- )���� *** ) � �/�, 000 � �� π σ µ σµ � 40Modelos Multivariantes Teorema Central del Límite :(aprox.) Entonces varianza y media de adprobabilid de óndistribuci misma la con ntes,independie aleatorias variables Sea 2 � 1� ∞<σ µ ) 000 � �� ��� 1 ) 1� σ µ→ 41Modelos Multivariantes ) 5��1 � ��1 ��8 ��2 ��- � ��1 � ��4 � ��4 *� ���(���4 ?���(����- 5��1 � ��1 ��8 ��2 ��- � ��1 � � 1 3 8 4 *� ���(���4 ?���(����-/���� ��1� ��� � +++ = � �� 42Modelos Multivariantes Binomial-Poisson-Normal F�� "���� ��� ' ��� ���� λλλλ 7 �"������ µµµµ�σσσσ �� →∞→ .) ).=λ λσ λµ λ = = ∞→ ��� 1/� .). ). . ) −= = → ∞→ σ µ 43Modelos Multivariantes Aproximación Binomial-Normal n=25, p=1/2 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 44Modelos Multivariantes 0 0.02 0.04 0.06 0.08 0.1 0.12 � 4 �� �4 1� 14 3� 34 8� 84 4� Aproximación Binomial-Normal n = 50, p=0.5 45Modelos Multivariantes 7 �"�����'�=�≤ ���4� F�� "�������'�=�≤ ��� Corrección por continuidad 46Modelos Multivariantes Corrección por continuidad 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 F�� "�����������'�=�≤ ��� 7 �"����������'�=�≤���4� 47Modelos Multivariantes ���B�� "� �!���"!�� ��� ��84�0������ ��!��0� #�� �,!�������#�� !��0� "� � � ��14G� ��0�������!���� ����0�#���#�#�$�� �3 31 ��H%!C��������0� ������ � � ��,!��������"!�� ���B�����)�# �"�� �� �3����"�� �� ���# ! � �I %C�#!� ��)�# �� F�� "��� 84 � 14 84 �3 � 14 � J4 � ��� �3 �0� )�"�#�$��7 �"���� �� 14 1 � �) . 0 � ��� � 0 0 0 � 1� 0 0 → = = = = =� � � → K �3 �1 4 �3 4 � ��81 1��H%!C��������0� ������ � � ��,!�����"!�� ���# � ��+�� �3� �"C��0������ ���# ! ���I � �3 �3 �8 84 � 314 �1 4 �� 14 � �1 4 � � � � 83�� � 1 K � ��� � �� 0 � 0 � 0 � ��� � ��� � ��� � ��� � 0 0 0 2 ��� 0 � 3 � 3� 0 � 0 0 = = ≤ ≤ = ≥ = = + = + + = = ≥ = = − = � 333 48Modelos Multivariantes Aplicación a Control de Recepción 49Modelos Multivariantes Plan de muestreo simple por atributos Una compañía recibe lotes con un gran número de piezas. Según el contrato cada lote debe tener como máximo una proporción de piezas defectuosas igual pA (AQL). Un plan de muestreo simple por atributos consiste en determinar n: número de piezas muestreadas c: número máximo de piezas defectuosas en la muestra De forma que si X es el número de piezas defectuosas en la muestra se aplica la siguiente regla: x ≤ c se acepta el lote x > c se rechaza el lote 50Modelos Multivariantes Riesgos del vendedor y comprador � Riesgo del vendedor: Probabilidad de rechazar un lote bueno (con porcentaje de defectuosas igual al pA (AQL)) α=P( X > c| p = pA). � Riesgo del comprador: Probabilidad de aceptar un lote malo (con un porcentaje de defectuosas pR>> pA) β = P( X≤ c| p = pR). 51Modelos Multivariantes Planteamiento del problema 4�-5*�� 6�*- ) �2+7�8 .2� 296 α8 :�-5�� �-)�-��� .: � :96 β8 :�-5�� �,.����� 7;<�+=!78 )8 *�,�>� ,�-5*��/ 8 ,?��,� �-�- *��5�5 52Modelos Multivariantes Ecuación del vendedor ��� �% � #� �� � ������ ��� ����������F�� "���� � ��"!�� ���!������� ���# ! ���0������ ��7E"�� � � ��������� ���# ! ���0������ ��'� 0 �#�$�� � � 22 2 22 2 22 2 2 2 .). ). @ @A� .). ). .). ).� ���. �.���B .. .).).1.)� )� . − − =� ≥= − − > − − ==>= = −≈→ ≡ ≡ − − α α α % 1�% &� α @& α 53Modelos Multivariantes Ecuación del comprador ��� �% � #� �� � ������ ���� :: : :: : :: : : : .). ). @ @A� .). ). .). ).� ���. �.��� .. − − =� ≤= − − ≤ − − ==≤= = β β β β 1����� β @β � 54Modelos Multivariantes Valores de n y c ��� :: : .). ). @ − − =β ��� � 22 2 .). ). @ − − =−α ��� ������ � 1 � 222 2: ::22 .).@). .. ..@..@ ) −+= � � � � � − −−− = − − α βα 55Modelos Multivariantes ).2 ).: α β 2 -.*�� 6�*- :- C�@�� 6�*- 6�*- ;�-)� .�.2 '� ������ � � �� �#�0 ���!��� �� �!�� 6�*- 4�/� .�.: '� ������ � � �� ��#B�����!��� �� "�� 56Modelos Multivariantes Ejemplo: plan de muestreo ����L��� !�� 0���� �� "!�� �� � 0���� � ��� �� ������ !�� � ��� # �� !�� �M�� �+!��� ��� ���1�� �M�� �+!��� �� ���-�� ����+ � �� # "0�� �� �� ����� �� ��� � ��� � �� �+!���������4� 8K-���1��K324���1��K3 K3 �1���-�� K1���-��1-��K-���1��24�� 1-����������28����4���'��� 1 5� ≈××+×= ≈� � � � � − ×+× = −=�==�= ) βα βα 57Modelos Multivariantes Distribución normal multivariante �0 �� ���� ���"� �������*� ��� �������� �������� ���� 1 � �)0 �1� � �������� <:@<:@ 1� 1� � 1/�1/1� 1 1� 1 1 1�1 ��1 1 � 1 � 1 � )) ��� 4 ���� �!���� � � � � )+ ) )+ ) + )) ))) ) ) )) ×∈ ℜ∈= ℜ∈= � � � � � � −−−= � � � � � � � � � � � == � � � � � � � � � � � == � � � � � � � � � � � = − � � � µµµµ µµ π σσσ σσσ σσσ µ µ µ µ � ���� � � �� 58Modelos Multivariantes Distribución normal bivariante �� � � � � � � �� �� � − �� �� � − − �� � � � � � � � �� �� � − +�� �� � − − − − = �� � � � �� � � � � − − − =−= � � � � � =� � � � � = ℜ∈= ℜ∈= � � � � � � �� �� � − − −−−= − − 1 11 � �� 1 1 11 1 � �� 11 1� 1� 1 11� 1� 1 � 1 11 1 1 � 1 11� 1� 1 � 1 1�1 �1 1 � 1 1� 1 1� 11 ��� 11��1/�1� 1 ���1 � �)0 �1 � ��� � � ��� � ���� @ ��� ��� �� 1 � �)0 1 � ��� σ µ σ µ ρ σ µ σ µ ρρσπσ σσσ ρ σσ ρ σ ρ ρσσ σσρσ σρσσ σσ σσ µµµ µ µ µµ π �� �� ��� �� � � �� 4 ��� + + !�� � � 59Modelos Multivariantes 60Modelos Multivariantes -2 0 2 -2 0 2 rho= 0 -2 0 2 -2 0 2 rho= 0.5 -2 0 2 -2 0 2 rho= 0.9 -2 0 2 -2 0 2 rho= -0.2 -2 0 2 -2 0 2 rho= -0.5 -2 0 2 -2 0 2 rho= -0.9 61Modelos Multivariantes Propiedades � Las dist. marginales son normales N(µi, σi). � Las dist. condicionadas son normales. � ρ=0 ⇔ Las variables son independientes � Transformaciones lineales: Y = AX X es N(µµµµ, M) � Y es N(A µµµµ, AMAT) 62Modelos Multivariantes Ejemplo ( )2�� � 2 � 2 � � ��� �� 2������<: �3�1���<: I��H �� 8�� ��� ��� ���������� ��"� ������3���1��������"� ��� ��� ���� �� �"���� �"����=�=��=������� 31�31� 31� 31� 31� 31� Φ−= ≥ − = ≥= ≥−+=+≥+ � � � � � =++= =−+= →−+= +≥+ � � � � � � � = � � �� ������������ �!���!���!���!�� �� 1��,�/���� ������ �
Compartir