Cii2751 Clase3 Distribuciones Continuas Importantes
-
Upload
flor-depastel -
Category
Documents
-
view
222 -
download
0
Transcript of Cii2751 Clase3 Distribuciones Continuas Importantes
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
1/54
Clase 3
Curso: Inferencia Estadística (CII-2751)Prof: Paula Fariña
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
2/54
ALGUNAS DISTRIB. CONTINUAS IMPORTANTES: NORMAL
X ∼N (µ, σ 2)
f (x ) = 1√ 2πσ 2 e
−12 (
x − µσ
)2
−4 −2 0 2 4
0 . 0
0 . 1
0 . 2
0 . 3
0 . 4
z1
p z
1
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
3/54
DISTRIBUCIÓN NORMAL
E (X ) = µ
V (X ) = σ2
Si se trata de la distribución Normal Estándar:
µ = 0
yσ2 = 1
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
4/54
DISTRIBUCIONES NORMALES CON DISTINTA MEDIA
−5 0 5 10
0 . 0
0
. 1
0 . 2
0
. 3
0 . 4
x
f ( x
)
mu=0 mu=5
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
5/54
DISTRIBUCIONES NORMALES CON DISTINTA VARIANZA
−5 0 5
0 . 0
0
. 1
0 . 2
0
. 3
0 . 4
x
f ( x
)
sigma2=1
sigma2=3
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
6/54
DISTRIBUCIÓN NORMAL
La probabilidad en un punto es siempre 0,P (X = b ) = 0
.Ejemplo: P (X = 2) = 0
−4 −2 0 2 4
0 . 0
0 . 1
0 . 2
0 . 3
0 . 4
f ( X )
P(X=2)
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
7/54
DISTRIBUCIÓN NORMAL
Se CalculaP (a < X < b ) = P (X < b ) −P (X < a )
.Ejemplo : Para la distribución Normal Estándar
P (0 < X < 2) es:
−4 −2 0 2 4
0 . 0
0 . 1
0 . 2
0 . 3
0 . 4
f ( X )
P(0
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
8/54
DISTRIBUCIÓN NORMAL
P (X < 2) es:
−4 −2 0 2 4
0 . 0
0 . 1
0 . 2
0 . 3
0 . 4
x
f ( X )
P(−inf
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
9/54
DISTRIBUCIÓN NORMAL
P (X < 0) es:
−4 −2 0 2 4
0 . 0
0 . 1
0 . 2
0 . 3
0 . 4
x
f ( X )
P(−inf
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
10/54
DISTRIBUCIÓN NORMAL
P (0 < X < 2) = P (X < 2) −P (X < 0) es:
−4 −2 0 2 4
0 . 0
0 . 1
0 . 2
0 . 3
0 . 4
x
f ( X )
P(0
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
11/54
DISTRIBUCIÓN NORMAL
Esta fórmula permite obtener la probabilidad de unintervalo a partir de la función de probabilidad acumuladaF (X ):
x
F ( X )
−4 −2 0 2 4
0 . 0
0 . 5
1 . 0
P(X
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
12/54
DISTRIBUCIÓN NORMAL
En el caso normal no se puede obtener una fórmulacerrada de de la f.d.a.
F (x ) = x −∞
1√ 2πσ 2 exp {−
12σ2
(t −µ)2}dt
Hay dos opciones:
1 usar el computador.2 se puede recurrir a la tabla de la Normal Estándar o
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
13/54
OPCIÓN 1. MEDIANTE EL COMPUTADOR.
Se puede calcular P (a < X < b ) con X ∼N (µ, σ 2 ) mediante:En SPSS:CDF.NORMAL(b,mu,sigma)-CDF.NORMAL(a,mu,sigma)abriendo la ventana transformar/Calcular variable .En Excel: o bienDISTR.NORM.N(b;mu;sigma;VERDADERO)
-DISTR.NORM.N(a;mu;sigma;VERDADERO) entrandoen formulas/funciones estadísticas .
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
14/54
OPCIÓN 2. MEDIANTE LA TABLA DE LA DISTRIBUCIÓN NOR
Se puede calcular P (a < X < b ) con X ∼N (µ, σ 2 ) mediante laTabla de la Normal Estándar:Primero hay que estandarizar la variable:Si X ∼N (µ, σ 2) entonces se emplea la transformación:
Z = x −µ
σEntonces
Z ∼N (0 , 1)¿Por qué?
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
15/54
DISTRIBUCIÓN NORMAL. PROPIEDAD 1
Propiedad 1: Sea X una v.a. con X ∼N (µ, σ 2) y a un númeroreal, entonces
Y = X + a es una v.a. N (µ + a , σ2)
Y = aX es una v.a. N (a µ, a 2σ2)
De aquí se deduce que Z = X − µσ
es una v.a. N (0 , 1)(Vericar como tarea)
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
16/54
DISTRIBUCIÓN NORMAL. USO DE LA TABLA
Para emplear la Tabla de la Normal Estándar:Primero hay que estandarizar la variable:Si X
∼N (µ, σ 2) entonces se emplea la transformación:
Z = x −µ
σEntonces
P (a < X < b ) = P ( a −µσ < Z < b −µσ )Luego se emplea la Tabla de la Normal Estándar
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
17/54
DISTRIBUCIÓN NORMAL. EJEMPLO 1
Sea X ∼N (200 , 20 ). Determinar:1 P (185 ≤X ≤210 ).2 x tal que P (X ≤x ) = 0,95
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
18/54
DISTRIBUCIÓN NORMAL. RESPUESTA A EJEMPLO 1.1
1
P (185 ≤X ≤210 ) = P (185 −200√
20≤Z ≤
210 −200√ 20
)
= P (Z ≤2 ,236 ) −P (Z ≤ −3 ,354 ) = 0,9869Se puede emplear el comando:CDF.NORMAL(210,200,4.472)-CDF.NORMAL(185,200,4.472)
abriendo la ventana transformar/Calcular variable de SPSS.o bien =DISTR.NORM.N(210;200;4.472;VERDADERO)-=DISTR.NORM.N(185;200;4.472;VERDADERO) entrandoen formulas/funciones estadísticas de Excel.
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
19/54
DISTRIBUCIÓN NORMAL. RESPUESTA A EJEMPLO 1.2
1
2
P (X ≤x ) = 0,95 ⇔P (Z ≤ x
−200
√ 20 ) = 0,95x = 1,645 √ 20 + 200 = 207 ,36
Se puede emplear el comando:IDF.NORMAL(0.95,200,4.472) abriendo la ventanatransformar/Calcular variable de SPSS.También empleando =INV.NORM(0,95;200;4.472) deExcel.
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
20/54
DISTRIBUCIÓN NORMAL. PROPIEDAD 2
Sea X 1 ∼N (µ1 , σ21 ) y X 2 ∼N (µ2 , σ22 ), entonces
Y = X 1 + X 2 es una v.a. N (µ1 + µ2
µ, σ21 + σ22 + 2ρσ1σ2
σ 2)
Si X 1 y X 2 son indep. ( ρ = 0)
Y = X 1 + X 2 es una v.a. N (µ1 + µ2
µ, σ21 + σ22
σ 2)
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
21/54
DISTRIBUCIÓN NORMAL. GENERALIZACIÓN DE PROPIEDAD
Sea X 1 ∼N (µ1 , σ21 ) y X 2 ∼N (µ2 , σ22 ) y sean a y b reales,entonces
Y = aX 1+ bX 2 es una v.a. N (a µ1 + b µ2
µ, a 2σ21 + b 2σ22 + 2ab ρσ1σ2
σ 2Si X 1 y X 2 son indep. ( ρ = 0)
Y = aX 1 + bX 2 es una v.a. N (a µ1 + b µ2
µ, a 2σ21 + b
2σ22
σ 2)
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
22/54
DISTRIBUCIÓN NORMAL. PROPIEDADES 2 PARA n VARIABLESINDEPENDIENTES.
Sea X 1 , X 2 ; ..., X n son v.a.s independientes y a 1 , a 2 , ..., a n sonnúmeros reales. Si X i ∼N (µi , σ2i ) para i = 1, ..., n
Y = X 1 + X 2 + ... + X n es una v.a. N (n
i = 1µi
µ,
n
i = 1σ2i
σ 2)
Y = a 1X 1 + a 2X 2 + ... + a n X n ∼N (n
i = 1
a i µi
µ
,n
i = 1
a 2i σ2i
σ 2
)
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
23/54
DISTRIBUCIÓN NORMAL. PROPIEDADES
Ejercicio : Sea X 1 , X 2 , ..., X n v.a.s independientes N (µ, σ 2).Obtener la distribución de X̄ =
n i = 1 X i n
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
24/54
DISTRIBUCIÓN NORMAL. PROPIEDADES
Ejercicio : Sea X 1 , X 2 , ..., X n v.a.s independientes N (µ, σ 2).Obtener la distribución de X̄ =
n i = 1 X i n
X̄ = 1n X 1 +
1n X 2 + ... +
1n X n es una v.a.
N (1n
µ + 1n
µ + ... + 1n
µ
n veces, 1n 2
σ2 + 1n 2
σ2 + ... + 1n 2
σ2)
n veces≡
≡N (µ, σ2
n )
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
25/54
DISTRIBUCION CHI CUADRADO
Si X es normal estándar.¿Cual es la distribución de Z = X 2?
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
26/54
DISTRIBUCION CHI CUADRADO
Z = X 2
Distribuye Chi-cuadrado.Se escribe Z ∼χ 2 (ν = 1) donde ν = 1 es un parámetroque se conoce como grados de libertad.
f (z ) = 1
212 Γ(12 )
z 12
− 1e −z 2 si z ≥0, Γ(a ) =
∞
0t a − 1e − t dt
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
27/54
DISTRIBUCION CHI CUADRADO
En generalSi X 1 , ..., X n son v.a. normales estándar independientes,
entonces Z = X 21 + X
22 + ... + X
2n distribuye chi cuadradocon ν = n grados de libertad.
f (z ) = 1
2ν2 Γ(ν 2 )
z ν2
− 1e −z 2 si z ≥0,
donde Γ(a ) = ∞0 t a − 1e − t dt
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
28/54
DIST. CHI CUADRADO. GRÁFICOS
0 5 10 15 20
0 . 0
0 . 1
0 . 2
0 . 3
0 . 4
Función de Densidad Chi Cuadrado nu=3
x
f
0 5 10 15 20
0 . 0
0 . 2
0 . 4
0 . 6
0 . 8
1 . 0
Función de Dist.Ac. Chi Cuadrado nu=3
x
f d a
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
29/54
DISTRIBUCIÓN CHI CUADRADO
E (Z ) = ν.
V (Z ) = 2ν.
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
30/54
DISTRIBUCIONES CHI CUADRADO CON DISTINTOS GRADOSLIBERTAD
0 5 10 15 20
0 . 0
0
0 . 0
5
0 . 1
0
0 . 1
5
0 . 2
0
0 . 2
5
z
f ( z
)
chi2(nu=3)
chi2(nu=5)
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
31/54
DISTRIBUCIÓN CHI CUADRADO. EJEMPLO 2
Sea Z
∼χ 2(3). Determinar:
1 P (5,3 ≤Z ≤6 ,2).2 z tal que P (Z ≤z ) = 0,80
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
32/54
DISTRIBUCIÓN CHI CUADRADO. RESPUESTA A EJEMPLO 2.1
1 P (5,3 ≤Z ≤6 ,2) = [ 1 −P (Z ≥5 ,3)] −[1 −P (Z ≥6,2)] =P (Z ≤
6,2)
−P (Z
≤5,3) 0,05.
Se puede emplear el comando:CDF.CHISQ(6.2,3)-CDF.CHISQ(5.3,3) abriendo laventana transformar/Calcular variable de SPSS.O la función de Excel:(1-DISTR.CHI(5,3;3))-(1-DISTR.CHI(6,2;3))
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
33/54
DISTRIBUCIÓN CHI CUADRADO. RESPUESTA A EJEMPLO 2.2
1
2 P (Z ≤z ) = 0,80⇔[1 −P (Z ≥z ] = 0,8⇔P (Z ≥z ] = 0,2Luego z = 4,64Se puede emplear el comando: IDF.CHISQ(0.8,3) abriendola ventana transformar/Calcular variable de SPSS.
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
34/54
DISTRIBUCION t DE STUDENT
Si X
∼N (0 , 1) y Z
∼χ 2 (ν ) independientes, ¿Cuál es la
distribución deT =
X
Z ν ?
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
35/54
DISTRIBUCION t DE STUDENT
T distribuye t de Student
se escribe T ∼t (ν ) donde ν son los grados de libertad.
f (t ) = Γ( ν + 12 )√ νπ Γ( ν 2 ) (1 +
t 2
ν )−
ν + 12 , − ∞< t < ∞
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
36/54
GRÁFICOS: DIST. t DE STUDENT
−4 −2 0 2 4
0 . 0
0 . 1
0 . 2
0 . 3
0 . 4
Función de Densidad t de Student nu=3
x
f
−4 −2 0 2 4
0 . 0
0 . 2
0 . 4
0 . 6
0 . 8
1 . 0
Función de Dist.Ac. t de Student nu=3
x
f d a
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
37/54
DISTRIBUCION t DE STUDENT
si ν > 1,E (T ) = 0
si ν > 2V (T ) =
ν ν −2
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
38/54
DISTRIBUCIONES t DE STUDENT CON DISTINTOS GRADOS DLIBERTAD Y NORMAL ESTÁNDAR
−6 −4 −2 0 2 4 6
0 . 0
0 . 1
0 . 2
0 . 3
0 . 4
t
f ( t ) t(nu=1)
t(nu=5)
N(0,1)
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
39/54
DISTRIBUCION F DE FISHER
Si Z 1
∼χ 2(ν 1) y Z 2
∼χ 2(ν 2) independientes, ¿Cómo distribuye
W = Z 1 /ν 1Z 2 /ν 2 ∼
F (ν 1 , ν 2).?
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
40/54
DISTRIBUCION F DE FISHER
Distribuye F de Fisher.
se escribe X ∼F (ν 1 , ν 2) donde ν 1 y ν 2 son los grados delibertad del numerado y del denominador resp.
f (w ) = Γ( ν 1 + ν 22 )ν
ν 12
1 ν ν 22
2Γ( ν 1
2 )Γ( ν 2
2 )
w ν 1 − 2
2 (ν 2 + ν 1w )−
ν 1 + ν 22
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
41/54
GRÁFICOS: DIST. F DE FISHER
0 5 10 15 20
0 . 0
0 . 1
0 . 2
0 . 3
0 . 4
0 . 5
0 . 6
0 . 7
Función de Densidad F de Fisher nu1=3 y nu2=5
x
f
0 1 2 3 4 5
0 . 0
0 . 2
0 . 4
0 . 6
0 . 8
1 . 0
Función de Dist.Ac. F de Fisher nu1=3 y nu2=5
x
f d a
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
42/54
DISTRIBUCION F DE FISHER
si ν 2 > 2
E (W ) = ν 2ν 2 −2
si ν 2 > 4
V (W ) = ν 22 (2ν 2 + 2ν 1 −4)ν 1(ν 2 −2)2 (ν 2 −4)
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
43/54
DISTRIBUCIONES CONJUNTAS
Se denen también distribuciones conjuntas para vectoresaleatorios:
p (x 1 , x 2 , ..., x k ) y F (x 1 , x 2 , ..., x k ), en el caso discreto.f (x 1 , x 2 , ..., x k ) y F (x 1 , x 2 , ..., x k ), en el caso continuo.
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
44/54
DISTRIBUCIONES MARGINALES Y CONDICIONALES
A partir de la distribución conjunta siempre es posible calcularlas distribuciones marginales y condicionales:
Probabilidad marginal de X i esp (x i ) en el caso discretof (x i ) en el continuo.
Probabilidad de X i condicionada en X j en el caso discreto es:
p (x i |x j ) = p (x i , x j )
p (x j )
en el caso continuo es:
f (x i |x j ) = f (x i , x j )
f (x j )
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
45/54
DISTRIBUCIONES CONJUNTAS. CASO DISCRETO
Supongamos dos variables aleatorias Bernoulli que surgen deuna población de estudiantes:
X 1 = 1, si un/a estudiante practica algún deportes ;0 , si no.
X 2 = 1, si un/a estudiante fuma ;0 , si no.
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
46/54
DISTRIBUCIONES CONJUNTAS. CASO DISCRETO
X 2 / X 1 no hace deportes hace deportes p (fumar )no fuma 0.1 0.3 0.4fuma 0.4 0.2 0.6p (deportes ) 0.5 0.5 1.0
p (x 1 = 1, x 2 = 1) = 0,2 (prob.deportes y fumar)p (x 1 = 1, x 2 = 0) = 0,3 (prob.deportes y no fumar)p (x 1 = 0, x 2 = 1) = 0,4 (prob.no deportes y fumar)p (x 1 = 0, x 2 = 0) = 0,1 (prob.ni deportes ni fumar)
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
47/54
DISTRIBUCIONES MARGINALES. CASO DISCRETO
X 2 / X 1 no hace deportes hace deportes p (fumar )no fuma 0.1 0.3 0.4fuma 0.4 0.2 0.6p (deportes ) 0.5 0.5 1.0
p (x 1 = 1) = 0,5 (probabilidad que haga deportes)p (x 1 = 0) = 0,5 (probabilidad que no haga deportes)
p (x 2 = 1) = 0,6 (probabilidad que fume)p (x 2 = 0) = 0,4 (probabilidad que no fume)
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
48/54
DISTRIBUCIONES CONDICIONALES. CASO DISCRETO
X 2 / X 1 no hace deportes hace deportes p (fumar )no fuma 0.1 0.3 0.4fuma 0.4 0.2 0.6p (deportes ) 0.5 0.5 1.0
probabilidad que fume dado que hace deporte:
p (x 2 = 1|x 1 = 1) = p (x 1 = 1, x 2 = 1)
p (x 1 = 1) =
0,20,5
= 0,4
probabilidad que no fume dado que hace deporte
p (x 2 = 0|x 1 = 1) = p (x 1 = 1, x 2 = 0)
p (x 1 = 1) =
0,30,5
= 0,6
de nuevo suma 1.
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
49/54
DISTRIBUCIONES CONDICIONALES. CASO DISCRETO
X 2 / X 1 no hace deportes hace deportes p (fumar )no fuma 0.1 0.3 0.4fuma 0.4 0.2 0.6p (deportes ) 0.5 0.5 1.0
probabilidad que haga deportes dado que no fuma
p (x 1 = 1|x 2 = 0) = p (x 1 = 1, x 2 = 0)
p (x 2 = 1) =
0,30 ,4
= 0,75
probabilidad que no haga deportes dado que no fuma
p (x 1 = 0|x 2 = 0) = p (x 1 = 0, x 2 = 0)
p (x 2 = 1) =
0,10 ,4
= 0,25
ambos suman 1.
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
50/54
INDEPENDENCIA DE V.A.’s
dos v.a. X 1 y X 2 con una distribución conjunta se dicenindependientes si:
p (x 1 , x 2) = p (x 1)p (x 2 ), en el caso discreto.f (x 1 , x 2 ) = f (x 1)f (x 2), en el caso continuo.
Además en caso de independencia:
p (x 1
|x 2) =
p (x 1 , x 2 )p (x 2 ) = p (x 1), en el caso discreto.
f (x 1|x 2) = f (x 1 ), en el caso continuo.
INDEPENDENCIA CASO DISCRETO
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
51/54
INDEPENDENCIA. CASO DISCRETO
X 2 / X 1 no hace deportes hace deportes p (fumar )no fuma 0.1 0.3 0.4
fuma 0.4 0.2 0.6p (deportes ) 0.5 0.5 1.0
p (x 1 = 1, x 2 = 1) = 0,2
p (x 1 = 1)p (x 2 = 1) = ( 0 ,5)(0 ,6) = 0,3NO son variables aleatorias independientes.
DISTRIBUCIONES CONJUNTAS CASO CONTINUO
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
52/54
DISTRIBUCIONES CONJUNTAS. CASO CONTINUO
Supongamos dos variables aleatorias normales.La distribución conjunta es:f (x 1 , x 2 ) = 12πσ 1 σ 2√ 1− ρ 2 exp {−
12(1− ρ 2 ) [(
x 1 − µ 1σ 1
)2 + ( x 2 − µ 2σ 2
)2 −2ρ (x 1 − µ 1 )( x 2 − µ 2 )
σ 1 σ 2]}
La distribución marginal de x 1 es
f (x 1) = 1
2πσ 21exp {−
12
[(x 1 −µ1
σ1)2}
La distribución condicional de x 2 dado x 1
f (x 2|x 1) = 1
2πσ 22 (1 ρ2)exp {−
12
[x 2 −(µ2 + ρ σ 2σ 1 (x 1 −µ1))]2σ22 (1 −ρ2) }
INDEPENDENCIA DE VA ’ (C t )
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
53/54
INDEPENDENCIA DE V.A.’s (Cont.)
En el ejemplo de la normal bivariada:Si ρ = 0 tenemos:
f (x 1 , x 2) = 1
2πσ 1σ2exp
{−1
2[(
x 1 −µ1σ1
)2 + (x 2 −µ2
σ2)2]
}=
1√ 2πσ 1 exp {−
12
(x 1 −µ1
σ1)2}
f (x 1 )1
√ 2πσ 2 exp {−12
(x 2 −µ2
σ2)2}
f (x 2 )X 1 y X 2 son variables aleatorias independientes si ρ = 0.
GRÁFICOS DIST NORMAL BIVARIADA
-
8/19/2019 Cii2751 Clase3 Distribuciones Continuas Importantes
54/54
GRÁFICOS: DIST. NORMAL BIVARIADA
x 1
−3−2
−1
0
1
2
3
x 2
−3
−2
−1
0
1
2
3f ( x 1 , x
2 )
0.00
0.05
0.10
0.15
Densidad Conjunta Normal Bivariada s1=s2=1, rho=0.5
x 1
−3−2
−1
0
1
2
3
x 2
−3
−2
−1
0
1
2
3
f ( x 1 , x 2 )
0.2
0.4
0.6
0.8
FDA Conjunta Normal Bivariada s1=s2=1, rho=0.5