Proba Intermedia Basica 2
-
Upload
gerardo-sixtos -
Category
Documents
-
view
28 -
download
0
Transcript of Proba Intermedia Basica 2
PROBABILIDAD INTERMEDIA BASICADistribuciones de funciones de vectores
aleatorios.
Profesor: David Josafat Santana Cobian
2012
Facultad de CienciasUNAM
1 / 91
Indice
Distribuciones de funciones de vectores aleatorios.Distribuciones de Maximos, Mınimos y Estadısticas de Or-den.Metodo usando el Teorema de Cambio de Variable.Metodos usando funciones generadoras.
Distribuciones especiales. χ2, F , t y Normal Bivariada
2 / 91
Indice
Distribuciones de funciones de vectores aleatorios.Distribuciones de Maximos, Mınimos y Estadısticas de Or-den.Metodo usando el Teorema de Cambio de Variable.Metodos usando funciones generadoras.
Distribuciones especiales. χ2, F , t y Normal Bivariada
3 / 91
Indice
Distribuciones de funciones de vectores aleatorios.Distribuciones de Maximos, Mınimos y Estadısticas de Or-den.Metodo usando el Teorema de Cambio de Variable.Metodos usando funciones generadoras.
Distribuciones especiales. χ2, F , t y Normal Bivariada
4 / 91
Distribuciones de Maximos
Definicion
Sean X1, . . . ,Xn, una m.a., definimos como el maximo de lamuestra a la v.a.
Yn = max{X1, . . . ,Xn} (1)
5 / 91
En la estadıstica es muy importante estudiar el maximo de unam.a. Por ejemplo si estudiamos a n individuos de la poblacionmexicana, nos puede interesar la probabilidad de que el masalto, mida a lo mas 1.90mts. Si modelamos como Xj = esta-tura del j−esimo individuo (en metros), entonces necesitamoscalcular:
P(Yn ≤ 1.9)
¿Como se resuelve este problema?
6 / 91
Veamos:
FYn (t) = P(Yn ≤ t)
= P(max{X1, . . . ,Xn} ≤ t)
= P(X1 ≤ t , . . . ,Xn ≤ t)
= P(X1 ≤ t) · · ·P(Xn ≤ t)
= FX (t) · · ·FX (t)
= (FX (t))n,
donde FX (t) es la funcion de distribucion comun de la muestra.
7 / 91
Proposicion
Sean X1, . . . ,Xn una m.a. con funciones de distribucion ydensidad comun, FX (t) y fX (t), respectivamente. Si
Yn = max{X1, . . . ,Xn},
entonces:FYn (t) = (FX (t))n (2)
8 / 91
Ejemplo
Supongamos que la edad de una cuerda de guitarra enanos es una v.a. exp(3/5). Si compramos un juego de 6cuerdas nuevas para nuestra guitarra (la guitarra no tenıacuerdas), cual es la probabilidad de que la ultima cuerdaen romperse, dure entre 1 y 2 anos?
12 / 91
Sol: Sea Tj= el tiempo que tarda en romperse la j-esima cuerda.Entonces nos piden calcular la siguiente probabilidad:
P(1 ≤ max{T1, . . . ,T6} ≤ 2)
13 / 91
Entonces, solo debemos integrar entre 1 y 2 la densidad de Y6:
P(1 ≤ max{T1, . . . ,T6} ≤ 2) = P(1 ≤ Y6 ≤ 2)
=∫ 2
1 fY6(t)dt
=∫ 2
1 6(FX (t))6−1fX (t)dt
=∫ 2
1 6(1− e−3/5t )5(3/5)e−3/5tdt
=∫ 2
1185 (1− e−3/5t )5e−3/5tdt
= 0.108014�
14 / 91
Distribuciones de Mınimos
Definicion
Sean X1, . . . ,Xn, una m.a., definimos como el mınimo de lamuestra a la v.a.
Y1 = mın{X1, . . . ,Xn} (4)
15 / 91
Analogamente, como en el maximo, nos puede interesar la dis-tribucion del mınimo.¿Como se resuelve este problema?
16 / 91
Veamos:
FY1(t) = P(Y1 ≤ t)
= P(mın{X1, . . . ,Xn} ≤ t)
= 1− P(mın{X1, . . . ,Xn} > t)
= 1− P(X1 > t , . . . ,Xn > t)
= 1− P(X1 > t) · · ·P(Xn > t)
= 1− (1− FX (t)) · · · (1− FX (t))
= 1− (1− FX (t))n,
donde FX (t) es la funcion de distribucion comun de la muestra.
17 / 91
Proposicion
Sean X1, . . . ,Xn una m.a. con funciones de distribucion ydensidad comun, FX (t) y fX (t), respectivamente. Si
Y1 = mın{X1, . . . ,Xn},
entonces:FY1(t) = 1− (1− FX (t))n (5)
y si X1, . . . ,Xn son v.a. continuas:
fY1(t) = n(1− FX (t))n−1fX (t) (6)
18 / 91
Ejemplo
Sean X1 y X2 que forman una muestra aleatoria de unadistribucion Poisson con media 1. Si
Y1 = mın[X1,X2],
calcular P(Y1 = 1).
19 / 91
Sol:
P(Y1 = 1) = P(Y1 ≤ 1)− P(Y1 ≤ 0)
= 1− (1− FX (1))2 − 1 + (1− FX (0))2
= (1− FX (0))2 − (1− FX (1))2
= (1− P(X ≤ 0))2 − (1− P(X ≤ 1))2
20 / 91
Sol:
= (1− P(X = 0))2 − (1− P(X = 0)− P(X = 1))2
= (1− e−1 10
0! )2 − (1− e−1 10
0! − e−1 11
1! )2
= (1− e−1)2 − (1− 2e−1)2
= (1− 2e−1 + e−2)− (1− 4e−1 + 4e−2)
= 2e−1 − 3e−2�
21 / 91
Ejemplo
Suponer que se tienen 100 focos, cuyas vidas (en horas)son v.a.i.i.d. U(0,100). Si los focos son usados todos a lavez. ¿Cual es la probabilidad de que todos siganprendidos despues de 1 hora?
22 / 91
Sol: La probabilidad de que todos sigan prendidos despues de1 hora, es pedir que todos los focos duren funcionando mas de1 hora, o de manera equivalente que el foco que dure menossobreviva mas de 1 hora. Si Xj = la vida del j−esimo foco. En-tonces:
1. Xj ∼ U(0,100)
2. FX (t) = t100
Entonces:
P(Y1 > 1) = 1− P(Y1 ≤ 1)
= 1− FY1(1)
= 1− [1− (1− FX (1))100]
= 1− [1− (1− 1100)100]
= 0.366032�
23 / 91
Estadısticas de Orden
Supongamos que lanzamos 10 dados y observamos que obtu-vimos en cada uno. Los resultados son una m.a. X1, . . . ,X10 deuna uniforme discreta con 6 resultados. Supongamos que enuna realizacion del experimento obtenemos la siguiente mues-tra:
2,1,4,5,5,3,2,3,1,6
Si deseamos ordenar la muestra en orden ascendente:
1,1,2,2,3,3,4,5,5,6
Obtenemos una nueva muestra Y1, . . . ,Y10, donde Y1 es el mıni-mo y Y10 es el maximo de la muestra. Hemos obtenido las es-tadısticas de orden.
24 / 91
Definicion
Sean X1, . . . ,Xn una m.a., entonces definimos sus estadısticasde orden Y1, . . . ,Yn de la siguiente manera:I Y1 = mın{X1, . . . ,Xn}I Y2 = mın{X1, . . . ,Xn, menos Y1}I Y3 = mın{X1, . . . ,Xn, menos Y1,Y2}
...I Yn = max{X1, . . . ,Xn}
25 / 91
Indice
Distribuciones de funciones de vectores aleatorios.Distribuciones de Maximos, Mınimos y Estadısticas de Or-den.Metodo usando el Teorema de Cambio de Variable.Metodos usando funciones generadoras.
Distribuciones especiales. χ2, F , t y Normal Bivariada
26 / 91
Distribucion de una transformacion de una v.a.continua X
I Supongamos que X es una v.a. continua con densidadfX (x) y funcion de distribucion FX (x).
I Supongamos que queremos conocer la funcion dedensidad de una nueva v.a. Y = u(X ). Normalmente seconoce a Y como una transformacion de X .
I Supongamos que u es una funcion uno a uno y por tantotiene inversa u−1.
27 / 91
Entonces la funcion de densidad de Y = u(X ) puede encontrar-se de dos manera equivalentes:
Manera I) fY (y) = fX (u−1(y)) ·∣∣(u−1)′(y)
∣∣Manera II) Si u es estrictamente creciente, entonces:
FY (y) = P(Y ≤ y)= P(u(X ) ≤ y)= P(X ≤ u−1(y))= FX (u−1(y))
y por lo tanto:fY (y) = fX (u−1(y))(u−1)′(y)
28 / 91
Sol: Sabemos que
fX (x) = 1√2πσ2 e−
12 ( x−µ
σ)2
con −∞ < X <∞
Primero, buscamos el soporte de Y :
0 < eX <∞⇒
0 < Y <∞.
30 / 91
derivando,
fY (t) = fX (ln(t))1t
sustituimos y tomando en cuenta el nuevo soporte llegamos a:
fY (t) = 1t
1√2πσ2 e−
12 ( ln(t)−µ
σ)2
, si 0 < t <∞ �
Esta funcion de densidad pertenece a una v.a. que se distribuyeLognormal.
32 / 91
Distribucion de una transformacion de una v.a.discreta X
Supongamos que X es una v.a. discreta con funcion de den-sidad f (x) y queremos conocer la funcion de densidad de unanueva v.a. Y = u(X ), entonces dado un numero y , Y tiene den-sidad:
fY (y) = P(Y = y)
= P(u(X ) = y)
= P(X = u−1(y))
33 / 91
Sol: Sabemos
fX (x) = e−2 2x
x! 1{0,1,2,...}(x).
Primero buscamos el soporte de Y :
X = 0,1,2, ...
entonces,
3X = 0,3,6,9, ...
y
3X − 1 = −1,2,5,8, ...,
por tanto
Y = −1,2,5,8, ....
35 / 91
Y por otro lado:
fY (t) = P(Y = t)= P(3X − 1 = t)= P(X = t+1
3 )
= fX ( t+13 )
sustituimos y tomando en cuenta el nuevo soporte llegamos a:
fY (t) = e−22( t+13 )/( t+1
3 )! si x = −1,2,5,8, . . . �
36 / 91
Transformacion de dos v.a.´s con distribucionconjunta
Teorema
TEOREMA DE CAMBIO DE VARIABLE.I Supongamos que las v.a.´s X y Y tiene funcion de
densidad conjunta fX ,Y (x , y).I Supongamos que u y v son funciones que dependen de x
y y.I U = u(X ,Y ) y V = v(X ,Y ) son tambien v.a.´s y
deseamos conocer su densidad conjunta fU,V (u, v).
37 / 91
Transformacion de dos v.a.´s con distribucionconjunta
Teorema
I Debemos ser capaces de despejar a X y Y del sistema{U = u(X ,Y )V = v(X ,Y )
Obteniendo {X = h(U,V )Y = g(U,V )
38 / 91
Transformacion de dos v.a.´s con distribucionconjunta
Teorema
I Calculamos el valor absoluto del “Jacobiano de latransformacion”
|J(U,V )| =∣∣∣ ∂h∂U ·
∂g∂V −
∂h∂V ·
∂g∂U
∣∣∣I Entonces la densidad conjunta de U y V esta dada por:
fU,V (u, v) = |J(u, v)| · fX ,Y (h(u, v),g(u, v)) (7)
39 / 91
¡¡PRECAUCION!!
I Es muy comun que el soporte de la nueva densidadfU,V (u, v) sea distinto al soporte de fX ,Y (x , y).
I Esto depende de la transformacion y puede resultar unatarea difıcil algebraica y geometricamente obtener elnuevo soporte.
I La alternativa a trabajar con las desigualdades quepuedan resultar es graficar en que se transforma elsoporte en el plano U,V .
A continuacion se presentan varios ejemplos de transformacio-nes y las respectivas graficas.
40 / 91
U = X ,V = X + Y con 0 < X < 10, 0 < Y < 10.
Figura: Plano X ,Y vs Plano U,V con U = X ,V = X + Y
41 / 91
U = X ,V = X − Y con 0 < X < 10, 0 < Y < 10.
Figura: Plano X ,Y vs Plano U,V con U = X ,V = X − Y
42 / 91
U = X + Y ,V = X 2 con 0 < X < 1, 0 < Y < 1.
Figura: Plano X ,Y vs Plano U,V con U = X + Y ,V = X 2
43 / 91
Ejemplo
Suponer que X y Y son variables aleatoriasindependientes con distribucion comun Exp(1). Hallar ladensidad de
Z = X1+Y .
44 / 91
Sol: Sean {U = 1 + YV = X
1+Y
de lo cual vemos que 1 < U < ∞ y 0 < V < ∞. Ahora despe-jando X y Y : {
X = h(U,V ) = UVY = g(U,V ) = U − 1
45 / 91
calculando el valor absoluto del Jacobiano:
|J(U,V )| =∣∣∣ ∂h∂U ·
∂g∂V −
∂h∂V ·
∂g∂U
∣∣∣= |V · (0)− U · 1|
= U
entonces:
fU,V (u, v) = |J(u, v)| fX ,Y (uv ,u − 1) = ue−(uv+(u−1)) para1 < u <∞ y 0 < z <∞
46 / 91
Ahora calculamos la marginal de V :
fV (v) =∫∞
1 ue−(uv+(u−1))du = v+2(v+1)2 e−v para 0 < v <∞ �.
47 / 91
Indice
Distribuciones de funciones de vectores aleatorios.Distribuciones de Maximos, Mınimos y Estadısticas de Or-den.Metodo usando el Teorema de Cambio de Variable.Metodos usando funciones generadoras.
Distribuciones especiales. χ2, F , t y Normal Bivariada
48 / 91
Hay otro metodo para determinar la distribucion de funcionesde v.a.´s que en ciertas circunstancias resulta muy practico. Suuso mas comun es para encontrar la distribucion de sumas dev.a.´s independientes. Sin embargo, puede usarse para otro tipode transformaciones como se vera en un ejemplo mas adelante.¿En que consiste este metodo?
49 / 91
I Si X1, . . . ,Xn son v.a.´s con densidad conjunta f (x1, . . . , xn)y
Y = g(X1, . . . ,Xn),calculamos la f.g.m. de Y .
I Comparamos la f.g.m. obtenida con las generadoras masconocidas.
I Si coincide con alguna, entonces Y tiene la distribucionque tiene tal f.g.m.
Lo que hacemos es basarnos en los siguientes resultados.
50 / 91
Funcion generadora de momentos
Proposicion
Suponiendo que X1, ...,Xn son v.a.´s independientes, y que
Y =n∑
i=1Xi
entonces:
MY (t) =n∏
i=1
MXi (t) = MX1(t)MX2(t) · · ·MXn (t) (8)
51 / 91
Proposicion
Suponiendo que X1, ...,Xn son una m.a., y que
MXi (t) = M(t) para toda i = 1,2, ...,n,
entonces:MY (t) = (M(t))n (9)
52 / 91
Proposicion
Si MX (t) y MY (t) son las f.g.m. de X y Y , entonces
X ∼ Y ⇐⇒ MX (t) = MY (t) (10)
53 / 91
Sol:
MY (t) = E(etY )
= E(etX 2)
=∫∞−∞ etx2 1√
2πe−
12 x2
dx
= 1√2π
∫∞−∞ e−
12 x2(1−2t)dx
=(
1/21/2−t
)1/2, t < 1
2 .�
la cual reconocemos como la f.g.m. de una distribucion gamma(12 ,
12),
y de forma equivalente χ2 con un grado de libertad.
55 / 91
Ejemplo
Supongamos que X1 . . .Xn es una m.a. y Y =∑n
i=1 Xi . SiXi ∼ Bernoulli(p), ¿como se distribuye Y?.
56 / 91
Sol: Utilizamos (14) con MXi (t) = M(t) = 1− p + pet
MY (t) = (M(t))n
= (1− p + pet )n
la cual reconocemos como la f.g.m. de una distribucion Bin(n,p),y por lo tanto:
Y ∼ Bin(n,p). �
57 / 91
Ejemplo
Supongamos que X1 . . .Xn es una m.a. y Y =∑n
i=1 Xi . SiXi ∼ N(1,2), ¿como se distribuye Y?.
58 / 91
Sol: Utilizamos (14) con MXi (t) = M(t) = et+t2:
MY (t) = (M(t))n
= (et+t2)n
= en(t+t2)
= ent+nt2
la cual reconocemos como la f.g.m. de una distribucion N(n,2n),y por lo tanto:
Y ∼ N(n,2n). �
59 / 91
Las proposiciones (14) y (15) nos facilitan el trabajo de sabercomo se distribuye una suma de v.a.´s, como se ve en los si-guientes resultados:
Proposicion
Supongamos que X1 . . .Xn es una m.a. y Y =∑n
i=1 Xi ,entonces:a) Si Xi ∼ Blli(p), entonces Y ∼ Bin(n,p).b) Si Xi ∼ Bin(m,p), entonces Y ∼ Bin(nm,p).c) Si Xi ∼ Poisson(λ), entonces Y ∼ Poisson(nλ).d) Si Xi ∼ Geo(p), entonces Y ∼ BinNeg(n,p).e) Si Xi ∼ BinNeg(m,p), entonces Y ∼ BinNeg(nm,p).
60 / 91
Proposicion
Supongamos que X1 . . .Xn es una m.a. y Y =∑n
i=1 Xi ,entonces:a) Si Xi ∼ N(µ, σ2), entonces Y ∼ N(nµ,nσ2).b) Si Xi ∼ Exp(β), entonces Y ∼ gamma(n, β).c) Si Xi ∼ gamma(m, β), entonces Y ∼ gamma(nm, β).d) Si Xi ∼ χ2
k , entonces Y ∼ χ2kn.
61 / 91
Indice
Distribuciones de funciones de vectores aleatorios.Distribuciones de Maximos, Mınimos y Estadısticas de Or-den.Metodo usando el Teorema de Cambio de Variable.Metodos usando funciones generadoras.
Distribuciones especiales. χ2, F , t y Normal Bivariada
62 / 91
Distribucion χ2
La distribucion normal, tiene dos parametros µ y σ2. Hay ocasio-nes en que se sabra que una m.a. proviene de una distribucionnormal, pero los parametros sean desconocidos. La estadısticaestudia como estimar estos parametros y se encontrara que losmejores estimadores de µ y σ2 son respectivamente:
X n =1n
n∑i=1
Xi (11)
y
S2 =1
n − 1
n∑i=1
(Xi − X n)2. (12)
donde X1, . . . ,Xn es una m.a. normal.
63 / 91
De aquı, la importancia de saber como se distribuyen las v.a.´sdefinidas en (16) y (17). La funcion de densidad que da vida a ladistribucion de S2 es la distribucion χ2 y esta seccion esta dedi-cada a su estudio.
64 / 91
Definicion
DISTRIBUCION JI-CUADRADA Si X es una v.a. con densidadf (x), k es un entero positivo y
f (x) =1
Γ(k/2)
(12
)k/2
xk/2−1e−12 x , x > 0 (13)
entonces decimos que X ∼ χ2k (X tiene distribucion
Ji-cuadrada con k grados de libertad).
65 / 91
OBSERVACION: La densidad de una χ2k es igual a la densidad
de una v.a. gamma(k/2,1/2) y por lo tanto:
E(X ) = (k/2)/(1/2) = k ,Var(X ) = (k/2)/(1/2)2 = 2k y
MX (t) =[
11−2t
]k/2para t < 1/2.
66 / 91
Proposicion
Si las v.a.´s X1, . . . ,Xk son independientes y tienen distribucionnormal con medias µi y varianzas σ2
i , entonces:
U =k∑
i=1
(Xi − µi
σi
)2
(14)
tiene distribucion χ2k .
67 / 91
Un caso especial de la proposicion anterior, es cuando cadaXi ∼ N(0,1). Por ejemplo, si k = 1,
X 21 ∼ χ2 (con un grado de libertad).
Y la suma de cuadrados de n normales estandar es una χ2n:
n∑i=1
X 2i ∼ χ
2n.
68 / 91
Proposicion
Si Z1,Z2, . . . ,Zn es una m.a. N(0,1), entonces:I) Z n ∼ N(0,1/n).
II)n∑
i=1(Zi − Z n)2 ∼ χ2
n−1.
69 / 91
Corolario
Si S2 = 1n−1
n∑i=1
(Xi − X n)2 es la varianza muestral de una m.a.
que proviene de una distribucion N(µ, σ2), entonces:
U =(n − 1)S2
σ2 ∼ χ2n−1 (15)
70 / 91
Distribucion F de Fisher-Snedecor
La distribucion F es de interes practico en la Estadıstica, es ladistribucion del cociente de dos v.a.´s χ2 independientes dividi-das por sus respectivos grados de libertad.
71 / 91
Supongamos que U y V son independientes con distribucionχ2 con m y n grados de libertad, respectivamente. Su densidadconjunta es entonces:
fU,V (u, v) =u(m−2)/2v (n−2)/2e−
12 (u+v)
Γ(m/2)Γ(n/2)2(m+n)/2 (16)
para 0 < u <∞ y 0 < v <∞.
72 / 91
Entonces con los metodos de este capıtulo, se puede estudiarla distribucion de la transformacion
X = U/mV/n
El lector interesado en los detalles puede consultar el excelentelibro de Mood pag. 246.
73 / 91
Y se llega a la siguiente densidad
fX (x) =Γ[(m + n)/2]
Γ(m/2)Γ(n/2)
(mn
)m/2 x (m−2)/2
[1 + (m/n)x ](m+n)/2 (17)
para 0 < x <∞.
74 / 91
Definicion
Si X es una v.a. cuya densidad esta dada por (22), entoncesdecimos que X tiene distribucion F con grados de libertad m yn y se escribe X ∼ Fm,n.
75 / 91
Teorema
Sea U una v.a. χ2m, V una v.a. χ2
n, y sean U y Vindependientes. Entonces la v.a.
X = U/mV/n ∼ Fm,n
76 / 91
Corolario
Si X1, . . . ,Xm+1 es una m.a. de una N(µX , σ2), y Y1, . . . ,Yn+1
es una m.a. de una N(µY , σ2), y si las dos muestras son
independientes, entonces:
1. (1/σ2)m+1∑i=1
(Xi − X m+1)2 ∼ χ2m.
2. (1/σ2)n+1∑j=1
(Yj − Y n+1)2 ∼ χ2n.
3.
m+1∑i=1
(Xi−X m+1)2/m
n+1∑j=1
(Yj−Y n+1)2/n∼ Fm,n.
77 / 91
Otras Propiedades...
Sea X ∼ Fm,n, entonces:1. 1/X ∼ Fn,m.2. E(X ) = n
n−2 para n > 2.
3. Var(X ) = 2n2(m+n−2)m(n−2)2(n−4)
para n > 4.
4. W = mX/n1+mX/n ∼ Beta(m/2,n/2).
78 / 91
Distribucion t de Student
Otra distribucion de considerable importancia en la estadıstica,en particular para encontrar intervalos de confianza y pruebasde hipotesis, es el cociente de una normal estandar y la raızcuadrada de una χ2 independiente dividida por sus grados delibertad.
79 / 91
Si Z ∼ N(0,1) y U ∼ χ2k y son independientes Z y U, nos
interesa la distribucion de
X = Z√U/k
En la siguiente definicion se presenta su densidad.
80 / 91
Definicion
Si X es una v.a. con densidad
fX (x) = Γ[(k+1)/2]Γ(k/2)
1√kπ
1(1+x2/k)(k+1)/2
decimos que X tiene distribucion t con k grados de libertad yescribimos X ∼ tk .
81 / 91
Corolario
Si X1, . . . ,Xn son una m.a. de una N(0,1), entonces√
n(n−1)(X−µ)√∑(Xi−X)2
∼ tn−1
83 / 91
Otras Propiedades...
Sea X ∼ tk , entonces:1. X 2 ∼ F1,k .2. E(X ) = 0 para k > 1.3. Var(X ) = k
k−2 para k > 2.4. lım
k→∞tk ∼ N(0,1)
84 / 91
Distribucion Normal Bivariada
Una de las mas importantes densidades multivariadas es laNormal Multivariada. Ya se ha estudiado el caso particular deuna sola variable y ahora estudiaremos el caso especial de laNormal Bivariada.
85 / 91
Densidad
Sea (X ,Y ) con µX , µY y σ2X , σ2
Y las esperanzas y las varianzasde X y Y respectivamente, y ρX ,Y el coeficiente de correlacion;si tiene funcion de densidad conjunta f (x , y) =
12πσXσY
√1−ρ2
X ,Y
e− 1
2(1−ρ2X ,Y )
[(x−µXσX
)2−2ρX ,Y
x−µXσX
y−µYσY
+(
y−µYσY
)2]
decimos que (X ,Y ) tiene distribucion Normal Bivariada con vec-tor de medias µ y matriz de covarianzas V y se escribe:
(X ,Y ) ∼ N(µ,V)
donde:
µ =
(µXµY
)y V =
(σ2
X Cov(X ,Y )Cov(X ,Y ) σ2
Y
)
86 / 91
Teorema
Marginales Si
(X ,Y ) ∼ N(µ,V)
donde:
µ =
(µXµY
)y V =
(σ2
X Cov(X ,Y )Cov(X ,Y ) σ2
Y
)entonces: X ∼ N(µX , σ
2X ), y de igual manera Y ∼ N(µY , σ
2Y )
89 / 91
Bibliografıa
Mendenhall, William. Estadıstica Matematica con Aplicacio-nes, THOMSON PARANINFO, 6a edicion, 2002.
Mood, Alexander, et al. Introduction to the theory of statistics, McGraw-Hill, 3rd edition, 1974.
Rincon, Luis A. Curso intermedio de Probabilidad ,Facultadde Ciencias, UNAM. Las Prensas de Ciencias, 2008.
Ross, Sheldon. Introduction to Probability Models, 9th edi-tion, Elsevier, 2007.
Ross, Sheldon. A first course in probability, 5th edition, Pren-tice Hall, 1997.
90 / 91