Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias...
-
Upload
candelaria-marron -
Category
Documents
-
view
34 -
download
2
Transcript of Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias...
Distribuciones de probabilidad bidimensionales o conjuntas
Si disponemos de dos variables aleatorias podemos
definir distribuciones bidimensionales de forma
semejante al caso unidimensional. Para el caso
discreto tendremos:
. y)x, Y P(X p(x, y)
.0),(,1),( yxpyxpx y
Con:
1
Podemos encontrar la probabilidad marginal de la variable aleatoria X sumando sobre todos los posibles valores de la variable aleatoria Y:
yxp(x)py
X ),(
Igualmente, podemos encontrar probabilidad marginal de la variable aleatoria Y sumando sobre todos los posibles valores de la variable aleatoria Y:
yxp(y)px
Y ),(
2
Y la función de probabilidad condicional de Y dado X = x es:
Función de probabilidad condicional
La función de probabilidad condicional de X dado Y = y es:
(y)p
p(x,y) p(x|y)
Y
(x)p
p(x,y) p(y|x)
X
3
Nota: El punto 2 lo veremos más adelante.
9
La definición para dos variables aleatorias continuas es
semejante: F(x,y) = P(X x, Y y).
La densidad de probabilidad f(x,y) se obtiene derivando la función de probabilidad con respecto a sus argumentos:
1),(
,0),(
dxdyyxf
yxf
Por supuesto:
),(),(),( 22
yxfxy
yxF
yx
yxF
10
dxyxfyfY ),()(
dyyxfxf X ),()(
Las densidades de probabilidad marginales y las probabilidades condicionales se definen de forma semejante al caso bidimensional discreto sin más que sustituir sumatorios por integrales. Así:
(y)f
f(x,y) f(x|y)
Y
(x)f
f(x,y) f(y|x)
X
11
(y)P(x) PP(x, y) YX
Distribuciones bidimensionales e independencia
Los sucesos aleatorios {X = x} e {Y = y} son independientes si:
Y entonces, dos variables aleatorias serán independientes si la relación anterior se cumple para todos los posibles pares (x,y).
(y)p p(y|x)(x) pp(x|y) YX y
Podremos entonces escribir:
12
El teorema de Bayes se expresa como:
(x)p
(y) p(x|y)p p(y|x)
yp
(x) p(y|x)pp(x|y)
X
Y
Y
X
)(
13
14
15
16
17
18
19
20
La covarianza mide la manera en que dos variables aleatorias X e Y varían juntas. Por ejemplo, si cuando una variable aleatoria X se acerca a su media, entonces es de esperar que la variable Y esté cercana a la suya, la covarianza es positiva. Si es de esperar que la variable Y esté lejana a su media, entonces la covarianza es negativa.
Covarianza
))((),(Cov YXEYX
YEXE Con: 21
Se cumple que:
YXEYX ),(Cov
Si X e Y son variables independientes, su covarianza es cero. Observa que en este caso:
0),cov( YEXEYXEYX
Puesto que X e Y son variables independientes
Si la covarianza de X e Y es cero, no necesariamente X e Y son variables independientes.
22
Nota: Aquí está el punto 2 que nos quedaba pendiente.
Propiedades de la covarianza
Si a y b son constantes:
YXabbYaX
XYYX
XXX
,cov),cov(
,cov),cov(
var),cov(
24
),(Cov2VarVar)(Var 22 YXabYbXabYaX Nota:
25
Resumen del formulario:
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
Transformación de variables aleatorias bidimensionales
Dada una variable bidimensional (X, Y), con función densidad de probabilidad conjunta f(x, y) y una transformación biunívoca:
U = u(X, Y), V = v(X, Y)
la función de densidad de probabilidad conjunta de la nueva variable aleatoria bidimensional (U, V) será:
g(u, v) = f(x(u,v), y(u,v)) |J|
con:
1
y
v
x
vy
u
x
u
v
y
u
yv
x
u
x
J
41
Ejemplo de transformación bidimensional
Sean x,y dos números aleatorios generados por distribuciones normales tipificadas N(0,1). Si son independientes, su distribución sobre un plano será:
2
)(
2
1
22
1
22
1),(
2222 yxExp
yExp
xExpyxP
Hagamos una transformación a coordenadas polares (R,θ). Con d = R2 = x2 + y2 :
)2/(2
1
2
1),(
),(
),(),( dExpyxP
d
yxdP
que es equivalente al producto de una distribución exponencial de vida media 2, y una distribución uniforme definida en el intervalo [0,2π].
(Press et al., “Numerical Recipes”)
43
Transformación de Box-Müller:¿Cómo conseguir una distribución normal bidimensional
a partir de una uniforme?
demuestra que nos llevan a dos números aleatorios x,y cuya probabilidad sigue una distribución normal.
Puesto que las transformaciones dependen de funciones trigonométricas, no son muy eficientes para el cálculo computacional.
2
12
2
ln2
u
uR
)sin(2 ln2sin
)cos(2 ln2cos
21
21
uuRy
uuRx
(Press et al., “Numerical Recipes”)
Sean dos números aleatorios u1, u2 derivados de una distribución uniforme. Se realizan las transformaciones:
50
Para hacer el algoritmo de Box-Müller más rápido se definen las variables: v1 =2u1−1v2 =2u2−1Se generan números hasta que (v1,v2) se encuentre dentro del círculo de radio R = 1.
2/1
2/1
ln2
ln2
dd
y
dd
x
2
1
v
v2/1
22
2/111
)(sin
)(cos
22
21
22
21
vvvv
vvvv
R
R
v1
v2
Rθ
)
(−1,1)
(−1,−1) (1,−1)
(1,1)
para d ≤ 1. (Press et al., “Numerical Recipes”)
Estas transformaciones modificadas son más eficientes en el cálculo.
51
52
53