capítulo 6: variables aleatorias multivariadascvalle/ili-280/cap6-ii-07-2pp.pdf · propiedades...
TRANSCRIPT
![Page 1: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/1.jpg)
Universidad Técnica Federico Santa María
1
Universidad Técnica Federico Santa María
Departamento de Informática
ILI-280
Capítulo 6:Capítulo 6:Variables Aleatorias Variables Aleatorias MultivariadasMultivariadas
Estadística ComputacionalEstadística Computacional
I Semestre 2006I Semestre 2006
Prof. Carlos Valle
Página : www.inf.utfsm.cl/~cvalle
e-mail : [email protected]
2C. Valle
Sea X = (X1, X2,..., Xk) vector aleatorioPX : Bk R caracterizada por FX, fX (discreta, continua)
Caso k=2 :
: función de Distribución conjunta X=(X1,X2)
: función de densidad (cuantía)
: función de Distribución marginal de Xi, i=1,2
: función de densidad marginal i=1,2
),(f 21X xx
),(F 21X xx
Distribuciones Distribuciones MultivariantesMultivariantes
)( iX xFi
)( iX xfi
![Page 2: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/2.jpg)
Universidad Técnica Federico Santa María
2
3C. Valle
02
2
21
221 2
2
>== )()(
),()/( xfsi
xf
xxfxXXf X
X
X
)()(),( 212121 21
xfxfxxfXX XXX ∗=⇔⊥
[ ] [ ] [ ]),( 21 XEXEXE =
[ ] [ ][ ])()( XEXXEXE T
X −−=∑
Distribuciones Distribuciones MultivariantesMultivariantes
4C. Valle
[ ] [ ][ ]))((),cov( 221121 XEXXEXEXX −−=
[ ] [ ])(
),cov(),(
21
2121
XVXV
XXXX
∗=ρ
⇒=⇒⊥ 02121 ),cov( XXXX
[ ] [ ] [ ]212121 0 XEXEXXEXX =⇒=),(ρ
Distribuciones Distribuciones MultivariantesMultivariantes
![Page 3: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/3.jpg)
Universidad Técnica Federico Santa María
3
5C. Valle
Sea X = ( X1, X2) vector aleatorio discreto, con Xi variable aleatoria que representa el número de fallas del turno i. La siguiente tabla nos proporciona la función de cuantía conjunta:
0 1 2
0 0,1 0,2 0,2
1 0,04 0,08 0,08
2 0,06 0,12 0,12
2
1
X
X
Ejemplos de Vectores Aleatorios Ejemplos de Vectores Aleatorios DiscretosDiscretos
6C. Valle
1. Determinar las cuantías marginales
2. Determine las cuantías condicionales
)/( 212 =XXf)/( 121 =XXf
21 XX ff
Ejemplos de Vectores Aleatorios Ejemplos de Vectores Aleatorios DiscretosDiscretos
![Page 4: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/4.jpg)
Universidad Técnica Federico Santa María
4
7C. Valle
1. Cuantías marginales1. Cuantías marginales
=
=
=
=
2;4,0
1;4,0
0;2,0
)(
1
1
1
11
x
x
x
xf X
=
=
=
=
230
120
050
2
2
2
22
x
x
x
xf X
;,
;,
;,
)(
SoluciónSolución
8C. Valle
2. Cuantías condicionales
=
=
=
==
==
2;2,0/08,0
1;2,0/08,0
0;2,0/04,0
)1(
),(
1
1
1
2
211/
2
21
x
x
x
xf
xxff
X
XX
=
=
=
==
==
240120
140080
04020
22
2
2
1
212
1
12
x
x
x
xf
xxff
X
XX
;,/,
;,/,
;,/,
)(
),(/
SoluciónSolución
![Page 5: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/5.jpg)
Universidad Técnica Federico Santa María
5
9C. Valle
Obtenga además:Obtenga además:
1. 1.
2.2.
3.3.
[ ]1XE
),( 21 XXρ
[ ]212 =XXV /
NotaNota
10C. Valle
Sea X = (X1, X2) vector aleatorio continuo, con densidad:
Calcular:
[ ] ),()(3
2),( 211,0x2121
1 xxIexxxxfR
x
X+
−+=
),( 21 XXρ
Ejemplo de vectores aleatorios Ejemplo de vectores aleatorios continuoscontinuos
![Page 6: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/6.jpg)
Universidad Técnica Federico Santa María
6
11C. Valle
[ ] ∫ ∫∞
− =+=0
1
0
1221
2
113
5)(
3
21 dxdxexxxXEx
[ ] ∫ ∫∞
− =+=0
1
0
122
2
1
3
1
2
13
14)(
3
21 dxdxexxxXEx
[ ] ∫ ∫∞
− =+=0
1
0
12
2
22129
5)(
3
21 dxdxexxxXEx
[ ] ∫ ∫∞
− =+=0
1
0
12
3
2
2
21
2
218
7)(
3
21 dxdxexxxXEx
SoluciónSolución
12C. Valle
[ ] ∫ ∫∞
− =+=0
1
0
12
2
212
2
1219
8)(
3
21 dxdxexxxxXXEx
[ ]162
132 =XV[ ]
9
171 =XV
[ ] [ ]0951,0
),cov(),(
21
2121 −==
XVXV
XXXXρ
SoluciónSolución
![Page 7: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/7.jpg)
Universidad Técnica Federico Santa María
7
13C. Valle
Sea X vector aleatorio continuo con densidad conjunta , y sea con g: D ⊆⊆⊆⊆ R2 R2
función vectorial. Si se cumple:
♦D conjunto abierto:♦g es una transformación invertible con derivadas parciales continuas
♦Existe
Entonces
Xf )(xgy =
1=)(DP X
0),(
),(
21
21 ≠∧∂
∂= J
xx
ggJ
),(),(),( 21)(
1
2121 yyIJxxfyyf DgXy ∗∗=−
Teorema de Transformaciones Teorema de Transformaciones Vectores AleatoriosVectores Aleatorios
14C. Valle
Sea X = ( X1 , X2 ) vector aleatorio y seafunción de densidad marginal de X2.
Además, sea M = { x2 : } y sea g : D ⊂⊂⊂⊂ R R.
Consideremos ϕϕϕϕ : M R / ϕϕϕϕ (X2) = E[g(X1)/X2]. ϕϕϕϕ se llama función de regresión de g(X1) en X2.
)( 22xfX
022>)(xf X
Función de RegresiónFunción de Regresión
![Page 8: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/8.jpg)
Universidad Técnica Federico Santa María
8
15C. Valle
Propiedades:
1.
2.
3.
Entonces:
2121 XXYYAC
ACρρ =
[ ][ ] [ ] [ ][ ] [ ]212121 XEXXEEXEXXEE == //
[ ] [ ][ ] [ ][ ]12122 XXEVXXVEXV // +=
RDCBADCXYBAXY ∈+=+= ,,,2211
Función de RegresiónFunción de Regresión
16C. Valle
Sean X1 , X2 v.a.c. y
sean también
Encontrar:
1.
2.
3.
4. ¿Es y1 ⊥⊥⊥⊥ y2?
212211 XXYXXY ,/ ==
),( 21 yyfY
)( 22yfY
21 YYf /
] [),(),(
, 21102121 24 xxIxxxxfX
=
Ejemplo de TransformacionesEjemplo de Transformaciones
![Page 9: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/9.jpg)
Universidad Técnica Federico Santa María
9
17C. Valle
X1 , X2 ∈∈∈∈ ]0,1[ X12=Y1Y2 X2
2=Y2/Y1
Con Y1>0 ; Y2>0 ; Y1Y2<1 ; Y2/Y1<1
Sean Y1= g1(x1 , x2) Y2= g2(x1 , x2)X1= h1(y1 , y2) X2= h2(y1 , y2)
12212
2111
21
21
1
21
21
2
1
yyhyh
yhyh
yy
hh
xx
gg=
∂∂∂∂
∂∂∂∂=
∂
∂=
∂
∂−
),(),(
),(),(
SoluciónSolución
18C. Valle
1.
2.
3.
] [( ) ),(),(),(, 2110
1
2121 2 yyIJxxfyyfgXy
−=
),()( 21
1
22 yyIy
ySg=
∫∫ ==2
2
2
2
2
1
1
12
1
1212 2
y
y
y
y
YYy
dyydyyyfyf
//
),()(
104 2
1
22 <<=−
yyy ln
)(
),(/
2
21
2
21 yf
yyff
Y
YY =
SoluciónSolución
![Page 10: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/10.jpg)
Universidad Técnica Federico Santa María
10
19C. Valle
4. ∫ ∫+=1 1
1
0
1
0
2
1
22
1
21 22
y y
Y dyy
ydy
y
yyf )(
[ ] [ [ )()( ,, 113
1
1101
1yI
yyIy ∞+=
ntesindependieson no ,
)()(),(
21
2121
YY
yfyfyyfComo ≠
SoluciónSolución
20C. Valle
Sean X , Y v.a. y αααα , C ∈∈∈∈ R
[ ] αα =XE )1
[ ] [ ]XEXEX αα = )2
[ ] [ ] [ ]YEXEYXE +=+ )3
[ ] [ ] [ ]YEXEXYE ≠ )4
Propiedades Esperanza y VarianzaPropiedades Esperanza y Varianza
![Page 11: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/11.jpg)
Universidad Técnica Federico Santa María
11
21C. Valle
Sean X , Y v.a. y αααα , C ∈∈∈∈ R
[ ] 0 )1 =αV
[ ] [ ]XVXV 2 )2 αα =
[ ] [ ]XVCXV =+ )3
[ ] [ ] [ ] YXsiYVXVYXV ⊥+=+ )4
[ ] [ ] [ ] ),cov(2 )5 YXYVXVYXV ++=+
Propiedades Esperanza y VarianzaPropiedades Esperanza y Varianza
22C. Valle
Sean X1, X2, ..., Xn v.a. independientes:
En general para X1, X2, ..., Xn v.a. cualesquiera:
[ ]∏∏==
=
n
i
i
n
i
i XEXE11
)1 [ ]∑∑==
=
n
i
i
n
i
i XVXV11
)2
[ ]∏∏==
≠
n
i
i
n
i
i XEXE11
)3
[ ] ∑∑∑<==
+=
ji
jiji
n
i
ii
n
i
ii XXXEXV ),cov(2 )41
2
1
αααα
Propiedades Esperanza y VarianzaPropiedades Esperanza y Varianza
![Page 12: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/12.jpg)
Universidad Técnica Federico Santa María
12
23C. Valle
Caso Discreto: Distribución (Binomial)n , p=p1 , q=1-p=p2
),(!!
!),( 2121
21
2121 xxIpp
xx
nxxf A
xx
X =
{ }∑ =∧≥= nxxxA ii 0:
Distribuciones Distribuciones MultivariadasMultivariadas
);,( 21 xx
fracasos : : 21 == xéxitosx
24C. Valle
Caso Polinomial: n, p1, p2,..., pk
),..,(...
!
!),...,,( 121
1
2121
kA
x
k
xx
k
i
i
kX xxIppp
x
nxxxf k
∏=
=
{ }∑ =∧≥= nxxxA ii 0: [ ] ),...,,( knpnpnpXE 21=
∑
−−
−−−
=
)(
)(
kkk
k
X
pnppnp
pnppnppnp
1
1
1
12111
Κ
ΜΟΜ
Κ
Distribuciones Distribuciones MultivariadasMultivariadas
),...,,( 21 kxxx
![Page 13: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/13.jpg)
Universidad Técnica Federico Santa María
13
25C. Valle
Distribución Normal (Bivariada): X ∼∼∼∼ N(µµµµ,ΣΣΣΣ))()(
2
1
2121
1
2
1),( :
µµ
π
−Σ−− −
∑=
xx
X
T
exxfMatricial
−
−−
−+
−
−
−
−=
2
22
1
11
2
2
22
2
1
112
2)1(2
1
2
21 12
1)(
σ
µ
σ
µρ
σ
µ
σ
µ
ρ
ρσπσ
xxxx
exf
[ ] )( 21µµ=XE
=∑
2
221
21
2
1
σσρσ
σρσσX
Distribuciones Normal Distribuciones Normal MultivariadaMultivariada
26C. Valle
ρρ =),( 21 XX
),()( 2
1111σµNxf X =
),()( 2
2222σµNxf X =
))();(()/( 22
122
2
1121 1 ρσµ
σ
σρµ −−+= xNXXf
[ ]21 XXE / [ ]21 XXV /
Propiedades Normal Propiedades Normal BivariadaBivariada
![Page 14: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/14.jpg)
Universidad Técnica Federico Santa María
14
27C. Valle
Análogamente se tiene que:
))();(()/( 22
211
1
2212 1 ρσµ
σ
σρµ −−+= xNXXf
[ ]12 XXE / [ ]12 XXV /
Propiedades Normal Propiedades Normal BivariadaBivariada
28C. Valle
Las probabilidades de que cierta lámpara de un modelo de proyector dure menos de 40 horas, entre 40 y 80 horas, y más de 80 horas de uso interrumpido son 0.3; 0.5 y 0.2 respectivamente. Calcular la probabilidad de que entre 8 de tales lámparas, 2 duren menos de 40 horas; cinco duren entre 40 y 80 horas, y una dure más de 80 horas.
Ejemplo 1Ejemplo 1
![Page 15: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/15.jpg)
Universidad Técnica Federico Santa María
15
29C. Valle
n=8 ; p1=0,3 ; p2=0,5 ; p3=0,2x1=2 ; x2=5 ; x3=1
321
3213
1
332211
xxx
i
i
ppp
x
nxXxXxXP
∏=
====
!
!);;(
09450205030152
8 152 ,),(),(),(!!!
!==
Solución: Ejemplo 1Solución: Ejemplo 1
30C. Valle
Dos elementos (X,Y) se distribuyen como N ( µµµµ , ΣΣΣΣ ), siendo :
Al analizar un elemento se observa que contiene 6 gramos de X.
- ¿Cuál es el valor más probable de Y?
=
6
4µ
=Σ
2
801 .
Ejemplo 2Ejemplo 2
![Page 16: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/16.jpg)
Universidad Técnica Federico Santa María
16
31C. Valle
La respuesta consiste en encontrar: [ ]6=xyE /
[ ] )( 6,7)(6/ 1
1
22 gramosxxyE =−+== µ
σ
σρµ
[ ] 28,1)1(6/ 22
2 =−== ρσxyV
Solución: Ejemplo 2Solución: Ejemplo 2
32C. Valle
Una línea eléctrica se avería cuando la tensión sobrepasa la capacidad de la línea. Si la tensión se distribuye como N ( 100 ; 20 ) y la capacidad como N ( 140 ; 10 ), calcular la probabilidad de avería, suponiendo independencia.
Tarea: RecomendableTarea: Recomendable
![Page 17: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/17.jpg)
Universidad Técnica Federico Santa María
17
33C. Valle
Distribuciones normal: (d -multivariada)
La f.d.p. normal multidimensional.
• Forma funcional.
Σ : matriz de covarianza
| Σ | : determinante de Σ
Σ-1 : matriz inversa de Σ
(X - µ)T : vector traspuesto de (X- µ)
−−−
Σ= ∑
−1)()(
2
1exp
||)2(
1)( µµ
πXXxf T
d
34C. Valle
Función de densidad normal (bidimensional)
Representación de una fdp normal dibimensional
![Page 18: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/18.jpg)
Universidad Técnica Federico Santa María
18
35C. Valle
Función de densidad normal
• Parámetros que especifican la distribución
- La fdp normal multivariante está completamente especificada
por los parámetros µ y Σ
- En la práctica, estos parámetros son desconocidos y deben
estimarse a partir de prototipos.
=
dµ
µ
µ
µΜ
2
1
=Σ
dddd
d
d
σσσ
σσσ
σσσ
Λ
ΜΟΜΜ
Λ
Λ
21
22221
11211
36C. Valle
Función de densidad normal
Estimadores no sesgados de µ y de Σ :
donde:
N es el número de prototipos.
Xl es el l-ésimo prototipo.
)5(1
ˆ1
∑=
=N
l
lXN
µ
)6()ˆ)(ˆ(1
1ˆ
1
∑=
−−−
=ΣN
l
Tll XXN
µµ
![Page 19: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/19.jpg)
Universidad Técnica Federico Santa María
19
37C. Valle
Función de densidad normal
- Estimación alternativa (elemento a elemento):
para j, k = 1, 2, ..., d
donde:
* Xjl : componente j-ésima del prot. l-ésimo
* j: componente j-ésima del vector
)7()ˆ)(ˆ(1
1ˆ
1
∑=
−−−
=ΣN
l
l
k
l
j kjjkXX
Nµµ
µ̂
38C. Valle
Función de densidad normal
Propiedades de ΣΣΣΣ
1) Σ es simétrica. Como Σjk
= Σkj
, hay que calcular d (d + 1)/2
componentes.
2) Σ es (semi-definida positiva (|Σ|>0)
3) Σjk
es la covarianza entre las variables j y k (j,k = 1,2,...,d j ≠ k) y
se interpreta como la relación o dependencia entre estas dos variables.
4) Los valores de la diagonal de la matriz de covarianza son las
varianzas de las variables individuales, esto es, Σjj= σ2
j
5) Si Σjk
= 0, las variables j y k son estadísticamente independientes. Si
no, existe correlación entre ellas.
![Page 20: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/20.jpg)
Universidad Técnica Federico Santa María
20
39C. Valle
Función de densidad normal
A) Vars. independientes B) Vars. correladas
40C. Valle
2.2 La f.d.p. normal multidimensional.
2.2.1 La distancia de Mahalanobis
• Los puntos para puntos para los que el valor de la fdp es
constante están situados en hiperelipsoides en las que la forma
cuadrática (X- µ)T Σ-1(X- µ) es constante: distancia de
Mahalanobis (al cuadrado) de X a µ.
Función de densidad normal
![Page 21: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/21.jpg)
Universidad Técnica Federico Santa María
21
41C. Valle
Función de densidad normal
A) Dens. de prob B) Diagrama de dispersión
42C. Valle
Función de densidad normal
• Las direcciones de los ejes principales de estos
hiperelipsoides están determinadas por los autovectores de Σ y
sus longitudes por los autovalores correspondientes.
• Al estar ponderada por Σ, esta métrica considera la distinta
dispersión de las variables en el espacio.
Importante: con una métrica de este tipo, el concepto de
distancia es muy distinto al concepto de distancia en nuestro
mundo Euclídeo
![Page 22: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/22.jpg)
Universidad Técnica Federico Santa María
22
43C. Valle
Función de densidad normal
Dos distribuciones normales con igual media y diferentes matrices de covarianza
∑∑ −−=−− −− )()()()( 11 µµµµ BBAA TT
44C. Valle
Función de densidad normal
La f.d.p. normal multidimensional.
Correlación de variables
A) Alta covarianza B) Baja covarianza. En ambos casos, σ21 =5.7 y σ2
2=7.1
![Page 23: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/23.jpg)
Universidad Técnica Federico Santa María
23
45C. Valle
Función de densidad normal
• Coeficiente de correlación.
Medida normalizada del grado de relación entre las variables,
independiente de las unidades de medida.
Este coeficiente verifica que | ρij | ≤ 1
)8(ji
ij
ijσσ
ρ∑
=
46C. Valle
Función de densidad normal
• Relación entre covarianzas y correlaciones: Σ = Γ R Γ
=
=Γ
1
1
1
00
00
00
21
221
112
2
1
Λ
ΜΟΜΜ
Λ
Λ
Λ
ΜΟΜΜ
Λ
Λ
dd
d
d
d
R
ρρ
ρρ
ρρ
σ
σ
σ
=Γ
ddddd
d
d
R
σρσρσ
ρσρσρσ
ρσσρσ
ρσρσσ
Λ
ΜΟΜΜ
Λ
Λ
Λ
21
33323313
222212
1211211
![Page 24: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/24.jpg)
Universidad Técnica Federico Santa María
24
47C. Valle
Función de densidad normal
Σ=
=ΓΓ
2
2211
3332321331
22
2
22121
111212
2
1
)(
ddddd
dd
dd
dd
R
σρσσρσσ
ρσσρσσρσσ
ρσσσρσσ
ρσσρσσσ
Λ
ΜΟΜΜ
Λ
Λ
Λ
- ρij= , entonces Σij = σj σi ρij . Además, como Σij = Σji,
entonces ρij = = = ρji
- Como ρii = = = 1. Σii = σi σi ρii = σi2 porque ρij
= 1
ji
ij
σσ
Σ
ji
ij
σσ
Σ
ji
ji
σσ
Σ
ii
ii
σσ
Σ
ii
i
σσ
σ 2
48C. Valle
• Interpretación del factor de correlación
Si proyectamos la nube de puntos sobre un plano definido por
los ejes (abscisas) y (ordenadas):
- Superficie: determinada por ΓΓΓΓ (desviaciones típicas).
- Forma: determinado por R (correlaciones).
Dado que | ρij | ≤1 (-1 ≤ ρij ≤1)
1. Si ρij = 0, la correlación es nula (son independientes): los
puntos se disponen aleatoriamente en un círculo (σ1 = σ2) o en
una elipse (σ1 ≠ σ2) cuyo centro es (µi,µj). Una correlación con
valor 0 indica que no existe relación lineal en absoluto.
Correlación
![Page 25: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/25.jpg)
Universidad Técnica Federico Santa María
25
49C. Valle
CORRELACIÓN
Ejemplos de correlación nula
50C. Valle
2. Si 0 < ρij < 1 los puntos se disponen en una elipse centrada
en (µi,µj). El eje principal tiene una pendiente positiva y una
forma más o menos circular dependiendo de si ρij está más o
menos cercano a 0.
Función de densidad normal
Ejemplos de correlación positiva
![Page 26: Capítulo 6: Variables Aleatorias Multivariadascvalle/ILI-280/Cap6-II-07-2pp.pdf · Propiedades Normal Bivariada C. Valle 28 Las probabilidades de que cierta lámpara de un modelo](https://reader030.vdocumento.com/reader030/viewer/2022040909/5e8169b8bfb2460aa55da597/html5/thumbnails/26.jpg)
Universidad Técnica Federico Santa María
26
51C. Valle
3. Si ρij = 1, la correlación el lineal y perfecta ( Xj depende
linealmente de Xi): los puntos se disponen a lo largo de una
línea recta con pendiente positiva
Función de densidad normal
Ejemplos de correlación lineal