I Jntroduccion

Procesos Estocasticos Semana 02

• En ocasiones tendremos informacion de 10 que ha ocurrido con una de las dos variables que consideramos. Por ejemplo, sabemos que la prediccion fue tiempo soleado (Y=1).

• A traves de la distribucicn conjunta, podremos encontrar la funcion de probabilidad condicional de la otra variable, condicional al valor que tome la otra.

Universidad de Ciencias y Humanidades Ing. Pedro Pablo Rosales L6pez

• Vamos a calcular una funcion de masa de probabilidad de X condicional a que Y=1. Esta funcion verificara todas las propiedades que toda funcion de masa de probabilidad ha de cumplir.

I Contenido

II Probabilidad condicional

• Probabilidad condicional:

D condicionamiento mediante una variable aleatoria D Discreta y

D Continua.

• Recuerda que para dos sucesos, A y B, la probabilidad condicional de que A ocurra si sabemos que B ha ocurrido es:

peA I B) = peA n B) PCB)

• En el caso de dos v.a. discretas, la probabilidad condicional se calcula de manera analoqa:

fxlY(X ly)=P(X =X IY =y) P(X = x, Y = y) f(x,y)

P(Y = y) fy(y)

Ejemplo 1

• Tiempo atrnosferico (X) y predicci6n dia anterior (Y).

Calcula la funci6n de probabilidad de X con la condicional que la predicci6n del tiempo para manana es soleado.

Ejemplo 2

• Las v.a. X e Y representan la ganancia en dos inversiones diferentes.

• Calcula la funci6n de distribuci6n conjunta de X e Y.

• Si sabemos:
x -2 2
f(X) 0.60 0.40
Y 0 2 4
fey) 0.20 0.40 0.40
YIX=2 0 2 4
P(YIX=2) 0.25 0.25 0.50 y
Sol (1) Nubes (2) Lluvia (3)
Sol (1) 0.50 0.05 0.04
X Nubes (2) 0.04 0.10 0.02
Lluvia (3) 0.10 0.05 0.10 I Ejemplo 1 - Soluci6n

II Esperanza condicional

• Se trata de una funcion de masa de probabilidad de X. Por tanto tenemos que escribir los distintos valores que toma X y sus probabilidades. (condicionales a Y = 1)

• La esperanza condicional proporciona el valor esperado de una variable cuando conocemos los val ores que han tom ado las otras variables de las cuales depende.

• P(X = 1IY=1) =P(X=1 ,Y=1 )/P(Y=1)

• P(Y=1)= 0.5 + 0.04 + 0.1 = 0.64

• Definicion: la esperanza de X condicional a que Y=y se calcula como:

• Entonces

• P(X = 1IY=1) =50/64 =7813

• P(X = 2IY=1) = .04/64 = .0625

• P(X=3IY=1)=.10/64=.1563

L x.p(X = Xi I Y = y)

i

• Es decir, es la esperanza de la distribuci6n condicional de X a Y=y

• Nota: la suma de las anteriores probabilidades, ha de ser siempre igual a 1.

o .78 + .06 + 16 = 1

• Interpretacion: Valor esperado de X si se ha observado que Y=y

II EjempJo3

II EjempJo 4

En el ejemplo del tiempo metereoloqrco vamos a calcular las probabilidades de X=x condicionales a cada uno de los posibles valores de Y

Vamos a analizar cual es la distribucion de esta variable:

X/Y=l 1 2 3 Para cada
una de
f x/Y=l(X) 0.78 0.06 0.16 estas
funciones
XLY=2 1 2 3 podemos
f x/Y=2 0.25 0.5 0.25 definir la
esperanza:
seran la
XLY=3 1 2 3 esperanza
f x/Y=] 0.25 0.125 0.625 condicional £(XLYJ

1.38

2

2.37

Prob. 0.64

0.2 0.16

~\(Y= 2) """'_

P(Y=3)

Vale esta c ntidad si Y= 1

Por tanto, con una probabilidad igual a la P(Y= 1)=0.64

I Ejemplo 3

• Por tanto,

• E(XIY=1) = 0.78 + 0.06*2 + 0.16*3 = 1.38

• E(XIY=2) = 0.25 + 0.5*2 + 0.25*3 = 2

• E(XIY=3) = 0.25 + 0.125*2 + 0.625*3 = 2.37

I Relacion entre variables

• Las relaciones entre Variables Aleatorias pueden ser de muy distinto tipo: positivas 0 negativas (si cuando crece la una la otra tarnbien 10 hace y viceversa), lineales 0 no lineales, etc.

• Ffjate que para cada valor de Y tenemos un valor de la esperanza condicional de X.

• Por tanto, en definitiva, la esperanza condicional de X no es mas que es una FUNCION de Y.

• Como Yes una variable aleatoria, cualquier funci6n de ella misma es tambien una variable aleatoria.

• Esto significa que E(XIY=y) es una variable aleatoria! !

• Tarnbien puede ocurrir que no exista ninguna relaci6n entre dos v. a.: cuando esto ocurre diremos que dos v.a. son independientes.

• Vamos a estudiar a continuaci6n c6mo de 'lineal' es la relaci6n que existe entre dos variables: para ello definimos la covarianza y la correlaci6n.

I Covarianza

V.A.Continua - Funciones de densidad condicionadas

COV(X,Y)= E[(X-E(X))(Y-E(Y))

• La definici6n de la densidad condicional se define como el cociente de la funci6n de densidad conjunta y la densidad de la variable por la que se condiciona, es decir:

• Mide la relacion de tipo lineal entre dos v.a.

• Definicion:

• Interpretacion:

• Un valor positivo se interpreta como existencia de relacion lineal positiva entre las v.a. X e Y

• Un valor negativo, como existencia de relacion lineal negativa entre las v.a. X e Y.

I () IXY(x,y)

XIY X = J, (y)

o

f (y) = I XY (x, y)

YlX r, (x)

I Coeficiente de Correlacion

II V.A. Continua - Esperanza condicionada

• EI coeficiente de correlaci6n

• Estandariza la covarianza de manera que no dependa de las unidades en que estamos midiendo.

• De la misma manera, podemos definir la esperanza condicional para el caso continuo.

• Todo 10 que se dijo para las Variables Aleatorias bivariantes discretas es valido tambien aquf.

• Calculo:

cov(X,Y) CORR(X,Y)=r(X,Y)=

E (X I Y = y) = L: xf x IY (x) dx

• Definici6n:

• Es facil ver que esta medida ya no depende de las unidades.

E(Y IX

II EjempJo5

II Independencia

• Una urna contiene 4 bolas con los numeros 1, 2, 3 Y 4. Se extraen 2 bolas sin reemplazamiento.

• Encontrar la Ecuaci6n de densidad condicional.

• Encontrar las Ecuaciones de Densidad Condicional,

XIY=3 y su esperanza. f (x) = f(x, y) x - Y

XIY fy(y) 3/2- y

• Se define tam bien igual que en V.A. Discretas.

• Recuerda que si X e Y son discretas, entonces X eY son independientes si y solo si

f(x, y) = fX(x)·fY(y).

E (X I Y) = J_"'", xf x IY (x) dx =

1 11 2 3 2] 1

X - xydx = x 13- x y 12 0

3/2- y 0

1

---(1/3- y12)

312 - y

213 - y

3 - 2y

• Si X e Y son continuas, seran independientes si f(x, y) = fX(x)·fY(y).

• Donde ahora estas funciones representan funciones de densidad.

• Si no cumplen la relaci6n anterior, se dice que son depend ientes.

II Covarianza y Correlaci6n

II Ejemplo

• Toda la teorfa que se ha desarrollado en el caso de v.a. bivariantes discretas se puede aplicar aqui.

• Considera la densidad conjunta

fX,Y(x, y) = x y e-(x + y) x> 0, y > 0.

• La (mica diferencia es simplemente de calculo

D (pero sera preciso integrar doble para encontrar la E(XY)!)

• Las distribuciones marginales:

fX,(x) = x e-x x> 0, Y fY(y) = Y e- Y y > 0,

• Respectivamente. Entonces, fX,Y(x, y) = fX(x) fY(y).

Por tanto, X e Y son independientes.

II Ejercicio

4. Para fabricar un producto es necesario cornplstar dos procesos, don de el ':iegundo empieza inmediatamente daspues de que concluya el primero. La siguiente expresi6n representa la funcion de densidad conjunta de las variables X e Y, que miden el tiempo (en minutos) que se necesita para cornpletar el proceso 1 y "I proceso 2, respectivarnente,

en GiSO contrario

a) Determine las densidades marginales de X y de Y.

b) Si se sa be que el proceso 1 se complet6 en 2 minutos, calcula la duracion media del proceso nurnero 2.

c) Se quiere introducir una nueva rnaquinaria para completar el proceso 1, tal que la duraci6n del mlsmo se determine per una nueva variable X' = JX Calcula el tiernpo medic de fabricacion del prcducto ,I se emple6 I. nueva rr aquinaria par. completar el proceso 1