Va 2D

Procesos Estocásticos
Departamento de Eléctrica y Electrónica
Dr. Marco J. Flores C.
Abril 2018-Septiembre 2018

Variables aleatorias multidimensionales continuas
Variables aleatorias multidimensionales discretas
Esperanza condicional
Covarianza
Transformaciones bidimensionales
Funciones de distribución bidimensionales
Figure: Variables Aleatorias Bidimensionales
Dr. Marco J. Flores C. Procesos Estocásticos

Covarianza
Variables Aleatorias Bidimensionales

Sea S el espacio muestral asociado a un experimento aleatorio.
(X , Y ) : S → R2 es una v.a. bidimensional
Nota: (X , Y ) es una v.a. bidimensional si y solamente si X e Y son v.a.

unidimensionales.

Covarianza

Distribución de densidad conjunta
Dado un par de variables aleatorias (X , Y ) , su cdf conjunta es la función
FXY de dos variables reales dadas por:
FXY (x, y ) = P(X 6 x, Y 6 y ) (1)

donde x y y son dos números arbitrarios reales.
Función de densidad marginal

La función de distribución marginal de X es:
FX (x) = limy →∞ FXY (x, y ) (2)
La función de distribución marginal de Y es:
FY (y ) = limx→∞ FXY (x, y ) (3)

Covarianza

Distribución de densidad conjunta
Dado un par de variables aleatorias (X , Y ) , su pdf conjunta es la función
fXY de dos variables reales dadas por:
∂2 FXY (x, y )
fXY (x, y ) = (4)
∂x∂y
Densidad conjunta
Una cdf conjunta FXY posee una pdf conjunta , si existe una función
fXY (x, y ) de dos variables reales tal que
Zx Zy
FXY (x, y ) = fXY (u, v )dudv para todo x, y (5)
−∞ −∞
Densidades marginales
Z∞ Z∞
fX (x) = Dr. fMarco
XY (x, y )dyC.
J. Flores f (y ) =
Procesos
Y fXY (x, y )dx
Estocásticos (6)
Covarianza
Figure: Representación de fXY (x, y ) (izq.) y fY (y ) (der.)

Covarianza
Independencia (cdf)
Si FXY (x, y ) = FX (x)FY (y ), para cada elección de x e y , entonces las
v.a. X e Y son independientes.
Independencia (pdf)
Si X e Y son independientes, entonces fXY (x, y ) = fX (x)fY (y ), donde
fX (x) y fY (y ) son las pdf marginales de X e Y , respectivamente
Independencia (composición de funciones)

Si X e Y son independientes, entonces U = G (X ), y V = H(Y ) también
son independientes.

Covarianza
Propiedades (cdf)
La cdf conjunta tiene varias propiedades, algunas de ellas son:
0 6 FXY (x, y ) 6 1
Si x1 6 x2 y y1 6 y2 , entonces:
FXY (x1 , y1 ) 6 FXY (x2 , y1 ) 6 FXY (x2 , y2 )

FXY (x1 , y1 ) 6 FXY (x1 , y2 ) 6 FXY (x2 , y2 )
P(x1 6 X 6 x2 , Y 6 y ) = FXY (x2 , y ) − FXY (x1 , y )

P(X 6 x, y1 6 Y 6 y2 ) = FXY (x, y2 ) − FXY (x, y1 )
Si x1 6 x2 y y1 6 y2 , entonces:
FXY (x2 , y2 ) − FXY (x1 , y2 ) − FXY (x2 , y1 ) + FXY (x1 , y1 ) > 0

Covarianza
Ejercicios variables aleatorias bidimensionales
Ejemplo 1
Hallar FX (x), FY (y ) y fXY (x, y ) si FXY (x, y ) es [?]:

y +exp(−x(y +1))
y +1 − exp(−x) si x, y > 0
FXY (x, y ) =
0 si no
Ejemplo 2
Sea la pdf conjunta de las v.a. X e Y dada por:

6xy 2 si 0 < x < 1 y 0 < y < 1
fXY (x, y ) =
0 si no
Verificar que se trata de una pdf. Son X e Y independientes?.

Covarianza
Práctica Matlab: variables aleatorias bidimensionales
Ejemplo 3
Desarrollar el ejercicio anterior y responder las mismas preguntas si la
región es 0 < x < y < 1. Realizar los cambios que sean necesarios.
Ejemplo 4
Suponga que el par de v.a. (X , Y ) se distribuyen uniformemente sobre un
círculo de radio 1, con pdf conjunta:

c si x 2 + y 2 < 1
fXY (x, y ) = (7)
0 caso contrario
Hallar las pdf’s marginales de X e Y .

√
Sol: fX = π2 1 − x 2 para |x| < 1. Similarmente para Y

Covarianza
Práctica Matlab: variables aleatorias bidimensionales
Ejemplo real: Detección del color de piel

Para detectar el color de piel humana se puede modelar a través de una
pdf en 2D.
En la figura se observa, sistema de detección del rostro, la segmentación

por color y la distribución del color de piel en el espacio de color CbCr.
Ref: New probability models for face detection and tracking in color
images
Covarianza
Tarea para reforzar el conocimiento
Tarea
Desarrollar ejercicios de este tema.

Covarianza
Funciones de densidad de probabilidad 2D discretas

Sea S el espacio muestral asociado a un experimento aleatorio.
(X , Y ) : S → R2 es una v.a. bidimensional discreta si y solamente si X e
Y son v.a. unidimensionales discretas.
Una v.a. bidimensional discreta queda caracterizada por la sigiuiente
notación:
P(X = x, Y = y ) = P({ω ∈ S : X (ω) = x, Y (ω) = y }) (8)

Para todo (x, y ) en el recorrido de (X , Y ).

Covarianza

Dado un par de variables aleatorias (X , Y ) , su pdf conjunta es la función
pXY de dos variables reales dadas por:
pXY (x, y ) = P(X = x, Y = y ) (9)

donde x y y son dos números arbitrarios reales.
Propiedades
0 6 pXY (x, y ) 6 1
Para todo (x, y ): XX
pXY (x, y ) = 1
x y
Para (x, y ) ∈ A donde A es un evento

X X
P((X , Y ) ∈ A) = pXY (x, y )
Covarianza

CDF conjunta
La cdf conjunta es:
XX
FXY (x, y ) = pXY (a, b)
a6x b6y
Distribuciones marginales
La pdf marginal de X es:
X
pX (x) = pXY (x, y )
y
La pdf marginal de Y es:

X
pY (y ) = pXY (x, y )
x

Covarianza
Independencia CDF
Si X e Y son v.a. discretas independientes, entonces:
FXY (x, y ) = FX (x)FY (y )
Independencia pdf
Si X e Y son v.a. discretas independientes, entonces:
pXY (x, y ) = pX (x)pY (y )

P P
Es decir, pXY (x, y ) = x pXY (x, y ) y pXY (x, y )

Covarianza
Ejercicios variables aleatorias bidimensionales discretas
Ejemplo 1
La siguiente tabla muestra la pdf conjunta de (X , Y ).
Hallar pX (x) y pY (y ). Calcular la probabilidad de que tanto X como Y

sean menores que 3. Calcular la probabilidad de que X sea par y Y impar.

Covarianza
Ejemplo 2
Se dispone de una caja con 3 piezas aptas y 2 defectuosas. Se extraen 2
piezas sin reempĺazo, y se definen las v.a. discretas:

1, si la 1ra pieza es apta
X =
0, si la 1ra pieza es defectuosa

1, si la 2da pieza es apta
Y =
0, si la 2da pieza es defectuosa
Hallar la pdf conjunta y las marginales.

Covarianza

Sol: Se definen los eventos Ai : la i-ésima pieza es apta y Di : la i-ésima
pieza es defectuosa.
S = {A1 ∩ A2 , A1 ∩ D2 , D1 ∩ A2 , D1 ∩ D2 } (10)
Por lo tanto, la pdf conjunta es:
21 2
P(X = 0, Y = 0) = P(D1 ∩ D2 ) = P(D1 )P(D2 |D1 ) = =
54 20
6
P(X = 0, Y = 1) =
20
6
P(X = 1, Y = 0) =
20
6
P(X = 1, Y = 1) =
20
Las marginales son:
Covarianza
Tarea para reforzar el conocimiento
Tarea
Desarrollar ejercicios de este tema.

Va 2D

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Va 2D

Caricato da

Copyright:

Formati disponibili

Procesos Estocásticos

Departamento de Eléctrica y Electrónica

Dr. Marco J. Flores C.

Abril 2018-Septiembre 2018

Funciones de distribución bidimensionales

Figure: Variables Aleatorias Bidimensionales

Dr. Marco J. Flores C. Procesos Estocásticos

Variables Aleatorias Bidimensionales

Variables Aleatorias Bidimensionales

Nota: (X , Y ) es una v.a. bidimensional si y solamente si X e Y son v.a.

Dr. Marco J. Flores C. Procesos Estocásticos

Funciones de distribución bidimensionales

FXY (x, y ) = P(X 6 x, Y 6 y ) (1)

Función de densidad marginal

FX (x) = limy →∞ FXY (x, y ) (2)

La función de distribución marginal de Y es:

FY (y ) = limx→∞ FXY (x, y ) (3)

Funciones de distribución bidimensionales

Funciones de distribución bidimensionales

Figure: Representación de fXY (x, y ) (izq.) y fY (y ) (der.)

Dr. Marco J. Flores C. Procesos Estocásticos

Funciones de distribución bidimensionales

Independencia (composición de funciones)

Dr. Marco J. Flores C. Procesos Estocásticos

Funciones de distribución bidimensionales

FXY (x1 , y1 ) 6 FXY (x2 , y1 ) 6 FXY (x2 , y2 )

P(x1 6 X 6 x2 , Y 6 y ) = FXY (x2 , y ) − FXY (x1 , y )

FXY (x2 , y2 ) − FXY (x1 , y2 ) − FXY (x2 , y1 ) + FXY (x1 , y1 ) > 0

Dr. Marco J. Flores C. Procesos Estocásticos

Ejercicios variables aleatorias bidimensionales

Verificar que se trata de una pdf. Son X e Y independientes?.

Dr. Marco J. Flores C. Procesos Estocásticos

Práctica Matlab: variables aleatorias bidimensionales

Hallar las pdf’s marginales de X e Y .

Dr. Marco J. Flores C. Procesos Estocásticos

Práctica Matlab: variables aleatorias bidimensionales

Ejemplo real: Detección del color de piel

En la figura se observa, sistema de detección del rostro, la segmentación

Tarea para reforzar el conocimiento

Dr. Marco J. Flores C. Procesos Estocásticos

Funciones de densidad de probabilidad 2D discretas

Variables Aleatorias Bidimensionales

P(X = x, Y = y ) = P({ω ∈ S : X (ω) = x, Y (ω) = y }) (8)

Dr. Marco J. Flores C. Procesos Estocásticos

Funciones de densidad de probabilidad 2D discretas

pXY (x, y ) = P(X = x, Y = y ) (9)

Para (x, y ) ∈ A donde A es un evento

Funciones de densidad de probabilidad 2D discretas

La pdf marginal de Y es:

Dr. Marco J. Flores C. Procesos Estocásticos

Funciones de densidad de probabilidad 2D discretas

FXY (x, y ) = FX (x)FY (y )

pXY (x, y ) = pX (x)pY (y )

Dr. Marco J. Flores C. Procesos Estocásticos

Ejercicios variables aleatorias bidimensionales discretas

Hallar pX (x) y pY (y ). Calcular la probabilidad de que tanto X como Y

Dr. Marco J. Flores C. Procesos Estocásticos

Ejercicios variables aleatorias bidimensionales discretas

Dr. Marco J. Flores C. Procesos Estocásticos

Ejercicios variables aleatorias bidimensionales discretas

Por lo tanto, la pdf conjunta es:

Tarea para reforzar el conocimiento

Dr. Marco J. Flores C. Procesos Estocásticos