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:

p(x, y) P(X x, Y y).

Con:

p( x, y) 1,
x

p ( x, y ) 0.
1

Podemos encontrar la probabilidad marginal de

la variable aleatoria X sumando sobre todos los
posibles valores de la variable aleatoria Y:

p X (x) p ( x, y )
y

Igualmente, podemos encontrar probabilidad

marginal de la variable aleatoria Y sumando
sobre todos los posibles valores de la variable
aleatoria Y:

pY (y) p ( x, y )
x

Funcin de probabilidad condicional

La funcin de probabilidad condicional de X dado Y = y es:

p(x,y)
p(x|y)
pY (y)
Y la funcin de probabilidad condicional de Y dado X = x es:

p(x,y)
p(y|x)
p X (x)
3

Nota: El punto 2 lo veremos ms adelante.

La definicin 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

funcin de probabilidad con respecto a sus argumentos:

F ( x, y ) F ( x, y )

f ( x, y )
xy
yx
2

Por supuesto:

f ( x, y ) 0,

f ( x, y)dxdy 1

10

Las densidades de probabilidad marginales y las

probabilidades condicionales se definen de forma
semejante al caso bidimensional discreto sin ms que
sustituir sumatorios por integrales. As:

fY ( y )

f ( x, y )dx

f X ( x)

f ( x, y)dy

f(x,y)
f(x|y)
fY (y)
f(x,y)
f(y|x)
f X (x)
11

Independencia

Ausencia de relacin de cualquier tipo entre dos v.a.

Recuerda que dos sucesos, A y B, son independientes si tener informacin sobre uno
de ellos no influye en el clculo de prob. del otro, es decir:

P ( A | B ) P ( A)
O equivalentemente, A y B son independientes si y solo si:

P(A B) P(B)P(A )
De manera similar se puede definir el concepto de independencia entre v.a.
Sean X e Y dos v.a. (continuas o discretas). X e Y son independientes si y solo si la
distribucin de una ellas condicionada por la otra es igual a la marginal de la primera,

f X |Y ( x ) f X ( x ) f Y | X ( y ) f Y ( y )

Como en el caso de sucesos, esta definicin implica que X e Y son indep. si su

distribucin conjunta se puede calcular como el producto de las marginales, es decir:

f XY (x, y) f X (x) f Y (y)

Distribuciones bidimensionales
e independencia
Los sucesos aleatorios {X = x} e {Y = y} son independientes
si:

P(x, y) PX (x) PY (y)

Y entonces, dos variables aleatorias sern independientes
si la relacin anterior se cumple para todos los posibles
pares (x,y).

Podremos entonces escribir:

p(x|y) p X (x) y p(y|x) pY (y)

13

El teorema de Bayes se expresa como:

p X (x) p(y|x)
p(x|y)
pY ( y )
pY (y) p(x|y)
p(y|x)
p X (x)

14

paralelo

15

16

17

18

19

20

21

22

23

24

25

Relaciones entre variables

Cuando construimos modelos, bsicamente estamos
relacionando variables con argumentos del tipo: Un
aumento en la variable X est asociado a un
aumento (descenso) de la variable Y.
Algunos ejemplos
Existe una relacin positiva entre el flujo de inmigrantes a
un pas y la renta per capita del pas de acogida.
Existe una relacin positiva entre la nota obtenida en
probabilidad y la de estadstica.
Existe una relacin negativa entre la tasa de fecundidad y la
tasa de participacin femenina.
No parece que exista ninguna relacin entre el volumen de
lluvias en Islandia y la nota del parcial de probabilidad.

Las relaciones entre v.a.

pueden ser de muy distinto
tipo: positivas o negativas (si
cuando crece la una la otra
tambin lo hace y viceversa),
lineales o no lineales, etc.
Tambin puede ocurrir que no
exista ninguna relacin entre
dos v.a.: cuando esto ocurre
diremos que dos v.a. son
independientes.
Vamos a describir a
continuacin cmo de lineal
es la relacin que existe entre
dos variables: para ello
definimos la covarianza y la
correlacin

Relacin lineal
positiva

X
Y

Relacin no-lineal

X
Y

Sin relacin

Covarianza
La covarianza mide la manera en que dos variables
aleatorias X e Y varan juntas. En particular mide el
tipo de relacin lineal entre las variables aleatorias.
Un valor positivo se interpreta como existencia de
relacin lineal positiva entre las v.a. X e Y.
Un valor negativo, apunta a la existencia de una
relacin lineal negativa entre las v.a. X e Y.

Cov( X , Y ) E ( X )(Y )
Con:

E X

EY

28

Un valor igual a cero se interpreta como

ausencia de relacin lineal.
Pero, ojo: Esto NO es igual a decir que las v.a.
son independientes.
Y

Las variables No tienen ningn tipo de

O de manera ms general, tienen
relacin, es decir son INDEPENDIENTES algn tipo de relacin que no es
lineal.

Se cumple que:

Cov( X , Y ) E X Y
Si X e Y son variables independientes, su covarianza
es cero. Observa que en este caso:
cov( X , Y ) E X Y E X E Y 0
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.
30

Nota: Aqu est el punto 2 que nos quedaba pendiente.

Propiedades de la covarianza
Si a y b son constantes:

cov( X , X ) var X

cov( X , Y ) cov Y , X
cov(aX , bY ) ab cov X , Y
Nota:
Var ( aX bY ) a 2 Var X b2 Var Y 2abCov( X , Y )
32

Otro ejemplo: El equipo X y el equipo Y se enfrentan

en un campeonato. Supn que la distribucin de
probabilidad conjunta del nmero de goles que
obtienen es:
Y

0
1
2

0
.10
.08
.07

1
0.08
.30
.03

2
.04
.10
.20

Existe alguna relacin lineal entre el nmero de

goles marcados por uno y otro equipo? En caso
afirmativo, se trata de una relacin estrecha?

Calculemos la correlacin entre X e Y.

Para ello tenemos que calcular Cov(X,Y) = E(XY) E(X)E(Y)
Calculemos E(XY). Para ello calcularemos la funcin de
masa de probabilidad de la variable aleatoria Z = XY:
XY

0.37

0.30

2
0.13

4
0.20

P(X=2,Y=
2)
P(X=1,Y=2) + P(X=1,Y=2)

P(X=1,Y=
1)
E(XY) = 0*0.37 + 1*0.30 + 2*0.13 + 4*0.20 = 1.36
E(X)=1.08; E(Y)=1.09
Por tanto, Cov (X,Y) = 1.36 - 1.08*1.09 = 0.18
Existe una relacin lineal positiva entre los goles que marca uno
y otro equipo por partido. Para cuantificar la fuerza de la relacin
hay que calcular el coeficiente de correlacin.

35

En nuestro ltimo ejemplo:

Var(X) = 0.51, Desviacin tip: 0.71
Var(Y) = 0.58, Desviacin tip.: 0.76
Por tanto,
CORR(X,Y) = 0.18/(0.71*0.76) =
0.33
El coeficiente de correlacin est lejano de cero lo
que confirma que existe una relacin lineal positiva
significativa entre los goles marcados por X e Y.
Por otra parte, este valor tambin est lejano a 1
por lo que se puede deducir que esta relacin lineal
no es muy intensa que digamos...

El coeficiente de correlacin
Imagina que la v. a. X = beneficio (medido en
millones de euros) de la empresa X e Y =
beneficio en millones de euros de la empresa Y.
Y que sabemos que la covarianza entre ambas
variables aleatorias es: Cov(X,Y) = -1.8
Si expresramos lo mismo en euros, en vez de en
millones de euros, tendramos:
Cov(X*1.000.000,Y*1.000.000)=1000.000.000.000
*(-1.8)
La covarianza depende de las unidades en que
medimos las variables. Por tanto, NO podemos
utilizarla para medir la intensidad de la relacin
lineal.

El coeficiente de correlacin estandariza la covarianza

de manera que no dependa de las unidades en que
estamos midiendo.

Cov( X , Y )
(X, Y)
x y

Definicin:

Es fcil ver que esta medida ya no depende de las

unidades.
En el ejemplo anterior:

(10 X ,10 Y )
6

10 6 * 10 6
2*6

10 10
1

2*6

cov(10 X ,10 Y )
Var (10 6 X )Var (10 6 Y )

cov( X , Y )
Var ( X )Var (Y )

[)
(Z
E
V
)c]ov
((X
E
),Y
Z
E
(
V
)
2
2
2
xy xy

Propiedades del coeficiente de correlacin

No depende de las unidades

Siempre est entre 1 y 1.

Este resultado deriva de la conocida desigualdad

de Schwartz. Para toda v.a Z y V,
Llamando: Z = X-E(X) y V = Y-E(Y) y tomando
races cuadradas:

Interpretacin
CORR(X,Y) = 1. Existe una relacin
lineal exacta entre X e Y, y la
pendiente de la recta es positiva:
0< CORR(X,Y) <1, relacin lineal +
entre X e Y, ms intensa cuanto
ms cercana a 1.
CORR(X,Y) = 0, ausencia de relacin
lineal.
-1< CORR(X,Y) <0, relacin lineal (-)
entre X e Y, ms intensa cuanto
ms cercana a -1
CORR(X,Y) = -1, existe una relacin
lineal (-) exacta entre X e Y.

Resumen del formulario:

41

42

43

Son normales

44

Si f(x,y) es una funcin de densidad no normal bidimensional, entonces

no necesariamente fx(x) y fy(y) no son normales:

45

46

47

48

49

50

51

Transformacin de variables
aleatorias bidimensionales
Dada una variable bidimensional (X, Y), con funcin densidad
de probabilidad conjunta f(x, y) y una transformacin biunvoca:

U = u(X, Y),

V = v(X, Y)

la funcin de densidad de probabilidad conjunta de la nueva

variable aleatoria bidimensional (U, V) ser:

g(u, v) = f(x(u,v), y(u,v)) |J|

con:

x
J u
y
u

x u
v x
y
v
v 52 x

u
y
v
y

Ejemplo de transformacin bidimensional

Sean x,y dos nmeros aleatorios generados por distribuciones
normales tipificadas N(0,1). Si son independientes, su distribucin
sobre un plano ser:

x2
1
P ( x, y )
Exp
2
2

y2
(x2 y2 )
1
1
Exp
Exp

2 2
2
2

Hagamos una transformacin a coordenadas polares (R,).

Con d = R2 = x2 + y2 :

( x, y )
1 1
P(d , )
P ( x, y )
Exp(d / 2)
(d , )
2 2
que es equivalente al producto de una distribucin exponencial de
vida media 2, y una distribucin uniforme definida en el intervalo
[0,2].
54
(Press et al., Numerical Recipes)

Transformacin de Box-Mller:

Cmo conseguir una distribucin normal bidimensional

a partir de una uniforme?

Sean dos nmeros aleatorios u1, u2 derivados de una

distribucin uniforme. Se realizan las transformaciones:

R 2 2 ln u1

x R cos 2 ln u1 cos(2 u2 )

2 u2

y R sin 2 ln u1 sin(2 u2 )

demuestra que nos llevan a dos nmeros aleatorios x,y

cuya probabilidad sigue una distribucin normal.
Puesto que las transformaciones dependen de funciones
trigonomtricas, no son muy eficientes para el clculo
61
computacional.
(Press et al., Numerical Recipes)

(1,1)

(1,1)

)
v1

(1,1)

v2

Para hacer el algoritmo de Box-Mller

ms rpido se definen las variables:
v1 =2u11
v2 =2u21
Se generan nmeros hasta que
(v1,v2) se encuentre dentro del crculo
de radio R = 1.

(1,1)

2 ln d
x v1

1/ 2

2 ln d
y v2

1/ 2

para d 1.

v1
v1
cos 2
R (v1 v 22 )1/ 2
v2
v2
sin
2
R (v 1 v 22 )1/ 2
Estas transformaciones modificadas
son ms eficientes en el clculo.
62
(Press et al., Numerical Recipes)

63

64