Documentos de Académico
Documentos de Profesional
Documentos de Cultura
9 Distribuciones Bidimensionales
9 Distribuciones Bidimensionales
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) 1,
x
p ( x, y ) 0.
1
p X (x) p ( x, y )
y
pY (y) p ( x, y )
x
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
F ( x, y ) F ( x, y )
f ( x, y )
xy
yx
2
Por supuesto:
f ( x, y ) 0,
f ( x, y)dxdy 1
10
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
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 )
Distribuciones bidimensionales
e independencia
Los sucesos aleatorios {X = x} e {Y = y} son independientes
si:
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
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
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
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
0
1
2
0
.10
.08
.07
1
0.08
.30
.03
2
.04
.10
.20
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
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.
Cov( X , Y )
(X, Y)
x y
Definicin:
(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
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.
41
42
43
Son normales
44
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)
x
J u
y
u
x u
v x
y
v
v 52 x
u
y
v
y
x2
1
P ( x, y )
Exp
2
2
y2
(x2 y2 )
1
1
Exp
Exp
2 2
2
2
( 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:
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 )
(1,1)
(1,1)
)
v1
(1,1)
v2
(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