Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadstica
j = 1, 2, . . . , h} (donde k
j = 1, 2, . . . , h}, como:
i
p(X = xi , Y = yj ) = 1
53
Estadstica
10
11
12
1/36
1/36
1/36
1/36
1/36
1/36
1/18
1/18
1/18
1/18
1/18
1/18
1/18
1/18
1/18
1/18
1/18
1/18
1/18
1/18
1/18
x, y IR.
j
i
p(xi , yj )
p(xi , yj )
i
pX (X = xi ) = 1
54
Estadstica
pY (Y = yj ) 0,
pY (Y = yj ) = 1
10
11
12
1/36
1/36
1/36
1/36
1/36
1/36
6/36
1/18
1/18
1/18
1/18
1/18
5/18
1/18
1/18
1/18
1/18
4/18
1/18
1/18
1/18
3/18
1/18
1/18
2/18
1/18
1/18
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
p(X = xi /(Y = yj )) =
p(X = xi , Y = yj )
p(X = xi , Y = yj )
=
p(Y = yj )
p(X = xk , Y = yj )
k
p(Y = yj /(X = xi )) =
p(X = xi , Y = yj )
p(X = xi , Y = yj )
=
p(X = xi )
p(X = xi , Y = yk )
k
Proposicin 2 Las funciones de probabilidad pX/Y =yj y pY /X=xi definen un probabilidad, es decir, se
verifica que:
pX/Y =yj (xi ) 0,
pY /X=xi (yj ) 0,
i
j
55
Estadstica
Est claro que se pueden definir otras distribuciones condicionadas, como por ejemplo:
p(X = xi /Y yj ),
p(Y = yj /xm X xn ), . . .
Ejemplo 2:
Volviendo a la tirada de dos dados y considerendo las variables:
X= suma de los resultados
Y= valor absoluto de la diferencia
podemos considerar la variable X/(Y 2), cuyo soporte es SX/(Y 2) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
y cuya distribucin de probabilidades viene dada por:
X/(Y 2)
10
11
12
p(X = xi /Y 2)
1/24
2/24
3/24
4/24
5/24
6/24
5/24
4/24
3/24
2/24
1/24
Observacin 1 Obsrvese que estas distribuciones condicionadas son distribuciones de variables aleatorias
discretas.
(x, y) R2
f (x, y)dxdy
(c) p(X x, Y y) =
=1
x
y
f (s, t)dtds
y tambin se denota
La funcin f (x, y) se denomina funcin de densidad conjunta del vector X
por fXY (x, y).
Observacin 2 La condicin (a), significa que la funcin f (x, y) determina un slido V (que puede
ser infinito) en IR2 . La condicin (b) nos dice que el volumen de ese slido tiene que ser 1. La expresin
(c) define una funcin en IR2 , llamada funcin de distribucindel vector aleatorio:
F (x, y) = p(X x, Y y) =
x y
f (s, t)dtds
56
Estadstica
Distribuciones marginales:
Definicin 6 Se define la funcin de densidad marginal de X como:
fX (x) =
f (x, y)dy
f (x, y)dx
Observacin 3 fX (x) es el rea de la seccin que origina en V el plano X=x. fY (y) es el rea de la
seccin que origina en V el plano Y=y.
Proposicin 3 Las funciones fX y fY son funciones de densidad de variables aleatorias unidimensionales.
Distribucin condicionada:
En el caso de una v.a. continua, la densidad de cualquier punto es cero, pero eso no significa que no
pueda ocurrir, por ello tiene perfecto sentido plantearnos, por ejemplo, la variable X condicionada por
que ha ocurrido Y = y0 .
Definicin 7 Sea (X, Y ) un vector aleatorio continuo con funcin de densidad f (x, y). Si (x, y) es
un punto de continuidad de f, fY es continua en y y fY (y) > 0, entonces la funcin de densidad de la
distribucin condicionada de X/(Y = y) viene dada por:
fX/Y =y (x) = f (X = x/Y = y) =
f (x, y)
fY (y)
FX/Y =y (x) =
f (t, y) dt
fY (y)
Este valor corresponde a la proporcin de rea de la seccin de V con el plano Y=y, correspondiente al
semiplano X x.
57
Estadstica
Se puede deducir fcilmente que X e Y son independientes si y slo si: p(xi /(Y = yj )) = pX (xi ) y
p(yj /(X = xi )) = pY (yj )
Definicin 9 Si el vector aleatorio es continuo entonces X e Y son independientes si y slo si f (x, y) =
fX (x)fY (y) para cada (x, y) IR2 .
Igualmente, se deduce fcilmente que X e Y son independientes si, y slo si: f (x/(Y = y)) = fX (x) y
f (y/(X = x)) = fY (y) (en aquellos puntos en donde estn definidas estas densidades).
Generalizacin a n variables:
Definicin 10 Las v.a discretas X1 , X2 , . . . Xn se dicen independientes si y slo si p(X1 = x1 , X2 =
x2 , . . . Xn = xn ) = pX1 (x1 )pX2 (x2 ) . . . pXn (xn ) para cada (x1 , . . . , xn ) S(X1 ,X2 ,...,Xn ) .
Ejemplo 3:
Puede comprobarse que las variables X e Y definidas en el ejemplo 1 no son independientes.
Ejemplo 4:
En el experimento de tirar dos dados correctos, vamos a definir las variables X1 y X2 de la siguiente
forma:
X1 = 2 si al menos uno de los resultados es par y X1 = 1 si los dos resultados son impares
X2 = 3 si al menos un resultado es mltiplo de 3 y X2 = 0 si ninguno de los dos resultados es mltiplo
de 3.
Puede comprobarse que la tabla de doble entrada del vector (X1 , X2 ) es :
X1 \X2
4/36
5/36
9/36
12/36
15/36
27/36
16/36
20/36
5
36
9 16
36 36
4
36
27 20
36 36
15
36
27 16
36 36
12
36
Definicin 11 El vector aleatorio continuo (X1 , . . . , Xn ) tiene componentes que son independientes si
y slo si f (x1 , x2 , . . . , xn ) = fX1 (x1 ) . . . fXn (xn ) .
58
Estadstica
i=1 j=1
XY = Cov(X, Y ) =
i=1 j=1
59
Estadstica
La covarianza tiene el inconveniente de depender de las unidades de medida de las variables. Una
medida adimensional de la posible relacin lineal es el coeficiente de correlacin lineal de Pearson,
que se define de la forma siguiente:
Definicin 14 Se define el coeficiente de correlacin lineal del vector (X,Y) como:
=
Cov(X, Y )
X Y
Sus propiedades son anlogas a las del coeficiente de correlacin estudiado en estadstica descriptiva.
En ocasiones interesa estudiar ciertas variables aleatorias definidas a partir de un vector bidimensional,
y especialmente, las medidas principales de esa variable. Si (X,Y) es un vector aleatorio y
h : IR2 IR es una funcin continua,
Definicin 15 Se define E(h(X,Y)) como:
E(h(X, Y )) =
h(xi , yj )p(xi , yj )
i=1 j=1
si (X,Y) es discreto.
E(h(X, Y )) =
dxdy
si (X,Y) es continuo.
Como consecuencia de la definicin anterior, se deducen las propiedades siguientes:
Propiedades 3 Si (X,Y) es un vector aleatorio bidimensional y a,b son nmeros reales:
(a) E(aX + bY ) = aE(X) + bE(Y ).
(b) V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y ) + 2abCov(X, Y ).
(c) Si X e Y son independientes: V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y ).
(d) Si X e Y son independientes: E(aXY ) = aE(X)E(Y ).