Cap tulo 6 Distribuciones bidimensionales

6.1. Introducci on

Sea (S, P (S ), p) un espacio de probabilidad en el que S es de la forma S = S1 S2 , es decir, los resultados del experimento aleatorio constan de dos valores. Ejemplo: consideremos el experimento aleatorio lanzar un dado y una moneda. El espacio muestral resultante S es {(C, 1), (C, 2), (C, 3), (C, 4), (C, 5), (C, 6), (X, 1), (X, 2), (X, 3), (X, 4), (X, 5), (X, 6)}. que puede ser representado en la forma S = S1 S2 , siendo S = {C, X } y S2 = {1, 2, 3, 4, 5, 6}. Denici on 6.1.1 : Variable aleatoria bidimensional. Una funci on (X, Y ) : S R dene una variable aleatoria bidimensional si (X, Y )1 (I ) P (S ) para todo intervalo I R2 . Permite, por tanto, denir una probabilidad inducida pX sobre R, de la siguiente manera: p(X,Y ) (I ) = p((X, Y )1 (I )), intervalo I R2 . En adelante denotaremos pX por p (sin hacer referencia a la variable aleatoria de la que procede). Denominaremos B2 P (R) al conjunto de todos los intervalos del plano. Identicaremos la variable aleatoria con su imagen y trabajaremos con el espacio de probabilidad sobre la recta real (R2 , B2 , p). 79

80

CAP ITULO 6. DISTRIBUCIONES BIDIMENSIONALES

Denici on 6.1.2 : Funci on de distribuci on. Dada una variable aleatoria, se denomina funci on de distribuci on a una funci on F (x, y ) que en cada punto (x, y ) R2 proporciona la probabilidad del intervalo ] , x]] , y ]: F : R2 R, x F (x, y ) = p(] , x]] , y ]). Proposici on 6.1.3 (Propiedades de la funci on de distribuci on). La funci on de distribuci on F (x, y ) satisface las siguientes propiedades: 1. 0 F (x, y ) 1, (x, y ) R2 .

2. l m(x,y)(,) F (x, y ) = 1. 3. l mx F (x, y ) = 0, l my F (x, y ) = 0, l m(x,y)(,) F (x, y ) = 0. 4. F (x, y ) es creciente para cada componente: Para cada (x, y ) R2 , si h > 0, k > 0, entonces F (x, y ) F (x + h, y ), F (x, y ) F (x, y + k ), F (x, y ) F (x + h, y + k ). 5. F (x, y ) es continua por la derecha para cada componente: l mh0,h>0 F (x + h, y ) = F (x, y ), l mk0,k>0 F (x, y + k ) = F (x, y ). Nota: Dada una funci on g : R2 R, denotaremos los l mites laterales como sigue
h0,h>0

l m g (x + h, y ) = g (x+ , y ), l m g (x, y + k ) = g (x+ , y ),

h0,h>0

l m g (x h, y ) = g (x , y ).

k0,k>0

k0,k>0

l m g (x, y k ) = g (x, y ).

on de distribuci on. Entonces, Proposici on 6.1.4 Sea F (x) una funci 1. p(a1 < x b1 , a2 < y b2 ) = F (b1 , b2 ) F (b1 , a2 ) F (a1 , b2 ) + F (a1 , a2 ). 2. p(x = a, y = b) = F (a, b) F (a , b) F (a, b ) + F (a , b ).

 DE LAS VARIABLES ALEATORIAS BIDIMENSIONALES.81 6.2. CLASIFICACION

6.2.

Clasicaci on de las variables aleatorias bidimensionales.

Pueden ser: Discretas: Si la funci on de distribuci on tiene un n umero nito o numerable de puntos de discontinuidad Continuas: En otro caso.

6.2.1.

Variables aleatorias discretas.

on de cuant a. Denici on 6.2.1 : Funci Dada una variable aleatoria bidimensional discreta (x, y ), llamaremos funci on de cuant a a una funci on p que en cada punto proporciona la probabilidad del punto: p: R2 [0, 1], (x, y ) p(x, y ) = F (x, y ) F (x , y ) F (x, y ) + F (x , y ).

Proposici on 6.2.2 (Propiedades de la funci on de cuant a) 1. p(x, y ) 0, (x, y ) R2 . 2. x,y p(x, y ) = 1. 3. p(a1 < x b1 , a2 < y b2 ) = 4. F(x, y ) = x x,y y p(x , y ).

a1 xb1

a2 y b2

p(x, y ).

Nota: Las propiedades (1) y (2) caracterizan las funciones de cuant a. Es decir, si una funci on de R en R satisface (1)-(2), entonces es la funci on de cuant a de alguna variable aleatoria.

6.2.2.

Variables aleatorias continuas.

Denici on 6.2.3 : Funci on de densidad. Dada una variable aleatoria bidimensional continua (x, y ), llamaremos funci on de densidad f (x, y ) como (suponemos que existen las derivadas parciales de F (x, y ) y son continuas): 2 F (x, y ) 2 F (x, y ) = , (x, y ) R2 . f (x, y ) = xy yx

82

CAP ITULO 6. DISTRIBUCIONES BIDIMENSIONALES

Nota: Para una variable aleatoria continua, p(x = a, y = b) = 0, con lo cual no tiene sentido denir la funci on de cuant a. Proposici on 6.2.4 (Propiedades de la funci on de densidad) 1. f (x, y ) 0 (F (x, y ) es creciente para cada componente). + + 2. f (x, y )dxdy = 1. x y 3. F (x, y ) = f (s, t)dsdt. ) b ( d 4. p(a x b, c y d) = a c f (x, y )dy dx. Nota: Las propiedades (1) y (2) caracterizan las funciones de densidad: Si f (x, y ) es una funci on de R2 en R tal que satisface (1) y (2), existe una variable aleatoria cuya funci on de densidad es f (x, y ). Ejemplo: La siguiente funci on es funci on de densidad de una variable aletoria { (x + y )/3, (x, y ) [0, 1] [0, 2], f (x, y ) = 0, en el resto.

6.2.3.

Distribuciones Marginales

Distinguiremos dos casos: Caso discreto: Sea (x, y ) una variable aleatoria bidimensional discreta, sea p(x, y ) su funci on de cuant a. Se dene la probabilidad marginal de la variable x, p1 (x), como p1 : R [0, 1], x p1 (x) = y p(x, y ) y la probabilidad marginal de la variable y , p2 (y ), como p2 : R [0, 1], y p2 (x) = x p(x, y ) Caso continuo: Sea (x, y ) una variable aleatoria bidimensional continua, sea f (x, y ) su funci on de densidad. Se dene la funci on de densidad marginal de la variable x, f1 (x), como f1 : R R, x f1 (x) = f (x, y )dy

 DE LAS VARIABLES ALEATORIAS BIDIMENSIONALES.83 6.2. CLASIFICACION y la funci on de densidad marginal de la variable y , f2 (y ), como f2 : R R, x f2 (x) = f (x, y )dx Ejercicio: 1. Caso discreto: Dada la funci on de cuant a de la variable aleatoria bidimensional (x, y ) siguiente, x\y 1 2 3 1 0,1 0,2 0,1 2 0,2 0,1 0,3 hallar las distribuciones marginales de las variables x e y . on bidimensional cuya funci on de den2. Caso continuo: Sea (x, y ) una distribuci sidad viene dada por { (1/3)(x + y ), (x, y ) [0, 1] [0, 2], f (x, y ) = 0, en otro caso. Hallar las distribuciones marginales de las variables x e y . Sol: Si x [0, 1], f1 (x) =
0 2

1 (x + y )dy = 3 {
2x 3

1 1 xy + y 2 3 6

)2 =
0

2x 2 + , 3 3

as , f1 (x) = Si y [0, 2], f2 (y ) =

+2 , x [0, 1], 3 0, x / [0, 1].

1 (x + y )dx = 3 {
y 3

1 2 1 x + xy 6 3

)1 =
0

1 y + , 6 3

as , f2 (y ) =

+1 , y [0, 2], 6 0, y / [0, 2].

84

CAP ITULO 6. DISTRIBUCIONES BIDIMENSIONALES

6.2.4.

Distribuciones condicionadas

Sea (x, y ) una variable aleatoria bidimensional. Se denomina distribuci on condicional de una de las variables, a la distribuci on de probabilidad de esa variable para un valor prejado de la otra. Distinguiremos dos casos: Caso discreto: Sea (x, y ) una variable discreta, sea p(x, y ) su funci on de cuant a. Sea y0 R un valor jo. Se dene la funci on de cuant a condicionada de la variable x al valor de y0 como p(x, y0 ) p(x/y=y0 ) = ), x R. p2 (y0 Sea x0 R un valor jo. Se dene la funci on de cuant a condicionada de la variable y al valor de x0 como p(x0 , y ) p(y/x=x0 ) = ), y R. p1 (x0 Caso continuo: Sea (x, y ) una variable continua, sea f (x, y ) su funci on de densidad. Sea y0 R un valor jo. Se dene la funci on de densidad condicionada de la variable x al valor de y0 como f (x, y0 ) f (x/y=y0 ) = ), x R. f2 (y0 Sea x0 R un valor jo. Se dene la funci on de densidad condicionada de la variable y al valor de x0 como f (x, y0 ) f (y/x=x0 ) = ), y R. f1 (x0

6.2.5.

Independencia estad stica

Sea (x, y ) una variable aleatoria bidimensional. Distinguiremos dos casos: Caso discreto: Diremos que x y y son estad sticamente independientes si se verica: p(x/y ) = p1 (x), para todo x R, p(y/x) = p2 (y ), para todo y R. Caso continuo: Diremos que x y y son estad sticamente independientes si: f (x/y ) = f1 (x), para todo x R, f (y/x) = f2 (y ), para todo y R.

 DE LAS VARIABLES ALEATORIAS BIDIMENSIONALES.85 6.2. CLASIFICACION Teorema 6.2.5 (Caracterizaci on de independencia estad stica) Dos variables aleatorias x y y son estad sticamente independientes si y s olo si p(x, y ) = p1 (x)p2 (y ), para todo (x, y ) R2 f (x, y ) = f1 (x)f2 (y ), para todo (x, y ) R2 (caso discreto), (caso continuo).

Recordemos que se verican los siguientes resultados (ver tema 5): Proposici on 6.2.6 Sean x, y variable aleatoria independientes. Entonces, 1. xy = 0.
2 2 2 2. x +y = x + y .

3. x+y (t) = x (t)y (t).

6.2.6.

Esperanza matem atica

Sea (x, y ) una variable aleatoria bidimensional. Sea g : R2 R una funci on tal que g (x, y ) es tambi en variable aleatoria. Se denomina esperanza de g (x, y ), y se denota por E (g (x, y )), a Caso discreto: E (g (x, y )) =
x y

g (x, y )p(x, y ).

Caso continuo: E (g (x, y )) =

g (x, y )f (x, y )dxdy.

Proposici on 6.2.7 (Propiedades de la esperanza matem atica) Sea (x, y ) una variable aleatoria bidimensional. Sean a, b, c R. Se verica, E (ax + by + c) = aE (x) + bE (y ) + c.

86

CAP ITULO 6. DISTRIBUCIONES BIDIMENSIONALES

6.2.7.

Momentos de una variable aleatoria.

Sea (x, y ) una variable aleatoria bidimensional. Denimos: 1. Momentos ordinarios o respecto del origen: Se denomina momento ordinario de orden r + s a: rs = E (xr y s ), r, s = 0, 1, 2, . . . 1.a) Caso discreto: rs = x y xr y s p(x, y ). + + 1.b) Caso continuo: rs = xr y s f (x, y )dxdy . Ejercicio: Identicar los momentos 00 , 10 , 01 , 20 , 02 , 11 . 2. Momentos centrales o respecto de la media: Se denomina momento central o respecto de la media, de orden r + s a: rs = E [(x x )r (y y )s ], r, s = 0, 1, 2, . . . 2.a) Caso discreto: rs = E [(x )p ] = x y (x x )r (y y )s p(x, y ). + + 2.b) Caso continuo: rs = (x x )r (y y )s f (x, y )dxdy . Ejercicio: Identicar los momentos 00 , 10 , 01 , 20 , 02 , 11 .
2 2 Sol: 00 = 1, 10 = 01 = 0, 20 = x , 02 = y , 11 = xy .

Proposici on 6.2.8 (Propiedades)

2. Sea (x, y ) una variable aleatoria bidimensional. Supongamos que x = ax + b, y = cx + d. Entonces, a) y = ax + b. b) r,y = ar r,x .

 REGRESION LINEAL. 6.3. ESTUDIO DE REGRESION:

87

6.3.

Estudio de regresi on: Regresi on lineal.

Sea (x, y ) una variable aleatoria bidimensional. Como vimos en distribuciones de frecuencias bidimensionales, si las variables x e y no son independientes, interesa conocer la relaci on de dependencia que existe entre ellas. Se trata de encontrar una funci on y = f (x) que aproxime la relaci on entre las variables. Siguiendo los mismos pasos que en el tema 3, podemos obtener la ecuaci on de una recta f (x) = ax + b, que aproxime la relaci on entre las variables x e y de una distribuci on bidimensional, de manera optima por m nimos cuadrados. Planteamos as el siguiente problema: Problema: Dada una distribuci on de una variable aleatoria bidimensional (x, y ) (discreta o continua), hallar la ecuaci on de la recta y = ax + b que minimice la varianza residual 2 ry = E ((y (ax + b))2 ). Efectuando c alculos an alogos a los realizados en el tema 3, se obtiene a= xy xy , b = . y 2 2 x x x

on del problema planteado es la recta: Recta de regresi on: La soluci y y = xy (x x ), 2 x 2

y se denomina recta de regresi on de y sobre x. Puede efectuarse un c alculo an alogo intercambiando el papel de x e y , obteni endose la recta de regresi on de x sobre y : x x = xy (y y ). 2 y 2

Observar que, en general, las dos rectas no coinciden. Observar que la recta de regresi on pasa por el punto (x , y ), llamado centro de gravedad de la distribuci on.

88

CAP ITULO 6. DISTRIBUCIONES BIDIMENSIONALES

6.4.

Estudio de correlaci on.

Obtenida una recta de regresi on, es necesario calibrar si la recta aproxima bien o no los datos de la distribuci on. El proceso se denomina estudio de correlaci on. Al igual que vimos en distribuciones de frecuencias, se necesita para ello introducir un nuevo concepto: Varianza debida a la regresi on: Se dene como
2 = E ((y (ax + b))2 ). R

Proposici on 6.4.1 (Propiedades) Se verica:

Indice de determinaci on: Se dene como 2 = 1 Proposici on 6.4.2 Propiedades: 1. 2 =

2 Sry . 2 Sy

2. 0 2 1. 3. 2 =
2 xy 2 2 . x y

Coeciente de correlaci on lineal: Se dene como, = Proposici on 6.4.3 Propiedades: 1. 1 1. 2. Si = 1, las variables x e y presentan correlaci on perfecta. Si = 0, x e y son estad sticamente independientes. xy . x y

 6.4. ESTUDIO DE CORRELACION. 3. El signo de es el signo de la pendiente de las dos rectas de regresi on: yy = y x (x x ), x x = (y y ). x y

89

Es decir, las dos rectas son crecientes o las dos son decrecientes. 4. Si x e y son estad sticamente independientes, entonces = 0 (vimos que en este caso xy = 0; ver tema 5). Ejercicio: Hallar la recta de regresi on de y sobre x y el coeciente de correlaci on lineal de las siguientes distribuciones e interpretar el resultado. 1. Caso discreto: Efectuar los c alculos para la distribuci on, x\y 1 2 3 1 0,1 0,2 0,1 2 0,2 0,1 0,3

2. Caso continuo: Efectuar los c alculos para la distribuci on cuya funci on de densidad es { (1/3)(x + y ), (x, y ) [0, 1] [0, 2], f (x, y ) = 0, en otro caso. Recordemos que rs = E (x y ) = As , obtenemos: x = E (x) =
0 0 1 r s +

xr y s f (x, y )dxdy.

1 x (x + y )dxdy = 3 )2
1

(
0

) ) 1 2 1 x + xy dy dx = 3 3

1 2 = x y+ 3 0 y = E (y ) =

) ( )1 2 2 2 5 2 3 1 2 dx = = , x + x dx = x + x 3 3 9 3 9 0 0 0 ) ) 1 ( 2 ( 1 1 1 y (x + y )dxdy = yx + y 2 dy dx = 3 3 3 0 0 0 0 )1 )2 ) ( 1( 1( 11 1 2 1 3 2 8 1 2 8 = xy + y dx = x+ x + x = , dx = 6 9 3 9 3 9 0 9 0 0 0
1

1 2 xy 6 1 2

90

CAP ITULO 6. DISTRIBUCIONES BIDIMENSIONALES 20 = E (x ) = 02 = E (y 2 ) = 11 = E (xy ) =

1 7 x2 (x + y )dxdy = , 3 18 1 16 y 2 (x + y )dxdy = 3 9 1 2 xy (x + y )dxdy = . 3 3

0 2

As ,

2 x

( )2 5 13 = 20 = , 9 162 ( )2 16 11 23 2 2 = , y = 02 y = 9 9 81 2 x 7 = 18 xy = 11 x y =

x = 0,28, y = 0,53,

2 5 11 1 = = 0,012. 3 9 9 81

Por tanto, los coecientes de la recta de regresi on y = ax + b son: xy a= 2 = x b = y ax = y la ecuaci on de la recta

2 , 13

11 2 5 17 = , 9 13 9 13

17 2 x+ . 13 13 Como el coeciente de correlaci on lineal y= = xy 0,012 = = 0,08 x y 0,28 0,53

es pr oximo a 0, no existe una relaci on de dependencia lineal entre las dos variables x e y .

 NORMAL BIDIMENSIONAL 6.5. DISTRIBUCION

91

6.5.

Distribuci on normal bidimensional

Denici on: Dada una variable aleatoria bidimensional (x, ), (y ) diremos que sigue una x distribuci on normal bidimensional de par ametros M = y (centro de gravedad) y matriz de varianzas-covarianzas ] ] [ [ 2 2 x x y x xy , = coeciente de correlaci on, = V = 2 2 x y y xy y si la funci on de densidad conjunta es: f (x, y ) = en donde
2 2 2 2 2 2 det V = x y 2 x y = x y (1 2 ), [ [ ] ] 2 2 y x y 1/x /x y Adj V t 1 1 1 = 12 . V = det V = 2 2 (12 ) 2 2 x y /x y 1/y x y x [ ]( ) 2 1/x /x y x x 1 (x x , y y ) 12 = 2 /x y 1/y y y x 1 ( x 2 12 x y ) x ) (y , (x + x y x y y y (xx ) 2 ) y y y

x 1 [(xx ,y y )V 1 (x ] 2 y )

(2 )2

det V

= =

x 2 1 [( x 2 ) 12 x

y y 2 x 2( x )( y ) + ( y ) ]. x y 2
y

As , f (x, y ) =
y y (1)1 x 1 [( xx )2 2( x )( y )+( y )2 ] x y y e 2(12 ) x . 2x y 1 2

6.5.1.
f1 (x) = f2 (y ) =

Distribuciones Marginales
+

f (x, y )dy = f (x, y )dx =

1 x 2 1

e 2 ( e
1 ( 2

1 xx 2 ) x y y 2 ) y

N (x , x ), N (y , y ).

y 2

Proposici on 6.5.1 (Propiedad) Sea (x, y ) variable aleatoria normal bidimensional. Entonces, x, y independientes = 0.

92

CAP ITULO 6. DISTRIBUCIONES BIDIMENSIONALES

Dem: Si X, Y indep. = 0 (pr. general). y x 2 1 [( x ) +( y )2 ] 1 2 x y Supongamos = 0 f (x, y ) = e = 2

1 e x 2

x 2 ( x ) 1 2 x

1 e y 2

1 ( 2

y y 2 ) y

= f1 (x)f2 (y ).

6.6.

Distribuciones condicionadas

Consideremos la distribuci on de la variable y condicionada a un valor de x: y/x. Su funci on de densidad es:

y x 2 x 1 ) 2( x )( y [( x x x 2(12 ) y

f (x, y ) e f (y/x) = = f1 (x)

)+(

e 2 ( 2y 1

1 xx 2 ) x

2x y

y y 2 ) ] y

x 2

1 2

eR(x,y) =

1[ 1 e 2 = 2y 1 2

y y (y + (xx )) x ]2 y ( 12

R(x, y ) = =

1 x x 2 x x y y y y 2 x x 2 [( ) 2( )( )+( ) (12 )( )] 2 2(1 ) x x y y x

y y 2 x x 2 1 y 1 [( ) ( )] = [(y y ) (x x )]2 , 2 2 2 2(1 ) y x 2(1 )y x

es decir, f (y/x) es una distribuci on normal de:

recta de regresi on evaluada en el valor condicionante x,

= y

1 2 =

2 (1 2 ) varianza residual. y 1 2 ).

x An alogamente: f (x/y ) N (x + (y y ), x y

6.7.

Normal bidimensional tipicada

Sea (x, y ) una variable aleatoria que presenta una distribuci on normal bidimensional N (x , y , x , y , (xy )). Entonces,

6.7. NORMAL BIDIMENSIONAL TIPIFICADA

93

t1 = t2 =

x = x t1 + x J = y = y t2 + y

x/z1 x/z2 y/t1 y/z2

x 0 0 y

= x y

f (t1 , t2 ) = f (x(t1 , t2 ), y (t1 , t2 ))x y =

y x 2 x 1 [( x ) 2( x )( y x x 2(12 ) y

)+(

y y 2 ) ] y

x y =

12

1 [t2 2t1 t2 +t2 2] 2(12 ) 1

Distribuciones marginales: f1 (t1 ) = f2 (t2 ) =

N (0, 1), N (0, 1).

Distribuciones condicionadas: t2 /t1 N (t1 , t1 /t2 N (t2 , Independencia: t1 , t2 independientes f (t1 , t2 ) =

1 2 ) 1 2 )