Estadstica

52

Tema 5: Vectores aleatorios bidimensionales.

Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, los valores de una caracterstica aleatoria. En muchos casos, interesa estudiar dos o ms caractersticas y su relacin: peso y altura, renta y consumo, produccin y gastos de mantenimiento, inversin tecnolgica y nmero de obreros,... Por comodidad vamos a estudiar los vectores aleatorios bidimensionales, aunque el estudio de variables n-dimensionales es anlogo. Denicin 1 Se denomina vector aleatorio bidimensional a una aplicacin del espacio de sucesos de un experimento aleatorio en IR2 , X = (X, Y ) : IR2 . Denicin 2 Se dice que se ha denido la distribucin conjunta del vector si se conocen: 1. Los resultados posibles del vector (es decir, su soporte, que denotaremos por SX o por S(X,Y ) ). 2. Las probabilidades de cada resultado posible.

5.1 Vectores discretos bidimensionales.

Denicin 3 Diremos que un vector aleatorio bidimensional X = (X, Y ) es discreto si sus dos componentes son variables aleatorias discretas. El soporte del vector es SX = SX SY , donde SX = {x1 , x2 , . . . , xk } y SY = {y1 , y2 , . . . , yh } y se puede representar como pares de nmeros reales: {(xi , yj ), i = 1, 2, . . . , k o h pueden ser nitos o ser ). j = 1, 2, . . . , h} (donde k

Funcin de probabilidad conjunta: Denicin 4 Sea X = (X, Y ) un vector aleatorio bidimensional discreto; se dene la funcin de probabilidad conjunta sobre el soporte del vector {(xi , yj ), i = 1, 2, . . . , k j = 1, 2, . . . , h}, como:

pij = p(X = xi , Y = yj ) = p({ /X() = xi , Y () = yj }) Propiedades 1 (a) p(X = xi , Y = yj ) 0 (b)

i j

p(X = xi , Y = yj ) = 1

Estadstica

53

El vector aleatorio queda perfectamente determinado si conocemos su soporte y la funcin de probabilidad conjunta. Ejemplo 1: Se lanzan dos dados y se consideran las variables aleatorias: X= suma de los resultados Y= valor absoluto de la diferencia En este caso, p(X 4, Y = 2) = p({(1, 3), (3, 1)}) = 1/18 y de igual forma se obtiene la distribucin conjunta p(X = xi , Y = yj ): Y \X 0 1 2 3 4 5 2 1/36 0 0 0 0 0 3 0 1/18 0 0 0 0 4 1/36 0 1/18 0 0 0 5 0 1/18 0 1/18 0 0 6 1/36 0 1/18 0 1/18 0 7 0 1/18 0 1/18 0 1/18 8 1/36 0 1/18 0 1/18 0 9 0 1/18 0 1/18 0 0 10 1/36 0 1/18 0 0 0 11 0 1/18 0 0 0 0 12 1/36 0 0 0 0 0

Funcin de distribucin conjunta: Como en el caso de variables aleatorias, la distribucin de un vector aleatorio se puede dar tambin utilizando una funcin de "probabilidades acumuladas", llamada funcin de distribucin:

F (x, y) = p(X x, Y y), Funcin de probabilidad marginal:

x, y IR.

Puesto que X e Y son variables aleatorias unidimensionales discretas, podemos hablar de su ley de probabilidad que est relacionada con la distribucin conjunta por las igualdades: pX (xi ) = p(X = xi ) = pY (yj ) = p(Y = yj ) =
j i

p(xi , yj ) p(xi , yj )

Proposicin 1 Las funciones de probabilidad pX y pY denen una probabilidad, es decir, se verica que: pX (X = xi ) 0,
i

pX (X = xi ) = 1

Estadstica

54 pY (Y = yj ) 0,
j

pY (Y = yj ) = 1

Estas probabilidades marginales se pueden aadir a la tabla de distribucin conjunta: Y \X 0 1 2 3 4 5 2 1/36 0 0 0 0 0 1/36 3 0 1/18 0 0 0 0 2/36 4 1/36 0 1/18 0 0 0 3/36 5 0 1/18 0 1/18 0 0 4/36 6 1/36 0 1/18 0 1/18 0 5/36 7 0 1/18 0 1/18 0 1/18 6/36 8 1/36 0 1/18 0 1/18 0 5/36 9 0 1/18 0 1/18 0 0 4/36 10 1/36 0 1/18 0 0 0 3/36 11 0 1/18 0 0 0 0 2/36 12 1/36 0 0 0 0 0 1/36 6/36 5/18 4/18 3/18 2/18 1/18

Funcin de probabilidad condicionada: En algunos casos, poseemos informacin sobre el resultado de una de las variables, informacin que puede ser til para tener informacin sobre la otra variable. La distribucin de probabilidades de alguna de las variables X e Y sobre el subconjunto del correspondiente soporte, formado por los puntos en los que la otra variable toma determinados valores, se denomina condicionada. Se puede hablar, por ejemplo, de la variable aleatoria X/(Y = yj ), cuyo soporte es el mismo de X y su ley de probabilidad viene dada por: p(X = xi , Y = yj ) = p(Y = yj ) p(X = xi , Y = yj ) p(X = xk , Y = yj )

p(X = xi /(Y = yj )) =

Anlogamente se tiene la variable unidimensional Y /(X = xi ), cuyo soporte es SY y su ley de probabilidades viene dada por: p(X = xi , Y = yj ) p(X = xi , Y = yj ) = p(X = xi ) p(X = xi , Y = yk )
k

p(Y = yj /(X = xi )) =

Proposicin 2 Las funciones de probabilidad pX/Y =yj y pY /X=xi denen un probabilidad, es decir, se verica que: pX/Y =yj (xi ) 0, pY /X=xi (yj ) 0,
i

pX/Y =yj (xi ) = 1 pY /X=xi (yj ) = 1

Estadstica

55

Est claro que se pueden denir otras distribuciones condicionadas, como por ejemplo: p(X = xi /Y yj ), 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) p(X = xi /Y 2) 2 1/24 3 2/24 4 3/24 5 4/24 6 5/24 7 6/24 8 5/24 9 4/24 10 3/24 11 2/24 12 1/24 p(Y = yj /xm X xn ), . . .

Observacin 1 Obsrvese que estas distribuciones condicionadas son distribuciones de variables aleatorias discretas.

5.2 Vectores aleatorios continuos bidimensionales:

Denicin 5 Llamaremos vector aleatorio continuo bidimensional a un vector aleatorio X = (X, Y ) para el cul existe una funcin f (x, y), integrable Riemann en IR2 , tal que: (a) f (x, y) 0, (b) (x, y) R2 =1

f (x, y)dxdy

(c) p(X x, Y y) =

x y f (s, t)dtds

La funcin f (x, y) se denomina funcin de densidad conjunta del vector X y tambin se denota por fXY (x, y). Observacin 2 La condicin (a), signica que la funcin f (x, y) determina un slido V (que puede ser innito) en IR2 . La condicin (b) nos dice que el volumen de ese slido tiene que ser 1. La expresin (c) dene una funcin en IR2 , llamada funcin de distribucindel vector aleatorio:
x y

F (x, y) = p(X x, Y y) =

f (s, t)dtds

Estadstica

56

Distribuciones marginales: Denicin 6 Se dene la funcin de densidad marginal de X como: fX (x) = y se dene la funcin de densidad marginal de Y: fY (y) =

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 signica que no pueda ocurrir, por ello tiene perfecto sentido plantearnos, por ejemplo, la variable X condicionada por que ha ocurrido Y = y0 . Denicin 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) = Observacin 4 De esta denicin se deduce que FX/Y =y (x) =
x f (t, y) dt

f (x, y) fY (y)

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.

5.3 Independencia de variables aleatorias

Denicin 8 Si el vector aleatorio es discreto entonces X e Y son independientes si y slo si p(xi , yj ) = pX (xi )pY (yj ) para cada (xi , yj ) S(X,Y ) .

Estadstica

57

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 ) Denicin 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 denidas estas densidades). Generalizacin a n variables: Denicin 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 denidas en el ejemplo 1 no son independientes. Ejemplo 4: En el experimento de tirar dos dados correctos, vamos a denir 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 1 2 0 4/36 12/36 16/36 3 5/36 15/36 20/36 9/36 27/36

Las variables X1 y X2 son independientes, puesto que

9 20 36 36

5 36

9 16 36 36

4 36

27 20 36 36

15 36

27 16 36 36

12 36

Denicin 11 El vector aleatorio continuo (X1 , . . . , Xn ) tiene componentes que son independientes si y slo si f (x1 , x2 , . . . , xn ) = fX1 (x1 ) . . . fXn (xn ) .

Estadstica

58

5.4 Funciones de vectores aleatorios

En ocasiones, los sucesos a estudiar se expresan como una relacin funcional de variables aleatorias (por ejemplo, el suceso X + Y 1, XY 62.5). Por ello, vamos a introducir brevemente las funciones de vectores aleatorios. Proposicin 4 Si (X,Y) es un vector aleatorio y h : IR2 IR es una funcin continua, entonces h(X,Y) es una variable aleatoria que, si el vector es continuo, ser continua. La distribucin de una funcin de un vector aleatorio se obtiene a partir de la distribucin conjunta del vector: p(h(X, Y ) z) = p({(x, y)/h(x, y) z})

5.5 Medidas caractersticas de un vector aleatorio

Las distribuciones marginales y condicionadas son distribuciones unidimensionales y por tanto se pueden considerar sus medidas caractersticas (media, mediana, varianza, etc) como en el caso de una variable. Las componentes de un vector aleatorio pueden estar relacionadas en alguna forma. Al igual que estudiamos en el tema de descriptiva, uno de los tipos de relacin de mayor inters es la relacin lineal. Una medida de esta relacin lineal la proporciona la covarianza, que en el caso discreto se dene como: Denicin 12 Se dene la covarianza del vector discreto (X,Y) como: XY = Cov(X, Y ) =

(xi E(X))(yj E(Y ))p(X = xi , Y = yj )

i=1 j=1

Denicin 13 Se dene la covarianza del vector continuo (X,Y) como:

XY = Cov(X, Y ) =

(x E(X))(y E(Y ))f (x, y)dxdy

Propiedades 2 (a) Cov(X,Y) = Cov(Y,X) (b) Cov(X, Y ) =

i=1 j=1

xi yj p(X = xi , Y = yj )E(X)E(Y ), si (X,Y) es discreto, y Cov(X, Y ) = E(X)E(Y ), si (X,Y) es continuo.

xyf (x, y)dxdy

(c) Cov(aX+b,cY+d) = acCov(X,Y) (d) Si X e Y son independientes, entonces Cov(X, Y ) = 0.

Estadstica

59 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 coeciente de correlacin lineal de Pearson, que se dene de la forma siguiente: Denicin 14 Se dene el coeciente de correlacin lineal del vector (X,Y) como: = Cov(X, Y ) X Y

Sus propiedades son anlogas a las del coeciente de correlacin estudiado en estadstica descriptiva. En ocasiones interesa estudiar ciertas variables aleatorias denidas 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, Denicin 15 Se dene E(h(X,Y)) como: E(h(X, Y )) = si (X,Y) es discreto. E(h(X, Y )) = si (X,Y) es continuo. Como consecuencia de la denicin 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 ).
i=1 j=1

h(xi , yj )p(xi , yj )

h(x, y)f (x, y)

dxdy