

Independencia y
Estadísticas de
Asociación
—

1 © Ast urias Corporación Universitaria

 Independencia y Estadísticas de Asociación

Índice

1 Independencia....................................................................................................................................................... 3
1.1 Independencia de un par de Variables Aleatorias................................................. 3
2 Estadísticos de Asociación ............................................................................................................................. 3
2.1 Covarianza ..................................................................................................................................... 3
2.2 Coeficiente de Correlación .................................................................................................. 5
3 Resumen .................................................................................................................................................................. 6
4 Referencias Bibliográficas .............................................................................................................................. 7

02 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Independencia y Estadísticas de Asociación

Objetivos
 Objetivo 1: Conocer el concepto de independencia de dos variables aleatorias.

 Objetivo 2: Estudiar dos de las estadísticas más importantes para el estudio de

variables aleatorias de tipo bidimensional.

1 Independencia
Dado que el interés se centra en el estudio de la relación existente entre dos variables
aleatorias, se hace pertinente el definir el concepto de independencia de dos variables
aleatorias con las herramientas teóricas vistas hasta aquí.

1.1 Independencia de un par de Variables Aleatorias

Se puede afirmar que en un par de variables aleatorias dado (𝐗, 𝐘), las variables aleatorias 𝐗
“Se puede afirmar que en un par de variables e 𝐘 son independientes si cumple que:
aleatorias dado (X, Y), las variables aleatorias
X e Y son independientes si: f(x, y) = f(x)f(y) ” f(x, y) = f(x)f(y).

Independencia heredada estrictamente de la independencia de los eventos que dan lugar a

los valores que toma la variable en su función ya sea de densidad o de distribución.
Ejemplo 5: Para determinar la independencia del par de variables aleatorias dado (𝐗, 𝐘) en el
ejemplo 2, basta con verificar lo siguiente:
xy + 2 y+4
f(x, y) = ≠ f1 (x)f2 (y) = 1 ∙
4 8

Con lo que se concluye que X y Y no son independientes.

2 Estadísticos de Asociación
Ahora veamos dos de las estadísticas más importantes en el estudio de variables aleatorias
de tipo bidimensional, una interpretación y sentido al número que arrojan como resultado.

2.1 Covarianza

La covarianza para el par de variables aleatorias dado (𝐗, 𝐘), denotada por 𝐂𝐨𝐯(𝐗, 𝐘), es el
número:
Cov(X, Y) = E[(X − E(X))(Y − E(Y))].

Siendo las esperanzas 𝐄(𝐗), 𝐄(𝐘) y 𝐄(𝐗𝐘) finitas, es decir, que existan para las variables
aleatorias 𝐗 e 𝐘.

03 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Independencia y Estadísticas de Asociación

“La covarianza es útil para detectar si existe
relación de tipo lineal entre las variables y
su sentido”
“Propiedades de la covarianza”
La covarianza es útil para detectar si existe relación de tipo lineal entre las variables y su
sentido, pero presenta inconvenientes en el escenario donde no exista algún tipo de
relación entre las variables en mención, además de que se deja influenciar por el efecto de
las medidas en que son tomadas las variables y también por el tamaño de muestra que es
tomado por cada una de las variables.
Como consecuencia inmediata de la definición se listan a continuación las propiedades de
esta importante estadística.

 Cov(X, Y) = E(XY) − E(X)E(Y).

 Cov(X, Y) = Cov(Y, X).

 Cov(X, X) = Var(X).

 Cov(c, Y) = 0.

 Cov(cX, Y) = cCov(X, Y).

 Cov(X1 + X2 , Y) = Cov(X1 , Y) + Cov(X2 , Y).

 Si X e Y son independientes Cov(X, Y) = 0.

En general, Cov(X, Y) = 0 no implica Independencia entre X y Y.

Ejemplo 6: Para determinar la covarianza del par de variables aleatorias dado (𝐗, 𝐘) en el
ejemplo 2, se emplea el siguiente procedimiento:
 Se calculan los momentos de primer orden con respecto al origen, es decir, los valores
esperados para cada variable:

1 1 1 x2y
E(X) = ∫ ∫ ( + x) dy dx
2 0 −1 2
1 1 x2 1 1
= ∫ [ ∫ ydy + x ∫ dy] dx
2 0 2 −1 −1

1 1 x2
= ∫ [ y 2 |1−1 + xy|1−1 ] dx
2 0 4
1 1 x2
= ∫ [ (12 − (−1)2 ) + x(1 − (−1))] dx
2 0 4
1 1 x2 1 1 1
1 1 1
= ∫ [ ∙ (0) + x ∙ (2)] dx = ∫ 2x dx = ∫ xdx = x 2 |10 = (12 − 02 ) =
2 0 4 2 0 0 2 2 2

04 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Independencia y Estadísticas de Asociación

E(Y)
1 1 1 xy 2
= ∫ ∫ ( + y) dy dx
2 0 −1 2
1 1 x 1 1
= ∫ [ ∫ y 2 dy + ∫ ydy] dx
2 0 2 −1 −1

1 1 x 1
= ∫ [ y 3 |1−1 + y 2 |1−1 ] dx
2 0 6 2
1 1 x 1
= ∫ [ (13 − (−1)3 ) + (12 − (−1)2 )] dx
2 0 6 2
1 1 x 1 1 1 x 1 1 1 x2 1 1 2 1
= ∫ [ ∙ (2) + ∙ (0)] dx = ∫ [ ] dx = ∫ xdx = |0 = (1 − 02 ) =
2 0 6 2 2 0 3 6 0 62 12 12

 De manera similar se calculan los momentos de segundo orden, que vienen dados por:
1 1
E(X 2 ) = E(Y 2 ) =
3 3

 Por último se calcula el producto cruzado de las variables aleatorias del par:
E(XY)
1 1 1 x2y2 1 1 x2 1 1
= ∫ ∫ ( + xy) dy dx = ∫ [ ∫ y 2 dy + x ∫ ydy] dx
2 0 −1 2 2 0 2 −1 −1

1 1 x2 x 1 1 x2 x
= ∫ [ y 3 |1−1 + y 2 |1−1 ] dx = ∫ [ (13 − (−1)3 ) + (12 − (−1)2 )] dx
2 0 6 2 2 0 2 2
1 1 x2 x 1 1 1 x3 1 1 3 1
= ∫ [ ∙ (2) + ∙ (0)] dx = ∫ x 2 dx = |0 = (1 − 03 ) =
2 0 2 2 2 0 63 18 18

 Así, aplicando una de las propiedades de la covarianza se tiene que

1 1 1 1
Cov = E(XY) − E(X)E(Y) = −( ∙ ) =
18 2 12 72

2.2 Coeficiente de Correlación

El coeficiente de correlación entre el par de variables aleatorias dado (X, Y), denotado por
ρ(X, Y), es el número:

𝐶𝑜𝑣(𝑋, 𝑌)
𝜌(𝑋, 𝑌) =
√𝑉𝑎𝑟(𝑋)𝑉𝑎𝑟(𝑌)

05 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.

“El coeficiente de correlación se encarga de
medir el grado de dependencia lineal entre el
par de variables aleatorias”
“Propiedades del coeficiente de
correlación”
06
Independencia y Estadísticas de Asociación
El coeficiente de correlación al ser una medida de asociación en el mismo sentido que la
covarianza se encarga de medir el grado de dependencia lineal entre el par de variables
aleatorias dado (𝑿, 𝒀), pero al tratarse su fórmula de una estandarización corrige las
falencias de la covarianza en términos de unidades de variables y tamaño de muestra.
Además es preciso notar que cuando 𝝆(𝑿, 𝒀) = 𝟎 se dice que el par de variables aleatorias
dado (𝑿, 𝒀), están incorrelacionados, cuando |𝝆(𝑿, 𝒀)| = 𝟏 se dice que el par de variables
aleatorias dado (𝑿, 𝒀), están perfectamente correlacionados positiva o negativamente
según el sentido de la relación.
Como consecuencia inmediata de la definición se listan a continuación las propiedades de
esta importante estadística:
 𝜌(𝑋, 𝑌) es un número que está entre [−1,1]
 |𝜌(𝑋, 𝑌)| = 1 si y sólo si, 𝑌 = 𝑎𝑋 + 𝑏, con probabilidad uno.
 Si 𝑋 y 𝑌 son independientes, entonces 𝜌(𝑋, 𝑌) = 0.
 En general, 𝜌(𝑋, 𝑌) = 0. No implica que 𝑋 y 𝑌 son independientes.
 (𝑋, 𝑌) se distribuyen normal, 𝜌(𝑋, 𝑌) = 0. Implica que 𝑋 y 𝑌 son independientes
Ejemplo 7: Finalmente para determinar el coeficiente de correlación del par de variables
aleatorias dado (𝑿, 𝒀) en el ejemplo 2, se tiene que:
1⁄
𝜌(𝑋, 𝑌) = 72 = 0.0842
√1⁄12 √47⁄144
3 Resumen
 Se puede afirmar que en un par de variables aleatorias dado (𝐗, 𝐘), las variables
aleatorias 𝐗 y 𝐘 son independientes si cumple que 𝐟(𝐱, 𝐲) = 𝐟(𝐱)𝐟(𝐲).
 La covarianza para el par de variables aleatorias dado (𝐗, 𝐘), denotada por
𝐂𝐨𝐯(𝐗, 𝐘), es el número:
Cov(X, Y) = E[(X − E(X))(Y − E(Y))].
 El coeficiente de correlación entre el par de variables aleatorias dado (𝑿, 𝒀),
denotado por 𝝆(𝑿, 𝒀), es el número:
𝐶𝑜𝑣(𝑋, 𝑌)
𝜌(𝑋, 𝑌) =
√𝑉𝑎𝑟(𝑋)𝑉𝑎𝑟(𝑌)
ASTURIAS CORPORACIÓN UNIVERSITARIA®
Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Independencia y Estadísticas de Asociación

4 Referencias Bibliográficas
 Miranda, I. E., Palacín, F., Sánchez, M. L., Márquez, M., Chía, A. R., Navas, A. S., y
otros. (3ra. Edición 2006). Estadística Descriptiva y Probabilidad. Cádiz: Servicio de
Publicaciones de la Universidad de Cádiz.

 Montgomery, D., & R., R. (2da. Edición 2008). Probabilidad y Estadística Aplicada a la
Ingeniería. México: Limusa Wiley.

 Rincón, L. (2010). Curso elemental de Probabilidad y Estadística. México: Circuito

Exterior de CU.

 Walpole, R., Myers, R., & Myers, S. y. (2007). Probabilidad y Estadística para
Ingeniería y Ciencias. México: Pearson.

07 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.