Académique Documents
Professionnel Documents
Culture Documents
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
Objetivos
Objetivo 1: Conocer el concepto de independencia de dos variables aleatorias.
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.
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).
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.
La covarianza es útil para detectar si existe relación de tipo lineal entre las variables y su
“La covarianza es útil para detectar si existe sentido, pero presenta inconvenientes en el escenario donde no exista algún tipo de
relación de tipo lineal entre las variables y
relación entre las variables en mención, además de que se deja influenciar por el efecto de
su sentido”
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
“Propiedades de la covarianza” esta importante estadística.
Cov(X, X) = Var(X).
Cov(c, Y) = 0.
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
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
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)
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:
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.
Walpole, R., Myers, R., & Myers, S. y. (2007). Probabilidad y Estadística para
Ingeniería y Ciencias. México: Pearson.