Introduccin

- La esperanza condicional es un concepto clave como se ver

al estudiar la asignatura de econometra.
- La esperanza condicional proporciona el valor esperado de
una variable cuando conocemos los valores que han tomado
las otras variables de las cuales depende.
- En la asignatura de Econometra lo que se har bsicamente es
modelizar esta esperanza condicional.

Esperanza condicional

Definicin: la esperanza de X condicional a que Y=y se
calcula como:


Es decir, es la esperanza de la distribucin condicional de
X a Y=y
Interpretacin: Valor esperado de X si se ha observado
que Y=y
y) Y | x p(X x
i
i i
= =
Ejemplo

En el ejemplo del tiempo meterelogico vamos a
calcular las probabilidades de X=x condicionales a cada
uno de los posibles valores de Y
X|Y=1 1 2 3
f
x/Y=1
(x) 0.78 0.06 0.16

X|Y=2 1 2 3
f
x/Y=2
0.25 0.5 0.25

X|Y=3 1 2 3
f
x/Y=3
0.25 0.125 0.625


Para cada
una de
estas
funciones
podemos
definir la
esperanza:
sern la
esperanza
condicional
Ejemplo (II)

Por tanto,

E(X|Y=1)=0.78+0.06*2+0.16*3=1.38
E(X|Y=2)=0.25+2*0.5+3*0.25=2
E(X|Y=3)=0.25+0.125*2+0.625*3=2.37

Ejemplo (III)

-Fjate que para cada valor de Y tenemos un
valor de la esperanza condicional de X.
-Por tanto, en definitiva, la esperanza
condicional de X no es ms que es una
FUNCIN de Y.
-Como Y es una variable aleatoria, cualquier
funcin de ella misma es tambin una variable
aleatoria.
-Esto significa que E(X|Y=y) es una variable
aleatoria!!
Ejemplo (y IV)

Vamos a analizar cul es la distribucin de esta
variable:

E(X|Y) 1.38 2 2.37
Prob. 0.64 0.2 0.16
Vale esta cantidad si Y=1
Por tanto, con una probabilidad igual a
la P(Y=1)=0.64
P(Y=2)
P(Y=3)
Ley de la esperanza iterada

-Como acabamos de ver, la E(X|Y) es una variable
aleatoria puesto que toma tantos valores como
valores tome la v.a. Y.
- Como cualquier v.a., tambin podemos calcular la
esperanza de esta nueva v.a. E(X|Y) que acabamos
de definir.
-Se calcula como siempre: como una media
ponderada de los valores de E(X|Y) ponderamos por
su probabilidad.
-La ley de la esperanza iterada nos da una igualdad
que se verifica siempre que hagamos este clculo.
Ley de la esperanza iterada


E
y
(E
x
(X|Y))=E(X)

Es decir, si calculo la esperanza de todas las esperanzas
condicionadas obtenemos la esperanza condicional.
Seguimos con el ejemplo anterior

En el ejemplo anterior tenamos

Si calculamos la esperanza de esta variable obtenemos:

E(E(X|Y))=1.38*0.64+2*0.2+2.37*0.16=1.66

E(X|Y) 1.38 2 2.37
Prob. 0.64 0.2 0.16

Por otra parte
Si calculamos la esperanza de esta variable obtenemos:
E(X)=1*0.59+2*0.16+3*0.25=1.66

Por tanto, efectivamente, E(X)=E(E(X|Y))
X 1 2 3
Prob. 0.59 0.16 0.25
Relaciones entre variables:
Covarianza y correlacin.
Independencia entre v.a.
Cuando construimos modelos econmicos,
bsicamente estamos relacionando variables
econmicas con argumentos del tipo: Un aumento en
la variable X est asociado a un aumento (descenso)
de la variable Y.
En este captulo vamos a aprender a determinar
1) Cuando dos variables estn asociadas o no (=son
independientes)
2) Qu tipo de relacin existe entre ellas (lineal o no)
3) La intensidad de la relacin lineal (calculando la
correlacin entre ellas).

Relaciones entre variables
Algunos ejemplos
Existe una relacin positiva entre el flujo de inmigrantes a
un pas y la renta per capita del pas de acogida.
Existe una relacin positiva entre la nota obtenida en
probabilidad y la de estadstica.
Existe una relacin negativa entre la tasa de fecundidad y la
tasa de participacin femenina.
No parece que exista ninguna relacin entre el volumen de
lluvias en Islandia y la nota del parcial de probabilidad.
Relaciones entre variables
Importante
En este tema no nos preocupamos de la causalidad

El objetivo ser:
detectar la posible relacin entre dos variables (sin
preocuparnos qu variable causa a la otra)

determinar (a travs de la covarianza) si las
variables estn relacionadas linealmente. En caso
afirmativo, determinar el sentido de la relacin
(positivo o negativo).

Determinar la fuerza de esta relacin (a travs de la
correlacin).
Relaciones entre variables
X
Y

X
Y
X
Y
Sin relacin
Relacin lineal
positiva
Relacin no-lineal
Relaciones entre variables
Las relaciones entre v.a. pueden ser de muy distinto
tipo: positivas o negativas (si cuando crece la una la
otra tambin lo hace y viceversa), lineales o no
lineales, etc.
Tambin puede ocurrir que no exista ninguna relacin
entre dos v.a.: cuando esto ocurre diremos que dos v.a.
son independientes.
Vamos a estudiar a continuacin cmo de lineal es la
relacin que existe entre dos variables: para ello
definimos la covarianza y la correlacin
Covarianza
Mide la relacin de tipo lineal entre dos v.a.
Definicin:


Interpretacin:
1. un valor positivo se interpreta como existencia de
relacin lineal positiva entre las v.a. X e Y
2. Un valor negativo, como existencia de relacin lineal
negativa entre las v.a. X e Y.




COV(X,Y)=E[(X-E(X))(Y-E(Y))

Covarianza (II)


3. Un valor igual a cero se interpreta como ausencia
de relacin lineal. Esto NO es igual a decir que las v.a.
Son independencientes.
X
Y
X
Y
Propiedades de la covarianza


1. COV(X,Y)=E(XY)-E(X)E(Y)
2. COV(X,Y)=0 SI Y SOLO SI E(XY)=E(X)E(Y)
3. VAR(X)=COV(X,X)
4. COV(K,X)=0 si K constante
5. COV(aX+b,cY+d)=acCOV(X,Y)
6. COV(X+Z,Y)=COV(X,Y)+COV(Z,Y)
7. VAR(X+Y)=VAR(X)+VAR(Y)+2COV(X,Y)
VAR(X-Y)=VAR(X)+VAR(Y)-2COV(X,Y)


El coeficiente de correlacin


La propiedad 5 que acabamos de ver es muy importante.
Imagina que X=beneficio (medido en millones de
euros) de la emp. X e Y=beneficio en millones de
euros de la emp. Y. Sabemos que COV(X,Y)=-1.8

Imagina que en lugar de expresarlo en millones de euros,
lo expresamos en euros, entonces:
COV(X*1000000,Y*1000000)=1000000000000*-1.8!!
Como vemos, la COV depende de las unidades en que
medimos las variables. Por tanto, NO podemos
utilizarla para medir la intensidad de la relacin lineal

El coeficiente de correlacin II


El coeficiente de correlacin estandariza la covarianza de
manera que no dependa de las unidades en que
estamos midiendo.
Definicin: CORR(X,Y)=(X,Y)=
Es fcil ver que esta medida ya no depende de las
unidades. En el ejemplo anterior:
y x
Y X
o o
) , cov(
) ( ) (
) , cov(
10 10
10 * 10
) 10 ( ) 10 (
) 10 , 10 cov(
) 10 , 10 (
6 * 2 6 * 2
6 6
6 6
6 6
6 6
Y V X V
Y X
Y V X V
Y X
Y X
=
=
El coeficiente de correlacin III


Propiedades del coeficiente de correlacin
No depende de las unidades
Siempre est entre 1 y 1.
Este resultado deriva de la conocida Desigualdad de
Schwartz. Para toda v.a Z y V,

Llamando: Z=X-E(X) y V=Y-E(Y) y tomando races
cuadradas:
) ( ) ( )] ( [
2 2 2
V E Z E ZV E s
y x y x
Y X o o o o s s ) , cov(
Command
Interpretacin


CORR(X,Y)=1. Existe una relacin lineal
exacta entre X e Yy la pendiente de la
recta es positiva:
0<CORR(X,Y)<1, relacin lineal + entre X
e Y, ms intensa cuanto ms cercana
a uno
CORR(X,Y)=0, ausencia de relacin lineal.
-1<CORR(X,Y)<0. relacin lineal (-) entre
X e Y, ms intensa cuanto ms
cercana a -uno
CORR(X,Y)=-1, Existe una relacin lineal
(-) exacta entre X e Y.



CORR(X,Y)=0, entonces


Hay ausencia de relacin LINEAL entre las variables. Diremos en este caso
que X e Y estn incorrelacionados. Esto puede ocurrir por dos motivos
a. Las variables No tienen ningn tipo de relacin, es decir son
INDEPENDIENTES
b. O de manera ms general, tienen algn tipo de relacin que no es lineal.


X
Y
X
Y
Ejemplo




El equipo X y el equipo Y se enfrentan en un campeonato.
Supn que la distribucin de probabilidad conjunta del
nmero de goles que obtienen es:
Y
0 1 2
0 .10 0.08 .04
X 1 .08 .30 .10
2 .07 .03 .20

existe alguna relacin lineal entre el nmero de goles
marcados por uno y otro equipo? En caso afirmativo, se
trata de una relacin estrecha?

Solucin


Calculamos la correlacin entre X e Y.
Para ello tenemos que calcular E(XY)-E(X)E(Y)
Calculamos E(XY). Para ello calculamos la funcin de
masa de prob. De la v.a. Z=XY
XY 0 1 2 4
0.37 0.30 0.13 0.20
P(X=2,Y=2)
P(X=1,Y=2)+P(X=1,Y=2)
P(X=1,Y=1)
Solucin (II)


E(XY)=0*0.37+1*0.30+2*0.13+4*0.20=1.36

E(X)=1.08
E(Y)=1.09
Por tanto,
COV(X,Y)=1.36-1.08*1.09=0.18
Existe una relacin lineal positiva entre los goles que marca
uno y otro equipo por partido.
Para cuantificar la fuerza de la relacin hay que calcular el
coeficiente de correlacin.
Solucin (y III)


V(X)=0.51, Desviacin tip: 0.71
V(Y)=0.58, Desviacin tip.: 0.76

Por tanto,
CORR(X,Y)=0.18/(0.71*0.76)=0.33
El coeficiente de correlacin est lejano de cero lo que
confirma que existe una relacin lineal positiva significativa
entre los goles marcados por X e Y. Por otra parte, este
valor tambin est lejano a 1 por lo que se puede deducir
que esta relacin lineal no es muy intensa.

Ejercicio


Sean X e Y dos v.a. Si E(X)=2, E(Y)=8,V(X)=4,
V(Y)=3 y COV(X,Y)=4 calcula:
1. V(X+Y)
2. COV(-3X,-2Y)
3. COV(X,5Y+6)
4. COV(X,3)
5. COV(Y,Y)
6. Si V(X)=0, X es una constante?
7. Si COV(X,Z)=0, Z o X han de ser
constantes?


Ejercicio propuesto


8. Si Z=log(X), entonces, crees que el
coeficiente de correlacin ser positivo,
negativo o cero?
9. Si Z=log(X), entonces corr(X,Y) puede ser
igual a 1 o 1?
10. Proporciona una transformacin de X, Z, tal
que CORR(X,Z)=1
11. Lo mismo pero CORR(X,Z)=-1
12. Lo mismo pero CORR(X,Z)=0
Ejercicio II
Una urna contiene 4 bolas con los nmeros 1, 2, 3 y
4. Se extraen 2 bolas sin reemplazamiento. Sea X
el valor mnimo e Y el valor mximo obtenido en
la extraccin.
1. Calcula la distribucin conjunta de (X, Y).
2. Calcula las distribuciones marginales y E(X)
3. Calcula la distribucin de X|Y=3 y su esperanza.
4. Calcula la cov entre X e Y
Este concepto hace referencia a la ausencia de relacin de
cualquier tipo, no slo de tipo lineal, entre dos v.a.
Recuerda que dos sucesos, A y B, son independientes si tener
informacin sobre uno de ellos no influye en el clculo de prob.
del otro, es decir:


O equivalentemente, A y B son independientes si y solo si
Independencia

P(A| B) = P(A )

P(AB) =P(B)P(A)
De una manera similar se puede definir el concepto de independencia entre v.a.
Sean X e Y dos v.a. (continuas o discretas). X e Y son independientes si y solo
si la distribucin de una ellas condicionada por la otra es igual a la marginal de
la primera,



Como en el caso de sucesos, esta definicin implica que X e Y son indep. si su
distribucin conjunta se puede calcular como el producto de las marginales, es
decir:

Independencia II

f
XY
(x, y) = f
X
(x) f
Y
(y)

f
X|Y
(x) = f
X
(x) f
Y|X
(y) = f
Y
(y)
Independencia e incorrelacin
Incorrelacin: ausencia de relacin lineal
Indepencia ausencia de cualquier tipo de
relacin, por tanto
Indepencia Incorrelacin
Ejemplo
Son X e Y indep? y U y V?
X\Y 1 2 3)
1 .50 .05 .04
2 .04 .10 .02
3 .10 .05 .10

U\V 1 2 3
1 .30 .10 .10
2 .18 .06 .06
3 .12 .04 .04


Ejercicio
Sean dos v.a. X e Y independientes tal que E(X)=3,
E(Y)=5, V(X)=1, V(Y)=7. Calcula
1. E(X|Y=1)
2. Corr(2X,3Y)
3. COV(2X,3Y-5X)
4. VAR(4X-3Y)


Distribuciones de probabilidad
bidimensionales o conjuntas
Si disponemos de dos variables aleatorias podemos
definir distribuciones bidimensionales de forma
semejante al caso unidimensional. Para el caso
discreto tendremos:

. y) x, Y P(X p(x, y) = = =
. 0 ) , ( , 1 ) , ( > =

y x p y x p
x y
Con:
37
Podemos encontrar la probabilidad marginal de
la variable aleatoria X sumando sobre todos los
posibles valores de la variable aleatoria Y:
y x p (x) p
y
X
= ) , (
Igualmente, podemos encontrar probabilidad
marginal de la variable aleatoria Y sumando
sobre todos los posibles valores de la variable
aleatoria Y:
y x p (y) p
x
Y
= ) , (
38
Y la funcin de probabilidad condicional de Y dado X = x es:
Funcin de probabilidad condicional
La funcin de probabilidad condicional de X dado Y = y es:
(y) p
p(x,y)
p(x|y)
Y
=
(x) p
p(x,y)
p(y|x)
X
=
39
Nota: El punto 2 lo veremos ms adelante.
45
La definicin para dos variables aleatorias continuas es
semejante: F(x,y) = P(X s x, Ys y).
La densidad de probabilidad f(x,y) se obtiene derivando la
funcin de probabilidad con respecto a sus argumentos:
} }

=
>
1 ) , (
, 0 ) , (
dxdy y x f
y x f
Por supuesto:
) , (
) , ( ) , (
2 2
y x f
x y
y x F
y x
y x F
=
c c
c
=
c c
c
46
}

= dx y x f y f
Y
) , ( ) (
}

= dy y x f x f
X
) , ( ) (
Las densidades de probabilidad marginales y las
probabilidades condicionales se definen de forma
semejante al caso bidimensional discreto sin ms que
sustituir sumatorios por integrales. As:
(y) f
f(x,y)
f(x|y)
Y
=
(x) f
f(x,y)
f(y|x)
X
=
47
(y) P (x) P P(x, y)
Y X
=
Distribuciones bidimensionales
e independencia
Los sucesos aleatorios {X = x} e {Y = y} son independientes
si:
Y entonces, dos variables aleatorias sern independientes
si la relacin anterior se cumple para todos los posibles
pares (x,y).
(y) p p(y|x) (x) p p(x|y)
Y X
= = y
Podremos entonces escribir:
48
El teorema de Bayes se expresa como:
(x) p
(y) p(x|y) p
p(y|x)
y p
(x) p(y|x) p
p(x|y)
X
Y
Y
X
=
=
) (
49
50
51
52
53
54
55
56
La covarianza mide la manera en que dos variables
aleatorias X e Y varan juntas. Por ejemplo, si cuando
una variable aleatoria X se acerca a su media,
entonces es de esperar que la variable Y est
cercana a la suya, la covarianza es positiva. Si es de
esperar que la variable Y est lejana a su media,
entonces la covarianza es negativa.

Covarianza
( ) ) )( ( ) , ( Cov v = Y X E Y X
( ) ( ) Y E X E = = v Con:
57
Se cumple que:
( ) v = Y X E Y X ) , ( Cov
Si X e Y son variables independientes, su covarianza
es cero. Observa que en este caso:
( ) ( ) ( ) 0 ) , cov( = = = = v v v v Y E X E Y X E Y X
Puesto que X e Y son variables independientes
Si la covarianza de X e Y es cero, no necesariamente
X e Y son variables independientes.
58
Nota: Aqu est el punto 2 que nos quedaba pendiente.
Propiedades de la covarianza
Si a y b son constantes:
( )
( )
( ) Y X ab bY aX
X Y Y X
X X X
, cov ) , cov(
, cov ) , cov(
var ) , cov(
=
=
=
60
( ) ( ) ) , ( Cov 2 Var Var ) ( Var
2 2
Y X ab Y b X a bY aX + + = +
Nota:
61
Resumen del formulario:
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
Transformacin de variables
aleatorias bidimensionales
Dada una variable bidimensional (X, Y), con funcin densidad
de probabilidad conjunta f(x, y) y una transformacin biunvoca:

U = u(X, Y), V = v(X, Y)

la funcin de densidad de probabilidad conjunta de la nueva
variable aleatoria bidimensional (U, V) ser:

g(u, v) = f(x(u,v), y(u,v)) |J|

con:
1
c
c
c
c
c
c
c
c
=
c
c
c
c
c
c
c
c
=
y
v
x
v
y
u
x
u
v
y
u
y
v
x
u
x
J
77
Ejemplo de transformacin bidimensional
Sean x,y dos nmeros aleatorios generados por distribuciones
normales tipificadas N(0,1). Si son independientes, su distribucin
sobre un plano ser:

)
`

+
=
|
|
.
|

\
|

|
|
.
|

\
|
=
2
) (
2
1
2
2
1
2
2
1
) , (
2 2 2 2
y x
Exp
y
Exp
x
Exp y x P
t
t t
x = 1 e
y
y = ln ( 1 x )
x = 1 e
y
y = ln ( 1 x )
x = 1 e
y
y = ln ( 1 x )
x = 1 e
y
y = ln ( 1 x )
Hagamos una transformacin a coordenadas polares (R,).
Con d = R
2
= x
2
+ y
2
:
) 2 / (
2
1
2
1
) , (
) , (
) , (
) , ( d Exp y x P
d
y x
d P =
c
c
=
t u
u
que es equivalente al producto de una distribucin exponencial de
vida media 2, y una distribucin uniforme definida en el intervalo
[0,2].
(Press et al., Numerical Recipes)
79
Transformacin de Box-Mller:
Cmo conseguir una distribucin normal bidimensional
a partir de una uniforme?
demuestra que nos llevan a dos nmeros aleatorios x,y
cuya probabilidad sigue una distribucin normal.

Puesto que las transformaciones dependen de funciones
trigonomtricas, no son muy eficientes para el clculo
computacional.

2
1
2
2
ln 2
u
u R
t u =
=
) sin(2 ln 2 sin
) cos(2 ln 2 cos
2 1
2 1
u u R y
u u R x
t u
t u
= =
= =
(Press et al., Numerical Recipes)
Sean dos nmeros aleatorios u
1
, u
2
derivados de una
distribucin uniforme. Se realizan las transformaciones:
86
x = 1 e
y
y = ln ( 1 x )
x = 1 e
y
y = ln ( 1 x )
x = 1 e
y
y = ln ( 1 x )
x = 1 e
y
y = ln ( 1 x )
Para hacer el algoritmo de Box-Mller
ms rpido se definen las variables:
v
1
=2u
1
1
v
2
=2u
2
1
Se generan nmeros hasta que
(v
1
,v
2
) se encuentre dentro del
crculo de radio R = 1.
2 / 1
2 / 1
ln 2

ln 2
|
.
|

\
|

=
|
.
|

\
|

=
d
d
y
d
d
x
2
1
v
v
2 / 1
2 2
2 / 1
1 1
) (
sin
) (
cos
2
2
2
1
2
2
2
1
v v
v v
v v
v v
+
= =
+
= =
R
R
u
u
v
1

v
2

R

(1,1)
(1,1) (1,1)
(1,1)
para d 1.
(Press et al., Numerical Recipes)
Estas transformaciones modificadas
son ms eficientes en el clculo.
87
88
89