TEMA 3: VARIABLE BIDIMENSIONAL

OBSERVACIONES
DE DOS VARIABLES

MEJOR TOMAR LA
INFORMACIN DE
MANERA CONJUNTA
Sacar ms partido de
ella

EJEMPLOS:
talla y peso de una poblacin
salario y antigedad de los trabajadores de una empresa
Variable bidimensional (X,Y):
La variable X presenta n valores distintos
La variable Y presenta m valores distintos

Distribucin bidimensional de frecuencias (xi, yj, nij)

X\Y

y1

y2

.....

ym

x1

n11

n12

.....

n1m

x2

n21

n22

.....

n2m

......

..

..

......

.....

xn

nn1

nn2

.....

nnm
4

Lo importante:

Coincidencias

Dependencia estadstica positiva

X\
y1
Y

y2

y3

y4

y5

ni.

x1 10

16

x2

12

29

x3

10

25

x4

12

26

x5

4
6

n.j

16 24 24

23

13

100

Dependencia estadstica negativa

X\
y1
Y

y2

y3

y4

y5

ni.

x1

11

20

x2

13

26

x3

15

30

x4

10

24

x5 12

24
7

n.j 19 24

32

28

21

124

Dependencia funcional
X\
y1
Y

y2

y3

y4

y5

ni.

x1 10

10

x2

15

15

x3

20

20

x4

12

12

x5

8
8

n.j 10 15

20

12

65

Independencia
X\
y1
Y

y2

y3

y4

y5

ni.

x1

10

30

x2

12

16

20

60

x3

15

x4

10

30

x5

12

18

24

30

90
9

n.j 15 30

45

60

75

225

MAYOR DEPENDENCIA
independientes

estadsticamente
dependientes

Cuando no
existe relacin
entre las
variables

Coincidencias

funcionalmente
dependientes

Cuando cada valor

de una variable solo
se da con un valor
de la otra
(en ese sentido podra decirse
que existe una funcin que
relacione las dos variables)

EJEMPLO: Gasto por persona (X) e Ingresos mensuales (Y)

X\Y

0-200

200-500

500-2000

2000-10000

50-100

40

12

100-150

16

48

12

150-250

50

92

20

250-500

40

72

24

TIPOS DE DISTRIBUCIONES :

Distribuciones conjuntas.
Distribuciones marginales.
Distribuciones condicionadas

2. DISTRIBUCIONES MARGINALES:
EJEMPLO: Gasto por persona (X) e Ingresos mensuales (Y)

X\Y

0-200

200-500

500-2000

2000-10000

ni.

50-100

40

12

60

100-150

16

48

12

80

150-250

50

92

20

170

250-500

40

72

24

140

n.j

68

150

184

48

450

Distribuciones Marginales:
X

ni.

n.j

x1

n1.

y1

n.1

x2

n2.

y2

n.2

......

..

..

..

xn

nn.

ym

n.m

Distribuciones Marginales:
X

ni.

n.j

50-100

60

0-200

68

100-150

80

200-500

150

150-250

170

500-2000

184

250-500

140

2000-10000

48

3. DISTRIBUCIONES CONDICIONADAS:

Ejemplo: Gasto por persona (X) e Ingresos mensuales (Y)

X\Y

0-200

200-500

500-2000

2000-10000

ni.

50-100

40

12

60

100-150

16

48

12

80

150-250

50

92

20

170

250-500

40

72

24

140

n.j

68

150

184

48

450

Obtener la distribucin de Y condicionada a x4

y la distribucin de X condicionada a y4

Distribuciones Condicionadas:
Y / x4

n4j

X / y4

ni4

0-200

50-100

200-500

40

100-150

500-2000

72

150-250

20

2000-10000

24

250-500

24

n4.

140

n.4

48

Por favor, invntense un par de ejemplos ms y

hagmoslos en clase.

Calculando la dependencia lineal entre dos variables

Covarianza: media aritmtica del producto

de las variaciones respecto a la media
definicin

S xy = m1,1

1
=
N

1
=
N
m

i = 1 j =1

(x
i = 1 j =1

n
m
1
x i y j n ij y x i n ij N i =1 j =1

n
m
1
1
x y j n ij +
N i = 1 j =1
N

1
=
N

x
i =1 j =1

- x )( y j - y )n ij =

x yn
i =1 j =1

ij

y j n ij - x y = a11 - a10 a 01
forma de clculo

Interpretacin de la Covarianza:

Sxy >0 ; Relacin directa entre X e Y

cuando X crece
Y tambin: ++,--

Sxy <0 ; Relacin indirecta entre X e Y

cuando X crece
Y decrece: +-,-+

Sxy =0 ; X e Y estn incorreladas (linealmente)

Graphically
No
relation

Negative
Linear relation

Scatter Diagrams

Positive
linear relation

Non-linear
relation
38

Cambio de escala y origen en la covarianza:

a) Los cambios de origen no afectan a la covarianza
b) Los cambios de escala s afectan a la covarianza
X = X a1

Y =Y a2 Sxy= Sxy

X = b1 X

Y = b2 Y

X = a1+b1 X

Sxy= a b Sxy

Y = a2+b2 Y S ' xy = b1b2 S xy

Cal es el rango de la covarianza?

-SxSy Sxy SxSy

Como no es fcil saber si la covarianza es grande
o no...
Solution: Crear una medida con rango entre -1
and +1
42

Coeficiente de correlacin lineal

rxy =

S xy
Sx S y

; -1 rxy 1

Interpretacin:

rxy > 0 ; Relacin lineal positiva entre X & Y

rxy < 0 ; Relacin lineal negativa entre X & Y

rxy = 0 ; No relacin lineal entre X & Y

rxy = -1/+1 ; Relacin lineal perfecta
negativa/positiva entre X & Y
43

Independencia:
1. X es independiente de Y si las distribuciones
condicionadas X/Y=yj, expresadas en trminos de frecuencias
relativas, son idnticas para j= 1,2,...,m.

2. X es independiente de Y, cuando para todo par de

valores la frecuencia relativa conjunta es igual al producto
de las frecuencias relativas marginales

f ij = f i. f. j nij =

ni.n. j
N

; i, j

Propiedades de la Independencia:
1. Es recproca.
2. Si X e Y son independientes, su covarianza es nula.

Si X e Y son independientes
(Puede haber relacin no lineal)

Sxy = 0