You are on page 1of 8

TEMA 3: DISTRIBUCIONES BIDIMENSIONALES.

3.1. Conceptos Generales. .......................................................................... 1


3.2. Distribuciones bidimensionales de frecuencias.................................... 1
3.2.1. Tablas de correlacin y contingencia. ............................................ 1
3.2.2. Distribuciones marginales y condicionadas. .................................. 3
3.3. Momentos en distribuciones bidimensionales:..................................... 5
3.3.1. Momentos respecto al origen (no centrados). ............................... 5
3.3.2. Momentos respecto a la media (centrados): La covarianza. .......... 5
3.4. Independencia estadstica:.................................................................. 7

3.1. Conceptos Generales.


Hasta ahora hemos estudiado sobre cada observacin de las que forman la muestra
el valor que presenta un determinado carcter. En este tema estudiaremos sobre
cada observacin dos caracteres (por ejemplo: peso y altura, edad y salario,...).
Estos dos caracteres tendrn unas variables asociadas que denotaremos por X e Y.
cada variable tomara unos valores x1 , x2 , ...,xk (la variable X) y y1 , y2 ,..., yp (la
variable Y).
A la variable (X,Y) la llamaremos variable estadstica bidimensional y sus valores
sern los pares de valores (xi , yj ).
Los razonamientos que presentaremos para dos variables (estadstica
bidimensional) son extrapolables en mayor o menor medida para n variables
(estadstica n-dimensional).

Representacin numrica.

La tabla estadstica ms sencilla para representar una variable bidimensional


consiste en colocar en dos columnas los pares de valores segn se han ido
observando. Un mismo subndice afecta a ambos elementos del par y nos indica
que observacin nos ha proporcionado dicho par de valores (xi , yi ), el ltimo
subndice, n es igual al nmero de observaciones:

EJEMPLO 1: LA SUPERFICIE EN HECTAREAS(X) Y PRODUCCION EN Qm.(Y) DE 5 FINCAS:

FINCA SUP.Ha.(X) PRODUC. Qm(Y)


1 10 100
2 5 75
3 10 50
4 15 75
5 5 75

3.2. Distribuciones bidimensionales de frecuencias.

3.2.1. Tablas de correlacin y contingencia.

En esta representacin los distintos valores de la variable X los notamos xi i= 1, 2,


..., k y los distintos valores de la variable Y los notamos yi i= 1, 2, ..., p.
A cada observacin le corresponde un par de valores (xi , yj ). Al numero de
observaciones que han presentado el valor xi de X e yj de Y se le denomina
frecuencia absoluta del par (xi , yj ) y se nota como ni j.

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS


FACULTAD DE CIENCIAS DE LA EMPRESA
UNIVERSIDAD POLITCNICA DE CARTAGENA
1-8
TEMA 3: DISTRIBUCIONES BIDIMENSIONALES.

Notaremos con fi j a la frecuencia relativa de dicho par:

ni j
fi j = -------
N
Donde N es el nmero de observaciones:

k p
N= n
i =1 j =1
ij

NOTA: (interpretacin del doble sumatorio)

k p k p p p p

nij = ( nij ) = n1 j + n2 j + ... + nkj = n11 + n12 + ... + n1 p


i =1 j =1 i =1 j =1 j =1 j =1 j =1

+ n 21 + n 22 + ... + n 2 p + ... + n k 1 + n k 2 + ... + n kp

k p p k
Es fcil comprobar que: N = nij = nij
i =1 j =1 j =1 i =1

Se denomina distribucin bidimensional de frecuencias al conjunto de valores (( xi ,


yj ) , ni j) donde i= 1,2,..., k y j = 1,2,...,p.
Esta distribucin bidimensional se representa adecuadamente mediante una tabla
de doble entrada llamada tabla de correlacin:

X/Y y1 y2 y3 ............ yp
x1 n11 n12 n13 ............. n1p
x2 n21 n22 n23 ............. n2p
....... ..........
xk nk1 nk2 nk3 ............. nkp

EJEMPLO 2: DISTRIBUCION SEGN SALARIOS (Y, EN EUROS) Y EDADES(X) DE


UN GRUPO DE 100 JOVENES.

X/Y 50-100 100-150 150-200 SUMA FILA


* 75 125 175
20 10 3 2 15
21 5 15 5 25
22 2 20 15 37
23 0 13 10 23
SUMA COL. 17 51 32 100

* CUANDO ALGUNA DE LAS VARIABLES ESTAN AGRUPADAS EN INTERVALOS SE


TOMA COMO VALOR xi O yj LA MARCA DE CLASE.

n42 = 13 SIGNIFICA QUE 13 DE LOS CIEN JOVENES


TIENEN 23 AOS Y UN SALARIO ENTRE 100 Y 150 EUROS.

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS


FACULTAD DE CIENCIAS DE LA EMPRESA
UNIVERSIDAD POLITCNICA DE CARTAGENA
2-8
TEMA 3: DISTRIBUCIONES BIDIMENSIONALES.

Si las variables objeto de estudio fueran cualitativas, la tabla se


denominara tabla de contingencia.
Si llamamos: n. j = ni j con j fijo, dicho valor se corresponde con la suma de las
frecuencias absolutas de la columna j de nuestra tabla.
Si llamamos: n i . = ni j con i fijo, dicho valor se corresponde con la suma de
las frecuencias absolutas de la fila i de nuestra tabla.

El nmero total de observaciones N tambin puede obtenerse como:


k p k p
N = nij = ni . = n. j
i =1 j =1 i =1 j =1

En nuestro ejemplo 2 los n i . y los n. j son los datos que aparecen en la ltima
columna y fila respectivamente.

3.2.2. Distribuciones marginales y condicionadas.

Distribuciones marginales.

De estas tablas de doble entrada (de correlacin o contingencia), es posible


extraer la informacin correspondiente a cada una de las variables
(independientemente de la otra), posibilidad relevante ya que su anlisis como
variable unidimensional puede ser de utilidad.

A las distribuciones unidimensionales extradas de una variable bidimensional se les


denomina distribuciones marginales. ste nombre deriva del hecho de que las
frecuencias de la distribucin marginal se obtienen sumando en el margen de la
derecha o inferior de la tabla de correlacin las correspondientes frecuencias
bidimensionales.
Dada una tabla de correlacin de una variable bidimensional (X, Y) las
distribuciones marginales para X e Y sern:

Distrib. Marginal primera Distrib. Marginal segunda


X n i. f i. Y n..j f .j
x1 n 1. f 1. y1 n. 1 f. 1
x2 n 2. f 2. y2 n. 2 f. 2
........
........ .....
xk n k. f k. yp n. p f. p
SUMAS N 1 N 1
Donde:
n i. n..j
f i . = --------- = fi j CON i FIJO f . j = --------- = fi j CON j FIJO
N N
En nuestro ejemplo 2 las distribuciones marginales serian:

La distribucin marginal primera:

X n i.
20 15
21 25
22 37
23 23
SUMA COL. 100
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS
FACULTAD DE CIENCIAS DE LA EMPRESA
UNIVERSIDAD POLITCNICA DE CARTAGENA
3-8
TEMA 3: DISTRIBUCIONES BIDIMENSIONALES.

La distribucin marginal segunda:

Y n. j
75 17
125 51
175 32
SUMA COL. 100

nota: a las medidas (media, varianza,...) calculadas sobre la distribucin marginal


se les aade el calificativo de marginal (media marginal, varianza marginal,...).

Distribuciones Condicionadas.

Las distribuciones condicionadas expresan como se distribuyen, segn una de las


dos variables, el conjunto de observaciones que cumplen una condicin. Esta
condicin viene expresada por un valor o conjunto de valores que presenta la otra
variable.
Es decir, la distribucin condicionada de X cuando y toma el valor yc o el conjunto
de valores yr
O la distribucin condicionada de Y cuando x toma el valor xc o el conjunto de
valores xr
Utilizando nuestro ejemplo 2, una distribucin condicionada, seria la distribucin
segn salarios (variable Y) condicionada a que la edad (variable X) sea 21 aos, (x2
= 21).
Es decir la distribucin de la variable y condicionada a que la variable X tome el
valor 21 (Y x= 21).
y x= 21 nj/2

50 - 100 5
100 150 15
150 200 5

Se puede observar que cada una de las filas de frecuencias de la tabla de


correlacin define una distribucin condicionada para la variable y, salvo la ltima
que define su distribucin marginal. Anlogamente cada una de las columnas de
frecuencias de la tabla de correlacin define una distribucin condicionada para la
variable x, salvo la ltima que define su distribucin marginal.

Las distribuciones condicionadas son distribuciones unidimensionales a las cuales se


les puede aplicar todo lo conocido para ese tipo de distribuciones. A las
caractersticas calculadas sobre las distribuciones condicionadas se les aade el
calificativo de condicionada (media condicionada, varianza condicionada,...).

Para las distrib. condicionadas Yxi notaremos las frecuencias relativas como fj / i :
ni j
fj / i = -------
ni .
Y anlogamente para las distribuciones condicionadas Xy i

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS


FACULTAD DE CIENCIAS DE LA EMPRESA
UNIVERSIDAD POLITCNICA DE CARTAGENA
4-8
TEMA 3: DISTRIBUCIONES BIDIMENSIONALES.

3.3. Momentos en distribuciones bidimensionales:

3.3.1. Momentos respecto al origen (no centrados).

Se define el momento respecto al origen de la variable bidimensional (X , Y) de


orden ( r , s) y lo denotamos como a r s

1 k p
a rs =
N
x
i =1 j =1
r
i
y sj nij
Casos particulares:

a 10 = es la media marginal de X
a 01 = es la media marginal de Y

3.3.2. Momentos respecto a la media (centrados): La covarianza.

Se define el momento respecto a la media de la variable bidimensional (X , Y) de


orden ( r , s) y lo denotamos como m r s
1 k p
mrs =
N
(x
i =1 j =1
i
x ) r ( y j y ) s nij

Casos particulares:

m 10 = 0 = m 01
m 20 = es la varianza marginal de X
m 02 = es la varianza marginal de Y

El momento respecto a la media ms importante es la covarianza que se nota y


define como:
1 k p
m11 =
N
(x
i =1 j =1
i x )( y j y )nij S XY

La covarianza ayuda a cuantificar la covariacin entre dos variables del siguiente


modo:
Cuando Sxy > 0, hay una tendencia a que a mayores observaciones de X
correspondan mayores observaciones de Y. Por ejemplo, a mayor cantidad de
agua de lluvia en un ao, suele corresponder una mejor cosecha.
Cuando Sxy < 0, la tendencia resulta contraria; es decir, a mayor valor de X
solemos encontrar menores valores de Y. Por ejemplo, a mayor renta per cpita
en los pases suele corresponder una menor mortalidad infantil.

Este valor depender de los valores de las variables, por tanto de sus
unidades. Para poder eliminar las unidades y tener una medida adimensional
utilizamos el COEFICIENTE DE CORRELACIN (rxy)
S xy
rxy =
SxS y
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS
FACULTAD DE CIENCIAS DE LA EMPRESA
UNIVERSIDAD POLITCNICA DE CARTAGENA
5-8
TEMA 3: DISTRIBUCIONES BIDIMENSIONALES.

siendo tambin invariante frente a transformaciones lineales (cambio de origen y


escala) de las variable. Citamos las siguientes propiedades:
Es un coeficiente adimensional.
-1 rxy 1
Si hay relacin lineal positiva rxy > 0 y prximo a 1.
Si hay relacin lineal negativa rxy <0 y prximo a -1.
Si no hay relacin lineal rxy se aproxima a 0.
Si X e Y son independientes Sxy = 0 y por tanto rxy = 0.

RECAPITULACION

A) TABLA DE CORRELACION/CONTINGENCIA:
X/Y y1 y2 y3 ......... yn ... yp ni.

x1 n11 n12 n13 ..... n1n ...... n1p n1.


x2 n21 n22 n23 ..... n2n ...... n2p n2.
....... ..........
xm nm1 nm2 nm3 ..... nmn ..... nmp nm.
.......
xk nk1 nk2 nk3 ..... nkn ...... nkp n k.

n.j n.1 n.2 n.3 n.n n.p n

B) DISTRIB.MARGINALES Y CONDICIONADAS:

MARGINAL 1(X) MARGINAL 2(Y) COND.Yxm COND.Xy


n
X n i. fi. Y n. j f.j Yxm nj/m Xyn ni/n
x1 n1. f1. y1 n. 1 f.1 y1 nm1 x1 n1n
x2 n2. f2. y2 n. 2 f.1 y2 nm2 x2 n2n
... ... ... ... ... ... ... ... ... ...
xm nm. fm. ... ... ... ... ... xm nmn
... ... ... yn n. n f.n yn nmn ... ...
xk nk. fk. ... ... ... ... ... xk nkn
yp n. p f.p yp nmp
N 1 n 1 nm. n.n

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS


FACULTAD DE CIENCIAS DE LA EMPRESA
UNIVERSIDAD POLITCNICA DE CARTAGENA
6-8
TEMA 3: DISTRIBUCIONES BIDIMENSIONALES.

Frecuecians Relativas:
fi. = ni./N f.j = n.j/N fj/m = nm j/nm. ; fi/n = ni n/n.n

Medias Marginales:
x = (1/N) xi ni. = xi fi. ; y = (1/N) yj n.j = yj f.j

Medias Condicionadas:
x p = (1/n.n) xi nin = xi fi/n ; y m = (1/nm.) yj nmj = yj fj/m

Relaciones entre distrib. Marginales y condicionadas:


nij nij ni.
- fij = ------- = ------ ------- = fj/i fi.
N ni. N

nij nij n.j


- fij = ------- = ------ ------- = fi/j f.j
N n.j N

- x = (1/N) xi ni. = xi fi. = xi fij = xi fi/j f.j = (xi fi/j )f.j = xj f.j

- y = (1/N) yj n.j = yj f.j = yj fij = yj fj/i fi.= (yj fj/i ) fi.= yi fi.

3.4. Independencia estadstica:

Dos variables X e Y son estadsticamente independientes cuando el


condicionamiento no tiene ningn efecto diferenciador.
(Pinsese que si las caractersticas en estudio son, por ejemplo, el peso(x) y el
nmero de miembros de la unidad familiar (y), en principio y al menos
intuitivamente, la variable peso se comportara independientemente del
condicionamiento que podamos hacer en cuanto al nmero de miembros de la
unidad familiar).

En trminos de frecuencias relativas, la independencia estadstica se traducir


(condicin de independencia) en que:
fj/i = f.j Y fi/j = fi. i, j

Y dado que fij = fj/i fi. = fi/j f.j

En caso de independencia estadstica, tendremos que:


fij = fi. f.j i, j
O en trminos de frecuencias absolutas:
nij ni . n.j ni. n.j
- ------- = ------ ------- nij = ------------ i, j
N N N N
Estas dos ltimas expresiones son las que se suelen tomar como caracterizacin de
la independencia.

Veamos que: si dos variables x e y son estadsticamente independientes entonces


su covarianza es cero m11 = 0(el reciproco no tiene por que ser cierto):

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS


FACULTAD DE CIENCIAS DE LA EMPRESA
UNIVERSIDAD POLITCNICA DE CARTAGENA
7-8
TEMA 3: DISTRIBUCIONES BIDIMENSIONALES.

Recordemos que m11 = a11 - a10 a01

Vamos a demostrar que si hay independencia a11 = a10 a01

a = (1/n) xi yj nij = xi yj nij = xi yj ni. n.j


11
N N N
= xi ni. yj n.j = a10 a01
N N
Por tanto:
Independencia Covarianza cero
Covarianza cero Independencia

Bibliografa bsica
* M Angeles palacios, Fernando A. Lpez Hernndez , Jos Garca Crdoba y
Manuel Ruiz Marn. INTRODUCCIN A LA ESTADSTICA PARA LA EMPRESA.
Librera Escarabajal
* Martn-Pliego Lpez, Fco. Introduccin a la estadstica econmica y empresarial.
Ed. Thomson
* Casas, J. M., Callealta, J., Nez, J., Toledo, M. y Urea, C. (1986). Curso Bsico
de Estadstica Descriptiva. I.N.A.P.

* Hermoso Gutirrez, J. A. y Hernndez Bastida, A. (1997). Curso Bsico de


Estadstica Descriptiva y Probabilidad. Ed. Nmesis.

Para saber ms o aclarar dudas:

http://www3.uji.es/~mateu/t2-ig12.doc
http://descartes.cnice.mecd.es/Estadistica/distrib_bidimensionales/distribuciones_bidimens

ionales.htm

http://www.eumed.net/cursecon/libreria/drm/cap3.pdf

http://personal.redestb.es/ztt/tem/t15_distribuciones_bidimensionales.htm

http://www.aulafacil.com/CursoEstadistica/Lecc-10-est.htm

http://www.ugr.es/~jsalinas/activi/C4.pdf

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS


FACULTAD DE CIENCIAS DE LA EMPRESA
UNIVERSIDAD POLITCNICA DE CARTAGENA
8-8