Saltar al contenido principal
Library homepage
 
LibreTexts Español

4.7: Ley de suma de varianza II - Variables correlacionadas

  • Page ID
    152430
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Objetivos de aprendizaje

    • Exponer la ley de suma de varianza cuando\(X\) y no se supone que\(Y\) son independientes
    • Computar la varianza de la suma de dos variables si se conoce la varianza de cada una y su correlación
    • Computar la varianza de la diferencia entre dos variables si se conoce la varianza de cada una y su correlación

    Recordemos que cuando las variables\(X\) y\(Y\) son independientes, la varianza de la suma o diferencia entre\(X\) y se\(Y\) puede escribir de la siguiente manera:

    \[ \sigma_{X \pm Y}^2 = \sigma_{X }^2 + \sigma_{Y}^2 \label{eq1}\]

    que se lee: “La varianza de\(X\) más o menos\(Y\) es igual a la varianza de\(X\) más la varianza de”\(Y\).

    Cuando\(X\) y\(Y\) están correlacionados, se debe utilizar la siguiente fórmula:

    \[ \sigma_{X \pm Y}^2 = \sigma_{X }^2 + \sigma_{Y}^2 \pm 2 \rho \sigma_X \sigma_Y \label{eq2}\]

    donde\(\rho\) está la correlación entre\(X\) y\(Y\) en la población.

    Ejemplo\(\PageIndex{1}\)

    Si la varianza de SAT verbal fueron\(10,000\), la varianza del SAT cuantitativo fueron\(11,000\) y la correlación entre estas dos pruebas fueron\(0.50\), ¿cuál es la varianza del SAT total (verbal + cuantitativo) y la diferencia (verbal - cuantitativa)?

    Solución

    Dado que las dos variables están correlacionadas, usamos Ecuación\ ref {eq2} en lugar de Ecuación\ ref {eq1} para variables no correlacionadas (independientes). Por lo tanto, la varianza de la suma es

    \[\sigma^2_{verbal + quant} = 10,000 + 11,000 + 2\times 0.5\times \sqrt{10,000} \times \sqrt{11,000}\]

    que es igual a\(31,488\). La varianza de la diferencia también está determinada por la Ecuación\ ref {eq2}:

    \[\sigma^2_{verbal - quant} = 10,000 + 11,000 - 2\times 0.5\times \sqrt{10,000} \times \sqrt{11,000}\]

    que es igual a\(10,512\).

    Si las varianzas y la correlación se calculan en una muestra, entonces se utiliza la siguiente notación para expresar la ley de suma de varianza:

    \[ s_{X \pm Y}^2 = s_{X }^2 + s_{Y}^2 \pm 2 r\, s_X \, s_Y\]


    This page titled 4.7: Ley de suma de varianza II - Variables correlacionadas is shared under a Public Domain license and was authored, remixed, and/or curated by David Lane via source content that was edited to the style and standards of the LibreTexts platform; a detailed edit history is available upon request.