4.

VARIABLES ALEATORIAS BIDIMENSIONALES Y MULTIDIMENSIONALES

Frecuentemente el uso de dos o mas eventos es de importancia fundamental para el investigador, en este caso
se involucran dos o mas variables aleatorias.
Por ejemplo:
Un bilogo al observar el nmero de animales que sobreviven en una camada se interesa en la interaccin de
los eventos siguientes:
A: La camada contiene n animales
B: No. Y de animales que sobreviven
De manera similar, la observacin de la estatura y del peso de un individuo representa la interseccin de un
par especfico de mediciones estatura-peso.
Es de mucha importancia para los estadsticos las intersecciones que ocurren al efectuar un muestreo como
por ejemplo, supngase que X 1 , X 2 .... X n denota los resultados de n pruebas sucesivas de un experimento,
estos podran ser el resultado del peso de n personas, o bien el resultado de n caractersticas fsicas de una
sola persona. Dado un conjunto de n eventos X 1 , X 2 .... X n sus resultados especficos o mediciones muestrales
puede ser expresado en trminos de la interaccin que puede ser denotado por x1 , x 2 ....x n . Entonces para
hacer inferencia acerca de la poblacin de la cual se obtuvo la muestra, es necesario calcular la probabilidad
de la interaccin, por lo que se encuentra con la necesidad de obtener la probabilidad de la interaccin de un
conjunto de eventos numricos. Esta necesidad justifica el hecho de estudiar las distribuciones de
probabilidad multivariables, aunque primero se estudiar las probabilidades Bivariadas.

4.1 Distribuciones Bivariadas

4.1.1 Distribuciones discretas conjuntas.
Definicin: Sean X y Y v.a. discretas. La funcin de densidad conjunta de la v.a. (X,Y) es una funcin f:
R2R tal que:
f X ,Y ( x, y ) 0 ( x, y ) R 2
a)
b)

Existe un conjunto finito o infinito numerable de ( xi , y j ) A R 2 tal que:

X ,Y
( xi , y j )A

( xi , y j ) = 1

Ejemplo 1: Sea X y Y v.a. con valores posibles {1,2,3} y {1,2,3,4} respectivamente. La funcin de densidad
conjunta es dada en la tabla siguiente:
Y
X
1
2
3

0.1
0.3
0

0
0
0.2

0.1
0.1
0

0
0.2
0

Hallar a) P ( X 2, Y 2), b) P ( X = 1)
a) P ( X 2, Y 2) = f ( 2,3) + f ( 2,4) + f (3,2) + f (3,3) + f (3,4)
=0+0.1+0.2+0.2+0+0=0.5
4

P( X = 1) = f (1,1) + f (1,2) + f (1,3) + f (1,4) = 0.1 + 0 + 0.1 + 0 = 0.2 = f (1, y )

y =1

Distribuciones Marginales Discretas

Definicin: Sea f X ,Y ( x, y ) la fn de densidad conjunta de las v.a. discretas X y Y entonces, las distribuciones
marginales de las variables aleatorias de X e Y son:
69

f ( X = xi ) = f ( xi , y j ) para cada valor posible xi de X, y todos los y j valores posibles de Y

j =0

f (Y = y j ) = f ( xi , y j ) para cada valor posible yi de Y, y todos los xi valores posibles de X

i =0

respectivamente y son precisamente las funciones de densidad de las variables aleatorias X e Y

Ejemplo 2. Del ejemplo 1, determinar la marginal de X
Observamos que los valores posibles de X son 1,2 y 3.
Entonces, la marginal de X es:
4

f ( X = 1) = f (1, y j ) = 0.1+0+0.1+0=0.2

f ( X = 2) = f ( 2, y j ) = 0.3+0+0.1+0.2=0.6

j =0

i =0

f ( X = 3) = f (3, y j ) = 0+0.2+0+0=0.2
i =0

0.2 si x = 1,3

O bien, puede ser expresado por: f X ( x) = 0.6 si x = 2

0 de otro mod o

Ejemplo 5: Dado un grupo de tres republicanos y dos demcratas, debe seleccionarse al azar un comit de
dos personas. Sea X el nmero de republicanos y Y el nmero de demcratas en el comit.
a) Encuentre la distribucin de probabilidad conjunta de X y Y
b) Determinar la distribucin marginal de X?
Solucin. ={conjunto de dos elementos del grupo de 6 personas}
5
5!
5( 4)
# = =
=
= 10
2!
2 (5 2)!2!
En general:
3 2

x y
f X ,Y ( x, y ) =
x = 0,1,2
y = 0,1,2, x+y=2
5

2
La distribucin marginal de X es determinada por:
f X ( x) = f (0, y j )
j =1

Esto es, se fija cada valor posible de X (0,1 o 2) y se suman las probabilidades considerando los valore
posibles de Y. Veamos:
3 2

0 2
1
f X (0) = f (0, y j ) = f (0,0) + f (0,1) + f (0,2) = 0 + 0 + + = 0 + 0 + = 1 / 10
10
5
j =1

2
3 2

1 1
3(2)
f X (1) = f (1, y j ) = f (1,0) + f (1,1) + f (1,2) = 0 + + 0 =
= 6 / 10
10
5
j =1

2

70

f X ( 2) =
y

3 2

2 0
f (2, y ) = f (2,0) + f (2,1) + f (2,2) = + 0 + 0 = 3(1) / 10 = 3 / 10
5

0

O bien, la marginal de X es:

1 / 10 si x = 0
6 / 10 si x = 1

f X ( x) =
3 / 10 si x = 2
0 de otro mod o
Obsrvese que la marginal X es una funcin de densidad (al igual que la marginal de Y)

4.2 Distribuciones continuas conjuntas

Definicin: Sean X y Y v.a. continuas. La funcin de densidad conjunta de la v.a. (X,Y) es una funcin f:
R2R tal que:
a) f X ,Y ( x, y ) 0 ( x, y ) R 2

b)

X ,Y

( x, y ) dxdy = 1

Nota: P(( X , Y ) B) = f X ,Y ( x, y )dxdy

B

Si B = {x, y} el conjunto B consta de un punto entonces

P ({x, y}) = P ( X = x, Y = y ) f X ,Y ( x, y ) dxdy = 0
{ x , y}

En general cualquier curva unidimensional en el plano (X,Y) tiene la probabilidad cero, por tanto la
probabilidad de que (X,Y) pertenezca a cualquier recta en el plano, es cero.
Ejemplo 3: Suponga que la funcin de densidad conjunta de la v.a. X y Y es la siguiente:
cx 2 y para x 2 y 1
f X ,Y ( x, y ) =
de otro modo
0
a) Determinar el valor c
b) P ( X Y )
Solucin:

Se sabe que

cx

y =1

1
1
2 y2
x4
1
2 1
2
6

cx
y
=
c
x
ydydx
=
c
x
dx
=
c
x

dx
=
c

1
1 2 2
1 2 2
1( x x )dx
2
x
x2

1 1

1 x3 x7
12 2
4
=c =c =c
2 3 7 1
23 7
21

entonces

c = 21 / 4
x

1
21
21 2 y 2
P ( X Y ) = f X ,Y ( x, y )dydx = x 2 ydydx =
x
dx So = {( x, y ) | x y} S: soporte de (x,y)

4
4
2
2

x2
So S
0 x
0
1

71

1
21 4
21 x 5 x 7
21 1 1 21 2 21
3
6
= x x )dx =
=
= = =
8 0
8 5
7 0
8 5 7 8 35 140 20

Distribuciones Marginales Continuas

Definicin: Sea f X ,Y ( x, y ) la fn de densidad conjunta de las v.a. continas X y Y entonces, las distribuciones
marginales de las variables aleatorias de X e Y son:

f X ( x) =

f Y ( y) =

f X ,Y ( x, y ) dy

X ,Y

( x, y ) dx

Ejemplo 7: Suponga que la fn. de densidad conjunta de las v.a.s X y Y es:

21 2
2
x y para x y 1
f X ,Y ( x, y) = 4
0
de otro modo
Determinar las marginales de X y Y
1

21
21
21
f X ( x) = x 2 y dy = x 2 y 2 = ( x 2 x 6 ) I[ 1,1]
4
8
8
x2
x2
y

21 2
7
fY ( y ) =
x y dx = x 3 y
4
4

4.3

=
y

5
5
7
7 2
y + y 2 = y 5 / 2 I [ 0,1]

2
4

Funcin de distribucin acumulada conjunta de una v.a. bivariada

Definicin: La funcin de distribucin acumulada conjunta de dos v.a.s X e Y se define como la funcin
FX ,Y ( x, y ) para cada ( x, y ) de RxR en [0,1] tal que:
FX ,Y ( x, y ) = P ( X x, Y y )

Obsrvese que
a) FX ,Y ( x, y ) = P ( X x, Y y ) =

f (x , y )
i

cuando X y Y es discreta

xi x
yi y
y x

b) FX ,Y ( x, y ) = P( X x, Y y ) =

f ( x, y)dxdy

cuando X y Y son continuas.

En el caso b) la funcin de densidad conjunta de X e Y es dada por:

F ( x , y )
f X ,Y ( x, y ) =
yx
en todos los puntos (x,y) donde exista la derivada
Definicin: Suponga que se conoce la funcin de distribucin acumulada conjunta de X y Y entonces se
puede obtener FX ( x) y FY ( y ) (distribuciones acumuladas marginales de X e Y ), como sigue:
FX ( x) = P( X x) = lim FX ,Y ( x, y )
y

FY ( y ) = P (Y y ) = lim FX ,Y ( x, y )
x

Ejemplo 8 : Sean X1 y X2 v.a. continuas con funcin de densidad conjunta definida por:

72

 x + x2 0 < x1 < 1, 0 < x2 < 1

f X1 , X 2 ( x1 , x2 ) = 1
de otro modo
0
Hallar la fn de distribucin acumulada conjunta FX1 , X 2 ( x1 , x 2 ) de X1 y X2.

Solucin:
Recordemos que
Para x1 < 0, o x 2 < 0 , o ambos x1 , x 2 < 0 entonces

FX1 , X 2 ( x1 , x 2 ) = 0

para x1 > 1, o x 2 > 1

FX1 , X 2 ( x1 , x 2 ) = 1

para 0 < x1 < 1

entonces

y 0 < x 2 < 1 , FX1, X 2 ( x1 , x2 ) es:

x2 x1

FX1, X 2 ( x1 , x2 ) =

f ( y , y )dy dy
1

0 0

1 2
2
( x1 x2 + x1 x2 )
2

Para 0 < x1 < 1 x2 > 1

FX1, X 2 ( x1 , x2 ) es precisamente FX1 ( x1 ) y se puede obtener directamente aplicando la definicin

FX1, X 2 ( x1 , x2 ) = FX ( x1 ) = lim FX1, X 2 ( x1 , x2 ) = FX1, X 2 ( x1 ,1) =

1

x2

1 2
( x1 + x1 )
2

Para 0 < x2 < 1 x1 > 1

FX1, X 2 ( x1 , x2 ) es precisamente FX 2 ( x2 ) y por tanto:
1 2
( x2 + x2 )
2
si x1 < 0 o x2 < 0

FX1, X 2 ( x1 , x2 ) = FX ( x2 ) = lim FX1, X 2 ( x1 , x2 ) = FX1, X 2 (1, x2 ) =

2

x1

0
1 2
si 0 < x1 < 1 x2 > 1
2 ( x1 + x1 )

2
FX1, X 2 ( x1 , x2 ) = 12 ( x2 + x2 )
si 0 < x2 < 1 x1 > 1
1 2
2
2 ( x1 x2 + x1 x2 ) si 0 < x1 < 1 y 0 < x2 < 1
1
si 1 x1 y 1 x2

Entonces:

En el ejemplo anterior se obtuvo la funcin de distribucin acumulada conjunta de X e Y a partir de una

funcin de densidad conjunta de dos v.a.s.
En el siguiente ejemplo se hallar la fn. de densidad a partir de la funcin de distribucin acumulada conjunta
de dos v.a.s y otros resultados.
Ejemplo: Sean X y Y dos v.a.s continuas que solo pueden tomar valores en los intervalos 0x2 y 0y2.
Suponga que la funcin de distribucin acumulada para 0x2 y 0y2, es la siguiente.
1
FX ,Y ( x, y ) = xy ( x + y )
16
a) Determinar la FX (x)
b) Determinar FX ,Y ( x, y ) para cualquier (x,y) para todo R 2|

c) Determinar la funcin de densidad conjunta de X e Y.

Solucin:
a)

FX ( x) = P( X x) = lim P( X x, Y y ) = lim FX ,Y ( x, y ) = FX ,Y ( x,2)

y

1
x ( x + 2)
8

si 0 x 2

O bien:
73

si x < 0
0
1
FX ( x) = 8 x( x + 2) si 0 x 2
1
si x > 2

b) Se conoce FX ,Y ( x, y ) en el soporte de X y Y
Entonces empleando la definicin:

FX ( x) = P( X x) = lim P( X x, Y y ) = lim FX ,Y ( x, y ) = FX ,Y ( x,2) =

1
x ( x + 2)
8

FY ( y ) = P (Y y ) = lim P ( X x, Y y ) = lim FX ,Y ( x, y ) = FX ,Y ( 2, y ) =

1
y ( y + 2)
8

si 0 x 2,

y>2

si 0 y 2, x > 2

Entonces se tiene que para cualquier (x,y) en R 2 :

si x < 0 o y < 0 bien x < 0 y y < 0
0
1
si 0 x 2 y > 2
8 x ( x + 2)
1
F X ,Y ( x , y ) = 8 y ( y + 2)
si 0 y 2 x > 2
1 xy ( x + y )
si 0 x 2 y 0 y 2
16
1
si x > 2 y y > 2
c)
FX ,Y ( x, y ) 2 xy + y 2 2 x + 2 y 1
f X ,Y ( x, y ) =
=
=
= ( x + y ) I [ 0, 2 ] ( x ) I [ 0 , 2 ] ( y )
yx
y 16
16
8
O bien:

18 ( x + y )
f X ,Y ( x, y ) =
0

si 0 x 2 0 y 2
de otro mod o

4.4 Distribucin condicional e independencia estocstica

Recurdese que dado dos eventos X y Y la probabilidad condicional es dado por:
P( X Y )
P( X Y ) =
P (Y )
Si X y Y son independientes:
P ( X , Y ) = P ( X ) P (Y )
Propiedades de las distribuciones bidimensionales cuando X y Y son independientes
Definicin: Sean las v.a.s X y Y con funcin de densidad conjunta f X ,Y ( x, y ) . La funcin de densidad
condicional de X dado Y denotado por f X |Y ( x | y ) es definido por:
f X |Y ( x y ) =

f X ,Y ( x, y )
fY ( y)

a) Caso para X y Y v.a. discretas

f ( x , y)
f X |Y ( xi y ) = X ,Y i
si y = y j valor posible de Y
fY ( y)
= 0 si y no es valor posible de Y
b) Caso para X y Y continuos

74

f X |Y ( x y ) =

f X ,Y ( x, y )
fY ( y)

fY ( y ) >0

Definicin: X y Y son v.a. independientes si y solo si

f X ,Y ( x, y ) = f X ( x) f Y ( y )
O bien, cualquiera de las siguientes dos definiciones:
X y Y son independientes si f X |Y ( x y ) = f X ( x) con f X ( x) > 0
X y Y son independientes si f Y | X ( y x) = f Y ( y ) con f Y ( y ) > 0 :

Nota: cuando no son independientes se dice que X e Y son dependientes.

Teorema: Dado dos v.a. X y Y con f ( x, y ) entonces f X |Y ( x | y ) es una funcin de densidad
Ejemplo1 : Sean la v.a. X e Y con funcin de densidad definida en la siguiente tabla
Y
1
2
3
4
f X (x)
X
1
2
3

0.1
0.3
0
0.4

0
0
0.2
0.2

0.1
0.1
0
0.2

0
0.2
0
0.2

0.2
0.6
0.2
1

f Y ( y)
a) Son las v.a. X y Y independientes?
b) Determinar la funcin de densidad (X dado y=2) y f Y | X ( y x = 2)
Solucin:
a) Por definicin si son independientes las v.a.s X y Y entonces para cualquier pareja de valores se
debe cumplir: f X ,Y ( x, y ) = f X ( x) f Y ( y )
Analizando:

f X (1) = 0.2

f Y ( 2 ) = 0 .2

f X ,Y (1,2) = 0

f X ,Y (1,2) f X (1) fY ( 2)
entonces las v.as X e Y no son independientes.
f ( x, y )
b)
i) f X |Y ( x y ) = X ,Y
fY ( y)
f X ,Y ( x,2) f X ,Y ( x,2)
f X |Y ( x 2) =
=
se calcula para x=1,2,3
f Y ( 2)
0 .2
0
0
0 .2
f X |Y (1 2) =
= 0, f X |Y ( 2 2) =
= 0, f X |Y (3 2) =
=1
0 .2
0 .2
0 .2

c) f Y | X ( y x = 2) =

f X ,Y ( 2, y )

f X ,Y ( 2, y )

se calcula para y=1,2,3,4

f X ( 2)
0 .6
0 .3
0
0 .1
0 .2
f X |Y ( y = 1 x = 2) =
, f X |Y ( y = 2 x = 2) =
= 0, f X |Y ( y = 3 x = 2) =
, f X |Y ( y = 4 x = 2) =
0 .6
0 .6
0 .6
0 .6

Ejemplo2:Sea la fn de densidad definida en la siguiente tabla se puede ver que en este caso las variables
aleatorias X e Y son independientes. O sea, para cualquier pareja se cumple que f X ,Y ( x, y ) = f X ( x) f Y ( y ) .
Adems observe que f X |Y ( x y ) = f Y ( y ) y f Y | X ( y x) = f X ( x)
75

Y
X
1
2
3

0.06
0.15
0.09
0.30

0.02
0.05
0.03
0.10

0.04
0.10
0.06
0.20

f X (x)

0.08
0.20
0.12
0.40

0.20
0.50
0.30
1

f Y ( y)
Ejemplo3: Supngase que se toman medidas independientes X y Y de la lluvia durante un perodo de tiempo
en una localidad y que la fn. de densidad de cada medida es la siguiente:
f X ( x) = 2 x I [ 0,1] ( x) . Determinar el valor de P ( X + Y 1)
Solucin:
Para determinar P ( X + Y 1) es necesario primero conocer la fn de densidad conjunta f X ,Y ( x, y ) de X e Y.
Como las medidas de X e Y son independientes y tienen la misma funcin de densidad entonces
f Y ( y ) = 2 y I [ 0,1] ( y )
f X ,Y ( x, y ) = f ( x ) f ( y )

Adems:

4 xy
f X ,Y ( x, y ) =
0

si 0 x 1, 0 y 1
de otro modo

Y
S
X
Se desea la probabilidad de S = {( x, y ) | x + y 1} es decir:
1 1 x

P ( X + Y < 1) = 4 xydydx = 2 xy
0 0

2 1 x
0

dx = 2 x (1 x) dx = 2 ( x 2 x 2 + x 3 ) dx
2

x2 2x3 x 4
4 1 68+3 1
= 2
+ = 1 + =
=
3
4 0
3 2
6
6
2
Ejemplo4:Supngase que la fn de densidad conjunta de X e Y es:
ke ( x + 2 y ) si x 0, y 0
f X ,Y ( x, y ) =
de otro modo
0
a)
Determinar el valor de k
Determinar si las v.a. X e Y son independientes
b)
c)
Determinar las funciones de densidades marginales f X ( x),
Solucin:
Se determinar el valor de k de la funcin de densidad f X ,Y ( x, y ) .

f Y ( y)

x
1 k
1 2 y

( x + 2 y )
2 y
2 y

ke
dxdy
=
k
e
e
dx
dy
=
k
e
dy
=
k

e
=
k
0
+
0 0
0 0

=2

2
2

0
0

2e ( x + 2 y ) si x 0, y 0
entonces k=2 y
f ( x, y ) =
0
de otro modo
Hallando las marginales:

f X ( x) = 2e ( x + 2 y ) dy = e x 2e 2 y dy = e x con x 0
0

0
1

76

obsrve que 2e 2 y es una funcin de densidad exponencial con media =1/2

f Y ( y ) = 2e ( x + 2 y ) dx = 2e 2 y
0

dy = 2e 2 y con y 0

0
1

obsrve que e x es una fn exponencial con =1

f X ( x) f Y ( x) = e x 2e 2 y = 2e ( x + 2 y ) = f X ,Y ( x, y ) con x 0, y 0
entonces X y Y son independientes.
Obsrvese que f Y | X ( y | x) = 2e 2 y I [ 0, ) ( x) por ser independientes
Nota: Se considera que X e Y son independientes tambin si f X ,Y ( x, y ) puede escribirse como
f X ,Y ( x, y ) = g ( x ) h( y ) donde g(x) es una funcin solamente en trminos de x y h(y) solamente en trminos

de y adems g ( x) = af X ( x) y h( y) = bf Y ( y) con a y b constantes y f X (x) , f y ( y ) marginales de X e Y

respectivamente. Adems en el soporte no deben de depender una de otra.

Ejercicios
8 xy si 0 x y 1
de o.m
0

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

X e Y no son independientes?

b)

3 2
y para 0 x 2, 0 y 1
f X ,Y ( x, y ) = 2
0
de o.m.
X e Y son independientes. Comprobar

Hay dos formas de responder: determinando sus marginales y multiplicarlas o utilizando la

nota anterior.
Esperanza
Definicin: Sea f X ,Y ( x, y ) la funcin de densidad de una v.a Bivariada (X,Y), y sea g(X,Y) una funcin de
las variables aleatorias X e Y. Se define la esperanza de g(X,Y) como:
i) Si X,Y son variables aleatorias discretas se tiene:
la suma es para todos los valores posibles de X e Y.
E ( g ( X , Y )) = g ( xi , y j ) f X ,Y ( xi , y j )
ii) Si X,Y son variables aleatorias continuas se tiene:

E ( g ( X , Y )) =

g ( x, y ) f

X ,Y

( x, y ) dxdy

Ejemplo. Una maquinaria vendedora de refrescos se llena al principio de un da dado con una cantidad
aleatoria Y y se despacha durante el da una cantidad X (medida en galones). No se vuelve a surtir durante el
da y entonces X Y. Se ha observado que X y Y tienen una densidad conjunta dada por
1
0 x y; 0 y 2

f X ,Y ( x, y ) = 2
0
para cualquier otro punto
Es decir, los puntos (x,y) tienen una distribucin uniforme en el tringulo con las fronteras dadas.
Determinar E(XY), E(X), V(Y), E(2Y), E(X+Y)

77