Vectores Aleatorios

Captulo 7
Variables Aleatorias
Bidimensionales
En nuestro estudio hasta ahora, solo nos interesaba el analisis de una variable en un experimento dado. En estos casos indicabamos el resultado del
experimento con un solo n
umero x. Sin embargo en algunos experimentos
aleatorios es posible observar varias caractersticas al mismo tiempo.
Son ejemplo de la anterior:
1) Observacion de varias propiedades de un material como (dureza y contenido). Aqu (d,c) es un resultado del experimento.
2) Observacion de las facciones raciales (peso, estatura, color de los ojos
y el pelo de una persona). En este caso (p,e,o,l) es un resultado del
experimento.
3) Cantidad de lluvia total (u) y promedio (p) de temperaturas en octubre.
(u,p) es un resultado del experimento.
4) Produccion y consumo.
5) Ventas y utilidades.
6) Gastos en publicidad, valor de la renta.
7) Rendimiento y desercion escolar.
8) Salario, horas de trabajo.
1
CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES
Definici
on 7.0.1. Sea (, =, P ) un espacio de probabilidad. Definamos como
vector aleatorio, variable multidimensional o variable aleatoria multivariada
a una funcion X de en Rm que sea -medible o sea, la funcion:
X(w) = (X1 (w), X2 (w), ..., Xm (w))
es tal que para todo i = 1, 2, ..., m y todo Ii R, se tiene X 1 (Ii ) =
Observaci
on 7.0.1. Queda implicito que X1 , X2 , ..., Xp son v.a. en el mismo
espacio de probabilidad (, =, P ). As,
{w : X1 (w) x1 , X2 (w) x2 , ..., Xm (w) xm } =
m
\
{w : Xi (w) xi }
i=1
tambien es un evento dado que es la interseccion de elementos de la -algebra

=.
Definici
on 7.0.2. Sea experimento y espacio muestral asociado a .
Sean X, Y variables aleatorias que asignan un n
umero real a cada .
Llamamos (X, Y ) una variable aleatoria bidimensional (v.a.b.) [o vector aleatorio bidimensional].
Gr
aficamente.
Figura 7.1: vector aleatorio bivariado

Si notamos con h = (X, Y ) podemos decir que una v.a.b h no es mas que
una funcion
h : R2
(X, Y )() = (X(), Y ())
Si X1 , X2 , X3 , ..., Xn son n familias aleatorias, cada una de las cuales asigna
a cada un u
nico n
umero real [X1 = X1 (), ..., Xn = Xn ()], entonces
la n upla (X1 , X2 , ..., Xn ) es una variable aleatoria n dimensional.
Observaci
on 7.0.2. As como en el caso unidimensional RX representa el
recorrido de X, RXY es el recorrido de (X, Y ) en el caso bidimensional.
RXY sera entonces un subconjunto del plano euclidiano, pues cada uno de
los resultados X(), Y () se podra representar como un punto (X, Y ) del
plano.
Definici
on 7.0.3. El vector (X, Y ) es una variable aleatoria bidimensional
discreta (v.a.b.d.) si los posibles valores de (X, Y ) son finitas o infinitas numerables. Es decir los posibles valores de (X, Y ) se pueden representar como
(xi , yi ), i = 1, 2, ..., n, ... j = 1, 2, ..., m, ...
El vector (X, Y ) es una variable aleatoria bidimensional continua (v.a.b.c.)
si pueden tomar todos los valores en un conjunto no-numerable del plano
euclidiano.
En el caso discreto los valores de (X, Y ), (xi , yi ) se ubica en el plano euclidiano tal como se muestra a continuacion.
En el caso caso continuo (X, Y ) puede tomar, por ejemplo, todos los valores
en el rectangulo. {(X, Y )/a X b, c Y d}
o todos los valores en el circulo {(X, Y )/X 2 + Y 2 1}.
Observaci
on 7.0.3.
a) El vector (X, Y ) es una v.a.b. si representa un resultado del experimento en el cual han medido las caractersticas numericas X y Y .
Figura 7.2: variable aleatoria bidimensional discreta
Figura 7.3: variable aleatoria bidimensional continua
Figura 7.4: variable aleatoria bidimensional continua

b) Como en el capitulo anterior, puede suceder que una de las componentes
de (X, Y ) sea discreta mientras que la otra sea continua. Sin embargo
en la mayora de los casos interesa que ambas variables sean discretas
o ambas sean continuas.
c) Muchos veces, las dos variables X y Y consideradas en conjunto, pueden
ser el resultado de un experimento [Ejemplo: Peso o Estatura de una
persona], pero no es necesario que esta conexion exista. Por ejemplo, X
podra ser la corriente que circula por un circuito y Y la temperatura
ambiente.
DE PROBABILIDAD DE (X, Y)
7.1. DISTRIBUCION
7.1.
Distribuci
on de Probabilidad de (X, Y)
Definici
on 7.1.1.
a) Sea (X, Y ) una v.a.b.d. a cada resultado (xi , yj ) asociamos un n
umero
(xi , yj ) que representa P [X = xi , Y = yj ] el cual satisface las siguientes condiciones:
i. (xi , yj ) 0 para toda (xi , yj ).
X
X
ii.
(xi , yj ) = 1.
j=1 i=1
La funcion definida para toda (xi , yj ) RXY es llamada funci

on
de probabilidad de (X, Y). El conjunto de ternas (xi , yi , (xi , yj ))
i = 1, 2, ..., n, ... j = 1, 2..., m, ... se denomina distribuci
on de probabilidad conjunta de (X, Y)
b) Sea (X, Y ) una v.a.b.c. que tomas todos sus valores en una region B
del plano euclidiano. La funcion de densidad de probabilidad conjunta
f es una funcion que cumple las siguientes condiciones:
1. f (x, y) 0 para toda (x, y) B,
ZZ
2.
f (x, y) dxdy = 1.
B
Observaci
on 7.1.1.
1) Consideremos una masa total unitaria distribuida en una region del
plano. En el caso discreto toda la masa esta ubicada en un n
umero
finito o a lo mas infinito enumerable de puntos, con masa (xi , yi ) en
el punto (xi , yi ) para todo i, j.
En el caso continuo la masa se encuentra ubicada en una region B del
plano.
ZZ
2) La condicion
f (x, y) dxdy = 1 significa que el volumen total bajo
B
la superficie z = f (x, y) es igual a 1.

3) f (x, y) no representa la probabilidad de nada! Para x y y peque
nos
y positivos se encuentra que
f (x, y)xy
= P [x X x + x, y Y y + y]
f (x, y) da la densidad conjunta de masa!
4) Se considera f (x, y) = 0 para (x, y) 6 B. Este hecho nos permite
considerar a f definida para todo (x, y) del plano de modo que
ZZ
Z Z
f (x, y) dxdy =
f (x, y)dxdy = 1.
B
5) La distribucion de probabilidad conjunta de (X, Y ) es inducida por

sucesos asociados a , el espacio muestral original. Sin embargo nos
interesaran siempre los (x, y) en RXY para as obtener (x, y).
No obstante, si es posible especificar P (A) para todo A , se puede
determinar la probabilidad con sucesos asociados a RXY . Es decir si
B RXY se tiene:
P (B) = P [(X(), Y ()) B] = P [{ /(X(), Y ()) B}].
Esta
ultima probabilidad se refiere a sucesos en . Se puede considerar
entonces que los sucesos B y { /(X(), Y ()) B} son equivalentes.
Figura 7.5: Sucesos bivariados equivalentes
7.1. DISTRIBUCION
En caso que (X, Y ) sea discreta, tenemos

XX
P (B) =
(xi , yi ).
B
Si (X, Y ) es continua
ZZ
f (x, y) dxdy.
P (B) =
B
Ejemplo 7.1.1. Considere el experimento consistido en tomar una moneda

de 50 pesos y una de 20 pesos. Son las dos variables: X : N
umero de caras
en la moneda de 50 y Y : N
umero de caras en la de 20 pesos.
Hallar: RX , RY , RXY y hacer la densidad de probabilidad de (X, Y ). Graficar!
Soluci
on:
Claramente RX = {0, 1} = RY y RXY = {(0, 0), (0, 1), (1, 0), (1, 1)}
Y |X
1
4
1
4
1
4
1
4
1
Como obtenemos (1, 1)?
(1, 1) = P [X = 1, Y = 1] = P { /(X, Y )() = (1, 1)} = P {cc} = 41 , en

forma similar se procede en los otros casos.
La grafica de la distribucion de probabilidad es como sigue:
Ejemplo 7.1.2. Se lanza un par de dados corrientes. Sean X y Y las variables definidas como sigue:
X(a, b) = m
ax(a, b) y Y (a, b) = a + b.
Obtener la distribucion de probabilidad conjunta (X, Y ).
Figura 7.6: Grafico Ejemplo v.a.b.d.

Soluci
on
Claramente RX = {1, 2, 3, 4, 5, 6} y RY = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
X|Y
10
11 12
1
36
2
36
1
36
2
36
1
36
2
36
2
36
2
36
1
36
2
36
2
36
2
36
2
36
2
36
1
36
2
36
2
36
2
36
2
36
2
36
1
36
Como obtenemos (1, 2)?

En este caso debemos buscar el elemento de , espacio muestral asociado a
, cuyo maximo sea 1 y cuya suma sea 2. Luego (1, 2) = P {(X = 1, Y =
1
1)} = P {(1, 1)} = 36
Veamos ahora otro caso:
(1, 3) = P {(X = 1, Y = 3)} = P {} = 0
(3, 4) = P {(X = 3, Y = 4)} = P {(1, 3), (3, 1)} =
(3, 5) = P {(X = 3, Y = 5)} = P {(2, 3), (3, 2)} =
2
36
2
36
7.1. DISTRIBUCION
Ejemplo 7.1.3. Dos variables X y Y tienen la siguiente distribucion de

probabilidad conjunta.
Y |X
1
12
1
18
1
6
1
4
1
4
1
5
2
15
Hallar.
a) (2, 1); (3, 2); (3, 4)
b) Sea B = {X > Y }. Hallar P (B).
c) Calcular P [X + Y < 7]
Soluci
on:
a) (2, 1) = P {(X = 2, Y = 1)} = 61 ,
(3, 2) = P {(X = 3, Y = 2)} = 15 ,
(3, 4) = P {(X = 3, Y = 4)} = 0.
PP
b) P (B) = P {X > Y } =
X>Y (x, y) = (2, 1) + (3, 1) + (3, 2) =
1
1
11
+ 0 + 5 = 30 .
6
c) Similar.
Ejemplo 7.1.4. Suponga que un grupo de 10 personas se encuentran clasificados en las clases A, B, C y D de tal forma que el n
umero de personas por
clases es:
A 3 individuos
B 3 individuos
C 2 individuos
D 2 individuos.
Se selecciona al azar un grupo de 3 personas. Sean, las v.a.
10
X # de personas de la clase A
Y # de personas de la clase B.
Encuentre la funcion de distribucion del vector (X, Y ).
Soluci
on:
Existen 10
= 120 formas distintas de seleccionar el grupo de 3 personas.
3
4
Sea n(i, j) = 3i 3j 3ij
, para i, j = 0, 1, 2, 3; i + j 3, el n
umero de
formas de seleccionar 3 individuos, siendo i de la clase A y j de la clase B.
Entonces, la funcion de distribucion conjunta discreta es:
4
3 3
n(i, j)
i j 3ij
P (X = i, Y = j) =
=
.
120
120
Luego,
P (X = 0, Y = 0) =
P (X = 1, Y = 0) =
3
0
4
300
120

3 3
1
4
310
120

3 3
P (X = 2, Y = 0) =
P (X = 3, Y = 0) =
P (X = 0, Y = 1) =
P (X = 1, Y = 1) =
3
P (X = 2, Y = 1) =
P (X = 3, Y = 1) =
P (X = 0, Y = 2) =
1
,
120
18
,
120
36
,
120
9
,
120
0
= 0,
120
12
,
120
4
302
120
4
331
120

3 3
12
,
120
4
321
120

3 3
4
311
120

3 3
18
,
120
4
301
120

3 3
4
330
120

3 3
4
,
120
4
320
120

3 3
7.1. DISTRIBUCION
P (X = 1, Y = 2) =
P (X = 2, Y = 2) =
3
1
4
312
4
322
120

3 3
3
P (X = 0, Y = 3) =
P (X = 1, Y = 3) =
P (X = 3, Y = 3) =
120

3 3
P (X = 3, Y = 2) =
P (X = 2, Y = 3) =
3
0
= 0,
120
9
,
120
0
= 0,
120
0
= 0,
120
0
= 0.
120
4
333
120
4
323
120

3 3
0
= 0,
120
4
313
120

3 3
4
303
120

3 3
9
,
120
4
332
120

3 3
Entonces,
Y |X
0
0
4/120
1
18/120
12/120
2
3
1/120
X = x 35/120
1
2
3
18/120 12/120 1/120
36/120 4/120
0
4/120
0
0
0
0
0
63/120 21/120 1/120
Y =y
35/120
63/120
21/120
1/120
1.0
As,
P (0 X 1, Y = 1) =
1
X
P (X = x, Y = 1)
x=0
= P (X = 0, Y = 1) + P (X = 1, Y = 1)
18
36
54
=
+
=
.
120 120
120
11
12
P (Y 1) =
3
X
P (X = x, Y 1)
x=0
= P (X = 0, Y
+ P (X = 3, Y
= P (X = 0, Y
+ P (X = 1, Y
+ P (X = 3, Y
98
=
.
120
1) + P (X = 1, Y
1)
= 0) + P (X = 0, Y
= 1) + P (X = 2, Y
= 0) + P (X = 3, Y
1) + P (X = 2, Y 1)
= 1) + P (X = 1, Y = 0)
= 0) + P (X = 2, Y = 1)
= 1)
Ejemplo 7.1.5. Sea (X, Y ) un v.a.b.c. con la siguiente fdp conjunta

f (x, y) =
k si 5000 x 10000, 4000 y < 9000

0 caso contrario.
a) Hallar el valor de k que hace que f sea una buena fdp conjunta.
b) Sea B = {X Y }. Hallar P (B).
Soluci
on:
a) En este caso usaremos el hecho
f (x, y) dxdy = 1. Luego,
9000
10000
f (x, y) dxdy =
f (x, y) dxdy = 1
4000
5000
Z 9000
5000k dy = 1
4000
(5000)2 k = 1
1
k=
.
50002
7.1. DISTRIBUCION
b)
P (B) = P [X Y ] = 1 P [X Y ]
Z 9000 Z y
(5000)2 dxdy
=1
5000
5000
17
= .
25
Figura 7.7: Grafico ejemplo 1 v.a.b.c.
Ejemplo 7.1.6. Sea (X, Y ) la v.a.b.c. con fdp conjunta dada por:

fXY (x, y) =
Z
x2 +
0
xy
3
si 0 x 1, 0 y < 2
caso contrario
a) Verificar que
f (x, y) dxdy = 1
b) Sea B = {X + Y 1}. Hallar P (B).
Soluci
on:
13
14
a)
xy
) dxdy
3
0
0
1
Z 2 3
x
x2 y
+
dy
=
3
6 0
0

Z 2
1 y
=
+
dy
3 6
0
2
y y 2
= +
3 12 0
4
2
= 1.
= +
3 12
f (x, y) dxdy =
(x2 +
b)
P (B) = P [X + Y 1] = 1 P [X + Y 1]
Z 1 Z 1x
xy
x2 +
=1
dydx
3
0
0
65
7
= .
=1
72
72
Figura 7.8: Grafico Ejemplo 2 v.a.b.c.
DE DISTRIBUCION
ACUMULATIVA DE LA V.A.B. (X, Y )15
7.2. FUNCION
7.2.
Funci
on de Distribuci
on Acumulativa de
la v.a.b. (X, Y )
Definici
on 7.2.1. Sea (X, Y ) una variable aleatoria bidimensional. La funcion de distribucion acumulativa (f.d.a.) de F de la variable aleatoria bidimensional (X, Y ) viene dada por:
F (X, Y ) = P [X x, Y y]
< x < , < y < .
En el caso bidimensional la masa total de probabilidad esta distribuida en

el plano X Y de modo que F (x, y) nos da la cantidad de masa que hay en
(x, y) y en todos los puntos que tienen abscisas inferior o igual a x, a la vez,
ordenada inferior o igual a y
Figura 7.9: fda de la v.a.b. (X, Y ).

El siguiente teorema que demostraremos, veremos las propiedades mas importantes de la f.d.a. de una variable aleatoria bidimensional (X, Y )
Teorema 7.2.1. Sea (X, Y ) una variable aleatoria bidimensional con f.d.a
F (x, y), x R, y R entonces.
1. F (, y) = P [X , Y y] = 0, y R
2. F (x, ) = P [X x, Y ] = 0, x R
3. F (, ) = P [X , Y ] = 1
4. F (x, y) es no decreciente en las dos variables, esto es
16

i) y R Si x1 < x2 , entonces F (x1 , y) F (x2 , y)
ii) x R Si y1 y2 , entonces F (x, y1 ) F (x, y2 )
Teorema 7.2.2. Si x1 < x2 y y1 < y2 , entonces P [x1 < X < x2 , y1 < Y <
y2 ] = F (x2 , y2 ) F (x1 , y2 ) F (x2 , y1 ) + F (x1 , y1 )
Demostracion. Graficamente se tiene:
F (x2 , y2 ) F (x2 , y1 ) + F (x1 , y1 ) F (x1 , y2 ) = P (X x2 , Y y2 )

P (X x2 , Y y1 ) + P (X x1 , Y y1 ) P (X x1 , Y y2 )
= P (X x2 , y1 Y y2 )
P (X x1 , y1 Y y2 )
= P (x1 X x2 , y1 Y y2 ).
Observaci
on 7.2.1. Sea F la fda de (X, Y ). Entonces, siempre se cumple
que cualquieras x1 < x2 y y1 < y2 ,
F (x2 , y2 ) F (x2 , y1 ) + F (x1 , y1 ) F (x1 , y2 ) 0.
Observaci
on 7.2.2.
1) Por definicion sabemos que
F (x, y) = P [X x, Y y]
X X
a) En el caso discreto tenemos F (x, y) =
(xi , yj )
xi X yj Y
DE DISTRIBUCION
7.2. FUNCION
Z
f (x , y ) dy dx
b) En el caso continuo tenemos F (x, y) =
por lo tanto a un rectangulo: a1 < X b1 , a2 < Y b2 le

corresponde la probabilidad
Z b1 Z b2
f (x, y) dydx
P [a1 < X b1 , a2 < Y b2 ] =
a1
b2
a2
b1
f (x, y) dxdy.
=
a2
a1
2) Una v.a.b. es continua (absolutamente) si F (x, y) es continua,
F F
, y
x
F
existe y son continuas, ademas xy
existe para todo x, y R.
Ahora consideremos un punto (x, y) situado en el plano tal como se
ilustra en la siguiente figura,
Sea M la masa total de probabilidad que hay en el rectangulo se

nalado
M = F (x + x, y + y) F (x, y + y) F (x + x, y) + F (x, y)
= {F (x + x, y + y) F (x + x, y)} {F (x, y + y) F (x, y)}
Definamos la funcion:
R(x, y) = F (x, y + y) F (x, y),
entonces
R(x + x, y) = F (x + x, y + y) F (x + x + y)
y as,
18
R(x, y)
M = R(x + x, y) R(x, y) =
x

x
u
para x < u < x + x (Teorema del valor medio).

Pero
R(x, y)
=
[F (x, y + y) F (x, y)],
x
x
entonces,

M=
[F (x, y + y) F (x, y)] x.
x
u
Similarmente tenemos:
2

F (x, y)
M=
xy
xy
(u,v)
para y < v < y + y; x < u < x + x.
El area del rectangulo se

nalado es xy, entonces
2

F
(x,
y)
=
D
xy
(u,v)
es la densidad media usada de probabilidad en el rectangulo, entonces
es la densidad instantanea en el punto (x, y) y
lm D
x0
y0
2
= F (x, y)
lm D
x0
xy
y0
Esta densidad la reescribimos

f (x, y) =
2 F (x, y)
xy
y corresponde exactamente a la funcion de densidad de probabilidad conjunta

de la v.a.b. (X, Y ). Note que F (x, y) es no decreciente con las dos variables
entonces f (x, y) 0 x, y R.
Ejemplo 7.2.1. Refiriendonos al Ejemplo 7.2.3. Hallar F (x, y).
Soluci
on: Tenemos,
DE DISTRIBUCION
7.2. FUNCION
Y |X
1
4
1
4
1
4
1
4
1
La f.d.a. FXY (x, y) viene dada por:
Y |X
X<0 0X<1 1X
Y <0
0Y <1
1
2
1Y
1
4
1
2
Con la solucion al cuadro anterior calculemos: F (0, 0,1), F (0, 1,8), F (1, 1)
y F (1,8, 2,6)
Entonces, se tiene que:
F (0, 0,1) = P [X 0, Y 0,1] = (0, 0) = 41 ,
F (0, 1,8) = P [X 0, Y 1,8] = (0, 0) + (0, 1) = 14 + 14 = 12 ,
F (1, 2) = P [X 1, Y 2] = 0,
F (1,8, 2,6) = P [X 1,8, Y 2,6] = (0, 0) + (0, 1) + (1, 0) + (1, 1) = 1.
Ejemplo 7.2.2. Sea (X, Y ) una v.a.b.c. con fdp conjunta dada por:

4xy si 0 < x < 1, 0 < y < 1
f (x, y) =
0
caso contrario.
Hallar F (x, y).
Soluci
on:
Z
FXY (x, y) = P [X x, Y y] =
Z
yZ
f (x , y ) dx dy
4x y dx dy
0
Z y0
Z x
=4
y dy
x dx
0
y
x 0
4y 2 x 2
=
2 0 2 0
= y 2 x2 si 0 < x < 1, 0 < y < 1
=
20

Z bZ
h(x) dx siempre
g(y) dy
h(x)g(y) dxdy =
Observaci
on 7.2.3.
que h(x) no dependa de y, g(y) no dependa de x, a, b no dependan de x y

c, d no dependan de y.
Ejemplo 7.2.3. La fda de una variable v.a.b.c. (X, Y ) viene dada por

1 3x 3y + 3xy x 0, y 0
FXY (x, y) =
0
en otro caso
Hallar fXY (x, y).
Soluci
on:
Usando el hecho que f (x, y) =
2 F (x,y)
.
xy
En efecto:
2 FXY (x, y)
FXY (x, y)
= ln 3(3x 3xy )
= ln2 3(3xy ).
x
xy
Ejemplo 7.2.4. Sabiendo la que la F (x, y) de una v.a.b.c. viene dada por:

senxseny para 0 x 2 0 y 2
F (x, y) =
0
para x < 0 o y < 0
Hallar la probabilidad de que el punto aleatorio (x, y) caiga en el rectangulo
limitado por las rectas X = 0, X = 4 , Y = 6 y Y = 3 .
Soluci
on:
Usando la expresion
P [x1 X x2 , y1 Y y2 ] = F (x2 , y1 ) F (x1 , y2 ) F (x2 , y1 ) + F (x1 , y1 )
tomando x1 = 0, x2 = 4 , y1 =
y y2 = 3 , se obtiene:
P [x1 X x2 , y1 Y y2 ] = sen sen sen0sen sen sen + sen0sen

3
4
6
6
4 6
3 2
=
.
4
DE DISTRIBUCION
7.2. FUNCION
7.2.1.
Funci
on de Distribuci
on Conjunta de un vector
aleatorio
La funcion de distribucion conjunta del vector aleatorio X es definida por:

F (X) = F (X1 , X2 , ..., Xm ) = P (X1 x1 , X2 x2 , ..., Xm xm )
para cualquier X = (X1 , X2 , ..., Xm ) Rm
Ejemplo 7.2.5. En un centro de atencion X1 representa el tiempo de espera(minutos) para que un cliente inicie su atencion y X2 es el tiempo que la
recepcionista gasta en atenderlo.
El comportamiento conjunto de las dos variables esta dado por la funcion de
distribucion:

FXY (x1 , x2 ) =
0
x1 0 o x2 0
x1
2x2
(x1 +2x2 )
1e
e
e
x1 0 , x2 0
La anterior funcion de distribucion sirve para evaluar la calidad del servicio

de la atencion teniendo en cuenta las probabilidades del tiempo de demora y
de atendimiento.
Propiedades 7.2.1. Sea X un vector aleatorio en (, =, P ), entonces para

cualquier X RP , F (X) cumple las siguientes propiedades:
1. F (X) es no decreciente en cada uno de sus componentes.
2. Si para alg
un j, Xj , entonces F (X) 0 y si para todo j,
Xj , entonces F (X) 1.
3. F (X) es tal que para cualesquiera (ai , bi ) tal que ai < bi , 1 i n,
P (a1 X1 b1 , a2 X2 b2 , ..., an Xn bn ) 0.
4. F (X) es continua a derecha en cada uno de sus componentes.
22
Demostracion.
m
\
1. Considere j fijo y aj bj . Entonces,
{ : Xj () xj }{ : Xj () aj }
i=1
j6=i
m
\
{ : Xi () xi }{ : Xj () bj }
i=1
j6=i
de donde se sigue que:

F (X1 , ..., aj , ..., Xm ) = P (X1 x1 , X2 x2 , ..., Xj aj , ..., Xm xm )
P (X1 x1 , X2 x2 , ..., Xj bj , ..., Xm xm )
= F (X1 , X2 , ..., Xj , ..., Xm )
2.
i) Sea xj { : Xj () xj } . Entonces,
m
\
{ : Xj () xj } de donde se sigue que F (X) 0.
j=1
ii) la demostracion es similar al caso univariado.

ii) Sea xj : { : Xj () xj } . Entonces,
m
\
{ : Xj () xj } y as, F (X) 1.
j=1
a) Es obvia por la definicion de probabilidad, dado que

{ : ai X( ) bi } F para cada i = 1, 2, 3, ..., m
y por tanto
Tm
i=1 {
: ai Xi () bi } F.
b) La demostracion es analoga al caso univariado.
7.3.
Funci
on de Distribuci
on Marginal
Dada una v.a.b. (X, Y ) podemos estar interesados en la variable aleatoria

unidimensional X o Y , es decir podemos estar interesados en la distribucion
de probabilidad de X o en la distribucion de probabilidad de Y .
Consideremos la siguiente funcion de probabilidad conjunta de (X, Y ).
DE DISTRIBUCION
MARGINAL
7.3. FUNCION
Y |X
1
12
3
P
1
18
5
36
1
6
1
9
1
4
19
36
3
12
14
45
79
180
1
5
2
15
1
3
23
En la tabla anterior calculamos los totales marginales. Las probabilidades

que aparecen en los margenes de las filas y columnas representan la distribucion de probabilidad de X y Y respectivamente. Por ejemplo P [X = 2] = 19
,
86
3
P [Y = 1] = 12
, etc.
Debido a la forma de la tabla nos referimos a estas como distribucion marginal de X o distribucion marginal de Y .
En el caso discreto tenemos: X = xi [X = xi Y = y1 ]o[X = xi Y =
y2 ] o Entonces,
P [X = xi ] = P [X = xi , Y = y1 ] + P [X = xi , Y = y2 ] +
X
=
(xi , yj )
j=1
entonces =
(xi , yj )
j=1
Si definimos la funcion para x1 , x2 , ..., tenemos entonces la distribucion

marginal de probabilidad de X.
Esta distribucion marginal de X se puede representar de la siguiente manera:
x1
(X) (x1 )
x2
xk
(x2 )
(xk )
24
En forma similar se tiene: Y = yj [X = x1 Y = yj ]o[X = x2 Y = yi ] o ...

Entonces,
P [Y = yj ] = P [X = x1 , Y = yj ] + P [X = x2 , Y = yj ] +
X
=
(xi , yj )
i=1
entonces q =
(xi , yj )
i=1
Si definimos la funcion q para y1 , y2 , ..., tenemos entonces la distribucion marginal de probabilidad de Y , la cual se representa de la siguiente forma:
Y
y1
y2
yk
q(y)
q(y1 )
q(y2 )
q(yk )
Tambien podemos definir la funci

on de distribuci
on marginal de X, que
representamos F1 (x) y definiremos como sigue.
F1 (x) = P [X x] = F (x, ), x R.
Similarmente, la funci
on de distribuci
on marginal de Y, que representamos F2 (y) la definiremos como sigue.
F2 (y) = P [Y y] = F (, y), y R.
Graficamente, se tiene:
En el caso continuo procedemos as: Sea f (x, y) la funcion de densidad
de probabilidad conjunta de la v.a.b.c. (X, Y ).
Definimos g y h las funciones de densidad de probabilidad marginales de X
y Y como sigue.
fdp marginal de X,
Z
g(x) =
f (x, y) dy.
DE DISTRIBUCION
MARGINAL
7.3. FUNCION
25
Figura 7.10: Funcion de distribucion marginal de X.
Figura 7.11: Funcion de distribucion marginal de Y.

fdp marginal de Y ,
Z
h(y) =
f (x, y) dx.
Tales fdp marginales corresponden a las fdp basicas de las variables aleatorias
unidimensionales X Y . En efecto:
P [c X d] = P [c X d, < Y < ]
Z dZ
=
f (x, y) dydx
Z
=
g(x) dx.
c
26

P [a Y b] = P [ < X < , a Y b]
Z Z b
f (x, y) dydx
=
Z bZ
f (x, y) dxdy
a
b
h(y) dy.
=
a
Ejemplo 7.3.1. Sea (X, Y ) una v.a.b. discreta cuya fdp conjunta esta dada
por la tabla
P
Y |X 1 2 3
j
1
1
12
3
P
1
18
5
36
1
6
1
9
1
4
19
36
0
1
5
2
15
1
3
3
12
14
45
79
180
Interpretaci
on:
(x2 , y3 ) = P [X = x2 , Y = y3 ] = P [X = 2, Y = 3] = 14
XX
Facilmente se puede comprobar (en la tabla) que
(xi , yj ) = 1.
i
La grafica de la distribucion de probabilidad es la siguiente:

La probabilidad esta distribuida en los 9 puntos del grafico, fuera de ellos no
hay probabilidad.
Algunos valores de la funcion de distribucion son:
F (2,1, 2,8) = P [X 2,1, Y 2,8]
= (1, 1) + (1, 2) + (2, 1) + (2, 2)
1
1 1
13
=
+0+ + =
12
6 9
36
F (0, 3) = P [X 0, Y 3] = 0.
Encontremos las distribuciones marginales:
Para X:
DE DISTRIBUCION
MARGINAL
7.3. FUNCION
27
Figura 7.12: Funcion marginal v.a.b.d.
(x1 ) = P [X = 1] =
(1, yj ) = (1, 1) + (1, 2) + (1, 3) =
5
36
1 1 1
19
(x2 ) = P [X = 2] = + + =
6 9 4
36
1
(x3 ) = P [X = 3] =
3
Luego la distribucion marginal de X sera
x
(x)
5
36
19
36
1
3
Podemos interpretar la distribucion de X as: las probabilidades que hay en

los puntos de abscisas X = 1, las proyectamos al eje x sobre el punto (1, 0),
lo mismo hacemos para los puntos (2, 0), (3, 0); lo que se obtiene as es la
distribucion de la probabilidad total sobre el eje X.
La distribucion marginal de Y sera
y
q(y)
3
12
14
45
79
180
Algunos valores de las funciones de las distribuciones son:

5 19
F1 (2,6) = P [X 2,6] = (1) + (2) = 36
= 24
,
36
36
28
F1 (0) = 0,
F1 (6) = P [X 6] = (1) + (2) + (3) = 1,
3
F2 (2,84) = P [Y 2,84] = q(1) + q(2) = 12
+
F2 (20) = 0,
F2 (31) = 1.
14
,
45
Ejemplo 7.3.2. Suponga que (X, Y ) es una v.a.b.c. con fdp conjunta dada
por:

2(x + y 2xy) si 0 x 1,0 y 1
f (x, y) =
0
En otra parte
Hallar las fdp marginales.
Soluci
on: fdp marginal de X
Z 1
g(x) =
2(x + y 2xy) dy
0
1

y2
2
xy )
= 2(xy +
2
0
=1
para 0 x 1.
Claramente se puede ver que X es una v.a.c. distribuida uniformemente en

[0, 1).
f.d.p marginal de Y
Z 1
2(x + y 2xy) dx
h(y) =
0
1

x2
2
= 2( + xy x y)
2
0
=1
para 0 y 1.
Tambien Y es una v.a.c. distribuida uniformemente en [0, 1).

Ejemplo 7.3.3. suponga que la v.a.b.c. (X, Y ) tiene fdp conjunta

kx(x y) para 0 < x < 2, x < y < x
f (x, y) =
0
en otra parte
DE DISTRIBUCION
MARGINAL
7.3. FUNCION
29
a) Hallar k.
b) Hallar g(x).
c) Hallar h(y).
Soluci
on: Es importante notar en este ejemplo que los valores que toma y
dependen de lo que vaya asumiendo x. Especficamente la region objeto de
estudio es:
B = {(x, y)/0 < x < 2 , , x < y < x},
la cual es descrita en la figura anexa.
Figura 7.13: Funcion marginal v.a.b.c.
f (x, y) dydx = 1.
a) Utilizaremos el hecho
Z Z
Z 2Z x
En este caso:
f (x, y) dydx =
kx(x y) dydx. Calcu Z
0
x
2Z x
laremos k a partir de k
(x2 xy) dydx = 1. Esto implica que
0
k = 81 .
b) fdp marginal de X.
Z
Se debe emplear g(x) =
f (x, y) dy.
30

Z
1 2
(x xy) dy. Luego,
x 8

x
xy 2
1 2
x y
8
2 x

1
x3
x(x)2
2
2
x x
x (x)
8
2
2
1
(2x3 )
8
x3
; 0 < x < 2.
4
f (x, y) dy =
En nuestro caso:
1
g(x) =
8
(x2 xy) dy =
=
=
=
c) fdp marginal de
Z Y.
f (x, y) dx. Como 0 < x < 2 y x < y < x, entonces
Se usa h(y) =
0 > x > 2 por lo tanto se debe tomar en cuenta que 2 < x <
y < x < 2. Entonces, existen por lo tanto dos probabilidades:
i) 0 y < 2Z y y < x < 2, entonces
2
1 y y3
1
(x2 xy) dx = +
h(y) = 8
si 0 y < 2.
3 4 48
y
ii) 2 < y Z0 y 2 < x < y, entonces
2
1 y 5y 3
h(y) = 81
(x2 xy) dx = +
si 2 < y 0.
3 4
48
y
Extendemos ahora la definicion de distribucion marginal a un vector aleatorio
m-dimensional.
Definici
on 7.3.1. Sea X = (X1 , X2 , , Xk , , Xm ) un v.a. m-dimensional
con funcion de distribucion F (x) y fdp conjunta f (x), donde x = (x1 , x2 , , xk , , xm )
Entonces, se define la funcion de densidad marginal por:
Z
Z
m
Y
fXk (xk ) =
f (x)
dxi .
(7.1)
i6=k
x1
xm
i=1
i6=k
La funcion de distribucion viene dada por la expresion:

FXk (xk ) = lm i6= k lm F (x).
x1
xm
(7.2)
CONDICIONAL
7.4. DISTRIBUCION
31
Ejemplo 7.3.4. Sea
si x < 0 o y < 0
e ) si 0 < x < 5 ; y 0
FXY (x, y) =
1 ey
si x 5 ; y 0
y
x
(1
5
la funcion de distribucion del v.a.b. (X, Y ). Entonces,

1 y
2 FXY (x, y)
e
si 0 x < 5 ; y 0
5
fXY (x, y) =
=
0
caso contrario.
xy
Las fdp marginales son:
1.
Z
fX (x) =
0
2.
Z
fY (y) =
0
1
1 y
e dy = , si 0 x < 5.
5
5
1 y
e dx = ey , si y 0.
5
Asimismo, las fda marginales vienen dadas por:
0 si x < 0
x
si 0 x < 5
FX (x) = lm FXY (x, y) =
y
5
1 si x 5.
y

FY (y) = lm FXY (x, y) =
x
7.4.
0
si y < 0
y
1e
si y 0.
Distribuci
on Condicional
Definici
on 7.4.1.
1. Sea (X, Y ) una v.a.b. discreta con funcion de probabilidad (x, y). Sea g(yj ) la funcion de probabiidad marginal de la
v.a.d. Y, si para Y = yj , g(yj ) > 0; se define la funcion de probabilidad
de X = xi dado Y = yj como:
(xi |yj ) = P [X = xi |Y = yj ] =
P (X = xi , Y = yj )
.
g(yj )
(7.3)
32

La funcion de distribucion condicional de X = xi dado Y = yj sera:
X
(xi , yj )
F (x0 |yj ) = P [X x0 |y = yj ] =
xi x0
g(yj )
2. Sea (X, Y ) una v.a.b. discreta con funcion de probabilidad (x, y). Sea
(xi ) la funcion de probabiidad marginal de la v.a.d. X, si para X = xi ,
(xi ) > 0; se define la funcion de probabilidad de Y = yj dado X = xi
como:
g(yj |xi ) = P [Y = yj |X = xi ] =
P [X = xi , Y = yj ]
.
(xi )
(7.4)
La funcion de distribucion condicional de Y = yj dado X = xi sera:

X
(xi , yj )
F (yj |xi ) = P [y yj |X = xi ] =
Y y0
(xi )
Definici
on 7.4.2. Sea (X, Y ) una v.a.b continua con f.d.p conjunta f (x, y),
g y h las fdp marginales de X y Y respectivamente.Entonces,
1. Si h(y) > 0, la fdp condicional de X para Y = y dada, esta definida
por:
f (x, y)
g(x|y) =
.
(7.5)
h(y)
La fda de X para Y = y dada, esta definida por:
Z x
g(z|y)dz.
(7.6)
F (x|y) =
2. Si g(x) > 0, la fdp condicional de Y para X = x dada, esta definida

por:
f (x, y)
h(y|x) =
.
(7.7)
g(x)
la fdp condicional de Y para X = x dada, esta definida por:
Z y
F (y|x) =
h(z|x)dz.
(7.8)
CONDICIONAL
7.4. DISTRIBUCION
33
Ejemplo 7.4.1. Con referencia a la tabla siguiente hallar las distribuciones

condicionales de X dado Y = 2 y de Y dado X = 3.
Y |X
1
12
3
P
1
18
5
36
1
6
1
9
1
4
19
36
3
12
14
45
79
180
1
5
2
15
1
3
1,0
Soluci
on:
Distribucion de X condicionada a Y = 2.
Llamando q(y) la funcion de probabilidad de la v.a. Y, entonces q(2) =
14
. Luego,
45
P (X=xi ,Y =2)
;
q(2)
0
= 0,
14/45
1/9
45
= 126
,
14/45
1/5
45
= 70 .
14/45
(xi |2) = P [X = xi |Y = 2] =
(x1 |2) = (1|2) =
(x2 |2) = (2|2) =
(x3 |2) = (3|2) =
(1,2)
q(2)
(2,2)
q(2)
(3,2)
q(2)
=
=
=
es decir,
En resumen:
x
1
(xi |2) 0
Note que
45
126
45
70
(xi |2) = 1,0
Llamando (x) la funcion de probabilidad de la v.a. X, se tiene que

(3) = 13 , entonces la distribucion de Y condicionada a X = 3 es:
q(yj |3) = P [Y = yj |X = 3] =
q(y1 |3) = q(1/3) =
q(y2 |3) = q(2/3) =
(3,1)
(3)
(3,2)
(3)
=
=
0
1/3
1/5
1/3
(3,yj )
;
(3)
= 0,
= 35 ,
es decir,
34
(3,3)
(3)
q(y3 |3) = q(3/3) =
2/15
1/3
5
.
15
En resumen:
y
1
q(yj |3) 0
Note que
3
5
6
15
q(yj |3) = 1,0
Calcular la distribucion de Y condicionada a X = 1; X = 2.

Ejemplo 7.4.2. Sea la v.a.b.c. (X, Y ) con fdp conjunta dada por:
2 xy
x + 3 si 0 x 1 ; 0 y 2
f (x, y) =
0
en otra parte.
Hallar g(x|y) y h(y|x).
Soluci
on:
a)
f (x, y)
.
h(y)
g(x|y) =
ahora,
Z
h(y) =
(x2 +
f (x, y) dx =
xy
y 1
) dx = + .
3
6 3
Luego,
x2 +
g(x|y) = y
+
6
xy
3
1
3
6x2 + 2xy
, si 0 x 1; 0 y 2.
y+2
b)
h(y|x) =
f (x, y)
g(x)
Ahora,
Z
g(x) =
Z
f (x, y) dy =
(x2 +
xy
2
) dy = 2x2 + x.
3
3
CONDICIONAL
7.4. DISTRIBUCION
35
Luego,
x2 + xy
3x + y
h(y|x) = 2 23 =
, si 0 y 2; 0 x 1.
6x + 2
2x + 3 x
Verificar
que tanto g(x|y)
Z
Z como h(y|x) son fdp. Recuerde, basta verificar que
g(x|y) dx = 1 y
h(y|x) dy = 1.
Ejemplo 7.4.3. Sea fXY (x, y) = x+y para 0 x 1 ; 0 y 1 encontrar:

a) fX|Y ,
b) FX|Y ,
c) FXY .
Soluci
on:
a) Encontremos la marginal de Y
2

Z 1
x
1
1 + 2y
fY (y) =
(x + y) dy =
+ y |10 = + y =
;
2
2
2
0
fX|Y (x|y) =
0 y 1.
fXY (x, y)
x+y
2(x + y)
= 1+2y =
; 0 x 1, 0 y 1.
fY (y)
1 + 2y
2
b)
Z
FX|Y (x|y) =
2(z + y)
dz
2y + 1
0
x
1 2
=
z + 2yz 0
2y + 1
x2 + 2xy
.
=
2y + 1
fX|Y (z|y) dz =
Ejemplo 7.4.4. La funcion de densidad conjunta de cierto proceso es:

x+y
Cxye si x > 0 ; y > 0
fXY (x, y) =
0
c.c
con > 0 un parametro de la distribucion, encontrar:
36
a) El valor de C,
b) FY |X ,
c) FXY ,
d) P (X + Y > ).
Soluci
on:
a)
Z
Z
Cxye
R2
Z
x+y
xye
x+y
dxdy = 1
Z
xye
dxdy = C
x+y
dxdy
xye e dxdy
0Z 0
Z

y
x
xe dx
ye dy
=C
0
0

= C 2 2

= C 4
1
C = 4.
=C
b)
fXY (x, y)
fY |X (x, y) =
=
fX (x)
x+y
1
xye
4
fX (x)
si x, y > 0
caso contrario.
CONDICIONAL
7.4. DISTRIBUCION
37
entonces,
Z
fX (x) =
fXY (x, y) dy
0
xy x+y
e dy
4
0

r
y
y
x
x

= lm 4 ye x (xe ) 2 e (xe )
r
0
x
2 0
4
e (xe )
=
x x
= 2e .
Luego,
fY |X (x, y) =
x y
xy
e
e
4
x
x
e
2
0
y
2
=
Z
si x, y > 0
caso contrario
si x, y > 0
caso contrario.
c) FXY (x, y) =
fuv (u, v) dudv
i. Si x 0 o y 0 FXY (x, y) = 0
ii. Si x > 0 y y > 0
Z x Z y
FXY (x, y) =
fuv (u, v) dudv

Z 0 Z 0
Z xZ y
=
fuv (u, v) dudv +
fuv (u, v) dudv

0
0
Z xZ y
=
fuv (u, v) dudv
Z0 x Z0 y
u
v
=
4 uve e dudv
0
0Z x
Z y

v
4
u
=
ue du
ve dv
0
0
u
u x
v
v y
= 4 ue 2 e 0 ve 2 e 0
x
= 4 (xe + 2 e 2 )(ye + 2 e 2 ).
38

d) La region de interes es: D = {(X, Y ) R2 | X < , Y X},
entonces
P (X + Y > ) = P1 + P2 ,
donde,
fXY (x, y) dydx
P1 =
x
Z Z
x+y
4 xye dydx
0
x

Z
Z
y
x
ye dy dx
=
xe
x
0

Z

y
y
x

4
=
xe
ye e
dx

x
0
Z
h
i
x
2 x
x
4
+ e
( x)e
dx
=
xe
0
Z
h
i
x
x
x
4
=
xe ( x)e + 2 e dx
0
Z

= 4
( x)xe1 + x2 e1 dx
0
Z
2

4 1
= e
x x2 + x2 dx
0
Z

= 4 e1
2x2 x2 dx
0

x3
4 1
2 2
= e
x
3
0

4
= 4 e1 4
3
2
= e1
3
=
CONDICIONAL
7.4. DISTRIBUCION
39
P2 =
4 xye
x+y
dydx
Z
Z

y
x
4
xe dx
ye dy
=
0
h

i
y
y
x
x
= 4
lm (xe 2 e )|r
lm (e 2 e )|r0
r
2 1
2 1
= ( e + e )( )
= 4 (22 e1 )(2 )
= 2e1 .
Luego,
2
8
P (X + Y > ) = P1 + P2 = e1 + 2e1 = e1 .
3
3
Ejemplo 7.4.5. La v.a.b. (X, Y ) tiene fdp conjunta
(x+y)
e
si x > 0; y > 0
f (x, y) =
0
en otro caso.
Hallar:
a) Funcion de distribucion conjunta.
e) g(x|Y = 4)
b) Funciones de densidad marginales y condicionales.
f ) P (X < 1, Y < 2)
g) P (1 < X + Y < 3)
c) P (X < 2|Y = 3)
h) P (X < Y |X < 2Y )
d) h(y|X = 3)
Soluci
on:
La probabilidad se encuentra distribuida en el primer cuadrante
a) F (x, y) = 0 para x < 0, y < 0
Para x > 0, y > 0
Z xZ y
Z
(u+v)
F (x, y) =
e
dvdu =
0
x
u
Z
du
ev dv
0
x
= (1 e )(1 ey ).
40
Z
x > 0. Z
h(y) =
h(y|x) =
f (x, y) dy =
b) g(x) =
y > 0.
g(x|y) =
(x+y)
e(x+y) dx = ey
f (x, y) dx =
f (x,y)
h(y)
f (x,y)
h(y)
=
=
e(x+y)
ey
e(x+y)
ex
ex dx = ey , para
= ex , para x > 0, y > 0.

= ey , para x > 0, y > 0.
c) P (X < 2|Y = 5) =
ey dy = ex , para
dy = e
Z
g(x|5) dx =
ex dx = 1 e2
d) h(y|X = 3) = ey , para y > 0.

e) g(x|Y = 4) = ex , para x > 0.
RR
f ) P (X < 1, Y < 2) =
f (x, y) dxdy, donde
R
R = {(x, y) D|x < 1; y < 2}.
As,
1
P (X < 1, Y < 2) =
2
y x
e e
0
Z
dydx =
2
y
Z
dy
ex dx
= (1 e2 )(1 e1 ).
Z Z
f (x, y) dxdy, donde
g) P (1 < X + Y < 3) =
R
R = {(x, y) D|1 < x + y < 3}.

Como el comportamiento de (X, Y ) no es uniforme en R, asumimos el
hecho de que R = R1 R2 (Note que R1 R2 = ), entonces:
Z Z
Z Z
P (1 < X + Y < 3) =
f (x, y) dxdy +
f (x, y) dxdy
R1
R2
Z 1 Z 3x
Z 3 Z 3x
x y
=
e e dxdy +
ey ex dxdy
0
1x
1
= 2e
1
3
4e .
UNIFORME
7.5. DISTRIBUCION
41
P (X < Y X < 2Y )
P (X < Y )
h) P (X < Y |X < 2Y ) =
=
P (X < 2Y )
P (X < 2Y )
Z Z
f (x, y) dxdy, donde R1 = {(x, y) D|x < y}
P (X < Y ) =
ZR1 Z
P (X < 2Y ) =
f (x, y) dxdy, donde R2 = {(x, y) D|x < 2y}.
R2
Z Z y
1
ex ey dxdy = y
Entonces, P (X < Y ) =
2
0
Z Z 2y 0
2
ex ey dxdy =
P (X < 2Y ) =
3
0
0
P (X < Y |X < 2Y ) =
7.5.
3
1/2
= .
2/3
4
Distribuci
on Uniforme
Una variable aleatoria continua bidimensional (X, Y ) esta distribuida uniformemente en una region R del plano euclidiano si

Constante Para (x, y) R
f (x, y) =
0
en otra parte
Z Z
Z Z
f (x, y) dydx = 1 y f (x, y) = k, entonces k
dydx = 1,

|
{z
}
Area
R
entonces k =
1
,
Area
R
donde Area
R > 0.
Ejemplo 7.5.1. Supongase que (X, Y ) es una v.a.c.b. distribuida uniformemente en la region R siguiente
a) Hallar f (x, y).
b) Encontrar las funciones de densidad marginal de X y Y.
Soluci
on:
a) f (x, y) =
1
;
Area
R
Area
R=
Z
0
(
f (x, y) =
1
(x x2 ) dx = . Luego,
6
1
1
6
= 6 si (x, y) R
0
en otra parte.
42
b) fdp marginal de X.
Z
f (x, y) dy =
6 dy = 6(x x2 ) si 0 x 1
x2
fdp marginal
Z de Y .
Z
h(y) =
f (x, y) dx =
7.6.
6 dx = 6( y y), si 0 y 1.
Variables Aleatorias Independientes
Intuitivamente, X, Y son variables aleatorias independientes si el resultado

de X de ninguna manera influye en el resultado de Y . Precisemos en mejor
forma lo anterior:
Definici
on 7.6.1. Sea (X, Y ) una variable aleatoria bidimensional discreta. Decimos que X, Y son variables aleatorias independientes si (xi , yj ) =
(xi ) q(yj ) para todo i, j. (esto es, si la funcion de probabilidad conjunta es
igual al producto de las marginales).
En consecuencia se tiene el siguiente resultado:
Teorema 7.6.1. Sea (X, Y ) una v.a.b. discreta. X y Y son independientes
si y solo si (xi |yj ) = (xi ) para todo i, j (o lo que es equivalente, si y solo
si q(yj |xi ) = q(yj ) para todo i, j).
7.6. VARIABLES ALEATORIAS INDEPENDIENTES
43
Demostracion. Sean X y Y independientes, entonces (xi , yj ) =

(x ,y )
(xi ) q(yj ) para todo i, j. Luego: (xi |yj ) = q(yi j )j = (xi )
Supongamos que (xi |yj ) = p(xi ). Como (xi |yj ) =
(xi , yj ) = (xi ) q(yj ).
(xi ,yj )
,
q(yj )
entonces
Ejemplo 7.6.1. Corrobore si las variables X y Y dadas en la tabla siguiente

son independientes.
Y |X
q(yj )
1
12
1
18
5
36
1
6
1
9
1
4
19
36
3
12
14
45
79
180
(xi )
1
5
2
15
1
3
Soluci
on: Para probar que X y Y son independientes tenemos que probar
que (xi , yj ) = (xi ) q(yj ) para todo i, j.
Debemos por lo tanto comprobar si esta igualdad se cumple con cada uno de
los 9 puntos con probabilidad dada. Entonces,
(x1 , y1 ) = (1, 1) =
1
.
12
Ahora,
(x1 ) = (1) =
q(y1 ) = q(1) =
5
36
3
12

(x1 ) q(y1 ) =
5 3
5
=
36 12
144
Luego (x1 , y1 ) 6= (x1 ) q(y1 ).

Habiendo encontrado un punto que no satisfaga la condicion podemos afirmar
que X y Y no son independientes.
Observaci
on 7.6.1. Antes de dar la definicion de independencia estocastica
para v.a.b. continuas, veamos lo siguiente:
Sea (X, Y ) una v.a.b. continua con funcion de densidad conjunta f (x, y).
Sea R = {(x, y) R2 |f (x, y) > 0}, esto es, la region del plano donde esta distribuida la probabilidad.
Supongamos que R es tal que x R1 R mientras que y R2 R de
modo que R1 no esta afectado por los valores que toma la v.a. en Y = y,
44
asimismo R2 no esta afectado por los valores que toma la v.a. en X = x,

en estas condiciones R es una region rectangular, R = R1 R2 , esto es
R = {(x, y)|a x b, c y d} con a,b,c,d constantes. Si R es de esta
forma decimos que es un ESPACIO PRODUCTO (o que la variable aleatoria
bidimensional (X, Y ) tiene distribucion en el espacio producto).
Ejemplo 7.6.2.
R es un espacio producto, R = {(x, y)| 1 x 5, 1 y 4}.
D no es un espacio producto, D = {(x, y)| 0 x 2, 0 y
63x
}.
2
En general, R es un espacio producto si esta limitada solo por rectas paralelas

a los ejes; en caso contrario dejara de ser un espacio producto; as, la region D
anterior no es un espacio producto, pues esta limitada por la recta 3x+2y = 6
que no es paralela al eje x ni al eje y.
Definici
on 7.6.2. Sea (X, Y ) un v.a.b.c. con fdp conjunta f (x, y). Las variables aleatorias X y Y son estocasticamente independiente si y solo si
f (x, y) = g(x) h(y),
45
donde g(x) y h(y) son las fdp marginales de X y Y respectivamente, y ademas

la region donde se distribuye la probabilidad es un espacio producto.
Como consecuencia, tenemos ahora el siguiente resultado.
Teorema 7.6.2. Sea (X, Y ) una variable aleatoria bidimensional continua.
Las variables aleatorias X y Y son independientes si y solo si g(x|y) = g(x)
(o lo que es equivalente si y solo si h(y|x) = h(y) para todo (x, y)).
Demostracion. Supongamos que X y Y son independientes, entonces
(x,y)
= g(x)h(y)
= g(x).
f (x, y) = g(x) h(y). Luego, g(x|y) = fh(y)
h(y)
Se hace en forma similar.
De las definiciones anteriores se sigue que para X y Y v.a.i.
FXY (x, y) = PXY (X x, Y y) = PX (X x)PY (Y y) = FX (x)FY (y).
Para X y Y v.a.d. independientes se sigue que.
P (X = x, Y = y) = P (X = x)P (Y = y).
para todo x en el rango de X y todo y en el rango de Y.
En conclusion, se puede decir que si X y Y son v.a.i. con fdp conjunta fXY
y marginales fX (x) y fY (y), entonces
fXY (x, y) = fX (x)fY (y),
para todo x, y R. Recprocamente, si la condicion anterior se cumple,
entonces las variables aleatorias son independientes. En general, las v.a. X y
Y son independientes si existen m1 (x) y m2 (y), funciones reales tales que
fXY (x, y) = m1 (x)m2 (y), x, y R.
Teorema 7.6.3. Para X y Y v.a.i se tiene que para Z = X + Y,
MX+Y (t) = MX (t)MY (t).
46
Demostracion.
MZ (t) = E[etZ ] = E[et(X+Y ) ] = E[etX+tY ]
Z Z
etx+ty fXY (x, y)dxdy
=
ZR R
Z
tx
=
e fX (x)dx ety fY (y)dy
R
= MX (t)MY (t).
Ejemplo 7.6.3. Supongamos que (X, Y ) tiene fdp conjunta dada como sigue:
(x+y)
e
si x 0, y 0
f (x, y) =
0
en otra parte.
Seran X y Y estocasticamente independientes?
Soluci
on:
Z
Z
Z
x y
x
g(x) =
f (x, y) dy =
e e dy = e
ey dy = ex y
Z0
Z0
Z
x y
y
e e dx = e
ex dx = ey .
f (x, y) dx =
h(y) =
Luego, f (x, y) = ex ey = g(x)h(y) y como la probabilidad esta definida en

el primer cuadrante que es un espacio producto, entonces X y Y son variables
aleatorias independientes.
Ejemplo 7.6.4. Supongase que (X, Y ) tiene fdp conjunta f (x, y) = 8xy,
para 0 x y 1. Seran X y Y independientes?
Soluci
on:
47
La probabilidad esta definida en R, pero este no es un espacio producto, por

lo tanto X y Y no son independientes.
Ademas,Z
g(x) =
8xy dy = 4x(1 x2 ) si 0 x 1.
f (x, y) dy =
Z
Zx y
f (x, y) dx =
h(y) =
8xy dx = 4y 3 si 0 y 1.
Pero,
g(x) h(y) = 4x(1 x2 ) 4y 3 6= f (x, y).
Observaci
on 7.6.2. Si se conoce la fdp conjunta es posible determinar en
forma u
nica las fdp marginales g(x) y h(y), pero el conocimiento de las fdp
marginales no determinan la fdp conjunta, a menos que se sepa que la variable
aleatoria X y Y son independientes, en cuyo caso g(x) h(y) = f (x, y).
Teorema 7.6.4. Sean X, Y variables aleatorias con funcion de densidad
conjunta f (x, y) y region de distribucion conjunta de probabilidad R. Entonces, X y Y son variables aleatorias independientes si y solo si R es un espacio
producto y f (x, y) = m(x) (y), donde m(x) es una funcion no negativa de
x solamente y (y) es una funcion no negativa de y solamente.
Demostracion. Sean X y Y independientes, entonces R es un espacio
producto y ademas f (x, y) = g(x) h(y) donde g(x) 0 y h(y) 0. Escogiendo m(x) = g(x) y (y) = h(y) tenemos que f (x, y) = m(x) (y).
Supongamos que R es un espacio producto y f (x, y) = m(x) (y)
(m(x) y (y) con las condiciones dadas), entonces
Z
g(x) =
m(x) (y) dy
Z
= m(x)
(y) dy
f (x, y) dy =
= m(x) k1 ,
48

Z
(y) dy es una constante. Asimismo,
donde k1 =
m(x) (y) dx
Z
m(x) dx
= (y)
f (x, y) dx =
h(y) =
= (y) k2 ,
Z
donde k2 =
m(x) dx es una constante.
Luego, g(x) h(y) = k1 k2 m(x) (y) = k1 k2 f (x, y). Ahora basta probar que
k1 k2 = 1.
En efecto:
Z
m(x) (y) dxdy

Z
(y) dy ,
m(x) dx
f (x, y) dxdy =
1=

Z
pero m(x) =
1
g(x)
k1
y (y) =
1
h(y),
k2
entonces
Z

Z
1
1
1=
g(x) dx
h(y) dy
k1
k2

1
1
=
1
1
k1
k2
1
=
k1 k2
k1 k2 = 1,

as, g(x) h(y) = 1 f (x, y) entonces, X y Y son variables aleatorias independientes.

Definici
on 7.6.3. Las variables aleatorias X1 , X2 , . . . , Xm son variables
aleatorias independientes si
fX1 X2 ...Xm (x1 , x2 , . . . , xm ) = fX1 (x1 ) fX2 (x2 ) fXm (xm ),
49
o tambien, si
FX1 X2 ...Xm (x1 , x2 , . . . , xm ) = FX1 (x1 ) FX2 (x2 ) FXm (xm ).
Proposici
on 7.6.1. Sean X1 , X2 , ..., Xk v.a.i. Entonces,
i) La coleccion {Xi1 , ..., Xij } {X1 , X2 , ..., Xk } tambien son independientes.
ii) Cualesquiera funciones f1 (x1 ), ..., fk (xk ) tambien son independientes.
iii) Cualesquiera funciones f (x1 , x2 , ..., xj ) y g(xj+1 , xj+2 , ..., xk ) de subconjuntos disjuntos tambien son independientes.
Observaci
on 7.6.3. Note que para X y Y v.a.i.
fX|Y (x|y) =
Demostracion.
fXY (x, y)
fX (x)fY (y)
=
= fX (x).
fY (y)
fY (y)
i) Por hipotesis de independencia, para X1 , X2 , ..., Xk ,

FX1 ...Xk (x1 , x2 , ..., xk ) =
k
Y
FXj (xj ).
j=1
Ahora, hagamos xi para todo i = 1, 2, ..., k, i 6= i1 o i2 , ..., ij .

Entonces por definicion de funcion de distribucion marginal conjunta
y propiedades de la funcion de distribucion univariada, se tiene.
FXi1 ...Xij (xi1 , ..., xij ) =
j
Y
Fxil (xil ),
l=1
de donde sigue el resultado.

ii) Se deja como ejercicio.
iii) por i) {X1 , X2 , ..., Xj } y {Xj+1 , Xj+2 , ..., Xk } son independientes, entonces por (ii) se sigue el resultado.
50
7.7.
Momentos
Sea (X1 , X2 , ..., Xk )t un vector aleatorio con fdp conjunta f. Sea g(X1 , X2 , ..., Xk )
una funcion de valor real definida sobre Rk y asumamos que g tambien es
una v.a.
Definici
on 7.7.1.
1. Si (X1 , X2 , ..., Xk ) es de tipo discreto donde
X
X
, ...,
|g(x1 , ..., xk )||P (X1 = x1 , X2 = x2 , ..., Xk = xk )| < ,
x1
xk
entonces se define la esperanza matematica de g como:

X
X
g(X1 , X2 ..., Xk )P (X1 = x1 , ..., Xk = xk )
, ...,
E[g(X1 , X2 ..., XK )] =
x1
xk
2. Si (X1 , X2 , ..., Xk ) tiene fdp conjunta f y

Z Z
...
|g(x1 , x2 , ..., xk )|f (x1 , x2 , ..., xk ) dx1 , ..., dxk < ,
entonces, se define la esperanza de g como:

Z Z
g(x1 , x2 , ..., xk )f (x1 , x2 , ..., xk ) dx1 , ..., dxk .
...
E[g(x1 , x2 , ..., xk )] =
Propiedades 7.7.1.
1) Sean a y b constantes reales y g(X1 , X2 , ..., Xk )
una funcion con esperanza finita. Entonces,
E[ag(X1 , X2 , ..., Xk ) + b] = aE[g(X1 , X2 , ..., Xk )] + b.
2) Sean g1 , g2 , ..., gn funciones de valor real de X1 , X2 , ..., Xk con esperanza
finita. Entonces,
E[g1 (X1 , X2 , ..., Xk ) + g2 (X1 , X2 , ..., Xk ) + ... + gn (X1 , X2 , ..., Xk )] =
E[g1 (X1 , X2 , ..., Xk )]+E[g2 (X1 , X2 , ..., Xk )]+...+E[gn (X1 , X2 , ..., Xk )].
3) Sean X1 , X2 , ..., Xk variables aleatorias independientes y g1 , g2 , ..., gk
funciones de valor real de X1 , X2 , ..., Xk respectivamente, cada una con
esperanza finita. Entonces,
" k
#
k
Y
Y
E
gj (Xj ) =
E[gj (Xj )]
j=1
j=1
7.7. MOMENTOS
51
Demostracion.
Es semejante al caso univariado, se deja como ejercicio.
Es semejante al caso univariado, se deja como ejercicio.

3) Inicialmente verifiquemos que la esperanza existe.

Z Y
Z Z
k
k

Y

dxj
g(xj ) f (x1 , x2 , ..., xk )

j=1
[|g(xj )f (xj )]
dxj
Z
|g(x1 )|f (x1 ) dx1
k
YZ
k
Y
j=1
=
=
j=1
Z
|g(x2 )|f (x2 ) dx2
|g(xk )|f (xk ) dxk
|g(xj )|f (xj ) dxj < .
j=1
Luego,
Z
j=1
j=1
[g(xj )f (xj )]
k
YZ
k
Y
k
Y
dxj
j=1
k
Y
dxj
g(x2 )f (x2 ) dx2
g(x1 )f (x1 ) dx1
j=1
g(xj ) f (x1 , x2 , ..., xk )
j=1
=
=
k
Y
" k
Y
g(xk )f (xk ) dxk
g(xj )f (xj ) dxj
E[g(Xj )].
j=1
Observaci
on 7.7.1. El reciproco de 3) no siempre es cierto
Ejemplo 7.7.1. Sea X el tiempo que una persona permanece en un banco
y Y el tiempo haciendo fila para ser atendido, entonces X Y es el tiempo
52
que dura la atencion por parte del funcionario encargado. Si la fdp conjunta
del vector (X, Y ) es:
y
e
si 0 y x <
fXY (x, y) =
0
caso contrario,
el tiempo promedio que dura la atencion es:
Z Z x
E[(X Y )] =
(x y)2 ex dydx
0
Z 0 Z x

Z Z x
2
x
x
=
xe
dydx
ye
dydx
0
0
0
0

Z
Z 2
x x
2
2 x
e
dx
=
xe
dx
2
0
0
Z
2 2 x
=
xe
dx
2 0
Z
2 31 x
x e
dx
=
2 0
Z
2 (3) 3 31 x
=
x e
dx
2 3 0 (3)
2 (3)
=
2 3
(3)
=
2
2(2)
=
2
1
= .
Ejemplo 7.7.2. Considere un circuito electrico para el cual la ley de Ohm es

cierta, V = IR donde V es el voltaje, I es la corriente y R es la resistencia.
Suponga que I y R son v.a.i. con respectivas fdp.
hI (i) = 2i para 0 i 1.
y
gR (r) =
encuentre
r2
para 0 r 3.
9

7.8. COVARIANZA Y CORRELACION
53
El voltaje esperado
La probabilidad de que el voltaje este por encima de 2 voltios.
Soluci
on:
La fdp conjunta es:
fIR (i, r) = hI (i)gR (r) =
2ir2
para 0 i 1 , 0 r 3,
9
entonces,
Z
E(V ) = E(IR) = E(I)E(R) = 2
0
Z 3

1
2
idi
r dr = 1,0
9 0
P (V > 2) = 1 P (V 2)
Z
Z
=1
fIR (i, r) didr
ir2
Z
Z
2ir2
didr
=1
9
ir2
Para resolver la doble integral, del grafico relacionado se tiene que
"Z Z
#
Z 3 Z 2
2
1
r 2
2 2
P (V > 2) = 1
ir didr +
ir2 didr
9
9
r=0 i=0
r=2 i=0

2 4
=1
+2
9 3
20
=1
27
7
= .
27
7.8.
Covarianza y Correlaci
on
Definici
on 7.8.1. Si E[(X X )(Y Y )] existen, es llamada la covarianza
entre X y Y , donde X = E(X) y Y = E(Y ).
54
Figura 7.14: Region para ir 2 voltios.

En lo que sigue escribiremos
XY = cov(X, Y ) = E[(X X )(Y Y )].
Observaci
on 7.8.1.
i) Note que
XY = cov(X, Y ) = E[(XX )(Y Y )] = E[(Y Y )(XX )] = cov(Y, X) = Y X .

ii) XX = cov(X, X) = E[(X X )(X X )] = E[(X X )2 ] = var(X).
iii)
XY = E[(X X )(Y Y )] = E[XY X Y Y X + X Y ]
= E(XY ) X E(Y ) Y E(X) + X Y
= E(XY ) X Y Y X + X Y
= E(XY ) X Y
= E(XY ) E(X)E(Y )
= E(XY ) X Y .

55
iv) Para X y Y v.a.i.

XY = E(XY ) E(X)E(Y ) = E(X)E(Y ) E(X)E(Y ) = 0.
v) cov(X, Y ) = 0 no implica que X y Y son v.a.i.
Ejemplo 7.8.1. Sea X una v.a. simetrica con E(X) = 0 y sea Y = X 2
entonces,
Cov(X, Y ) = E(XY ) E(X)E(Y ) = E(XX 2 ) = E(X 3 ) = 0
y sin embargo X y Y estan fuertemente asociados.
vi) Si E(X 2 ) < y E(Y 2 ) < , entonces E(XY ) < y por tanto XY
existe, puesto que |XY | X 2 + Y 2 E(|XY |) < .
vii) Cov(aX, bY ) = abCov(X, Y ).
Cov(aX + c, bY + d) = abCov(X, Y ).
Ejemplo 7.8.2. Sean X y Y dos variables aleatorias con f.d.p conjunta dada
por:
(
x+y 2
1 y
e
si x > 0, y > 0
fXY (x, y) = y
0
caso contrario.
1. Encuentre la fdp de Y , E(Y ) y V (Y )
2. Encuentre la fdp de X|Y , E(X|Y = y)
3. Encuentre cov(X, Y )
4. Encuentre P (X < 2Y )
Soluci
on:
56
1.
fY (y) =
2
1 x+y
e y dx
y
0
Z
1 xy yy2
=
e e dx
y 0
Z
1 xy y
=
e e dx
y 0
Z
1 y xy
e dx
= e
y
0
x
1
= ey [ye y ]|
0
y
=ey .
1 x+y2
y e y dxdy
y

Z0 0 Z
x
y
y
=
e
e dx dy
0
0
Z
i
x
1 y h
=
e
ye y |2y
0 dy
y
0
Z

1 y
e
ye2 + y dy
=
y
Z0
x
=
ey (ye y |
0 dy
Z0
=
yey dy
0
Z 2
1 21 y
y e dy
=(2)
(2)
0
=(2) = 1.
E(Y ) =

57
1 x+y2
y 2 e y dxdy
y

Z0 0 Z
x
y
e y dx dy
ye
=
0
0
Z
x
yey (ye y |
=
0 dy
0
Z
y 2 ey dy
=
0
Z 3
1 31 y
=(3)
y e dy
(3)
0
=(3) = 2.
E(Y ) =
As, V (Y ) = E(Y 2 ) E 2 (Y ) = 2 1 = 1.
2.
fX|Y (x|y) =
fXY (x, y)
fY (y)
x+y 2
1/ye y
=
ey
x
1 y y
e
e
y
=
ey
1 x
= e y .
y
Z
E(X|Y = y) =
xfX|Y (x|y)dx
Z
1 x
x e y dx
y
0
Z
1 yx
xe
=
y 0
Z
1 (2)
(1/y)2 21 y x
=
x e
dx
y (1/y)2 0
(2)
1 (2)
=
.
y (1/y)2
58
3.
1 x+y2
xy e y dxdy
y

Z0 0 Z
y1 x
y
=
e
xe
dx dy
0
0

Z
Z
(2)
(1/y)2 21 y x
y
e
x e
=
dx dy
(1/y)2 0
(2)
Z0
ey y 2 dy
=
0
Z 3
1 31 y
=(3)
y e dy
(3)
0
=(3) = 2.
E(XY ) =
E(X) =
Z0
=
Z0
=
Z0
=
Z0
1 x+y2
x e y dxdy
y
0

Z
1 y
x
y
e
xe dx dy
y
0

Z
(1/y)2 21 y x
1 y (2)
e
x e
dx dy
y
(1/y)2 0
(2)
1 y 2
e y dy
y
yey dy
Z 2
1 21 y
=(2)
y e dy
(2)
0
=(2) = 1.
=
Sabemos que E(Y ) = 1. As,

cov(X, Y ) =E(XY ) E(X)E(Y )
=2 (1)(1)
=1.

59
4.
Z
2y
2
1 x+y
e y dxdy
y

Z0 0 Z 2y
1 y
x
e y dx dy
e
=
y
0
0
Z
i
x
1 y h
=
e
ye y |2y
0 dy
y
0
Z

1 y
ye2 + y dy
=
e
y
Z0
Z
y
2
=
e e
ey dy
P (X < 2Y ) =
ey |
0
2
e (ey )|
=
0
=1 e .
Teorema 7.8.1 (Desigualdad de Cauchy). Sean X y Y v.a con E(X 2 ) <
y E(Y 2 ) < , entonces |E(XY )|2 E(X 2 )E(Y 2 ). Se tiene la igualdad, si
y solamente si existen constantes reales a y b no simultaneamente iguales a
cero, tales que P (aX + bY = 0) = 1.
Demostracion. Sea = E(Y 2 ) y = E(XY ), 0. El resultado para
= 0 es inmediato, entonces se considera u
nicamente > 0. Se tiene que:
0 E[(X + Y )2 ] = E[2 X 2 + 2XY + 2 Y 2 ]
= 2 E(X 2 ) + 2E(XY ) + 2 E(Y 2 )
= 2 E(X 2 ) + 2E(XY ) + 2
= [E(X 2 ) + 2E(XY ) + 2 ]
= [E(Y 2 )E(X 2 ) 2E(XY )E(XY ) + E(XY )E(XY )]
= [E(X 2 )E(Y 2 ) E(XY )E(XY )]
= [E(X 2 )E(Y 2 ) E 2 (XY )].
Entonces, como > 0, se sigue que E(X 2 )E(Y 2 ) E 2 (XY ) 0, entonces
|E(XY )|2 E(X 2 )E(Y 2 ).
Veamos que |E(XY )|2 = E(X 2 )E(Y 2 ) si y solamente si existen constantes
reales a y b no simultaneamente iguales a cero, tales que P (aX +bY = 0) = 1.
Si [E(XY )]2 = E(X 2 )E(Y 2 ), entonces E(X + Y )2 = 0. Por tanto
60
con probabilidad 1, se tiene que X + Y = 0. Si > 0, se puede tomar

a = y b = . Si = 0, entonces a = 0 y b = E(XY ) = 1.
Ahora, si existen constantes reales a y b distintas de cero ambas, tales
que aX + bY = 0, con probabilidad 1, entonces aX = bY con probabilidad
1.
b2
1
|E(XY )|2 = | E(aXY )|2 = 2 |E(Y 2 )|2
a
a
b2
= 2 E(Y 2 )E(Y 2 )
a

2
bY
E(Y 2 )
=E
a
= E(X 2 )E(Y 2 ).
Observaci
on 7.8.2. Si X y Y son v.a entonces |X| y |Y | tambien lo son y
por tanto
|E(|X||Y |)|2 E(|X|2 )E(|Y |2 ) (E(|XY |))2 E(X 2 )E(Y 2 ).
Ahora, como X X y Y Y tambien son v.a. entonces,
(E(|(X X )(Y Y )|))2 E(X X )2 E(Y Y )2
p
p
E(|(X X )(Y Y )|) V ar(X) V ar(Y )
p
Cov(X, Y ) V ar(X)V ar(Y )
Cov 2 (X, Y ) V ar(X)V ar(Y )
Cov 2 (X, Y )
1
V ar(X)V ar(Y )

Cov(X,
Y
)

p
1.
V ar(X)V ar(Y )
Teorema 7.8.2. Sean X y Y variables aleatorias reales con varianza finita.
Entonces,
V ar(X + Y ) <
y se tiene que
V ar(X + Y ) = V ar(X) + V ar(Y ) 2cov(X, Y ).

61
Demostracion. Como V ar(X), V ar(Y ) < , entonces E(X 2 ), E(Y 2 ) < .

Luego,
E(X + Y )2 = E(X 2 ) + 2E(XY ) + E(Y 2 )
E(X 2 ) + 2E(|XY |) + E(Y 2 )
E(X 2 ) + 2E(X 2 + Y 2 ) + E(Y 2 ) < .
Entonces,
V ar(X + Y ) = E(X + Y )2 E 2 (X + Y ) < .
Ahora,
V ar(X + Y ) = E(X + Y )2 E 2 (X + Y )
= E(X + Y )2 (E(X) + E(Y ))2
= E(X 2 + 2XY + Y 2 ) (E 2 (X) + 2E(X)E(Y ) + E 2 (Y ))
= E(X 2 ) E 2 (X) + E(Y 2 ) E 2 (Y ) + 2(E(XY ) E(X)E(Y ))
= V ar(X) + V ar(Y ) + 2cov(X, Y ).
Observaci
on 7.8.3. En general:
!
m
m
X
X
XX
V ar
Xj =
V ar(Xj ) +
cov(Xj , Xj 0 ).
j=1
j=1
j0
Definici
on 7.8.2. Sean X y Y variables aleatorias reales con V ar(X), V ar(Y ) <
. El coeficiente de correlacion lineal entre X y Y se define por:
(x, y) = XY (X, Y ) = p
cov(X, Y )
V ar(X)V ar(Y )
De las propiedades estudiadas de la covarianza entre dos variables aleatorias,

siguen de forma inmediata las siguientes observaciones.
Observaci
on 7.8.4.

i) Note que cov(X,Y )

1 |(X, Y )| 1 1 (X, Y ) 1.
V ar(X)V ar(Y )
62

ii) (X, Y ) = (Y, X).
iii) (X, X) = 1 y (X, X) = 1.

iv) |(X, Y )| = 1 si y solamente si existen constantes reales a y b no simultaneamente cero, tales que (aX + bY = 0) = 1.
Ejemplo 7.8.3. Para la fdp conjunta dada en el Ejemplo 7.8.2. se tiene que
E(X ) =
Z0
=
Z0
=
Z0
1 x+y2
x2 e y dxdy
y
0
Z

1 y
2 x
e
x e y dx dy
y
0

Z
(1/y)3 31 y1 x
1 y (3)
e
x e
dx dy
y
(1/y)3 0
(3)
y 2 ey dy
0
Z 3
1 31 y
=(3)
y e dy
(3)
0
=(3) = 2.
=
As,
V ar(X) =E(X 2 ) E 2 (X)
=2 1
=1.
Entonces,
Cov(X, Y )
(X, Y ) = p
V ar(X)V ar(Y )
1
=p
(1)(1)
=1.
7.9. ESPERANZA CONDICIONAL
7.9.
63
Esperanza Condicional
Definici
on 7.9.1. Sea el v.a.b. discreto (X, Y ). El valor esperado de X dado
Y = y se define por:
X
E(X|Y = y) =
xfX|Y (x|y)
para todos los y para los cuales P (Y = y) > 0.

En forma analoga, el valor esperado de Y dado X = x se define por:
E(Y |X = x) =
yfY |X (y|x)
para todos los x para los cuales P (X = x) > 0.

Definici
on 7.9.2. Sea el v.a.b. continuo (X, Y ). El valor esperado condicional de X dado Y = y se define por:
Z
xfX|Y (x|y) dx
E(X|Y = y) =
para todos los y con fY (y) > 0.

En forma analoga, el valor esperado de Y dado X = x se define por:
Z
E(Y |X = x) =
yfY |X (y|x)
para todos los x para los cuales fX (x) > 0.

Ejemplo 7.9.1. Sean X y Y v.a.i. con distribucion de Poisson de parametros
1 y 2 respectivamente. Calcular el valor esperado de X bajo la condicion
de que X + Y = n con n Z+ {0} fijo
Soluci
on
fX|X+Y =n (x|X+Y = n) =
P (X = x)P (Y = n x)
P (X = x, Y = n x)
=
P (X + Y = n)
P (X + Y = n)
64
Ahora,
P (X + Y = n) =
n
X
P (X = l, Y = n l) =
l=0
n
X
P (X = l)P (Y = n l)
l=0
n
X
e1 l1 e2 2nl
=
l!
(n l)!
l=0
n
1 X
n!
l1 nl
2
n! l=0 l!(n l)!
n
X
n l nl
(1 +2 ) 1
=e
n! l=0 l 1 2
= e(1 +2 )
= e(1 +2 )
(1 + 2 )n
.
n!
As,
x
fX|X+Y =n (x|X + Y = n) =
nx
2
e1 x!1 e2 (nx)!
n
2)
e(1 +2 ) (1 +
n!
n!
x1 nx
2
=
x!(n x)! (1 + 2 )n

x
nx
n
1
2
=
x
1 + 2
1 + 2

n x
=
p (1 p)nx ,
x
1
2
y 1 p = 1 1+
= 1+
. Entonces, se concluye que
2
2

1
1
X|X + Y = n Bin n,
E(X|X + Y = n) = n
.
1 + 2
1 + 2
donde p =
1
1 +2
Ejemplo 7.9.2. Sean X y Y v.a. con fdp conjunta,

x + y si 0 < x < 1 y 0 < y < 1
fXY (x, y) =
0
caso contrario.
Entonces,
(
fX|Y (x|y) =
x+y
1
+y
2
si 0 < x < 1
caso contrario.
65
As,
1
Z
E(X|Y = y) =
0
Z 1
1
(x2 + xy) dx
1
+
y
0
2

2
1 3 1 2
=
x + x y |10
2y + 1 3
2

2
1 1
=
+ y
2y + 1 3 2
1 3y + 2
.
=
3 2y + 1
x+y
x1
dx =
+y
2
Ejemplo 7.9.3. Sean X y Y v.a. con fdp conjunta

y
e
si 0 < x < y
fXY (x, y) =
0
caso contrario.
Encuentre E(X|Y = y).
Soluci
on:

fX|Y (x|y) =
1
y
si 0 < x < y
0
caso contrario.
Z
E(X|Y = y) =
0
1
1 x2 y y
x dx =
| = .
y
y 2 0 2
Definici
on 7.9.3. Sean X y Y v.a. reales y h una funcion real tal que h(X)
es una v.a. se define:
X
h(x)P (X = x|Y = y) si X, Y son v.a.d.
x
Z
E[h(X)|Y = y] =
h(x)fX|Y (x|y) dx
si X, Y son v.a.c.
R
Ejemplo 7.9.4. Sean X y Y v.a con fdp conjunta

1 xy
ye
si x > 0 , 0 < y < 2
2
fXY (x, y) =
0
caso contrario.
66
Entonces,
1
fY (y) = , si 0 < y < 2
2
y
fX|Y (x, y) = yexy , si x > 0
X
para h(X) = e 2 , se tiene que:
X
2
e 2 yexy dx
E[h(X)|Y ] = E[e |Y ] =
0
e( 2 y)x dx
=y
0
1 ( 1 y)x
1
e2
|0 si y >
2
y
2
y
(0 1)
= 1
y
2
y
2y
=
.
1 =
2y 1
y2
=y1
En particular
2(1)
= 2.
2(1) 1
E[h(X)|Y = 1] =
Teorema 7.9.1. Sean X y Y variables aleatorias reales definida sobre (, =, P )

y h una funcion real tal que h(X) es una v.a. Si E[h(X)] existe, entonces.
E[h(X)] = EY [EX [h(X)|Y ]].
Demostracion.
i) para X y Y variables aleatorias discretas:

X
EY [EX [h(X)|Y ]] =
EX [h(X)|Y ]P (Y = y)
y
XX
h(x)P (X = x|Y = y)P (Y = y)
h(x)
P (X = x; Y = y)
h(x)P (X = x)
= E[h(X)].
67
ii) para X y Y variables aleatorias continuas:

Z
EY [EX [h(X)|Y ]] =
EX [h(X)|Y ]fy (y) dy
R

Z Z
=
h(x)fX|Y (x|y) dx fy (y) dy
R
R
Z

Z
h(x)
fX|Y (x|y)fy (y) dy dx
=
R
R
Z

Z
h(x)
fXY (x, y) dy dx
=
R
R
Z
=
h(x)fX (x) dx
R
= E[h(X)].
Observaci
on 7.9.1. Si (, =, P ) es un espacio de probabilidad y si A =
es fijo, entonces:
P (A) = E(IA (X)) = EY [EX [IA (X)|Y ]].
Ejemplo 7.9.5. Sean X y Y v.a.i. con densidades fX (x) y fY (y) respectivamente. Calcular P (X < Y ).
Sea A = {(X, Y )|X < Y }, entonces:
P (A) = E[IA ] = EY [EX [IA |Y ]]
Z
=
EX [IA |Y ]fy (y) dy
ZR
=
P (A|Y )fY (y) dy
R
Z
=
P (X < Y )fY (y) dy
R
Z
=
FX (y)fY (y) dy
R
siendo FX (.) la fda de la v.a. X.
68
Ejemplo 7.9.6. Sea Y una variable aleatoria con distribucion de Poisson

de parametro . Suponga que Z es la variable aleatoria definida por:
Z :=
Y
X
Xi
i=1
donde las variables aleatorias X1 , X2 , son independientes entre si e independientes de Y . Hallar E(Z) bajo los supuestos que
1. Las variables aleatorias X1 , X2 , son identicamente distribuidas con
distribucion Bernoulli de parametro p (0, 1).
2. Las variables aleatorias X1 , X2 , son identicamente distribuidas con
distribucion Uniforme en el intervalo (0,b).
Soluci
on:
1.
"
E
Y
X
" "
Xi = E E
i=1
Y
X
##
Xi |Y
"
=
i=1
Y
X
#
Xi |Y = yj P (Y = yj ).
i=1
Note que X1 , , Xj son independientes con distribucion Bernoulli, por

lo que
"
E
Y
X
#
Xi |Y = yj
i=1
= E
yj
X
#
Xi
i=1
i=1
mente
" Y
X
"
yj
X
i=1
E(Xi ) =
yj
X
p = pyj , final-
i=1
#
Xi =
X
j
pyj P (Y = yj ) = p
X
j
As,
E(Z) = p.
yj P (Y = yj ) = pE(Y ) = p.
69
2.
"
E
Y
X
"
"
Xi = E Y E X
i=1
"
= EY EX
Y
X
" i=1
yj
X
##
Xi |Y = yj
##
Xi
i=1
"
= EY
yj
X
#
EX [Xi ]
#
" i=1
yj
X
b
= EY
2
i=1
Xb
yj P [Y = yj ]
=
2
j
b
= EY (Y )
2
b
= .
2
As,
b
.
2
Entonces, si la v.a. representa el n
umero de personas por hora que
llegan a una central telefonica, suponga P
que Y P o(20) y Z es el dinero
Y
recaudado cada hora, entonces Z :=
i=1 Xi donde Xi repreenta el
dinero gastado por el i-esimo individuo que entra a la central telefonica.
Luego, si Xi U (0, 5000), entonces el recaudo esperado cada hora es
E(Z) =
E(Z) =
20 5000
= 50000.
2
Teorema 7.9.2. Si X, Y, Z son v.a.s reales definidas sobre (, =, P ) y si h es

una funcion real tal que h(X) es una v.a. entonces, se tiene que la esperanza
condicional satisface las siguientes condiciones,
i) E(X|Y ) > 0 si x 0 c.s.
ii) E(1|Y ) = 1.
70
iii) si X y Y son v.a.i. entonces E(X|Y ) = E(X).
iv) E[Xh(y)|Y ] = h(y)E(X|Y ).
v) E(X + Y |Z) = E(X|Z) + E(Y |Z) para , R.

Demostracion. Caso discreto
i)
E(X|Y ) =
X
j:xj 0
xj P (xj |y) +
xj P (xj |y)
j:xj <0
xj P (xj |y) 0.
j:xj 0
ii) E(1|Y ) =
1P (X = x|Y = y) = 1.
iii) E(X|Y ) =
xP (X = x|Y = y) =
xP (X = x) = E(X).
iv)
E[Xh(y)|Y ] =
xh(y)P (X = x|Y = y)
= h(y)
xP (X = x|Y = y)
= h(y)E(X|Y ).
71
v)
E(X + Y |Z) =
XX
x
(x + y)P (X = x, Y = y|Z = z)
XX
XX
xP (X = x, Y = y|Z = z)
yP (X = x, Y = y|Z = z)
X X
=
x
P (X = x, Y = y|Z = z)
x
X X
P (X = x, Y = y|Z = z)
y
+
x
P (X = x|Z = z) +
P (Y = y|Z = z)
= E(X|Z) + E(Y |Z).

Caso continuo
i)
Z
Z
E(X|Y ) =
xfX|Y (x|y) dx
xfX|Y (x|y) dx +
R
+
ZR
xfX|Y (x|y) dx
R+
0.
Z
ii) E(1|Y ) =
1fX|Y (x|y) dx = 1.
R
Z
iii) E(X|Y ) =
Z
xfX|Y (x|y) dx =
xfX (x) dx = E(X).

R
72
iv)
Z
E(Xh(y)|Y ) =
xh(y)fX|Y (x|y) dx
Z
= h(y) xfX|Y (x|y) dx
R
= h(y)E(X|Y ).
v)
Z Z
E(X + Y |Z) =
(x + y)fXY |Z (x, y|z) dxdy

Z Z
fXY |Z (x, y|z) dy dx
= x
R
R

Z Z
fXY |Z (x, y|z) dx dy
+ y
R
R
Z
Z
= xfX|Z (x|z) dx + yfY |Z (y|z) dy
R
= E(X|Z) + E(Y |Z).
Teorema 7.9.3. Sean X y Y variables aleatorias independientes, entonces

E(Y |X = x) = E(Y ) para toda X.
Demostracion. Se sabe que X y Y son independientes si y solo si,
fXY (xy) = fX (x) fY (y)
o equivalentemente,
fXY (x, y)
fX (x)
P
P
y note que E(Y |X = x) = y yfY |X (y|x) = y yfY (y) = E(Y ).
fY |X (y|x) =
Teorema 7.9.4. E(X) = EY [EX (X|Y )].
73
Demostracion. Caso discreto para X y Y v.a.d.

X
EY [EX (X|Y )] =
EX (X|Y )P (Y = y)
y
XX
y
xP (X = x|Y = y)P (Y = y)
X X
=
x
P (X = x, Y = y)
x
xP (X = x)
= E(X).
Caso continuo para X y Y v.a.c.
Z
EX (X|Y )fY (y) dy
EY [EX (X|Y )] =
R

Z Z
xfX|Y (x|y) dx fY (y) dy
=
R
R

Z Z
fX|Y (x|y)fY (y) dy dx
x
=
R
R

Z Z
fXY (x, y) dy dx
=
x
R
ZR
=
xfX (x) dx
R
= E(X).
Teorema 7.9.5. La varianza condicional de Y dado X = x se deja escribir

como:

V (Y |X) = E (Y E(Y |X))2 |X = E(Y 2 |X) [E(Y |X)]2 .
Demostracion. Afirmaci
on:

E (Y E(Y |X))2 |X = E Y 2 2Y E(Y |X) + E 2 (Y |X) |X
= E(Y 2 |X) 2E(Y |X)E(Y |X) + E 2 (Y |X)
= E(Y 2 |X) [E(Y |X)]2 .
74
En una forma mas explicita:

Caso discreto:
V (Y |X) = E{[Y E(Y |X)]2 |X}
X
=
[y E(Y |X)]2 P (y|X = x)
y
[y 2 2yE(Y |X) + E 2 (Y |X)]P (y|X = x)
y 2 P (y|X = x) 2E(Y |X)
yP (y|X = x) + E 2 (Y |X)
y
2
P (y|X = x)
y
2
= E(Y |X) 2E(Y |X)E(Y |X) + E (Y |X)

= E(Y 2 |X) 2E 2 (Y |X) + E 2 (Y |X)
= E(Y 2 |X) [E(Y |X)]2 .
Caso continuo:
V (Y |X) = E{[Y E(Y |X)]2 |X}
Z
= [y E(Y |X)]2 fY |X (y|x) dy
ZR
= [y 2 2yE(Y |X) + E 2 (Y |X)]fY |X (y|x) dy
Z
Z
ZR
2
2
y fY |X (y|x) dy 2E(Y |X) yfY |X (y|x) dy + E (Y |X)] fY |X (y|x) dy
=
R
R
2
= E(Y |X) 2E(Y |X)E(Y |X) + E (Y |X)

= E(Y 2 |X) [E(Y |X)]2 .
Teorema 7.9.6. V (Y ) = E[V (Y |X)] + V [E(Y |X)].

Demostracion.
V (Y ) = E[(Y E(Y ))2 ] = E[E[(Y E(Y ))2 |X]].
ahora,
E[E[(Y E(Y ))2 |X]] = E[E[(Y E(Y |X) + E(Y |X) E(Y ))2 |X]]
= E[E[(Y E(Y |X))2 |X]] + E[E[(E(Y |X) E(Y ))2 |X]]+
2E[E[(Y E(Y |X))(E(Y |X) E(Y ))|X]]
75
pero,
E[(Y E(Y |X))2 |X] = V (Y |X),
tambien,
E[E[(E(Y |X) E(Y ))2 |X]] = E[E[(E(Y |X) E[E(Y |X)])2 |X]]
= E[V (E(Y |X))]
y por u
ltimo,
E[(Y E(Y |X)))(E(Y |X) E(Y )|X)]
= (E(Y |X) E(Y ))E[(Y E(Y |X))|X]
= (E(Y |X) E(Y ))(E(Y |X) E(E(Y |X)|X))
= (E(Y |X) E(Y ))(E(Y |X) E(Y |X)) = 0
por tanto,
V (Y ) = E[V (Y |X)] + V [E(Y |X)] + 0 = E[V (Y |X)] + V [E(Y |X)].
Otra demostraci
on m
as detallada para el teorema anterior sigue a
continuaci
on.

Por definicion E(V ar(Y |X)) + V ar(E(Y |X)) es:
76
E(V ar(Y |X)) + V ar(E(Y |X))

"
#
X

= E E(Y 2 |X) E 2 (Y |X) + V ar
yP (Y = y|X = x)
y
"
#
X

2

2
= E E(Y |X) E E (Y |X) + V ar
yP (Y = y|X = x)
y
(
)2
X
X
=E
y 2 P (Y = y|X = x) E
yP (Y = y|X = x)
"
(
)2
"
#
X
X
2
+E
yP (Y = y|X = x) E
yP (Y = y|X = x)
y
(
X X
x
y 2 P (Y = y|X = x)
XX
x
P (X = x)
(
(
X X
x
)2
)
y 2 P (Y = y|X = x)
P (X = x)
y 2 P (X = x|Y = y)
(
XX
x
)2
y 2 P (X = x|Y = y)
)2
(
X X
X X
y2
P (X = x|Y = y)
y
P (X = x|Y = y)
=
y
y 2 P (Y = y)
= E(Y 2 ) E 2 (Y )
= V ar(Y ).
Caso continuo
(
X
y
)2
yP (Y = y)
77
E(V ar(Y |X)) + V ar(E(Y |X))

2
= E(E(Y |X) (E(Y |X)) ) + V ar

(Z
Z

y 2 fY |X (y|x) dy
=E
yfY |X (y|x) dy
)
Z
yfY |X (y|x) dy
(Z
2 )
yfY |X (y|x) dy
+E
y fY |X (y|x) dy
=E
yfY |X (y|x) dy
Z
Z

yfY |X (y|x) dy
Z
Z
Z
Z
y fY |X (y|x) dy fX (x) dx
Z
yfY |X (y|x) dy fX (x) dx
2
yfY |X (y|x)fX (x) dydx
y fY |X (y|x)fX (x) dydx
Z
y fXY (x, y) dxdy
=
y
2
yfXY (x, y) dxdy
Z
Z
fXY (x, y) dx dy
y 2 fY (y) dy
Z
2
Z
2
fXY (x, y) dx dy
yfY (y) dy
= E(Y 2 ) E 2 (Y )
= V ar(Y ).
Teorema 7.9.7. E[V (Y |X)] = E[Y 2 ] E[[E(Y |X)]2 ].
2
78
E[V (Y |X)] = E[E(Y 2 |X) E 2 (Y |X)]

X
=
[E(Y 2 |X) E 2 (Y |X)]P (X = x)
x
E(Y 2 |X)P (X = x)
E 2 (Y |X)P (X = x)
x
2
E(Y |X)P (X = x)
E 2 (Y |X)P (X = x)
= E[E(Y 2 |X)] E[E(Y |X)]2

= E[Y 2 ] E[[E(Y |X)]2 ].
Caso continuo
E[V (Y |X)] = E[E(Y 2 |X) E 2 (Y |X)]

Z
= [E(Y 2 |X) E 2 (Y |X)]fX (x) dx
Z
ZR
2
E(Y |X)fX (x) dx E 2 (Y |X)fX (x) dx
=
R
R
2
= E[E(Y |X)] E[E(Y |X)]2

= E[Y 2 ] E[[E(Y |X)]2 ].
Teorema 7.9.8. V [E(Y |X)] = E{[E(Y |X)]2 } [E(Y )]2 .
79
V [E(Y |X)] = E{E(Y |X) E[E(Y |X)]}2

= E{E(Y |X) E(Y )}2
X
{E(Y |X) E(Y )}2 P (X = x)
=
x
{[E(Y |X)]2 2E(Y |X)E(Y ) + E 2 (Y )}P (X = x)
[E(Y |X)]2 P (X = x) 2E(Y )
x
2
E(Y |X)P (X = x)
+ E (Y )
P (X = x)
[E(Y |X)]2 P (X = x) 2E(Y )E[E(Y |X)] + E 2 (Y )
[E(Y |X)]2 P (X = x) 2E(Y )E(Y ) + E 2 (Y )
[E(Y |X)]2 P (X = x) E 2 (Y )
= E[E(Y |X)]2 [E(Y )]2 .
80
Caso continuo
Z
V [E(Y |X)] =
ZR
=
{E(Y |X) E[E(Y |X)]}2 fX (x) dx

{E(Y |X) E(Y )]}2 fX (x) dx
ZR
{[E(Y |X)]2 2E(Y |X)E(Y ) + E 2 (Y )}fX (x) dx

ZR
Z
2
= [E(Y |X)] fX (x) dx 2E(Y ) E(Y |X)fX (x) dx
R
R
Z
+ E 2 (Y ) fX (x) dx
R
Z
= [E(Y |X)]2 fX (x) dx 2E(Y )E[E(Y |X)] + E 2 (Y )
ZR
= [E(Y |X)]2 fX (x) dx 2E(Y )E(Y ) + E 2 (Y )
ZR
= [E(Y |X)]2 fX (x) dx E 2 (Y )
=
= E[E(Y |X)]2 [E(Y )]2 .
Ejemplo 7.9.7. Sea X y Y variables aleatorias con funcion de densidad de

probabilidad conjunta dada por

8xy si 0 < y x < 1
fXY (x, y) =
0 en otro caso.
Calcular:
a) E(X|Y = y).
b) E(X 2 |Y = y).
c) V ar(X|Y = y).
Soluci
on:
81
a)
xfX|Y (x|y) dx.
E(X|Y = y) =
f (x, y)
. Entonces,
fY (y)
Z
Z
fY (y) =
f (x, y) dx =
Ahora, fX|Y (x|y) =
8xy dx
x dx
= 8y
y
= 4y(1 y 2 ).
As, fX|Y (x|y) =
8xy
2x
=
con 0 < y < 1, y x < 1.
2
4y(1 y )
1 y2
Luego,
Z
E(X|Y = y) =
y
x2
dx
2
y 1y
Z 1
2
=
x2 dx
2
1y y
2 (1 y 3 )
=
.
3 (1 y 2 )
2x
dx = 2
x
1 y2
b)
x2 fX|Y (x|y) dx
E(X |Y = y) =
x2
=
y
2x
dx
1 y2
x3
dx
2
y 1y
Z 1
2
=
x3 dx
1 y2 y
1 (1 y 4 )
=
2 (1 y 2 )
1
= (1 + y 2 ).
2
Z
=2
82
c)
V ar(X|Y = y) = E(X 2 |Y = y) E 2 (X|Y = y)

1
4 (1 y 3 )2
= (1 + y 2 )
2
9 (1 y 2 )2
9(1 + y 2 )(1 y 2 )2 8(1 y 3 )2
=
18(1 y 2 )2
4
9(1 y )(1 y 2 ) 8(1 y 3 )2
=
.
18(1 y 2 )2
Ejemplo 7.9.8. Suponga que X e Y son variables aleatorias discretas cuya

distribucion conjunta de probabilidad esta dada por:
X|Y
1
2
3
1
12
1
6
4
12
1
12
0
1
12
3
0
1
12
1
6
Verificar que E(E(X|Y )) = E(X).

Soluci
on:
E(X) =
xP (X = x) = P (X = 1) + 2P (X = 2) + 3P (X = 3)
5
4
3
+2
+3
12
12
12
3 + 1012
=
12
25
= .
12
=
83
)
(
X P (X = x, Y = y)
E(E(X|Y )) = E
x
P (Y = y)
x

P (X = 1, Y = y)
P (X = 2, Y = y)
P (X = 3, Y = y)
=E
+2
+3
P (Y = y)
P (Y = y)
P (Y = y)

P (X = 1, Y = y)
P (X = 2, Y = y)
=E
+ 2E
+
P (Y = y)
P (Y = y)

P (X = 3, Y = y)
3E
P (Y = y)
X P (X = 1, Y = y)
X P (X = 2, Y = y)
=
P (Y = y) + 2
P (Y = y)
P
(Y
=
y)
P
(Y
=
y)
y
y
+3
X P (X = 3, Y = y)
P (Y = y).
P (Y = y)
y
P (X = 1, Y = y) + 2
P (X = 2, Y = y) + 3
P (X = 3, Y = y)
= P (X = 1, Y = 1) + P (X = 1, Y = 2) + P (X = 1, Y = 3)
+ 2P (X = 2, Y = 1) + 2P (X = 2, Y = 2) + 2P (X = 2, Y = 3)
+ 3P (X = 3, Y = 1) + 3P (X = 3, Y = 2) + 3P (X = 3, Y = 3)
1
1
4
1
1
1
1
=
+ + 0 + 2(0) + 2
+2
+3
+3
+3
12 6
12
12
12
12
6
25
=
= E(X).
12
Ejemplo 7.9.9. Suponga que X es una variable aleatoria discreta con funcion de densidad dada por fX (x) = x3 , x = 1, 2 y que Y es una variable
x
aleatoria tal que fY |X (y|x) = xy 12 para y = 0, , x y x = 1, 2.
Hallar
a) la distribucion conjunta de X y Y .
b) E(X|Y ).
Soluci
on:
a) Como fY |X (y|x) =
fXY (x,y)
fX (x)
fXY (x, y) = fX (x)fY |X (y|x)
84

P (X = x, Y = y) = P (X = x)P (Y = y|X = x), Y = 0, , x y
x = 1, 2. Notemos que:
P (X = 1, Y = 0) = P (X = 1)P (Y = 0|x = 1) =
P (X = 1, Y = 1) = P (X = 1)P (Y = 1|x = 1) =
P (X = 1, Y = 2) = P (X = 1)P (Y = 2|x = 1) =
P (X = 2, Y = 0) = P (X = 2)P (Y = 0|x = 2) =
P (X = 2, Y = 1) = P (X = 2)P (Y = 1|x = 2) =
P (X = 2, Y = 2) = P (X = 2)P (Y = 2|x = 2) =
1
3
1
3
1
3
2
3
2
3
2
3
1
2
1
2
=
=
1
6
1
6
0=0
1
4
2
4
1
4
=
=
=
1
6
2
6
1
6
Entonces, la funcion de distribucion conjunta de X y Y esta dada por:

X|Y
1
2
1
6
1
6
1
6
2
6
2
0
1
6
b) Para E(X|Y = y) tenemos:

E(X|Y = y) =
=
X P (X = x, Y = y)
x
P (Y = y)
x
P (X = 1, Y = y)
P (X = 2, Y = y)
+2
.
P (Y = y)
P (Y = y)
Entonces,
E(X|Y = 0) =
P (X=1,Y =0)
P (Y =0)
=0)
+ 2 P (X=2,Y
=
P (Y =0)
1
6
2
6
+2
1
6
2
6
1
2
E(X|Y = 1) =
P (X=1,Y =1)
P (Y =1)
=1)
+ 2 P (X=2,Y
=
P (Y =1)
1
6
3
6
+2
1
6
3
6
14
33
E(X|Y = 2) =
P (X=1,Y =2)
P (Y =2)
=2)
+ 2 P (X=2,Y
=
P (Y =2)
+2
1
6
1
6
= 2.
0
1
6
+1=
=
3
2
5
3
Ejemplo 7.9.10. Si X tiene una distribucion de Bernoulli de parametro p

y si E(Y |X = 0) = 1 y E(Y |X = 1) = 2. A que es igual E(Y )?
Soluci
on: Como X Ber(p) P (X = x) = px (1 p)1x con x = 0, 1.
Ademas,
X P (X = x, Y = y)
E(Y |X = x) =
y
, P (X = 0) = 1 p, P (X = 1) = p.
P
(X
=
x)
y
85
Note que,
1 = E(Y |X = 0) =
X P (X = 0, Y = y) X P (X = 0, Y = y)
=
y
.
y
P (X = 0)
1p
y
y
Entonces,
X
yP (X = 0, Y = y) = 1 p
y
Ahora,
2 = E(Y |X = 1) =
X P (X = 1, Y = y) X P (X = 1, Y = y)
y
=
y
P
(X
=
1)
p
y
y
Entonces,
X
yP (X = 1, Y = y) = 2p.
y
Por lo que
E(Y ) =
yP (Y = y) =
yP (X = 0, Y = y) +
yP (X = 1, Y = y)
= 1 p + 2p
= 1 p.
Ejemplo 7.9.11. Suponga que la funcion de densidad de probabilidad conjunta de la variable aleatoria X e Y esta dada por

f (x, y) =
Calcular:
a) P (X > 2|Y < 4).
b) E(X|Y = y).
c) E(Y |X = x).
Soluci
on
ey para x > 0,y > x

0 en otro caso.
86
a)
R R 4 y
e dxdy
P (X > 2, Y < 4)
P (X > 2|Y < 4) =
= R2 R24
P (Y < 4)
ey dxdy
0
R 0 y
2
(e dy
= R2 y
4 0 e dy
2e 2
=
4e0
1 2
= e .
2
Z
Z y
b) E(X|Y ) =
xfX|Y (x|y) dx =
xfX|Y (x|y) dx.
Z
0
Z
y
y
ey dx = yey , entonces
f (x, y) dx =
Ahora, fY (y) =
0
ey
1
= , si 0 < x < y.
y
ye
y
Z y
1
y
x
As, E(X|Y ) =
dx = .
y
2
0
Z
Z
c) E(Y |X) =
yfY |X (y|x) dy =
yfY |X (y|x) dy
fX|Y =
Note que,Z
fX (x) =
Luego,
ey dy = ex , entonces fY |X =
Z
E(Y |X) =
xy
ye
x
dy = e
ey
= exy .
ex
Z
yey dy
= ex [xe x + e x]
= (x + 1).
Covarianza Condicional
Definici
on 7.9.4. Sean X, Y y Z variables aleatorias. La covarianza condicional de X y Y dado Z se define por:
cov(X, Y |Z) = E[(X E(X|Z))(Y E(Y |Z))|Z].
87
Teorema 7.9.9. Sean X, Y y Z variables aleatorias. Entonces,

cov(X, Y |Z) = E(XY |Z) E(X|Z)E(Y |Z).
Demostracion.
cov(X, Y |Z) = E[(X E(X|Z))(Y E(Y |Z))|Z]
= E[(XY XE(Y |Z) Y E(X|Z) + E(X|Z)E(Y |Z))|Z]
= E(XY |Z) E(XE(Y |Z)|Z) E(Y E(X|Z)|Z) + E((E(X|Z)E(Y |Z))|Z).
Como E(Y |Z) y E(X|Z) dependen de Z, usamos el teorema visto sobre
esperanza condicional y se tiene que
cov(X, Y |Z) = E(XY |Z) E(Y |Z)E(X|Z) E(X|Z)E(Y |Z) + E(X|Z)E(Y |Z) E(1|Z)
| {z }
1
= E(XY |Z) E(X|Z)E(Y |Z).
Teorema 7.9.10. cov(X, Y ) = E[cov(X, Y |Z)] + cov[E(X|Z), E(Y |Z)].

Demostracion. Como E(XY |Z) E(X|Z)E(Y |Z) = cov(X, Y |Z),
note que
E[cov(X, Y |Z)] = E(E(XY )|Z) E(E(X|Z)E(Y |Z))
= E(XY ) E(E(X|Z)E(Y |Z)).
(7.1)
Ahora,
cov(E(X|Z), E(Y |Z)) = E(E(X|Z)E(Y |Z)) E(E(X|Z))E(E(Y |Z))
= E(E(X|Z)E(Y |Z)) E(X)E(Y ).
(7.2)
Al sumar las expresiones en (7,1) y (7,2) se obtiene
E[cov(X, Y )|Z] + cov(E(X|Z), E(Y |Z)) = E(XY ) E(E(X|Z)E(Y |Z))+
E(E(X|Z)E(Y |Z)) E(X)E(Y )
= cov(X, Y ).
88
7.10.
Distribuci
on del Mnimo y del M
aximo
Teorema 7.10.1. Considere el conjunto X1 , X2 , ..., Xm de v.a.i. con fda

F1 , F2 , ..., Fm respectivamente. Las expresiones de la funcion de distribucion
de Y1 = min(X1 , X2 , ..., Xm ) y Ym = max(X1 , X2 , ..., Xm ) son dadas respectivamente por:
m
Y
FY1 = 1 [1 FXi (z)]
i=1
y
FYm =
m
Y
FXi (z).
i=1
Demostracion.
i)
P (Y1 > z) = P (min{X1 , X2 , ..., Xm } > z)

= P (X1 > z, X2 > z, ..., Xm > z)
= P (X1 > z)P (X2 > z), ..., P (Xm > z)
= [1 P (X1 z)][1 P (X2 z)], ..., [1 P (Xm z)]
m
Y
=
[1 P (Xi z)]
i=1
m
Y
=
[1 FXi (z)]
i=1
FY1 (z) = P (Y1 z) = 1 P (Y1 > z) = 1
m
Y
[1 FXi (z)].
i=1
Si X1 , X2 , ..., Xm son identicamente distribuidas, entonces:

FY1 = 1 [1 FX (z)]m
fY1 = mfX (z)[1 FX (z)]m1 .
DEL MINIMO Y DEL MAXIMO
7.10. DISTRIBUCION
89
ii)
FYm (z) = P (Ym z) = P (max{X1 , X2 , ..., Xm } z)
= P (X1 z, X2 z, ..., Xm z)
= P (X1 z)P (X2 z)...P (Xm z)
m
Y
=
FXi (z).
i=1
Si X1 , X2 , ..., Xm son identicamente distribuidas, entonces.

FYm (z) = [FX (z)]m fYm = mfX (z)[FX (z)]m1 .
Ejemplo 7.10.1. Considere un sistema de n bateras identicas operando

simultaneamente en el sistema. Considere ahora que el tiempo de vida de
cualquiera de ella tiene la misma funcion de densidad dada por:
1 x
e si x > 0
fX (x) =
0
caso contrario
con fda
FX (x) = 1 e
para
x > 0.
Encuentre la distribucion del tiempo de falla cuando el sistema se encuentra

en serie y cuando el sistema se encuentra en paralelos.
Soluci
on:
i) Si el sistema se encuentra en serie (ver figura), entonces el tiempo de
vida del sistema esta definido por:
Y = min{X1 , X2 , ..., Xm },
entonces:
y
y
n y
n ny
1 y
fY (y) = n e [1 (1 e )]n1 = e e(n1) = e .

n
y1 Exp
E(Y1 ) = .
n
90
Figura 7.15: Sistema de n bateras en serie.
Figura 7.16: Sistema de n bateras en paralelo.

ii) Si el sistema se encuentra en paralelo (ver figura), entonces el tiempo
de vida del sistema esta definido por:
Y = max{X1 , X2 , ..., Xm },
y
1 y
fXn (y) = n e (1 e )n1
y
n y
= e (1 e )n1 ; y > 0.
Z
y
n y
E(Yn ) =
y e (1 e )n1 dy
0
Z 1
= n
ln(1 u)un1 du.
7.11.
Transformaciones Inyectivas de Vectores Aleatorios
Extendemos ahora la transformacion de v.a. unidimensionales al caso de vectores aleatorios, donde nuevamente el objetivo es, a partir del vector aleatorio
7.11. TRANSFORMACIONES INYECTIVAS DE VECTORES ALEATORIOS91

X con funcion de distribucion FX , encontrar la funcion de distribucion del
vector Y = (Y1 , Y2 , ..., Ym ) donde Y = g(X).
Suponiendo que g : Rm Rn , con m < n es una funcion que se puede
representar en la forma g = (g1 , g2 , ..., gk ), entonces, si g es diferenciable en
cada punto x Rm , el jacobiano de g es:
g1 (X) g1 (X)
1 (X)
gx
x1
x2
n
..
.. 6= 0,
..
Jg (X) = det ...
.
.
.
gn (X)
x1
gn (X)
x2
gn (X)
xn
donde det() denota la funcion determinante y la matriz en su argumento es

denominada matriz jacobiana, definida por g(X)
.
Xt
S g : U V es inyectiva tal que V = g(U ), entonces g es biyectiva, luego
existe g 1 : V U tal que si Y V , Jg (g 1 (Y)) 6= 0. Entonces, resulta
que g 1 es diferenciable en y V y se tiene que.
Jg1 (y) =
1
Jg
(g 1 (y))
Teorema 7.11.1. Sea X = (X1 , X2 , ..., Xn ) un v.a.c. con fdp conjunta fX (x).
Sea Y = g(X) = (g1 (X), g2 (X), ..., gn (X)), es decir, Yi = gi (X) para todo
i = 1, 2, ..., n donde g : U V es una funcion inyectiva. Suponga que
para todo i = 1, 2, ..., n, gi (X) tiene derivadas parciales continuas y ademas
que gi1 (Y) existe y tambien es continua de tal forma que para todo y =
(y1 , y2 , ..., yn ) V se tiene que Jg1 (y) 6= 0. Entonces,
fY (y) = fX (g 1 (y))|Jg1 (y)|IV (y),
donde V = g(U ) e IV es la funcion indicadora del conjunto V .
Ejemplo 7.11.1. Consideremos el vector aleatorio X con densidad conjunta
fX1 ,X2 (x1 , x2 ) = I(0,1) (x1 )I(0,1) (x2 ) y las transformaciones Y1 = X1 + X2 ,
Y2 = X1 X2 . Encontrar fY1 Y2 (y1 , y2 ).
Soluci
on:
g : R2 R2
(X1 , X2 ) (X1 + X2 , X1 X2 ).
Entonces,
y = (y1 , y2 ) = g(x1 , x2 ) = (g1 (x1 , x2 ), g2 (x1 , x2 )) = (x1 + x2 , x1 x2 ).
92
Ahora, y1 = x1 +x2 y y2 = x1 x2 y1 +y2 = 2x1 x1 =

2
, luego,
y1 y2 = 2x2 x2 = y1 y
2
y1 +y2
,
2
tambien
g 1 : R2 R2
es tal que
1
(y1 , y2 ) g (y1 , y2 ) =
(g11 (y1 , y2 ), g21 (y1 , y2 ))

=
y1 + y2 y1 y2
,
2
2

.
As,
Jg1 (y) = det
g11 (y1 ,y2 )

y1
g21 (y1 ,y2 )
y1
g11 (y1 ,y2 )

y2
g21 (y1 ,y2 )
y2

= det
1
2
1
2
1
2
21
1
= .
2
Entonces, la fdp del v.a.c. (Y1 , Y2 ) viene dado por:

y1 + y2 y1 y2 1
fY1 Y2 (y1 , y2 ) = fX1 ,X2
,
2 IV (y1 , y2 )
2
2
1
= 1 IV (y1 , y2 )
2
1
= IV (y1 , y2 ).
2
Para la nueva region de integracion se tiene que:
0 < x1 < 1 0 <
y1 + y2
< 1 0 < y1 + y2 < 2
2
y1 y2
< 1 0 < y1 y2 < 2
2
entonces la nueva region de integracion queda definida por:
0 < X2 < 1 0 <
V = {(y1 , y2 )|0 < y1 + y2 < 2, 0 < y1 y2 < 2}.

Ejemplo 7.11.2. Sea la fdp conjunta
fX1 X2 (x1 , x2 ) = 4x1 x2 I(0,1) (x1 )I(0,1) (x2 ).
Suponga que Y1 =
X1
X2
y Y2 = X1 X2 . Encuentre la fdp del vector (Y1 , Y2 ).

Soluci
on:
Sean y1 = g1 (x1 , x2 ) =
x1
x2
y y2 = g2 (x1 , x2 ) = x1 x2
y1 y2 = x21 y
x1 =
g11 (y1 , y2 )
= (y1 y2 )
1
2
y x2 =
y2
= x22
y1
g21 (y1 , y2 )
y22
y12
= det
2y12
2y22
y2
y1
g11 (y1 ,y2 )

y2
g21 (y1 ,y2 )
y2
g11 (y1 ,y2 )

y1
g21 (y1 ,y2 )
y1
Jg1 (y) = det
12
. Entonces,
1
y22
1
2y12
1
1
2y12 y22

1
1 1
+
=
4 y1 y1
1
=
.
2y1
fY1 ,Y2 (y1 , y2 ) = 4(y1 y2 )

=
1
2
y2
y1

12
1

2y1 IV (y1 , y2 )
2y2
IV (y1 , y2 ).
y1
Ahora, la nueva region de integracion viene dada por:

1
2
0 < x1 < 1, 0 < x2 < 1 0 < (y1 y2 ) < 1 y 0 <

(
V =
1
2
(y1 , y2 ) R R | 0 < (y1 y2 ) < 1, 0 <
y2
y1
y2
y1
12
12
<1
)
<1 .
Observaci
on 7.11.1. En los casos que la derivada de las funciones inversas
resulten complicadas, se tiene la opcion de calcular el jacobiano de la funcion
g y luego usar la relacion del jacobiano de g 1 y el jacobiano de g. As, para
94
el ejemplo anterior,
g11 (y1 , y2 )
= (y1 y2 )
1
x2

Jg (x1 , x2 ) = det
x2
1
2
xx12
2
x1
g21 (y1 , y2 )

=
12
y2
y1
. Entonces,
2x1
x1 x1
+
=
.
x2 x2
x2
Luego,
1
(y1 y2 ) 2
Jg (g (y1 , y2 )) = 2 = 2y1 Jg1 (y) =
y2
y1
Jg
(g 1 (y))
1
.
2y1
Ejemplo 7.11.3. Sea Xi Gamma(i , ) para i = 1, 2. Asuma que X1 y

X2 son variables aleatorias independientes.
1. Encuentre la distribucion conjunta de Y1 = X1 + X2 y Y2 = X1 /X2 .
2. Encuentre la distribucion de Y2 cuando 1 = 2 = 1.
Soluci
on
1. Sean y1 = x1 + x2 y y2 =
x1
x2

Jg1 (y) = det

g 1 (y1 , y2 ) =
y2
y2 +1
1
y2 +1
y1
(y2 +1)2
1
(y2y+1)
2
y1 y2
, y1
y2 +1 y2 +1
. Luego,

y1

.
=

(y2 + 1)2

y1
y1 y2
y1

fY1 Y2 (y1 , y2 ) =
fX
fX2
IV (y1 , y2 )
(y2 + 1)2 1 y2 + 1
y2 + 1

1 1

y y2
1
y1 y2
y1
y 1+1
2
e
=
(y2 + 1)2 (1 ) y2 + 1

2 1

y y2
2
y1 y2
y 1+1
2
e
IV (y1 , y2 )
(2 ) y2 + 1
n
donde V = (y1 , y2 )|0 <
y1 y2
y2 +1
< , 0 <
y1
y2 +1
o
< .

2.
Z
1 +2
y22 1
y 1 y 2 1 ey1 dy1
fY2 (y2 ) =
(y2 + 1)2 (y2 + 1)1 1 (y2 + 1)2 1 0 (1 )(2 ) 1 1
Z
y211
2
=
y1 y111 ey1 dy1
2
11
11
(y2 + 1) (y2 + 1) (y2 + 1)
(1)(1)
0
Z
1
2 y1 ey1 dy1
=
2
(y2 + 1) 0
Z 2
1
21 y1
=
dy1
y e
(2)
2
(y2 + 1)
(2) 1
0
1
=
.
(y2 + 1)2
Observaci
on 7.11.2. Si g : Rk Rn , entonces
i) para n > k no es posible tener g biyectiva y por lo tanto imposible de
aplicar el Teorema anterior.
ii) Para n < k donde cada gi es diferenciable, para i = 1, 2, ..., n, entonces
para i = n + 1, n + 2, ..., k se buscan (si existen) funciones gi tales que
ge = (g1 , g2 , ..., gn , gn+1 , gn+2 , ..., gk ) sea inyectiva con jacobiano distinto
de cero para todo y.
e = (Y1 , Y2 , ..., Yn , Yn+1 , ..., Yk )
entonces, Para ge, encontramos la distribucion de Y
aplicando el Teorema anterior.

g 1 (e
y)) Jge1 (ey) IV (e
y)
f e (y1 , y2 , ..., yn , yn+1 , ..., jk ) = fX (e
Y
fY (y1 , y2 , ..., yn ) =
...
fYe (y1 , y2 ..., yk ) dyn+1 ...dyk .
Ejemplo 7.11.4. Sea X = (X1 , X2 ) un vector aleatorio y consideremos Y =

g(X1 , X2 ) = X1 + X2 , entonces
g : R2 R
as,
(X1 , X2 ) X1 + X2 .
Ahora, para encontrar la distribucion de Y hacemos
e = (Y1 , Y2 ) = (e
Y
g1 (X1 , X2 ), ge2 (X1 , X2 )) = ge(X),
96
donde Y1 = Y = ge1 (X1 , X2 ) = X1 + X2 y tomamos (por conveniencia) la

funcion Y2 = ge2 (X1 , X2 ) = X2 . As, se obtiene
x1 = ge11 (y1 y2 ),
x2 = ge21 (y1 , y2 ) = y2 .
Entonces,

Jg1 (e
y) = det
1 1
0 1

=1
y) = fX ((e
g1 (X1 , X2 ), ge2 (X1 , X2 )))|Jge1 (e
fYe (e
y)|IV (y1 , y2 )
= fX (Y1 Y2 , Y2 ) 1 IV (y1 , y2 )
fY1 Y2 (y1 , y2 ) = fX1 X2 (y1 y2 , y2 )IV (y1 , y2 )

Z
fY (Y ) =
fX1 X2 (y1 y2 , y2 ) dy2 .

R
Observaci
on 7.11.3. Si en el ejercicio anterior X1 y X2 son v.a.i. entonces,
Z
fX1 (y1 y2 )fX2 (y2 ) dy2
fY =
R
Z
fX1 (y1 y2 )fX2 (y2 ) dy2
fY (y) =
R
denominada la convolucion de X1 y X2 la cual se denota por : (fX1 fX2 )(y).

Ejemplo 7.11.5. Sean X, Y v.a.i. con distribucion Exp() encontrar la distribucion de la v.a. Z = X + Y.
Soluci
on: Sea Z = X + Y y definamos V = Y entonces, X = Z V y
Y = V. Luego,

1 1
Jg1 (z, v) = det
= 1.
0 1
7.12. TRANSFORMACIONES NO INYECTIVAS
97
Entonces,
fZ (z) = (fX fY )(v)
Z
fX (z v)fY (v)IV (v) dv
=
Z Z
e(zv) ev dv
=
0
Z z
2 z
dv
= e
0
= 2 ez v|z0
= 2 zez =
2 21 z
z e .
(2)
Entonces, Z Gamma(2, ).
7.12.
Transformaciones no Inyectivas
Teorema 7.12.1. Sea X = (X1 , X2 , ..., Xk ) un v.a. absolutamente continuo

con densidad fX (x). Sea g = hi=1 Ai Rk tal que Ai Aj = para i 6= j,
una funcion tal que es inyectiva y diferenciable en Ai con Jg (x) 6= 0 para todo
x Ai . Entonces el vector Y = g(X) tambien es absolutamente continuo
con densidad.
h
X
fY (y) =
fX (gi1 (y))|Jg1 (y)|Ivi (y)
i=1
donde vi = g( Ai ), gi = g|vi , gi1 : vi Ai es la inversa de gi .

Ejemplo 7.12.1. Sea X N (0, 1) y g : R R tal que g(X) = X 2 .
Entonces, como g no es inyectiva definamos y = g(x) = x2 y tomemos
A1 = {x : x < 0} y A2 = {x : x > 0}. Luego, g11 (x) = y y g21 (x) = y.

En este caso, v1 = v2 = R+ ,
1 1
1 1
Jg11 (y) = y 2 y Jg21 (y) = y 2 .
2
2
98
Entonces, se sigue que

1 1 y 1
1 1 y 1
fY (y) = e 2 Iv1 (y) + e 2 Iv2 (y)
2
2
2
2
1
1
= e 2 y I{y:y>0} (y).
2
Y Gamma( 21 , 12 ) = 21 .
7.13.
Distribuci
on de Sumas, Diferencias, Productos y Cocientes de v.a.
Ejemplo 7.13.1. Para el v.a. (X, Y ) tiene fdp conjunta fXY (x, y).
a) Encontrar la fdp conjunta de Z = X + Y y W = X Y
b) Encontrar la fdp marginal de Z
c) Encontrar la fdp marginal de W
Soluci
on:
a) X =
Z+W
2
Jg1 (z, w) = 21 . Entonces,

1
z+w zw
fZW (z, w) = fXY
,
.
2
2
2
yY =
ZW
2
b)

z+w zw
1
dw
fZ (z) =
fXY
,
2
2
R 2
Z
fXY (u, z u) du, tomando u =
Z
R
=
fXY (z u, u) du, tomando u =

Z
z+w
,
2
zw
.
2
Si X y Y son
Z v.a.i.
Z
fZ (z) =
fX (z u)fY (u) du =
fX (u)fY (z u) du.
DE SUMAS, DIFERENCIAS, PRODUCTOS Y COCIENTES DE V.A.99

7.13. DISTRIBUCION
c)

z+w zw
1
fXY
,
dz
fW (w) =
2
2
R 2
Z
fXY (u, u w) du, tomando u =
ZR
=
fXY (u + w, u) du, tomando u =

Z
z+w
,
2
zw
.
2
Ejemplo 7.13.2. Sean X y Y v.a.i. con fdp

1
1 si 1 < x < 2
si 3 < y < 5
2
fX (x) =
fY (y) =
0
c.c
0
c.c
z =x+y
Z
fZ (z) =
fX (u)fY (z u) du
Z
1
1I(1,2) (u) I(3,5) (z u) du
=
2
Z
1
=
I(1,2) (u)I(3,5) (z u) du
2
1<u<2
3<zu<5
zu=3z =u+3
zu=5z =u+5
1
2
z3
du si 4 < z < 5
Z1 2
1
du
si 5 < z < 6
2
12
du si 6 < z < 7
z5
1
2 (z 4) si 4 < z < 5
1
si 5 < z < 6
=
21
(7 z) si 6 < z < 7
2
fZ (z) =
Ejemplo 7.13.3.
Sean X y Y variables aleatorias con fdp conjunta
fXY y sea Z = XY entonces, para encontrar la fdp de Z definimos
100

Z = g1 (X, Y ) = XY y tomamos (por conveniencia) W = g2 (X, Y ) = Y.
De aqu se obtiene que

g(z, w) = (xy, y) g 1 (z, w) = wz , w . Entonces, Jg1 (z, w) = w1 .
As, la fdp conjunta de (Z, W ) es:

1
z
fZW (z, w) = f
,w .
w
w
Entonces,
Z
fZ (z) =
1 z
f
, w dw =
|w|
w
1 z
f v,
dv.
|v|
v
Sean X y Y variables aleatorias tal que P (Y = 0) = 0 y con fdp conjunta fXY . Para encontrar la fdp de Z = X
, definimos Z = g1 (X, Y ) = X
y
Y
Y
tomamos (por
W = g2 (X, Y ) = Y. De aqu se obtiene que
conveniencia)

x
1
g(z, w) = y , y g (z, w) = (zw, w) . Entonces, Jg1 (z, w) = w.
As, la fdp conjunta de (Z, W ) es:
fZW (z, w) = |w| f (zw, w) .
Entonces,
Z
|w|f (zw, w) dw.
fZ (z) =
Ejemplo 7.13.4. Sean X y Y v.a.i con distribucion U (0, 1) para Z = XY

Z
z
1
dv
fZ (z) =
fxy v,
v
|v|
Z
z
1
=
fx (v)fy
dv
v
|v|
Z
z
z
1
=
I(0,1) (v)I(0,1)
dv 0 < v < 1 0 < < 1 z < u < 1
v
v
v
Z 1
1
=
dv
z v
= ln|v| 1z = ln|z| = lnz 1
T-STUDENT
7.14. DISTRIBUCION
7.14.
101
Distribuci
on t-Student
Sean U y V v.a.i. normal estandar y chi-cuadrado con p grados de libertad

respectivamente, entonces la fdp conjunta de U y V es:
e
u2
2
v 2 1 e 2 < u < , < v <

12
Sean t = u v y w = v Jg1 (t, w) = wp
as
p
q

q
w
w
u
1
v = w y t = w u = t p g (t, w) = t p , w
fU V (u, v) =
1
(2) 2
p
( p2 )2 2
fT W (t, w) = fuv (g 1 (t, w))|Jg1 (t, w)|Iv (t, w)

12
p
w
1
1
w
21 (t2 w
)
1
p
2
=
e 2
Iv (t, w)
p w
1 e
p
p
( 2 )2 2
(2) 2
2
p+1
1
1 21 w( tp +1)
2
e
=
w
p
1
2( p2 )2 2 p 2
Z
fT (t) =
fT W (t, w) dw
0
=
Z
0
1
(2)
1
2
p 1
( p2 )2 2 p 2
( p+1
)
2
|
1

2
2
1+ tp
w
p+1
2
p+1
2
"
22
(2) 2 ( p2 )p 2
"
p+1
2
()
1
2
p+1
1
2
{z
1
( p2 )p 2
1
1+
1
1+
2
2
1+ tp
# p+1
2
t2
p
# p+1
2
t2
p
2
1+
1
# p+1
2
t2
p
t2
e 2 w(1+ p ) dw
p+1
,
2
Gamma
p+1
2
"
102
T tp .
Teorema 7.14.1. Sea X una variable aleatoria con distribucion t-student,
p
para P > 2.
entonces E(T ) = 0 para P > 2 y V (T ) = p2
( p+1
)
2
Demostracion. Hallemos E(T ). Sea k = p
( 2 ) p

( p+1
)
2
t2
E(T ) =
|t|k 1 +
dt
p

( p+1
( p+1
Z
Z 0
)
)
2
2
t2
t2
tk 1 +
tk 1 +
=
dt
dt
p
p
0
( p+1
Z
)
2
t2
t 1+
= 2k
dt
p
0
Z
Sea u = 1 + tp du = p2 tdt p2 du = tdt,

t=0u=0tu
Z
E(T ) = kp
0

u

( p+1
)
2
u
dt = kp

p+1
( 2 ) + 1
0
p2 12 +1
u

= kp p 1

2 2 + 1
0

1
2kp

=
u 2 (1p)
1p
0

1
2kp
u2
=
=0
p
1 p u2
)+1
( p+1
2
ya que,
1
1
u 2
1
1
1
1
u2
= lm p 1 1 = lm 1 (p1) = 0, si p 2.
lm p = lm
p
1
u pu 2
u u 2
p u u 2 u 2
p u u 2
As, E(T ) = 0
Para V (T ) tenemos que, V (T ) = E(T 2 ) E 2 (T ) = E(T 2 ) ya que E(T ) = 0.
T-STUDENT
7.14. DISTRIBUCION
103
As,

p+1
2 ( 2 )
t
t2 k 1 +
V (T ) = E(T 2 ) =
dt
p
( p+1
Z
)
2
t2
2
t 1+
dt
= 2k
p
0
Z
Sea u =
p
du
2 pu
t2
p
du = p2 tdt ademas, pu = t2
= dt
p
du
2 u
p
du
2t
= dt tambien,
pu = t
= dt. Entonces,
Z
( p+1
)
2
E(T ) = k
p
du
u
pu (1 + u)
Z
p
1
1
= kp p
u 2 (1 + u) 2 2 du
Z 0
p
1
3
1
= kp 2
u( 2 +1)1 (1 + u)( 2 +1)( 2 1) du
Z0
p
3
3
3
u 2 1 (1 + u)( 2 )( 2 1)
= kp 2
{z
}
|
0
0
( 32 , p2 1)
( 32 )( p2 1)
du.
= kp
( 32 + p2 1)
3
2
Reemplazando el valor de k tenemos que:

3
( p+1
) p 2 ( 23 )( p2 1)
2
V (T ) = E(T ) = p
( 2 ) p
( p2 + 12 )
2
p 2 ( 21 + 1)( p2 1)
= p
1
( 2 1)( p2 1) p 2
=
Como
( 21 )
p( 12 )( 21 )
( p2 1)
, entonces, V (T ) =
=
( p2 1)
p
2
p2
2
p
.
p2
Observaci
on 7.14.1. Cuando p = 1 entonces sigue la distribucion cauchy.
104
7.15.
Distribuci
on F-Fisher
Sean U y V v.a.i chi-cuadrado con m y n grados de libertad respectivamente,

entonces la fdp conjunta de U y V es:
fU V (u, v) =
=
Sean x =
u
m
v
n
m
( m2 )2 2
u 2 1 e 2
m+n
( m2 )( n2 )2 2
n
( n2 )2 2
v 2 1 e 2 0 < u < 0 < v <
u 2 1 v 2 1 e 2 (u+v) I(o,) (u)I(0,) (v)
y y = v Jg1 (x, y) =
m
y
n
m m2 1 n
1 m
1
m
xy
y 2 1 e 2 ( n x+y)
fXY (x, y) = y m
m+n
n
n ( )( )2 2
n
2
Z
fX (x) =
fXY (x, y) dy
0
m m2
1
m+n
( m2 )( n2 )2 2
m
1
2
Z
0
y
|
m+n
1
2
1 m
e 2 ( n x+1)y dy.
{z
}

kGamma
m+n
2
, m x+1
2
n
m
m
m+n
x2 1
m 2
2
= m
I(0,) (x)

m+n
( 2 )( n2 ) n
2
1+ m
x
n
X Fm,n .
Teorema 7.15.1. E(X) =
n > 4.
n
n2
para n > 2 y V (X) =
2n2 (m+n2)
m(n2)2 (n4)
para
Demostracion. Encontremos la esperanza de X k , entonces

m+n
m
Z
2
)2
(m
n
(m
+k)1
n
k
2
dx.
E(X ) = m n
x
( 2 , 2 ) 0
mx + n
Sea

n
m
y=
dy = n
dx
mx + n
(mx + n)2
2
n
n 2
n
ndy = m mx+n
dx ndy = my 2 dx dx = m
y dy y = mx+n

1y
n
x = m y . Ahora, cuando x 0 y 1 y cuando x y 0.
F-FISHER
7.15. DISTRIBUCION

( m2 +k)1

n
m+n
n 1y
(y) 2 y 2 dy
m
y
m
1
m
Z
m
( m ) 2 n m2 +k1 1
m+n
m
= nm n
(1 y)( 2 +k)1 y 2 +1 2 k2 dy
( 2 , 2 ) m
0
m k Z 1
m
(n)
n
= m
(1 y)( 2 +k)1 y ( 2 k)1 dy
n
{z
}
( 2 , 2 ) 0 |
m
(m) 2
E(X ) = nm n
( 2 , 2 )
k
105
( n
k, m
+k)
2
2
n

)k
(m
m
n
k,
+
k
( m2 , n2 )
2
2
n k ( n + m ) ( n k)( m + k)
2
2
=
2 n m2
m ( n2 )( m2 )
( 2 + 2 )
n k ( n k)( m + k)
2
2
=
.
m
( n2 )( m2 )
E(X k ) =
Ahora, encontremos la esperanza de X. Entonces,

n ( n 1)( m + 1)
2
2
m
( n2 )( m2 )
n ( n 1)( m )( m )
2
2
2
=
n
m
m ( 2 1 + 1)( 2 )
n m
( n2 1)
=
m
2 ( n2 1)( n2 1)

n
2
=
.
2 n2
E(X) =
E(X) =
n
, n > 2.
n2
Ahora, encontremos la varianza de X.
106
n 2 ( n 2)( m + 2)
2
2
E(X ) =
n
m
m
( 2 )( 2 )
n 2 ( n 2)( m + 1)( m )( m )
2
2
2
2
=
m ( n2 1)( n2 2)( n2 2)( m2 )
n 2 (m+2)m
4
=
m (n2)(n4)
4
n 2 (m + 2)m
=
m (n 2)(n 4)
n2 (m + 2)
=
.
m(n 2)(n 4)
2
n2 (m + 2)
n
m(n 2)(n 4) n 2
n2 ((m + 2)(n 2) (n 4)m)
=
m(n 2)2 (n 4)
n2 (mn 2m + 2n mn + 4m 4)
=
m(n 2)2 (n 4)
2n2 (m + n 2)
V (X) =
.
m(n 2)2 (n 4)
V (X) =
7.16.
Funci
on Generadora de Momentos Multivariada (FGMM)
Definici
on 7.16.1. Sean X1 , X2 , ..., Xn v.a.i. definidas en (, =, P ) y t1 , t2 , ..., tn
n
umeros reales definimos la FGMM por:
h 0 i

MX1 ,X2 ,...,Xn (t1 , t2 , ..., tn ) = E et X = E et1 X1 +...+tn Xn ,
0
donde X = (X1 , X2 , ..., Xn ) y t = (t1 , t2 , ..., tn ) desde que la esperanza sea

finita para los tj tomados en una vecindad de cero.
La funcion caracterstica multivariada se define en forma analoga por:
0
X1 ,X2 ,...,Xn (t1 , t2 , ..., tn ) = E(eit X ) = E(ei(t1 X1 +...+tn Xn ) ).
GENERADORA DE MOMENTOS MULTIVARIADA (FGMM)107

7.16. FUNCION
Teorema 7.16.1. Sean X1 , X2 , ..., Xn v.a.i. y FGM respectivamente iguales
a MXj (t), para j = 1, 2...n y t en alguna vecindad de cero. Sea Y = X1 +
X2 + ... + Xn , entonces la FGM de Y es dada por:
MY (t) =
n
Y
MXj (t).
j=1
Demostracion.
MY (t) = E(etX1 +tX2 +...+tXn )
Z
Z
n
Y
tx1 +tx2 +...+txn
fX1 ...Xn (x1 ...xn )
dxj
... e
=
R
Z
=
tx1 +tx2 +...+txn
...
R
Z
=
j=1
fX1 (x1 fX2 (x2 )...fXn (xn )
etx1 fX1 (x1 ) dx1
n
Y
dxj
j=1
etx2 fX2 (x2 ) dx2 ...
etxn fXn (xn ) dxn
= MX1 (t)MX2 (t)...MXn (t)

n
Y
=
MXj (t).
j=1
Teorema 7.16.2. Sean X1 , X2 , ..., Xn v.a con FGMM MX1 ...Xn (t1 ...tn ) con
los tj tomados en una vecindad de cero. Entonces, las variables aleatorias
X1 , X2 , ..., Xn son independientes, si y solamente si la FGMM puede ser escrita como:
MX1 X2 ...Xn (t1 t2 ...tn ) =
n
Y
j=1
MXj (tj )
108
Demostracion.
MY (t) = E(etX1 +tX2 +...+tXn )
Z
Z
n
Y
tx1 +tx2 +...+txn
=
... e
fX1 ...Xn (x1 ...xn )
dxj
R
...
=
R
tx1 +tx2 +...+txn
fX1 (x1 fX2 (x2 )...fXn (xn )
Z
=
j=1
tx1
dxj
j=1
Z
fX1 (x1 ) dx1
tx2
Z
fX2 (x2 ) dx2 ...
etxn fXn (xn ) dxn
n
Y
= MX1 (t)MX2 (t)...MXn (t)

n
Y
=
MXj (t).
j=1
Se deja como ejercicio.
Ejemplo 7.16.1.
Sean X1 , X2 , ..., Xn v.a.i con distribucion Ber(p) entonces para Y = X1 + X2 + ... + Xn
MY (t) = E(etY ) = E(etX1 +tX2 +...+tXn )
n
Y
=
MXj (t)
=
j=1
n
Y
(pet + q)
j=1
= (pet + q)n .
Y = Bin(n, p).
Sean X1 , X2 , ..., Xn v.a.i con distribucion Exp(), ( > 0) entonces
GENERADORA DE MOMENTOS MULTIVARIADA (FGMM)109

7.16. FUNCION
para Y = X1 + X2 + ... + Xn ,
n
Y
=
MXj (t)
j=1
n
Y
t<
t
j=1

n
=
.
t
=
Y = Gamma(n, ).
Sean X1 , X2 , ..., Xn v.a.i. con distribucion N (0, 1) entonces, para Y =

X12 + X22 + ... + Xn2
2

n
Y
=
MXj2 (t)
j=1
n
Y
1
2
j=1
1
2

=
1
2
1
2
12
,
t
n2
t<
1
2
Y = Gamma( n2 , 12 ) = 2n .
Ejemplo 7.16.2. Suponga que Xj N (j , j2 ) j = 1, 2, ..., n y que X1 , X2 , ..., Xn
son v.a.i. Encuentre la distribucion de Z = 1 X1 + 2 X2 + ... + n Xn donde
j R para j = 1, 2, ..., n.
110
Soluci
on:
MZ (t) = E et(1 X1 +...+n Xn )
= E e(1 t)X1 +...+(n t)Xn

n
Y
=
MXj (j t)
=
=
j=1
n
Y
j=1
n
Y
ej (j t)+ 2 j (j t)
1
2 2 2
j
ej tj + 2 j t
j=1
n
X
X
1
j j
j2 j2
t+ 2
t2
=e
Z=N
n
X
j j ,
j=1
n
X
j=1
j=1
!
j2 j2 .
j=1
Ejemplo 7.16.3. Sean X1 , X2 , ..., Xn N (, 2 ) encuentre las distribuciones de:

i) X =
1
n
n
X
Xi
i=1
ii) S =
1
n1
n
X
(Xi X)2
i=1
Soluci
on:
i) X = n1 X1 + n1 X2 +...+ n1 Xn , entonces, tomando 1 = 2 = ... = n =
!
n
n 2
X
1 X 1
XN
,
2 .
n
n
i=1
i=1
2
X N (, n ).
1
n
7.17. EJERCICIOS
111
ii)
2
(n 1)s =
n
X
(Xi X)2
i=1
=
=
n
X
i=1
n
X
((Xi ) (X ))2

(Xi )2 2(Xi )(X ) + (X )2
i=1
n
X
(Xi ) 2(X )
i=1
=
=
n
X
i=1
n
X
n
X
(Xi ) + n(X )2
i=1
(Xi )2 2n(X )2 + n(X )2

(Xi )2 n(X )2
i=1
(n 1)s2 X
=
2
|i=1
7.17.
!2
2
2 2
X
X
2
n 1 n1
n
{z
}
{z
} |
2n
21
Ejercicios
1. Sea (X, Y ) una v.a. bivariada con fdp conjunta

f (x, y) =
x + y 0 < x < 1; 0 < y < 1

0
caso contrario
Encuentre:
a) f.d.p marginal
d) P (X > 12 , Y > 34 )
b) f.d.p condicional
e) P (X > 12 |Y > 43 )
c) P (Y > 34 )
f) P (X < 15 |Y = 31 )
112
2. Sea (X, Y ) un v.a. bivariado con fdp conjunta dada por
24y(1 x y) En el triangulo limitado por los ejes

ordenados y la recta x + y = 1
f (x, y) =
0
caso contrario
a)
b)
c)
d)
e) P (Y < 1|X = 13 )
fdp marginales
fdp condicionales
P (Y < 31 |X = 13 )
P (Y < 23 |X = 13 )
f) P (X > 12 |Y > 12 )
g) P (X < 12 |Y > 12 )
3. El v.a. bivariado (X, Y ) tiene distribucion dada por:

X rY
1
12
1
6
1
12
1
6
1
3
1
6
2
3
a) Son independientes X y Y ?
b) Encuentre:
i)
ii)
iii)
iv)
P (X = Y )
P (X = 2 o Y = 4)
P (X + Y 4)
P (Y > 2,5|X < 3)
4. El v.a. bivariado (X, Y ) tiene fdp conjunta

1
1 < x < 1; 1 < y < 1
4
f (x, y) =
0 caso contrario
a) Son X y Y independientes?
b) Encuentre:
i) P (2X Y > 0)
ii) P (X 2 + Y 2 < 1)
7.17. EJERCICIOS
113
5. El v.a. bivariado (X, Y ) tiene fdp conjunta

1 0 < x < 1; 0 < y < 1
f (x, y) =
0 caso contrario
Encuentre:
a) P (X < 12 )
c) P (X > 2Y )
b) P (X + Y < 1)
d) P (X > 21 , Y < 12 )
6. X y Y tienen densidad conjunta

3x 0 < y < x; 0 < x < 1
f (x, y) =
0 caso contrario
a) g(x|y)
b) P (0 < X < 34 |Y = 12 )
7. La densidad conjunta de X, Y es

2
2
4xye(x +y ) x > 0; y > 0
f (x, y) =
0
caso contrario
a) Esta bien definida?
b) Encuentre g(x) y h(y)
c) Son independientes X y Y ?

Vectores Aleatorios

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Vectores Aleatorios

Cargado por

Copyright:

Formatos disponibles

Captulo 7

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

tambien es un evento dado que es la interseccion de elementos de la -algebra

Figura 7.1: vector aleatorio bivariado

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

Figura 7.2: variable aleatoria bidimensional discreta

Figura 7.3: variable aleatoria bidimensional continua

Figura 7.4: variable aleatoria bidimensional continua

La funcion definida para toda (xi , yj ) RXY es llamada funci

la superficie z = f (x, y) es igual a 1.

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

5) La distribucion de probabilidad conjunta de (X, Y ) es inducida por

Figura 7.5: Sucesos bivariados equivalentes

En caso que (X, Y ) sea discreta, tenemos

Ejemplo 7.1.1. Considere el experimento consistido en tomar una moneda

(1, 1) = P [X = 1, Y = 1] = P { /(X, Y )() = (1, 1)} = P {cc} = 41 , en

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

Figura 7.6: Grafico Ejemplo v.a.b.d.

Como obtenemos (1, 2)?

Ejemplo 7.1.3. Dos variables X y Y tienen la siguiente distribucion de

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

Ejemplo 7.1.5. Sea (X, Y ) un v.a.b.c. con la siguiente fdp conjunta

k si 5000 x 10000, 4000 y < 9000

a) En este caso usaremos el hecho

f (x, y) dxdy = 1. Luego,

Figura 7.7: Grafico ejemplo 1 v.a.b.c.

b) Sea B = {X + Y 1}. Hallar P (B).

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

Figura 7.8: Grafico Ejemplo 2 v.a.b.c.

< x < , < y < .

En el caso bidimensional la masa total de probabilidad esta distribuida en

Figura 7.9: fda de la v.a.b. (X, Y ).

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

F (x2 , y2 ) F (x2 , y1 ) + F (x1 , y1 ) F (x1 , y2 ) = P (X x2 , Y y2 )

1) Por definicion sabemos que

b) En el caso continuo tenemos F (x, y) =

por lo tanto a un rectangulo: a1 < X b1 , a2 < Y b2 le

2) Una v.a.b. es continua (absolutamente) si F (x, y) es continua,

Sea M la masa total de probabilidad que hay en el rectangulo se

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

para x < u < x + x (Teorema del valor medio).

para y < v < y + y; x < u < x + x.

El area del rectangulo se

Esta densidad la reescribimos

y corresponde exactamente a la funcion de densidad de probabilidad conjunta

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

que h(x) no dependa de y, g(y) no dependa de x, a, b no dependan de x y

P [x1 X x2 , y1 Y y2 ] = sen sen sen0sen sen sen + sen0sen

La funcion de distribucion conjunta del vector aleatorio X es definida por:

La anterior funcion de distribucion sirve para evaluar la calidad del servicio

Propiedades 7.2.1. Sea X un vector aleatorio en (, =, P ), entonces para

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

1. Considere j fijo y aj bj . Entonces,

de donde se sigue que:

ii) la demostracion es similar al caso univariado.

a) Es obvia por la definicion de probabilidad, dado que

b) La demostracion es analoga al caso univariado.

Dada una v.a.b. (X, Y ) podemos estar interesados en la variable aleatoria

En la tabla anterior calculamos los totales marginales. Las probabilidades

Si definimos la funcion para x1 , x2 , ..., tenemos entonces la distribucion

CAPITULO 7. VARIABLES ALEATORIAS BIDIMENSIONALES

En forma similar se tiene: Y = yj [X = x1 Y = yj ]o[X = x2 Y = yi ] o ...