52

Estadstica

Tema 5: Vectores aleatorios bidimensionales.

Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, los valores de una
caracterstica aleatoria. En muchos casos, interesa estudiar dos o ms caractersticas y su relacin: peso y
altura, renta y consumo, produccin y gastos de mantenimiento, inversin tecnolgica y nmero de obreros,...
Por comodidad vamos a estudiar los vectores aleatorios bidimensionales, aunque el estudio de variables
n-dimensionales es anlogo.
Definicin 1 Se denomina vector aleatorio bidimensional a una aplicacin del espacio de sucesos de un
 = (X, Y ) : IR2 .
experimento aleatorio en IR2 , X
Definicin 2 Se dice que se ha definido la distribucin conjunta del vector si se conocen:
1. Los resultados posibles del vector (es decir, su soporte, que denotaremos por SX o por S(X,Y ) ).
2. Las probabilidades de cada resultado posible.

5.1 Vectores discretos bidimensionales.

 = (X, Y ) es discreto si sus dos
Definicin 3 Diremos que un vector aleatorio bidimensional X
componentes son variables aleatorias discretas.
El soporte del vector es SX = SX SY , donde SX = {x1 , x2 , . . . , xk } y SY = {y1 , y2 , . . . , yh } y se
puede representar como pares de nmeros reales: {(xi , yj ), i = 1, 2, . . . , k

j = 1, 2, . . . , h} (donde k

o h pueden ser finitos o ser ).

Funcin de probabilidad conjunta:

 = (X, Y ) un vector aleatorio bidimensional discreto; se define la funcin de
Definicin 4 Sea X
probabilidad conjunta sobre el soporte del vector {(xi , yj ), i = 1, 2, . . . , k

j = 1, 2, . . . , h}, como:

pij = p(X = xi , Y = yj ) = p({ /X() = xi , Y () = yj })

Propiedades 1 (a) p(X = xi , Y = yj ) 0
(b)


i

p(X = xi , Y = yj ) = 1

53

Estadstica

El vector aleatorio queda perfectamente determinado si conocemos su soporte y la funcin de probabilidad

conjunta.
Ejemplo 1:
Se lanzan dos dados y se consideran las variables aleatorias:
X= suma de los resultados
Y= valor absoluto de la diferencia
En este caso, p(X 4, Y = 2) = p({(1, 3), (3, 1)}) = 1/18 y de igual forma se obtiene la distribucin
conjunta p(X = xi , Y = yj ):
Y \X

10

11

12

1/36

1/36

1/36

1/36

1/36

1/36

1/18

1/18

1/18

1/18

1/18

1/18

1/18

1/18

1/18

1/18

1/18

1/18

1/18

1/18

1/18

Funcin de distribucin conjunta:

Como en el caso de variables aleatorias, la distribucin de un vector aleatorio se puede dar tambin
utilizando una funcin de "probabilidades acumuladas", llamada funcin de distribucin:

F (x, y) = p(X x, Y y),

x, y IR.

Funcin de probabilidad marginal:

Puesto que X e Y son variables aleatorias unidimensionales discretas, podemos hablar de su ley de
probabilidad que est relacionada con la distribucin conjunta por las igualdades:
pX (xi ) = p(X = xi ) =
pY (yj ) = p(Y = yj ) =


j


i

p(xi , yj )
p(xi , yj )

Proposicin 1 Las funciones de probabilidad pX y pY definen una probabilidad, es decir, se verifica

que:
pX (X = xi ) 0,


i

pX (X = xi ) = 1

54

Estadstica


pY (Y = yj ) 0,

pY (Y = yj ) = 1

Estas probabilidades marginales se pueden aadir a la tabla de distribucin conjunta:

Y \X

10

11

12

1/36

1/36

1/36

1/36

1/36

1/36

6/36

1/18

1/18

1/18

1/18

1/18

5/18

1/18

1/18

1/18

1/18

4/18

1/18

1/18

1/18

3/18

1/18

1/18

2/18

1/18

1/18

1/36

2/36

3/36

4/36

5/36

6/36

5/36

4/36

3/36

2/36

1/36

Funcin de probabilidad condicionada:

En algunos casos, poseemos informacin sobre el resultado de una de las variables, informacin que
puede ser til para tener informacin sobre la otra variable. La distribucin de probabilidades de alguna
de las variables X e Y sobre el subconjunto del correspondiente soporte, formado por los puntos en
los que la otra variable toma determinados valores, se denomina condicionada. Se puede hablar, por
ejemplo, de la variable aleatoria X/(Y = yj ), cuyo soporte es el mismo de X y su ley de probabilidad
viene dada por:

p(X = xi /(Y = yj )) =

p(X = xi , Y = yj )
p(X = xi , Y = yj )
=
p(Y = yj )
p(X = xk , Y = yj )
k

Anlogamente se tiene la variable unidimensional Y /(X = xi ), cuyo soporte es SY y su ley de

probabilidades viene dada por:

p(Y = yj /(X = xi )) =

p(X = xi , Y = yj )
p(X = xi , Y = yj )
=
p(X = xi )
p(X = xi , Y = yk )
k

Proposicin 2 Las funciones de probabilidad pX/Y =yj y pY /X=xi definen un probabilidad, es decir, se
verifica que:
pX/Y =yj (xi ) 0,
pY /X=xi (yj ) 0,


i


j

pX/Y =yj (xi ) = 1

pY /X=xi (yj ) = 1

55

Estadstica

Est claro que se pueden definir otras distribuciones condicionadas, como por ejemplo:
p(X = xi /Y yj ),

p(Y = yj /xm X xn ), . . .

Ejemplo 2:
Volviendo a la tirada de dos dados y considerendo las variables:
X= suma de los resultados
Y= valor absoluto de la diferencia
podemos considerar la variable X/(Y 2), cuyo soporte es SX/(Y 2) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
y cuya distribucin de probabilidades viene dada por:
X/(Y 2)

10

11

12

p(X = xi /Y 2)

1/24

2/24

3/24

4/24

5/24

6/24

5/24

4/24

3/24

2/24

1/24

Observacin 1 Obsrvese que estas distribuciones condicionadas son distribuciones de variables aleatorias
discretas.

5.2 Vectores aleatorios continuos bidimensionales:

 = (X, Y )
Definicin 5 Llamaremos vector aleatorio continuo bidimensional a un vector aleatorio X
para el cul existe una funcin f (x, y), integrable Riemann en IR2 , tal que:
(a) f (x, y) 0,
(b)

(x, y) R2

 

f (x, y)dxdy

(c) p(X x, Y y) =

=1

x

y
f (s, t)dtds

 y tambin se denota
La funcin f (x, y) se denomina funcin de densidad conjunta del vector X
por fXY (x, y).
Observacin 2 La condicin (a), significa que la funcin f (x, y) determina un slido V (que puede
ser infinito) en IR2 . La condicin (b) nos dice que el volumen de ese slido tiene que ser 1. La expresin
(c) define una funcin en IR2 , llamada funcin de distribucindel vector aleatorio:

F (x, y) = p(X x, Y y) =

 x  y

f (s, t)dtds

56

Estadstica

Distribuciones marginales:
Definicin 6 Se define la funcin de densidad marginal de X como:
fX (x) =

f (x, y)dy

y se define la funcin de densidad marginal de Y:

fY (y) =

f (x, y)dx

Observacin 3 fX (x) es el rea de la seccin que origina en V el plano X=x. fY (y) es el rea de la
seccin que origina en V el plano Y=y.
Proposicin 3 Las funciones fX y fY son funciones de densidad de variables aleatorias unidimensionales.
Distribucin condicionada:
En el caso de una v.a. continua, la densidad de cualquier punto es cero, pero eso no significa que no
pueda ocurrir, por ello tiene perfecto sentido plantearnos, por ejemplo, la variable X condicionada por
que ha ocurrido Y = y0 .
Definicin 7 Sea (X, Y ) un vector aleatorio continuo con funcin de densidad f (x, y). Si (x, y) es
un punto de continuidad de f, fY es continua en y y fY (y) > 0, entonces la funcin de densidad de la
distribucin condicionada de X/(Y = y) viene dada por:
fX/Y =y (x) = f (X = x/Y = y) =

f (x, y)
fY (y)

Observacin 4 De esta definicin se deduce que

x

FX/Y =y (x) =

f (t, y) dt

fY (y)

Este valor corresponde a la proporcin de rea de la seccin de V con el plano Y=y, correspondiente al
semiplano X x.

5.3 Independencia de variables aleatorias

Definicin 8 Si el vector aleatorio es discreto entonces X e Y son independientes si y slo si p(xi , yj ) =
pX (xi )pY (yj ) para cada (xi , yj ) S(X,Y ) .

57

Estadstica

Se puede deducir fcilmente que X e Y son independientes si y slo si: p(xi /(Y = yj )) = pX (xi ) y
p(yj /(X = xi )) = pY (yj )
Definicin 9 Si el vector aleatorio es continuo entonces X e Y son independientes si y slo si f (x, y) =
fX (x)fY (y) para cada (x, y) IR2 .
Igualmente, se deduce fcilmente que X e Y son independientes si, y slo si: f (x/(Y = y)) = fX (x) y
f (y/(X = x)) = fY (y) (en aquellos puntos en donde estn definidas estas densidades).
Generalizacin a n variables:
Definicin 10 Las v.a discretas X1 , X2 , . . . Xn se dicen independientes si y slo si p(X1 = x1 , X2 =
x2 , . . . Xn = xn ) = pX1 (x1 )pX2 (x2 ) . . . pXn (xn ) para cada (x1 , . . . , xn ) S(X1 ,X2 ,...,Xn ) .
Ejemplo 3:
Puede comprobarse que las variables X e Y definidas en el ejemplo 1 no son independientes.
Ejemplo 4:
En el experimento de tirar dos dados correctos, vamos a definir las variables X1 y X2 de la siguiente
forma:
X1 = 2 si al menos uno de los resultados es par y X1 = 1 si los dos resultados son impares
X2 = 3 si al menos un resultado es mltiplo de 3 y X2 = 0 si ninguno de los dos resultados es mltiplo
de 3.
Puede comprobarse que la tabla de doble entrada del vector (X1 , X2 ) es :
X1 \X2

4/36

5/36

9/36

12/36

15/36

27/36

16/36

20/36

Las variables X1 y X2 son independientes, puesto que

9 20
36 36

5
36

9 16
36 36

4
36

27 20
36 36

15
36

27 16
36 36

12
36

Definicin 11 El vector aleatorio continuo (X1 , . . . , Xn ) tiene componentes que son independientes si
y slo si f (x1 , x2 , . . . , xn ) = fX1 (x1 ) . . . fXn (xn ) .

58

Estadstica

5.4 Funciones de vectores aleatorios

En ocasiones, los sucesos a estudiar se expresan como una relacin funcional de variables aleatorias (por
ejemplo, el suceso X + Y 1, XY 62.5). Por ello, vamos a introducir brevemente las funciones
de vectores aleatorios.
Proposicin 4 Si (X,Y) es un vector aleatorio y h : IR2  IR es una funcin continua, entonces
h(X,Y) es una variable aleatoria que, si el vector es continuo, ser continua.
La distribucin de una funcin de un vector aleatorio se obtiene a partir de la distribucin conjunta
del vector: p(h(X, Y ) z) = p({(x, y)/h(x, y) z})

5.5 Medidas caractersticas de un vector aleatorio

Las distribuciones marginales y condicionadas son distribuciones unidimensionales y por tanto se
pueden considerar sus medidas caractersticas (media, mediana, varianza, etc) como en el caso de
una variable.
Las componentes de un vector aleatorio pueden estar relacionadas en alguna forma. Al igual que
estudiamos en el tema de descriptiva, uno de los tipos de relacin de mayor inters es la relacin
lineal. Una medida de esta relacin lineal la proporciona la covarianza, que en el caso discreto se
define como:
Definicin 12 Se define la covarianza del vector discreto (X,Y) como:
XY = Cov(X, Y ) =

(xi E(X))(yj E(Y ))p(X = xi , Y = yj )

i=1 j=1

Definicin 13 Se define la covarianza del vector continuo (X,Y) como:

XY = Cov(X, Y ) =

 

(x E(X))(y E(Y ))f (x, y)dxdy

Propiedades 2 (a) Cov(X,Y) = Cov(Y,X)

(b) Cov(X, Y ) =
 


i=1 j=1

xi yj p(X = xi , Y = yj )E(X)E(Y ), si (X,Y) es discreto, y Cov(X, Y ) =

xyf (x, y)dxdy

E(X)E(Y ), si (X,Y) es continuo.

(c) Cov(aX+b,cY+d) = acCov(X,Y)

(d) Si X e Y son independientes, entonces Cov(X, Y ) = 0.

59

Estadstica

La covarianza tiene el inconveniente de depender de las unidades de medida de las variables. Una
medida adimensional de la posible relacin lineal es el coeficiente de correlacin lineal de Pearson,
que se define de la forma siguiente:
Definicin 14 Se define el coeficiente de correlacin lineal del vector (X,Y) como:
=

Cov(X, Y )
X Y

Sus propiedades son anlogas a las del coeficiente de correlacin estudiado en estadstica descriptiva.
En ocasiones interesa estudiar ciertas variables aleatorias definidas a partir de un vector bidimensional,
y especialmente, las medidas principales de esa variable. Si (X,Y) es un vector aleatorio y
h : IR2  IR es una funcin continua,
Definicin 15 Se define E(h(X,Y)) como:

E(h(X, Y )) =

h(xi , yj )p(xi , yj )

i=1 j=1

si (X,Y) es discreto.

E(h(X, Y )) =

 

h(x, y)f (x, y)

dxdy

si (X,Y) es continuo.
Como consecuencia de la definicin anterior, se deducen las propiedades siguientes:
Propiedades 3 Si (X,Y) es un vector aleatorio bidimensional y a,b son nmeros reales:
(a) E(aX + bY ) = aE(X) + bE(Y ).
(b) V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y ) + 2abCov(X, Y ).
(c) Si X e Y son independientes: V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y ).
(d) Si X e Y son independientes: E(aXY ) = aE(X)E(Y ).