Tema 4

Variables aleatorias bidimensionales

y multidimensionales.
Caractersticas y principales
distribuciones

En Estadstica, lo m
as habitual es trabajar con un espacio muestral sobre el cual se denen varias varia-
bles. En estos casos las variables aleatorias ndimensionales dan lugar a caractersticas que generalizan
las ya vistas para variables aleatorias unidimensionales.
Nos centraremos en el estudio de variables bidimensionales pudiendo extender las deniciones, sin gran
dicultad, al caso mas general de variables aleatorias ndimensionales.

4.1. Variables aleatorias bidimensionales y multidimensionales

on 4.1.1 (X, Y ) : R2 es variable aleatoria bidimensional si y s
Denici olo si
1
(X, Y ) (B) A, B 2 .

Si (X, Y ) es una variable aleatoria bidimensional cada una de sus componentes, X e Y , son variables
aleatorias unidimensionales.
Espacio probabilstico inducido por la variable aleatoria bidimensional (X, Y ):
 2 2 
R , , P(X,Y ) ,

donde la probabilidad inducida

 
1
P(X,Y ) (B) = P (X, Y ) (B) , B 2 .

29
30TEMA 4. VARIABLES ALEATORIAS BIDIMENSIONALES Y MULTIDIMENSIONALES. CARACTERISTICAS Y PR

on 4.1.2 (X1 , . . . , Xn ) : Rn es variable aleatoria multidimensional si y s

Denici olo si

1
(X1 , . . . , Xn ) (B) A, B n .

Si (X1 , . . . , Xn ) es una variable aleatoria ndimensional cada una de sus componentes son variables
aleatorias unidimensionales.
Espacio probabilstico inducido por la variable aleatoria multidimensional (X1 , . . . , Xn ):
 
Rn , n , P(X1 ,...,Xn ) ,

donde la probabilidad inducida

 
1
P(X1 ,...,Xn ) (B) = P (X1 , . . . , Xn ) (B) , B n .

Si (X, Y ) es variable aleatoria bidimensional discreta, entonces esta totalmente determinada si

conocemos el conjunto de valores:
(X, Y ) = {(xi , yj )}i=1,...,n(+);j=1,...,m(+)
y su funcion masa de probabilidad bidimensional: {pij }i=1,...,n(+);j=1,...,m(+) , donde

0 P (X = xi , Y = yj ) = pi,j 1

y
n(+) m(+)
 
pij = 1.
i=1 j=1

O, equivalentemente, si conocemos su funci

on de distribuci
on bidimensional:
 
F(X,Y ) (x, y) = P(X,Y ) ((, x] (, y]) = P (X x, Y y) = pij
i/xi x j/yj y

Si (X, Y ) es variable aleatoria bidimensional continua, entonces esta totalmente determinada si

conocemos su funcion de densidad bidimensional f : R2 R, vericando:

1. f (x, y) 0.

2. f integrable.

3. R2
f (x, y) dxdy = 1.

O, equivalentemente, si conocemos su funci

on de distribuci
on
 x  y
F(X,Y ) (x, y) = P(X,Y ) ((, x] (, y]) = P (X x, Y y) = f (t1 , t2 ) dt2 dt1 .

2 F (x,y)
Se verica que f (x0 , y0 ) = xy |(x0 ,y0 ) .
4.1. VARIABLES ALEATORIAS BIDIMENSIONALES Y MULTIDIMENSIONALES 31

0,4
0,35
Funcin masa de probabilidad bidimensional 0,3
0,25
0,2
Menos de un ao (0) Entre un ao y 5 aos (1) Ms de 5 aos (2) 0,15
No (0) 0,1 0,15 0,15 0,1
0,05
S (1) 0,05 0,15 0,4 S (1)
0
No (0)
Menos de
Entre un
un ao (0) Ms de 5
ao y 5
aos (2)
aos (1)

1
Funcin de distribucin bidimensional
0,8
Menos de un ao (0) Entre un ao y 5 aos (1) Ms de 5 aos (2)
0,6
No (0) 0,14 0,25 0,6
0,4
S (1) 0,15 0,45 1
0,2
S (1)
0
No (0)
Menos de
Entre un
un ao (0) Ms de 5
ao y 5
aos (2)
aos (1)

Figura 4.1: Funciones de masa de probabilidad y de distibuci

on de una variable discreta bidimensional

Figura 4.2: Funciones de densidad y distribuci

on de una variable continua bidimensional
32TEMA 4. VARIABLES ALEATORIAS BIDIMENSIONALES Y MULTIDIMENSIONALES. CARACTERISTICAS Y PR

4.1.1. Distribuciones marginales y condicionadas

Distribuciones marginales

A partir de la distribuci
on conjunta de una variable aleatoria (X, Y ) se pueden obtener las distribuciones
unidimensionales de X e Y .
Si (X, Y ) es variable aleatoria bidimensional discreta con valores

{(xi , yj )}i=1,...,n(+);j=1,...,m(+)

y funci
on masa de probabilidad
{pij }i=1,...,n(+);j=1,...,m(+) ,

entonces las distribuciones marginales X e Y se determinan de la siguiente manera:

X es variable aleatoria discreta con valores {xi }i=1,...,n(+) y funci
on masa de probabilidad {pi. }i=1,...,n(+) ,
donde
m(+)

pi. = pij , i = 1, 2, . . . , n(+).
j=1

La funci
on de distribucion es

FX (x) = pi. = lm F(X,Y ) (x, y) .
y+
i/xi x

Y es variable aleatoria discreta con valores {yj }j=1,...,m(+) y funci

on masa de probabilidad {p.j }j=1,...,m(+) ,
donde
n(+)

p.j = pij , j = 1, 2, . . . , m(+).
i=1

La funcion de distribuci
on es

FY (y) = p.j = lm F(X,Y ) (x, y) .
x+
j/yj y

Si (X, Y ) es variable aleatoria bidimensional continua con funci

on de densidad f (x, y), entonces
las distribuciones marginales X e Y se determinan de la siguiente manera:

X es variable aleatoria continua con funcion de densidad fX (x) = R f (x, y)dy.
La funci
on de distribuci
on es
 x
FX (x) = fX (x)dx = lm F(X,Y ) (x, y) .
y+


Y es variable aleatoria continua con funcion de densidad fY (y) = R
f (x, y)dx.
La funci
on de distribucion es
 y
FY (y) = fY (y)dy = lm F(X,Y ) (x, y) .
x+
4.2. CARACTERISTICAS DE VARIABLES ALEATORIAS MULTIDIMENSIONALES 33

Distribuciones condicionadas

A partir de la distribuci
on conjunta de la variable bidimensional, se pueden obtener nuevas distribuciones
condicionando una variable a valores particulares de la otra. En este caso, al igual que ocurra con las
distribuciones margiales, obtenemos variables aleatorias unidimensionales.
Si (X, Y ) es variable aleatoria bidimensional discreta. Si P (X = xi ) > 0 entonces Y |X=xi es varia-
m(+)
ble aleatoria unidimensional discreta con valores Y |X=xi = {yj }j=1 y funci
on masa de probabilidad:
pij
P (Y = yj |X=xi ) = .
pi
En este caso:
 j/yj A pij
P (A|X=xi ) = P (Y = yj |X=xi ) = ; A .
pi
j/yj A

Si (X, Y ) es variable aleatoria bidimensional continua. Si fX (x) > 0 entonces Y |X=x es variable
aleatoria unidimensional continua con funcion de densidad:
f (x, y)
fY |X=x (y) = .
fX (x)
En este caso:  
1
P (A|X=x ) = fY |X=x (y) dy = f (x, y) dy; A .
A fX (x) A

4.1.2. Independencia de variables aleatorias

Cuando el conocimiento de una variable aleatoria X no inuye para nada en la otra Y , se dice que las
variables son independientes. Como consecuencia, dos variables aleatorias independientes seran aquellas
cuyas distribuciones condicionadas coindicen con las marginales.
on masa de probabilidad {pij } y marginales
Si (X, Y ) es variable aleatoria de tipo discreto con funci
{pi } y {pj }. Se dice que X e Y son independientes si y solo si pij = pi pj , i, j.
on de densidad f(X,Y ) (x, y) y marginales
Si (X, Y ) es variable aleatoria de tipo continuo con funci
fX (x) y fY (y). Se dice que X e Y son independientes si y solo si f(X,Y ) (x, y) = fX (x) fY (y) , (x, y)
R2 .

4.2. Caractersticas de variables aleatorias multidimensionales

En esta seccion se generalizan algunas de las caractersticas denidas para variables aleatorias unidi-
mensionales.

4.2.1. Esperanza generalizada

Esperanza generalizada de (X1 , . . . , Xn ), E [g (X1 , . . . , Xn )], con (X1 , . . . , Xn ) variable aleatoria mul-
tidimensional y g : Rn R Borel-medible. El resultado es un n
umero real calculado de la siguiente
manera:
34TEMA 4. VARIABLES ALEATORIAS BIDIMENSIONALES Y MULTIDIMENSIONALES. CARACTERISTICAS Y PR

Si (X1 , . . . , Xn ) es discreta:

E [g (X1 , . . . , Xn )] = g (xi1 , . . . , xin ) pi1 ,...,in .
i1 ,...,in

Si (X1 , . . . , Xn ) es continua:

E [g (X1 , . . . , Xn )] = g (x1 , . . . , xn ) f (x1 , . . . , xn ) dx1 dxn .
Rn

4.2.2. Covarianza
Es un caso particular de esperanza generalizada. Es una medida de la variaci
on conjunta de dos variables
y se utiliza para medir la realaci
on lineal entre ellas.

Cov (X, Y ) = E [(X X ) (Y Y )]

= E [XY ] X Y .

X e Y son incorreladas si y s
olo si Cov (X, Y ) = 0.
=
on: X, Y son incorreladas  X, Y independientes.
Observaci
Interpretacion geometrica de la covarianza

Cov (X, Y ) > 0 existe una relaci

on lineal creciente entre las variables X e Y .

Cov (X, Y ) < 0 existe una relaci

on lineal decreciente entre las variables X e Y .

Cov (X, Y ) = 0 no existe una relaci

on lineal entre las variables X e Y , aunque no se puede
descartar alg
un otro tipo de denpendencia entre ellas.

4.2.3. Coeciente de correlaci

on lineal
La covarianza depende de las unidades de las variables, por lo cual ni esta acotada superiormente ni es
buena para establecer claramente el grado de dependencia lineal entre dos variables. Para solventar este
problema se calcula el siguiente coeciente adimensional.
4.2. CARACTERISTICAS DE VARIABLES ALEATORIAS MULTIDIMENSIONALES 35

Cov (X, Y )
XY = [1, 1] .
X Y

Interpretacion geometrica de XY

XY > 0 existe una relaci

on lineal creciente entre las variables X e Y . Ademas, si XY = 1
entonces existe una relacion funcional, esto es P (Y = aX + b) = 1.

XY < 0 existe una relaci as, si XY = 1

on lineal decreciente entre las variables X e Y . Adem
entonces existe una relacion funcional, esto es P (Y = aX + b) = 1.

XY = 0 no existe una relaci

on lineal entre las variables X e Y , aunque no se puede descartar
alg
un otro tipo de dependencia entre ellas.

Figura 4.3: Funciones de densidad y distribucion de una variable continua bidimensional con XY =0.8

4.2.4. Vector de medias

Es la generalizaci
on de la esperanza de la variable aleatoria unidimensional para variables ndimensionales.

E [X1 ] X1

.. ..
E [X] = . = . .

E [Xn ] Xn

4.2.5. Matriz de varianzas-covarianzas

Es la generalizaci
on de la varianza de la variable aleatoria unidimensional para variables ndimensionales.
Es una matriz simetrica.
36TEMA 4. VARIABLES ALEATORIAS BIDIMENSIONALES Y MULTIDIMENSIONALES. CARACTERISTICAS Y PR

V ar (X1 ) Cov (X1 , X2 ) Cov (X1 , Xn )

= (ij ) =

Cov (Xn , X1 ) Cov (Xn , X2 ) V ar (Xn )

2
X X 1 X2 X 1 Xn
1

= ,

2
Xn X 1 X n X 2 X n

Observaciones:
n n
1. E [ i=1 i Xi ] = i=1 i E [Xi ]
n n
2. V ar ( i=1 i Xi ) = i=1 i2 i2 + 2 i<j i j i,j

4.3. Principales distribuciones multidimensionales

4.3.1. Distribuci
on multinomial
Es una generalizaci
on de la distribucion unidimensional binomial.
Supongamos que realizamos n pruebas independientes de un experimento aleatorio cuyos posibles resul-
k
tados de interes son {Ai }i=1 , son sucesos mutuamente excluyentes con probabilidades P (Ai ) = pi ; i =
k
1, 2, . . . , k y i=1 pi = 1.
(X1 , . . . , Xk ) variable aleatoria kdimensional, (X1 , . . . , Xk ) M (n; p1 , . . . , pk ) es la variable construi-
da de forma que Xi contabiliza el n
umero de veces que ocurrio Ai en las n pruebas realizadas.
Es facil comprobar que Xi Bi (n; pi ) ; i = 1, 2, . . . , k

4.3.2. Distribuci
on normal multidimensional
Es una generalizaci
on de la distribucion unidimensional normal.
(X1 , . . . , Xn ) N (, ) es una variable aleatoria ndimensional continua con vector de medias y
matriz de varianzas-covarianzas .
Observaciones:

1. Las marginales y condicionadas siguen distribuciones normales.

2. Xi , Xj son independientes i,j = 0 son incorreladas.

3. Cualquier combinaci
on lineal de sus componentes sigue una distribucion normal:
k

i Xi N (, )
i=1
4.4. REPRODUCTIVIDAD DE VARIABLES ALEATORIAS 37

con
k
 k
 
= i i , 2 = i2 i2 + 2 i j i,j
i=1 i=1 i<j

4.4. Reproductividad de variables aleatorias

Con algunas distribuciones unidimensionales ocurre que al sumar dos o m
as variables se obtiene una va-
riable unidimensional que sigue la misma distribucion que las originales. A esta propiedad se le denomina
reproductividad. Las siguientes distribuciones verican la propiedad de reproductividad:
Bajo independencia:

n
i=1 Be (p) = Bi (n, p) Bi (n, p) + Bi (m, p) = Bi (n + m, p)
n
i=1 P () = P (n)
n
Exp (r) = (r, n) (r, n) + (r, m) = (r, n + m)
i=1

n   n 
n 2
i=1 N ( i , i ) = N i=1 i ,
i=1 i

n
i=1 2gi = 2g1 ++gn

En todos los casos:

n   
n n
i=1 N (i , i ) = N i=1 i , i=1 i2 + i=j ij

4.5. Ejercicios propuestos

1. Consideremos un yacimiento subhorizontal que consiste en una zona Z de donde se han extrado
8 paneles. En cada uno de ellos se han observado las variables de interes X= Ley media del
mineral recuperado en gr/Tm en cada panel e Y= Cantidad de metal recuperado en cada
panel obteniendose la siguiente tabla con valores de funciones masa de probabilidad conjunta y
marginales

X\Y 1 2 3 pi
0 1/8 2/8 1/8 4/8
1 1/8 0 1/8 2/8
2 0 1/8 1/8 2/8
pj 2/8 3/8 3/8 1

a) Calcula P (X = 1|Y =2 ) y P (X < 2|Y <3 ) .

38TEMA 4. VARIABLES ALEATORIAS BIDIMENSIONALES Y MULTIDIMENSIONALES. CARACTERISTICAS Y PR

b) Determina el vector de medias y la matriz de varianzas covarianzas de la variable aleatoria

bidimensional (X, Y ) .

2. En un concurso se somete a los participantes a una prueba fsica no eliminatoria. Si el concursante

supera la prueba, X = 1, tiene una probabilidad de 0.5 de ganar 1000 euros y de 0.5 de ganar
500 euros. Si no supera la prueba, X = 0, ganar
a 500 euros con probabilidad 0.75, mientras que
el resto de las veces no ganara nada. Sabiendo que el 50 % de los concursantes superan la prueba
fsica y considerando la variable Y : Euros ganados por el concursante.

a) Determina la tabla de doble entrada para la variable bidimensional (X, Y ).

b) Calcula la variable marginal Y y la ganancia media del concursante.

3. Considera la v.a. bidimensional (X, Y ) que se indica a continuaci

on. La tabla representa la masa
de probabilidad conjunta (a, b 0, a + b = 14 ).

X\Y -1 0 1
-1 a b a
0 b 0 b
1 a b a

a) Calcula el coeciente de correlaci

on lineal entre X e Y .
b) Para que valores de a y b son X e Y independientes?

4. Seg
un un estudio realizado por el INE, las personas que visitaron Espa
na durante 1992 procedan
de los siguientes pases (datos en porcentajes): Francia: 23 %, Portugal: 19 %, Reino Unido: 15 %,
Alemania: 13 %, Holanda: 8 %, resto de Europa: 9 %, resto del mundo: 13 %.

a) Si seleccionamos al azar diez turistas, determina la probabilidad de que sean 3 franceses, 3

portugueses, 2 brit
anicos y 2 alemanes.
b) Si seleccionamos al azar 25 turistas, determina la probabilidad de que por lo menos dos sean
holandeses.

5. Sea (X, Y ) el vector aleatorio que representa la altura, en centmetros, de un padre, X, y la de

su hijo, Y . Sabiendo que la distribucion de dicha variable es normal bidimensional de parametros
1 = 172, 1 = 6,91, 2 = 174,4, 2 = 6,98 y = 0,51; calcula la probabilidad de que en una
familia elegida al azar la altura del hijo supere en 5 centmetros a la de su padre.

6. Las variables aleatorias X, Y son N (0, 1) con distribucion conjunta normal bivariante siendo XY =
1
2.

a) Cual es la distribuci
on de la variable Z = 2X 7Y + 8?
b) Calcula P (2Y > X + 2)