4.

VARIABLES ALEATORIAS BIDIMENSIONALES Y MULTIDIMENSIONALES

Frecuentemente el uso de dos o mas eventos es de importancia fundamental para el investigador, en este caso
se involucran dos o mas variables aleatorias.

Por ejemplo:
Un biólogo al observar el número de animales que sobreviven en una camada se interesa en la interacción de
los eventos siguientes:
A: La camada contiene n animales
B: No. Y de animales que sobreviven
De manera similar, la observación de la estatura y del peso de un individuo representa la intersección de un
par específico de mediciones estatura-peso.
Es de mucha importancia para los estadísticos las intersecciones que ocurren al efectuar un muestreo como
por ejemplo, supóngase que X 1 , X 2 .... X n denota los resultados de n pruebas sucesivas de un experimento,
estos podrían ser el resultado del peso de n personas, o bien el resultado de n características físicas de una
sola persona. Dado un conjunto de n eventos X 1 , X 2 .... X n sus resultados específicos o mediciones muestrales
puede ser expresado en términos de la interacción que puede ser denotado por x1 , x 2 ....x n . Entonces para
hacer inferencia acerca de la población de la cual se obtuvo la muestra, es necesario calcular la probabilidad
de la interacción, por lo que se encuentra con la necesidad de obtener la probabilidad de la interacción de un
conjunto de eventos numéricos. Esta necesidad justifica el hecho de estudiar las distribuciones de
probabilidad multivariables, aunque primero se estudiará las probabilidades Bivariadas.

4.1 Distribuciones Bivariadas

4.1.1 Distribuciones discretas conjuntas.
Definición: Sean X y Y v.a. discretas. La función de densidad conjunta de la v.a. (X,Y) es una función f:
R2→R tal que:
a) f X ,Y ( x, y ) ≥ 0 ∀ ( x, y ) ∈ R 2
b) Existe un conjunto finito o infinito numerable de ( xi , y j ) ∈ A ( xi , y j ) ∈ A ⊂ R 2 tal que:
∑f
( xi , y j )∈A
X ,Y ( xi , y j ) = 1

Ejemplo 1: Sea X y Y v.a. con valores posibles {1,2,3} y {1,2,3,4} respectivamente. La función de densidad
conjunta es dada en la tabla siguiente:
Y 1 2 3 4
X
1 0.1 0 0.1 0
2 0.3 0 0.1 0.2
3 0 0.2 0 0
Hallar a) P ( X ≥ 2, Y ≥ 2), b) P ( X = 1)
a) P ( X ≥ 2, Y ≥ 2) = f ( 2,3) + f ( 2,4) + f (3,2) + f (3,3) + f (3,4)
=0+0.1+0.2+0.2+0+0=0.5
4
P( X = 1) = f (1,1) + f (1,2) + f (1,3) + f (1,4) = 0.1 + 0 + 0.1 + 0 = 0.2 = ∑ f (1, y )
y =1

Distribuciones Marginales Discretas

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

69
 ∞
f ( X = xi ) = ∑ f ( xi , y j ) para cada valor posible xi de X, y todos los y j valores posibles de Y
j =0
∞
f (Y = y j ) = ∑ f ( xi , y j ) para cada valor posible yi de Y, y todos los xi valores posibles de X
i =0
respectivamente y son precisamente las funciones de densidad de las variables aleatorias X e Y

Ejemplo 2. Del ejemplo 1, determinar la marginal de X

Observamos que los valores posibles de X son 1,2 y 3.

Entonces, la marginal de X es:

4 4
f ( X = 1) = ∑ f (1, y j ) = 0.1+0+0.1+0=0.2 f ( X = 2) = ∑ f ( 2, y j ) = 0.3+0+0.1+0.2=0.6
j =0 i =0
4
f ( X = 3) = ∑ f (3, y j ) = 0+0.2+0+0=0.2
i =0

0.2 si x = 1,3

O bien, puede ser expresado por: f X ( x) = 0.6 si x = 2
0 de otro mod o

Ejemplo 5: Dado un grupo de tres republicanos y dos demócratas, debe seleccionarse al azar un comité de
dos personas. Sea X el número de republicanos y Y el número de demócratas en el comité.
a) Encuentre la distribución de probabilidad conjunta de X y Y
b) Determinar la distribución marginal de X?
Solución. Ω ={conjunto de dos elementos del grupo de 6 personas}
5  5! 5( 4)
# Ω =   = = = 10
 2  (5 − 2)!2! 2!
En general:
 3  2 
  
f X ,Y ( x, y ) =   
x y
x = 0,1,2 y = 0,1,2, x+y=2
5 
 
 2
La distribución marginal de X es determinada por:
f X ( x) = ∑ f (0, y j )
j =1

Esto es, se fija cada valor posible de X (0,1 o 2) y se suman las probabilidades considerando los valore
posibles de Y. Veamos:
 3  2 
  
f X (0) = ∑ f (0, y j ) = f (0,0) + f (0,1) + f (0,2) = 0 + 0 +    + = 0 + 0 + = 1 / 10
0 2 1
5 10
j =1
 
 2
 3  2 
  
f X (1) = ∑ f (1, y j ) = f (1,0) + f (1,1) + f (1,2) = 0 +    + 0 =
1 1 3(2)
= 6 / 10
5  10
j =1
 
 2

70
  3  2 
  
f (2, y ) = f (2,0) + f (2,1) + f (2,2) =    + 0 + 0 = 3(1) / 10 = 3 / 10
2 0
f X ( 2) = ∑
5
y
 
0

O bien, la marginal de X es:

1 / 10 si x = 0
6 / 10 si x = 1

f X ( x) = 
3 / 10 si x = 2
0 de otro mod o
Obsérvese que la marginal X es una función de densidad (al igual que la marginal de Y)

4.2 Distribuciones continuas conjuntas

Definición: Sean X y Y v.a. continuas. La función de densidad conjunta de la v.a. (X,Y) es una función f:
R2→R tal que:
a) f X ,Y ( x, y ) ≥ 0 ∀ ( x, y ) ∈ R 2
∞ ∞
b) ∫∫f
− ∞− ∞
X ,Y ( x, y ) dxdy = 1

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

B
Si B = {x, y} el conjunto B consta de un punto entonces
P ({x, y}) = P ( X = x, Y = y ) ∫∫ f X ,Y ( x, y ) dxdy = 0
{ x , y}

En general cualquier curva unidimensional en el plano (X,Y) tiene la probabilidad cero, por tanto la
probabilidad de que (X,Y) pertenezca a cualquier recta en el plano, es cero.

Ejemplo 3: Suponga que la función de densidad conjunta de la v.a. X y Y es la siguiente:

cx 2 y para x 2 ≤ y ≤ 1
f X ,Y ( x, y ) = 
0 de otro modo
a) Determinar el valor c b) P ( X ≥ Y )
Solución:
∞ ∞

∫ ∫ cx
2
Se sabe que y =1
− ∞− ∞
1
∞ ∞ 1 1
 2 y2  1 1
2 1 x4  1
1

∫−∞−∫∞ ∫−1 ∫ ∫−1  2  2 ∫−1  2 2 

  ∫−1( x − x )dx
2 2 2 6
cx y = c x ydydx = c x dx = c x − dx = c
x 2
x2
1
1  x3 x7  12 2 4
=c  −  =c  − =c entonces c = 21 / 4
2  3 7  −1 23 7 21
x x
21  2 y 2 
1 1
21
P ( X ≥ Y ) = ∫∫ f X ,Y ( x, y )dydx = ∫ ∫ x 2 ydydx = ∫ x  dx So = {( x, y ) | x ≥ y} S: soporte de (x,y)
So ∩ S 0 x 2 4 4 0  2  x2

71
 1
21  x 5 x 7 
1
21 4 21  1 1  21  2  21 3
= ∫ x − x )dx =
6
 −  =  − =  = =
8 0 8 5 7 0 8  5 7  8  35  140 20

Distribuciones Marginales Continuas

Definición: Sea f X ,Y ( x, y ) la fn de densidad conjunta de las v.a. continas X y Y entonces, las distribuciones
marginales de las variables aleatorias de X e Y son:
∞ ∞
f X ( x) = ∫
−∞
f X ,Y ( x, y ) dy y f Y ( y) = ∫f
−∞
X ,Y ( x, y ) dx

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

 21 2 2
 x y para x ≤ y ≤ 1
f X ,Y ( x, y) =  4
0 de otro modo

Determinar las marginales de X y Y

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

7 2  7
y y 5 5
21 2 7
fY ( y ) = ∫ x y dx = x 3 y =  y + y 2  = y 5 / 2 I [ 0,1]
4 4 
4  2
− y − y 

4.3 Función de distribución acumulada conjunta de una v.a. bivariada

Definición: La función de distribución acumulada conjunta de dos v.a.s X e Y se define como la función
FX ,Y ( x, y ) para cada ∀ ( x, y ) de RxR en [0,1] tal que:
FX ,Y ( x, y ) = P ( X ≤ x, Y ≤ y )
Obsérvese que
a) FX ,Y ( x, y ) = P ( X ≤ x, Y ≤ y ) = ∑ f (x , y )
xi ≤ x
i i cuando X y Y es discreta
yi ≤ y
y x
b) FX ,Y ( x, y ) = P( X ≤ x, Y ≤ y ) = ∫ ∫ f ( x, y)dxdy
−∞−∞
cuando X y Y son continuas.

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

∂F ( x , y )
f X ,Y ( x, y ) =
∂y∂x
en todos los puntos (x,y) donde exista la derivada

Definición: Suponga que se conoce la función de distribución acumulada conjunta de X y Y entonces se

puede obtener FX ( x) y FY ( y ) (distribuciones acumuladas marginales de X e Y ), como sigue:
FX ( x) = P( X ≤ x) = lim FX ,Y ( x, y )
y →∞

FY ( y ) = P (Y ≤ y ) = lim FX ,Y ( x, y )
x →∞

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

72
  x + x 2 0 < x1 < 1, 0 < x 2 < 1
f X1 , X 2 ( x1 , x 2 ) =  1
0 de otro modo
Hallar la fn de distribución acumulada conjunta FX1 , X 2 ( x1 , x 2 ) de X1 y X2.
Solución:
Recordemos que
Para x1 < 0, o x 2 < 0 , o ambos x1 , x 2 < 0 entonces FX1 , X 2 ( x1 , x 2 ) = 0
para x1 > 1, o x 2 > 1 entonces FX1 , X 2 ( x1 , x 2 ) = 1
para 0 < x1 < 1 y 0 < x 2 < 1 , FX1, X 2 ( x1 , x2 ) es:
x2 x1
1 2
∫ ∫ f ( y , y )dy dy
2
FX1, X 2 ( x1 , x2 ) = 1 2 1 2 = ( x1 x2 + x1 x2 )
0 0
2
Para 0 < x1 < 1 x2 > 1
FX1, X 2 ( x1 , x2 ) es precisamente FX1 ( x1 ) y se puede obtener directamente aplicando la definición
1 2
FX1, X 2 ( x1 , x2 ) = FX ( x1 ) = lim FX1, X 2 ( x1 , x2 ) = FX1, X 2 ( x1 ,1) = ( x1 + x1 )
1 x2 →∞ 2
Para 0 < x2 < 1 x1 > 1
FX1, X 2 ( x1 , x2 ) es precisamente FX 2 ( x2 ) y por tanto:
1 2
FX1, X 2 ( x1 , x2 ) = FX ( x2 ) = lim FX1, X 2 ( x1 , x2 ) = FX1, X 2 (1, x2 ) = ( x2 + x2 )
2 x1→∞ 2
0 si x1 < 0 o x2 < 0
1 2
 2 ( x1 + x1 ) si 0 < x1 < 1 x2 > 1
 2
FX1, X 2 ( x1 , x2 ) =  12 ( x2 + x2 ) si 0 < x2 < 1 x1 > 1
Entonces: 1 2 2
 2 ( x1 x2 + x1 x2 ) si 0 < x1 < 1 y 0 < x2 < 1
1 si 1 ≥ x1 y 1 ≥ x2

En el ejemplo anterior se obtuvo la función de distribución acumulada conjunta de X e Y a partir de una
función de densidad conjunta de dos v.a.s.
En el siguiente ejemplo se hallará la fn. de densidad a partir de la función de distribución acumulada conjunta
de dos v.a.s y otros resultados.

Ejemplo: Sean X y Y dos v.a.s continuas que solo pueden tomar valores en los intervalos 0≤x≤2 y 0≤y≤2.
Suponga que la función de distribución acumulada para 0≤x≤2 y 0≤y≤2, es la siguiente.
1
FX ,Y ( x, y ) = xy ( x + y )
16
a) Determinar la FX (x)
b) Determinar FX ,Y ( x, y ) para cualquier (x,y) para todo R 2|
c) Determinar la función de densidad conjunta de X e Y.

Solución:
a) FX ( x) = P( X ≤ x) = lim P( X ≤ x, Y ≤ y ) = lim FX ,Y ( x, y ) = FX ,Y ( x,2)
y →∞ y →∞

1
= x ( x + 2) si 0 ≤ x ≤ 2
8
O bien:
73
 0 si x < 0
1
FX ( x) =  8 x( x + 2) si 0 ≤ x ≤ 2
1 si x > 2

b) Se conoce FX ,Y ( x, y ) en el soporte de X y Y
Entonces empleando la definición:

1
FX ( x) = P( X ≤ x) = lim P( X ≤ x, Y ≤ y ) = lim FX ,Y ( x, y ) = FX ,Y ( x,2) = x ( x + 2) si 0 ≤ x ≤ 2, y>2
y →∞ y →∞ 8

1
FY ( y ) = P (Y ≤ y ) = lim P ( X ≤ x, Y ≤ y ) = lim FX ,Y ( x, y ) = FX ,Y ( 2, y ) = y ( y + 2) si 0 ≤ y ≤ 2, x > 2
x→ ∞ x →∞ 8
Entonces se tiene que para cualquier (x,y) en R 2 :
0 si x < 0 o y < 0 ó bien x < 0 y y < 0
1
 8 x ( x + 2) si 0 ≤ x ≤ 2 y > 2
1
F X ,Y ( x , y ) =  8 y ( y + 2) si 0 ≤ y ≤ 2 x > 2
 1 xy ( x + y ) si 0 ≤ x ≤ 2 y 0 ≤ y ≤ 2
 16
1 si x > 2 y y > 2
c)
∂FX ,Y ( x, y ) ∂ 2 xy + y 2 2 x + 2 y 1
f X ,Y ( x, y ) = = = = ( x + y ) I [ 0, 2 ] ( x ) I [ 0 , 2 ] ( y )
∂y∂x ∂y 16 16 8
O bien:
 18 ( x + y ) si 0 ≤ x ≤ 2 0 ≤ y ≤ 2
f X ,Y ( x, y ) = 
0 de otro mod o
4.4 Distribución condicional e independencia estocástica
Recuérdese que dado dos eventos X y Y la probabilidad condicional es dado por:
P( X ∩ Y )
P( X Y ) =
P (Y )
Si X y Y son independientes:
P ( X , Y ) = P ( X ) P (Y )

Propiedades de las distribuciones bidimensionales cuando X y Y son independientes

Definición: Sean las v.a.’s X y Y con función de densidad conjunta f X ,Y ( x, y ) . La función de densidad
condicional de X dado Y denotado por f X |Y ( x | y ) es definido por:
f X ,Y ( x, y )
f X |Y ( x y ) =
fY ( y)
a) Caso para X y Y v.a. discretas
f ( x , y)
f X |Y ( xi y ) = X ,Y i si y = y j valor posible de Y
fY ( y)
= 0 si “y” no es valor posible de Y

b) Caso para X y Y continuos

74
 f X ,Y ( x, y )
f X |Y ( x y ) = fY ( y ) >0
fY ( y)

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

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

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

Teorema: Dado dos v.a. X y Y con f ( x, y ) entonces f X |Y ( x | y ) es una función de densidad

Ejemplo1 : Sean la v.a. X e Y con función de densidad definida en la siguiente tabla

Y 1 2 3 4 f X (x)
X
1 0.1 0 0.1 0 0.2
2 0.3 0 0.1 0.2 0.6
3 0 0.2 0 0 0.2
f Y ( y) 0.4 0.2 0.2 0.2 1
a) Son las v.a. X y Y independientes?
b) Determinar la función de densidad (X dado y=2) y f Y | X ( y x = 2)
Solución:
a) Por definición si son independientes las v.a.´s X y Y entonces para cualquier pareja de valores se
debe cumplir: f X ,Y ( x, y ) = f X ( x) f Y ( y )
f X (1) = 0.2 f Y ( 2 ) = 0 .2 f X ,Y (1,2) = 0
Analizando:
f X ,Y (1,2) ≠ f X (1) fY ( 2)
entonces las v.a´s X e Y no son independientes.
f ( x, y )
b) i) f X |Y ( x y ) = X ,Y
fY ( y)
f X ,Y ( x,2) f X ,Y ( x,2)
f X |Y ( x 2) = = se calcula para x=1,2,3
f Y ( 2) 0 .2
0 0 0 .2
f X |Y (1 2) = = 0, f X |Y ( 2 2) = = 0, f X |Y (3 2) = =1
0 .2 0 .2 0 .2

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

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

75
 Y 1 2 3 4 f X (x)
X
1 0.06 0.02 0.04 0.08 0.20
2 0.15 0.05 0.10 0.20 0.50
3 0.09 0.03 0.06 0.12 0.30
f Y ( y) 0.30 0.10 0.20 0.40 1
Ejemplo3: Supóngase que se toman medidas independientes X y Y de la lluvia durante un período de tiempo
en una localidad y que la fn. de densidad de cada medida es la siguiente:
f X ( x) = 2 x I [ 0,1] ( x) . Determinar el valor de P ( X + Y ≤ 1)
Solución:
Para determinar P ( X + Y ≤ 1) es necesario primero conocer la fn de densidad conjunta f X ,Y ( x, y ) de X e Y.
Como las medidas de X e Y son independientes y tienen la misma función de densidad entonces
f Y ( y ) = 2 y I [ 0,1] ( y )
Además: f X ,Y ( x, y ) = f ( x ) f ( y )
4 xy si 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
f X ,Y ( x, y ) = 
0 de otro modo
Y

X
Se desea la probabilidad de S = {( x, y ) | x + y ≤ 1} es decir:
1 1− x 1 1 1
1− x
P ( X + Y < 1) = ∫ ∫ 4 xydydx = ∫ 2 xy 2 dx = 2 ∫ x (1 − x) 2 dx = 2 ∫ ( x − 2 x 2 + x 3 ) dx
0
0 0 0 0 0
1
 x2 2x3 x 4  4 1 6−8+3 1
= 2 − +  = 1 − + = =
 2 3 4 0 3 2 6 6
Ejemplo4:Supóngase que la fn de densidad conjunta de X e Y es:
ke − ( x + 2 y ) si x ≥ 0, y ≥ 0
f X ,Y ( x, y ) = 
0 de otro modo
a) Determinar el valor de k
b) Determinar si las v.a. X e Y son independientes
c) Determinar las funciones de densidades marginales f X ( x), f Y ( y)
Solución:
Se determinará el valor de k de la función de densidad f X ,Y ( x, y ) .
∞∞
 ∞ −x 
∞ ∞
 1 −2 y 
∞
 1 k
∫0 ∫0 ke dxdy = k ∫ e  ∫ e dx dy = k ∫ e dy = k − e  = k 0 +  =
−( x + 2 y ) −2 y −2 y

0 0  0  2 0  2 2
2e − ( x + 2 y ) si x ≥ 0, y ≥ 0
entonces k=2 y f ( x, y ) = 
0 de otro modo
Hallando las marginales:
∞ ∞
f X ( x) = ∫ 2e −( x + 2 y ) dy = e − x ∫ 2e −2 y dy = e − x con x ≥ 0
0 0
−−− − 1 −− −

76
obsérve que 2e − 2 y es una función de densidad exponencial con media λ=1/2
∞ ∞
f Y ( y ) = ∫ 2e −( x + 2 y ) dx = 2e −2 y ∫e
−x
dy = 2e − 2 y con y ≥ 0
0 0
−− −− 1 −− −

obsérve que e − x es una fn exponencial con λ=1

f X ( x) f Y ( x) = e − x 2e −2 y = 2e − ( x + 2 y ) = f X ,Y ( x, y ) con x ≥ 0, y ≥ 0
entonces X y Y son independientes.
Obsérvese que f Y | X ( y | x) = 2e −2 y I [ 0,∞ ) ( x) por ser independientes

Nota: Se considera que X e Y son independientes también si f X ,Y ( x, y ) puede escribirse como

f X ,Y ( x, y ) = g ( x ) h( y ) donde g(x) es una función solamente en términos de “x” y h(y) solamente en términos
de “y” además g ( x) = af X ( x) y h( y) = bf Y ( y) con a y b constantes y f X (x) , f y ( y ) marginales de X e Y
respectivamente. Además en el soporte no deben de depender una de otra.

Ejercicios
8 xy si 0 ≤ x ≤ y ≤ 1 b)
a) f X ,Y ( x, y ) = 
3 2
0 de o.m  y para 0 ≤ x ≤ 2, 0 ≤ y ≤ 1
X e Y no son independientes? f X ,Y ( x, y ) =  2
0 de o.m.
X e Y son independientes. Comprobar
Hay dos formas de responder: determinando sus marginales y multiplicarlas o utilizando la
nota anterior.

Esperanza
Definición: Sea f X ,Y ( x, y ) la función de densidad de una v.a Bivariada (X,Y), y sea g(X,Y) una función de
las variables aleatorias X e Y. Se define la esperanza de g(X,Y) como:

i) Si X,Y son variables aleatorias discretas se tiene:

E ( g ( X , Y )) = ∑ g ( xi , y j ) f X ,Y ( xi , y j ) la suma es para todos los valores posibles de X e Y.

ii) Si X,Y son variables aleatorias continuas se tiene:

∞ ∞
E ( g ( X , Y )) = ∫ ∫ g ( x, y ) f
−∞
X ,Y ( x, y ) dxdy
−∞

Ejemplo. Una maquinaria vendedora de refrescos se llena al principio de un día dado con una cantidad
aleatoria Y y se despacha durante el día una cantidad X (medida en galones). No se vuelve a surtir durante el
día y entonces X ≤Y. Se ha observado que X y Y tienen una densidad conjunta dada por
1
 0 ≤ x ≤ y; 0 ≤ y ≤ 2
f X ,Y ( x, y ) =  2
0 para cualquier otro punto
Es decir, los puntos (x,y) tienen una distribución uniforme en el triángulo con las fronteras dadas.
a) Determinar E(XY), E(X), V(Y), E(2Y), E(X+Y)
Resolver

77
Nota: No veremos Esperanza condicionada (o sea problemas como lo que sigue)
b) Encuentre la función de densidad condicional X dado Y=y
c) Determinar el valor esperado de la medida en venta del día.
Solución:
f X ,Y ( x, y )
a) Se desea f x| y ( x | y ) =
fY ( y)
La densidad marginal de Y es dado por:
y y
1 y
f Y ( y ) = ∫ f X ,Y ( x, y )dx = ∫ dx = I [ 0, 2 ]
0 0
2 2
1/ 2 1
Entonces f x| y ( x | y ) = =
(1 / 2) y y
Por tanto, para algún valor fijo de 0 ≤ y ≤ 2
1
 0≤ x≤ y 1
f X |Y ( x | y ) =  y o f X |Y ( x | y ) = I [ 0, y ] ( x)
0 y
 de otro mod o
En particular f X |Y ( x | y = 1) = 1I[ 0,1] ( x)
b) Aquí se pide determinar E(X), y lo podemos determinar de dos maneras:
Utilizar f X ,Y ( x, y ) respetando la región del rango de X e Y se calcula de la siguiente manera:
2 y 2 y

E( X ) = ∫ ∫ f ( x, y )dxdy = ∫ ∫ 1 / 2dxdy
0 0 0 0

O bien utilizar f (x) por lo que se debe determina la marginal de X incluyendo su rango y luego determinar
la siguiente integral como ya sabemos, esto es

E( X ) = ∫ xf ( x)dx
int egrar en el rangode X

78