Tema 01: Variables aleatorias bidimensionales

Cuando queramos estudiar o analizar el comportamiento conjunto de dos fenómenos

aleatorios, cada uno representado por una variable aleatoria: ξ1 y ξ2, estaremos ante una
variable aleatoria bidimensional (ξ1 , ξ 2 ) cuyos valores vendrán representados por los
pares (x,y). Al conjunto de estos pares de valores reales que puede tomar la variable
aleatoria (ξ1 , ξ 2 ) acompañados de sus respectivas probabilidades se le denomina
distribución de probabilidad conjunta.

Ejemplos:
- Analizar la oferta y demanda de un bien.
- El peso y la altura de un individuo.
- La temperatura y la ocupación hotelera
- El ingreso y el consumo de las familias españolas.

Distribución conjunta de Tipo Discreto

La distribución de probabilidad de una variable aleatoria bidimensional (ξ1 , ξ 2 ) se dice

que es de tipo discreto cuando lo son cada una de las dos variables que la componen. De
tal forma que el conjunto de pares de valores que puede tomar será: {x , y }
i j i∈I ; j∈J .
Siendo la función de cuantía conjunta:

 Pij ≥ 0

f ( xi , y=
j) ξ1 xi ;=
P = ξ 2 y= Pij
j cumpliendo que ∑∑ Pij = 1

 ∀i ∀j
Y la función de distribución conjunta:

, y ) P(ξ1 ≤ x ; ξ 2 ≤=
F ( x= y) ∑∑P
xi ≤ x y j ≤ y
ij ∀ ( x, y ) ∈ℜ2

1
EJERCICIO 1
Sea la variable aleatoria bidimensional (ξ1 , ξ 2 ) en la que la primera variable ξ1 puede
tomar los valores {Xi : 0 , 1 , 2 } y la segunda variable ξ2 los valores {Yj : 10, 20, 30, 40 },
con la siguiente distribución de probabilidad conjunta:

En la que se puede comprobar que se verifica:

Yj Xi 0 1 2
10 0,02 0,06 0,02
Pij > 0
20 0,04 0,24 0,04
30 0,06 0,18 0,06 ∑∑ P∀i ∀j
ij =1
40 0,08 0,12 0,08

1) Obtenga los siguientes valores de la función de distribución conjunta:

F (1 , 25) =P(ξ1 ≤ 1 ; ξ 2 ≤ 25)

F (2 , 5) =P(ξ1 ≤ 2 ; ξ 2 ≤ 5)
F (0,8 , 33,7) =P (ξ1 ≤ 0,8 ; ξ 2 ≤ 33, 7)

Distribución conjunta de Tipo Continuo

La distribución de probabilidad de una variable aleatoria bidimensional (ξ1 , ξ 2 )

se dice
que es de tipo continuo cuando lo son cada una de las dos variables que la componen,
siendo en este caso la función de distribución conjunta continua con segunda derivada
también continua. El conjunto de valores podrá ser cualquier subconjunto de ℜ2 y como
en el caso de las distribuciones unidimensionales se cumple que la probabilidad en un
punto es igual a cero:
P [ξ=
1 x ; ξ=
2 ] 0
y= ∀ ( x, y ) ∈ℜ2

La función de densidad conjunta será f ( x, y ) ≥ 0 , tal que:

P [ a ≤ ξ1 ≤ b ; c ≤ ξ 2 ≤ d ] =
b d
∫ ∫ f ( x, y)dxdy
a c
+∞ +∞
∫∫ 2 f ( x, y)dxdy
Verificando que:= ℜ ∫=
∫ f ( x, y)dxdy 1
−∞ −∞

Y la función de distribución conjunta F ( x, y ) se podrá obtener como:

∀ ( x, y ) ∈ℜ2
x y
, y ) P(ξ1 ≤ x ; ξ 2 ≤=
F ( x= y) ∫ ∫ −∞ −∞
f ( x, y )dxdy
∂ 2 F ( x, y )
Deduciéndose que: f ( x, y ) =
∂x∂y

2
EJERCICIO 2
Dada la variable (ξ1 , ξ 2 ) , cuya distribución de probabilidad conjunta viene definida por la
función de densidad conjunta:

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

f (x, y) = 0 para cualquier otro valor de (x, y)

1) Determine la probabilidad del suceso (ξ1 ≤ 0,5 ; ξ2 ≤ 0,2) .

0,2

0 0,5 1 x

P(ξ1 ≤ 0,5 ; ξ 2 ≤ 0, 2)
F (0,5 , 0,2) =

2. Distribuciones marginales
Dada una variable aleatoria bidimensional (ξ1 , ξ 2 ) las distribuciones marginales son las
distribuciones unidimensionales de cada una de las variables que la componen,
consideradas por separado. Es decir, sin tener en cuenta la distribución de probabilidad
de la otra variable. Se podrán obtener a partir de la distribución conjunta.

Tipo Discreto

Funciones de cuantía marginales:

Para ξ1 ⇒ f1 ( x=
i) P (= i)
ξ1 x= ∑ P=
∀y j
ij Pi• cumpliendo que ∑P
∀xi
i• =1

Para ξ2 ⇒ f 2 ( y=
j) P (= j)
ξ2 y= ∑=
P ij P• j cumpliendo que ∑P j =1
∀xi ∀y j

3
Funciones de distribución marginales:

Para ξ1 ⇒ F=
1( x) F ( x ;=
+∞) ∑∑
= P ∑P
xi ≤ x ∀y j
ij
xi ≤ x
i•

Para ξ2 ⇒ F2 ( y=
) F ( +∞ ; y=
) ∑ ∑ P= ∑ P
∀xi y j ≤ y
ij
yj≤y
•j

EJERCICIO 1

2) Determine las distribuciones de probabilidad marginales.

Xi 0 1 2 P• j
Yj
10 0,02 0,06 0,02
20 0,04 0,24 0,04
30 0,06 0,18 0,06
40 0,08 0,12 0,08
Pi•

Tipo Continuo

Funciones de densidad marginales:

+∞ +∞
Para ξ1 ⇒ f1 ( x) = ∫ f ( x, y )dy cumpliendo que ∫ f1 ( x)dx = 1
−∞ −∞
+∞ +∞
Para ξ2 ⇒ f2 ( y) = ∫ f ( x, y )dx cumpliendo que ∫ f 2 ( y )dy = 1
−∞ −∞

Funciones de distribución marginales:

x +∞ x
Para ξ1 ⇒ F=
1 ( x) F ( x ;=
+∞) ∫ ∫
−∞ −∞
=
f ( x, y )dxdy ∫ −∞
f1 ( x)dx
+∞ y y
Para ξ2 ⇒ F2 ( y=
) F (+∞ ; y=
) ∫ ∫
−∞ −∞
=
f ( x, y )dxdy ∫ −∞
f 2 ( y )dy

EJERCICIO 2
2) Determine las funciones de densidad marginales del Ejercicio 2 anterior.

4
3. Distribuciones condicionadas

Una distribución condicionada va a ser también unidimensional, y surge cuando se

contempla la distribución de una de las variables sujeta a la restricción de que la otra
variable haya tomado un determinado valor, eliminándose la posibilidad de que esta
variable condicionante pudiera tomar otros valores. Toda distribución condicionada
supone una reducción drástica del conjunto de los posibles pares de valores.

Tipo Discreto:

Supuesto que la variable ξ1 hubiera tomado el valor xi , que deberá cumplir que
P (=
ξ1 xi ) ≠ 0 , la distribución condicionada de ξ2 / ξ1 = xi será la formada por los

valores posibles de ξ2 : { y j } junto con las probabilidades condicionadas definidas a

través de la función de cuantía condicionada:

P ξ= ξ1 x=
y j /= 
(ξ1 x=
P= i ; ξ2 y j ) Pij
= ∀y j
i
P (ξ1 = xi )
2
Pi•
Siendo la correspondiente función de distribución condicionada:
Pij
P [ξ 2 ≤ y / ξ1 =xi ] =∑ y j ≤ y Pi •
para y ∈ℜ

Podremos definir tantas distribuciones condicionadas ξ2 / ξ1 = xi como valores distintos

xi existan.

Análogamente la distribución de ξ1 condicionada a que ξ 2 sea igual a y j , {ξ1 / ξ2 = y j } ,

siempre que P (=
ξ2 y j ) ≠ 0 , se definirá por los valores { xi } con las probabilidades
condicionadas obtenidas a través de la función de cuantía condicionada:

ξ1 xi /=
P = ξ2 y=
(ξ1 x=
P= i ; ξ2 y j ) Pij
j
 = ∀xi
P (ξ 2 = y j ) P• j

La función de distribución condicionada de ξ1 / ξ2 = y j :

P
P ξ1 ≤ x / ξ 2 =y j  =∑ ij para x ∈ℜ
Pxi ≤ x •j

Podremos definir tantas distribuciones condicionadas ξ1 / ξ2 = y j como valores distintos

yj existan.

EJERCICIO 1. 3) Las tres distribuciones de ξ 2 condicionadas a que ξ1 tome cada uno de

los tres valores posibles.

5
Tipo Continuo:

En el caso de las distribuciones de tipo continuo, en las que como sabemos la

probabilidad en un punto determinado es nula ⇒ P (ξ= 1 ) 0 y P (ξ=2 y=) 0 ,
x=
parece en principio que es imposible definir las distribuciones condicionadas. El problema
se resuelve definiendo las funciones de distribución condicionadas como el siguiente
límite:

Distribuciones condicionadas de ξ2 / ξ1 = x
Función de distribución condicionada F ( y / x)

F ( y / x ) = P [ξ 2 ≤ y / ξ1 = x ] = lim P [ξ 2 ≤ y / x − ε < ξ1 ≤ x + ε ] = ...

ε →0
f ( x, y )
F ( y / x) = ∫
y

Al resolver este límite se obtiene que:

dy
−∞ f1 ( x )

Y, por tanto, se deduce que la función de densidad condicionada de ξ2 / ξ1 = x será:

f ( x, y )
f ( y / x) =
f1 ( x )

Análogamente, la función de distribución condicionada de ξ1 / ξ2 = y :

f ( x, y )
P [ξ1 ≤ x / ξ 2 =
F ( x / y) = y] =
x
∫ −∞ f ( y )
2
y la función de densidad

f ( x, y )
condicionada de ξ1 / ξ2 = y :
f ( x / y) =
f2 ( y)

EJERCICIO 2. 3) Las funciones de densidad condicionadas de ξ2 / ξ1 = x y de

ξ1 / ξ2 = y .

6
4. Variables aleatorias independientes
Diremos que dos variables aleatorias ξ1 y ξ 2 son estocásticamente independientes o
independientes en probabilidad o simplemente independientes, si se cumple que cuando
una de ellas toma un valor determinado cualquiera, esto no modifica la distribución de
probabilidad de la otra. De tal forma, que todas las distribuciones condicionadas de
ξ2 / ξ1 = x serán iguales entre sí e iguales, a su vez, a la distribución de probabilidad

marginal de ξ2 . Por lo mismo, todas las distribuciones condicionadas de ξ1 / ξ2 = y

serán iguales entre sí e iguales, a su vez, a la distribución de probabilidad marginal de ξ1 .

Caracterización de la independencia en distribuciones de Tipo Discreto. Se deberá

cumplir que:

P ξ= ξ1 x=
(ξ1 x=
P= i ; ξ2 y j ) Pij
= = P ξ=
yj /= i
 j
y= P• j
P (ξ1 = xi )
2 2
Pi•

(ξ1 x=
P= i ; ξ2 y j ) Pij
= = P [ξ=
P ξ= xi / ξ= j
y= i]
x= Pi•
P (ξ 2 = y j )
1 2 1
P• j
Deduciéndose que la condición necesaria y suficiente de independencia es:
Pij =
Pi• ⋅ P• j ∀( xi , y j )

Caracterización de la independencia en distribuciones de Tipo Continuo. Se deberá

cumplir que:
f ( x, y )
ξ2 / ξ1 = x f=
( y / x) = f2 ( y)
f1 ( x )
f ( x, y )
ξ1 / ξ2 = y f=
( x / y) = f1 ( x )
f2 ( y)

E igual que antes, la condición necesaria y suficiente de independencia se puede

concretar en:

f ( x=
, y ) f1 ( x ) ⋅ f 2 ( y )

EJERCICIO 1. 4) Si las dos variables son independientes en probabilidad.

EJERCICIO 2. 4) Si las dos variables son independientes en probabilidad