Universidad Nacional Autónoma de Nicaragua

Tema:

Docente:

Fecha:
11/022022

Elaborado por:
Cristel Sarahi López Down

“A LA LIBERTAD POR LA UNIVERSIDAD”

1.2. VARIABLE ALEATORIA BIDIMENSIONAL
Como indicamos al iniciar el concepto de variable aleatoria unidimensional, veíamos que
introducíamos las variables aleatorias con el fin de transformar los resultados elementales de un
experimento aleatorio en números reales, y de esta forma aprovechamos las propiedades del nuevo
espacio probabilístico para estudiar los sucesos relacionados con cantidades numéricas.
En algunas situaciones la información que se tiene del experimento aleato- rio no se puede
expresar mediante valores de un subconjunto de R. Por ejemplo, si estamos interesados en estudiar la
relación existente entre el peso y la estatura de los individuos de una población, el correspondiente
suceso que se tendría en cada realización del experimento aleatorio sería: el individuo extraído al
azar pesa 85 kg y mide 1,85 m y a este suceso no se le puede asignar un número en R, sino que en
este caso tendríamos que considerar dos variables aleatorias X e Y, una para el peso y otra para la
estatura, las cuales darían lugar al espacio R2, sobre el que se tendría el correspondiente espacio
probabilístico.
Esto pone de manifiesto que en ciertas situaciones hay que trabajar en espacios de más de una
dimensión (en el ejemplo anterior en R2, pero en general sería en R"), estableciendo aplicaciones que
transforman los resultados o sucesos elementales del experimento aleatorio en puntos del espacio n-
dimensional R", estas aplicaciones se hacen utilizando variables aleatorias bi-dimensionales o n-
dimensionales en general. Nosotros aquí nos vamos a referir siempre al caso bidimensional.
En muchas ocasiones es necesario estudiar conjuntamente dos características del fenómeno aleatorio
en cuestión, es decir, el comportamiento conjunto de dos variables aleatorias, intentando explicar la
posible relación existente entre ellas. A sí por ejemplo, nos puede interesar estudiar la renta y el
consumo de las familias, los gastos de mantenimiento y el valor de la producción de una empresa, los
salarios de las familias y el ahorro, etc. Pero para estudiar conjuntamente las dos variables aleatorias,
es decir, la variable aleatoria bidimensional, será necesario conocer la distribución de probabilidad
conjunta de ambas variables.
Para introducir las ideas básicas sobre la distribución conjunta de probaba lidad consideramos el
siguiente ejemplo:
supongamos una caja que contiene cuatro bombillas buenas y una defectuosa. Realizamos
extracciones sin reemplazamiento, es decir, se extrae aleatoriamente una bombilla de la caja se
observa si es buena o defectuosa pero no se devuelve a la caja hasta después de que se ha extraído la
segunda bombilla. Designamos por X la variable aleatoria, de tipo discreto, que indica si la primera
bombilla extraída es defectuosa o no y por Y la variable aleatoria que indica si la segunda bombilla
extraída es defectuosa o no. Ambas varia- bles aleatorias X e Y sólo pueden tomar los valores cero o
uno según que la bombilla extraída sea buena o defectuosa.
Este experimento aleatorio da lugar a 20 posibles resultados o sucesos, pues en la primera
extracción son posibles 5 elecciones (las 5 bombillas que hay), y para la segunda extracción solo
quedan 4 posibles elecciones, luego hay 5 · 4  20 posibles resultados. Pero como las extracciones
se realizan de forma aleatoria el modelo probabilístico asociado a este experimento aleatorio asigna
probabilidades iguales a 1/20 a cada uno de los veinte posibles sucesos. De estos veinte sucesos,
doce corresponden a los valores de la variable aleatoria bidimensional (X  0, Y  0), pues en la
caja hay cuatro bombillas buenas, una de las cuales se puede obtener en la primera extracción, y que-
dan tres bombillas buenas para la segunda extracción, luego hay 4 · 3  12 posibles resultados o
sucesos en los que no se extrae bombilla defectuosa ni en la primera ni en la segunda extracción.
Resultando que la probabilidad del suceso considerado será:

“A LA LIBERTAD POR LA UNIVERSIDAD”

 Análogamente obtendríamos:

Estas probabilidades se pueden resumir en la tabla 1.5, y nos indica la dis- tribución de
probabilidad conjunta de la variable aleatoria bidimensional (X, Y).
Tabla 1.5. Distribución de probabilidad conjunta de la variable aleatoria
bidimensional (X, Y).

En el gráfico 1.9 se muestra la representación gráfica de la distribución de probabilidad

bidimensional del experimento aleatorio considerado.
La última fila y la última columna de la tabla 1.5 nos indican las probabilidades marginales de X y de
Y respectivamente.
Además de las probabilidades conjuntas y marginales, nos pueden interesar las probabilidades
condicionadas, tales como la probabilidad de que la segunda bombilla sacada sea buena cuando la
primera también fue buena. Para obtener esta probabilidad condicionada en este experimento, basta
con tener en cuenta que

“A LA LIBERTAD POR LA UNIVERSIDAD”

 Gráfico 1.9. Diagrama de barras, tridimensional, de probabilidades relativas para los pares de observaciones
(x, y).
después de que se sabe que la primera bombilla extraída es buena, hay sola- mente tres bombillas
buenas entre los cuatro restantes, y tendríamos:

que coincide con la probabilidad obtenida a partir de la definición de probabilidad condicionada que
daremos después de esta introducción intuitiva y que será:

1.2.1. Distribución de probabilidad bidimensional

De manera análoga a lo que hacíamos en el caso unidimensional, aquí daremos para la variable
aleatoria bidimensional discreta, su distribución de probabilidades y su función de distribución y
para la variable aleatoria bi- dimensional de tipo continuo daremos su función de densidad de
probabilidad y la correspondiente función de distribución.
sea la variable aleatoria X de tipo discreto que toma un número finito de valores x1, x2, …, xr, y
sea la variable aleatoria Y, también de tipo discreto, que toma los valores y1, y2, …, yr.
La probabilidad de que la variable aleatoria X tome el valor x, y la variable aleatoria Y tome el
valor yj, la designaremos por:

Definición 1.8. Distribución de probabilidad bidimensional.

La distribución de probabilidad bidimensional o distribución de
probabilidad conjunta de una variable aleatoria discreta bidimensional es
una función P(x, y) que asigna las probabilidades a los diferentes valo- res
conjuntos de la variable aleatoria bidimensional (X, Y), de tal manera que se
verifiquen las dos condiciones siguientes:

Definición 1.9. Función de distribución bidimensional.

sea una variable aleatoria bidimensional (X, Y) de tipo discreto cuya
distribución de probabilidades es pij  P(xi, yj), i  1, 2, …, r y j  1, 2,
…, s. Definimos la función de distribución conjunta, que no- taremos por
F(x, y) como:

“A LA LIBERTAD POR LA UNIVERSIDAD”

y representa la suma de las probabilidades puntuales P(x, y) hasta el valor
(x, y) inclusive de la variable aleatoria bidimensional (X, Y).
 Consideramos ahora una variable aleatoria bidimensional de tipo continuo (X, Y).

Definición 1.10. Función de densidad bidimensional.

sea (X, Y) una variable aleatoria bidimensional de tipo continuo, y si existe
una función f(x, y) tal que verifica:

diremos que f(x, y)es la función de densidad de la variable aleatoria bidi-

mensional continua (X, Y).

Esta función de densidad conjunta, de forma análoga al caso unidimen- sional, se puede
interpretar como un histograma de frecuencias relativas con- juntas para X e Y, pues la función de
densidad f(x, y) representa una superficie de densidad de probabilidad en el espacio tridimensional, y
el volumen, por debajo de esta superficie y por encima del rectángulo xm X m xe ym Y m y, es igual
a la probabilidad de que las variables aleatorias tienen valores dentro del rectángulo indicado, es
decir:

y esta probabilidad viene representada por el volumen sombreado del gráfico 1.10.

Gráfico 1.10. Función de densidad bidimensional.

Definición 1.11. Función de distribución bidimensional.

sea una variable aleatoria bidimensional (X, Y) de tipo continuo que toma
valores sobre el espacio bidimensional R2 y cuya función de densi- dad
es f(x, y). se define la función de distribución de la variable aleatoria
bidimensional, que notaremos por F(x, y), como:

“A LA LIBERTAD POR LA UNIVERSIDAD”

 La función de distribución bidimensional satisface una serie de propieda- des análogas a las
indicadas en el caso unidimensional2:

3. Es monótona no decreciente respecto a las dos variables, es decir:

2
Las propiedades 1, 2, 3 y 4 son válidas para el caso discreto y el caso continuo y la 5 sólo es válida para el caso continuo.
4. si a1  a2 y b1  b2, siendo a1, a2, b2, b2 R, entonces:

5. La derivada parcial segunda respecto de x e y de la función de distribu- ción F(x, y) es la

función de densidad:

Ejemplo 1.4
sea una variable aleatoria bidimensional (X, Y) cuya función de densidad
es:

Obtener:
1. La representación gráfica de la función de densidad.
2. La función de distribución. 3. La P(X  0,2, Y 
0,4).
4. La P(0,1  X  0,2, 0  Y  0,4) y su interpretación.

Solución:
La representación gráfica de la función de densidad viene dada por el gráfico 1.11.
La función de distribución será:

“A LA LIBERTAD POR LA UNIVERSIDAD”

 Gráfico 1.11. Representación gráfica de la función de densidad del ejemplo 1.4.

y representa el volumen bajo la f(x, y)  1 en la zona sombreada del plano (x, y).

Esta probabilidad representa el volumen bajo la curva función de densidad

f(x, y)  1, sobre la región del plano (x, y) delimitada por:

1.2.2. Distribuciones marginales

Anteriormente hemos estudiado las variables aleatorias bidimensionales y conocíamos el
comportamiento conjunto de las dos variables aleatorias, es decir conocíamos la distribución
conjunta de (X, Y). Ahora nos interesa cono- cer la distribución de alguna o de ambas variables
aleatorias, por separado, a partir de la información que nos proporcionaba la distribución conjunta de
(X, Y), y esto nos lleva al concepto de distribuciones marginales.
En el caso de una variable aleatoria bidimensional (X, Y), teniendo en cuenta que, todos los
sucesos bivariantes, correspondientes a los diferentes valores que puede tomar la variable aleatoria
bidimensional, es decir:
“A LA LIBERTAD POR LA UNIVERSIDAD”
eran sucesos mutuamente excluyentes, entonces podremos decir que el suceso univariante X  xi es la
unión de todos los sucesos bivariantes (X  xi, Y  yj) para todos los valores posibles de yj.
Para el ejemplo de la Tabla 1.5, tenemos:

Definición 1.12. Distribución de probabilidad marginal.

sea una variable aleatoria bidimensional (X, Y) de tipo discreto cuya
distribución de probabilidad es pij  P(xi, yj). Entonces las distribuciones
de probabilidad marginales, de X e Y, respectivamente, vienen dadas por:

Observemos que el término marginal tiene un significado intuitivo y que la distribución de

probabilidad marginal de X es la probabilidad de que X  x con independencia del valor que tome Y,
luego también podemos escribir que:

Análogamente para la distribución de probabilidad marginal de Y

Definición 1.13. Función de distribución marginal.

sea una variable aleatoria bidimensional (X, Y) de tipo discreto cuya
distribución de probabilidad es pij  P(x, y). Entonces las funciones de
distribución marginales de X e Y, respectivamente, se definen como:

si ahora consideramos una variable aleatoria bidimensional de tipo conti- nuo (X, Y), tendremos
sus correspondientes funciones de densidad marginales y sus funciones de distribución.

“A LA LIBERTAD POR LA UNIVERSIDAD”

Definición 1.14. Función de densidad marginal.
sea una variable aleatoria bidimensional (X, Y) de tipo continuo, cuya
función de densidad conjunta es f(x, y). Entonces las funciones de densi-
dad marginales de X e Y, respectivamente, se definen como:

Definición 1.15. Función de distribución marginal.

sea una variable aleatoria bidimensional (X, Y) de tipo continuo, cuya
función de densidad conjunta es f(x, y). Entonces se definen las funciones
de distribución marginales de X e Y como:

La distribución marginal de la variable aleatoria X nos da la probabilidad de que X  x, con

independencia de los valores que toma la variable aleatoria
Y. Físicamente sería la cantidad de masa de probabilidad que hay en el plano
XY pero a la izquierda y sobre la recta X  x, ver gráfico 1.12.
Una forma posible de calcular la cantidad de masa de probabilidad que queda sobre la recta X  x
y a la izquierda de ella, podría ser acumularla sobre la recta X  x y después asignarla al punto (X  x, Y
 0). De aquí el nombre que recibe de distribución marginal.
Análogamente sería para la distribución marginal de Y.

“A LA LIBERTAD POR LA UNIVERSIDAD”

 Gráfico 1.12. Distribución marginal de la variable aleatoria X.
1.2.3. Distribuciones condicionadas
En apartados anteriores hemos estudiado el comportamiento conjunto e individual de las
variables aleatorias que componían la variable aleatoria bidimensional, obteniendo las distribuciones
conjuntas y marginales. Ahora nos interesa conocer cómo se distribuye una de las variables cuando
se impo- nen condiciones a la otra y esto nos llevará al estudio de las distribuciones condicionadas.
En el capítulo anterior estudiábamos la probabilidad condicionada P(B/A), y nos indicaba el
cambio que se producía en la probabilidad de un suceso como consecuencia de la ocurrencia de otro,
y la definíamos como:

Por analogía con esta definición y considerando la variable aleatoria bidi- mensional discreta (X,
Y), con su correspondiente distribución de probabili- dades, podremos definir la probabilidad
condicionada P(X  x/Y  y), que indica la probabilidad de que la variable aleatoria X  xcuando
la variable aleatoria Y  yj, como:

siempre que P(Y  yj) > 0.

Definición 1.16. Distribución de probabilidad condicionada de la variable aleatoria discreta X

dado Y  yj.

siempre que

En esta expresión yj es fijo y xi varía sobre todos los posibles valores de la variable aleatoria X, obteniendo
así la distribución de probabilidad de la variable aleatoria discreta X bajo

“A LA LIBERTAD POR LA UNIVERSIDAD”