Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Conjuntas Discretas
Msc. Sandra González
Introducción al Análisis Estadístico
Multivariado
Función 𝑓: 𝑅2 → 𝑅
𝑓(𝑥, 𝑦)= 𝑃 𝑋 = 𝑥, 𝑌 = 𝑦
Esta función satisface las siguientes propiedades:
1) ∀𝑥, 𝑦 𝑓(𝑥, 𝑦) ≥ 0
2) ΣΣ 𝑓 𝑥, 𝑦 = 1
3) 𝑃 𝑋 = 𝑥, 𝑌 = 𝑦 = 𝑓(𝑥, 𝑦)
Nota: Al par ordenado 𝑥, 𝑦 se denomina vector aleatorio bivariado discreto
Distribucion Marginal de X, Marginal de Y
Si 𝑋 𝑇 = 𝑋, 𝑌 es un vector bivariado Discreto con distribución conjunta f, entonces
la distribución de probabilidad 𝑓𝑥 de X y la distribución de probabilidad 𝑓𝑦 de Y son
dadas por:
𝑓𝑥 (𝑥) = 𝑃 𝑋 = 𝑥 = σ𝑡𝑜𝑑𝑎 𝑦 𝑓(𝑥, 𝑦)
a) Determine K
b) Determine 𝑃 𝑥 = 1, 𝑦 = 1 , 𝑃 𝑥 = 1, 𝑦 = 2 , 𝑃 𝑥 = 2, 𝑦 = 2 , 𝑃(𝑦 < 2)
c) Determine las marginales 𝑓𝑥 𝑥 , 𝑓𝑦 𝑦 ,
d) Determine la tabla de distribucion conjunta de X y Y
Valores esperados de Vectores Aleatorios
Discreto
Sea XT = ( X Y) un vector aleatorio bivariado discreto con Distribución conjunta f(x,y) = P(X=x, Y=y);
sea además u una función de variable real con regla de correspondencia u(x,y), definidos en
términos de X e Y para todo los valores en el soporte de X.
E u ( x, y ) = u ( x, y ) f ( x, y )
( xy )R 2
Ejemplo 2:
Dado la siguiente tabla de Distribución Conjunta:
Variable Y
7 8 9
Variable X 6 0.1 0.25 0.1
𝒙+𝒚
Dada la función 𝒈 𝒙, 𝒚 = . Calcule 𝑬(𝒈 𝒙, 𝒚 )
𝟐
Independencia Estocástica de
Variables Aleatorias
Se dice que la variable X e Y constituyen un vector aleatorio bivariado X con distribución de
Probabilidades P(X=x, Y=y)=f(x,y) , son Estocásticamente Independientes cuando y solo cuando
𝑓 𝑥, 𝑦 = 𝑓𝑥 (𝑥)𝑓𝑦 (𝑦)
Ejemplo 3.1:
Dado la siguiente tabla de Distribución Conjunta:
Variable Y Marginal
0 1 2 de X
Variable X 1 1ൗ 0 1ൗ
3 3
0 0 1ൗ 0
3
Marginal de Y
Sean X, Y variables aleatorias discretas con distribución conjunta f(x,y), Entonces, la covarianza
de X, Y es
XY = Cov X , Y = E ( X − X )(Y − Y ) = ( x − X )( y − Y ) f ( x, y )
x y
XY = Cov X , Y = E ( xy ) − E ( x ) E ( y )
Relación entre covarianza e
independencia
Si X e Y son variables aleatorias estocásticamente independientes,
entonces
𝑐𝑜𝑣 𝑥, 𝑦 = 0
𝜇𝑦 = 𝐸 𝑦 = 𝑦𝑓𝑦 𝑦 = 𝑦𝑃(𝑌 = 𝑦)
𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑦 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎𝑦
𝐸 𝑥𝑦 = σ σ 𝑥𝑦𝑓 𝑥, 𝑦 = σ σ 𝑥𝑦𝑃(𝑋 = 𝑥, 𝑌 = 𝑦)
De igual forma:
𝑓(𝑥1 , 𝑥2 )
𝑓 𝑥1 𝑥2 =
𝑓2 (𝑥2 )
Se lee: la Distribución Condicional de 𝑋1 dado que 𝑋2 = 𝑥2
Distribuciones condicionales
Caso Discreto
En las distribuciones condicionales: