Variables Aleatorias

Conjuntas Discretas
Msc. Sandra González
 Introducción al Análisis Estadístico
Multivariado

 Es irreal pensar en una investigación

estadísticamente diseñada, en la que
se formule una sola pregunta por lo que
cabe analizar el comportamiento
conjunto de dos o mas características
de una misma Población Objetivo.
Ingresamos a lo que es el análisis
estadístico Multivariado
 Distribución de Probabilidad Conjunta
Caso Discreto
Definición

Sean X, Y: variables aleatorias discretas. Entonces su función de distribución de

probabilidad conjunta es f(x,y).

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)

𝑓𝑦 (𝑦) = 𝑃 𝑌 = 𝑦 = σ𝑡𝑜𝑑𝑎 𝑥 𝑓(𝑥, 𝑦)

Que son también marginales de X y marginales de Y respectivamente

 Ejemplo 1:
 Sea 𝑋 𝑇 = (𝑋 𝑌) un Vector Aleatorio Bivariado tal que su distribución de
Probabilidad es:

𝑓 𝑥, 𝑦 = 𝑘(𝑥 + 𝑦); con soporte 𝑆 = 𝑥, 𝑦 | 𝑥 = 1,2,3 ∧ 𝑦 = 1,2

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.

El valor esperado de U se lo denota y define de la siguiente forma:

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

7 0.25 0.1 0.2

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

Determine si X e Y son independientes.

 Covarianza entre X y Y - Discreto
Si tenemos que u ( x, y ) = ( x − u x )( y − u y ) entonces E u ( x, y ) se denomina covarianza entres X y Y.
A este valor esperado se denota cov(X,Y) =  XY

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

Lo que esto no significa es, que si 𝑐𝑜𝑣 𝑥, 𝑦 = 0, entonces las

variables son necesariamente Independientes ya que bien podría
existir Dependencia No Lineal
 Ejemplo 3.2:
Dado la siguiente tabla de Distribución Conjunta (Ejemplo 3.1) :
Variable Y Marginal
0 1 2 de X
Variable X 1 1ൗ 0 1ൗ
3 3
0 0 1ൗ 0
3
Marginal de Y

Determine la covarianza y la correlación entre X e Y.

 Resumen de algunas formulas.
 XY = Cov  X , Y  = E ( xy) − E ( x) E ( y )
𝜇𝑥 = 𝐸 𝑥 = ෍ 𝑥𝑓𝑥 𝑥 = ෍ 𝑥𝑃(𝑋 = 𝑥)
𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑥 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑥

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)

Varianza de (x): 𝜎𝑥2 = 𝐸(𝑥 2 ) − 𝐸(𝑥) 2 donde 𝐸(𝑥 2 ) = σ 𝑥 2 𝑓𝑥 𝑥 = σ 𝑥 2 𝑃(𝑋 = 𝑥)

Varianza de (y): 𝜎𝑦2 = 𝐸(𝑦 2 ) − 𝐸(𝑦) 2 donde 𝐸(𝑦 2 ) = σ 𝑦 2 𝑓𝑦 (𝑦) = σ 𝑦 2 𝑃(𝑌 = 𝑦)

 Distribuciones condicionales
Caso Discreto
 Si 𝑋 𝑇 = 𝑋1 , 𝑋2 es un Vector Aleatorio Discreto cuya distribución conjunta es
𝑓(𝑥1 , 𝑥2 ), y sean 𝑓1 y 𝑓2 las respectivas distribuciones marginales de 𝑋1 𝑦 𝑋2
respectivamente, denotaremos por:
𝑓(𝑥1 , 𝑥2 )
𝑓 𝑥2 𝑥1 =
𝑓1 (𝑥1 )
Se lee: la Distribución Condicional de 𝑋2 dado que 𝑋1 = 𝑥1

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:

𝐸(𝑋1 │𝑋2 = 𝑥2 ) = ෍ 𝑥1 [𝑓𝑥1|𝑥2=𝑥2 ]

𝑠𝑥1

𝐸 𝑋12 𝑋2 = 𝑥2 = ෍ 𝑥12 [𝑓𝑥1|𝑥2=𝑥2 ]

𝑠𝑥1
 Ejemplo 4:
 Sea 𝑋 𝑇 = 𝑋1 , 𝑋2 un vector aleatorio Bivariado Discreto tal que 𝑓 𝑥1 , 𝑥2 = 𝐾 𝑥1 + 𝑥2 con
soporte 𝑆𝑥 = 1,2 , 1,3 , 2,2 (2,3) . Determine
 El valor k
 Las distribuciones marginales 𝑓𝑥1 (𝑥1 ), 𝑓𝑥2 (𝑥2 )
 La distribución condicional 𝑓 𝑥1 𝑥2
 Las condicionales 𝑓 𝑥1 𝑥2 = 2 , 𝑓 𝑥1 𝑥2 = 3
 𝐸 𝑥1 𝑥2 = 2)
 Referencias
 Probabilidad y Estadística: Fundamentos y Aplicaciones (2010) Autor: Gaudencio Zurita, Segunda Edición. Editorial
Centro de Publicaciones ESPOL, Ecuador.
 Probabilidad y Estadistica para Ingenieros(2011), Autores: Miller y Freud, octava edición
 Probabilidad y Estadística Básica para Ingenieros, con soporte de MATLAB (2007) Autor: Luis Rodríguez. Libro virtual.
Sitio web Departamento de Matemáticas, ESPOL, Ecuador.
 Probabilidad y estadística para ingeniería y ciencias, 9Ed(2013) Autores: Ronald E. Walpole ,Raymond H. Myers,
Sharon L. Myers
 Estadistica Matemática con aplicaciones (2002) Autores: Dennis Wackerly, William Mendenhall y Richard Scheaffer,
Séptima Edición.