Distribución conjunta y condicional

Guía de ejercicios

Prof. Alejandro Nasif Salum

1. Se tienen dos variables aleatorias discretas con rangos RX = {2, 4, 6} y

RY = {1, 2} y con distribución conjunta dada por la siguiente tabla:

Y \X 2 4 6
1 0,15 0,1 0,35
2 0,2 0 α

a) Hallar α tal que la tabla represente la función de probabilidad

conjunta del vector (X, Y ).
b) ¿Es en este caso R(X,Y ) = RX × RY ?
c) Hallar las funciones de probabilidad marginal pX (x) y pY (y).
d ) Calcular las distribuciones condicionales pY |X=6 (y) = pXY (6, y)/pX (6)
y pX|Y =2 (x) = pXY (x, 2)/pY (2).
e) Calcular E(XY ), E(X), E(Y ), Var(X) y Var(Y ).
f ) Calcular Cov(X, Y ) y ρXY .
g) ¿Son X e Y variables aleatorias independientes?

2. Sean X e Y variables aleatorias continuas con densidad conjunta en el

cuadrado 0 < x < 1, 0 < y < 1 dada por

fXY (x, y) = k(x + 2y),

y 0 en el resto del plano xy.

a) Hallar k tal que efectivamente se trate de una densidad conjunta.

b) Calcular E(XY ), E(X), E(Y ) y Cov(X, Y ).
(Sugerencia: observar que no hace falta calcular las densidades
marginales explícitamente, ya que puede considerarse, por ej., que
E(X) = E(g(X, Y )), siendo g(x, y) = x.)

1
 c) Hallar FXY (s, t).
(Sugerencia: Considerar cada uno de los siguientes casos:
s ≤ 0 ∨ t ≤ 0;
0 < s < 1 ∧ 0 < t < 1;
0 < s < 1 ∧ t ≥ 1;
0 < t < 1 ∧ s ≥ 1;
s ≥ 1 ∧ t ≥ 1.)
d ) Calcular las siguientes probabilidades:
1) P(X > 21 ∧ |Y − 15 | < 10
1
);
2) P(X ≥ Y );
3) P(X + Y = 1);
4) P(X + Y 2 < 1).

3. Sean X e Y variables aleatorias continuas con densidad conjunta en el

primer cuadrante dada por
6
fXY (x, y) = ,
(1 + x + y)4
y 0 en el resto del plano xy.

a) Hallar las densidades marginales fX (x) y fY (y).

b) Hallar la densidad condicional de X cuando Y = 1, es decir,
fX|Y =1 (x) = fXY (x, 1)/fY (1).
c) Hallar la densidad condicional de X cuando Y = y, es decir,
fX|Y =y (x) = fXY (x, y)/fY (y).
d ) Calcular FXY (s, t).
(Sugerencia: considerar por separado el caso s ≤ 0 ∨ t ≤ 0 y el
caso s > 0 ∧ t > 0.)
e) A partir del punto anterior, hallar las distribuciones marginales
FX (s) y FY (t). Comparar con las que se habrían obtenido direc-
tamente a partir de las densidades marginales.

4. Se tiene un vector (X, Y ) cuya función de distribución conjunta está

dada por
(
0 si x ≤ 0 ∨ y ≤ 0
FXY (x, y) = x+y
1 − e−x − e−y + (1 + 2 )e−(x+y) si x > 0 ∧ y > 0.

2
 a) Calcular las distribuciones marginales FX (x) y FY (y). ¿Qué dis-
tribución conocida tienen X e Y ?
b) ¿Es FXY (x, y) = FX (x) · FY (y), ∀x, y ∈ R? ¿Son X e Y indepen-
dientes?
c) Calcular la densidad conjunta fXY (x, y).
d ) Calcular P (1 < X < 3 ∧ 2 < Y < 5) de dos maneras:
1) Integrando fXY en la región que corresponda.
2) Expresando dicha probabilidad en función de valores de FXY .
(Se sugiere hacer un dibujo.)

5. Sean X e Y variables aleatorias discretas independientes tales que su

distribución conjunta es uniforme sobre el conjunto

RXY = {(1, 0), (0, 1), (−1, 0), (0, −1)}

(es decir, probabilidad 1/4 en cada uno de esos puntos).

a) Hallar el rango de cada variable y las funciones de probabilidad

marginal. (Sugerencia: armar una tabla.)
b) Calcular las siguientes probabilidades:
1) P(X < 21 ∧ Y ≥ 0);
2) P(X +Y < 1);
3) P(X +Y ≤ 1);
4) P(X +Y = 1).
c) Calcular Cov(X, Y ) y ρXY .
d ) Calcular las distribuciones condicionales pX|Y =1 (x) y pX|Y =0 (x).
e) ¿Son X e Y independientes?

6. Las variables aleatorias discretas X e Y tienen rangos RX = {0, 1} y

RY = N = {1, 2, ...}, y su función de probabilidad conjunta es
x 1−x
pXY (x, y) = + .
2y+2 2 · 3y−1

a) Probar que se trata, efectivamente, de una función de probabilidad

conjunta.

3
 b) Calcular pX (x) y verificar que X ∼ Be(1/4).
c) Calcular pY |X=0 (y) y pY |X=1 (y). ¿Qué distribuciones conocidas si-
guen Y|X=0 e Y|X=1 ?
d ) Hallar P(X = 0 ∧ Y ∈ {2, 4, . . .}).
e) Calcular E(XY ).
Sugerencia: se puede usar la fórmula
∞  2
X
k 1
kα = α · , si |α| < 1.
k=1
1 − α

7. Se tienen X1 , X2 , ..., Xn variables aleatorias independientes con Xi ∼

E(λ = 2).

a) Hallar la densidad conjunta del vector X ~ = (X1 , X2 , ..., Xn ), es

decir, fX~ (x1 , x2 , ..., xn ) (considerar el caso en que todas las coorde-
nadas son positivas y el caso en que alguna es negativa), y verificar
que el valor de la densidadP en un punto con todas las coordenadas
positivas solo depende de ni=1 xi .
b) Calcular la densidad conjunta de (X1 , X2 , ..., X10 ) en (x1 , x2 , ..., x10 )
si se sabe que 10
P
i=1 i = 25 y que xi > 0 ∀i = 1, ..., 10.
x
c) Repetir los ítems anteriores si se desconoce el valor de λ. ¿Para
qué valor de λ es máxima la densidad conjunta calculada al repetir
(b)?

8. Se tienen X1 , X2 , ..., Xn variables aleatorias independientes con Xi ∼

P(λ = 3).

a) Hallar la función de probabilidad conjunta del vector X ~ = (X1 , X2 , ..., Xn ),

es decir, fX~ (x1 , x2 , ..., xn ), y verificar que el valor de la probabili-
dad conjunta P en un punto no puede determinarse conociendo sólo
el valor de ni=1 xi . ¿Qué otra cantidad se debería especificar?
b) Expresar la probabilidad
P10 conjunta de (X1 , X2 , ..., X10 ) en (x1 , x2 , ..., x10 )
si se sabe que i=1 xi = 32.
c) Repetir los ítems anteriores si se desconoce el valor de λ. ¿Para qué
valor de λ es máxima la probabilidad conjunta calculada al repetir
(b)? ¿Es necesario en este caso especificar alguna otra cantidad,
además de 10
P
x
i=1 i ?

4
 ~ = (X1 , X2 ) tiene distri-
9. Distribución normal bivariada. Se dice que X   2 
µ1 σ1 σ12
bución normal bivariada con parámetros µ = yΣ=
µ2 σ12 σ22
2
si tiene densidad conjunta sobre R dada por
1 1 t −1 (~
f (~x) = p e− 2 (~x−µ) Σ x−µ)
,
2π det(Σ)
 
x1
con ~x = . Simbólicamente,
x2

~ ∼ N2 (µ, Σ).
X

~ ∼ N2 (µ, Σ), entonces

a) *Probar que si X

X1 ∼ N (µ1 , σ12 ) y X2 ∼ N(µ2 , σ22 ).

b) *Probar que Cov(X1 , X2 ) = σ12 .

c) Probar que si Cov(X1 , X2 ) = 0, entonces X1 y X2 son indepen-
dientes. ¿Vale esta afirmación para dos variables cualesquiera en
general?

10. Distribución multinomial. Dado un experimento aleatorio cuyo resul-

tado puede representarse como la ocurrencia de uno y solo uno de
los sucesos A1 , . . . , Ak , cada uno de los cuales ocurre con probabilidad
pi = P (Ai ), i = 1, . . . , k (claramente p1 + · · · + pk = 1), se considera
el vector aleatorio X ~ = (X1 , . . . , Xk ) que cuenta la cantidad de veces
que ocurre cada uno de los posibles resultados cuando se observan n
repeticiones independientes de tal experimento (por lo que necesaria-
mente se tendrá X1 + · · · + Xk = n). La distribución de X ~ se denomina
distribución multinomial k-dimensional y se nota

X ∼ Mk (n; p1 , . . . , pk ).

a) Mostrar que la función de probabilidad puntual es

n!
pX~ (x1 , . . . , xk ) = · px1 · · · pxkk
x1 ! · · · xk ! 1

con RX~ = {(x1 , . . . , xk ) ∈ Rk : x1 + . . . + xk = n}.

b) *Probar que Xi ∼ B(n, pi ) para i = 1, 2, . . . , k.

5
c) Probar que
 
~ p1 pn
X−j|Xj =xj ∼ M n − xj ; ,...,
1 − pj 1 − pj

~ −j = (X1 , . . . , Xj−1 , Xj+1 , . . . , Xk )) y que

(donde X
 
pi
Xi|Xj =xj ∼ B n − xj ,
1 − pj

si i 6= j.
d ) Interpretar los resultados anteriores.

6
 Respuestas a algunos ejercicios.

1. a) α = 0,2

b) No.

c) pX y pY están dadas por:

x 2 4 6
pX (x) 0,35 0,1 0,55

y 1 2
pY (y) 0,6 0,4

d) pY |X=6 y pX|Y =2 están dadas por:

y 1 2
7 4
pY |X=6 (y) 11 11

x 2 6
1 1
pX|Y =2 (x) 2 2

e) E(XY ) = 6, E(X) = 4,4, E(Y ) = 1,4, Var(X) = 3,44,

Var(Y ) = 0,24.

f) Cov(X, Y ) = −0,16, ρXY ≈ −0,176.

g) No.

2. a) k = 23 .

b) E(XY ) = 13 , E(X) = 59 , E(Y ) = 11

18
, 1
Cov(X, Y ) = − 162 .

c) 

 0 si s≤0∨t≤0

 13 (s2 t + 2st2 ) si 0<s≤1∧0<t≤1



FXY (s, t) = 31 (2t2 + t) si s>1∧0<t≤1
 1 2
(s + 2s) si 0<s≤1∧t>1




 3
1 si s > 1 ∧ t > 1.

7
 d) 1) 0,076̄.
2) 94 .
3) 0.
4) 0,51̄.

3. a) (
2
(1+x)3
si x > 0
fX (x) =
0 si no,
ídem para fY .
b) (
24
(2+x)4
si x > 0
fX|Y =1 (x) =
0 si no.

c) La densidad condicional solo tiene sentido para y > 0. En ese caso,

3(1+y)3
(
4 si x > 0
fX|Y =y (x) = (1+x+y)
0 si no.

d) (
1 1 1
(1+s+t)2
− (1+s)2
− (1+t)2
+ 1 si s, t > 0
FXY (s, t) =
0 si no.

e) (
1
1− (1+s)2
si s ≥ 0
FX (s) =
0 si no,
ídem FY (t).

4. a) (
1 − e−s si s ≥ 0
FX (s) =
0 si no,
ídem FY (t).

b) No y no.

8
 c) (
x+y −(x+y)
2
e si x, my ≥ 0
fXY (x, y) =
0 si no.

d) P (1 < X < 3 ∧ 2 < Y < 5) ≈ 0,093.

5. a) RX = RY = {−1, 0, 1};
x -1 2 1
pX (x) 1/4 1/2 1/4

pY es igual.

b) 1) 12 ;
2) 12 ;
3) 1;
4) 12 ;

c) Cov(X, Y ) = ρXY = 0;

x 0
d)
pX|Y =1 (x) 1
x -1 1
pX|Y =0 (x) 1/2 1/2

e) No.

2 1



6. c) Y|X=0 ∼ G 3
e Y|X=1 ∼ G 2
;
3
d) 16
;

e) E(XY ) = 12 .