Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mathieu Kessler
Departamento de Matemática Aplicada y Estadı́stica
Universidad Politécnica de Cartagena
mathieu.kessler@upct.es
Variable Aleatoria II
IV.1. Introducción
Los valores que toma una función puntual de probabilidad conjunta se pueden
presentar en una tabla:
X Y
120 130 140 150
0 0.03 0.1 0.15 0.2
1 0.05 0.06 0.1 0.1
2 0.21 0 0 0
IV.2.1.2. Propiedad
Para que una función f : (x, y) 7→ f (x, y) sea la función puntual de probabilidad
conjunta de una variable bidimensional discreta (X, Y ) es necesario y suficiente que
cumpla
X Y fX
120 130 140 150
0 0.03 0.1 0.15 0.2 0.48
1 0.05 0.06 0.1 0.1 0.31
2 0.21 0 0 0 0.21
fY 0.29 0.16 0.25 0.3
IV.2.2. Esperanza
Sea g : (x, y) 7→ g(x, y) una función de dos variables que toma sus valores en R.
Definimos la esperanza ( o media, o valor esperado, o valor promedio) de g(X, Y )
como
XX
E[g(X, Y )] = g(xi , yj )P(X = xi ∩ Y = yj )
xi yj
XX
= g(xi , yj )fXY (xi , yj ).
xi yj
IV.3.1.1. Definición.
IV.3.1.2. Ejemplo
IV.3.1.3. Propiedades
Para que una función f : (x, y) 7→ f (x, y) con valores en R sea la función de
densidad conjunta de una v.a bidimensional continua, es necesario y suficiente que
cumpla
1. f (x, y) ≥ 0, ∀x, y,
2. Z +∞ Z +∞
f (x, y)dxdy = 1.
−∞ −∞
IV.3.2. Esperanza
Al disponer de una función de densidad conjunta fXY para la v.a. bidimensional
(X, Y ), podemos calcular el valor esperado de una función de las dos variables X e
Y : Definición. Sea una función g : R2 → R, la esperanza de g(X, Y ) se define como
Z Z
E[g(X, Y )] = +∞ +∞g(x, y)fXY (x, y)dxdy.
−∞ −∞
Z +∞ Z +∞
E[X + Y ] = (x + y)fXY (x, y)dxdy
−∞ −∞
Z +∞ Z +∞ Z +∞ Z +∞
= x fXY (x, y)dxdy + y fXY (x, y)dxdy
−∞ −∞ −∞ −∞
Z +∞ Z +∞ Z +∞ Z +∞
= x fXY (x, y)dy dx + y fXY (x, y)dx dy
−∞ −∞ −∞ −∞
Z +∞ Z +∞
= xfX (x)dx + yfY (y)dy = E[X] + E[Y ],
−∞ −∞
donde hemos utilizado para el último paso la relación entre funciones de densidades
marginales y conjunta del apartado IV.3.1.4. Hemos por lo tanto demostrado una
relación por otra parte muy intuitiva: la media de la suma de dos variables aleatorias
es la suma de las dos medias...
Y1 = X1 + ε1 ,
.. .. ..
. . .
Yn = Xn + εn .
fXY (x, y)
fX|Y =y (x) = P(X = x|Y = y) = .
fY (y)
X Y fX
120 130 140 150
0 0.03 0.1 0.15 0.2 0.48
1 0.05 0.06 0.1 0.1 0.31
2 0.21 0 0 0 0.21
fY 0.29 0.16 0.25 0.3
Valores posibles de X 0 1 2
fX|Y =130 0,1/0,16 = 0,625 0,06/0,16 = 0,375 0/0,16 = 0
IV.4.2.1. Definición
Sea (X, Y ) una v.a continua con densidad conjunta fXY . Consideramos un valor
y para el cual fY (y) > 0. La función de densidad de X condicionada a Y = y está
definida por
fXY (x, y)
fX|Y =y (x) = .
fY (y)
Nota: la densidad de Y condicionada a X se obtiene intercambiando los papeles de
X e Y en la fórmula anterior.
IV.4.2.2. Ejemplo
Consideremos el ejemplo de la subsección IV.3.1.2. Calculemos, para un valor
y > 0 genérico, la función de densidad de X condicionada a Y = y. Obtuvimos que
la densidad marginal de Y , si y > 0 es fY (y)2e−2y . Deducimos que la densidad que
buscamos es 2e−x e−2y
2e−2y
= e−x si x > 0,
fX|Y =y (x) =
0 en otro caso.
Observamos que, en este caso, coincide con la densidad marginal de X.
IV.5 Variables independientes 65
IV.5.1. Definición
Definición IV.5.1 Dos variables X e Y son independientes si se cumple
IV.6.1. Definiciones
IV.6.1.1. Covarianza
La covarianza de X e Y se define como
IV.6.1.2. Correlación
La correlación de X e Y se define como
cov(X, Y )
ρXY = .
σX σY
La correlación de X e Y corresponde por lo tanto a la covarianza de las versiones
tipificadas de X e Y . En particular la correlación de una variable X consigo mismo
es igual a 1.
X Y fX
120 130 140 150
0 0.03 0.1 0.15 0.2 0.48
1 0.05 0.06 0.1 0.1 0.31
2 0.21 0 0 0 0.21
fY 0.29 0.16 0.25 0.3
Para calcular la covarianza de X e Y necesitamos por una parte E[X] y E[Y ] y por
otra parte E[XY ]. Obtenemos utilizando las distribuciones marginales de X e Y :
Deducimos que cov(X, Y ) = 93,2 − 0,73 · 135,6 = −5,78. Para calcular la correlación
de X e Y nos hacen falta además las desviaciones tı́picas de X e Y . Se comprueba
2 = 0,617 mientras que σ 2 = 142,64. Por lo tanto
que σX Y
−5, 78
ρXY = √ √ = −0,62.
0,617 142,64
IV.6.2. Propiedades
1. Se puede demostrar (ver problema número 14 de la hoja de problemas de este
tema) que
|cov(X, Y )| ≤ σX σY ,
es decir que, para dos variables cualesquieras X e Y ,
−1 ≤ ρXY ≤ 1.
2. Si X e Y son independientes,
Es fácil comprobar que todos las distribuciones marginales de una multinomial son
binomiales, ¿con qué parámetros?
Σ22 = 0,25 y Σ12 = 0. Las curvas de nivel aparecen como elipses, cuyos ejes coinciden
con los ejes del sistema de coordenadas.
3
2
1
0
−2 −1 0 1 2 3 4
X1
Figura IV.1: Curvas de nivel de la densidad Normal bidimensional si los dos compo-
nentes son independientes con varianzas iguales, µ1 = 1, µ2 = 3, Σ11 = 1, Σ22 = 1 y
Σ12 = 0.
IV.7 Algunos modelos de v.a. multidimensional 71
6
5
4
X2
3
2
1
0
−2 −1 0 1 2 3 4
X1
Figura IV.2: Curvas de nivel de la densidad Normal bidimensional si los dos compo-
nentes son independientes, pero sus varianzas son distintas, µ1 = 1, µ2 = 3, Σ11 = 1,
Σ22 = 0,25 y Σ12 = 0.
6
5
4
X2
3
2
1
0
−2 −1 0 1 2 3 4
X1
Figura IV.3: Curvas de nivel de la densidad Normal bidimensional si los dos compo-
nentes no son independientes, µ1 = 1, µ2 = 3, Σ11 = 1,125, Σ22 = 0,5 y Σ12 = 0,375,
lo que implica ρX1 X2 = 0,5.