Unidad 5 Variables Aleatorias Bidimensinales

Variables Aleatorias
Bidimensionales
Probabilidad y Estadística - 2013 Unidad 5 (LYPM) – Unidad 5 (LSI): Variables Aleatorias Bidimensionales
Variables Aleatorias Bidimensionales Distribuciones Discretas Conjuntas
Distribución Condicional Distribuciones Continuas Conjuntas
Momentos Función de Distribución Conjunta
Función Generatriz//Función Característica Distribuciones Marginales
Variables Aleatorias Bidimensionales
Sea 𝜉 un experimento aleatorio y E un espacio muestral asociado

con 𝜉.
Sean X = X(w) e Y = Y(w) dos funciones que asignan un número

real a cada uno de los sucesos elementales pertenecientes a E.
(X;Y) recibe el nombre de v.a. bidimensional.
Si X1 = X1(w); X2 = X2(w);…; Xn= Xn(w) son n funciones cada una de

las cuales asigna un número real a cada resultado elemental w ∈
E, se llama variable aleatoria n-dimensional (o vector aleatorio n-
dimensional) a (X1; X2; … ;Xn).
La distribución de probabilidad conjunta de dos variables

aleatorias se denomina distribución bidimensional.
Distribuciones Discretas Conjuntas
Definición 5. 1: Se dice que una variable aleatoria bidimensional

(X; Y) es discreta si los valores posibles de (X; Y) son finitos o
infinitos numerables. Es decir, los posibles valores de (X; Y) se
pueden representar como (xu; yv), u= 1; 2; … ;n ; v= 1;2; …; m.
Distribuciones Discretas Conjuntas
Definición 5.2: Sea (X; Y) una variable aleatoria bidimensional

discreta. Con cada resultado posible (xu; yv) se asocia un número
puv que representa P(X=xu; Y=yv) y que satisface las condiciones
siguientes:
puv ≥ 0, ∀u; v
∞ ∞
𝑢=1 𝑣=1 puv =1
La función puv se llama función de probabilidad de (X; Y). El

conjunto de ternas (xu; yv; puv) se conoce como la distribución de
probabilidades de (X; Y).
Distribuciones Continuas Conjuntas
Definición 5.3: Se dice que una variable aleatoria bidimensional

(X; Y) tiene distribución continua si existe una función no
negativa f definida sobre todo el plano xy tal que para cualquier
subconjunto A del plano es:
P (𝑋; 𝑌) ∈ 𝐴 = 𝐴
𝑓 𝑥; 𝑦 𝑑𝑥 𝑑𝑦
La función f recibe el nombre de función de densidad de
probabilidad conjunta, y satisface las siguientes condiciones:
f (x; y) ≥ 0, ∀ x,∀y.
+∞ +∞
−∞ −∞
𝑓 𝑥; 𝑦 𝑑𝑥 𝑑𝑦 =1
Distribuciones Continuas Conjuntas
Si X e Y tienen una distribución continua conjunta, entonces las

dos afirmaciones siguientes deben verificarse:
Cualquier punto o cualquier sucesión infinita de puntos en el
plano xy tiene probabilidad “cero”.
Cualquier curva unidimensional en el plano xy tiene
probabilidad “cero”.
Por lo tanto, la probabilidad de que (X;Y) pertenezca a cualquier

recta o curva en el plano es “cero”.
Función de Distribución Conjunta
Definición 5.4: Sean X e Y dos variables aleatorias, la función F

definida ∀x∈ R,∀y∈ R mediante la siguiente expresión F(x; y) =
P(X≤x ; Y≤y) se llama función de distribución conjunta de la
variable (X;Y).
F: R2→R / F(x; y) =P(X≤x ; Y≤y)
Propiedad:
Sea (X; Y) v.a. bidimensional y F la función de distribución
conjunta de (X;Y) , sean a ∈ R y b ∈ R ,c ∈ R y d ∈ R si a<b y c<d,
⟹ se cumple:
P(a <X ≤b ; c <Y ≤d) = F(b; d) -F(a; d) – F(b ;c) +F(a ;c)
P(a <X ≤b ; c <Y ≤d) = P(a <X ≤b ; Y ≤d) - P(a <X ≤b ; Y ≤c) =
𝑃 𝑋 ≤ 𝑏; 𝑌 ≤ 𝑑 − 𝑃(𝑋 ≤ 𝑎 ; 𝑌 ≤ 𝑑) −
𝑃 𝑋 ≤ 𝑏; 𝑌 ≤ 𝑐 − 𝑃(𝑋 ≤ 𝑎 ; 𝑌 ≤ 𝑐) =
= F(b; d) -F(a; d) – F(b ;c) +F(a ;c)
Si X e Y tienen una distribución continua conjunta con función de

densidad de probabilidad f, entonces la función de distribución
conjunta para cualquier par (x ; y) es:
𝑥 𝑦
F(x ;y) = −∞ −∞
𝑓 𝑢; 𝑣 𝑑𝑣 𝑑𝑢
La función de densidad de probabilidad conjunta se obtiene

𝜕2 𝐹(𝑥;𝑦)
utilizando la relación: f(x ; y) = 𝜕𝑥𝜕𝑦
, para todo punto en el
cual exista esta derivada.
Propiedades de la Función de Distribución Conjunta
Si (X; Y) v.a. bidimensional y F la función de distribución

conjunta de (X; Y) ⟹ F es monótona no decreciente tanto en x
como en y.
conjunta de (X; Y) ⟹ F es continua a la derecha tanto en x como
en y.
conjunta de (X; Y) ⟹ lim 𝐹(𝑥; 𝑦) = lim 𝐹(𝑥; 𝑦) =0
𝑥→−∞ 𝑦→−∞
conjunta de (X; Y) ⟹ lim 𝐹(𝑥; 𝑦) = 1.
𝑥;𝑦 →+∞
Distribuciones Marginales
Aunque (X;Y) es una v.a. bidimensional conjunta, tanto X como Y,

consideradas individualmente, son v.a. con su distribución propia.
Si se conoce la función de probabilidad puv= P(X=xu; Y=yv) o la

función de densidad de probabilidad f(x;y), se pueden obtener
las funciones de probabilidad marginales de X (pu.) y de Y (p.v), o
sus respectivas funciones de densidad marginales.
En el caso discreto:
pu.= P(X = xu) = 𝑣 𝑝𝑢𝑣 p.v= P(Y = yv) = 𝑢 𝑝𝑢𝑣
En el caso continuo:
+∞ +∞
fx(x) = −∞
𝑓 𝑥; 𝑦 𝑑𝑦 y fy(y) = −∞
𝑓 𝑥; 𝑦 𝑑𝑥
Además, se determinan las funciones de distribución marginales:

Fx(x) = lim 𝐹(𝑥; 𝑦) ya que lim 𝐹(𝑥; 𝑦)= lim 𝑃(𝑋 ≤ 𝑥; 𝑌 ≤ 𝑦)
𝑦→∞ 𝑦→∞ 𝑦→∞
=
𝑥 +∞
P(X≤x)= −∞ −∞
𝑓 𝑢; 𝑣 𝑑𝑣 𝑑𝑢 .
Análogamente:
Fy(y) = lim 𝐹(𝑥; 𝑦) ya que lim 𝐹(𝑥; 𝑦)= lim 𝑃(𝑋 ≤ 𝑥; 𝑌 ≤ 𝑦) =
𝑥→∞ 𝑥→∞ 𝑥→∞
𝑦 +∞
P(Y≤y)= −∞ −∞
𝑓 𝑢; 𝑣 𝑑𝑢 𝑑𝑣 .
Variables Aleatorias Bidimensionales Distribuciones Condicionales Discretas
Distribución Condicional Distribuciones Condicionales Continuas
Momentos Independencia de Variables Aleatorias
Función Generatriz//Función Característica Esperanza Condicional
Distribuciones Condicionales Discretas
Sea (X;Y) una v.a. bidimensional discreta cuya función de

probabilidad es puv. Se definen pu. y p.v como las funciones de
probabilidad marginales de X e Y respectivamente. Después de
haber observado el valor “y” de la v.a.Y, la probabilidad de que X
asuma un valor particular “x” está dada por la siguiente
probabilidad condicional:
𝑃(𝑋=𝑥;𝑌=𝑦) 𝑝𝑢𝑣
P(X = x/Y = y) = 𝑃(𝑌=𝑦)
=𝑝 = gx(x/y)
.𝑣
La función gx(x/y) se denomina función de probabilidad
condicional de X dada Y = y.
Distribuciones Condicionales Discretas
Para cada valor fijo de y se verifica:

gx(x/y) ≥ 0
1 1
𝑥 𝑔𝑥 (𝑥 𝑦) = 𝑝 𝑥 𝑝𝑢𝑣 = 𝑝 . 𝑝.𝑣 = 1
.𝑣 .𝑣
Análogamente se define:
𝑝𝑢𝑣
gy(y/x)= 𝑝𝑢.
Distribuciones Condicionales Continuas
Sea (X;Y) una v.a. bidimensional continua cuya función de

densidad de probabilidad es f(x;y) y sean fx(x) y fy(y) las funciones
de densidad marginales de X e Y.
Supóngase que se ha observado el valor fijo Y = y, y se desean

especificar las probabilidades de varios conjuntos de valores
posibles de X. En este caso, P(Y = y) =0 para todo valor de y, por
lo tanto, para que sea posible obtener probabilidades
condicionales, el concepto de probabilidad condicional se
extiende considerando la función de probabilidad condicional de
X para el caso discreto y la analogía entre una función de
probabilidad y una función de densidad de probabilidad.
Sea y un valor tal que fy(y) >0. La función de densidad de

probabilidad condicional de X dada Y = y se define como:
𝑓(𝑥;𝑦)
gx(x/y) = ∀ x.
𝑓𝑦 (𝑦)
La función gx(x/y) se denomina función de densidad de

probabilidad condicional de X dada Y = y.
Para cada valor fijo de y se verifica:

gx(x/y) ≥ 0
+∞ +∞ f(x;y)
g (x
−∞ x
y)dx = −∞ fy (y)
dx=
1 +∞ 1
𝑓 𝑥; 𝑦 𝑑𝑥 = . 𝑓 (y) = 1.
𝑓𝑦 (𝑦) −∞ 𝑓𝑦 (𝑦) 𝑦
Análogamente se define:
𝑓(𝑥;𝑦)
gy(y/x) = 𝑓𝑥 (𝑥)
∀ y; con fx(x) >0.
Independencia de Variables Aleatorias
Definición 5.5: Se dice que las v.a. X e Y son independientes si

cualquier suceso definido a partir de X únicamente es
independiente de cualquier suceso definido a partir de Y
únicamente.
Teorema 5.1: Si las v.a. X e Y son independientes, la distribución

condicional de cualquiera de ellas coincide con su distribución
marginal:
En el caso discreto: gx(x/y)= pu. y gy(y/x)= p.v
En el caso continuo: gx(x/y)= fx(x) y gy(y/x)= fy(y).
Corolario 5.1.1: Si las v.a. X e Y son independientes, su función de

probabilidad conjunta o su función de densidad de probabilidad
conjunta es igual al producto de las funciones de probabilidad
marginales o las densidades marginales, respectivamente:
𝑝𝑢𝑣
gx(x/y)= pu.= ⟹ puv= pu. . p.v
𝑝.𝑣
𝑓(𝑥;𝑦)
gx(x/y)= fx(x)= ⟹ f(x;y) = fx(x) . fy(y)
𝑓𝑦 (𝑦)
La propiedad recíproca también es cierta, según lo establece el

siguiente:
Teorema 5.2: Si la función de probabilidad conjunta de dos

variables aleatorias discretas, o la función de densidad conjunta
de dos v.a. continuas, puede factorizarse en dos funciones, la una
dependiente únicamente del primer elemento y la otra sólo del
segundo, entonces las variables aleatorias son independientes y
esas funciones son las dos funciones de probabilidad marginales
o las dos funciones de densidad marginales, según el caso.
Esperanza Condicional
Sea (X;Y) una v.a. bidimensional, definimos

1)
E 𝑋 𝑌 = 𝑦𝑣 =
2)
𝑥𝑗 . 𝑝(𝑥𝑗 𝑌 = 𝑦𝑣 )
𝑗
+∞
x. g x (x y)dx
−∞
Análogamente se define para (Y/X=xu).
Distribución Condicional Momentos Ordinarios
Momentos Momentos Centrales
Función Generatriz//Función Característica
Momentos Ordinarios
Sea (X;Y) una v.a. bidimensional. Sean “i” y “k” dos enteros no
negativos. Definimos los momentos ordinarios, e indicamos con
la notación “𝛼𝑖𝑘 ” de la siguiente manera:
𝑝𝑢𝑣 . 𝑥𝑢𝑖 . 𝑦𝑣𝑘

𝑢,𝑣
𝛼𝑖𝑘 = +∞ +∞
𝑥 𝑖 . 𝑦 𝑘 . 𝑓 𝑥; 𝑦 𝑑𝑥 𝑑𝑦
−∞ −∞
El orden de los momentos ordinarios está determinado por “i+k”.

Momentos Centrales
Sea (X;Y) una v.a. bidimensional. Sean “i” y “k” dos enteros no
negativos. Definimos los momentos centrales de orden i+k, e
indicamos con la notación “𝜇𝑖𝑘 ” de la siguiente manera:
𝑖 𝑘 1)
𝜇𝑖𝑘 = 𝐸 𝑋 − 𝜇𝑥 . (𝑌 − 𝜇𝑦 )
2)
Caso discreto: 𝜇𝑖𝑘= 𝑢,𝑣 𝑝𝑢𝑣 𝑥𝑢 − 𝜇𝑥 𝑖 . (𝑦𝑣 − 𝜇𝑦 )𝑘
Caso continuo:
+∞ +∞
𝜇𝑖𝑘= −∞ −∞ (𝑥 − 𝜇𝑥 )𝑖 . (𝑦 − 𝜇𝑦 )𝑘 . 𝑓 𝑥; 𝑦 𝑑𝑥 𝑑𝑦
Específicamente, 𝜇01 = 𝜇10 = 0. 𝜇20 = 𝜎𝑥2 y 𝜇02 = 𝜎𝑦2 que son las
varianzas de X e Y respectivamente.
2 2
Al momento 𝜇11 =𝜎𝑥𝑦 = 𝜎𝑦𝑥 se lo conoce como la covarianza de (X;Y).
Momentos Centrales
Definición 5.6: Sea Z = 𝜑(X;Y) , (X;Y) v.a. bidimensional, definimos

1)
E(Z) = E 𝜑(X; Y) =
2)
Caso discreto: 𝑢,𝑣 𝑝𝑢𝑣 . 𝜑(𝑥𝑢 ; 𝑦𝑣 )
+∞ +∞
Caso continuo: −∞ −∞
𝜑(𝑥; 𝑦) . 𝑓 𝑥; 𝑦 𝑑𝑥 𝑑𝑦
Valor Medio de Combinaciones Lineales de Variables

ALEATORIAS
Sea Z = a.X+b.Y+c, con a; b y c ∈ R, entonces E(Z) = a. E(X) +b.
E(Y) + c.
Casos particulares:
Si Z = a.X+b.Y, con a; b ∈ R, entonces E(Z) = a. E(X) +b. E(Y).
Si Z = X+Y, entonces E(Z) = E(X) + E(Y).
Si Z = X-Y, entonces E(Z) = E(X) - E(Y).
Generalización:
𝑛 𝑛
Si Z = 𝑖=1 𝑋𝑖 ⟹𝐸 𝑍 = 𝑖=1 𝐸(𝑋𝑖 )
Varianza de Combinaciones Lineales de Variables

ALEATORIASALEATORIAS
Definición 5.7: Sea Z = 𝜑(X;Y) , (X;Y) v.a. bidimensional, definimos
D2(Z) = D2 𝜑(X; Y) = E 𝜑 𝑋; 𝑌 − 𝐸(𝜑 𝑋; 𝑌 ) 2
Sea Z = a.X+b.Y+c ⟹ D2(Z) =a2.D2(X) +b2.D2(Y) +2ab cov(X;Y) ,

con a; b y c ∈ R.
Casos particulares:
Si Z = a.X+b.Y, con a; b ∈ R, ⟹ D2(Z) =a2.D2(X) +b2.D2(Y) +2ab
cov(X;Y)
Si Z = X+Y, ⟹ D2(Z) =D2(X) + D2(Y) +2 cov(X;Y)
Si Z = X-Y, ⟹D2(Z) =D2(X) + D2(Y) -2 cov(X;Y)
Varianza de Combinaciones Lineales de Variables

ALEATORIASALEATORIAS
Generalización:
Si Z = 𝑛𝑖=1 𝑎𝑖 𝑋𝑖 ⟹ 𝐷2 𝑍 =
𝑛 2 2
𝑖=1 𝑖 𝐷 (𝑋𝑖 )+2a1a2cov(X1;X2)+…+ +2a1an cov(X1;Xn)+…+ 2an-1an
𝑎
cov(Xn-1;Xn)
Valor Medio de un Producto de Variables

ALEATORIASALEATORIASALEATORIAS
1)
Si Z=𝜑(X).𝜓(Y) ⟹ E(Z)=E 𝜑(X). 𝜓(Y) =
2)
Caso discreto: 𝑢,𝑣 𝑝𝑢𝑣 . 𝜑 𝑥𝑢 . 𝜓(𝑦𝑣 )
+∞ +∞
Caso continuo: −∞ −∞
𝜑 𝑥 . 𝜓(𝑦) . 𝑓 𝑥; 𝑦 𝑑𝑥 𝑑𝑦
Valor Medio de un Producto de Variables Aleatorias

Independientes
Si Z=𝜑(X).𝜓(Y) ⟹ E(Z)=E 𝜑(X) . E 𝜓(Y)

Luego, si Z = X.Y, X e Y independientes, ⟹ E(Z)=E(X) . E(Y)
Teorema 5.3: Si X e Y son v.a independientes ⟹ cov(X;Y) = 0
Teorema 5.4: cov(X;Y) = 0 ⇔ E(X.Y) = E(X) . E(Y)
Propiedad: Derivación de la Esperanza Matemática

con respecto a un Parámetro
𝑑
Sea X v.a. y sea Z = 𝜑(X;t), siendo t un parámetro ⟹ 𝑑𝑡
𝐸 𝑍 =
𝑑 𝑑
𝐸 𝜑(𝑋; 𝑡) = 𝐸 𝜑(𝑋; 𝑡)
𝑑𝑡 𝑑𝑡
Ejemplo 1
Sea (X;Y) v.a. bidimensional discreta con distribución de

probabilidad:
𝑌 -1 0 1 p.v
⋱𝑋
-1 1/16 3/16 1/16 5/16
0 3/16 0 3/16 6/16
1 1/16 3/16 1/16 5/16
Pu. 5/16 6/16 5/16 1
a) Son X e Y v.a. independientes?

b) Calcule cov (X;Y)
Distribución Condicional
Determinación de los Momentos Ordinarios
Momentos
Función Generatríz
Definición 5.8:
Sea X v.a, se llama función generatriz de la v.a. X a la esperanza
matemática de “esx”, donde s es un parámetro cualquiera que
constituye la variable de la función generatriz.
Notación: GX(s).
𝑠𝑥𝑗
𝑗 𝑝𝑗. 𝑒
GX(s)= E(esx)= +∞ 𝑠𝑥
−∞
𝑒 .𝑓 𝑥 𝑑𝑥
Momentos

Sea X v.a., si existe una función generadora de momentos GX(s),
es indefinidamente derivable en un entorno del origen, entonces,
si derivamos “k” veces respecto a s se obtiene:
𝐺𝑥′ (s) = E (X. esx)
𝐺𝑥′′ (s) = E (X2. esx)
………………………..
𝐺𝑥𝑘 (s) = E (Xk. esx)
Evaluando en s = 0:
GX(0)= E (e0x)= 1
𝐺𝑥′ (0) = E (X. e0x) = E (X) = 𝛼1
𝐺𝑥′′ (0) = E (X2. e0x) = E (X2) =𝛼2
……………………….. ………….
𝐺𝑥𝑘 (0) = E (Xk. e0x) = E (Xk) =𝛼𝑘
Determinación de los Momentos Ordinarios:
Determinación de los Momentos Centrales
Momentos
Ley de Correspondencia Biunívoca entre f(x) y c x(t)
Función Característica
Definición 5.9:
Sea X v.a con función de densidad f(x), se llama función
característica de la v.a. X a la esperanza matemática de “eitx”,
donde t∈ R es un parámetro cualquiera que constituye la variable
de la función característica.
Notación: C X(t).
𝑖𝑡𝑥
𝑗 𝑝𝑗. 𝑒
C X(t)= E (eitx)= +∞ 𝑖𝑡𝑥
−∞
𝑒 .𝑓 𝑥 𝑑𝑥
Momentos
EJEMPLO:
2 𝑠𝑖 0 < 𝑥 < 12
Hallar C X(t) si f(x) =
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Momentos
Teorema 5.5:
Sea X v.a con función de densidad f(x) y función característica C
1)𝐶𝑥 0 = 1
2) 𝐶𝑥 𝑡 ≤ 1
X(t) ⟹
3)𝐶𝑥 −𝑡 = 𝐶𝑥 𝑡
4)𝐶𝑥 𝑡 𝑒𝑠 𝑢𝑛𝑖𝑓𝑜𝑟𝑚𝑒𝑚𝑒𝑛𝑡𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 ∀𝑡
Momentos
Propiedades: C X(t)
Sean X e Y v.a. independientes, sea
Z = X+Y⟹ C Z(t)= C X(t) .C Y(t)
Sea X v.a con f(x) y C X(t) su f.c.⟹ C aX(t)= C X(at)
Sea X v.a con f(x) y C X(t) su f.c.⟹ C X-a(t)= e-ita .C X(t)
Sea X v.a con f(x) y C X(t) su f.c y sea
𝑚
− 𝜎
𝑡𝑖
𝑒
U =(X-m)/𝜎 ⟹ C U(t)= C X(t/ 𝜎)
Sea X v.a con f(x) y C X(t) su f.c y sea
𝑚
𝑡𝑖
𝑒
U =(X-m)/𝜎 ⟹ C X(t) = C U (𝜎𝑡)
Momentos

Sea X v.a con función de densidad f(x) y función característica C
X(t). Calculemos las derivadas sucesivas:
𝐶𝑥′ (t) = E (iX. eitx)
𝐶𝑥′′ (t) = E (i2 X2. eitx)
………………………..
𝐶𝑥𝑘 (t) = E (ikXk. eitx)
Evaluando en t = 0 y por linealidad de la esperanza:
𝐶𝑥′ (0) = E (iX. ei0x) = i. E(X)
𝐶𝑥′′ (0) = E (i2 X2. ei0x) = i2. E(X2)
……………………………….………………
𝐶𝑥𝑘 (0) = E (ikXk. ei0x) = ik. E(Xk)
𝑪′𝒙 (𝟎) 𝐶𝑥′′ (0) 𝐶𝑥𝑘 (0)
Luego, 𝜶𝟏 = , 𝜶𝟐 = , …, 𝜶𝐤 =
𝒊 𝐢𝟐 𝐢𝐤
Momentos

Sea X v.a con función de densidad f(x). Consideremos función
característica
C X-m(t) = E(eit(x-m))
Calculemos las derivadas sucesivas:
′
𝐶𝑥−𝑚 (t) = E (i(X-m). eit(x-m))
′′ (t) = E (i2(X-m) 2. eit(x-m))
𝐶𝑥−𝑚
………………………..
𝑘
𝐶𝑥−𝑚 (t) = E (ik(X-m)k. eit(x-m))
Evaluando en t = 0 y por linealidad de la esperanza:
′
𝐶𝑥−𝑚 (0) = E (i(X-m). ei0(x-m)) = i. E(X-m)
′′ (0) = E (i2 (X-m)2. ei0(x-m)) = i2. E((X-m)2)
𝐶𝑥−𝑚
……………………………….………………
𝑘
𝐶𝑥−𝑚 (0) = E (ik(X-m)k. ei0(x-m)) = ik. E((X-m)k)
Momentos
Luego,
𝑪′𝒙−𝒎 (𝟎) ′′ (0)
𝐶𝑥−𝑚 𝑘
𝐶𝑥−𝑚 (0)
𝝁𝟏 = , 𝝁𝟐 = , …, 𝝁𝐤 =
𝒊 𝐢𝟐 𝐢𝐤
Momentos
Ley de Correspondencia Biunívoca entre F(x) y C X(t)
Teorema 5.6:
Sea 𝐹𝑛 (𝑥) 𝑛∈𝑁 una sucesión de funciones de distribución y sea
𝐶𝑛 (𝑡) 𝑛∈𝑁
La correspondiente sucesión de funciones características,

entonces:
Si 𝐹𝑛 (𝑥) 𝑛∈𝑁 converge uniformemente hacia la función de
distribución F(x), la sucesión 𝐶𝑛 (𝑡) 𝑛∈𝑁 converge
uniformemente hacia la función característica CX(t), que es la f.c.
que le corresponde a F(x) y recíprocamente.
Momentos
Ejemplo
En un estudio sobre el comportamiento de plataformas de

soporte de aire, se consideran las v.a. X: v.a. que indica la presión
barométrica interna (en pulgadas de mercurio) e Y: v.a. que indica
la presión barométrica externa, en igual unidad de medida.
Su función de densidad conjunta está dada por:
1,72
𝑠𝑖 27 < 𝑦 < 𝑥 < 33
f(x; y) = 𝑥
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Momentos
Bibliografía
OBREGÓN SANIN, Iván. Teoría de la Probabilidad. Editorial

Limusa S.A. México DF. Julio de 1977
MEYER,Paul L. Probabilidad y aplicaciones estadísticas. Fondo
Educativo Interamericano. S.A. México DF. Febrero de 1981
DE GROOT, Morris H. Probabilidad y Estadística. ADDISON-
WESLEY. IBEROAMERICANA. Segunda Edición. Washington,
Estados Unidos. 1988
WALPOLE, Ronald E y MYERS, Raymond H. Probabilidad y
Estadística. Mc Graw- Hill. Cuarta Edición. México DF. Abril de
1996

Unidad 5 Variables Aleatorias Bidimensinales

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad 5 Variables Aleatorias Bidimensinales

Cargado por

Copyright:

Formatos disponibles

Variables Aleatorias

Variables Aleatorias Bidimensionales

Sea 𝜉 un experimento aleatorio y E un espacio muestral asociado

Sean X = X(w) e Y = Y(w) dos funciones que asignan un número

Variables Aleatorias Bidimensionales

Si X1 = X1(w); X2 = X2(w);…; Xn= Xn(w) son n funciones cada una de

La distribución de probabilidad conjunta de dos variables

Distribuciones Discretas Conjuntas

Definición 5. 1: Se dice que una variable aleatoria bidimensional

Distribuciones Discretas Conjuntas

Definición 5.2: Sea (X; Y) una variable aleatoria bidimensional

La función puv se llama función de probabilidad de (X; Y). El

Distribuciones Continuas Conjuntas

Definición 5.3: Se dice que una variable aleatoria bidimensional

Distribuciones Continuas Conjuntas

Si X e Y tienen una distribución continua conjunta, entonces las

Por lo tanto, la probabilidad de que (X;Y) pertenezca a cualquier

Función de Distribución Conjunta

Definición 5.4: Sean X e Y dos variables aleatorias, la función F

F: R2→R / F(x; y) =P(X≤x ; Y≤y)

Función de Distribución Conjunta

Función de Distribución Conjunta

Si X e Y tienen una distribución continua conjunta con función de

La función de densidad de probabilidad conjunta se obtiene

Propiedades de la Función de Distribución Conjunta

Si (X; Y) v.a. bidimensional y F la función de distribución

Aunque (X;Y) es una v.a. bidimensional conjunta, tanto X como Y,

Si se conoce la función de probabilidad puv= P(X=xu; Y=yv) o la

Además, se determinan las funciones de distribución marginales:

Distribuciones Condicionales Discretas

Sea (X;Y) una v.a. bidimensional discreta cuya función de

Distribuciones Condicionales Discretas

Para cada valor fijo de y se verifica:

Distribuciones Condicionales Continuas

Sea (X;Y) una v.a. bidimensional continua cuya función de

Supóngase que se ha observado el valor fijo Y = y, y se desean

Distribuciones Condicionales Continuas

Sea y un valor tal que fy(y) >0. La función de densidad de

La función gx(x/y) se denomina función de densidad de

Distribuciones Condicionales Continuas

Para cada valor fijo de y se verifica:

Independencia de Variables Aleatorias

Definición 5.5: Se dice que las v.a. X e Y son independientes si

Teorema 5.1: Si las v.a. X e Y son independientes, la distribución

Independencia de Variables Aleatorias

Corolario 5.1.1: Si las v.a. X e Y son independientes, su función de

Independencia de Variables Aleatorias

La propiedad recíproca también es cierta, según lo establece el

Teorema 5.2: Si la función de probabilidad conjunta de dos

Sea (X;Y) una v.a. bidimensional, definimos

𝑝𝑢𝑣 . 𝑥𝑢𝑖 . 𝑦𝑣𝑘

El orden de los momentos ordinarios está determinado por “i+k”.

Definición 5.6: Sea Z = 𝜑(X;Y) , (X;Y) v.a. bidimensional, definimos

Caso discreto: 𝑢,𝑣 𝑝𝑢𝑣 . 𝜑(𝑥𝑢 ; 𝑦𝑣 )

Valor Medio de Combinaciones Lineales de Variables

Varianza de Combinaciones Lineales de Variables

Sea Z = a.X+b.Y+c ⟹ D2(Z) =a2.D2(X) +b2.D2(Y) +2ab cov(X;Y) ,

Varianza de Combinaciones Lineales de Variables

Valor Medio de un Producto de Variables

Caso discreto: 𝑢,𝑣 𝑝𝑢𝑣 . 𝜑 𝑥𝑢 . 𝜓(𝑦𝑣 )

Valor Medio de un Producto de Variables Aleatorias

Si Z=𝜑(X).𝜓(Y) ⟹ E(Z)=E 𝜑(X) . E 𝜓(Y)

Teorema 5.3: Si X e Y son v.a independientes ⟹ cov(X;Y) = 0

Teorema 5.4: cov(X;Y) = 0 ⇔ E(X.Y) = E(X) . E(Y)