DISTRIBUCIONES DE

PROBABILIDAD
CONJUNTA
 VARIABLE ALEATORIA BIDIMENSIONAL

Sea 𝜀 un experimento aleatorio y 𝑆 un espacio muestral

asociado a él. Sean 𝑋 e Y, variables aleatorias discretas,
que a cada resultado 𝑠 ∈ 𝑆 le asignan el par de números
reales 𝑋 𝑠 , 𝑌 𝑠 . Llamaremos a 𝑋, 𝑌 variable aleatoria
bidimensional discreta.
Al conjunto de valores que toma la variable aleatoria
𝑋, 𝑌 lo llamaremos rango de la variable 𝑋, 𝑌 y lo
denotaremos con 𝑅 𝑋,𝑌

𝑅 𝑋,𝑌 = 𝑥, 𝑦 : 𝑋 𝑠 = 𝑥 ∧ 𝑌 𝑠 = 𝑦
 FUNCIÓN fdp CONJUNTA

Sea 𝑋, 𝑌 una variable aleatoria bidimensional discreta y sea

𝑅 𝑋𝑌 su rango. Sea 𝑝: 𝑅 𝑋𝑌 → ℝ una función tal que
𝑃 𝑋 = 𝑥 𝑖 , 𝑌 = 𝑦 𝑖 = 𝑝 𝑥 𝑖 , 𝑦 𝑖 ∀ 𝑥 𝑖 , 𝑦𝑗 ∈ 𝑅 𝑋𝑌 que verifica:

a) 𝑝 𝑥 𝑖 , 𝑦𝑗 ≥ 0 ∀ 𝑥 𝑖 , 𝑦𝑗 ∈ 𝑅 𝑋𝑌

b) 𝑥 𝑖 ,𝑦 𝑗 ∈𝑅 𝑋𝑌 𝑝 𝑥 𝑖 , 𝑦𝑗 = 𝑖 𝑗 𝑝 𝑥 𝑖 , 𝑦𝑗 = 1
A la función 𝑝: 𝑅 𝑋𝑌 → ℝ la llamaremos función de probabilidad
puntual conjunta (fpd conjunta) de la variable bidimensional
𝑋, 𝑌
 EJEMPLO

Supongamos que una máquina se usa para un trabajo específico a la mañana y para
uno diferente a la tarde. Representamos por 𝑋 e 𝑌 el número de veces que la
máquina falla en la mañana y en la tarde respectivamente. Supongamos que la tabla
siguiente es la distribución de probabilidades de la variable bidimensional discreta
𝑋, 𝑌

a) Calcular 𝑃 𝑋 = 2, 𝑌 = 1
b) ¿Cuál es la probabilidad que de la máquina fallé al menos una vez a la
mañana?
c) ¿Cuál es la probabilidad de la máquina falle 2 veces a la tarde?
 EJEMPLO

a) Calcular 𝑃 𝑋 = 2, 𝑌 = 1
b) ¿Cuál es la probabilidad que de la máquina fallé al menos una vez a la
mañana?
c) ¿Cuál es la probabilidad de la máquina falle 2 veces a la tarde?

a) 𝑃 𝑋 = 2, 𝑌 = 1 = 0,08

b) 𝑃 1 ≤ 𝑋 ≤ 2,0 ≤ 𝑌 ≤ 2
𝑃 1 ≤ 𝑋 ≤ 2,0 ≤ 𝑌 ≤ 2 = 𝑃 𝑋 = 1, 𝑌 = 0 + 𝑃 𝑋 = 1, 𝑌 = 1 +
𝑃 𝑋 = 1, 𝑌 = 2 + +𝑃 𝑋 = 2, 𝑌 = 0 + 𝑃 𝑋 = 2, 𝑌 = 1 + 𝑃 𝑋 = 2, 𝑌 = 2
𝑃 1 ≤ 𝑋 ≤ 2,0 ≤ 𝑌 ≤ 2 = 0,2 + 0,08 + 0,12 + 0,2 + 0,08 + 0,12 = 0,8

c) 𝑃 0 ≤ 𝑋 ≤ 2, 𝑌 = 2 = 0,06 + 0,12 + 0,12 = 0,3

 MARGINALES

Sea 𝑋, 𝑌 discreta y sea 𝑝: 𝑅 𝑋𝑌 → ℝ la función de probabilidad

conjunta.

La función de probabilidad marginal de 𝑋:

𝑚
𝑝𝑋 𝑥 𝑖 = 𝑃 𝑋 = 𝑥 𝑖 = 𝑗 =1 𝑝 𝑥 𝑖 , 𝑦𝑗 𝑖 = 1,2, … , 𝑛

La función de probabilidad marginal de 𝑌:

𝑛
𝑞 𝑌 𝑦𝑗 = 𝑃 𝑌 = 𝑦𝑗 = 𝑖 =1 𝑝 𝑥 𝑖 , 𝑦𝑗 𝑗 = 1,2, … , 𝑚
 EJEMPLO

Hallar las funciones de probabilidad marginal del ejemplo

anterior.

𝑋 0 1 2 𝑌 0 1 2
𝑝𝑋 0,2 0,4 0,4 𝑝𝑌 0,5 0,2 0,3
 VARIABLES INDEPENDIENTES

Sea 𝑋, 𝑌 una variable aleatoria bidimensional discreta. Sea

𝑝 𝑥 𝑖 , 𝑦𝑗 su fdp conjunta y 𝑝 𝑋 𝑥 𝑖 y 𝑝 𝑌 𝑦𝑗 las correspondientes

funciones de probabilidad marginales de 𝑋 e 𝑌. Decimos que 𝑋

e 𝑌 son variables aleatorias independientes si y sólo si

𝑝 𝑥 𝑖 , 𝑦 j = 𝑝 𝑋 𝑥 𝑖 𝑝 𝑌 𝑦𝑗 ∀ 𝑥 𝑖 , 𝑦𝑗 ∈ 𝑅 𝑋𝑌
 EJEMPLO

Decidir si las variables del ejemplo son independientes

𝑋 0 1 2 𝑌 0 1 2
𝑝𝑋 0,2 0,4 0,4 𝑝𝑌 0,5 0,2 0,3
p 0,0 = 0,1 𝑝𝑋 0 ∙ 𝑝𝑌 0 = 0,2 ∙ 0,5 = 0,1 → p 0,0 = 𝑝𝑋 0 ∙ 𝑝𝑌 0

p 0,1 = 0,04 𝑝𝑋 0 ∙ 𝑝𝑌 1 = 0,2 ∙ 0,2 = 0,04 → p 0,1 = 𝑝𝑋 0 ∙ 𝑝𝑌 1

p 0,2 = 0, 06 𝑝𝑋 0 ∙ 𝑝𝑌 2 = 0,2 ∙ 0,3 = 0,06 → p 0,2 = 𝑝𝑋 0 ∙ 𝑝𝑌 2

 EJEMPLO

𝑋 0 1 2 𝑌 0 1 2
𝑝𝑋 0,2 0,4 0,4 𝑝𝑌 0,5 0,2 0,3

p 1,0 = 0, 2 𝑝𝑋 1 ∙ 𝑝𝑌 0 = 0,4 ∙ 0,5 = 0,2 → p 1,0 = 𝑝𝑋 1 ∙ 𝑝𝑌 0

p 1,1 = 0,08 𝑝𝑋 1 ∙ 𝑝𝑌 1 = 0,4 ∙ 0,2 = 0,08 → p 1,1 = 𝑝𝑋 1 ∙ 𝑝𝑌 1
p 1,2 = 0, 12 𝑝𝑋 1 ∙ 𝑝𝑌 2 = 0,4 ∙ 0,3 = 0,12 → p 1,2 = 𝑝𝑋 1 ∙ 𝑝𝑌 2
p 2,0 = 0, 2 𝑝𝑋 2 ∙ 𝑝𝑌 0 = 0,4 ∙ 0,5 = 0,2 → p 2,0 = 𝑝𝑋 2 ∙ 𝑝𝑌 0

p 2,1 = 0,08 𝑝𝑋 2 ∙ 𝑝𝑌 1 = 0,4 ∙ 0,2 = 0,08 → p 2,1 = 𝑝𝑋 2 ∙ 𝑝𝑌 1

p 2,2 = 0, 12 𝑝𝑋 2 ∙ 𝑝𝑌 2 = 0,4 ∙ 0,3 = 0,12 → p 2,2 = 𝑝𝑋 2 ∙ 𝑝𝑌 2

Por lo tanto 𝑋 e 𝑌 son variables independientes

 DISTRIBUCIONES CONDICIONALES

Sean X e Y variables aleatorias conjuntas discretas, con una

función de probabilidad puntual 𝑝 𝑥 𝑖 , 𝑦𝑗 . Sea 𝑝 𝑋 𝑥 𝑖 la función de

probabilidad marginal de 𝑋.
La función puntual de probabilidad condicional de 𝒀 dado 𝑿 = 𝒙 𝒊
es:

𝒚 𝒑 𝒙𝒊 , 𝒚𝒋
𝒑𝒀 𝒙𝒊 =
𝑿 𝒑𝑿 𝒙𝒊
 DISTRIBUCIONES CONDICIONALES
EJEMPLO
Las imperfecciones de control de calidad de entrepaños de madera consisten en
contar el número de imperfecciones en la superficie de cada entrepaño. En uno de
éstos, de 2x8 pies, 𝑋 es el número de imperfecciones en la superficie provocadas por
una aplicación desigual de la última capa del material de acabado e 𝑌 representa el
número de imperfecciones en la superficie debidas a la inclusión de partículas
externas en el acabado. A continuación se presenta la distribución de probabilidades
de las variable aleatoria 𝑋, 𝑌
 DISTRIBUCIONES CONDICIONALES
EJEMPLO
Calcular la distribución de probabilidad condicional de 𝒀,
sabiendo que hay una imperfección en la superficie provocada
por una aplicación desigual de la última capa del material de
acabado.

𝑌 0 1 2
𝒚 𝑝 1,0 𝑝 1,1 𝑝 1,2
𝒑𝒀 𝒙=𝟏
𝑿
𝑝𝑋 1 𝑝𝑋 1 𝑝𝑋 1

𝑝 1,0 0,05 𝑝 1,1 0,15 𝑝 1,2 0,05

= = 0,2 = = 0,6 = = 0,2
𝑝𝑋 1 0,25 𝑝𝑋 1 0,25 𝑝𝑋 1 0,25

𝑌 0 1 2
𝒚 0,2 0,6 0,2
𝒑𝒀 𝒙=𝟏
𝑿
 ESPERANZA DE UNA FUNCIÓN DE
VARIABLE ALEATORIA BIDIMENSIONAL

Teorema: Sea 𝑋, 𝑌 una variable aleatoria discreta

bidimensional y sea 𝑍 = 𝐻 𝑋, 𝑌 una variable aleatoria que es
función de 𝑋, 𝑌 . Entonces:

𝐸 𝑍 = 𝐸 𝐻 𝑋, 𝑌 = 𝐻 𝑥 𝑖 , 𝑦𝑗 𝑝 𝑥 𝑖 , 𝑦𝑗
𝑥 𝑖 ,𝑦 𝑖 ∈𝑅 𝑋𝑌

Donde 𝑅 𝑋𝑌 es el rango de la variable 𝑋, 𝑌 y 𝑝 𝑥 𝑖 , 𝑦𝑖 su fpd

asociada
 ESPERANZA DE UNA FUNCIÓN DE
VARIABLE ALEATORIA BIDIMENSIONAL

Corolario: Sean 𝑋 e 𝑌 dos variables aleatorias arbitrarias.

Entonces:
𝐸 𝑋+𝑌 =𝐸 𝑋 +𝐸 𝑌
 COVARIANZA

Cuando dos variables aleatorias no son independientes, es útil

tener una medida de la intensidad de relación entre ellas. La
covarianza representa una medida de la relación lineal que existe
entre ellas, cuando dichas variables están conjuntamente
distribuidas.

Sean 𝑋 e 𝑌 variables aleatorias con medias 𝜇 𝑋 = 𝐸 𝑋 y 𝜇 𝑌 = 𝐸 𝑌 .

La covarianza de 𝑋 e 𝑌 es:

𝐶𝑜𝑣 𝑋, 𝑌 = 𝐸 𝑋 − 𝜇 𝑋 𝑌 − 𝜇 𝑦
𝐶𝑜𝑣 𝑋, 𝑌 = 𝐸 𝑋 ∙ 𝑌 − 𝐸 𝑋 ∙ 𝐸 𝑌
 COVARIANZA
EJEMPLO
Las imperfecciones de control de calidad de entrepaños de madera consisten en
contar el número de imperfecciones en la superficie de cada entrepaño. En uno de
éstos, de 2x8 pies, 𝑋 es el número de imperfecciones en la superficie provocadas por
una aplicación desigual de la última capa del material de acabado e 𝑌 representa el
número de imperfecciones en la superficie debidas a la inclusión de partículas
externas en el acabado. A continuación se presenta la distribución de probabilidades
de las variable aleatoria 𝑋, 𝑌 , calcular la covarianza.
 EJEMPLO

𝐶𝑜𝑣 𝑋, 𝑌 = 𝐸 𝑋 ∙ 𝑌 − 𝐸 𝑋 𝐸 𝑌

𝐸 𝑋 ∙ 𝑌 = 0 ∙ 0 ∙ 0,05 + 0 ∙ 1 ∙ 0,10 + 0 ∙ 2 ∙ 0,02 + 1 ∙ 0 ∙ 0,05 + 1 ∙

1 ∙ 0,15 + 1 ∙ 2 ∙ 0,05 + 2 ∙ 0 ∙ 0,25 + 2 ∙ 1 ∙ 0,10 + 2 ∙ 2 ∙ 0,05 = 0,65

𝐸 𝑋 = 0 ∙ 0,35 + 1 ∙ 0,25 + 2 ∙ 0,4 = 1,05

𝐸 𝑌 = 0 ∙ 0,35 + 1 ∙ 0,35 + 2 ∙ 0,3 = 0,95

𝐶𝑜𝑣 𝑋, 𝑌 = 0,65 − 1,05 ∙ 0,95 = −0,3475

 CORRELACIÓN

Sean 𝑋 e 𝑌 variables aleatorias conjuntamente distribuidas con

desviaciones estándar 𝜎𝑋 y 𝜎𝑌 . La correlación entre 𝑋 e 𝑌 se
denota como 𝜌 𝑋,𝑌 y está dada por:

𝐶𝑜𝑣 𝑋, 𝑌
𝜌 𝑋,𝑌 =
𝜎𝑋 𝜎𝑌
Para cualesquiera dos variables aleatorias 𝑋 e 𝑌:
−1 ≤ 𝜌 𝑋,𝑌 ≤ 1
 COVARIANZA, CORRELACIÓN E
INDEPENDENCIA

• Si 𝐶𝑜𝑣 𝑋, 𝑌 = 𝜌 𝑋,𝑌 = 0 , entonces se dice que 𝑋 y 𝑌 no están

correlacionadas.
• Si 𝑋 e 𝑌 son independientes, entonces 𝑋 e 𝑌 no están
correlacionadas.
• Matemáticamente es posible que 𝑋 e 𝑌 no estén
correlacionadas ni sean independientes . Esto es poco común
en la práctica