ETN- 806

PROCESOS ESTOCASTICOS
Docente: Ing. Marcos Salas
CAPÍTULO II: VARIABLES ALEATORIAS

 Introducción.
 La Función de Distribución
 Variables aleatorias discretas
 Variables Aleatorias Continuas
 Características de las distribuciones
 Funciones de una Variable Aleatoria y Esperanza.
Introducción
 Los resultados de un experimento pueden ser causa de
múltiples variables, En estas situaciones se requiere de tener
una función de probabilidad que describa la variación de la
probabilidad de ocurrencia con respecto a la variación de
estas variables.
 Se denomina a : DISTRIBUCION DE PROBABILIDAD
CONJUNTA a la función de probabilidad que tiene en cuenta
al efecto de múltiples variables aleatorias.
 Una Distribución de probabilidad conjunta puede ser discreta
o continua dependiendo del tipo de variables que se
describen.
Definición
 Ω = Espacio Muestral; S =Suceso o experimento;
X(s) y Y(s) Funciones que asignan un numero real a cada
resultado s del experimento, Entonces (X,Y) es una variable
aleatoria
Ejemplos de VA Múltiples
Para el caso de probar “n” Circuitos Integrados ( caso Discreto)
podemos definir:
X= Numero de circuitos en buen estado
Y= Numero de pruebas realizadas antes de la primera falla
Ejemplos de VA Múltiples
 La relación que existe entre la oferta de demanda de
alimentos
 X= Oferta de Alimentos
 Y= Demanda de Alimentos
 Para saber cuantos alimentos preparar debemos saber el
comportamientos de la demanda
Ejemplos de VA Múltiples
 Clasificación de señales emitidas y recibidas, cada señal se
clasifica en:
- Baja Calidad
- Media Calidad
- Alta Calidad
Entonces:
X= Numero de señales de Baja Calidad Recibida
Y= Numero de señales de Alta Calidad Recibida
Distribución de Probabilidad Conjunta
 Se define:
PX,Y( x, y) = Probabilidad {X = x,Y = y}
 El espacio del rango se expresa mediante:
RX,Y = { ( x, y) / PX,Y( x, y) > 0 }
 La FUNCION DE DISTRIBUCION DE PROBABILIDAD
CONJUNTA, para el caso de dos variables aleatoria, puede
expresarse mediante una lista, una matriz o un grafico
Distribución de Probabilidad Conjunta
 Sea (X,Y) una variable aleatoria bidimensional discreta, con
RX,Y su espacio rango. Si p(𝑥𝑖 , 𝑦𝑗 ) es una función tal que a
cada par (𝑥𝑖 , 𝑦𝑗 ) le asigna el numero real P(X = 𝑥𝑖 ,Y =𝑦𝑗 )
diremos entonces que p(𝑥𝑖 , 𝑦𝑗 ) es función de probabilidad
conjunta de (X,Y), siempre que cumpla las siguientes
condiciones:
Distribución de Probabilidad Conjunta
 Consideraciones:
1. p(𝑥𝑖 , 𝑦𝑗 ) = P(X = 𝑥𝑖 ,Y =𝑦𝑗 ) es la probabilidad de que ocurra
el evento compuesto {X = 𝑥𝑖 ,Y =𝑦𝑗 } i=1,2,3,….n………..;
j=1,2,3,……m,…
2. p(𝑥𝑖 , 𝑦𝑗 ) es conocida también como la distribución conjunta de
probabilidades de (X,Y)
3. Si (X,Y) es una variable aleatoria bidimensional, diremos que F
es la función de DISTRIBUCION ACUMULADA de (X,Y) y se
define por:
𝐹 𝑥, 𝑦 = 𝑃 𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦 = ෍ ෍ 𝑃(𝑥𝑖 , 𝑦𝑗 )
∀𝑥𝑖 ≤𝑥 ∀𝑦𝑗 ≤𝑦
Distribución de Probabilidad Conjunta
 Consideraciones:
1. La Grafica de la función de probabilidad de (X,Y), se
muestra en la siguiente figura
Distribución de Probabilidad Conjunta
 Consideraciones:
1. La Tabla: La suma de todos los p(x,y)
∀𝑥 𝑦 ∀ 𝑦 𝑑𝑒𝑏𝑒 𝑠𝑒𝑟 𝑖𝑔𝑢𝑎𝑙 𝑎 1. También se puede
sumar cada fila y colocar el resultado en la
ultima columna pero de la misma fila y se
puede sumar cada columna y obtener el
resultado en la ultima disponible
Ejemplo 1 Distribución de probabilidad
de la Variable aleatoria
 Si se lanza al aire dos dados y definimos a X como “El número
obtenido con el primer dado” y definimos a Y como “El
número obtenido con el segundo dado”, obtenga la
distribución de probabilidad de la variable aleatoria (X,Y).
Ejemplo 1 Distribución de probabilidad
de la Variable aleatoria
 Solución:
 Sea X: El dado numero 1: Valores de X: ={1,2,3,4,5,6}
 Sea Y: El dado numero 2: Valores de Y: ={1,2,3,4,5,6}
 Cómo define a (X,Y)?: V.A. dos dados
 Cuál es el espacio rango de (X,Y)? := {(1,1); (1,2); (1,3); (1,4);
(1,5); (1,6);. (2,1); (2,2); (2,3); (2,4); (2,5); (2,6); (3,1); (3,2);
(3,3); (3,4); (3,5); (3,6); (4,1); (4,2); (4,3); (4,4); (4,5); (4,6);
(5,1); (5,2); (5,3); (5,4); (5,5); (5,6); (6,1); (6,2); (6,3); (6,4);
(6,5); (6,6)
 Qué significa p(1,1) = P(X = 1,Y = 1)?. A qué es igual p(1,1)?
p(1,1) = 1/36
 Encuentre p(1,2) = 1/36 p(1,3) = 1/36 p(3, 4) = 1/36
p(6,3) = 1/36
Ejemplo 1 Distribución de probabilidad
de la Variable aleatoria
 Construya la tabla de distribución para esta variable (X,Y):
X\Y 1 2 3 4 5 6
1 1/36 1/36 1/36 1/36 1/36 1/36

2 1/36 1/36 1/36 1/36 1/36 1/36

3 1/36 1/36 1/36 1/36 1/36 1/36
4 1/36 1/36 1/36 1/36 1/36 1/36
5 1/36 1/36 1/36 1/36 1/36 1/36
6 1/36 1/36 1/36 1/36 1/36 1/36
Ejemplo 2 Distribución de probabilidad
de la Variable aleatoria
 Se lanza una moneda tres veces. Sea X la variable aleatoria
definida como el número de caras obtenidas en los dos
primeros lanzamientos y sea Y la variable definida como el
número de caras obtenidas en los dos últimos lanzamientos.
Obtenga la distribución de probabilidad de la variable
aleatoria (X,Y).
Ejemplo 2 Distribución de probabilidad
de la Variable aleatoria
 Solución
 Sea X: Numero de caras en los dos primeros lanzamientos
 Sea Y: Numero de caras en los dos últimos lanzamientos
 Espacio rango de (X,Y): ={(SSS); (SSC); (SCS); (CSS); (SCC); (CSC); (CCS);
(CCC)}
Lanzamiento (X,Y)
SSS (0,0)
SSC (0,1)
SCS (1,1)
CSS (1,0)
SCC (1,2)
CSC (1,1)
CCS (2,1)
CCC (2,2)
Ejemplo 2 Distribución de probabilidad
de la Variable aleatoria
X\Y 0 1 2
0 1/8 1/8 0
1 1/8 2/8 1/8
2 0 1/8 1/8
Distribuciones Marginales
 Sea (X,Y) una variable aleatoria bidimensional discreta con
p(xi, yj) su función de probabilidad conjunta, donde i = 1, 2,
3, ..., n y j = 1, 2, 3, ..., m. Diremos que p(xi) es la
Distribución de Probabilidad Marginal de X si p(xi)
viene definida por
𝑗=𝑚
p(xi) = σ𝑗=1 𝑝(𝑥𝑖 , 𝑦𝑗 ) , i = 1, 2, 3, …, n
 Del mismo modo, diremos que q(yj) es la Función de
Probabilidad Marginal de Y si q(yj) viene definida por
q(yj) = σ𝑖=𝑛
𝑖=1 𝑝(𝑥𝑖 , 𝑦𝑗 ) , j = 1, 2, 3, ..., m
Distribuciones Marginales
Distribución Marginal
 Observaciones:
 Tomando en cuenta la tabla, la Distribución de probabilidad
Marginal de X, p(x), la obtendremos en la última fila en el
cuadro de distribución de probabilidad conjunta. Igualmente, la
Distribución de probabilidad Marginal de Y estará ubicada en la
última columna de la misma.
 La suma de todos los valores de p(xi) es 1, con i = 1, 2, 3, ...,
n. Igualmente si sumamos todos los valores de q(yj) , esto será
igual a 1, con j = 1, 2, 3, ..., m.
Ejemplo: Distribución Marginal
 La Distribución de Probabilidades conjunta de (X,Y):
Distribución Marginal
 La distribución Marginal de X es:
 Si X = 0 entonces p(0) = p(0, 1) + p(0, 2) + p(0, 3) =
6/27
 Si X = 1 entonces p(1) = p(1, 1) + p(1, 2) + p(1, 3) =
18/27
 Si X = 2 entonces p(0) = p(2, 1) + p(2, 2) + p(2, 3) = 3/27
 Por lo que la función marginal de X, dado en forma tabular,
es
X 0 1 2
p(x) 6/27 18/27 3/27
Distribución Marginal
 La distribución Marginal de Y es:
 Si Y = 0 entonces q(0) = q(0, 0) + q(1, 0) + q(2, 0) = 8/27
 Si Y = 1 entonces q(1) = q(0, 1) + q(1, 1) + q(2, 1) =
12/27
 Si Y = 2 entonces q(2) = q(0, 2) + q(1, 2) + q(2, 2) = 6/27
 Si Y = 3 entonces q(3) = q(0, 3) + q(1, 3) + q(2, 3) = 1/27
 Por lo que la función marginal de Y, dado en forma tabular,
es:

Y 0 1 2 3
q(y) 8/27 12/27 6/27 1/27
VARIABLE ALEATORIA CONTINUA: Función de
Densidad de Probabilidad Conjunta
 DEFINICIÓN
 Sea (X,Y) una variable aleatoria bidimensional continua, con
𝑅(𝑥,𝑦)  R² su espacio rango. Diremos que f(x, y) es una
función de densidad de probabilidad conjunta de (X,Y)
siempre que f cumpla las siguientes condiciones:
 1) f(x , y)  0  (xi, yj)  𝑅(𝑥,𝑦)
+∞ +∞
 2)‫׬‬−∞ ‫׬‬−∞ 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦 = 1
VARIABLE ALEATORIA CONTINUA: Función de
Densidad de Probabilidad Conjunta
 Observaciones:
De manera simplificada fdpc significará “función de densidad
de probabilidad conjunta”.
 Sin duda el intervalo al que correspondan X e Y serán -∞ < X
< + ∞ y - ∞ < Y < + ∞ . En particular, X pertenecerá al
intervalo (a, b) tal que a  X  b. Del mismo modo,Y
pertenecerá al intervalo (c, d) tal que c Y  d. La gráfica de
la función f determina una superficie en el espacio
tridimensional, como se muestra en la figura
FDPC
FDPC
 Si B = {(x, y)/a  x  b, c  y  d } es un evento en el espacio rango
de (X,Y), la probabilidad de que ocurra este evento, es igual a:
b d
P(a  X  b, c  Y  d )    f ( x, y )dydx
a c

 P(a ≤ X ≤ b, c ≤ Y ≤ d) = P(a < X ≤ b, c < Y < d) = P(a < X < b, c < Y

≤ d)
𝑏
 Si matemáticamente la probabilidad P(a  X  b) = ‫𝑥𝑑 𝑥 𝑓 𝑎׬‬,
geométricamente representa el área de una superficie sobre el plano
cartesiano. En el caso bidimensional la probabilidad P(a  X  b, c Y 
d) geométricamente representa el volumen de una superficie en el
espacio, definida por la gráfica de la curva f(x,y) y limitada por los
intervalos a  X  b , c Y  d y en el plano XY, por la región .
FDPC
 Si B = {(x, y)/a  x  b, c  y  d } es un evento en el
espacio rango de (X,Y), la El orden de integración (dydx ó
dxdy) lo determina Ud. , según su dominio.
 Distribución Acumulada de una variable aleatoria
bidimensional continua
Si (X,Y) es una variable aleatoria bidimensional
continua con f(x, y) su función de densidad de
probabilidad conjunta, diremos que F(x, y) es su
función de distribución acumulada si
𝑥 𝑦
F(x, y) = P( X  x,Y  y) = ‫׬‬−∞ ‫׬‬−∞ 𝑓 𝑠, 𝑡 𝑑𝑠𝑑𝑡
Ejemplo FDPC
 Sea (X,Y) una variable aleatoria bidimensional continua con
función de densidad de probabilidad conjunta definida por
c( 2  2
0  x  1; 0  y  1
f ( x, y )   x y)
0 otros

 Determine el valor de la constante c

Ejemplo FDPC
 Para hallar el valor de c, debemos usar la segunda condición
en la definición; es decir, . Efectuando la integración
obtenemos: c
1 1
  c( x  y )dydx  1
2 2

0 0
1
1
𝑐 න න(𝑥 2 + 𝑦 2 )𝑑𝑦𝑑𝑥 = 1
0
0
3
𝑐=
2
Distribución Marginal de VA Continua
Múltiple
 DEFINICIÓN
 Sea (X,Y) una variable aleatoria bidimensional continua
donde f es su función de densidad de probabilidad conjunta.
Diremos que g es la función de distribución marginal de
X y la definiremos como:

g ( x)   f ( x, y )dy


 Del mismo modo, diremos que h es la función de

distribución marginal de Y y la definiremos como
Distribución Marginal de VA Continua
Múltiple

 Del mismo modo, diremos que h es la función de

distribución marginal de Y y la definiremos como


h( y )  

f ( x, y )dx
Distribución Marginal de VA Continua
Múltiple
 Observaciones
 Siendo g y h son funciones de distribución de probabilidad,
debe suponerse que ambas satisfacen las condiciones para ser
funciones de densidad de probabilidad; es decir:

 
g ( x)dx  1
y del mismo modo


h( y )dy  1
Ejemplo: Distribución Marginal de VA
Continua
 Suponga que (X,Y) es una variable aleatoria bidimensional
continua con función de densidad de probabilidad conjunta
dada por:
 x²  xy
0  X  1, 0  Y  2
f ( x, y )   3

0 otros

 Calcule lo siguiente:
 P(X > ½ )
 P( Y < ½ / X < ½ )
Ejemplo: Distribución Marginal de VA
Continua
 Se debe calcular la Distribución Marginal de X:Integramos a f
respecto de y, en todo el recorrido de Y:

0
2
g ( x)   ( x ²  )dy  x ² y 
xy
3 6 0

xy ² 2

2
 2x  x2

3
Ejemplo: Distribución Marginal de VA
Continua
 Distribución Marginal de Y:Integramos a f respecto de x, en
todo el recorrido de X:

1
3

1
x
h( y )   ( x ²  3 )dx  
xy x ² y  
0 3 6 
0

1 y
 
3 6
 Ejemplo: Distribución Marginal de VA
Continua
 A) P(X > ½ ) = 1 – P(X  ½) =

3 2
1/ 2 x 2 x 1/ 2
 1   (2 x ²  x)dx 1  (2 
2
3 )0
0 3 3 2
1 5
 1 
6 6
Ejemplo: Distribución Marginal de VA
Continua
 P(Y< ½ / X < ½ ) =
 =
P( X  1 / 2, Y  1 / 2)
 
P( X  1 / 2)
1/ 2 1/ 2
  ( x ²  )dydx
xy
3 5 / 192
 0 0
  5
32
1/ 6 1/ 6
 DISTRIBUCIONES CONDICIONALES:
CASO DISCRETO
 Sea (X,Y) una variable aleatoria bidimensional discreta, cuya
función de probabilidad conjunta es p(xi, yj).
 Sea p(xi) y q(yj) , i =1, 2, ..., n, ...; j = 1, 2, ..., m, ... , las
distribuciones de probabilidad marginal de X e Y,
respectivamente.
 Diremos que pX/Y(xi/Y = yj) es la función de probabilidad
condicional de X, dado Y = yj, si
p ( xi , y j )
p X Y ( xi / Y  y j )  ,
q( y  y j )
q ( y  y j )  0, i  1, 2, ..., n,
DISTRIBUCIONES CONDICIONALES:
CASO DISCRETO
 Del mismo modo, diremos que pY/X(yj/X = xi) es la función
de probabilidad condicional de Y, dado X = xi , si

p ( xi , y j )
pY X ( y j / X  xi )  ,
p ( X  xi )
p ( X  xi )  0, j  1, 2, ..., m, .
DISTRIBUCIONES CONDICIONALES:
CASO DISCRETO
 Observaciones
 La notación simplificada que usaremos es p(x/Y=y) para la función
de probabilidad condicional de X, dado Y, y q(y/X=x) para la función
de probabilidad de Y, dado X.
 Observe con cuidado la definición: En el caso de p(x/y), el evento
que ha ocurrido es { y / Y = yj }; es decir, deberemos encontrar la
función de probabilidad condicional de X dado Y, para un valor
particular de Y; mientras que en el caso de la función de probabilidad
de Y dado X, el evento que ha ocurrido es {x / X = xi }.
 Igualmente observe que las funciones de probabilidad se definen
simplemente como un cociente entre la conjunta y la probabilidad del
evento que ha ocurrido.
DISTRIBUCIONES CONDICIONALES:
CASO DISCRETO
Por lo expuesto, para obtener una de las distribuciones
condicionales debemos usar el siguiente procedimiento:
 Paso 1: Disponer de, o calcular, la distribución de
probabilidad conjunta
 Paso 2: Obtener la(s) distribución(es) marginal(es)
respectiva(s)
 Paso 3: Obtener la(s) distribución(es) condicional(es)
respectiva(s)
 Paso 4: Dividir a cada probabilidad conjunta entre el valor de
probabilidad puntual de la marginal correspondiente.
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO DISCRETO
 La función de probabilidad conjunta de (X,Y) está dada por
x²  y ²
p ( x, y ) 
32
x = 0, 1, 2, 3 ; y = 0, 1
 Encuentre las distribuciones condicionales X dado Y=1e Y
dado X=2.
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO DISCRETO
 Para obtener la distribución de probabilidad condicional de X
dado Y = 1, debemos encontrar primero la distribución
marginal de Y, de ella extraemos q(y = 1).

 Del mismo modo, para obtener la distribución de

probabilidad condicional de Y dado X = 2, debemos
encontrar primero la distribución marginal de X, de ella
extraemos p(x = 2).
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO DISCRETO
 Distribución Marginal de X:

2 x²  1
p( x)  , x  0, 1, 2, 3
32

p(x) = p(x,0) + p(x, 1) , x = 0,1, 2, 3

x 2 x²  1
p( x)  
32 32
2x2 1
 , x  0, 1, 2, 3
32
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO DISCRETO
 Distribución Marginal de Y:
14  4 y ²
q( y )  , y  0, 1
32
 q(y) = p(0,y)+p(1,y) + p(2, y)+ p(3, y) , y = 0, 1.

y2 1 y2 4  y2 9  y2
q( y)     
32 32 32 32
14  4 y ²
 , y  0, 1
32
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO DISCRETO
 Distribución Condicional de X, dado Y = 1:
 Hemos reemplazado y = 1 en q(y)
x²  1
32 x 2
1
p ( x / y  1)   , x  0 ,1, 2 , 3
18 18
32
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO DISCRETO
 Distribución Condicional de Y, dado X = 2:
 Hemos reemplazado x = 2 en p(x)

4  y²
32 4  y2
p ( y / x  2)   , y  0 ,1
9 9
32
DISTRIBUCIONES CONDICIONALES:
CASO CONTINUO
 Sea (X,Y) una variable aleatoria bidimensional continua. Si
f(x, y) es su función de densidad conjunta, y g(x) y h(y) sus
distribuciones marginales correspondientes, definimos con
gX/Y(x/y) o g(x/y) como la función de densidad
condicional de X, dado Y = y, tal que

f ( x, y )
g ( x / y)  , h( y )  0
h( y )
DISTRIBUCIONES CONDICIONALES:
CASO CONTINUO
 Del mismo modo, diremos que hY/X(y/x) o h(y/x) es la
función de densidad condicional de Y, dado X, tal
que:
f ( x, y )
h( y / x )  , g ( x)  0
g ( x)
DISTRIBUCIONES CONDICIONALES:
CASO CONTINUO
 Observaciones
 Usaremos g(x/y) y h(y/x) para representar las funciones
condicionales respectivas.
 Para obtener dichas condicionales es suficiente dividir la
distribución conjunta entre la distribución marginal que le
corresponda. Es decir, para g(x/y), es suficiente la división de la
probabilidad conjunta f entre la marginal de Y, h(y). Del mismo
modo, para obtener h(y/x) es suficiente dividir la probabilidad
conjunta entre la marginal de X, g(x).
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO CONTINUO
 Sea (X,Y) una variable aleatoria bidimensional continua cuya
función de densidad de probabilidad conjunta viene dada por:
 xy
 x ²  , 0  x  1, 0  y  2
f ( x, y )   3
0 otros

 Encuentre las distribuciones condicionales de X, dado Y así

como la distribución condicional condicionadle Y, dado X.
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO CONTINUO
 Puesto que las distribuciones condicionales provienen del
cociente de las conjuntas entre las marginales, debemos
hallar primero las distribuciones marginales.
 Distribución Marginal de X:

2 xy
g ( x)   ( x ²  )dy  2 x ²  23 x
0 3

 Distribución Marginal de Y:

1 xy 1 1
h( y )   ( x ²  )dx   y
0 3 3 6
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO CONTINUO
 Obtención de la Distribución condicional de X, dado Y:

x ²  xy
g ( x / y) 
f ( x, y )
 3  6 x ²  2 xy
h( y ) 1 1
 y 2 y
3 6

 6 x ²  2 xy
 , 0  x  1, 0  y  2
g ( x / y)   2  y
0
 otros
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO CONTINUO
 Obtención de la Distribución condicional de Y, dado X:

f ( x, y ) x ²  xy 3x  y
h( y / x )   3 
g ( x) 2 x²  3 x 6 x  2
2

 3x  y
 , 0  x  1, 0  y  2
h( y / x )   6 x  2
0 otros
ESPERANZA CONDICIONAL: Caso
Discreto
 Sea (X,Y) una variable aleatoria bidimensional discreta con
p(xi, yj) , i = 1, 2, ..., n, ...; j = 1, 2, ..., m, ... su función de
probabilidad conjunta. Sea p(xi) y q(yj) las funciones de
distribución marginal de X e Y, respectivamente.
 Diremos que E[X/Y = yj] es la esperanza condicional
de X, dado Y = yj, tal que:

E[ X / Y  y ]   x p( x / Y  y )
j i i j
i 1
ESPERANZA CONDICIONAL: Caso
Discreto
 Del mismo modo, E[Y/X = xi] es la esperanza
condicional de Y, dado X = xi, tal que

E[Y / X  xi ]   y q ( y / X  xi )
j i
j 1
Ejemplo: ESPERANZA CONDICIONAL:
Caso Discreto
 Sea (X,Y) una variable aleatoria bidimensional discreta cuya
función de probabilidad conjunta es
2x  y
p ( x, y )  , x  1, 2, 3; y  2, 3, 4
63

 Obtener las esperanzas condicionales E[X/Y] y E[Y/X], para

todos los valores de X e Y.
Ejemplo: ESPERANZA CONDICIONAL:
Caso Discreto
 Como para E[X/Y] se requiere la marginal de Y y la
probabilidad condicional de X, dado Y, así como para E[Y/X]
se requiere la marginal de X y luego la probabilidad
condicional de Y, dado X, procederemos de manera ordenada:
 Distribución Marginal de X:
6x  9
p( x)  , x  1, 2, 3
63
 Distribución Marginal de Y:
12  3 y
q( y )  , y  2, 3, 4
63
Ejemplo: ESPERANZA CONDICIONAL:
Caso Discreto
 Distribución condicional de X, dado Y:
2x  2
p( x, y  2) 63 x 1
p( x / Y  2)    , x  1, 2, 3
q(2) 12  (3)( 2) 9
63
p ( x, y  3) 2x  3
p ( x / Y  3)   .............  , x  1, 2, 3
q (3) 21

p ( x, y  4) x2
p ( x / Y  4)   ...........  , x  1, 2, 3
q (4) 12
Ejemplo: ESPERANZA CONDICIONAL:
Caso Discreto
 Distribución condicional de Y, dado X:
p ( x  1, y ) 2 y
p ( y / X  1)   ..............  , y  2, 3, 4
p (1) 15
p ( x  2, y ) 4 y
p ( y / X  2)   ...........  , y  2, 3, 4
p (2) 21
p ( x  3, y ) 6 y
p ( y / X  3)   ..............  , y  2, 3, 4
p (3) 27
Ejemplo: ESPERANZA CONDICIONAL:
Caso Discreto
3
11 2 1 3  1 20
E[ X / Y  2]   xp( x / y  2) 1 2 3 
x 1 9 9 9 9
3
23 43 6  3 46
E[ X / Y  3]   xp( x / y  3) 1 2 3 
x 1 21 21 21 21

3
1 2 22 3  2 26
E[ X / Y  4]   xp( x / y  4) 1 2 3 
x 1 12 12 12 12
Ejemplo: ESPERANZA CONDICIONAL:
Caso Discreto
4
22 23 2  4 47
E[Y / X  1]   yq( y / x  1) 2 3 4 
y2 15 15 15 15

4
42 43 4  4 65
E[Y / X  2]   yq( y / x  2) 2 3 4 
y2 21 21 21 21

4
62 63 6  4 83
E[Y / X  3]   yq( y / x  3) 2 3 4 
y2 27 27 27 27
ESPERANZA CONDICIONAL: Caso
Continuo
 Sea (X,Y) una variable aleatoria bidimensional continua con f
su función de densidad de probabilidad conjunta y sean
también g(x) y h(y) las funciones de densidad marginales de
X e Y, respectivamente.
 Diremos que E[X/Y] es la esperanza condicional de X, dado
Y tal que

E[ X / Y ]   xg ( x / y )dx

ESPERANZA CONDICIONAL: Caso
Continuo
Del mismo modo, E[Y/X] es la esperanza condicional de Y,
dado X tal que


E[Y / X ]   yh( y / x)dy

Ejemplo ESPERANZA CONDICIONAL:
Caso Continuo
 Sea (X,Y) una variable aleatoria bidimensional continua cuya
función de densidad de probabilidad conjunta viene dada por
1
 (3x  2 y ) 0  x  1, 0 y2
2
f ( x, y )   6
0 otros

 Encuentre E[X/Y = ½ ]
 Evalúe P(Y < ½ / X = ½ )
Ejemplo ESPERANZA CONDICIONAL:
Caso Continuo
 Encontraremos primero las marginales y luego las
condicionales.
 Marginal de X:
2 6 x 2
4
g ( x)   1
6
(3x  2 y )dy 
2
0 6
 Marginal de Y:

1 1  2y
h( y )   1
(3 x  2 y )dx 
2
06 6
Ejemplo ESPERANZA CONDICIONAL:
Caso Continuo
 Distribución condicional de X, dado Y:

f ( x, y ) 3x 2  2 y
g ( x / y)   ............ 
h( y ) 1 2y

 Distribución condicional de X, dado Y:

f ( x, y ) 3x 2  2 y
h( y / x )   .......... 
g ( x) 6x2  4
Ejemplo ESPERANZA CONDICIONAL:
Caso Continuo
1 3x  x 5 1
3
E[X/Y  ]   xg(x/y  )dx  
1
dx  1
2 0 0 11 8 2

 b) P(X < ½ / Y = ½ ]

 f ( x, y  1 2 )
2

P( X  2 , Y  2)
1 1 5
 0
dx  ................ 
h(Y  2 )
1 1  2( 12 ) 16
INDEPENDECIA DE VARIABLES
 DEFINCIÓN
 Sea (X,Y) una variable aleatoria bidimensional. Diremos que
X e Y son variables aleatorias independientes si:
 Caso discreto: Si distribución condicional es igual a la marginal de
la variable
 p(xi, / Y = yj) = p(xi) para todo i = 1, 2, ....., n ; j = 1, 2,
...... m o
 p(yj / X = xi,) = q(yj) para todo i = 1, 2, ....., n ; j = 1, 2,
...... m
 Caso continuo: Si la distribución condicional es igual a la marginal
de la variable
 f(x / Y = y) = g(x)
 f(y / X = x ) = h(y)
INDEPENDENCIA DE VARIABLES
 Teorema
 Las variables X e Y son independientes si y sólo si la
distribución conjunta es igual al producto de sus
distribuciones marginales; es decir,
 Caso discreto : p(xi, , yj) = p(xi) q(yj); para todo i = 1, 2,
....., n ; j = 1, 2, ...... m
 Caso continuo: f(x, y) = g(x) h(y) para todo (x, y) en el
espacio rango de (X,Y).
 Teorema
 Si X e Y son dos variables aleatorias independientes entonces
 E(XY) = E(X)E(Y)
 V(X Y) = V(X) + V(Y)
Ejemplo: INDEPENDENCIA DE
VARIABLES
 Las variables aleatorias X e Y representan las proporciones de
los mercados correspondientes a dos productos distintos
fabricados por la misma compañía y cuya función de densidad
de probabilidad conjunta está dada por:
x  y 0  x  1; 0  y  1
f ( x, y )  
0 otros

 Son independientes las variables X e Y? Justifique su respuesta

 Si la producción del mercado del producto X es de 20%(x =
0.2), obtenga la función de densidad condicional de Y
 Ejemplo: INDEPENDENCIA DE
VARIABLES
 Marginal de X: g(x) = Integramos f respecto de y
1
2
1
g(x)   (x  y)dy  xy 
y  x
1
0 2
2 0

 Marginal de Y:h(y) = Integramos f respecto de x

1
2
1 x 1
h(y)   (x  y)dx 
0  yx  y
2
2 0

 g(x)h(y) = 1 1
(  y )( x  )
2 2
 NO son independientes
Ejemplo: INDEPENDENCIA DE
VARIABLES
 Para inciso b)
f ( x  0.2, y ) 0.2  y

g ( x  0.2) 0.2  0.5
COEFICIENTE DE VARIACION
 DEFINICIÓN
 Sea X e Y dos variables aleatorias. Diremos que COV(X,Y) es
la Covarianza de X e Y tal que
COV(X,Y) = E [(X – E[X])(Y-E[Y]) ]
 Teorema
COV(X,Y) = E(XY) – E(X)E(Y)
 Teorema
 Si X e Y son variables aleatorias independientes entonces
COV(X,Y) = 0
COEFICIENTE DE VARIACION
 Interpretación
 La covarianza de dos variables mide la co-variabilidad de
dichas variables. Cómo varía una respecto a la otra. Si
Covar(X,Y) es positiva entonces ambas aumentan o
disminuyen; mientras que si Cov(X,Y) es negativa, una
variable aumenta y la otra disminuye. Si Cov(X,Y) es 0, una
no depende de la otra.
COEFICIENTE DE VARIACION
 Propiedades
 COV(X,βY) = βCOV(X,Y)
 COV(X+c,βY+d) = βCOV(X,Y)
 Si X e Y son dos variables cualquiera:
V(X + Y) = V(X) + V(Y) +2COV(X,Y)
 Si X e Y son dos variables cualquiera:
V(X + βY) = ²V(X) + β²V(Y)
+2βCOV(X,Y)
COEFICIENTE DE CORRELACION
 DEFINCIÓN
 Sea X e Y dos variables aleatorias. Diremos que (X, Y) es el
Coeficiente de Correlación de X e Y tal que

COV ( X , Y ) E ( XY )  E ( X ) E (Y )
  
  X Y
V ( X )V (Y )
COEFICIENTE DE CORRELACION
 Observaciones
 El coeficiente de correlación representa el grado de
correlación que hay entre las variables
 Por la forma cómo está definido,  puede ser positivo o
negativo
 -1 ≤  ≤ 1
 Si   1 entre X eY existe una correlación casi perfecta
 (aX + b, cY + d) =  (X,Y)
COEFICIENTE DE CORRELACION
 Teorema
 Si X e Y son dos variables aleatorias independientes entonces
=0
 Interpretación
 El coeficiente de correlación mide el grado de asociación que
hay entre dos variables. Es la cuantificación porcentual de
cuán relacionadas están las dos variables,
COEFICIENTE DE CORRELACION
Ejemplos completos
 Un experimento consiste en lanzar tres veces una moneda. Sean
las Variables aleatorias: X= numero de caras en las tres tiradas e Y
= diferencia en valor absoluto entre el numero de caras y el de
escudos en las tres tiradas. Se pide:
 A) Distribución de probabilidad de (X,Y)
 B) Media y desviación típica de las distribuciones marginales de X
eY
 C) Covarianza y Coeficiente de Correlación
 D) Son X e Y independientes?
 E) Distribución condicionada de X a Y=3
 F) Distribución condicionada de Y a X=2
 G) P[X≤1;Y>0] ; P[X≥2] ; P[Y<3]
Solución
Solución B)
Solución B)
Solución C)
Solución c)
Solución D)
Solución E)
Solución F)
Solución G)