CONTINUACIÓN DE LAS

UNIDADES III Y IV
VARIABLES ALEATORIAS CONJUNTAS
DISCRETAS Y CONTINUAS

Profesor
Abraha
m
Gómez 1

Avalos
 VARIABLES ALEATORIAS CONJUNTAS
Existen problemas en los que deben estudiarse
simultáneamente dos o má vari les. Por ejemplo, si
nos interesas el rendimiesnto deab un circuito integrado;
tenemos que considerar ¿cómo afecta la temperatura e
donde se encuentra, los componentes que estánn
conectados a él y la constitución físico-química de éste?
entre otras variables.

Para el curso estudiaremos variables aleatorias

bidimensionales o bivariadas de los tipos discreto y
continuo, es decir veremos el cálculo de probabilidades,
valor esperado y varianza con dos variables. Con los
cuales realizaremos el análisis de regresión y correlación
entre variables, es decir; encontraremos si entre dos
variables existe o no una relación y en su caso que tan
fuerte o débil es. 2
 VARIABLES ALEATORIAS CONJUNTAS
Definición

a) (X,Y) es una VARIABLE ALEATORIA BIDIMENSIONAL

DISCRETA, si los valores posibles de (X, Y) se pueden
representar como: (xi,yj), i=1,2,3,…,n; j=1,2,3,…,m

b) (X,Y) es una VARIABLE ALEATORIA BIDIMENSIONAL

CONTINUA, sí (X,Y) puede tomar todos los valores en
un conjunto no numerable del plano cartesiano. Es
decir toma todos los valores en el rectángulo {(x,y) |
a≤x≤b, c≤y≤d} o en cualquier otra región en la que
no se pueden listar todos los valores de X y Y.

3
VARIABLE ALEATORIA CONJUNTA DISCRETA
EJEMPLO DE V.A. CONJUNTA DISCRETA
Supongamos que cierta empresa desea seleccionar de
entre sus departamentos de producción, control de
calidad y ventas a dos personas para enviarlas a un
curso de capacitación . El departamento de producción
propone a tres personas, el departamento de C.C.
propone a dos personas y el departamento de ventas
propone a una pe rsona. Definamos cada variable y la
toria ta:
variable conjun
alea
Denotemos con:
X: El número de personas seleccionadas para
asis tircur
al sopar
por C.dC.
te
X:0,1,2 e
Y: El núm ero de personas seleccionadas para
asistir cur al sopar
porte de
producc ión.
Y: 0,1,2
Algunos de los valores de la variable aleatoria conjunta
son: (1,1 (),2,0) y (0,2). 4
 VARIABLES ALEATORIAS CONJUNTAS
DISTRIBUCIÓN DE PROBABILIDAD CONJUNTA PARA LA
V.A. (X,Y) DISCRETA.

Definición
Sean X y Y dos variables aleatorias discretas, la
distribución de probabilidad conjunta para la V.A. (X,Y)
esta dada por P(x,y)=P(X=x,Y=y).
Definida para todos los números enteros “x”, “y”,
cumpliendo las siguientes condiciones:
1) P(x,y) ≥0 pra toda (x,y)
2) ∑∑ P(x,y)= a
1
Regresemos al ejemplo para obtener la distribución de
probabilidad conjunta. 5
 EJEMPLO DE V.A. CONJUNTA DISCRETA (CONT.)

El total de personas es 6=3+2+1 y

únicamente se pueden elegir a 2
personas, para definir la distribución de X\Y 0 1 2
probabilidad conjunta (X,Y) los posibles
resultados serán las intersecciones de 0
las columnas X y los renglones Y y en
cada cuadro de intersección 1
colocaremos la probabilidad que
corresponda al valor (x,y). 2

Aunque no aparece el área de ventas,

está considerada en forma implícita, ya
que cuando se elige una sola persona
de los departamento s de producción o
de C.C. entonces la que se elegirá en
segundo lugar es la persona de v tas.
e 6

n
 EJEMPLO DE V.A. CONJUNTA DISCRETA (CONT.)

Calculemos las probabilida des:

2 3 1
C0 C1 C1 3 Y los eventos imposibles:
P( X  0,Y  1)  P(0,1)  
C 26 15 P(X=1,Y=2)=0 P(X=2,Y=1)=0
C 02C 2 3C 0 1 3
P(X=2,Y=2)=0 P(X=0,Y=0)=0
P( X  0,Y  2)  P(0,2)  
C 26 15
2
CCC 2
P( X  1,Y  0)  P(1,0)  1 036 1  Así que la distribución de
C2 15 esta
2
1 ad
probabilid conjun :
C1 C 1 C 0 6
P( X  1,Y  1)  P(1,1)  3 
C 26 15
X\Y 0 1 2
1
C
1
P( X  2,Y  0)  P(2,0)  2 0
6
0

C2
2
15
C 0 0 3/15 3/15
3
C 1 2/15 6/15 0
1

2 1/15 0 0
7
 FUNCIÓN DE DISTRIBUCIÓN ACUMULADA
BIVARIADA DISCRETA.

DEFINICIÓN
Función de distribución acumulada bivariada F(a,b) para
cualquier V.A. bivariada (X,Y) se define c omo:

a b
F(a,b)  P(X  a,Y  b)    P(x, y)
x y


8
 EJEMPLO DE V.A. CONJUNTA DISCRETA

Las bandejas de plástico rectangulares para un disco compacto

tienen especificaciones de longitud y de espesor. Sea X: la
longitud y Y: el espesor, cada una se mide al milímetro más
cercano, de una bandeja seleccionada aleatoriamente.
Los valores posibles de X son 129, 130 y 131; y los valores
posibles para Y son 15 y 16. Tanto X como Y son V.A. discretas
por lo que (X,Y) es una V.A. conjunta discreta. A continuación
se muestra la distribución de probabilidad conjunta.
X Y P(x,y)
129 15 0.12 1. Calcular la probabilidad de
129 16 0.08
que la bandeja tenga una
longitud de 129 mm.
130 15 0.42
2. Determinar P(Y=16).
130 16 0.28
3. Calcular F(130,16)
131 15 0.06
131 16 0.04
1. P(X=129)=0.20, 2. P(Y=16)=0.4, 3. F(130,16)=0.90 9
 EJERCICIO DE V.A. CONJUNTA DISCRETA
Un software puede hacer llamadas a dos subrutinas A y B, en
una ejecución elegi a aleatoriamente, X es el número de
llamadas hechas da la subrutina A y Y representa las
llamadas a la subrutina B. La distribución de probabilidad
conjunta de (X,Y) está dada por la siguiente tabla:
Y
X 1 2 3
1 0.15 0.10 0.10
a) Calcular P(X=1,Y=2). 2 0.10 0.20 0.15
b) Calcular F(2,1). 3 0.05 0.05 0.10
c) Determine la probabilidad de que el software llame en dos
o meno ocasión a la subrutina A y máximo en dos
s
ocasione s a la subrutina B.
d) Determine la probabilidad de que al menos llame en dos
ocasiones a la subrutina A y en dos veces a la subrutina B.
a) 0.1, b) 0.25, c) F(2,2)=0.55, d) P(X>=2, Y=2)=0.25 10
DISTRIBUCIÓN DE PROBABILIDAD MARGINAL DE
XyY
DEFINICIÓN
Sea (X,Y) V.A. discreta bivariada con distribución de
probabilidad P(x,y)=P(X=x,Y=y), se definen las
funciones de probabilidad marginal de X y de Y
respectivamente, como:

PX ( xi )  P( X  x i )   P( xi , y)
y

PY ( y j )  P(Y  y j )  P( x, y )
x
j

Donde las sumatorias se toman sobre todos los valores

posibles de y y de x respectivamente.
11
 EJEMPLO DE PROBABILIDAD MARGINAL

Sea X: el número de automóviles y Y: el número de camiones

que pasan por cierta caseta de cobro en un minuto. La
distribución de probabilidad conjunta de (X,Y) está dada por:

Y Obtener las
X 0 1 2 Px(x)
probabilida
despara X y Y
marginales
0 0.10 0.05 0.05 0.20
1 0.10 0.10 0.05 0.25
2 0.05 0.20 0.10 0.35
3 0.05 0.05 0.10 0.20
PY(y) 0.30 0.40 0.30

12
 EJERCICIO DE PROBABILIDAD MARGINAL
Supongamos que cierta empres a desea sele ccionar de
entre sus departamentos de producción, control de
calidad venta
y s doa pe
s rsona par
s enviaarla as un
curso de
capacitación . departame
El ntoproducción
de
propone a tres personas, el departamento de C.C.
propone dosona s y departame
a pers el nto de ventas
propone a ona.
pers una Seenta
pres distrib la deu
d
probabilida conjunt a de
(X,Y)
ción
X\Y
X\Y 0 1 2 PX(x)
0 0 3/15 3/15 6/15
1 2/15 6/15 0 8/15
2 1/15 0 0 1/15
PY(y) 3/15 9/15 3/15

Encontrar las probabilidades marginales para X y Y.

13
 FUNCIÓN DE PROBABILIDAD CONDICIONAL

DEFINICIÓN
Sea (X,Y) V.A. discreta bivariada, la función de
probabilidad condicional de que X=xi dado que Y=yj
es:
P( xi , y j )
P( xi y j )  i, j  1,2,...
PY ( y j )

La función de probabilidad condicional de que Y=yj

dado que X=xi es:

P( xi , y j )
P( y j x i )  i, j  1,2,...
PX ( x i )
14
 EJEMPLO DE PROBABILIDAD CONDICIONAL
Sea X: el número de automóviles y Y: el número de camiones
que pasan por cierta caseta de cobro en un minuto. La
distribución de probabilidad conjunta de (X,Y) está dada por:

a) Calcular la probabilidad
Y
de que pasen por cierta
X 0 1 2 caseta de cobro dos
0 0.10 0.05 0.05 automóviles, dado que ya
1 0.10 0.10 0.05 ha pasado un camión.
2 0.05 0.20 0.10
b) ¿Cuál es la probabilidad
de que pasen dos
3 0.05 0.05 0.10 camiones, dado que ya
pasaron 3 autos
?

a) P(X=2 / Y=1)=0.5, b) P(Y=2 / X=3)=0.5 15

 VARIABLES ALEATORIAS INDEPENDIENTES

DEFINICIÓN
Sea (X,Y) V.A. bidimensional discreta, decimos que X
y Y son variables aleatorias independientes si y
sólo sí,
P(X=xi , Y=yj )=P(xi ,yj )= PX(xi )PY(yj )
Para toda i, j.

Observación:
X y Y son variables aleatorias independientes si el
resultado de X de ninguna manera influye en el
resultado de Y y viceversa.
16
 RELACIÓN ENTRE VARIABLES ALEATORIAS
INDEPENDIENTES

TEOREMA
Sea (X,Y) V.A. bidimensional discreta, entonces X y Y son
independientes si y sólo sí,
P(xi | yj )=PX(xi )
Para toda i, j.

Equivalentemente
P(yj |xi )=PY(yj )
Para toda i, j.

17
 EJEMPLO DE VARIABLES ALEATORIAS
INDEPENDIENTES
Suponga que una máquina se usa para un proceso de
producción en el primer turno y para otro proceso de
producc enió segun el doo. Si X represen
turn : tanúmerelo de
veces que nmáqu laina fa enllael prime turn r o y Y repre: senta el
número de qu
vece s e la máquin fa a en lla segunel tudo rno La .
siguien te muestrta la ibución
a distr probabilida
de conjunta
d
ladevaria bletoria (X,Y).
alea
bla
X ¿Son X y Y variables
Y 0 1 2 3 aleatorias
0 0.08 0.07 0.04 0.00
independientes?
1 0.06 0.15 0.05 0.04
2 0.05 0.04 0.10 0.06
3 0.00 0.03 0.04 0.07
4 0.00 0.01 0.05 0.06

18
No lo son, porque en particular PX(X=0)PY(Y=2)=0.0475≠0.05= P(X=0, Y=2)
 EJERCICIO DE V.A. INDEPENDIENTES
Los dos tipos más comunes de errores de los programadores
son los de sintaxis y de lógica. En el caso de un le nguaje
sencillo, com C++
o , sue se le bajo
r núelmer o dich rrores.
de eos
Sea X : el #errore de sinstácticos Yy: #e ede
rrore lógic
s os,
en la primer ejecuc
a ión un
deprograma escrito C++
en Sea. la
distribución de pr obabilidad conjunta del la variable aleatoria
(X,Y )siguienla : te
Y
X 0 1 2 3
¿Son X y Y variables
0 0.4 0.1 0.02 0.005 aleatorias
1 0.3 0.04 0.01 0.004 independientes?
2 0.04 0.01 0.009 0.003
3 0.009 0.008 0.007 0.003
4 0.008 0.007 0.005 0.002
No lo son, porque en particular
5 0.005 0.002 0.002 0.001 PX(X=1)P Y(Y=3)=0.0064 ≠ 0.004= P(X=1, Y=3)
19
 VALOR ESPERADO DE (X,Y)
DEFINICIÓN
Dada la V.A. bidimensional discreta (X,Y), con función de
distribución de probabilidad P(X=xi ,Y=yj)
Se llama valor esperado de (X,Y) al calculado por

E( X ,Y )   xyP( x, y)
x y

Propiedades:
Si X y Y son variables aleatorias independientes entonces:

E( X ,Y )  E( X)  E(Y )
donde E( X )  xP X ( x), E(Y )   yPY ( y)
 x y
20
 RECORDATORIO

VARIANZA DE CADA V.A.

2
V ( X )  E( X ) [E( X )] 2

donde E( X )   x2 PX (x)
2

2
V (Y )  E(Y ) [E(Y )] 2

donde E(Y )   y PY ( y)
2 2

21
 EJEMPLO DE VALOR ESPERADO Y VARIANZAS
Suponga que una máquina se usa para un proceso de
producción en el primer turno y para otro proceso de
producc en
ió segun el doo. Si X represen
turn : ta númer
el o de
veces que nmáqu lain fa aenlla prime elturnr o y Y repre: senta el
número de que
vece s la máquin fa a en lla segunel tur dono La
.
siguien tablate muestr a distr laibución de
probabilida d conjunta
bletoria (X,Y).
devariala alea
1. Calcular el valor
X esperado para la
variable aleatoria (X,Y),
Y 0 1 2 3
para X y para Y e
0 0.08 0.07 0.04 0.00 interprete los resultados
1 0.06 0.15 0.05 0.04 de los valores esperados
de X y Y.
2 0.05 0.04 0.10 0.06
2. Determine los valores
3 0.00 0.03 0.04 0.07 de las varianzas para X
4 0.00 0.01 0.05 0.06 y Y.

1.- E(X,Y)= 3.18, E(X)= 1.55 la maquina en el 1er turno falla más de una vez,
22
E(Y)= 1.7 la maquina falla casi dos vez en el segundo turno, 2.-
E(X*X)= 3.49, E(Y*Y)= 4.48, v(X)=1.0875, V(Y)=1.59
 COEFICIENTE DE CORRELACIÓN Y COVARIANZA

Para saber si existe alguna relación entre las variables X y

Y, como podría ser que cuando aumenta X aumenta Y o
en forma inversa aumenta una y la otra disminuye, o b
no existe relación entre ellas; utilizaremos la Covarianza yi
el Coeficiente de Correlación Lineal para determinar la e
relación entre las variables y su grado de interacción. n

DEFINICIÓN
La Covarianza se define como el valor esperado del
producto (X-μX)(Y- μY) y se simboliza por Cov(X,Y).

Cov(X,Y) = E[(X-μX)(Y- μY)]

23
 TEOREMA
Dada la variable aleatoria conjunta (X,Y), la
covarianza de (X,Y) se calcula mediante
Cov( = E(X,Y)- E(X)·E(Y)
X
,
INTERPRETACIÓN
Y DE LA COVARIANZA
) y

Si la Cov(X,Y) es
positiva entonces los
valores de (X,Y) serán
más frecuentes en el x

primer y tercer
cuadrantes.
Si X crece Y crece o si X
decrece decr Y ece. 24
 INTERPRETACIÓN DE LA COVARIANZA
Si la Cov(X,Y) es
y

negativa es más
probable que lo puntos
s
de una muestra x

aleatoria se encuentren
en el y segun
cuarto
cuadrantes. Si creX ce Y
do
decrece o si decre
X ce Y
crece. y

Si la Cov (X,Y) se
aproxima a 0, hay poca
tendencia a que valores x

grandes de X se
equiparen con valores
pequeños o grandes de
Y. 25
 EJEMPLO DE COVARIANZA
Las inspecciones de control de calidad de circuitos integrados
consisten en contar el número de imperfecciones que tiene
el circuito. Sea X: el # de imperfecciones de tipo eléctrico
(constante dieléctrica, ,
resistividad , etc.) y Y: el
# de imperfecciones de tipo permisividad
físicas (largo, ancho o espesor,
# de capas o ancho de línea fuera de especificación) que
aparecen en la superficie. La distribución de probabilidad
conjunta de (X,Y) esta en la siguiente tabla:
Y
X 0 1 2 Determine si las variables
0 0.05 0.10 0.20 aleatorias X y Y están
correlacionadas, usando la
1 0.05 0.15 0.05
covarianza.
2 0.25 0.10 0.05

Cov(X Y)=-0.3475, como es negativa y cercana a cero; los valores de X no se equiparan con los de Y. Si
tuviéramos los datos que generaron la distribución de probabilidad y los graficamos, se vería como la
tercera gráfica. 26
 COEFICIENTE DE CORRELACIÓN

Como se pudo observar, utilizando la covarianza no se

tiene gran información sobre la relación entre las
variables, entonces aplicaremos el concepto llamado
Coeficiente de Correlación (que es una versión ajustad
de la covarianza) ρxy. El cual esta definido por: a

Cov( X ,Y)
 XY 
 XY
Donde:
X  V( X )
 Y  V (Y ) 27
 COEFICIENTE DE CORRELACIÓN
CARACTERÍSTICA S DEL COEFICIENTE DE CORRELACIÓN:
► -1 ≤ ρxy ≤ 1
► Si ρxy= 0 se dice que no hay una relación lineal entre
X y Y o bien X y Y no están correlacionadas. Así X y Y
son V. A. independientes.
► Si ρxy≈ 1 se dice que hay una fuerte relación positiva
lineal entre X y Y, es decir; cuando X crece Y crece y
viceversa.
► Si ρxy≈ -1 se dice que hay una fuerte relación
negativa lineal entre X y Y, es decir; cuando X crece Y
decrece y viceversa.
► Si ρxy= 1 Caso ideal de correlación entre X y Y.

28
 EJEMPLO DE CORRELACIÓN

Con el ejemplo de las inspecciones de control de calidad de

circuitos integrados ... Calcule el coeficiente de correlan e
interprete el resultado, para indicar si las variables ció
on o no
independientes. s

Y
X 0 1 2
0 0.05 0.10 0.20
1 0.05 0.15 0.05
2 0.25 0.10 0.05

ρXY=-0.4995, con σx=0.8646, σy=0.8047 existe una correlación media negativa

entre las variables, por lo tanto no son independientes las variables.

29
 EJERCICIO DE COEFICIENTE DE CORRELACIÓN

La distribución de probabilidad conjunta para las variables

aleatorias X y est
Y daá dasiguie
en l tablant:
a e
Y
X 0 1 2
0 1/18 1/9 1/6
1 1/9 1/18 1/9
2 1/6 1/6 1/18

Calcule el coeficiente de correlación y determine si X y Y son

independientes.

ρXY=-0.3209, correlación media positiva, las variables son dependientes.

30
 EJERCICIO DE COEFICIENTE DE CORRELACIÓN

Sea X: el número de automóviles y Y: el número de camiones

que pasan por cierta caseta de cobro en un minuto. La
distribución de probabilidad conjunta de (X,Y) está dada por:

Y Determine el coeficiente de
correlación para indicar si
X 0 1 2
las variables son o no
0 0.10 0.05 0.05 independientes.
1 0.10 0.10 0.05
2 0.05 0.20 0.10
3 0.05 0.05 0.10

ρxy=0.2523 las variables son dependientes, aunque con un bajo grado.

31
 VARIABLE ALEATORIA CONJUNTA CONTINUA
FUNCIÓN DE DENSIDAD DE PROBABILIDAD CONJUNTA
PARA LA V.A. (X,Y) CONTINUA.

DEFINICIÓN
Sea la variable aleatoria bivariada continua (X,Y), que
toma todos los valores en una región R del plano
euclidiano. La función de densidad de probabilidad
conjunta f(x,y) es la función que satisface las
siguientes condiciones:

1) f(x,y) ≥0 para toda (x,y)

2) ∫∫Rf(x,y)dxdy=1

32
 VARIABLE ALEATORIA CONJUNTA CONTINUA

DEFINICIÓN (CONT.)
Convenimos que f(x,y)=0 si (x,y)  R, así que la condición
2) se convierte en:

 

  f ( x, y)dxdy  1
 
 
Y en particular si A ={(x,y)| a≤ x≤ b, c≤ y≤ d}

d b b d

P( A)    f ( x, y)dxdy   f ( x, y)dydx
c a a c
33
 VARIABLE ALEATORIA CONJUNTA CONTINUA
DEFINICIÓN
Si (X,Y) es una V.A. continua bivariada con función de
densidad f(x,y), la función de distribución acumulativa
bivariada es:
a b

F (a, b)   
 
f ( x, y)dydx
DEFINICIÓN
Si (X,Y) es una V.A. bidimensional continua con función de
densidad de probabilidad conjunta f(x,y), las funciones
de densidad marginal para X y Y respectivamente son:
 

g ( x)  

f (x, y ) dy h( y)   f ( x , y ) dx
 34
 FUNCIONES DE DENSIDAD MARGINALES PARA LA V.A.
(X,Y) CONJUNTA CONTINUA
OBSERVACIONES:

g( x)  0
h( y)  0


 g( x)dx  1



 h( y)dy  1

35
 EJEMPLO DE UNA V.A. CONJUNTA CONTINUA
En un individuo sano con edad entre 20 y 29 años, el valor
del calcio en la sangre X usualmente se ubica entre 8.5 y
10.5 miligramos por decilitros (mg/dl) y el de colesterol Y
entre 120 y 240 mg/dl. Suponga que en personas sanas
de ese grupo de edad, la variable aleatoria (X,Y) tiene la
función de densidad de probabilidad:
f(x,y)= c 8.5≤x≤10.5 120≤y≤240
a) Determine el valor de “c” para que la función sea de
densidad de probabilidad.
b) Calcular la probabilidad de que un individuo tenga el valor
del calcio entre 9 y 10 mg/dl y el colesterol entre 125 y 140.
c) Determine las funciones de densidad mar ginales continuas.
d) Determine la función de distribución acumulativa bivariada y
calcule F(9,210).

a) c=1/240, b) 0.0625, c) g(x)=1/2, h(y)=1/120 en el intervalo resp. d) F(a,b)=(b-120)(a-8.5)/240 =0.1875 36

 EJERCICIO DE UNA V.A. CONTINUA CONJUNTA
La siguiente función describe un modelo del movimiento de
una computadora en cierta zona. Supóngase que ésta se
mueve dentro de una regió n A delimitada por el eje X, la
recta x=1 y la recta y=x de tal forma que si (x,y) representa
la posición de la computadora en determinado momento, la
función de densidad conjunta de (X,Y) esta dada por:

8xy ( x, y) 
A
f ( x, y)  
0 ( x, y) 
a) Comprobar que la función esAde densidad de probabilidad
conjunta.
b) Calcular P(x>0.5, y<0.5)
c) Determine las funciones de densidad marginal de X y Y.
37
b) 0.375, c) g(x)=4x^3, 0=<x=<1, h(y)=4y^3, 0=<y=<1
 FUNCIÓN DE DENSIDAD DE PROBABILIDAD
CONDICIONAL CONJUNTA

DEFINICIÓN
Sea (X,Y) una V.A. bidimensional continua, con función de
densidad de probabilidad conjunta f(x,y). S a g(x) y
h(y) las funciones de densidad marginales ede X y Y
respectivamente.
La función de densidad de probabilidad condicional de y
dado que X=x, es:
f ( x, y)
h( y x)  
g( X  x)
y
f ( x, t )
P(Y  y X  x)  

g( x)
dt
38
 FUNCIÓN DE DENSIDAD DE PROBABILIDAD
CONDICIONAL CONJUNTA

DEFINICIÓN (CONT.)
La función de densidad de probabilidad condicional de x
dado que Y=y, es:
f ( x, y)
g( x y)  
h(Y  y)
x
f (t, y)
P( X  x Y  y)  

h( y)
dt

39
 EJEMPLO DE FUNCIÓN DE DENSIDAD DE
PROBABILIDAD CONDICIONAL
CONJUNTA
Tomando el ejercicio, del modelo del movimiento de una
computadora en cierta zona, con la función de densidad
conjunta de (X,Y) dada por:
8xy ( x, y) 
A
f ( x, y)  
0 ( x, y) 
a) Calcular la probabilidad deAque la computadora se encuentre
en una posición vertical menor o igual a 0.2 dado que se
encuentra en una posición horizontal igual a 0.4.
b) Calcular P(X≤0.5 | Y=0.8)

a) 0.25, b) 0.3906

40
 VARIABLES ALEATORIAS INDEPENDIENTES

DEFINICIÓN
Sea (X,Y) una V.A. bidimensional continua, decimos que X
y Y son V.A. independientes si y sólo si
f(x,y)=g(x)h(y)
Para toda (x,y), en donde esta definida la función de
densidad de probabilidad conjunta f(x,y).

TEOREMA
Sea (X,Y) una V.A. bidimensional continua entonces X y Y
son independientes si y sólo si
g(x|y)=g(x) o h(y|x)=h(y)
Para todo (x,y)

41
EJEMPLO DE VARIABLES ALEATORIAS INDEPENDIENTES

Para una copiadora, sea la variable aleatoria X que denota el

tiempo hasta la falla de un componente, en horas, y sea Y
que representa el tiempo hasta la falla de un componente
de repuesto, en horas. Cada variable mide el tiempo
hasta una falla a pir de un tiempo inicial común. Sea la
función de densida d de probabilidad conjunta de (X,Y):
art
f ( x, y)  2106
e 0.001x0.002y
Para x≥0 y y≥0. Demuestre que X y Y son variables
aleatorias independientes.

g(x)=0.001exp(-0.001x), h(y)=0.002exp(-0.002y) por lo que son variables independientes.

42
 EJERCICIO DE VARIABLES ALEATORIAS
INDEPENDIENTES

Sea la función de densidad de probabilidad conjunta

1
𝑓 �, = �+ � 𝑐�� 1 ≤ � ≤ 4≤� 5
� 6 , 2, ≤
Determine si X y Y son variables aleatorias independientes.

g(x)=1/6x+1/4, h(y)=1/4+1/6y, Por lo que X y Y no son variables independientes.

43
 VALOR ESPERADO PARA UNA V.A. CONJUNTA
CONTINUA
DEFINICIÓN
Sea (X,Y) una V.A. bidimensional continua, se define el
valor esperado o esperanza matemát de la V.A.
(X,Y) como: ica
 

E( X ,Y )     
xy f ( x, y)dydx
Y los valores esperados para X y Y se definen por:
 

E( X )  
 
x f (x, y)dydx

 

E(Y )   44

y f (x,
 VARIANZA Y DESVIACIÓN ESTÁNDAR DE
VARIABLES ALEATORIAS CONTINUAS
DEFINICIÓN
Sea (X,Y) una V.A. bidimensional continua, se define la
varianza para las variables aleatorias X y Y como:
V ( X )  E( X )  (E( X2

))2
V (Y )  E(Y 2 )  (E(Y ))2
Donde
 

E( X 2 )  
 
 f (x, y)dydx
x 2

 X  V ( X)
 

E(Y 2 )    y 2 f (x, y)dydx  Y  V (Y )

  45
 EJEMPLO DE VALORES ESPERADOS Y VARIANZAS
Sea la función de densidad de probabilidad conjunta
1
𝑓 �, = � � 𝑐�� 1 ≤ � ≤ 4≤�≤
� 6 + , 2, 5
a) Determine el valor esperado de la variable aleatoria
conjunta.
b) Determine los valores esperados de cada variable
aleatoria.
c) Obtenga las varianzas de cada variable aleatoria.

a) E(X,Y)=6.8333, b) E(X)=1.5139 y E(Y)=4.5139, c) V(X)=0.08311 y V(Y)=0.0830

46
 COEFICIENTE DE CORRELACIÓN PARA VARIABLES
ALEATORIAS CONTINUAS CONJUNTAS
También para las variables aleatorias continuas conjuntas
se requiere de conocer la relación y el grado de
independencia entre las variables, p lo que el
Coeficiente de Correlación ρxy se define o mo:
r
Cov( X E( X , ) co E( X )
 XY  ,Y ) Y  E(Y )
 XY 
X Y

Teorema
Si X y Y son variables aleatorias independientes, entonces

Cov( X ,Y )  XY  0
 47
 EJEMPLO DE COEFICIENTE DE CORRELACIÓN

Dada la siguiente función de densidad de probabilidad

conjunta para la variable aleatoria (X,Y) continua.

1
f ( x, y)  xy 0  x  2, 0  y  4
16
Determine si las variables aleatorias X y Y son
independientes calculando el ρXY.

E(X,Y)=32/9, E(X)=4/3, E(Y)=8/3,

y como la Cov(X,Y)=0 entonces ρXY=0 así que las
variables son independientes.

48
 EJERCICIO DE COEFICIENTE DE CORRELACIÓN

Suponga que (X,Y) es una variable aleatoria continua

conjunta co funnción de d
densida de
probabilidad

6(1  x  y) 0  x  1, 0  y  1  x

f ( x, y) 
  0 otro caso


Determine la relación y grado de independencia entre las

variables aleatorias X y Y, calculando el coeficiente de
correlación.

E(X)=1/4 E(Y)=1/4, E(X,Y)=1/20, E(X 2)=1/10, E(Y2)=1/10,

ρXY=-1/3 por lo que no son variables independientes.

49