Distribucin conjunta

106

Se deben cumplir los mismos supuestos que para variables

unidimensionales:

La interpretacin de la funcin de densidad conjunta es una

funcin bidimensional.
 Distribucin conjunta(2)
107

Ej: X: el nmero que sale al tirar un dado.

Y: la cantidad de caras que salen al tirar una moneda.
 Distribucin conjunta(2)
108

Ej 2: Caso continuo:
 Distribucin Marginal
109

Cada componente de una variable aleatoria bidimensional

es una variable aleatoria unidimensional en s misma.

Nos puede interesar conocer la distribucin de una

componente por separado, sin tener en cuenta a la otra
componente.

Eso se denomina "marginar", y la distribucin de la variable

unidimensional por separado se llama "distribucin
marginal".
 Distribucin Marginal(2)
110

(v.a. discretas) Sea la variable aleatoria bidimensional XY

distribuida segn PXY(x,y), la distribucin marginal de X es:

Anlogamente, la distribucin marginal de Y es:

 Distribucin Marginal(3)
111

(v.a. continuas) Sea la variable aleatoria bidimensional XY

distribuida segn fXY(x,y), la distribucin marginal de X es:

Anlogamente, la distribucin marginal de Y es:

 Distribucin Marginal(4)
112

Ej 1:
Distribucin Marginal(5)
113
 Distribucin Marginal(5)
114

Ej 2:
 Distribucin Marginal(6)
115

Ej 2: Distribucin marginal de X: se aplica la frmula al

nico intervalo relevante (0 < x < 4):
 Distribucin Marginal(7)
116

Ej 2: Distribucin marginal de Y: se aplica la frmula al

nico intervalo relevante (1 < y < 3):
 Distribucin Marginal(8)
117

Ej 3:
 Distribucin Marginal(9)
118

Ej 3: Distribucin marginal de X: se aplica la frmula al

nico intervalo relevante (0 <x< 2):

Distribucin marginal de Y: se aplica la frmula al nico

intervalo relevante (0 < y < 2):
 Covarianza
119

Introducimos el concepto de probabilidad conjunta, cuando

dos v.a. pueden tomar simultneamente ciertos valores
concretos (caso discreto):

La covarianza refleja la relacin lineal de 2 v.a. X e Y:

(X,Y) =E(XY)-E(X) E(Y)

 Covarianza(2)
120

Donde:
caso v.a. discretas

caso v.a. continuas

Correlacin de Pearson:
 Distribuciones Condicionales.
121

Supongamos que tenemos las v.a. peso y altura.

Intuitivamente, si conocemos el valor que tom una de las

v.a. al hacer el experimento, eso nos modificar la
distribucin de probabilidad de la otra variable aleatoria.

Conociendo funcin de densidad conjunta de las dos

variables aleatorias, podemos obtener la distribucin
marginal del peso. Pero si conociramos que la variable
altura tom el valor 1.90m, la distribucin marginal del
peso que tenamos sigue siendo vlida?
 Distribuciones Condicionales(2).
122

No, Seguramente, la masa de probabilidad del peso tender

a distribuirse ms hacia los valores ms altos:
 Distribuciones Condicionales(3).
123

Se define entonces la funcin de densidad condicional:

Caso 2 v.a. discretas X e Y:

Caso 2 v.a. continuas X e Y:

 Independencia de v.a.
124

Intuitivamente, X e Y son independientes si fX/Y(x,y) es

idntica para todos los posibles valores de y.

Por ejemplo, que la distribucin del peso es idntica para

los distintos valores de altura (claramente no se cumple).

Si fX/Y(x,y) no depende de y, entonces es en realidad fX(x), es

decir, la distribucin marginal de X.
 Independencia de v.a.(2)
125

Ej 1:
Independencia de v.a.(3)
126
 Independencia de v.a.(4)
127

Ej 2:
Independencia de v.a.(5)
128
 Esperanza Condicional
129

Podemos obtener la esperanza de una distribucin

condicional de la misma manera que para el caso
unidimensional:

Caso 2 v.a. discretas X e Y:

Caso 2 v.a. continuas X e Y: