VARIABLES ALEATORIAS

CONJUNTAS
Unidad # 5

Materia: Estadística
Profesora: Gina Verónica Ochoa Jara

FACULTAD DE CIENCIAS
NATURALES Y MATEMÁTICAS
 411

Vector Aleatorio Bidimensional

• Supongamos que X e Y son dos Variables Aleatorias, Discretas
o Continuas, definidas en un Espacio Muestral (W,S). Las dos
constituyen un vector bidimensional XT = (X Y), que a cada
wW le asigna uno y solo un par de valores (x y)R2, esto es,
•

• X: W → R2

• X es una función de W en R2 y se lo denomina Vector

Aleatorio Bidimensional. También se lo denomina Vector
Bivariado. Si X e Y son continuas el Vector Aleatorio es
Continuo, si ambas son discretas el Vector Aleatorio es
Discreto.
• Tenemos ahora XT(w) = (X(w) Y(w)) = (x y), para wW.
 412

Distribución Conjunta Discreta

• Con el vector discreto XT=(X Y), donde X e Y son dos
variables aleatorias discretas, se asocia una función

• f: R2 → R tal que:

• f(x y) = P(X = x, Y = y)

• Con la que se determina la probabilidad de que X tome el

valor x, al mismo tiempo de que Y tome el valor y, a la
función f se la denomina distribución del vector aleatorio
X, o más comúnmente Distribución Conjunta de X e Y.
 413

…viene Distribución Conjunta Discreta

• Puesto que con f se determinan probabilidades, f(x y), no
puede ser negativa ni tomar valores mayores a uno, pero
además debe cumplir que:

  f(x y) =   P(X=x, Y=y) =1

todaX todaY todaX todaY

• Si se desea calcular la probabilidad P((x y)E) siendo E

una región en R2, se tiene que:

P[(xy) E] =  f(x y)

(x y)E
 414

Soporte de un Vector Aleatorio

Bidimensional
• Para X discreto o continuo, el Soporte del Vector X es el
subconjunto S de R2 para la cual f(x y) > 0. Esto es:

• S = {(x y)R2 | f(x y) > 0}

 415

Marginal de X y Marginal de Y
• Si XT = (X Y) es un Vector Aleatorio Bivariado Discreto
con Distribución Conjunta f, entonces la Distribución de
Probabilidades fX de X se denomina Distribución Marginal
de X y la Distribución de Probabilidades fY de Y se
denomina Distribución Marginal de Y y son dadas por:

fX(x) = P(X = x) =  f (x y)
toda y

fY(y) = P(Y = y) =  f (x y)
toda x
 416

…viene Vector Aleatorio Bidimensional

• Ejemplo. Sea XT = (X Y) un Vector Aleatorio Bivariado tal que su
Distribución de Probabilidades es:

• f(x y) = k(x + y)
• con Soporte S = {(x y) | x = 1; 2; 3  y = 1; 2}

• Determinar k, y determinar además:

• P(X = 1, Y = 1); P(X = 1, Y = 2)

• P(X = 2, Y = 1); P(X = 2, Y = 2)
• P(X = 3, Y = 1); P(X = 3, Y = 2)
• P(X > 1)
• P(Y < 2)

• Determinar también las marginales fX(x) y fY(y).

 417

…viene Vector Aleatorio Bidimensional

• Desarrollo. Para resolver el problema tengamos en
cuenta que el Soporte S de X puede ser expresado
también como:

• S = {(1 1); (1 2); (2 1); (2 2); (3 1); (3 2)}

• Ya que es en estos pares ordenados que pertenecen a

R2, donde f(x, y) > 0.
 418

…viene Vector Aleatorio Bidimensional

• Luego:
2 3
  f(x y)=1=   k (x + y) =   k (x + y)
toda Y toda X toda Y toda X Y =1 X =1
2 2
= k  [(1 + y) + (2 + y) + (3 + y)] = k  (6 + 3y)
Y =1 Y =1

= k[(6 + 3) + (6 + 6)] = 21k = 1

 k = 1/21
• Por tanto:
1
f(x y) = (x + y)
21
S = {(x y) | x = 1; 2; 3  y = 1; 2}
 419

…viene Vector Aleatorio Bidimensional

1
• Calculemos probabilidades: f(x y) = (x + y)
21
 420

…viene Vector Aleatorio Bidimensional

Variable X
• Tabulación y Variable Y
1 2 3
Gráfico de la
Distribución 1 2/21 3/21 4/21

Conjunta 2 3/21 4/21 5/21

f(x y) = P(X = x, Y = y)
5/21
1/4
4/21
1/5 3/21 4/21

3/20 3/21
2/21
1/10

1/20
2
0
1 1
2
3
 421

…viene Vector Aleatorio Bidimensional

• P(X > 1) = ?
• P(X > 1) = P(X = 2, Y = 1) + P(X = 2, Y = 2)
+ P(X = 3, Y = 1) + P(X = 3, Y = 2) = 16/21

• (En este caso, Y puede tomar cualquier valor en el Soporte

pero X debe ser mayor que 1)

• P(Y < 2) = ?
• P(Y < 2) = P(X = 1, Y = 1) + P(X = 2, Y = 1)
+ P(X = 3, Y = 1) = 9/21 = 3/7

• (X puede tomar cualquier valor en el Soporte, pero Y debe ser

menor que 2)
 422

…viene Vector Aleatorio Bidimensional

• La marginal de X es:


1 2x + 3
f X (x ) = (x + y) =
21 21
Y =1

• Con Soporte Sx = {1; 2; 3}

• La marginal de Y es:
3
3y + 6
f Y (y) = 
X =1
1
21
(x + y) =
21

• Con Soporte Sy = {1; 2}

 423

…viene Vector Aleatorio Bidimensional

• Tabulación de las Marginales de X e Y

Variable X
Variable Y Marginal de Y
1 2 3

1 2/21 3/21 4/21 9/21

2 3/21 4/21 5/21 12/21

Marginal de X 5/21 7/21 9/21 1

  f(x y) = 1
toda X todaY
 424

…viene Vector Aleatorio Bidimensional

 425

Distribución Acumulada F
• Para cualquier Vector, Continuo o Discreto XT = (X Y) se
define la Distribución Acumulada F tal que:

• F(x y) = P(X  x, Y  y);

• para todo (x y)R2
 426

…viene Distribución Acumulada F

• Ejemplo. Con base a la distribución conjunta del ejercicio
anterior, determinar:
• F(1 1)
• F(1 2)
• F(2 2)
• F(3 2)
• F(3 3)
• P(X > 2, Y > 1)
• P(X > 3, Y > 2)
• F(1.5 2)
 427

…viene Distribución Acumulada F

• F(1 1)
• F(1 1) = P(X  1, Y  1)
• = f(1 1) = P(X=1 , Y=1)
• = 2 / 21

• F(1 2)
• F(1 2) = P(X  1, Y  2)
• = f(1 1) + f(1 2)
• =P(X=1 , Y =1)+P(X=1 , Y =2)
• = 2/21+3/21=5 / 21
 428

…viene Distribución Acumulada F

• F(2 2)
• F(2 2)= P(X  2, Y  2)
• =f(1 1) + f(1 2) + f(2 1) + f(2 2)
• =P(X=1,Y =1)+P(X=1,Y =2) +P(X=2,Y =1)+P(X=2,Y =2)
• = 2/21+3/21+3/21+4/21
• =12 / 21

• F(3 2)
• F(3 2) =P(X  3, Y  2)
• = f(1 1) + f(1 2) + f(2 1) + f(2 2) + f(3 1) + f(3 2)
• = P(X=1,Y =1)+ P(X=1,Y =2)+ P(X=2,Y =1)
+ P(X=2,Y =2) +P(X=3,Y =1) +P(X=3,Y =2)
• =2/21+3/21+3/21+4/21+4/21+5/21
• =1
 429

…viene Distribución Acumulada F

• F(3 3)
• F(3 3) = 1

• P(X > 2, Y > 1)

• P(X > 2, Y > 1) = P(X = 3, Y = 2)
• = f(3 2)
• = 5 / 21

• P(X > 3, Y > 2)

• P(X > 3, Y > 2) =P(  )=0
 430

…viene Distribución Acumulada F

• F(1.5 2)
• F(1.5 2)= P(X  1.5, Y  2)
= f(1 1) + f(1 2)
= P(X=1 ,X=1)+P(X=1,X=2)
= 2/21+3/21
= 5/21
 431

Valores Esperados de Vectores Aleatorios

• Sea XT = (X Y) un Vector Aleatorio Bivariado discreto con
Distribución Conjunta f(x y) = P(X = x, Y = y); sea además
u una función de variable real con regla de
correspondencia u(x y), definida en términos de X e Y
para todos los valores en el Soporte de X. El Valor
Esperado de u se lo denota y define de la siguiente
forma:

E[u(x y)] =  u(x y)f(x y)

(x y)R
2
 432

Valores Esperados de Vectores

…viene

Aleatorios
• Sea para el caso discreto o para el continuo:

• Si u(x y) = x, entonces E[u(x y)] = x

• Si u(x y) = y, entonces E[u(x y)] = y
• Si u(x y) = (x – x)2, entonces E[u(x y)] = 𝜎𝑥2
• Si u(x y) = (y – y)2, entonces E[u(x y)] = 𝜎𝑦2
 433

Función Generadora de Momentos de un

Vector Aleatorio
T
• Si u x y = et1 x+ t2 y = e𝐭 𝐱 , tT = (t1 t2), xT = (x y),
entonces,

t1 x + t 2 y tT x
E[u(x y)] = E [ e ] = E[ e ] = MX(t1 t2) = MX(t)

• es la Función Generadora de Momentos del Vector X o la

Función Generadora de Momentos Conjunta de las
Variables Aleatorias X e Y que la constituyen, siempre
que t1  a; y, t2  b, siendo a y b constantes positivas.
 434

Covarianza entre Variables

• Si u(x y) = (x - x)(y - Y), entonces E[u(x y)] si existe, se denomina
Covarianza entre X e Y. A este Valor Esperado se lo denota
cov(X,Y) = XY.

• Esto es,
• cov(X,Y) = xy = E[(X - x)(Y - y)]

• Basados en la definición de cov(X , Y), ésta también puede ser

expresada como:
• XY = E[(X – X)(Y – Y)]
• = E[XY – XY – YX + XY]
• = E(XY) – XE(Y) – YE(X) + XY
• = E(XY) – XY
• La Covarianza puede tomar cualquier valor real mientras que la
varianza no.
 435

…viene Covarianza entre Variables

• De la definición de cov(X, Y) = XY. es simple deducir
que:
• cov(X , Y) = cov(Y , X) = xy = yx
• cov(X , Y) = cov(X , Y) = cov(X , Y), R
• cov(X , X) = xx = 𝜎𝑥2 (Varianza de X)
• cov(Y , Y) = yy = 𝜎𝑦2 (Varianza de Y)
• cov(X , Y + Z) = cov(Y , X) + cov(X , Z), siendo Z una
tercera variable aleatoria.
• cov(X, Y) = cov(X, Y)
 436

Coeficiente de Correlación entre Variables

• xy mide la relación lineal que existe entre las Variables
Aleatorias X e Y, sin embargo puesto que su valor puede
ser cualquier número real sin importar su magnitud, es
preferible tener una versión acotada de la Covarianza
entre X e Y, este valor es el Coeficiente de Correlación
entre X e Y, que se denota y define de la siguiente
manera:
σ xy
xy =
σx σ y

• y es un valor que se encuentra entre -1    1.

 437

Coeficiente de Correlación entre

…viene

Variables
ij > 0 ij < 0

ij = 0
ij = 0
 438

Matriz de Varianzas y Covarianzas y

Matriz de Correlación
 439

Covarianza y Correlación entre

…viene

Variables
• Ejemplo. En el ejercicio anterior establecimos que el
vector bivariado X es un Vector Aleatorio Discreto con
Distribución:
1
f(x y) = (x + y)
21

• Determínese los parámetros del vector X.

 440

Covarianza y Correlación entre

…viene

Variables
 441

Covarianza y Correlación entre

…viene

Variables Variable Y
Variable X Marginal de
Y
1 2 3

• Otra forma de cálculo 1 2/21 3/21 4/21 9/21

2 3/21 4/21 5/21 12/21
Marginal de
5/21 7/21 9/21 1
X
 442

Covarianza y Correlación entre

…viene

Variables Variable Y
Variable X Marginal de
Y
1 2 3

• Otra forma de cálculo 1 2/21 3/21 4/21 9/21

2 3/21 4/21 5/21 12/21
Marginal de
5/21 7/21 9/21 1
X
 443

Covarianza y Correlación entre

…viene

Variables
 444

Covarianza y Correlación entre

…viene

Variables

• De aquí obtenemos:
 445

Covarianza y Correlación entre

…viene

Variables
• El Coeficiente de Correlación entre X e Y es
 446

Covarianza y Correlación entre

…viene

Variables
• Teorema 5.2. Si X e Y son Variables Aleatorias, Discretas
o Continuas, con Desviaciones Estándar x y y
respectivamente, al mismo tiempo que ,  son
constantes reales, entonces,

• Var(X + Y) = 2var(X) + 2var(Y) + 2cov(X,Y)

 447

Covarianza y Correlación entre

…viene

Variables
• Prueba.

Var(X + Y) = E[(X + Y) – E(X + Y)]2

= E[(X – x) + (Y – y)]2

= E{2 (X – x)2 + 2(Y – y)2 + 2[(X – x)(Y – y)]}

= {2 E(X – x)2 + 2E(Y – y)2 + 2E[(X – x)(Y – y)]}

= 2var(X) + 2var(Y) + 2cov(X,Y)

 448

Independencia de Variables Aleatorias

• Se dice que las variables X e Y que constituyen un vector
aleatorio Bivariado X con distribución de Probabilidades
f(x y) en el caso discreto, son Estocásticamente
Independientes cuando y sólo cuando, para todo xSx y
para todo ySy,
• f(x y) = fx(x)fy(y)

• donde Sx es el Soporte de X, Sy es el Soporte de Y y

además fx y fy, son las correspondientes Distribuciones
Marginales.
 449

Independencia de Variables
…viene

Aleatorias
• Si X e Y son Estocásticamente Independientes,

E(XY) = E(X)E(Y)

 cov(X , Y) = E(XY) – E(X)E(Y)

= E(X) E(Y) – E(X) E(Y) = 0

• Lo cual significa que:

• Si X e Y son Variables Aleatorias Estocásticamente

Independientes, entonces :

cov(X , Y) = 0;
 450

Independencia de Variables
…viene

Aleatorias
• Si la Cov(X , Y) = 0 no necesariamente significa que X e
Y son estocásticamente independientes, ya que bien
podría existir Dependencia no Lineal entre ellas y por
tanto ser dependientes.
 451

Independencia de Variables
…viene

Aleatorias
• Ejemplo. Sean X e Y Variables Aleatorias Discretas que
conforman el Vector Aleatorio Bivariado XT = (X Y) cuya
Distribución de Probabilidades Conjunta es:

• Determine si las dos Variables son Independientes.

 452

Independencia de Variables
…viene

Aleatorias
• Con la Distribución Conjunta dada, se desprende que:
1
P(X = 0) = P(X = 1) = P(X = 2) =
3
• además,
1 2
P(Y = 0) = ; y, P(Y = 1) =
3 3
• de donde,
1 1 2 2
P(X = 0, Y = 1) =  P(X = 0)·P(Y = 1) =  =
3 3 3 9
• Por lo que concluimos que X e Y no son
Estocásticamente Independientes, ya que f(x y)fx(x) fy(y).
 453

Independencia de Variables
…viene

Aleatorias
• Además, 2
µx = 1; µy =
3

• Por lo que,

• Claro ejemplo de que se puede tener un par de Variables

Aleatorias que no son Independientes, a pesar de que
cov(X , Y) = 0.
 454

Independencia de Variables
…viene

Aleatorias
• Supóngase que el Vector Bivariado XT = (X Y) es tal que las
Medias x y y y Varianzas 𝜎𝑥2 y 𝜎𝑦2 de X y de Y existen. La
cov(U,V), siendo U y V son Variables Aleatorias
Estandarizadas, lo que significa que u = v = 0 y 𝜎𝑢2 = 𝜎𝑣2 = 1,
bajo estas condiciones:

• Por tanto, la Covarianza entre X e Y cuando se las

estandariza, es el Coeficiente de Correlación xy entre X e Y.
 455

Independencia de Variables
…viene

Aleatorias
• Caso de Excepción
• Si X e Y son Variables Aleatorias Normales y
cov(X,Y) = 0, entonces, X e Y son independientes.
 456

Distribuciones Condicionales Discretas

• Sea XT = (X Y) un Vector Aleatorio Discreto cuya
Distribución Conjunta es f(x y) y sean fx y fy las
Distribuciones Marginales de X e Y, respectivamente; la
Probabilidad Condicional de que Y sea igual a un valor y,
dado que la variable X toma el valor de x viene definida por,

• Igualmente se puede definir la Distribución Condicional de X dado

que Y toma un valor y en su soporte 𝑆𝑦 esto es,
 457

Distribuciones Condicionales
…viene

Discretas
• Ejemplo. Sea XT = (X Y) un Vector Aleatorio Bivariado tal
que su Distribución de Probabilidades es:

con Soporte S = {(x y) | x = 1; 2; 3  y = 1; 2}

• Determinar las distribuciones condicionales:

• fx|y (x | y) = ?

• fy|x (y | x) = ?
 458

Distribuciones Condicionales
…viene

Discretas

• Conocemos la Distribución Conjunta de X e Y,

1
f(x y) = (x + y) S = {(x y) | x = 1; 2; 3  y = 1; 2}
21
• Además ya hemos determinado La Marginal de Y, esto es
fy(y)

• Entonces:
 459

Distribuciones Condicionales
…viene

Discretas
• Tabulemos la Distribución Condicional de X dado Y
evaluando en la distribución condicional obtenida.

Variable X
Variable Y Total
1 2 3
1 f x|y = 1 2/9 3/9 4/9 1
2 f x|y = 2 3/12 4/12 5/12 1
 460

Distribuciones Condicionales
…viene

Discretas

• Conocemos la Distribución Conjunta de X e Y,

1
f(x y) = (x + y) S = {(x y) | x = 1; 2; 3  y = 1; 2}
21
• Además ya hemos determinado La Marginal de Y, esto es
fx(x)

• Entonces:
 461

Distribuciones Condicionales
…viene

Discretas
• Tabulemos la Distribución Condicional de Y dado X
evaluando en la distribución condicional obtenida.

Variable X
Variable Y
1 f y|x = 1 2 f y|x = 2 3 f y|x = 3
1 2/5 3/7 4/9
2 3/5 4/7 5/9
Total 1 1 1
 462

Media Condicional
• Si nos pidieran determinar la Media Condicional de X
dado Y = 1, x+y
f x|y (x | y) =
3y + 6

• La Media de X dado Y = 1
 463

Varianza Condicional
• Si nos pidieran determinar la Varianza Condicional de X
dado Y = 1,
 464

Referencias Bibliográficas
• ZURITA, G. (2010), “Probabilidad y Estadística,
Fundamentos y Aplicaciones”, Segunda Edición,
Ediciones de la Facultad de Ciencias Naturales y
Matemáticas ESPOL, Guayaquil, Ecuador.