CAPITULO III

Distribuciones Bivariadas. Muchos de los fenómenos que aparecen en la naturaleza y en la vida

diaria, involucran diferentes y diversos factores. Cada factor puede ser identificado por medio de
una variable. En éste sentido un fenómeno de interés estará regido por el comportamiento
conjunto de muchas variables. Si X y Y son variables aleatorias (discretas o continuas), la
distribución que rige el comportamiento conjunto de ambas variable se conoce como distribución
Bivariable o Conjunta. Si se tienen más de dos variables le llamaremos distribución multivariable
(Multivariada).

Ejemplo: De un gran lote de impresoras descompuestas se escogen al azar cuatro. Se clasifica

cada impresora según el daño, leve o severo. Sea X el número de impresoras con daño leve y
sea Y el número de impresoras con daño severo. Es claro que X bin ( 4 , p ) , x = 0 , 1 , 2 , 3 , 4 y
Y bin ( 4 , p 2 ) , y = 0 , 1 , 2 , 3 , 4 .
Si x = 0 y = 4; Si x = 1 y = 3; Si x = 2 y = 2;
Si x = 3 y = 1; Si x = 4 y = 0. Así X + Y = 4
De manera natural el espacio de las variables aleatorias X e Y estará conformado ppor el
conjunto de pares ( x , y ) tal que x + y = 4 .
x + y = 4; x = 0, 1, 2, 3, 4
= ( x, y ) = {( 0, 4 ) , (1, 3) , ( 2, 2 ) , ( 3,1) , ( 4, 0 )}
y = 0, 1, 2, 3, 4
El par ( x , y ) será llamado vector aleatorio.
Caso discreto: Sean X e Y variables aleatorias. La distribución de probabilidad conjunta de X e
Y , la cuál denotaremos f x y está dada por f x y ( x , y ) = P ( X = x , Y = y ) .

Propiedades:
1) f x y ( x , y ) 0 , (x , y) A
2) f xy (x , y ) = 1
x y

3) Si A A P (( x , y ) A ) = f xy (x , y ) .
(x , y ) A

La distribución acumulada para X e Y, F xy , está dada por

Fx y ( x, y ) = P ( X x, Y y) . ( x, y ) R 2
.

Ejemplo: Sean X e Y variables aleatorias discretas con distribución de probabilidad F x y dada por

X 0 1 1 2 2 Calcule P ( x , y ) A donde
Y 0 1 2 1 2
Fx y 1/8 ¼ 1/8 1/8 3/8 A = {( x, y ) x = y} , P ( x 1, y 1) , P ( x > 1 y < 2 ) .

Solución:
6
P ( x, y ) A = Fx y ( x, y ) = Fx y ( 0, 0 ) + Fx y (1, 1) + Fx y ( 2, 2 ) =
( x, y ) A 8
 3
P ( x 1 y 1) = Fx y ( x, y ) = Fx y ( 0, 0 ) + Fx y (1, 1) =
x 1 y 1 8
1
P ( x > 1 y < 2) = Fx y ( x, y ) =Fx y ( 2, 1) =
x >2 y<2 8

Ejemplo: Una urna contiene 3 bolas rojas, 4

bolas blancas y 2 azules. Se extraen al azar y
sin reemplazo 3 bolas de la urna. Sea X : el
número de bolas blancas en la muestra y sea Y:
el número de bolas rojas en la muestra. Halle
F xy .

Solución: A = {( x , y ) 1 x + y < 3} .

Se tiene que X hip ( 9 , 4 , 3) y

4 3 2
" x #" y #" 3 ! x ! y # , 1 x + y 3
Fx y ( x, y ) = 9
"3#
0, otro caso

Caso Continuo: Sean X e Y variables aleatorias continuas definidas en un conjunto A R 2 . La

distribución acumulada de X e Y , denotada por F x y , está dada por: F x y ( x , y ) = P ( X x , Y y ) .
% 2F x y
Si existe una función F x y no negativa f : R 2 $ R tal que = Fxy (x , y )
%x dy
% 2F x y % 2F x y
(x , y) donde existe (y también ). F x y es llamada función de densidad de
%x dy %x dy
probabilidad conjunta de X e Y .

Propiedades de F x y
1) Por el teorema fundamental del calculo en R 2 ,
x y

F ( x, y ) = ' ' F ( t , s ) ds dt
xy
!& !& .
+& +&
2) ' ' F ( x , y ) dy dx = ' '
2
xy !& !&
F x y ( x , y ) dy dx = 1
R

3) Si B R2 P ( x , y ) B = ' ' F x y ( x , y ) dy dx

Ejemplo: Determine el valor de c que hace que la función

c ( x , y ) , 0 < x < 3, x < y < x + 2
Fx y ( x , y ) =
0, otro caso
Sea una f.d.p conjunta de X e Y .
Solución:
x +2
' ' F ( x , y ) dA = 1 c ( x , y ) dy dx
3

2
xy ( ''
0 x
R
x+2
y2
dx = c ' ( 4x + 2 ) dx = c 2x 2 + 2x
3 3 3
= c ' xy +
0 2 0 ) 0
x

= 24 c = 1, c = 1
24

Calcule:
2
1 1 y2
P ( x < 1, y < 2 ) = ( x + y ) dydx
1 2 1
a)
''
0 x 24
= '
0 24
)x y +
) 2 x
dx

1
1 1 3x 2 1 x3 1 5 5
24 '0 "
= 2x + 2 ! dx = ) x 2 + 2x ! = =
2 # 24 ) 2 0
24 " 2 # 12

b) x+2 1 1 2
P (1 < x < 2 ) = ( x + y ) dy dx = ( 4x + 2 ) dx
2
''
1 x 24 24 '1
1 2 8 1
= 2x 2 + 2x = =
24 ) 1 24 3

c) 1 x +2 1
x +2
P ( y > 2) = ( x + y ) dy dx + ( x + y ) dy dx
2 3

0 2 ''
24 ''
2 x 24
2 2 1 1 2 3x 2
= 1! ' ' ( x + y ) dy dx =
24 '0 "
1! 2x + 2 ! dx
0 x 24 2 #
2
1 x3 1 1 5
= 1! ) x 2 + 2x ! * = 1! ( 4) = 1 ! =
24 ) 2 0* 24 6 6

Ejemplo: Se está interesado en el comportamiento conjunto de dos variables aleatorias X : el

tiempo total empleado por una persona al ingresar a un banco hasta ser atendido y Y : el tiempo
en fila. La f.d.p conjunta de X e Y está dada por:

P ( x > 2, y > 1) , P ( x ! y < 1)

e !x , 0 y<x Calcule
Fx y ( x, y ) =
0, otro caso
+& +&
P ( X > 2, Y > 1) = ' ( x ! 1) e ! x dx
x

2 ' 1
e x dy dx = '
2

+& 2
=+&! x1e+ y! x = 2
P ( X ! Y < 1) = ' ' e !2 x dx edy
0 y
+& ! (1+ y )
= !' e ! e -y dy
0

!(1+ y )
+&
1
=! e ! e -y = 1!
0 e
Valor Esperado: Sean X e Y variable aleatoria (discretas o continuas) con distribución de
probabilidades (o f.d.p) conjunta F x y .
x f xy ( x , y ) , si X e Y variables aleatorias discretas
E [X] =
' ' g ( x , y ) f ( x , y ) dA,
xy si X e Y variables contínuas

Ejemplo: Sean X e Y variables aleatoria discretas con distribución de probabilidad conjunta F x y

dada por:
E [ X ] , E [ Y ] , E )( X ! E [ X ] ) * = V [ X ] ,
2
X 0 1 1 2 2 Halle
Y 0 1 2 1 2
V [ Y ] = E )( Y ! E [ Y ] ) * , E [ X Y ]
2
Fx y 1/8 1/4 1/8 1/8 3/8

E [X] = x f xy ( x , y )
( x , y)

Solución:
11
E [ X ] = 0 f xy ( 0, 0 ) + 1 f xy (1, 1) + 1 f xy (1, 2 ) + 2 f xy ( 2, 1) + 2 f xy ( 2, 2 ) =
8
11
E [ Y ] = 0 f xy ( 0, 0 ) + 1 f xy (1, 1) + 2 f xy (1, 2 ) + 1 f xy ( 2, 1) + 2 f xy ( 2, 2 ) =
8
!E [ X ] = x f ( x, y ) = x f x ( x ) !
2
19 19 11 31
E X 2
= x fx y ( x, y) =
2
V [X] = ! =
8 8 " 8 # 64
19 31
E Y2 = y2 f x y ( x, y ) = V [Y] =
8 64
18 9
E [X Y] = x y fx y ( x, y) = =
8 4

Ejemplo: Sean X e Y variables aleatorias continuas con f.d.p conjunta dada por
e !x , 0 y < x
f xy ( x , y ) =
0, otro caso

Hallar E [X] , E [Y] , V [X] , V [Y] , E [X Y]

Solución:
 +& +&
E [X] = '
x
' x e ! x dy dx = ' x 2 e ! x dx = F ( 3) = 2 ! = U x
0 0 0
x
+& +& y2 !x 1 +& 2 !x
E [Y] = '
x
' y e dy dx = '
2 '0
!x
e dx = x e dx =1 = U y
0 0 0 2 0
+& x +&
E X2 = ' ' x 2e ! x dy dx = ' x 3e ! x dx = 3! = 6
0 0 0

+& x x3 ! x +& 1 +& 6

E Y2 = ' ' y 2 e ! x dy dx = ' e dx = ' x 3 e ! x dx = = 2
0 0 0 3 3 0 3
V [X] = E X 2
! U x2 = 6 ! 4 = 2, V [ Y ] = E Y ! U y = 2 ! 1 = 1
2 2

+& +& x3 !x 1 +& 6

E [X Y] = '
x

0 '0
x y e ! x dy dx = '
0 2
e dx = ' x 3 e ! x dx = = 3
2 0 2

Distribuciones Marginales: Sean X e Y variables aleatorias (discretas o continuas). La

distribución marginal de las variables aleatorias X ó Y , están dadas por:

f x y ( x , y ), X e Y variables aleatorias discretas

Analogamente
fx ( x ) = y

para Y
' f ( x , y ) dy,
xy X e Y variables aleatorias continuas

Una notación similar:

fx ( x ) = ' f ( x , y ) dy;
xy R x = {( a , b ) a = x}
Rx

Ejemplo: Sean X e Y variables aleatoria discretas con distribución de probabilidad conjunta dada
por:

X 0 1 1 2 2 fx ( x ) = f x y ( x , y ) = f x y ( x , 0 ) + f x y ( x , 1) + f x y ( x , 2 ) ; para x = 0, 1, 2
Y 0 1 2 1 2 y
2
Fx y 1/8 1/4 1/8 1/8 3/8 fy ( y) = f x y ( x , y ) = f x y ( 0, y ) + f x y (1, y ) + f x y ( 2, y ) ; para y = 0, 1,2
x =0

x 0 1 2 y 0 1 2
fx ( x ) 1/8 3/8 4/8 fy ( y) 1/8 3/8 4/8

f xy
Ejemplo: Sean X e Y variables aleatoria discretas con distribución de probabilidad dada por:
x+y
fx y ( x, y ) = , x = 1, 2, 3; y = 0, 1, 2, 3
36

3
x + y 3x+6 x + 2
fx ( x ) = = = ; x = 1, 2, 3
y =1 36 36 12

3
x + y 3y + 6 y + 2
fy ( y) = = = ; y = 1, 2, 3
x =1 36 36 12

Ejemplo: Sean X e Y variables aleatorias continuas con f.d.p conjunta dada por
 f x ( x ) = ' e ! x dy = x e ! x , x > 0
x
!x
e , 0 y<x
f xy ( x , y ) =
0

0, otro caso +&

f y ( y ) = ' e ! x dx = e ! y , y > 0
y

Distribuciones Condicionales: Sean X e Y variables aleatorias (discretas o continuas) con

distribución de probabilidades f x y . La distribución condicional de “ Y dado X = x ”, es una función de
los valores de la variable aleatoria Y cuando se fija un valor especifico para X .
Si denotamos dicha función por f Y|x entonces
f x y ( x, y )
f Y|x ( y ) = , f x (x) > 0
f x (x)
(Análogamente se define f Y|x ).

Ejemplo: Para el ejercicio anterior:

x+2
x + y x = 1, 2, 3 f x (x) = , x = 1, 2, 3
, 12
f x y ( x , y ) = 36 y = 1, 2, 3 y+2
0, otro caso f y ( y) = , y = 1, 2, 3
12

x+ y
f x y ( x, y ) x+ y
f Y|x ( y ) = = 36 = , y = 1, 2, 3
f x (x) x + 2 3 ( x + 2)
12

x+ y
f x y ( x, y) x+ y
f X|y ( x ) = = 36 = , x = 1, 2, 3
f y ( y) y + 2 3( y + 2)
12

f (1, y ) 1+ y y+1
f Y|1 ( y ) = = = , y = 1, 2, 3
f x (1) 3 (1 + 2 ) 9

f xy ( x , 2 ) x+2 x+2
f X|2 ( x ) = = = , x = 1, 2, 3
fy ( 2) 3( 2 + 2) 12

Observe que para cualquier caso

P ( x , y ) = P x ( x ) P Y|X ( y | x ) = P y ( y ) P X|Y ( x | y )
o
F ( x , y ) = F x ( x ) F Y|X ( y | x ) = F y ( y ) F X|Y ( x | y )

Diremos que X e Y son v.a Estadísticamente independientes si

 P (x , y ) = P x (x) P y (y ) (x , y)
o
F (x , y ) = F x (x) F y ( y ) (x , y)
Si existe algún par ( x , y ) para el cual no se cumple esta igualdad, diremos que X e Y son

Estadísticamente dependientes.

Ejemplo: Sean X e Y variables aleatorias continuas con f.d.p conjunta f x y .dada por:
e !x , 0 y < x f x ( x ) = x e !x , x > 0
f x y ( x, y ) =
0, otro caso f x ( y) = e !y , y > 0

e !x 1
f Y|x ( y ) =
xe !x
= , 0
x
y<x ( uniforme en ( 0, x ) )

e !x
f X|y ( x ) = = e ( ), y < x
! x!y
!y
e

1
f Y|2 ( y ) = , 0 < y < 2, f X|1 ( x ) = e ( ) , x > 1
! x !1

2
Observe que f x ( x ) f y ( y ) = xe ( ) - e ! x entonces
! x!y
X e Y no son estadísticamente
independientes.
Al igual que en el caso de una variable, podemos definir el valor esperado para funciones de más
de una variable aleatoria, solo que tenderemos más de una sumatoria o más de una integral,
según el caso.
Como f Y|x o f X|y son distribuciones o funciones de densidad de probabilidad, tiene sentido calcular
probabilidades condicionales y valores esperados condicionales.

Sean X e Y variables aleatorias (discretas o continuas) y sean A Ax y B Ay.

f x|y ( x ), caso discreto
Análogamente
P ( X A|Y = y ) =
x A
;
P (Y B | X = x)
' f ( x ) dx,
A
x|y caso continuo

El valor esperado de “ Y dado X = x ”, el cuál se denota E [ Y | X = x ] ó µ Y|x , está dado por

y f Y|x ( y ), caso discreto
Análogamente
E [Y | X = x] = y
;
E [ X | Y = y ] = U X|y
' y f ( y ) dy,
Y|x caso continuo

Si g es una función de Y entonces

g ( y ) f xy ( x , y )
E g ( y) = x y

' ' g ( y ) f ( x, y ) dy dx
xy
Análogamente
g ( y ) f Y|x ( y ), caso discreto
E g (Y) | X = x = y

' g ( y ) f ( y ) dy,
Y|x caso contínuo

Análogamente
h ( x ) f x | y ( x ), discreto
E h (x) | Y = y = x

' h ( x ) f ( x ) dx,
x| y caso continuo

Así la varianza de “ Y dado X = x ”,la cuál denotamos V [ Y | X = x ] o / Y|X

2
está dada por:
V [ Y | X = x ] = /2 Y|x = E ( Y ! U Y|x ) | X = x = E Y 2 | X = x ! U Y|x 2
2

) *

V [ X | Y = y] = /2X | y = E X 2 | Y = y ! U X | y 2

Ejemplo: Sean X e Y variables aleatoria discretas con distribución conjunta dada por:

x +y
f x y ( x, y ) = , x = 1, 2, 3 y = 1, 2, 3
36 .
E [ Y | X = 1] E [ X | Y = 2] P ( X < 2 | Y = 2 ) P ( Y > 1 | X = 1)
Hallar: , , ,

Solución:
3
2 6 12 20
E [ Y | X = 1] = y f Y| 1 ( y ) = 1f Y| 1 (1) + 2f Y| 1 ( 2 ) + 3f Y| 1 ( 3) = + + = = U Y| 1
y =1 9 9 9 9

3
3 8 15 26 13
E [ X | Y = 2] = x f X| 2 ( x ) = + + = = = U X| 2
X =1 12 12 12 12 6

1
3 1
P ( X < 2 | Y = 2) = P ( X 1 | Y = 2) = f X| 2 ( x ) = f X| 2 (1) = =
X =1 12 4

3
3 4 7
P ( Y > 1 | X = 1) = P ( Y 2 | X = 1) = f Y| 1 ( y ) = + =
Y =2 9 9 9

Ejemplo: Sean X e Y variables aleatorias continuas con f.d.p conjunta dada por:

f x y ( x, y ) =
e !x , 0 y<x E [ X | Y = 1] E [ Y | X = 2]
Hallar ,
0, otro caso

! ( x + 1)
+&
+&
E [ X | Y = 1] = '
!( x !1)
xe dx = = 2 = U X |1
1 e x !1 1
 2
1 y2
E [ Y | X = 2] = '
2
y dy = = 1 = UY | 2
0 2 4 0

Calcular:
P ( Y > 3 | X = 2 ) P ( X < 3 | Y = 1) / 2 Y|2 / 2 X|1
, , , .
Podemos hablar de valor esperado condicional, pero usaremos las distribuciones condicionales en
vez de las conjuntas o marginales (según el caso).
Asi,
El valor esperado de “ Y dado X = x ”, el cuál denotamos
y P Y|X ( y | x ) ; X e Y discretas
E [ Y | X = x] = y

' y f ( y | x ) dy
Y|X ; X e Y continuas
E [ Y | X = x ] suele denotarse µ Y|x .
Análogamente se define µ X|y

Covarianza y Correlación
Cuando dos v.a X e Y no son independientes la pregunta de interés es ¿Qué tan relacionadas
están?. Una medida del grado de dependencia entre X e Y es conocida como Covarianza.

Definición: Sean X e Y v.a. (discretas o contínuas). La Covarianza entre X e Y mide el grado

de dependencia entre estas variables. Una Covarianza alta implica, casi siempre, una alta
dependencia entre X e Y . El problema de la covarianza es quee s sensible a la escala de
medición de las variables involucradas. Así Covarianzas altas no implican necesariamente alta
dependencia. Para evitar este problema observe que:
X!µ X X!µ X X!µ X Y !µ Y
E) * =0 y V) * = 1 . Similar para con Y . Lo que implica que y estan
) /X * ) /X * /X /Y
a la misma escala y son adimensionales. Por lo tanto la Covarianza entre estas dos variables no
X!µ X Y !µ Y
depende de la escala de medición. La Covarianza entre y se conoce como
/X /Y
correlación entre X e Y .

Definición: La correlación entre X e Y , o Coeficiente de correlacion lineal entre X e Y , se

X!µ X Y !µ Y cov [ X , Y ]
denota como 0 x y y 0 x y = cov ) , *=
)" / X # " / Y # * /X /Y
Se puede demostrar que 0 x y 1 .
Un valor de 0 x y cercano a 1 indica una alta dependencia lineal positiva. Un valor de 0 x y cercano a
!1 indica un alta dependencia negativa. Un valor cercano a cero indica poca independencia lineal.

Ejemplo:
Tenga en cuenta que si la correlación es cercana a cero esto no implica que NO hay
independencia entre X e Y .

Ejemplo: Sean X e Y v.a discretas con p.m.f conjunta dada por

x 0 1 1 2 2
y 0 1 2 1 2
P (x , y) 1 1 1 1 3
8 4 8 8 8

Halle E [ X ] , E [ Y ] , V [ X ] , E [ XY ] , 0 x y

Solución:
E [ X] = x p ( x , y ) = 0p ( 0 , 0 ) + 1p (1 , 1) + 1p (1 , 2 ) + 2p ( 2 , 1) + 2p ( 2 , 2 )
(x , y)
11
E [ X] =
8
11
Análogamente E [ Y ] =
8
2
19 19 11 31
E X = 2
1 V [ X] = E X 2 ! µ2X = ! =
8 8 "8# 64
E [ XY ] = x y p ( x , y ) = ( 0 )( 0 ) p ( 0 , 0 ) + (1)(1) p (1 , 1) + (1)( 2 ) p (1 , 2 ) + ( 2 )(1) p ( 2 , 1) + ( 2 )( 2 ) p ( 2 , 2 )
(x , y)
18 9
E [ XY ] = =
8 4
18 11 11 23
cov [ X , Y ] = ! =
8 " 8 # " 8 # 64
23
64 23
0 xy = = = 0.7419
31 31 31
64 64
Definición: Sean X e Y variables aleatorias (discretas o continuas) con distribución conjunta f x y .
X e Y se dicen variables aleatorias Estadísticamente Independientes (E.i). si
f x y ( x, y ) = f x ( x ) f y ( y ) , ( x , y) xy f ( x ) = f x ( x ) f Y|x ( y ) = f Y ( y )
con esto X| y y .

Corolario: Si X e Y son variables aleatorias E.i entonces E ( XY ) = E ( X ) E ( Y ) . Si h y g son

funciones de valor real.
E g ( X ) h ( Y ) = E (g ( X )) E h ( Y )
.

Ejemplo: Sean X e Y v.a. discretas con distribución de Probabilidad dada por:

X
-1 0 1
-1 1/8 0 1/8 2/8 Calcule
Y 0 1/8 0 1/8 2/8 E [X Y] , E[X] , E[Y] , E ( X - Ux ) ( Y - Uy )
1 1/8 1/4 1/8 4/8
¿Son X e Y variables aleatorias E.i?
3/8 1/4 3/8

Solución:
2
E [ X] = 0 E [ Y] = 8 E [ X Y] = 0 E ( X - U x ) ( Y - U y ) = E [ X Y] ! U x U y = 0
, , ,
X e Y no son E.i, pues
1 3 2 6
f x y ( !1, !1) = - f x ( !1) f y ( !1) = 2 =
8 8 8 64

Ejercicios propuestos:

- (*)Demuestre que la siguiente función satisface las propiedades de una función de

probabilidad conjunta.
x y f XY ( x , y )

1.5 2 1
8
1. 5 3 1
4
2.5 4 1
2
3 5 1
8

- Continuación del anterior ejercicio

Calcule las probabilidades siguientes
a. P ( X < 2.5 , Y < 3)
b. P ( X < 2.5 )
c. P ( Y < 3)
d. P ( X > 1.8 , Y > 4.7 )
e. Determine E ( X ) y E ( Y )
 f. Determine la distribución de probabilidad marginal de la variable aleatoria X
g. Determine la distribución de probabilidad condicional de Y dado que X = 1.5
h. Determine la distribución de probabilidad condicional de X dado que Y = 2

- En la transmisión de información digital, la probabilidad de que un bit tenga una distorsión

alta, moderada o baja es 0.01, 0.04 y 0.95, respectivamente. Suponga que se transmiten
tres bits y que la cantidad de distorsión de cada uno es independiente. Sean X y Y las
variables aleatorias que denotan el número de bits, de los tres transmitidos, que tienen una
distorsión alta o moderada, respectivamente.
a. ¿Cuál es el rango de la probabilidad conjunta de X y Y ?
b. Calcule P ( X = 3 , Y = 0 )
c. Determine P ( X = 2 , Y = 1)
d. Determine P ( X = 2 , Y = 0 )
e. ¿Son independientes las variables aleatorias del ejercicio (*). Explique su respuesta.

- Determine el valor de c tal que la función f ( x , y ) = c x y , para 0 < x < 3 y 0 < y < 3 , cumpla
con las propiedades de una función de densidad de probabilidad conjunta.

- Continuación del anterior ejercicio

Determine lo siguiente:
a. P ( X < 2.5 , Y < 3)
b. P ( X < 2.5 )
c. P (1 < Y < 2.5 )
d. P ( X > 1.8 , 1 < Y < 2.5 )
e. E ( X )
f. E ( Y )

- Determine el valor de c que hace que la función f ( x , y ) = c ( x + y ) sea una función de

densidad de probabilidad conjunta sobre el rango 0 < x < 3 y x < y < x + 2 .

- Continuación del ejercicio anterior

- Obtenga lo siguiente:
a. P ( X < 1 , Y < 2 )
b. P (1 < X < 2 )
c. P ( Y > 2 )
d. P ( X < 2 , Y < 2 )
- e. E ( X )

- Se utilizan dos métodos para medir la rugosidad superficial con la finalidad de evaluar un
producto de papel. Las mediciones se registran como una desviación a partir del valor
nominal de la rugosidad de la superficie. La distribución de probabilidad conjunta de las dos
mediciones puede describirse mediante una distribución uniforme sobre el interior de la
 región 0 < x < 4 , 0 < y , y x ! 1 < y < x + 1 . Esto es, f ( x , y ) = c para ( x , y ) tal que 0 < x < 4 ,
0 < y , y x !1< y < x +1
a. Determine el valor de c para el que f ( x , y ) es una función de densidad de probabilidad
conjunta.
b. Determine P ( X < 0.5 , Y < 0.5 )
c. Obtenga P ( X < 0.5 )
d. Calcule E ( X ) y E ( Y )
e. Obtenga la distribución de probabilidad condicional de X dado que Y = 1

- Determine la Covarianza y la correlación de la siguiente distribución de probabilidad

conjunta
x y f XY ( x , y )
1 3 1
8
1 4 1
4
2 5 1
2
3 6 1
8

Sean X e Y variables aleatorias continuas con p.d.f. conjunta dada por:

e !x , 0 y < x
f x y ( x, y ) = Calcule / x y , 0 x y
0, otro caso

Solución: Sabemos que E [ X ] = 2 , E [ Y ] = 1 , V [ X ] = 2 , V [ Y ] = 1 y E [ XY ] = 3

1 1
Así Cov [ X , Y ] = E [ XY ] ! µ X µ Y = 3 ! ( 2 )(1) = 1 y por tanto 0 x y = = = 0.707
2. 1 2

Ejercicio:
- Demuestre que la siguiente función satisface las propiedades de una función de
probabilidad conjunta
x y f XY ( x , y )

!1 !2 1
8
!0.5 !1 1
4
0.5 1 1
2
1 2 1
8

Calcule las siguientes probabilidades

a. P ( X < 0.5 , Y < 1.5 )
b. P ( X < 0.5 )
 c. P ( Y < 1.5 )
d. P ( X > 0.25 , Y < 4.5 )

Ejemplo: Supóngase que la variable aleatoria continua X denota la longitud de una de las
dimensiones de una pieza moldeada por inyección, y que la variable aleatoria continua Y denota
la longitud de otra dimensión de lamisca pieza. Supóngase además que la función de densidad de
probabilidad conjunta f X Y ( x , y ) es constante sobre la región R identificada por 4.8 < x < 5.2 y
2x < y < 2x + 0.1 .
Sea c el valor constante, no conocido, de f X Y ( x , y ) .
& &

1= ' ' f ( x , y ) dx dy
!& !&
XY

5.2 2 x + 0.1

= ' '
4.8 2x
c dy dx

Una vez efectuada la integración, se tiene que c = 25 .

Determine P ( 4.9 < X < 5.1) . Esto representa la probabilidad de que la dimensión X cumpla las
especificaciones. Esta probabilidad es el volumen bajo la f X Y ( x , y ) sobre la región 4.9 < X < 5.1 ,
la cuál aparece indicada con una Q . Sin embargo, f X Y ( x , y ) es igual a cero, excepto sobre la
región R . Por consiguiente el volumen es la integral de la constante 25 sobre la intersección de Q
y R . Ahora bien,
5.1 2 x + 0.1

P ( 4.9 < X < 5.1) = ' ' f XY ( x , y ) dy dx

4.9 2x
5.1 2 x + 0.1

= ') '
4.9 2x
25 dy * dx

5.1

= 25 ' 0.1 dx
4.9

= 25 [ 0.1× 0.2] = 0.5

Determínese P (10.0 < Y < 10.1) . La probabilidad pedida está representada por el volumen de
f X Y ( x , y ) sobre la región sombreada T . El volumen puede hallarse al particionar T en dos
regiones, T1 y T 2 , tales que T = T1 4 T 2 . Entonces,
P (10.0 < Y < 10.1) = 25 por el área de T 2
 5.0 2 x + 0.1

= '
4.95
)
10.0
' 25 dy * dx

5.05 10.1

+ ' ) ' 25 dy * dx
5.0 2x
5.0

= 25 ) ' ( 2x + 0.1 ! 10.0) dx *

4.95
5.05

+25 ) ' (10.1 ! 2x ) dx *

5.0

= 0.0625 + 0.0625
= 0.125

Ejercicio: Sean X e Y v.a. con distribución conjunta dada por:

x ye ! 2x
f x y ( x, y ) = ; x > 0; y = 0,1, 2, 3, ...
y!
Hallar
f x , f y , f Y| x , 0 x y , f X| y , E [ X ] , E [ Y ] , /2 y , / 2 X , / x y
.

Ejemplo: Sean X e Y variables aleatorias discretas con distribución conjunta dada por:

x 0 1 1 2 2 /xy
y Halle .
0 1 2 1 2
18 9
f x y ( x, y ) 1/8 1/4 1/8 1/8 3/8 E [X Y] = x y f x y ( x, y ) = =
8 4
2
11 E Y = 11 1 / = 9 ! 11 = 23 = 0.359375
E [X] = [ ] xy
8, 8 4 " 8 # 64 .

Ejercicio: Sean X e Y variables aleatorias continuas con f.d.p dada por:

e !x , 0 y<x
f x y ( x, y ) = Halle / x y .
0, otro caso

+& x
E [X Y] = ' 'x ye
!x
dy dx = 3
E [X] = 2
0 0 , ,
E [Y] = 1 1 /x y = 3 ! 2 = 1

Debido a los problemas de escala, observe que:

X !µ X Y !µ Y
y son variables aleatorias con media cero y varianza 1.
/X /Y
 X ! Ux 1 X ! Ux 1
E)
/x
*=
/x
( E[X] ! Ux ) = 0 V)
/x
* = 2 V [X] = 1
/x
y .
X !µ X Y !µ Y
Así, las variables y está a la misma escala.
/X /Y
Así, la Covarianza entre estas dos variables no depende de las escalas de medición. Esta nueva
medida se conoce como coeficiente de correlación lineal entre X e Y y se denota 0 x y

X ! Ux Y ! Uy X ! Ux Y ! Uy E ( X ! Ux ) ( Y ! Uy )
0 x y = cov ) , * = E) *=
) /x /y * )" / x # " / y # * /x / y
cov [ X , Y ]
Así, 0 x y = . Es fácil ver que 0 x y 1 .
/X /Y
Un valor de 0 x y cercano a uno indica una lata dependencia positiva (cuando X aumenta, Y
tiende a aumentar). Un valor de 0 x y cercano a menos 1 indica una alta dependencia negativa. Un
0 x y cercano a cero no permite concluir.
cov [ X , Y ]
Para el ejemplo anterior, 0 xy = donde cov [ X , Y ] = 1 , / X2 = 2 y
/X /Y
1
/y 2 = 1 1 0 x y = 5 0.707
2 .

Corolario: Sean X e Y variables aleatorias (discretas o continuas). Si X e Y son

estadísticamente independientes , entonces 0 x y = 0 .

Ejemplo: esta muestra que si 0 x y = 0 no implica independencia entre X e Y . Sean X e Y

variables aleatorias discretas con distribución de probabilidad dada por:
X cov [ X, Y ] = E [ X Y ] ! U x U y
-1 0 1
-1 1/8 0 1/8 E [ X Y ] = x y f xy = 0
Y 0 1/8 0 1/8 2
E [ X ] = 0, E [ Y ] = 1 cov [ X, Y ] = 0 0xy = 0
1 1/8 1/4 1/8 8

1 3 4 3
pero f x y ( !1,1) = - f x ( !1) f y (1) = = es decir X e Y son estadísticamente
8 " 8 #" 8 # 16
dependientes.

Distribución normal bivariada

Sean X e Y variables aleatorias continuas. Diremos que X e Y tienen una distribución normal
bivariada si su f.d.p conjunta está dada por:
 !& < x < +&
!1
1 (
Q
) ; !& < y < +&
f x y ( x, y ) =
2 1!0 x y 2
2e
26 / x / y 1 ! 0 x y 2 !& < U x < +&
!& < U y < +&
2 2
X ! Ux X ! Ux Y ! Uy Y ! Uy
Q= ! 20 x y + ; / x , / y > 0, | 0 x y |< 1
" /x # " /x # " /y # " /y #

No es difícil mostrar que

' ' f ( x , y ) dy dx = 1
2
xy

Las distribuciones marginales para X e Y son variables aleatorias normales

X (
n U x , /x 2 ),
Y n ( U y , /y2 ) 0 x y = 0
y .
/ /
Y|x n Uy + 0 x ( x ! U x ) , / y 2 (1 ! 02 ) X|y n Ux + 0 x ( y ! U ) , / (1 ! 0 )
y x
2 2

" /y #, " /y #
Además,
/y /y /y
E [Y | X = x ] = U y + 0 ( x ! U x ) = a x + b; con a = 0 y b = U y !0 Ux
/x /x /x .

Teorema: Sean X e Y son variables aleatorias con f.d.p conjunta una normal bivariada X e Y
son estadísticamente independientes entonces 0 x y = 0 .
2 2
1 X!Ux Y!Uy
! ) + *
1 2 )" / x # " / y # *
0xy = 0 f x y ( x, y ) = e ) *
Demostración: " 7 " Si 26/x /y

2 2
1 X!Ux * 1 Y!Uy *
! ) ! )
1 2 )" / x # * 1 2 )" / y # *
f x y ( x, y ) = e 2 e ) *
= f x ( x ) f y ( y)
26 /x 26 /y
 U x =1
Ejemplo: Suponga que X e Y son variables aleatorias con f.d.p normal bivariada con ,
1
U y = 2 U x2 = 1 U y2 = 4 0 x y = 0 = 3
, , , .

Calcule:
a) P ( X < 2 ) b) P ( Y > 1) c) E [ Y | X = 1] d) E [ X Y ] e) V [5X ! 2Y + 1]
Sugerencia. V [ aX ! bY + c] = a 2 V [ X ] + b 2 V [ Y ] + 2 a b cov [ X, Y ]

1 2 2
Solución: X n (1, 1) , Y n ( 2, 4 ) , Y | x n 2+ ( x ! 1) , 4 ,,
" 3" 1 # " 3 ##
X !1 2 !1
a) P ( X < 2 ) = P < = P ( Z < 1) = 0.8413
" 1 1 #

Y ! 2 1! 2 1 1
b) P ( Y > 1) = P < =P Z>! =P Z< = 0.6915
" 2 2 # " 2# " 2#

1 2
c) E [ Y | X = 1] = 2 + (1 ! 1) = 2
3" 1 #

cov [ X, Y ]
d) E [ X Y ] = ? cov [ X, Y ] = E [ X Y ] ! µ x µ y y 0 xy =
/x /y
1 E [ X Y ] = cov [ X, Y ] + µ x µ y = / x / y 0 x y + µ x µ y
1 2 8
E [ X Y ] = (1)( 2 ) + (1)( 2 ) = + 2 =
"3# 3 3

e) V [5X ! 2Y + 1] = 25V [ X ] + 4V [ Y ] ! 20 COV [ X, Y ]

1
= 25 (1) + 4 ( 4 ) ! 20 (1)( 2 )
" 3#
40 83
= 25 + 16 ! =
3 3
Combinaciones de variables aleatorias: Esperanza y varianza

c 1 , c 2 , ... , c p
Sean X 1 , … , X p variables aleatorias (discretas o continuas) y sean .
p
Y= c iX i
Sea i =1 Y es una combinación lineal de las variables aleatorias X 1 , … , X p .

p
I) E[Y] = c iE X i
i =1
p
V [Y] = c i2 V X i + 2 c i c j cov X i , X j
i =1 i< j
II) Si X 1 , … , X p son variables aleatorias estadísticamente independientes entonces
p p
1
V [Y] = V ) c iX i * c i2 V X i , c i = , E X i = U . Además, si;
i =1 i =1 p

/2
V X i = / 2; i, i = 1, 2, ..., p Y = x y así E [ x ] = U y V [ x ] =
p
III) Si cada
p p
Xi ( )
n µi , /i 2 , i = 1, 2, ..., p entonces si X 1 , … , X p son E.i entonces Y n c iµ i , c i 2/ i 2 en
" i =1 i =1 #
1
particular si, c i =
p
, µ i = µ y / i2 = / 2 x n µ, /
2

p ( )
“Combinación lineal de normales independientes es Normal” o Propiedad Reproductiva de la
Normal.

Ejercicios Propuestos

1. Muestre que si X e Y tienen una distribución normal bivariada con

µ x , µ y , 9 x 2 , 9 y2 , y (
: entonces X n µ x , / x 2 . )
1
2. Si en una normal bivariada µ x = 2, µ y = 3, 9 x 2 = 4 , 9 y 2 = 1, 0 x y = . Calcule
3
E [ X Y + X + 2Y ! 3] .

3. Suponga que X e Y son variables aleatorias discretas con distribución conjunta dada por:

x -10 0 0 1
y 0 -1 1 0 Calcule V [ 2X ! 3Y + 1]
f x y ( x, y ) 1/4 1/4 ¼ 1/4

4. Sean X e Y variables aleatorias discretas con f.d.p conjunta por:

k , 0 < x < 2, 0 < y < 1
f x y ( x, y ) = Calcule V [ X ! 3Y + 2] .
0, otro caso

- Suponga que la correlación entre X y Y es 0 . Para las constantes a , b , c y d . ¿Cuál es la

correlación entre las variables aleatorias U = aX + b y V = cY + d ?

- Sean X y Y la concentración y la viscosidad de un producto químico. Suponga que X y

Y tienen una distribución normal bivariada con / X = 4 , / Y = 1 , µ X = 2 , µ Y = 1 y 0 = 0.8 .
Dibuje una gráfica de contornos de la función de densidad de probabilidad conjunta.

- Sean X y Y dos dimensiones de una pieza moldeada por inyección. Suponga que X y Y
tienen una distribución normal bivariada con / X = 0.04 , / Y = 0.08 , µ X = 3.00 , µ Y = 7.70 y
0 = 0 . Determine P ( 2.95 < X < 3.05 , 7.60 < Y < 7.80 )
 - Si X y Y son variables aleatorias normales independientes con E ( X ) = 0 , V ( X ) = 4 ,
E ( Y ) = 10 y V ( X ) = 9 . Calcule lo siguiente:
a. E ( 2 X + 3Y )
b. V ( 2 X + 3Y )
c. P ( 2 X + 3Y < 30 )
d. P ( 2 X + 3Y < 40 )

- El ancho del marco de una puerta tiene una distribución normal con media 24 pulgadas y
desviación estándar de 1 de pulgada. El ancho de la puerta tiene una distribución normal
8
con media 23 y 7 pulgadas y desviación estándar de 1 pulgadas. Suponga
8 16
independencia.
a. Determine la media y la desviación estándar de la diferencia entre le ancho del marco y
el de la puerta.
b. ¿Cuál es la probabilidad de que la diferencia entre el ancho del marco y el de la puerta
sea mayor que 1 de pulgada?
4
c. ¿Cuál es la probabilidad de que la puerta no quepa en el marco?

- Un componente en forma de U está formado por tres piezas, A , B y C . La longitud de A

tienen una distribución normal con media de 10 milímetros y desviación estándar de 0.1
milímetros. El espesor de las piezas B y C está distribuido normalmente con media de 2
milímetros y desviación estándar de 0.05 milímetros. Suponga que todas las dimensiones son
independientes.
a. Determine la media y la desviación estándar de la longitud del hueco D .
b. ¿Cuál es la probabilidad de que el hueco D sea menor que 5.9 milímetros?

El tiempo de vida de seis componentes importantes de una copiadora son variables aleatorias
exponenciales independientes con medias de 8000, 10000, 10000, 20000 y 25000 horas
respectivamente.
a. ¿Cuál es la probabilidad de que la duración de todos los componentes sea mayor que
5000 horas?
b. ¿Cuál es la Covarianza entre los componentes cuya duración media es de 5000 horas y
los de 25000 horas?