4 V.A. Bidimensionales

Variables aleatorias bidimensionales
Prof. Mara B. Pintarelli
4- VARIABLES ALEATORIAS BIDIMENSIONALES

4.1 Generalidades
Hasta ahora hemos considerado el caso de variables aleatorias unidimensionales. Esto es, el resultado
del experimento de inters se registra como un nico nmero real.
En muchos casos, sin embargo, nos puede interesar asociar a cada resultado de un experimento aleatorio,
dos o ms caractersticas numricas. Por ejemplo, de los remaches que salen de una lnea de produccin
nos puede interesar el dimetro X y la longitud Y. Teniendo en cuenta la inevitable variabilidad en las
dimensiones de los remaches debido a las numerosas causas presentes en el proceso de fabricacin, los
podemos representar asocindoles dos variables aleatorias X e Y que pueden pensarse como una variable
aleatoria bidimensional: X , Y .
Sea un experimento aleatorio y S un espacio muestral asociado a l. Sean X : S R , Y : S R , que
a cada resultado s S le asignan el par de nmeros reales x, y
Llamaremos a X , Y variable aleatoria bidimensional.
Si en lugar de dos variables aleatorias, tenemos n variables aleatorias X 1 , X 2 ,..., X n , llamaremos a
X1 , X 2 ,..., X n variable aleatoria n-dimensional
En lo que sigue nos referiremos en particular a variables aleatorias n-dimensionales con n=2, es decir
nos concentraremos en variables aleatorias bidimensionales por cuanto son las ms simples de describir, fundamentalmente en relacin a la notacin. Pero debemos tener presente que las propiedades que
estudiemos para ellas se pueden extender sin demasiada dificultad al caso general.
Al conjunto de valores que toma la variable aleatoria bidimensional (X,Y) lo llamaremos recorrido de la
v.a. (X,Y) y lo indicaremos RXY . En otras palabras RXY x , y : x X s e y Y s con s S , es
decir, es la imagen por X ,Y del espacio muestral S.

Notar que el recorrido de (X,Y) es un subconjunto del espacio Euclidiano: RXY R 2 . Como antes,
puede considerarse al recorrido RXY como un espacio muestral cuyos elementos son ahora pares de nmeros reales.
Como con cualquier espacio muestral, segn el nmero de elementos que lo constituyen, podemos clasificar a los recorridos RXY en numerables (finitos o infinitos) y no-numerables.
Los recorridos numerables son, en general, de la forma
(finito)
RXY xi , y j con i 1,2,...,n y j 1,2,..m x1 , y1 ,x1 , y2 ,...,xn , ym
RXY xi , y j con i 1,2,... y j 1,2,.. x1 , y1 ,x1 , y2 ,...

(infinito numerable)
Los recorridos no numerables son regiones o subconjuntos no numerables del plano Euclidiano. Por
ejemplo:
RXY x , y : a x b; c y d
(no numerable)
102
RXY x, y : x 2 y 2 1
(no numerable)
RXY x , y j : a x b , y j c1 ,c2 ,c3
(no numerable mixto)
cuyas grficas se pueden apreciar en la figura siguiente. Notar en el ltimo recorrido, X es v.a. continua
e Y discreta.
y
y
3
c3
2
1
c1
0
RXY
0
0
c2
-1
-1
Clasificaremos a las variables aleatorias bidimensionales de la siguiente manera:
X ,Y es v.a. bidimensional discreta si X e Y son discretas
X ,Y es v.a. bidimensional continua si X e Y son continuas
El caso X continua, Y discreta (o viceversa) no lo consideramos.
Sea X ,Y una variable aleatoria bidimensional discreta y sea RXY su recorrido (numerable). Sea
p : RXY R una funcin que a cada elemento xi , y j le asigna un nmero real pxi , y j tal que
P X xi , Y y j pxi , y j xi , y j RXY y que verifica.
a) pxi , y j 0 xi , y j RXY
b)
xi , y j RXY
pxi , y j pxi , y j 1
i
A esta funcin la llamaremos funcin de probabilidad puntual conjunta de la variable aleatoria bidimensional X ,Y . En forma abreviada la designaremos fdp conjunta.
Sea X ,Y una variable aleatoria bidimensional continua y sea RXY su recorrido (no numerable). Sea
f : RXY R una funcin que, a cada punto x , y de RXY le asigna un nmero real f x , y tal que
PB f x, y dxdy B R y que verifica.

B
a) f x, y 0
b)
x, y R 2
f x, y dxdy 1 .
R2
A esta funcin la llamaremos funcin de densidad de probabilidad conjunta de la variable aleatoria

bidimensional X ,Y . En forma abreviada la designaremos tambin fdp conjunta.
103
Ejemplos:
1-Dos lneas de produccin, sealadas I y II, manufacturan cierto tipo de artculo a pequea escala. Supngase que la capacidad mxima de produccin de la lnea I es cinco artculos por da, mientras que
para la lnea II es 3 artculos/da. Debido a los innumerables factores presentes en todo proceso de produccin, el nmero de artculos realmente producido por cada lnea puede pensarse como una variable
aleatoria. En conjunto podemos pensar en una variable aleatoria bidimensional X ,Y discreta, donde la
primera componente X corresponde a la produccin de la lnea I y la segunda componente Y a los artculos que salen de la lnea II. La fdp conjunta correspondiente a variables aleatorias bidimensionales
suele presentarse, por comodidad, como una tabla. Supongamos que la para la v.a. X ,Y que nos interesa aqu la tabla correspondiente a pxi , y j es
Y X
0
1
2
3
0
0.01
0.01
0.01
0.01
0.02
0.03
0.02
0.03
0.04
0.05
0.04
0.05
0.05
0.05
0.06
0.07
0.06
0.05
0.06
0.09
0.08
0.06
0.05
Cul es la probabilidad de qu salgan ms artculos de la lnea I que de la lnea II?

Antes de calcular la probabilidad que nos pide el problema, hagamos algunas consideraciones sobre la
tabla que representa a pxi , y j .
Se trata de una tabla a doble entrada donde en la primera fila se indican los valores que puede tomar la
v.a. X (en este caso X=0,1,2,3,4,5) y la primera columna indica los valores que puede tomar la variable Y
( 0,1,2,3). Para determinar el valor de la pxi , y j cuando la v.a. X ,Y toma el valor xi , y j consideramos el nmero que se encuentra en la columna correspondiente a X xi y la fila correspondiente a
Y y j . Por ejemplo: p4,2 P X 4,Y 2 0.05 .
Podemos verificar fcilmente que la fdp conjunta definida por esta bien definida. En efecto verifica las
condiciones a) pxi , y j 0 xi , y j RXY y b) pxi , y j 1 .
xi , y j R XY
Para contestar la pregunta del enunciado, consideremos el suceso B RXY definido
B: es el suceso que ocurre cuando la lnea I produce ms artculos que la lnea II o,
B X Y . Luego:
P B P X Y
px , y 0.01+0.03+0.05+0.07+0.09+0.04+0.05+0.06+0.08+
3
y j 0xi y j
+0.05+0.05+0.06+0.06+0.05=0.75.
2- Hay tres cajas registradoras a la salida de un supermercado. Dos clientes llegan a las cajas en diferentes momentos cuando no hay otros clientes ante aquellas. Cada cliente escoge una caja al azar e independientemente del otro.
Sean las variables aleatorias X: n de clientes que escogen la caja 1 e Y: n de clientes que escogen la
caja 2. Hallar la fdp conjunta de (X,Y)
Podemos suponer que el espacio muestral original S es el conjunto de pares ordenados
S (1,1); (1,2); (1,3); (2,1); (2,2); (2,3); (3,1); (3,2); (3,3) donde la primera componente del par indica la
caja elegida por el cliente 1 y la segunda componente del par indica la caja elegida por el cliente 2.
104
Adems notar que X como Y pueden tomar los valores 0, 1, 2

El punto muestral (3,3) es el nico punto muestral que corresponde al evento X 0, Y 0
Entonces
1
P( X 0, Y 0) ; pensando de forma anloga los otros casos:
9
2;
P( X 1, Y 0)
9
1
P( X 0, Y 2) ;
9
P( X 2, Y 0)
1;
9
P( X 0, Y 1)
2,
9
P( X 1, Y 1)
2,
9
P( X 1, Y 2) P( X 2, Y 2) 0
Disponemos estas probabilidades en una tabla de la siguiente forma

Y\X
0
1
2
0
1/9
2/9
1/9
1
2/9
2/9
0
2
1/9
0
0
3- Supongamos que una partcula radiactiva se localiza aleatoriamente en un cuadrado con lados de longitud unitaria. Es decir, si se consideran dos regiones de la misma rea, la partcula tendr igual probabilidad de estar en cualquiera de ellas. Sean X e Y las coordenadas que localizan la partcula. Un modelo
adecuado para la distribucin conjunta de X e Y sera considerar a (X, Y) continua con fdp dada por
1 si 0 x 1; 0 y 1
f ( x, y )
0 caso contrario
Es conveniente hacer un grfico en el plano del dominio de la fdp
Nos preguntamos cul es la probabilidad de que la

coordenada en x sea menor que 0.2 y la coordenada en y menor que 0.4 , es decir, cul es la
P( X 0.2, Y 0.4) . Para calcularla, graficamos en
el plano xy la regin que corresponde al evento
interseccin la regin que es dominio de la fdp
Por lo tanto
0.40.2
P( X 0.2, Y 0.4)
1dxdy 0.2 0.4 0.08

0 0
X 0.2, Y 0.4
105
En este ejemplo la fdp es un caso particular de v.a. bidimensional uniformemente distribuida

Diremos que una variable aleatoria bidimensional continua est uniformemente distribuida en la regin
RXY del plano Euclidiano R si su funcin de densidad de probabilidad es
c para x, y RXY
f x, y
0 para x, y RXY
Puesto que la condicin de normalizacin exige
f x, y dxdy cdxdy 1 debe ser

R2
R XY
1
reaRXY
A una v.a. X ,Y bidimensional continua uniformemente distribuida en su recorrido RXY la indicaremos

X U RXY .
Por ejemplo, supongamos que la v.a. X ,Y est distribuida uniformemente en el recorrido RXY que se
muestra en la figura. Cul es su fdp conjunta?
y
2
1
y=x
y = x2
0
0
De la figura calculamos el rea del recorrido:

1
x2
reaRXY dx dy x x 2 dx
6
f x, y
0
1
. Por lo tanto
6
para x, y tal que 0 x 1, x 2 y x

para los dems puntos
4.2 - Funciones de distribucin marginales de una v.a. (X,Y) discreta

En el ejemplo 1, supongamos que queremos saber cul es la probabilidad de que el nmero de artculos
producidos por la lnea I sea 2, o sea P( X 2)
Como el evento X 2 es igual a X 2 Y 0 Y 1 Y 2 Y 3 , y a su vez
106
X 2 Y 0 Y 1 Y 2 Y 3
X 2 Y 0 X 2 Y 1 X 2 Y 2 X
2 Y 3
Entonces
P X 2
PX 2 Y 0 PX 2 Y 1 PX 2 Y 2 PX 2 Y 3
3
P( X 2, Y 0) P( X 2, Y 1) P( X 2, Y 2) P( X 2, Y 3) P( X 2, Y j )
j 0
Razonando de la misma forma podemos escribir

3
P X i P( X i, Y j )
i 0,1,...,5
j 0
Es decir obtenemos la funcin de distribucin de probabilidad de X

Anlogamente obtenemos
5
PY j P( X i, Y j )
j 0,1,2,3
i 0
Que es la funcin de distribucin de probabilidad de Y

En general se las denomina distribuciones marginales de X e Y, y su definicin sera la siguiente
Sea (X,Y) discreta y sea pxi , y j (i=1,2,n, j=1,2,,m) su funcin de probabilidad conjunta (Eventualmente n y/o m pueden ser ).
La funcin de probabilidad marginal de X es
pxi P X xi pxi , y j
m
(i=1,2,,n)
j 1
La funcin de probabilidad marginal de Y es

qy j PY y j pxi , y j (j=1,2,,m)
n
i 1
Observacin: Remarcamos que la funcin de probabilidad marginal de X, es decir pxi calculada a

partir de pxi , y j en la forma indicada, coincide con la funcin de probabilidad de la variable aleatoria
unidimensional X considerada en forma aislada. Anlogamente la funcin de probabilidad marginal de
Y, es decir q y j calculada a partir de pxi , y j en la forma indicada, coincide con la funcin de probabilidad de variable aleatoria unidimensional Y considerada en forma aislada.
Ejemplo:
Siguiendo con el ejemplo 1,
p5 P X 5 p5,0 p5,1 p5,2 p5,3 0.09 0.08 0.06 0.05

0.28
107
q1 PY 1 p0,1 p1,1 p2,1 p3,1 p4,1 p5,1 0.01 0.02 0.04 0.05 0.06
0.26
Observemos que se verifica la condicin de normalizacin para cada una de las marginales:
5
px 0.03 0.08 0.16 0.21 0.24 0.28 1
xi 0
qy 0.25 0.26 0.25 0.24 1

3
y j 0
4.3 - Funciones de distribucin marginales de una v.a. (X,Y) continua

En el ejemplo 3 supongamos que queremos hallar la probabilidad de que la coordenada x de la partcula
sea menor o igual a 0.2, es decir P( X 0.2) . Podemos escribir
0.2
0.2 1
f ( x, y)dydx 1dydx 0.2
P( X 0.2) P( X 0.2, Y )
0 0
En general si queremos hallar P( X x) podemos plantear
P( X x) P( X x, Y )
f ( x, y)dydx g ( x)dx
donde
f ( x, y)dy g ( x)
Por definicin de fdp debe ser g (x) la fdp de la v.a. X

Anlogamente
y
P(Y y) P( X , Y y )
f ( x, y)dxdy
h( x)dx
donde
f ( x, y)dy h( x)
Por definicin de fdp debe ser h(x) la fdp de la v.a. Y

En general:
Sea (X,Y) continua y sea f x , y su funcin de densidad de probabilidad conjunta.
La funcin de densidad de probabilidad marginal de X es:
g x
f x , y dy
La funcin de densidad de probabilidad marginal de Y es:
h y
f x, y dx
108
Observacin: Remarcamos aqu tambin que la funcin de de densidad de probabilidad marginal de X,

es decir g x , calculada a partir de f x , y en la forma indicada, coincide con la funcin de densidad de
probabilidad de variable aleatoria unidimensional X considerada en forma aislada. Anlogamente la funcin de densidad de probabilidad marginal de Y, es decir h y calculada a partir de f x , y en la forma
indicada, coincide con la funcin de densidad de probabilidad de variable aleatoria unidimensional Y
considerada en forma aislada. De manera que podemos calcular probabilidades como, por ejemplo
b
Pa X b P a X b , Y f x , y dydx
a
b
g x dx
a
Ejemplo: Consideremos nuevamente la v.a. continua (X,Y) uniformemente distribuida cuyo recorrido
RXY dibujamos otra vez
y
2
1
y=x
y = x2
0
0
Ya vimos que la fdp est dada por
f x, y
0
para x, y tal que 0 x 1, x 2 y x

para los dems puntos
Entonces las funciones de densidad de probabilidad de X e Y son

x
2
0 x 1
f x , y dy 6dy 6 x x
g x
x2
para los dems valores
0
f x, y dx
h y
0
6dx 6
yy
0 y 1
109
4.4 - Funciones de probabilidades condicionales

Caso discreto
Consideremos nuevamente el ejemplo de las dos lneas I y II que producen cierto artculo a pequea
escala. Definimos la v.a. X ,Y cuya funcin de probabilidad conjunta pxi , y j est dada por la tabla
anterior que repetimos
1
2
3
4
5
q(yj)
Y X 0
0
1
2
3
p(xi)
0
0.01
0.01
0.01
0.03
0.01
0.02
0.03
0.02
0.08
0.03
0.04
0.05
0.04
0.16
0.05
0.05
0.05
0.06
0.21
0.07
0.06
0.05
0.06
0.24
0.09
0.08
0.06
0.05
0.28
0.25
0.26
0.25
0.24
1
Supongamos que deseamos conocer la probabilidad de que la lnea I produzca tres artculos sabiendo
que la lnea II ha fabricado dos. Tenemos que calcular una probabilidad condicional. Entonces
P X 3 , Y 2
p3,2 0.05 0.2
P X 3 Y 2
PY 2
q2
0.25
En general definimos la funcin de probabilidad puntual de X condicional a Y como sigue:
pxi , y j
p xi y j P X xi Y y j
, es decir como el cociente de la funcin de probabilidad conjunqy j
ta de X ,Y y la funcin de probabilidad puntual marginal de Y.
Anlogamente, definimos la funcin de probabilidad puntual de Y condicional a X :

pxi , y j
qy j xi PY y j X xi
, es decir como el cociente de la funcin de probabilidad puntual
pxi
conjunta de X ,Y y la funcin de probabilidad puntual marginal de X.
b) Caso continuo
Como ocurre con la variables aleatoria continuas en general, el definir la probabilidad condicional de
ocurrencia de un valor dado de una de las variables aleatorias del par X ,Y supuesto que ocurri la
otra, presenta las dificultades conocidas relacionadas con el hecho de que la probabilidad de un punto es
cero. Entonces probabilidades tales como P X xi Y y j tienen el problema que PY y j 0 .
Sea X ,Y una variable aleatoria bidimensional continua cuya fdp conjunta es f x , y . Sean g x y
h y la fdp marginales de X e Y, respectivamente. Definimos la funcin de densidad de probabilidad de
X condicional a que Y=y, a la que denotaremos g x y , de la siguiente manera:
g x y
f x , y
h y
con h y 0 .
110
Anlogamente, la funcin de densidad de probabilidad de Y condicional a que X=x, a la que denotaremos h y x , se define:
h y x
f x , y
g x
con g x 0 .
De acuerdo con estas definiciones, podemos calcular, por ejemplo,

b
Pa X b Y c g x c dx
f x ,c dx
a
hc
Observemos que si quisiramos calcular esta probabilidad usando la fdp conjunta, es decir, refirindonos
al recorrido completo, llegaramos a una indeterminacin:
Pa X b Y c
Pa X b Y c
PY c
c
c
dx dyf x , y
dx dyf x , y
0
.
0
Notar la diferencia entre la funcin de densidad de probabilidad condicional g x y y la funcin de densidad de probabilidad marginal g x :
b
g x dx Pa X b,
mientras que
g x y dx Pa X b Y y .
a
Ejemplo:
Una mquina vendedora de refrescos se llena al principio de un da dado con una cantidad aleatoria Y, y
se despacha durante el da una cantidad aleatoria X (medida en galones). No se le vuelve a surtir durante
el da y entonces X Y
Se ha observado que (X,Y) tienen la densidad conjunta
1 / 2
f ( x, y )
0
si 0 x y; 0 y 2
caso contrario
Cul es la probabilidad de que se venda menos de

galn, dado que la mquina contiene 1 galn al inicio del
da?
Solucin: Primero es conveniente hacer un grfico de la
regin del plano donde la densidad conjunta
est definida
111
Hallamos la densidad condicional de X dado Y. Para esto primero encontramos la fdp marginal de Y
y
(1 / 2) y si 0 y 2
(1 / 2)dx si 0 y 2
h( y ) f ( x, y )dx

0
0 caso contrario
0 caso contrario
Entonces la densidad condicional es
h( x | y )
1/ 2
(1 / 2) y
f ( x, y )
h( y )
si
0 x y2
caso contrario
1
y
0
si 0 x y 2
caso contrario
La probabilidad que interesa es

1/ 2
1/ 2
P( X 1 / 2 | Y 1)
f ( x | y 1)dx 1dx 2
1
Notar que si la mquina hubiera contenido 2 galones al principio del da, entonces
1/ 2
P( X 1 / 2 | Y 2)
1/ 2
f ( x | y 1)dx
1
2
dx
1
4
As la probabilidad condicional que X 1 / 2 depende de la eleccin de Y

4.5 Variables aleatorias independientes
Ya se discuti el concepto de independencia entre dos eventos A y B. Esas mismas ideas podemos trasladarlas en relacin a dos variables aleatorias X e Y que, eventualmente, podemos considerarlas como las
componentes de una variable aleatoria bidimensional X ,Y .
De acuerdo con esto, intuitivamente decimos que dos variables, X e Y, son independientes si el valor que
toma una de ellas no influye de ninguna manera sobre el valor que toma la otra. Esto lo establecemos
ms formalmente:
a) Sea X ,Y una variable aleatoria bidimensional discreta. Sea pxi , y j su fdp conjunta y pxi y
q y j las correspondientes fdp marginales de X e Y. Decimos que X e Y son variables aleatorias independientes si y slo si
pxi , y j pxi qy j xi , y j RXY

b) Sea X ,Y una variable aleatoria bidimensional continua. Sea f x , y su fdp conjunta y g x y h y
las correspondientes fdp marginales de X e Y. Decimos que X e Y son variables aleatorias independientes si y slo si
f x , y g x h y x , y R 2
112
Observacin: Notar que para poder afirmar la independencia de X e Y debe cumplirse la factorizacin
de la fdp conjunta como producto de las fdp marginales para todos los pares de valores de la v.a. X ,Y .
Por lo tanto, para verificar la independencia es necesario demostrar la validez de la factorizacin para
todos los pares. En cambio, es suficiente encontrar un solo par que no la verifica, para afirmar, de acuerdo con la definicin, que las variables X e Y son no independientes, es decir, que son dependientes. Esto
es, para demostrar la dependencia es suficiente con encontrar un solo par que no verifique la factorizacin sealada.
Vimos que dos sucesos A y B son independientes si y slo si PA B P A y PB A PB (donde
por supuesto deba ser P A 0 y PB 0 ). En trminos de variables aleatorias, esta forma de ver la
independencia se manifiesta en la igualdad entre las fdp condicionales y las correspondientes fdp marginales, como demostramos en este
Teorema
a) Sea X ,Y una variable aleatoria bidimensional discreta cuyas fdp conjunta, condicionales y margina-
les son, respectivamente, pxi , y j ; p xi y j , qy j xi y pxi , q y j .

Entonces, X e Y son variables aleatorias independientes si y slo si
a1) p xi y j pxi xi , y j RXY , o

a2) qy j xi qy j xi , y j RXY , que es equivalente a lo anterior
b) Sea X ,Y una variable aleatoria bidimensional continua cuyas fdp conjunta, condicionales y marginales son, respectivamente, f x , y ; g x y , h y x y g x , h y .
Entonces, X e Y son variables aleatorias independientes si y slo si
b1) g x y g x x , y R 2 , o
b2) h y x h y x , y R 2 , que es equivalente al anterior.
Dem.)
a) Demostraremos solamente a1). La equivalencia entre a1) y a2) la dejamos como ejercicio.
Para demostrar a1) verificaremos la doble equivalencia entre sta y la definicin de v.a. independientes.
)
Sean X e Y variables aleatorias independientes. Entonces xi , y j RXY
pqxy, y pxqyqy px
p xi y j
Aqu la primera igualdad es la definicin de fdp condicional y la segunda sale de la definicin de independencia al suponer que X e Y son independientes.
)
Supongamos que se verifica a1). Entonces xi , y j RXY
p xi y j pxi
pxi , y j
q y j
pxi pxi , y j pxi qy j X e Y independientes

113
Aqu, la primera implicacin se debe a la definicin de fdp condicional y la tercera a la definicin de v.a.
independientes.
b) Tambin demostramos slo b1) y dejamos como ejercicio demostrar la equivalencia entre b1) y b2).
)
Sean X e Y variables aleatorias independientes. Entonces x , y R 2
f x , y g x h y
g x y
g x
h y
h y
Aqu la primera igualdad es la definicin de fdp condicional y la segunda sale de la definicin de independencia al suponer que X e Y son independientes.
)
Supongamos que se verifica b1). Entonces x , y R 2
g x , y
g x y g x
g x f x , y g x h y X e Y independientes.
h y
Aqu, la primera implicacin se debe a la definicin de fdp condicional y la tercera a la definicin de v.a.
independientes.
Ejemplos:
1- Supongamos que una mquina se usa para un trabajo especfico a la maana y para uno diferente en
la tarde. Representemos por X e Y el nmero de veces que la mquina falla en la maana y en la tarde
respectivamente. Supongamos que la tabla siguiente da la funcin de probabilidad conjunta pxi , y j de
la variable aleatoria bidimensional discreta X ,Y .
Y/X
q(yj)
0
1
2
P(xi)
0.1
0.04
0.06
0.2
0.2
0.08
0.12
0.4
0.2
0.08
0.12
0.4
0.5
0.2
0.3
1
Deseamos saber si las variables aleatorias X e Y son independientes o dependientes.

Para demostrar que son independientes debemos probar que se verifica xi , y j RXY
pxi , y j pxi qy j Verificamos directamente que
p0,0 0.1 p0q0 0.2 0.5

p0,1 0.04 p0q1 0.2 0.2
p0,2 0.06 p0q2 0.2 0.3
p1,0 0.2 p1q0 0.4 0.5
p1,1 0.08 p1q1 0.4 0.2
p1,2 0.12 p1q2 0.4 0.3
p2,0 0.2 p2q0 0.4 0.5
p2,1 0.08 p2q1 0.4 0.2
p2,2 0.12 p2q2 0.4 0.3
Luego X e Y son independientes.
114
Podramos haber usado las condiciones a1) p xi y j pxi xi , y j RXY , o su equivalente

a2) qy j xi qy j xi , y j RXY . Veamos, como muestra para un solo valor, que se verifica
p2,1 0.08
0.4 p2 . Para demostrar la independencia por este camino habra que deq1
0.2
mostrar que se cumple la condicin para el resto de los pares de valores. Se deja este clculo como ejercicio optativo.
p2 1
2- Sean X e Y v.a. continuas que representan el tiempo de vida de dos dispositivos electrnicos. Supongamos que la fdp conjunta de la v.a. continua X ,Y es:
e x y 0 x , 0 y
f x, y
0 para los dems valores
Deseamos saber si X e Y son variables aleatorias independientes.

Calculamos las fdp marginales de X e Y :
g x
h y
f x , y dy e
f x , y dx e
x y
dy e x
x y
dx e y
Luego las marginales son:

e x
0 x
g x
0
e y
0 y
h y
0
Vemos que efectivamente

e x y e x e y 0 x , 0 y
f x, y g x h y
0
Es decir X e Y son v.a. independientes.
Tambin podemos verificar la condicin b1):

e x y
x
0 x
f x, y y e
2
g x y
e
g x x.y R
h y
115
3- Consideremos un ejemplo donde no se verifica la independencia.

Sea una v.a.b cuya fdp conjunta es
8 xy 0 x y 1
f x, y
En la figura siguiente mostramos el recorrido
y=x
1
RXY
Calculamos las fdp marginales de X e Y :
1
2
8 xydy 4 x 1 x 0 x 1
g x x
y
3
8 xydx 4 y 0 y 1
h y 0
y podemos apreciar que para 0 x y 1 en general es
f x , y 8xy 16 x 1 x 2 y3 g x h y .
Luego X e Y son variables aleatorias dependientes.

Observaciones
1- De la definicin de las fdp marginales, vemos que tanto en el caso discreto como en el continuo, la
fdp conjunta determina unvocamente las fdp marginales. Es decir, si X ,Y es discreta del conocimiento de la funcin de probabilidad conjunta pxi , y j podemos determinar unvocamente las funciones de
probabilidad pxi y q y j . Anlogamente, si X ,Y es continua del conocimiento de la funcin de

116
densidad de probabilidad conjunta f x , y podemos determinar unvocamente las funciones de densidad

g x y h y . Sin embargo la inversa no se cumple en general. Es decir del conocimiento de pxi y
q y j no se puede, en general, reconstruir pxi , y j a menos que X e Y sean variables independientes en
cuyo caso es pxi , y j pxi qy j y, anlogamente, en el caso continuo, del conocimiento de g x y
h y no se puede construir en general f x , y excepto cuando X e Y son independientes en cuyo caso

puedo escribir f x , y g x h y
2- Podemos observar del ltimo ejemplo, que puede ocurrir que an cuando la funcin f x , y ya est
escrita en forma factorizada como una funcin slo de x por una funcin slo de y, las variables X e Y
no sean independientes puesto que el dominio es tal que hace que las variables sean dependientes. As,
en el ejemplo anterior, el recorrido RXY X ,Y : 0 x y 1 condiciona los valores que toma x a
los valores que toma y.
3- El concepto de independencia entre dos variables aleatorias se puede generalizar a n variables aleatorias X 1 , X 2 ,..., X n
4.6 - Funcin de una variable aleatoria bidimensional

Existen muchas situaciones en las que dado una variable aleatoria bidimensional nos interesa considerar
otra variable aleatoria que es funcin de aqulla. Por ejemplo, supongamos que las variables aleatorias X
e Y denotan la longitud y el ancho, respectivamente, de una pieza, entonces Z 2 X 2Y es una v.a. que
representa el permetro de la pieza, o la v.a. W X .Y representa el rea de la pieza. Tanto Z como W
son variables aleatorias.
En general, sea S un espacio muestral asociado a un experimento probabilstico , sean X : S R e
Y : S R dos variables aleatorias que definen una variable aleatoria bidimensional X ,Y cuyo recorrido es RXY , y sea una funcin de dos variables reales H : RXY R que a cada elemento x , y del recorrido RXY le hace corresponder un nmero real z H x , y , entonces la funcin compuesta
Z H X , Y : S R es una variable aleatoria, puesto que a cada elemento s S le hace corresponder
un nmero real z H X s ,Y s . Diremos que la variable aleatoria Z es funcin de la variable aleatoria bidimensional (X,Y).
Algunas variables aleatorias que son funcin de variables aleatorias bidimensionales son Z X Y ,
Z X .Y , Z X / Y , Z mn X ,Y , Z mx X ,Y , etc.
Lo anterior se puede generalizar si en lugar de dos variables aleatorias tenemos n variables aleatorias
X 1 , X 2 ,..., X n , y z H x1 , x2 ,...xn es una funcin de n variables a valores reales.
Ejemplos:
1- Sea Z ~ B(n, p)
Podemos escribir a Z como suma de variables aleatorias de la siguiente forma.
Recordar que Z cuenta el nmero de xitos en n repeticiones o ensayos del experimento
Si definimos
117
1 si en la sima repeticin de ocurre xito
Xi
i 1,2,..., n
0
caso contrario
Notar que a cada X i se la puede considerar B(1, p) , y adems X 1 , X 2 ,..., X n son independientes
Podemos escribir Z X 1 X 2 ... X n
2- Sea Z v.a. binomial negativa con parmetros r y p, es decir Z ~ BN (r, p)
Si definimos
X 1 : nmero de repeticiones del experimento requeridos hasta el 1 xito
X 2 : nmero de repeticiones del experimento adicionales requeridos hasta el 2 xito
Y en general
X i : nmero de repeticiones del experimento adicionales despus del (i-1)simo xito requeridos hasta
el i-simo xito
Entonces cada variable tiene distribucin geomtrica con parmetro p y Z X 1 X 2 ... X r
Notar adems que X 1 , X 2 ,..., X r son independientes
Esperanza de una v.a. que es funcin de una v.a. bidimensional

Sea una variable aleatoria bidimensional X ,Y cuya fdp conjunta es la funcin de probabilidad conjunta pxi , y j si es discreta o la funcin de densidad de probabilidad conjunta f x , y si es continua y sea
una funcin real de dos variables z H x , y de manera que podemos definir una variable aleatoria Z
que es funcin de la variable aleatoria bidimensional X ,Y de la forma Z H X ,Y . Si la fdp de Z es
qzi , si Z es discreta, o qz si es continua, entonces la esperanza matemtica de Z es, de acuerdo con
la definicin general,
E Z
z .qz
x i R X
E Z
(para Z discreta)
zqz dz
(para Z continua)
Nuevamente lo interesante es considerar la posibilidad de evaluar E Z sin tener que calcular previamente la fdp de Z. El siguiente teorema nos muestra cmo hacerlo.
Teorema Sea (X,Y) una variable aleatoria bidimensional y sea Z=H(X,Y) una variable aleatoria que es
funcin de (X,Y).
a) Si Z es variable aleatoria discreta que proviene de la variable aleatoria bidimensional discreta (X,Y)
cuyo recorrido es RXY y su fdp conjunta es pxi , y j , entonces:
E Z EH X ,Y
H x , y px , y
xi , y j R XY
b) Si Z es variable aleatoria continua que proviene de la variable aleatoria continua bidimensional (X,Y)
cuya fdp conjunta es f x , y , entonces:
118
E Z EH X ,Y
H x, y f x, y dxdy .
Dem.) sin demostracin

Ejemplo:
Supongamos que debido a innumerables causas incontrolables la corriente i y la resistencia r de un circuito varan aleatoriamente de forma tal que pueden considerarse como variables aleatorias I y R independientes. Supongamos que las correspondientes fdp son:
r2
0r3
hr 9
0 dems valores
Nos interesa considerar el voltaje v i.r de manera que podemos definir la variable aleatoria V I .R .
Especficamente deseamos conocer el valor esperado o esperanza matemtica del voltaje: E V .
Usando la propiedad establecida en el teorema anterior:
2i 0 i 1
g i
0 dems valores
E V
H i ,r . f i ,r didr . Ahora bien, puesto que consideramos que I y R son variables aleatorias
independientes, la fdp conjunta de la v.a. bidimensional (I,R) es simplemete el producto de las marginales o sea de las fdp de las variables aleatorias I y R tomadas como variables aleatorias unidimensionales:
f i ,r g i .hr , es decir:
2 2
i .r si 0 i 1 y 0 r 3
f i ,r 9
dems valores
0
Entonces
3
2
2
3
E V dr dii.r . i.r 2 r 3dr i 2 di
9
90
2
0
0
0
Esperanza de una suma de variables aleatorias
Sean X e Y dos variables aleatorias arbitrarias. Entonces E X Y E X EY .
Dem.) en el teorema anterior consideramos H ( x, y) x y
Si (X,Y) es discreta
E Z EH X , Y
H x , y px , y ( x
xi , y j RXY
( xi , y j )R XY
y j ) p ( xi , y j )
Aplicando la propiedad distributiva y separando en dos sumas
E Z
(x
( xi , y j )RXY
y j ) p ( xi , y j )
i
( xi , y j )RXY
p ( xi , y j )
j
( xi , y j )R XY
p ( xi , y j )
119
xi p( xi , y j ) y j p( xi , y j ) xi p( xi , y j ) y j p( xi , y j )
i
Pero
p( x , y
i
) p ( xi ) y
p( x , y
i
) q( y j ) , por lo tanto
xi p( xi ) y j q( y j ) E ( X ) E (Y )
i
Para el caso continuo la demostracin es anloga, cambiando sumatorias por integrales.

Podemos generalizar la propiedad anterior a un nmero finito cualquiera de variables aleatorias:
Sean X1 , X 2 ,..., X n n variables aleatorias arbitrarias. Entonces:
E X1 X 2 ... X n E X1 E X 2 ... E X n o, en notacin ms concentrada,:
n
n
E X1 E X i
i 1 i 1
(leeremos: la esperanza de la suma es la suma de las esperanzas)
Dem.) Se deduce por induccin completa sobre el nmero n de variables aleatorias.
Observacin: se deduce que la esperanza verifica la propiedad lineal:
n
n
E ai X i ai E X i .
i 1
i 1
Ejemplos:
1- Vamos a aplicar algunas de las propiedades anteriores para calcular de una manera alternativa la esperanza matemtica de una variable aleatoria X distribuida binomialmente.
Sea entonces una v.a. XB(n,p).
Ya vimos que podemos escribir X X 1 X 2 ... X n donde cada X i se la puede considerar B(1, p) ,
y adems X 1 , X 2 ,..., X n son independientes
Entonces
E ( X i ) 1 P( X i 1) 0 P( X i 0) P( X i 1) p para cualquier i
Por lo tanto
E ( X ) E X 1 X 2 ... X n E X 1 E X 2 ... E X n p p ... p np
n veces
2- El espesor X de una cua de madera (en milmetros) tiene una funcin de densidad de probabilidad
3 3 x 52
4 x6
f ( x) 4
4
0
en otro lado
a) Determine E(X)
b) Si Y denota el espesor de una cua en pulgadas (1mm = 0.0394 pulgadas), determine E(Y)
c) Si se seleccionan tres cuas de manera independiente y las apilamos una encima de otra, encuentre la me-
120
dia y la varianza del espesor total.

a) Verifique el lector que
6
3
3
E ( X ) x
4
4
4
2
( x 5) dx 5
b) Y 0.0394 X entonces E(Y ) E(0.0394 X ) 0.0394E( X ) 0.197
entonces X X 1 X 2 X 3 es el espesor total

Por lo tanto E ( X ) E ( X 1 X 2 X 3) E( X 1) E( X 2) E ( X 3) 5 5 5 15
c) Notar que si X i : espesor de cua i ,
i = 1, 2, 3
Observacin: muchas veces es conveniente descomponer una variable aleatoria como suma de otras ms
simples para facilitar los clculos
3- Esperanza de una v.a. binomial negativa (optativo)
Cuando se trat la v.a. binomial negativa se dijo cul era su esperanza. Ahora damos una demostracin
Sea X v.a. binomial negativa con parmetros r y p, es decir X ~ BN (r, p)
Si definimos
X 1 : nmero de repeticiones del experimento requeridos hasta el 1 xito
Y en general
X i : nmero de repeticiones del experimento adicionales despus del (i-1)simo xito requeridos hasta
el i-simo xito
Entonces cada variable tiene distribucin geomtrica con parmetro p y X X 1 X 2 ... X r
Por lo tanto
1 1
1
1 r
E ( X ) E X 1 X 2 ... X r E X 1 E X 2 ... E X r ... r
p p
p
p p
r veces
4- Esperanza de una v.a. hipergeomtrica (optativo)

nM
Si X ~ H (n, M, N ) entonces E ( X )
N
Para facilitar la demostracin supongamos que tenemos N bolillas en una urna de las cuales M son rojas
y N-M son blancas. Queremos hallar el nmero esperado de bolillas rojas extradas
Definimos las variables
1 si la i sima bolilla roja es extrada
Xi
0 caso contrario
Las variables X 1 , X 2 ,... X M no son independientes

Se puede escribir X X 1 X 2 ... X M , adems
1 N 1

1 n 1 n
E ( X i ) P( X i 1)
N
N

n
Por lo tanto
121
E ( X ) E X 1 X 2 ... X M E X 1 E X 2 ... E X Mr
n n
n
n nM
... M
N
N
N
N
N
M veces
En general la esperanza de un producto de variables aleatorias no es igual al producto de las esperanzas

Si X ,Y es una variable aleatoria bidimensional tal que X e Y son variables aleatorias independientes, entonces: E X .Y E X .EY
(leeremos: la esperanza del producto es el producto de las esperanzas).
Dem.) (caso continuo)
Sea Z H X ,Y X .Y y sea f x , y la fdp conjunta de la v.a. X ,Y . Entonces, usando el teorema
que establece que E Z EH X ,Y
H x, y f x, y dxdy , tenemos:
E X .Y
x.y f x, y dxdy . Pero siendo X e Y
variables aleatorias independientes es
f x , y g x h y , donde g x y h y son las fdp marginales de X e Y que sabemos coinciden con las
fdp de X e Y tomadas como variables aleatorias unidimensionales. Luego:
E X .Y
x.y g x h y dxdy xg x dx yh y dy
E X .E Y ,
donde en la ltima igualdad tuvimos en cuenta la definicin de esperanza de v.a. unidimensionales.

Ejemplo:
Nuevamente consideramos el siguiente ejemplo
Supongamos que debido a innumerables causas incontrolables la corriente i y la resistencia r de un circuito varan aleatoriamente de forma tal que pueden considerarse como variables aleatorias I y R independientes. Supongamos que las correspondientes fdp son:
r2
0r3
hr 9
0 dems valores
Nos interesa considerar el voltaje v i.r de manera que podemos definir la variable aleatoria V I .R .
Hallar el valor esperado o esperanza matemtica del voltaje: E V .
Como I y R son independientes, usando la propiedad anterior
2i 0 i 1
g i
0 dems valores
EV E ( I ) E ( R)
122
i3
E ( I ) i (2i )di 2
3
0
E (V )
r2
E ( R) r
9
0
3
1 r4
dr
9 4
1 34

1
9 9
2
2
1
3
3
Varianza de una suma de variables aleatorias
V X Y V X V Y 2 XY
con XY E X .Y E X .EY
Dem.) Escribimos la varianza en su forma alternativa
V X Y E X Y E X Y . Desarrollamos los cuadrados y aplicamos la propiedad lineal de

la esperanza:
V X Y E X 2 2.X .Y Y 2 E X E Y
E X 2 2 E X .Y E Y 2 E X 2 E X E Y E Y
2
Agrupando convenientemente:
V X Y E X 2 E X E Y 2 E Y 2E X .Y E X E Y
V X V Y 2E X .Y E X E Y
2
, es decir
V X Y V X V Y 2 XY
XY E X .Y E X .EY se la llama la covarianza de X e Y.
Observaciones:
1- Teniendo presente la definicin de la desviacin estndar de una v.a. X: X V X , vemos que a la
propiedad anterior la podemos escribir:
V X Y X2 Y2 2 XY
2- Anlogamente se prueba que V X Y X2 Y2 2 XY

3- X e Y son independientes, entonces V X Y V ( X Y ) V X V Y
Esto es porque si las variables aleatorias X e Y son independientes, entonces E X .Y E X .EY .
Por lo tanto la covarianza vale cero : XY E X .Y E X .EY 0 .
123
4- Podemos generalizar, usando el principio de induccin completa, al caso de n variables aleatorias

independientes:
Si X1 , X 2 ,..., X n son n variables aleatorias independientes entonces:
n
n
V X1 X 2 ... X n V X1 V X 2 ... V X n o, en forma ms compacta, V X i V X i .
i 1 i 1
5- Vemos que la esperanza de la suma de dos variables aleatorias X e Y es igual a la suma de las esperanzas E X Y E X EY cualesquiera sean X e Y . En cambio la varianza de la suma de las variables aleatorias X e Y es, en general, igual a la suma de las varianzas, V X Y V X V Y , slo si
X e Y son variables independientes.
Ejemplos:
1- Podemos ejemplificar la aplicacin de las propiedades de la varianza, calculando nuevamente la varianza de una v.a. X distribuida binomialmente con parmetros n y p.
Sea entonces una v.a. XB(n,p). Vimos que se puede escribir:
X X 1 X 2 ... X n , donde las n variables aleatorias son independientes entre s y tienen todas la
misma distribucin:
X i B1, p i 1,2,...,n
Entonces, tratndose de n variables aleatorias independientes
V X V X 1 V X 2 ... V X n todas la varianzas son iguales y podemos escribir la suma como n
veces una cualquiera de ellas:
V X nV X i . Pero
V X i E X i2 E X i .
Ya vimos que E X i 1. p 01 p 0
2
Adems es: E X i2 12. p 0 2 1 p p
Entonces: V X i E X i2 E X i p p 2 p1 p .
Luego:
V X nV X i np1 p
que es el resultado que habamos obtenido a partir de la definicin y llevando las sumas involucradas a
la forma del desarrollo de un binomio de Newton.
2
2- Varianza de una v.a. binomial negativa

Ya vimos que podemos escribir X X 1 X 2 ... X r , donde cada variable X i tiene distribucin
geomtrica con parmetro p
Por lo tanto
1 p
V X V X 1 V X 2 ... V X r r 2
p
4.7 - Covarianza
Sean X e Y dos variables aleatorias. La covarianza de X e Y se define:
Cov( X , Y ) EX E X .Y EY E X .Y E X .EY
124
Notacin: la notacin usual para la covarianza de X e Y es XY o Cov( X , Y )

La ltima igualdad surge de desarrollar el producto y aplicar las propiedades de la esperanza:
EX E X .Y EY EX .Y X .EY E X .Y E X EY
Teniendo presente que E X y E Y son constantes:
EX E X .Y EY E X .Y E X .EY E X EY E X EY E X .Y E X .EY .
La esperanza en la definicin debe pensarse de la siguiente manera (suponiendo que la v.a.
continua):
Cov( X , Y ) EH X , Y
H x, y f x, y dxdy
X ,Y es
con H x , y x E X .y EY
Ya vimos la siguiente propiedad

Si X e Y son variables aleatorias independientes, entonces Cov( X , Y ) 0 .
Dem. )
Segn vimos, si X e Y son variables aleatorias independientes, entonces E X .Y E X .EY , de donde
se sigue la propiedad.
Propiedades de la covarianza
Las siguientes propiedades son tiles y su verificacin se deja como ejercicio
1- Cov(a bX , c dY ) bdCov( X , Y )
2- Cov( X Y , Z ) Cov( X , Z ) Cov(Y , Z )
m
n
n m
3- Cov X i , Y j Cov( X i , Y j )
j 1
i 1
i 1 j 1
4- Cov( X , X ) V ( X )
Ejemplo:
De una caja con frutas que contiene 3 naranjas, 2 manzanas y 3 pltanos se selecciona una muestra de
4 frutas. Sean las variables aleatorias
X: n de naranjas extradas
Y: n de manzanas extradas
Notar que la f.d.p. conjunta de (X,Y) es
3 2
x y 4 x y
P( X x, Y y )
x 0, 1, 2, 3 ; y 0, 1, 2 ; 1 x y 4
8

4

Es un ejemplo de v.a. hipergeomtrica bidimensional.
Tambin se podra haber presentado la f.d.p. conjunta en una tabla, donde tambin figuran las distribuciones marginales de X e Y.
125
X/Y
0
1
2
3
a) Cuales son E(X) , V(X), E(Y) y V(Y)?

5
1
70
105
3
70
2
E( X ) 0
E (Y ) 0
15
70
30
70
40
70
30
70
15
70
Verifique el lector que V ( X )
5
70
15
28
0
1
2
0
2/70 3/70 5/70
3/70 18/70 9/70 30/70
9/70 18/70 3/70 30/70
3/70 2/70
0
5/70
15/70 40/70 15/70
3
7
y V (Y )
b) Son X e Y independientes?
5
15
0
70
70
Por lo tanto X e Y son dependientes, lo que implica que Cov( X , Y ) 0
P( X 0, Y 0) 0
pero
P( X 0) P(Y 0)
c) Cul es la Cov(X,Y)?
Cov( X , Y ) E( XY ) E( X ) E(Y )
2
3
E ( XY ) 0 0 0 0 1
0 2
70
70
3
18
9
1 0
1 1
1 2
70
70
70
9
18
3
20
2 1
2 2
70
70
70
3
2
90
3 0
3 1
3 2 0
70
70
70
9
7
Entonces Cov( X , Y ) E ( XY ) E ( X ) E (Y )
3
2
3
14
d) Z = X+Y simboliza el total de naranjas y manzanas extradas

Cul es la E(Z) y V(Z) ?
E ( Z ) E ( X Y ) E ( X ) E (Y )
V ( Z ) V ( X ) V (Y ) 2Cov( X , Y )
3
2
1 2.5
15
18
3
7
3
14
15
28
e) Supongamos que cada naranja cuesta 2$ y cada manzana cuesta 1.5$ entonces
W 2 X 1.5Y es el costo del total de frutas extradas. Hallar E(W) y V(W)

E(W ) E(2 X 1.5Y ) 2E( X ) 1.5E(Y ) 4.5$
126
V (W ) V (2 X 1.5Y ) 22 V ( X ) 1.52 V (Y ) 2 2 1.5Cov( X , Y )
51
28
4.8 - Coeficiente de correlacin lineal.

En realidad ms que la covarianza aqu nos interesa considerar una cantidad relacionada con XY y que
segn veremos nos dar informacin sobre el grado de asociacin que existe entre X e Y . Ms concretamente nos contar si existe algn grado de relacin lineal entre X e Y . Esa cantidad es el coeficiente de
correlacin lineal.
En el mismo sentido en que podemos tener una idea aproximada sobre la probabilidad de un suceso A si
repetimos el experimento y consideramos las ocurrencias de A en las n repeticiones,
as podemos tener tambin una primera idea sobre la existencia de una relacin funcional, especficamente una relacin lineal, entre X e Y si consideramos un diagrama de dispersin. Consiste en dibujar
pares de valores xi , y j medidos de la variable aleatoria X ,Y en un sistema de coordenadas. En la
figura mostramos diversas situaciones posibles.
(xi yi)
De la figura a se deducira que entre X e Y no hay ningn tipo de relacin funcional. La figura b sugiere
la posibilidad de que exista una relacin funcional que corresponde a una parbola. La figura c, por su
parte, sugiere una relacin lineal entre X e Y . Este ltimo es el comportamiento que nos interesa caracterizar. Con ese fin definimos el coeficiente de correlacin lineal como sigue:
Sea X ,Y una variable aleatoria bidimensional. Definimos el coeficiente de correlacin lineal entre
Cov( X , Y )
X e Y como XY
XY
En consecuencia:
XY
EX E X .Y E Y E X .Y E X .E Y
.
V X .V Y
V X .V Y
127
Daremos una serie de propiedades de XY que nos permitirn establecer ms concretamente su significado.
Propiedad 1
Si X e Y son variables aleatorias independientes entonces XY 0 .
Dem.) inmediata a partir del hecho que si X e Y son independientes entonces E( XY ) E( X ) E(Y )
Observacin: La inversa no es necesariamente cierta. Puede ser que XY 0 y sin embargo X e Y no
sean variables aleatorias independientes. En efecto si tenemos una v.a. bidimensional X ,Y que da
lugar a un diagrama de dispersin como el que se muestra en la figura, veremos que correspondera a un
coeficiente de correlacin lineal XY 0 y sin embargo la figura sugiere que entre X e Y existe la relacin funcional X 2 Y 2 1 , es decir X e Y son v.a. dependientes. En realidad, como veremos, XY es
una medida de la existencia de una relacin lineal entre X e Y y una circunferencia se aleja mucho de
una lnea recta.
y
1
-2
-1
-1
Propiedad 2 :
1 XY 1
Dem.)
Si consideramos la v.a.
X
Y
0 V
X Y
entonces
V ( X ) V (Y ) 2Cov( X , Y )

21 XY
2
XY
Y 2
X
Implicando que 1 XY
X
Y V ( X ) V (Y ) 2Cov( X , Y )

21 XY
Por otro lado: 0 V
2
XY
Y 2
X Y X
128
Implicando que XY 1
1 XY 1
Propiedad 3 :
2
Si XY
1 , entonces con probabilidad 1 es Y A.X B donde A y B son constantes.
2
Dem.) Si XY
1 entonces XY 1 o XY 1
Si XY 1 entonces de la demostracin anterior se deduce que
X
Y
X
Y
21 XY 0 , lo que implica que la v.a. Z
V
tiene varianza cero. Segn la
X Y
X Y
interpretacin de varianza podemos deducir (en forma intuitiva) que la v.a. no tiene dispersin con respecto a su esperanza, es decir la v.a. Z es una constante con probabilidad 1
Y
0
X
1 implica que Y A.X B con A Y 0

X
Por lo tanto esto implica que Y A.X B con A

Anlogamente XY
Propiedad 4 :
Si X e Y son dos variables aleatorias tales que Y A.X B , donde A y B son constantes,
2
entonces XY
1 . Si A 0 es XY 1 y si A 0 es XY 1 .
Dem.) se deja como ejercicio
Observacin: Claramente las propiedades anteriores establecen que el coeficiente de correlacin lineal
es una medida del grado de linealidad entre X e Y.
129
Prctica
Variable aleatoria bidimensional
Funciones de variables aleatorias bidimensionales
1) Cierto supermercado tiene una caja de salida comn y una caja rpida. Denote por X1 el nmero de
clientes que estn en espera en la caja comn en un momento en particular del da, y por X2 el nmero de clientes en espera en la caja rpida al mismo tiempo. Suponga que la fdp conjunta de X1 y X2
es como se indica en la tabla siguiente:
X2
0
1
2
3
4
0
0.08
0.06
0.05
0.00
0.00
X1
1
0.07
0.15
0.04
0.03
0.01
2
0.04
0.05
0.10
0.04
0.05
3
0.00
0.04
0.06
0.07
0.06
a) Cul es P(X1 = 1, X2 = 1), esto es, la probabilidad de que haya exactamente un cliente en cada
lnea de espera?.
b) Cul es P(X1 = X2), esto es, la probabilidad de que los nmeros de clientes de las dos lneas de
espera sean iguales?
c) Sea A el evento de que haya por lo menos dos clientes ms en una lnea de espera que en la otra.
Exprese A en trminos de X1 y X2 y calcule la probabilidad de este evento.
d) Cul es la probabilidad de que el nmero total de clientes de las dos lneas de espera sea exactamente cuatro?. Y por lo menos cuatro?.
e) Determine la fdp. marginal de X1 y la fdp marginal de X2.
f) Por inspeccin de las probabilidades P(X1 = 3), P(X2 =0) y P(X1 = 3, X2 =0), son X1 y X2 variables aleatorias independientes?
2) Un almacn tiene en existencia 30 componentes de cierto tipo, 8 de los cuales fueron proporcionados
por el proveedor 1, 10 por el proveedor 2 y 12 por el proveedor 3. Se van a seleccionar al azar 2 de los
componentes para un conjunto en particular. Sea X: nmero de componentes seleccionados del proveedor 1, e Y: nmero de componentes seleccionados del proveedor 2.
a) Hallar la funcin de distribucin de probabilidad conjunta de (X, Y)
b) Hallar las distribuciones marginales de X e Y. Calcular E(X), E(Y), V(X), V(Y)
c) Son X e Y independientes?
3) Un ingeniero mide la cantidad , (por peso), de un contaminante particular en unas muestras de aire de
cierto volumen recogidas sobre la chimenea de una central de energa elctrica que funciona a carbn.
Sea X la cantidad del contaminante por muestra recogida cuando no est funcionando cierto dispositivo de limpieza en la chimenea, y sea Y la cantidad de contaminante por muestra recogida bajo las
mismas condiciones ambientales cuando el dispositivo est trabajando. Se observa que el comportamiento de la frecuencia relativa de X e Y puede tener el modelo :
K si 0 x 2 ; 0 y 1 ; 2y x
f(x,y) =
en otro lado
0
a) Determine el valor de K.
130
b) Calcule P(X 3Y) , es decir encuentre la probabilidad de que el dispositivo de limpieza reduzca la
cantidad de contaminante en un tercio o ms.
c) Si est funcionando el dispositivo limpiador, calcule la probabilidad de que la cantidad de contaminante en una muestra sea mayor que 0.5.
d) Dado que la cantidad de contaminante en una muestra obtenida cuando funciona el limpiador es
mayor de 0.5, calcule la probabilidad de que la cantidad de contaminante, si no hubiera funcionado
el dispositivo limpiador, hubiera sido mayor que 1.5
e) Dado que la cantidad de contaminante en una muestra obtenida cuando funciona el limpiador es
igual a 0.5, calcule la probabilidad de que la cantidad de contaminante, si no hubiera funcionado el
dispositivo limpiador, hubiera sido mayor que 1.5
f) Son independientes las cantidades de contaminantes por muestra recogida con y sin el dispositivo
de limpieza?.
4) Sean X e Y las proporciones de dos tipos diferentes de componentes de una muestra
de una mezcla de productos qumicos utilizada como insecticida.. Suponga que X e Y
tienen la funcin de densidad conjunta dada por :
2 si 0 x 1 ;
f(x,y) =
0
0 y 1; 0 x + y 1
en cualquier otro punto
a) Encuentre P(X ,Y )
b) Calcular P(X ,Y )
c) Calcule P(X | Y )
d) Calcule P(X | Y = )
e) Son X e Y independientes ?
5) La duracin Y para los fusibles de cierto tipo se representa por la fdp:
1 e y /3, y 0
f(y) 3
0 caso contrario
(Las mediciones se indican en cientos de horas).

a) Si dos de estos fusibles tienen duraciones independientes Y1 e Y2, encuentre la fdp conjunta para
Y1 e Y2.
b) Un fusible de a) se encuentra en un sistema principal y el otro en un sistema de emergencia que
entra en funcin solamente si falla el sistema principal. La duracin efectiva total de los dos fusibles es entonces Y1+ Y2. Calcule P(Y1+ Y2 1).
6) En un automvil seleccionado al azar, se revisa el desgaste de cada neumtico, y cada faro delantero
se verifica para ver si est correctamente alineado. Denotemos por X el nmero de faros delanteros
que necesitan ajuste y por Y el nmero de neumticos defectuosos.
a) Si X e Y son independientes con las siguientes fdp
x
p(x)
0
0.5
1
0.3
2
0.2
y
p(y)
0
0.6
1
0.1
2
0.05
3
0.05
4
0.2
Presente la fdp conjunta de X e Y en una tabla de probabilidad conjunta.

131
b) Calcule P(X 1, Y 1)
c) Cul es la P( X+Y =0), (la probabilidad de no defectos)?
d) Calcule P(X+Y 1)
7) La longitud y el ancho, en pulgadas, de los paneles utilizados para puertas interiores son variables
aleatorias X e Y respectivamente. Suponga que X est distribuida uniformemente en el intervalo
(17.75, 18.25) e Y est distribuida de manera uniforme en (4.75, 5.25). Adems suponga que X e
Y son independientes. Determine la probabilidad de que el rea del panel sea mayor que 90 pulgadas.
8) La diferencia entre el nmero de clientes en la lnea de espera comn y el nmero de ellos en la lnea
de espera de la caja rpida del ejercicio 1) es X1-X2. Calcular la diferencia esperada.
9) Considere un pequeo bote transbordador que tiene capacidad para automviles y autobuses. La cuota para automviles es $3 y la de autobuses es $10. Denotamos por X e Y el nmero de automviles
y autobuses, respectivamente, transportados en un solo viaje, y suponga que la distribucin conjunta
de X e Y est dada por:
Y
0
1
0.025
0.015
0
0.050
0.030
1
0.125
0.075
X
2
0.150
0.090
3
0.100
0.060
4
0.050
0.030
5
Calcular el ingreso esperado de un solo viaje.
2
0.010
0.020
0.050
0.060
0.040
0.020
10) Un topgrafo desea trazar una regin cuadrada con cada lado de longitud L. Sin embargo, debido a
un error de medicin, traza un rectngulo en el que los lados norte-sur tienen ambos una longitud X
y los lados este-oeste tienen longitud Y. Suponga que X e Y son independientes y que cada uno tiene
fdp:
1
1
,
,
L A x L A
L A y L A
f ( x) 2 A
f ( y) 2 A
c.c
c.c
0,
0,
donde 0<A<L. Cul es el rea esperada del rectngulo resultante?
11) a) Determine la covarianza y la correlacin de las variables X e Y del ejercicio 2)
b) Determine la covarianza y la correlacin de las variables X e Y del ejercicio 4)
12) a) Determine V(X+ Y) para las variables X e Y del ejercicio 2)
b) Determine V(X+Y) para las variables X e Y del ejercicio 4)
c) Calcular la varianza del ingreso en un solo viaje para las variables del ejercicio 8)
132

4 V.A. Bidimensionales

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

4 V.A. Bidimensionales

Încărcat de

Drepturi de autor:

Formate disponibile

Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

4- VARIABLES ALEATORIAS BIDIMENSIONALES

v.a. (X,Y) y lo indicaremos RXY . En otras palabras RXY x , y : x X s e y Y s con s S , es

decir, es la imagen por X ,Y del espacio muestral S.

RXY xi , y j con i 1,2,... y j 1,2,.. x1 , y1 ,x1 , y2 ,...

Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

RXY x , y j : a x b , y j c1 ,c2 ,c3

(no numerable mixto)

P X xi , Y y j pxi , y j xi , y j RXY y que verifica.

PB f x, y dxdy B R y que verifica.

A esta funcin la llamaremos funcin de densidad de probabilidad conjunta de la variable aleatoria

Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

Cul es la probabilidad de qu salgan ms artculos de la lnea I que de la lnea II?

Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

Adems notar que X como Y pueden tomar los valores 0, 1, 2

Disponemos estas probabilidades en una tabla de la siguiente forma

Nos preguntamos cul es la probabilidad de que la

1dxdy 0.2 0.4 0.08

Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

En este ejemplo la fdp es un caso particular de v.a. bidimensional uniformemente distribuida

Puesto que la condicin de normalizacin exige

f x, y dxdy cdxdy 1 debe ser

A una v.a. X ,Y bidimensional continua uniformemente distribuida en su recorrido RXY la indicaremos

De la figura calculamos el rea del recorrido:

para x, y tal que 0 x 1, x 2 y x

4.2 - Funciones de distribucin marginales de una v.a. (X,Y) discreta

Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

Razonando de la misma forma podemos escribir

Es decir obtenemos la funcin de distribucin de probabilidad de X

Que es la funcin de distribucin de probabilidad de Y

La funcin de probabilidad marginal de Y es

Observacin: Remarcamos que la funcin de probabilidad marginal de X, es decir pxi calculada a

p5 P X 5 p5,0 p5,1 p5,2 p5,3 0.09 0.08 0.06 0.05

Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

px 0.03 0.08 0.16 0.21 0.24 0.28 1

qy 0.25 0.26 0.25 0.24 1

4.3 - Funciones de distribucin marginales de una v.a. (X,Y) continua

f ( x, y)dydx 1dydx 0.2

En general si queremos hallar P( X x) podemos plantear

Por definicin de fdp debe ser g (x) la fdp de la v.a. X

Por definicin de fdp debe ser h(x) la fdp de la v.a. Y

La funcin de densidad de probabilidad marginal de Y es:

Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

Observacin: Remarcamos aqu tambin que la funcin de de densidad de probabilidad marginal de X,

Ya vimos que la fdp est dada por

para x, y tal que 0 x 1, x 2 y x

Entonces las funciones de densidad de probabilidad de X e Y son

para los dems valores

Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

4.4 - Funciones de probabilidades condicionales

ta de X ,Y y la funcin de probabilidad puntual marginal de Y.

Anlogamente, definimos la funcin de probabilidad puntual de Y condicional a X :

Variables aleatorias bidimensionales