Variables Aleatorias Bidimensionales

Definicin: Sean (X,Y) dos variables aleatorias discretas, entonces existe:

PX ,Y ( x, y ) = P( X = x, Y = y ) ; ( x, y ) Re c( X , Y ) llamada
Conjunta de (X,Y) o funcin de cuanta conjunta de (X,Y) tal que cumple con:

Distribucin

de

Probabilidad

1. 0 P( x, y ) 1 ( x, y ) Re c( X , Y ) 2.
Definicin:

P ( x, y ) = 1
Re cX Re cY

Sean (X,Y) dos variables aleatorias continuas, entonces existe:

f X ,Y ( x, y ) llamada funcin de densidad conjunta de (X,Y), tal que cumple con:

1.2.-

f ( x, y ) 0 ( x, y ) Re c( X , Y )

f ( x, y)dydx = 1
Re cX Re cY

3.-

P(a X b; c Y d ) =

X =a Y =c

f ( x, y)dydx

Definicin: Sean X e Y dos variables aleatorias discretas, tal que P(x,y) es su funcin de probabilidad conjunta, entonces:

P ( X = x) = P(Y = y ) =
P( X / y ) = P(Y / x) =

p
Re cY

X ,Y

( x, y ) ; x Re c( X ) Distribucin de probabilidad Marginal de X ( x, y ) ; y Re c(Y ) Distribucin de probabilidad Marginal de Y

; ( x, y ) Re c( X , Y )
Distribucin de probabilidad de X condicionada por Y

p
Re cX

X ,Y

PX ;Y ( x, y ) PY ( y ) PX ;Y ( x, y ) PX ( x)

; ( x, y ) Re c( X , Y )

Distribucin de probabilidad de Y condicionada por X

E( X / Y = y j ) =

x p( x / y )
j Re cX

Esperanza de X condicionada por Y=yj

V ( X / Y = y j ) = E ( X 2 / Y = y j ) E ( X / Y = y j ) 2 Varianza de X condicionada por Y=yj Cov( X , Y ) = E{[( X E ( X )] [Y E (Y )]} = E ( XY ) E ( X ) E (Y ) E ( XY ) =

Covarianza de X,Y

xy p
Re cX Re cY

X ,Y ( x, y )

Esperanza conjunta de (X,Y)

(X ,Y ) =

Cov( X , Y ) ; 1 ( x, y ) 1 Coeficiente de correlacin de Pearson de (X,Y) ( x) ( y ) P ( X a, Y = b ) P(Y = b)

Si X e Y son Variables aleatorias Discretas

P ( X a / Y = b) =

Definicin: Sean X e Y dos variables aleatorias continuas , tal que f(x,y) es su funcin de densidad conjunta, entonces:

f ( x) = f ( y) =
f ( x / y) = f ( y / x) =

f ( x, y)dy
Re cY

; x Re c( X ) ; y Re c(Y )

Funcin de densidad Marginal de X

f ( x, y)dx
Re cX
j

Funcin de densidad Marginal de Y Funcin de densidad de X condicionada por Y=yj

f ( x, y ) ; x Re c( X ) f ( y) Y = y f ( x, y ) f ( x) ; y Re c(Y )
X =x j

Funcin de densidad de Y condicionada por X=xj

Por lo tanto:
a

f ( x, y ) = f ( y ). f ( x / y ) = f ( x) f ( y / x)

P ( X a / Y = b) =

x =

f ( x / y = b)dx

E( X / Y = y j ) =

xf ( x / Y = y
Re cX

)dx

Esperanza de X condicionada por Y=yj

V ( X / Y = y j ) = E ( X 2 / Y = y j ) E ( X / Y = y j ) 2 Varianza de X condicionada por Y=yj E ( XY ) =

x y f ( x, y)dydx
Re cX Re cY

Esperanza conjunta de (X,Y)

Cov( X , Y ) = E{[( X E ( X )] [Y E (Y )]} = E ( XY ) E ( X ) E (Y )

Propiedades de la Covarianza

Covarianza de (X,Y)

1. Cov( X , X ) = V ( X ) ; Cov(Y , Y ) = V (Y ) 2. Cov(aX + b, cY + d ) = acCov( X , Y ) a, b, c, d 3. Cov(aX + bY , cX + dY ) = acV ( X ) + bdV (Y ) + (ad + bc)Cov( X , Y ) a, b, c, d

Definicin: Se dice que (X,Y) son variables aleatorias Independientes si y solo si :

P( X = x, Y = y) = P( X = x) P(Y = y) ( x, y) Re c( X , Y )
f ( x, y ) = f ( x) f ( y ) ( x, y ) Re c( X , Y )

Si X e Y son v.a. Discretas

Si X e Y son v.a. Continuas

Consecuencias: Si X e Y son variables aleatorias Independientes , entonces:

E ( X + Y ) = E ( X ) + E (Y )

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

Cov ( X ,Y ) = 0

V ( X + Y ) = V ( X ) + V (Y ) + 2Cov( X , Y ) = V ( X ) + V (Y ) V ( X Y ) = V ( X ) + V (Y ) 2Cov( X , Y ) = V ( X ) + V (Y )

(X ,Y ) = 0

P( X / Y ) = PX ( x) ;
E( X / Y ) = E( X ) ;
2 X ~ N ( 1; 1 )

P(Y / X ) = PY ( y )
E (Y / X ) = E (Y )
entonces:

2 y sea Y ~ N ( 2 ; 2 )

2 X + Y ~ N ( 1 + 2 ; 12 + 2 )

2 2 X Y ~ N ( 1 2 ; 1 +2 )