You are on page 1of 30

DISTRIBUCIONES BIVARIADAS

Y MULTIVARIADAS
TEMA IV
Introducción
 Con frecuencia los investigadores están interesados
en la ocurrencia simultánea o conjunta de dos o
más eventos. Por ejemplo, el número de
estudiantes que toman macroeconomía cada año (x)
y el número de estudiantes que aprueban
macroeconomía cada año (y), son dos variables
aleatorias discretas. Podemos estar interesados en
averiguar la probabilidad de que en un año dado se
inscriban entre 20 y 25 estudiantes y que
simultáneamente aprueben el curso por lo menos
15.
Introducción
 Nótese que no estamos interesado solamente en la
probabilidad de que se inscriban entre 20 y 25
estudiantes. Tampoco nos interesa únicamente la
probabilidad de que aprueben el curso más de 15
estudiantes. El interés está en la ocurrencia
simultánea de los dos eventos, es decir en la
Intersección de los eventos. Otros ejemplos son:
 La observación del peso (x) y la estatura (y) de un
individuo, representa la intersección de un par
específico de mediciones estatura-peso (continuas)
Ejemplos adicionales
 Las ventas mensuales de una empresa (x) y el número de
unidades devueltas por mes (y)
 El tiempo de espera de un cliente en la cola de un banco (x)
y el tiempo que toma atender al cliente (y)
 El número de accidentes al mes que se dan en una vía en
particular (x) y el número de dichos accidentes que tienen
víctimas fatales (y)
 En el lanzamiento de dos dados podemos estar interesados
en el número obtenido en el primer dado (x) y en el
segundo dado (y), así como en la suma de los dos dados (w)
y el producto de los mismos (z)

Función de Probabilidad Conjunta
 Sean X y Y dos variables aleatorias discretas. La
función de probabilidad conjunta (o bivariada) para
X y Y está dada por


Es decir la probabilidad de que la variable aleatoria
X tome un valor puntual igual a x, y
simultáneamente la variable aleatoria Y tome un
valor puntual igual a y, dentro del rango de valores
de X y Y.



( , ) ( ; ) p x y P X x Y y = = =
Ejemplo 1
 En el lanzamiento de dos dados sea X el número observado en el
primer dado y Y el número observado en el segundo dado
representa la probabilidad de observar un 2 en el primer dado y un
cuatro en el segundo. La distribución muestral correspondiente, a
diferencia de lo estudiado hasta ahora, no se restringe a un espacio
muestral unidimensional. Al contrario el espacio muestral
correspondiente a este experimento es un espacio bidimensional.

En este ejemplo sencillo todos los puntos muestrales (36) ocurren
con la misma probabilidad (1/36) y dado que cada intersección (x,y)
contiene un solo punto muestral la función de probabilidad bivariada
es
(2, 4) p
( , ) 1/ 36 1, 2...6; 1, 2...6 p x y x y = = =
Ejemplo 2
 De los mejores 9 estudiantes de último año (2 de economía, 4 de
ingeniería financiera y 3 de administración) se debe seleccionar a 2
para asistir a un seminario en otra ciudad. Si se hace la selección
al azar encuentre la distribución de probabilidad bivariada para X =
número de estudiantes seleccionados de economía y Y = número
de estudiantes seleccionados de ingeniería financiera.


Datos


Muestra n = 2 estudiantes seleccionados al azar.

2 de economía
9 4 ing.financiera
3 administración
N = ÷
Ejemplo 2
 Solución. El espacio muestral está conformado por los pares (0,0);
(0,1); (0,2); (1,0); (1,1); (2,0) con la variable X por delante. Para
calcular p(x,y) podemos utilizar la extensión del modelo
hipergeométrico para el caso de una población dividida en 3 grupos.

Como Fórmula



Como Tabla
Y
0 1 2
0 0,083 0,166 0,083 0,33
1 0,333 0,222 0,56
2 0,166 0,17
0,58 0,39 0,08 1
X
( )( )( )
( )
2 4 2 4
9
2
( , ) ,
N
x y n x y
p x y
÷ ÷
÷ ÷
=

De los ejemplos anteriores se puede deducir que:

1.

2.



3.



( , ) 0 para todo x,y p x y >
( , )
( , ) 1 donde la suma se toma para todos
los valores (x,y) que tienen probabilidades diferentes
de cero
x y
p x y =
¿
( ; ) ( , ) P X x Y y p x y = = =
Función de Distribución Conjunta
 La Función de distribución conjunta bivariada
F(x,y) para cualquier par de variables aleatorias X y
Y está dada por
( , ) ( ; )
( , ) para V.A.D
( , ) para V.A.C
y
x
X Y
x y
F x y P X x Y y
p x y
f s t dsdt
=÷· =÷·
÷· ÷·
= s s
=
=
¿ ¿
} }
Función de Distribución Conjunta
 De lo expuesto en las diapositivas anteriores se pueden
extraer dos propiedades de cualquier función de
distribución conjunta F (x,y)

1.

2.




( , ) ( , ) ( , ) 0 F F y F x ÷· ÷· = ÷· = ÷· =
( , ) 1 F · · =
Ejemplos 3 y 4
 En el ejemplo 1, encuentre F(3,2)
Solución:




Del ejemplo 2 encuentre F(1,1)
Solución:





(2, 2) (3, 1) (3, 2)
6(1/ 36) 1/ 6
(1,1) (1, 2) (2,1)
(3, 2) ( 3; 2)
p p p
p p p
F P X Y
+ + +
= =
= + +
= s s
(1,1) (0, 0) (0,1) (1, 0) (1,1)
0.083 0.333 0.166 0.222 0.804
F p p p p = + + +
= + + + =
Función de densidad conjunta
 Sean X y Y dos variables aleatorias continuas con
Función de Distribución Conjunta F(x,y). A la
función f(x,y) se la conoce como Función de
densidad conjunta, si cumple con las siguientes
propiedades:

1 1
0 0
0 1 0 1
1. ( , ) 0
2. ( , ) 1
3. ( ; ) ( , )
x y
x y
f x y
f x y dydx
P x X x y Y y f x y dydx
· ·
÷· ÷·
>
=
s s s s =
} }
} }
Ejemplo 5
 X y Y tienen la función de densidad de probabilidad conjunta dada
por

a) Encontrar el valor de k que hace que sea una función de
densidad de probabilidad


, 0 1;0 1
( , )
0, . .
kxy x y
f x y
c ov
s s s s
¦
=
´
¹
1 1
0 0
1
1
2
0
0
1
0
1
2
0
( , ) 1
1
( / 2) 1
( / 2) 1
. 1 4
2 2 4
f x y dydx
kxydydx
kxy dx
kx dx
k x k
k
· ·
÷· ÷·
=
=
=
=
| |
| = = ¬ =
|
\ .
} }
} }
}
}
Ejemplo 5
b) Obtener la función de distribución conjunta para X y Y





c) Calcular
Primera Forma

Segunda Forma


0 0
2 2
0
0 0
2 2 2 2
0
( , ) 4
4 ( / 2 ) 2
2 ( / 2 )
x y
x x
y
x
F x y stdtds
s t ds sy ds
y s y x
=
= =
= =
} }
} }
( 1/ 2; 3/ 4) P x y s s
2 2
(1/ 2;3/ 4) (1/ 2) *(3/ 4) 0.14 F = =
3/ 4
1/ 2 3/ 4 1/ 2
2
0 0 0 0
1/ 2 1/ 2
2
0 0
1/ 2
2
0
4 (4 / 2 )
2 (3/ 4) (9/ 8)
(9/ 8) 0.14
2
xydydx xy dx
x dx xdx
x
=
= =
| |
| = =
|
\ .
} } }
} }
Ejemplo 6
 Grafique la siguiente función de densidad
, 0 1;0 1
( , )
0, . .
k x y
f x y
c ov
s s s s
¦
=
´
¹













1
1
f(x,y)
1
X
Y
Nótese que al ser
f(x,y) una constante
es independiente
de X y de Y
Distribuciones Marginales
 Dada la función de probabilidad conjunta
p(x,y) de las variables aleatorias discretas X
y Y, la función de probabilidad px(x) de X sola
se obtiene al sumar p(x,y) sobre los valores
de Y. De la misma manera la función de
probabilidad py(y) de Y sola se obtiene al
sumar p(x,y) sobre los valores de X.
 px(x) y py(y) se conocen como
Distribuciones Marginales
Distribuciones Marginales
 En el caso de V.A.C las sumatorias se
reemplazan por integrales. Las distribuciones
marginales de X y Y son:



( ) ( , ) y ( ) ( , )
para el caso discreto, y
( ) ( , ) y ( ) ( , )
para el caso continuo
x y
y x
x y
p x p x y p y p x y
f x f x y dy f y f x y dx
· ·
÷· ÷·
= =
= =
¿ ¿
} }
Ejemplo 7
 Del ejemplo 2 obtenga










 Que son exactamente los totales de la primera columna y el tercer
renglón de la Tabla del ejemplo 2


(0) y (2)
x y
p p
(0) ( 0) (0, ) (0, 0) (0,1) (0, 2)
0.083 0.333 0.166 0.58
x
y
p P X p y p p p = = = = + +
= + + =
¿
(2) ( 2) ( , 2) (0, 2)
0.167
y
x
p P Y p x p = = = =
=
¿
Ejemplo 8
 Una fábrica de dulces distribuye cajas de chocolates blanco y oscuro. Para una
caja seleccionada al azar sea X la proporción de chocolates claros y Y la
proporción de chocolates oscuros y suponga que la función de densidad
conjunta es





a) Verifique que esta función de densidad conjunta cumple con la propiedad 2
b) Encuentre
c) Encuentre las distribuciones marginales de X y de Y
d) Encuentre P(X<0.3)




2
5
* (2 3 ), 0 1; 0 1
( , )
0, . .
x y x y
f x y
c o v
¦
+ s s s s
¦
=
´
¦
¹
(0 1/ 2;1/ 4 1/ 2) P X Y s s s s
Ejemplo 8
 Solución:

1
2
1 1 1
0 0 0
0
1
2
1
0
0
2
5
2 6
) (2 3 )
5 5
2 6 2 3
2/ 5 3/ 5 1
5 5 5 5
x xy
a x y dxdy dy
y y y
dy
+ = +
| |
= + = + = + =
|
\ .
} } }
}
1/ 2
2
1/ 2 1/ 2 1/ 2
1/ 4 0 1/ 4
0
1/ 2
2
1/ 2
1/ 4
1/ 4
) (0 1/ 2;1/ 4 1/ 2)
2 6
(2/ 5)(2 3 )
5 5
1 3 3
10 5 10 10
1 3 1 3
1/10 13/160 0.08215
2 4 4 16
b P x y
x xy
x y dxdy dy
y y y
dy
s s s s
= + = +
| |
= + = +
|
\ .
(
| | | |
= + ÷ + = =
| |
(
\ . \ .
¸ ¸
} } }
}
1
0
1
2
0
1
0
2
5
2
5
) ( ) ( , ) (2 3 )
4 6 4 3
5 10 5
( ) ( , ) (2 3 )
2(1 3 )
5
x
y
c f x f x y dy x y dy
xy y x
f y f x y dx x y dx
y
·
÷·
·
÷·
= = + =
+
= + =
= = + =
+
=
} }
} }
0.3
0
4 3
) ( 0.3) 0.216
5
x
d P X dx
+
< = =
}
Distribuciones Condicionales
 En teoría de probabilidades ¿Recuerda la ley
multiplicativa?




Si llevamos esta ley a la ocurrencia simultánea
(intersección) de dos eventos numéricos discretos
(Variables Aleatorias), tenemos:
( ) ( ) ( / ) P A B P A P B A · =
Esta ley establece que la probabilidad de que se den dos
eventos A y B de manera simultánea es igual a la
probabilidad del primer evento (A), multiplicada por la
probabilidad condicional del segundo (probabilidad de B
dado que A ha ocurrido)
( , ) ( ) ( / )
( ) ( / )
x
y
p x y p x p y x
p y p x y
=
=
Distribuciones Condicionales
 es la probabilidad condicional de X, y representan
la probabilidad de que la variable aleatoria X tome el valor
específico x, dado que Y toma el valor y. Igual razonamiento
se puede aplicar a

Función de probabilidad condicional discreta para X
dado Y


( / ) p x y
( / ) p y x
( , )
( / ) ( / )
( )
y
p x y
p x y P X x Y y
p y
= = = =
Distribuciones Condicionales
 En el caso de las variables aleatorias continuas el
concepto equivalente es el de Función de Densidad
Condicional.


( , )
( / ) es la función de densidad condiconal
( )
de X dado Y=y
y
f x y
f x y
f y
=
( , )
( / ) es la función de densidad condiconal
( )
de Y dado X=x
x
f x y
f y x
f x
=
Ejemplo 9

 Con los datos del Ejemplo 2, calcule

Solución:


Valores que son fácilmente identificables en la tabla



( 2/ 0) y P(X=0/Y>0) P X Y = =
(2, 0) 0.083
(2/ 0) 0.249
(0) 0.333
y
p
P
p
= = =
0.333 0.167
( 0/ 0) 0.6877
0.56 0.167 0.56 0.167
P X Y = > = + =
+ +
Ejemplo 10
 Para la siguiente función de densidad conjunta

Encuentre:
a) f(Y/X)
b) P(Y>0.5/X=0.25)

Solución: Para resolver el literal a) primero necesitamos encontrar


2
10 , 0 1
( , )
0, . .
xy x y
f x y
c o v
¦ < < <
=
´
¹
( )
x
f x
1
3
1
2
3
10
3
10
( ) 10
3
(1 )
x
x
x
xy
f x xy dy
x x
| |
| = =
|
\ .
= ÷
}
Continuación
 Entonces:




2 2
3
3
10
3
( , ) 10 3
) ( / )
( ) (1 )
(1 )
x
f x y xy y
a f y x
f x x
x x
= = =
÷
÷
2
1
3
0.5
2
1
0.5
3
) ( 0.5/ 0.25)
1 (1/ 4)
3
0.89
0.98
y
b P Y X dy
y
dy
> = =
( ÷
¸ ¸
= =
}
}
Independencia Estadística
 “Sean X y Y dos variables aleatorias discretas o
continuas, se dice que las variables X y Y son
estadísticamente independientes si y solo si:


( , ) ( ). ( ) para V.A.D
( , ) ( ). ( ) para V.A.C
Para todo X y Y dentro de sus rangos
x y
x y
p x y p x p y
f x y f x f y
=
=
DEMOSTRAR
Ejercicios Propuestos

 De libro Estadística Matemática con Aplicaciones:
5.1; 5,4; 5.5; 5.8; 5.9; 5.11; 5.12; 5.19; 5.21; 5.23; 5.26;
5.32; 5.45; 5.47; 5.49

 Del libro Probabilidad y Estadística para Ingeniería y
Ciencias: 3.49; 3.54; 3.56; 3.57