Distribuciones de probabilidad

De una variable aleatoria es una función que asigna a cada suceso definido sobre alguna
variable que da la probabilidad de que dicho suceso llegue a ocurrir, puede ser una
variable aleatoria discreta o de variable aleatoria continua.
Variables aleatorias Bidimensionales, funciones marginales, coeficiente de
correlación d. Momentos. Función Generatriz de momentos.

VARIABLE ALEATORIAS BIDIMENSIONALES

Si tenemos que  es el espacio muestral que es asociado a un experimento aleatorio ∈,

X e Y dos funciones, que se les asignaran a un número real x = X(ω) , y= Y(ω) a cada
uno de sus elementos que serán w  , en el par (X,Y) al cual se le denominara
variable aleatoria bidimensional o vector bidimensional, el cual representara a un punto
del plano euclidiano, pudiéndose expresar mejor en la siguiente gráfica:

La extensión que se da en una variable aleatoria bidimensional a n-dimensional es

directa, en el cual se debe seguir los usos habituales del cálculo. Teniendo así el rango
de esta variable bidimensional (X, Y) siendo este el conjunto de todos los valores
posibles del vector aleatorio (x, y) que estará denotado como:
R XY =(x , y)/ x R X , y RY
Siendo este el producto cartesiano de los rangos de las variables aleatorias X e Y, la
cual es el subconjunto del plano Euclidiano.
Ejemplo:
1) Una urna contiene 3 bolas numeradas 1,2,3 respectivamente. De la urna se extraen 2
bolas al azar una a una con reposición. Sea X el número de la primera bola que se
extrae, e Y el número de la segunda bola que se extrae se tiene que el par (X, Y) es una
variable aleatoria bidimensional con rango:
R XY =( x , y)/ x , y (1,2,3) }
R X =RY =1,2,3 }
DISTRIBUCIÓN BIDIMENSIONAL DISCRETA
Sea (X, Y) una variable aleatoria bidimensional discreta que tiene un rango de R XY . A
cada resultado posible de (x, y) de (X, Y), teniendo en cuenta que los valores son finitos
o infinitos numerables.
Expresándose de la siguiente manera (x ¿ ¿ i, y j ) ¿
donde
i =1;2; 3; …; n,
j=1;2; 3; …; m
Función de Cuantía Conjunta
Si tenemos (X, Y) que son una variable aleatoria discreta bidimensional, en el que
asociamos a un número p ( x , y )=P( X=x ,Y = y ) llamado función de probabilidad
conjunta se debe cumplir las siguientes condiciones:
1.- P( x ; y)0

2.-∑ ∑ P ( x ; y )=1
x y

Los valores de [ ( x , y ) , p ( x , y ) ]para todo (x, y) R XY se le llama distribución de

probabilidad conjunta.
La distribución de probabilidad conjunta de (X, Y) es inducida por la probabilidad de
los sucesos del espacio muestral original.
Si la variable aleatoria bidimensional es finita, la distribución de probabilidad conjunta
se representa en una tabla con dos entradas como se puede mostrar:
Y x x1 x2 . . . x n−1 xn

y1 p( x ¿ ¿ 1 , y 1 )¿p(x ¿ ¿ 2 , y 1 )¿ . . . . p(x ¿ ¿ n , y 1) ¿

y2 p( x ¿ ¿ 1 , y 2 )¿p(x ¿ ¿ 2 , y 2 )¿ . . . . p(x ¿ ¿ n , y 2) ¿

. . . . . . . .

. . . . . . . .

ym p( x ¿ ¿ 1 , y m )p¿ (x ¿ ¿ 2 , y m )¿ . . . . p(x ¿ ¿ n , y m) ¿
Ejemplos:
1) Sea (X, Y) la variable aleatoria bidimensional, en el que se sane que la distribución
de probabilidad conjunta de X e Y este dado por la siguiente tabla:
Y x 0 1 2
0 1 1 1
16 16 18
1 1 1 1
8 8 4
2 1 1 1
8 16 16

a) ¿Cuál es la probabilidad que cada vendedor vende a lo más 1 televisor?

b) ¿Cuál es la probabilidad que B venda más televisores que A?
a.-
P [ X ≤ 1 , Y ≤ 1 ] =F ( 1,1 )
¿ P [ X=0 , Y =0 ] + P [ X =0 , Y =1 ] + P [ X=1 ,Y =0 ] + P [ X=1 , Y =1 ]
1 1 1 1 3
¿ + + + =
16 8 16 8 8
b.-
P [ X <Y ] =P [ X=0 ,Y =1,2 ] + P [ X =1, Y =2 ]
¿ P [ X=0 , Y =1 ] + P [ X=0 ,Y =2 ] + P [ X =1 ,Y =2 ]
1 1 1 5
¿ + + =
8 16 8 16
2) Una urna contiene 3 bolas numeradas 1,2,3 respectivamente. De la urna se extraen 2
bolas al azar una a una con reposición. Sea X el número de la primera bola que se
extrae, e Y el número de la segunda bola que se extrae se tiene que el par (X, Y) es una
variable aleatoria bidimensional con rango:
R XY =( x , y)/ x , y (1,2,3) }
R XY =( 1; 1 ) , ( 1; 2 ) , ( 1; 3 ) , ( 2 ; 1 ) , ( 2 ; 2 ) , ( 2 ; 3 ) , ( 3 ; 1 ) , (3 ; 2 ) ;(3 ;3) }
1
P ( 1,1 )=P [ X=1 , Y =1 ] =
9
1
P ( 1,2 )=P [ X=1 , Y =2 ] =
9
 1
P ( 1,3 )=P [ X=1 , Y =3 ] =
9
1
P ( x , y )=
9
x=1,2,3 ; y=1,2,3
DISTRIBUCIÓN BIDIMENSIONAL CONTINUA
Si (X, Y) es una variable bidimensional continua. Si el par (X, Y) toma cualquier valor
del conjunto no numerable que sea del plano euclidiano.
Función de Densidad Conjunta
La función de densidad de probabilidad conjunta, es una función integrable f (x, y) que
cumple las siguientes propiedades:
a) f ( x , y )> 0
∞ ∞

b) ∫ ∫ f ( x , y ) dxdy =1
−∞ −∞

Muy aparte se puede tomar en cuenta lo siguiente:

b d

1.- P ( a< x <b , c < y <d )=∫ ∫ f ( x , y ) dxdy

a c

2
d F (x , y )
2.- f ( x , y )= aquí el F (x, y) es la Función de distribución Conjunta
dxdy
Ejemplos
1) Sea (X, Y) una variable bidimensional, con función de densidad conjunta

{
1
f ( x )= 500 ,∧0 ≤ x ≤2.5 , 0 ≤ y ≤ 200
0 ,∧en otros casos
a) Calcular P [ 1.0 ≤ X ≤ 2.0,100≤ Y ≤200 ]
b) Hallar la función de densidad marginal de X e Y
a.-
P [ 1.0 ≤ X ≤ 2.0,100≤ Y ≤200 ]
200 2.0
1
¿∫ ∫ dxdy
100 1.0 500
1
¿
5
b.-
200
1 2
f ( x )= ∫ dy = , 0≤ x <2.5
0 500 5
 {
2
,∧0 ≤ x ≤ 2.5
f ( x )= 5
0 ,∧en otros casos

{
1
,∧0 ≤ y ≤ 200
f ( y ) = 200
0 ,∧en otro caso

FUNCIONES MARGINALES
La función de probabilidad que sea de forma individual para X e Y se llaman
distribuciones de probabilidad marginal o también funciones de probabilidad marginal.
Se tiene la Distribución Marginal para X, que está dado por:
P x ( x )=P [ X=x ] = ∑ P [ X =x ,Y = y ] = ∑ P( x , y)
yϵ R y yϵ R y

yϵ R y es el Rango de valores para Y, dado que X=x. Siendo este el rango donde puede
darse los valores diferentes de x.
La Distribución Marginal para Y, está dado por:
PY ( y ) =P [ Y = y ] = ∑ P( x , y)
xϵ Rx

El nombre que tiene llamado marginal se debe a que sus valores de estas distribuciones
están dadas por la suma total de los márgenes de las filas y columnas de la
representación al tabular p(x, y).
Ejemplos:
1) La función de probabilidad conjunta de la variable aleatoria (X, Y) está definido por:
x+ y
p ( x , y )= , x=1,2; y =1,2,3,4
32
Hallar la distribución de probabilidad marginal de X y de Y
a)
4
x+ y
P x ( x )=P [ X=x ] = ∑ P( x , y )=∑
yϵ R y y=1 32
x +1 x +2 x +3 x + 4
¿ + + +
32 32 32 32
2 x +5
P x ( x )=P [ X=x ] = , x=1,2
16
Es la probabilidad marginal para X.
b)
 2
x+ y
PY ( y ) =P [ Y = y ] = ∑ P ( x , y )=∑
xϵ RX x=1 32
1+ y 2+ y
¿ +
32 32
2 y +3
PY ( y ) =P [ Y = y ] = , y =1,2,3,4
32
COEFICIENTE DE CORRELACIÓN
Si se tiene a X e Y variables aleatorias con desviación estándar σ x y σ y respectivamente.
El coeficiente de correlación esta denotado como p(X,Y )
Cov (X , Y )
r=
σx σ y
Propiedades:
a) −1 ≤r ≤ 1
b) p ( X ,Y )= p(Y , X )
c) Si X e Y son independientes, entonces r = 0
d) Si r = 1 y -1 entonces entre X e Y existe una dependencia funcional lineal.
Si las variables aleatorias llegan a ser independientes entonces el coeficiente de
correlación es igual a 0, pero esto es diferente a que a correlación sea 0 ya que no
necesariamente sus variables en ese caso son independientes.
Ejemplos:
1) La función de probabilidad conjunta de (X, Y) está dado en la tabla:
Y x 0 1 P(Y=y)

0 1 1 2
8 8 8
1 2 1 3
8 8 8
2 2 1 3
8 8 8
P(X=x) 5 3 1
8 8

Calcular el Coeficiente de correlación

E ( X ) =0( 58 )+1( 38 )= 38
E ( Y )=0 ( ) +1 ( ) +2 ( )=
2 3 3 9
8 8 8 8
E ( XY )=0 ( 18 + 28 + 28 + 18 )+1( 18 )+2( 18 )= 38
3 9 3 −3
Cov ( X , Y )= − x =
8 8 8 64
−3
64 −1
r= =
√ 15 x 69 √ 65
64
MOMENTOS
Sea X una variable aleatoria se define su k-esimo momento con respecto al origen como
μk =E [ X ] siempre que se de en el caso discreta como:
k

∑ ¿ x ¿k f (x )dx< ∞
x

En el caso continuo es:

∞

∫ ¿ x ¿k f ( x )dx< ∞
−∞

Ejemplos:
1) si X es una variable aleatoria con una función de densidad de Cauchy entonces
probar que E(X) no existe.
1
f ( x )= 2
,−∞−¿ x <∞
π (1+ x )
∞
x 1 2 ∞
E ( X ) =∫ dx = ln(1+ x ) =∞−∞
−∞
2
π (1+ x ) 2π −∞
Es de forma indeterminada entonces E(X) no existe
FUNCIÓN GENERATRÍZ DE MOMENTOS
Se llama función generatriz de momentos (f.g.m), a la expresión:
tx
M x ( t ) =E(e )
cuando este valor esperado existe para −b< t<b ; donde b es un número real positivo.
Para el caso de las variables que son discretas se tiene:
M x ( t ) =E ( e tx )=∑ e tx f (x )
Y para variables continuas:
∞
M x ( t ) =E ( e )= ∫ e f ( x ) dx
tx tx

−∞

Ejemplos:
1) Si X es una variable Poisson con parámetro ℷ, hallar su función generatriz de
momentos
−ℷ x
tx e ℷ
M x ( t ) =E ( e )=∑ e
tx
x!
−ℷ e ´ ℷ
M x ( t ) =e e
−ℷ+e ´ℷ
M x ( t ) =e