1

MÓDULO III

VARIABLE ALEATORIA BIDIMENSIONAL DISCRETA

1. Presentación de la información mediante tablas Estadísticas Bidimensionales.

La tabla estadística que describe a las n observaciones, es una tabla de doble entrada llamada tabla de
distribución de probabilidades de variable bidimensional, donde figuran en las filas las modalidades o
valores de la característica X, y en las columnas las modalidades o valores de la característica Y (tabla de k
filas y de l columnas).

Tabla 1. Distribución Bidimensional de probabilidades.

Modalidades Totales horizontales

o valores de Y y1 y2 ... yj ... yq q
= p
j1
ij  p i
Modalidades
o valores de X
x1 p11 p12 ... p1j ... p1q p1.

x2 p21 p22 ... p2j ... p2q p2.

 ... ... ... ... ... ... ...

xi pi1 pi2 ... pij ... piq pi.

 ... ... ... ... ... ... ...

xp pp1 pp2 ... ppj ... ppq pp.

Totales verticales p q
p p.1 p.2 ... p.j ... p.q p   p ij  1
p
i 1
ij  n j i 1 j1

donde:

pij = el número de veces que aparece repetido el par (xi, yj) y se llama frecuencia absoluta del par (xi, yj) , 
i =1, 2, ..., p ; j =1, 2, ..., q.
q
p i   p ij = suma total de las frecuencias absolutas nij según el índice j, y se llama frecuencia marginal del
j1
valor xi.
p
p j   p ij = suma total de las frecuencias absolutas nij según el índice i, y se llama frecuencia marginal del
i 1
valor yj.
p q

 p
i 1 j1
ij  1 = suma de las probabilidades pij observadas es igual a l

2. Distribuciones Marginales.

Establecida la distribución conjunta de probabilidades de una variable bidimensional (X,Y) mediante la

correspondiente tabla de doble entrada o de correlación, pueden obtenerse a partir de ésta las distribuciones
de las variables unidimensionales X e Y que la componen. Estas distribuciones de las variables
unidimensionales se denominan distribuciones de probabilidad marginales. Cada distribución marginal será,
 2

por tanto, es una distribución de probabilidad unidimensional y; consecuentemente, se le podrá aplicar

cualquiera de los resultados estudiados.

2.1. Distribución Marginal de X.

La distribución marginal de X se obtiene de la tabla anterior , sin más que adjuntar a cada uno de los valores
o modalidades x1, x2,..., xp de X, sus probabilidades p i  que vienen dadas en la última columna (columna de
los totales horizontales) de dicha tabla.
Las probabilidades p i  definen lo que se llama distribución marginal de la variable X.
q
p i   p ij
j1
y también la suma de las frecuencias relativas marginales, como hemos visto es igual a la unidad:
p

p
i 1
i 1

Tabla 2. Distribución Marginal de X.

Probabilidades
Valores de X p i.
x1 p1.
x2 p2.
 ...
xi pi.
 ...
xp pp.
Total 1

2.2. Distribución Marginal de Y.

La distribución marginal de Y se obtiene de la tabla anterior , sin más que adjuntar a cada uno de los valores
o modalidades y1, y2,..., yq de Y, sus probabilidades p .j que vienen dadas en la última fila (fila de los totales
verticales ) de dicha tabla.
Las probabilidades p.j definen lo que se llama distribución marginal de la variable X.
q
p.j   p ij
i 1
y también la suma de las frecuencias relativas marginales, como hemos visto es igual a la unidad:
q

 p.j 1
j1

Tabla 3. Distribución Marginal de Y.

Probabilidades
Valores de Y p.j
y1 p.1
y2 p.2
 ...
yj p.j
 ...
yq p.q
Total 1
 3

3. Distribución Condicionales

3.1. Distribución Condicional de X dado Y.

Definición. La distribución de frecuencias relativas de la variable X condicionada a que la variable Y tome

el valor fijo y j (Y = y j ), j = 1, 2,..., q es igual a:
p
ij
P(X/Y  y )  , i = 1, 2,..., p
j p.
j
La tabla estadística de la distribución de X condicionada a que la variable Y tome el valor y j tiene la
siguiente forma:

Tabla 4

Probabilidades de X
Valores de X condicionada por Y = y j
p X / Yy
j
x1 p1j / p. j
x2 p 2j / p. j
... ...
xi p ij / p. j
... ...
xp p pj / p. j
Total 1

3.2. Distribución Condicional de Y dado X.

Definición. La distribución de frecuencias relativas de la variable Y condicionada a que la variable X tome

el valor fijo y j (X =x j ), i = 1, 2,..., p es igual a:
p
ij
P(Y/X  x )  , j = 1, 2,..., q
i pi.
La tabla estadística de la distribución de Y condicionada a que la variable X tome el valor x i tiene la
siguiente forma:
Tabla 5

Probabilidades de Y
Valores de Y condicionada por X = x i
p Y / X x
i
y1 p i1 / pi.
y2 p i2 / pi.
... ...
yj pij / pi.
... ...
yq piq / pi.
Total 1
 4

4. Esperanzas y varianzas de las distribuciones marginales.

De cada distribución marginal podemos construir tablas derivadas, añadiendo columnas que expresen las
probabilidades simples , las probabilidades acumuladas, los porcentajes, etc., de cada valor, así como
obtener, por ejemplo sus medidas de posición y de dispersión. En particular, la media y varianza de las
distribuciones marginales X e Y y que se escriben de la forma siguiente:

a. Esperanzas marginales:
p q
 x   x i pi .  y   y j p. j
1 1
b. Varianzas marginales:

 Y2    y j   y 2 p. j
q
 X2   xi   2 pi.
1

5. Covarianza.

Definición. Sean (x1, y1), (x2, y2) ,..., (xp, yq) valores distintos de la variable bidimensional (X,Y), con
probabilidades conjuntas p11, p12,..., ppq , respectivamente. La covarianza entre las variables X e Y es dado
por:
 X2 Y  Cov(X, Y)   xi   x y j   y pij
j

Observación 3. Sean (x1, y1), (x2, y2) ,..., (xp, yq) valores distintos de la variable bidimensional (X, Y), con
probabilidades p11, p12,..., ppq , respectivamente, entonces la formula abreviada de la covarianza es:

 X2 Y  Cov(X, Y)   xi y j pij   x  y
j

6. APLICACIONES.

6.1. Sea la v.a bi-dimensional (X,Y), con función de probabilidad p(x,y)

3 2 4 Sumas : p(x)
1 0,1 0,2 0.2 0.5
3 0.3 0.1 0.1 0.5
Suma : 0.4 0.3 0.3 1
p(y)
a) Hallar la distribuciones marginales de X y de Y
b) Hallar la esperanza y varianzas de las distribuciones marginales de X y de Y
c) Hallar la cov(x,y) , esto es la covarianza de X y de Y
d) Hallar el coeficiente de correlación de X y de Y
e) ¿ X e Y son variables aleatorias independientes ?
Solución :
a) La distribución de X e Y :
a.1. Distribución marginal de X ( margen derecha):
X 1 3
p (x) 0.5 0.5

a.2. Distribución marginal de y ( margen inferior) :

Y  3 2 4
g(y) 0.4 0.3 0.3
b) Para calcular la covarianza.
Primero debemos calcular E(x) ; E(y) ; E(x y) y obtendremos : Cov( x,y) = E(x,y) – E(x).E(y). En
efecto :
E ( x)   x   x. p( x)  (1)(0.5)  (3)(0.5)  2
E ( y )   y   y.g ( y )  ( 3)(0.4)  (2)(0.3)  (4)(0.3)  0.6
 5

E ( xy )   xy.h( x, y ) (1)( 3)(0.1)  (1)(2)(0.2)  (3)( 3)(0.3)  (3)(2)(0.1)  (3)(4)(0.1)  0

Por tanto:
Cov( x, y )  E( xy )  E( x).E ( y )  0  (2)(0.6)  1.2
cov( x, y )
c) Hallar el coeficiente de correlación entre X e Y :  xy 
 x y
 
Debemos calcular varianzas y desviaciones estándares :  x2  E x 2   x2 ;
  E y   
2
y
2 2
y

E ( x 2 )   x 2 . p( x)  (1) 2 (0.5)  (3) 2 (0.5)  5

E ( y 2 )   y 2 .h( y )  (3) 2 (0.4)  (2) 2 (0.3)  (4) 2 (0.3)  9.6 . Por tanto :
 x2  E x 2    x2  5  (2) 2  1 , x 1

 y2  E y 2    y2  9.6  (0.6) 2  9.24  y  3.0

cov( x, y )  1.2
 xy    0.4
 x y (1)(3)
d) Las variables X e Y son independientes. Puesto que P( x = 1; y = - 3) ≠ P ( x=1 ) .P(y= -3). Es
decir el elemento :
h(1,-3) = 0.1 no es igual a f(1).g(-3) = (0.5)(0..4) = 0.2, `producto de elementos marginales

6.2. Si X e Y son v.a. independientes, con las distribuciones siguientes :

a) Distribución marginal de la v.a. X
X 1 3
P(x) 0.6 0.4
b). Distribución marginal de Y :
Y 5 10 15
g(y) 0.2 0.5 0.3
Entonces , la distribución bidimensional de la v.a. (X,Y), es l siguiente :
5 10 15 P(x)
1 0,12 0,3 0.18 0.6
2 0.08 0.2 0.12 0.4
g(y) 0.2 0.5 0.3 1

a) Hallar la cov(x,y) , esto es la covarianza de X y de Y

b) Hallar el coeficiente de correlación de X y de Y
c) ¿ X e Y son variables aleatorias independientes ?

4.2.Sea el experimento aleatorio: Se lanzan dos dados normales. Sea el espacio muestral :
  { (1,1); (1,2); (1,3);………….(6,6) }
a) Sea X. v.a. que hace corresponder cada punto ( a,b) de  el máximo de sus números, o sea ,
X(a,b) = Máx (a,b)]. Luego X : 1 , 2 , 3 , 4 , 5 , 6.
Calculando la función de p(x) :
p(1) = P(x =1) = …... = 1/36 ; p(2) = P(x =2) = …..= 3/36 ;
p(3) = P(x =3) = … = 5/36 ; p(4) = P(x =4) = … = 7/36 ;
p(5) = P(x =5) = …… = 9/36 ; p(6) = P(x =6 ) = …. = 11/36

Ordenando la tabla :
X 1 2 3 4 5 6
p(x) 1/36 3/36 5/36 7/36 9/36 11/36

Hallar :  x   x. p( x)  ...........  4.47

 6

Calculando la varianza y desviación estándar :

 
 x2  E x 2   x2 ;
E x 2    x 2 p( x )  12 x1 / 36  22 x3 / 36  ........  62 x11 / 36  791 / 36  21.97
Entonces la varianza es  x2  21.97  (4.47) 2  1.99 y la   1.4

b) Sea la v.a. Y : que hace corresponder a cada punto (a,b) de  , la suma de sus números, o sea :
Y(a,b) = a+b. Entonces:
Yes v.a. que asume valores : 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, con función de probabilidad g(y):
y 2 3 4 5 6 7 8 10 11 12
g(y) 1/36 2/36 3/36 4/36 5/36 6/36 7/36 9/36 11/36 12/36

Donde : g(4) = P ( 1,3) ; (2,2) ; (3,1) ] = 3/36

 y   y.g ( y)  ...........  7
Calculando la varianza y desviación estándar :  y2  E y 2   y2 ;  
E y 2    y 2 g ( y )  22 x1 / 36  32 x2 / 36  ........  122 x1 / 36  54.8
Entonces la varianza es  y2  54.8  7 2  5.8 y la   2.4
6.3.Se lanza dos dados ( ejemplo anterior). Sea   { (1,1); (1,2); (1,3);………….(6,6) }
Sea X : v.a. que asocia el máximo número; Y: v.a. que asocia la suma de sus números. La
distribución conjunta de las variables (X,Y) es la siguiente :

2 3 4 5 6 7 8 9 10 11 12 P(x)
1 1/36 1/36
2 2/36 1/36 3/36
3 2/36 2/36 1/36 5/36
4 2/36 2/36 2/36 1/36 7/36
5 2/36 2/36 2/36 2/36 1/36 9/36
6 2/36 2/36 2/36 2/36 2/36 1/36 11/36
g(y) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 1

p(3,5) = P (3,2) ; (2,3) ] = 2/36; donde la primera componente es el máximo número del par y la
segunda componente es la suma de sus números del par ordenado :
Hallar la Covarianza y correlación:
a) Cov( x, y )  E ( xy )  E ( x).E ( y )
E ( xy )   xy. p( x, y )  1x2x1/36 + 2x3x2/36 +2x4x1/36 +…+ 6x12x1/36 = 1232/36 = 34.2
E ( x)   x   x. p( x)  ...........  4.47 ; E ( y )   y   y.g ( y )  ...........  7 ;
Del ejercicio anterior, se tiene :  x  1.4  y  2.4
Por consiguiente :
Cov( x, y )  E ( xy )  E ( x).E ( y )   xy2 = 34.2 –(4.7)(7) = 2.9 ;
cov( x, y ) 2.9
 xy    0.86
 x y (1.4)(2.4)
6.3. Sea la distribución conjunta de X e Yen las siguientes tablas :

─4 2 7 Suma
1 1/8 1/4 1/8 1/2
5 1/4 1/8 1/8 1/2
Suma 3/8 3/8 2/8 1
 7

─2 ─1 4 5 Suma
1 0,1 0,2 0 0,3 0,6
2 0,2 0,1 0,1 0 0,4
Suma 0,3 0,3 0,1 0,3 1

Hallar : E(x) ; E(y) ; Cov(x,y) ;  x . y ; x.y

Piura mayo 2020

Dr. SPCV