MAT 1437 Estadística aplicada Rubén Medinaceli O.

VARIABLES ALEATORIAS n-DIMENSIONALES

1. Variable aleatoria

El concepto de variable aleatoria es fundamental en la teoría de probabilidades.

1.1. Definición

Una variable aleatoria X es una función con dominio un espacio de muestreo (S) y
codominio el conjunto de los números reales (R).

En otras palabras, una variable aleatoria describe determinados eventos de un espacio de

muestreo con valores del conjunto de los números reales.

Preferentemente, las variables aleatorias se denotan por las últimas letras mayúsculas del
abecedario.

1.2. Definición

Una variable aleatoria bidimensional (X,Y) es una función con dominio un espacio de
muestreo (S) y codominio un espacio euclidiano bidimensional (R2) (Plano X,Y en este
caso).

En otras palabras, la variable aleatoria bidimensional (X,Y) asigna a ciertos eventos de un

espacio de muestreo, puntos del plano (X,Y).

1.3. Definición

Una variable aleatoria n-dimensional (X1, X2, X3, …, Xn) es una función con dominio un
espacio de muestreo (S) y codominio un espacio euclidiano n-dimensional (Rn).

2. Función de distribución acumulada conjunta

2.1. Definición

Si X es una variable aleatoria unidimensional, la función de distribución acumulada de

X, denotada por FX(x), se define como:

𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥)

Algunas propiedades de FX(x) son:

• 𝐿𝑖𝑚𝑥→−∞ 𝐹𝑋 (𝑥) = 0
• 𝐿𝑖𝑚𝑥→∞ 𝐹𝑋 (𝑥) = 1
• 𝐹𝑋 (𝑥) 𝑒𝑠 𝑢𝑛𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑚𝑜𝑛ó𝑡𝑜𝑛𝑎 𝑛𝑜 𝑑𝑒𝑐𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒; 𝑣𝑎𝑙𝑒 𝑑𝑒𝑐𝑖𝑟,
𝐹𝑋 (𝑎) < 𝐹𝑋 (𝑏); ∀ 𝑎 < 𝑏

1
MAT 1437 Estadística aplicada Rubén Medinaceli O.

2.2. Definición

Si (X, Y) es una variable aleatoria bidimensional, la función de distribución acumulada

conjunta de (X, Y), denotada por FX,Y(x,y), se define como:

𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑥; 𝑌 ≤ 𝑦)

Algunas propiedades de FX,Y(x,y) son:

• 𝐹𝑋,𝑌 (−∞, 𝑦) = 𝐿𝑖𝑚𝑥→−∞ 𝐹𝑋,𝑌 (𝑥, 𝑦) = 0; ∀ 𝑦

• 𝐹𝑋,𝑌 (𝑥, −∞) = 𝐿𝑖𝑚𝑦→−∞ 𝐹𝑋,𝑌 (𝑥, 𝑦) = 0; ∀𝑥

• 𝐹𝑋,𝑌 (∞, ∞) = 𝐿𝑖𝑚𝑥→∞;𝑦→∞ 𝐹𝑋,𝑌 (𝑥, 𝑦) = 1

• Si x1 < x2 y y1 < y2
FX,Y(x,y)

x1 x2
X

y1

y2

𝑃[𝑥1 ≤ 𝑋 ≤ 𝑥2 ; 𝑦1 ≤ 𝑌 ≤ 𝑦2 ] = 𝐹𝑋,𝑌 (𝑥2 , 𝑦2 ) − 𝐹𝑋,𝑌 (𝑥2 , 𝑦1 ) − 𝐹𝑋,𝑌 (𝑥1 , 𝑦2 ) + 𝐹𝑋,𝑌 (𝑥1 , 𝑦1 ) ≥ 0

2.3. Definición

Si (X1, X2, X3, …, Xn) es una variable aleatoria n-dimensional, la función de distribución
acumulada conjunta de (X1, X2, X3, …, Xn), denotada por 𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … 𝑥𝑛 ) se define
como:

𝐹𝑋1,𝑋2,…𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[𝑋1 ≤ 𝑥1 ; 𝑋2 ≤ 𝑥2 ; … ; 𝑋𝑛 ≤ 𝑥𝑛 ]

Las propiedades de esta función son similares a las anotadas en la definición anterior,
aunque ampliadas a un espacio euclidiano n-dimensional.

2
MAT 1437 Estadística aplicada Rubén Medinaceli O.

3. Variables aleatorias conjuntamente discretas

3.1. Definición

Una variable aleatoria unidimensional X es discreta si su rango es contable.

Rango contable significa que existe un conjunto finito o infinito de valores {𝑥1 , 𝑥2 ,
… , 𝑥𝑛 , 𝑥𝑛+1 … }; y la variable aleatoria puede tomar valores solamente de ese conjunto.

3.2. Definición

Una variable aleatoria bidimensional (X,Y) es discreta si su rango es contable; vale decir,
existe un conjunto finito o infinito de puntos {(𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … , (𝑥𝑛 , 𝑦𝑛 ), (𝑥𝑛+1 , 𝑦𝑛+1 ), … } y
la variable aleatoria bi-dimensional toma valores solamente de este conjunto. También se
dice que X y Y son variables aleatorias conjuntamente discretas.

3.3. Definición

Una variable aleatoria n-dimensional (X1, X2, …, Xn) es discreta si su rango es contable;
vale decir, existe un conjunto finito o infinito de puntos en el espacio euclidiano n-
dimensional{(𝑥11 , 𝑥21 , … 𝑥𝑛1 ), (𝑥12 , 𝑥22 , … 𝑥𝑛2 ), … , (𝑥1𝑛 , 𝑥2𝑛 , … 𝑥𝑛𝑛 ), (𝑥1𝑛+1 , 𝑥2𝑛+1 , … , 𝑥𝑛𝑛+1 ), … } y la
variable aleatoria n-dimensional toma valores solamente de este conjunto. También se
dice que X1, X2, … Xn son variables aleatorias conjuntamente discretas.

4. Función de distribución de probabilidad conjunta

4.1. Definición

Si X es una variable aleatoria discreta, la función de distribución de probabilidad de X,

denotada por fX(x), se define como:

𝑓𝑋 (𝑥) = 𝑃(𝑋 = 𝑥); ∀ 𝑥 ∈ 𝑎𝑙 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑋

= 0; 𝑑𝑒 𝑜𝑡𝑟𝑎 𝑚𝑎𝑛𝑒𝑟𝑎

Algunas propiedades de 𝑓𝑋 (𝑥) son:

i) 𝑓𝑋 (𝑥) ≥ 0

ii) ∑∀𝑥𝑖 𝑓𝑋 (𝑥𝑖 ) = 1

iii) 𝑃[𝑎 ≤ 𝑋 ≤ 𝑏] = ∑𝑏𝑎 𝑓𝑋 (𝑥)

4.2. Definición

Si (X,Y) es una variable aleatoria bi-dimensional discreta, la función de distribución de

probabilidad conjunta de (X,Y), denotada por fX,Y(x,y), se define como:

3
MAT 1437 Estadística aplicada Rubén Medinaceli O.

𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑃[𝑋 = 𝑥; 𝑌 = 𝑦]; ∀(𝑥, 𝑦) 𝑞𝑢𝑒 ∈ 𝑎𝑙 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 (𝑋, 𝑌)

= 0; 𝑑𝑒 𝑜𝑡𝑟𝑎 𝑚𝑎𝑛𝑒𝑟𝑎

Algunas propiedades de fX,Y(x,y) son:

i) 𝑓𝑋,𝑌 (𝑥, 𝑦) ≥ 0

ii) ∑∀(𝑥𝑖,𝑦𝑖) 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 1

iii) 𝑃[𝑎 ≤ 𝑋 ≤ 𝑏; 𝑐 ≤ 𝑌 ≤ 𝑑] = ∑𝑏𝑥=𝑎 ∑𝑑𝑦=𝑐 𝑓𝑋,𝑌 (𝑥, 𝑦)

4.3. Definición

Si (X1, X2, … , Xn) es una variable aleatoria n-dimensional discreta, la función de

distribución de probabilidad conjunta de (X 1, X2, … , Xn), denotada por
𝒇𝑿𝟏 ,𝑿𝟐,…,𝑿𝒏 (𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 ), se define como:

𝑓𝑋1,𝑋2 ,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … , 𝑋𝑛 = 𝑥𝑛 ]

Para todo (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) que pertenece al rango de (𝑋1 , 𝑋2 , … , 𝑋𝑛 ); y; es igual a cero (0) en
cualquier otro caso.

Las propiedades de 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) son las mismas que las señaladas en la
definición anterior; obviamente, ampliadas a un espacio euclidiano n-dimensional.

4.4. Teorema

En general, 𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) puede obtenerse a partir de 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) y

viceversa.

Por ejemplo,

Si X es una variable aleatoria unidimensional discreta,

𝐹𝑋 (𝑥) = ∑ 𝑓𝑋 (𝑥𝑖 )
∀𝑥𝑖 ≤𝑥

Si (X,Y) es una variable aleatoria bi-dimensional discreta,

𝐹𝑋,𝑌 (𝑥, 𝑦) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 )

∀𝑥𝑖 ≤𝑥 ∀𝑦𝑖 ≤𝑦

4
MAT 1437 Estadística aplicada Rubén Medinaceli O.

Si (X1, X2, … , Xn) es una variable aleatoria n-dimensional discreta,

𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∑ ∑ … ∑ 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1𝑖 , 𝑥2𝑖 , … , 𝑥𝑛𝑖 )

∀𝑥1𝑖 ≤𝑥1 ∀𝑥2𝑖 ≤𝑥2 ∀𝑥𝑛𝑖 ≤𝑥𝑛

5. Función de distribución de probabilidad marginal

5.1. Definición

Si (X,Y) es una variable aleatoria bidimensional discreta con función de distribución de

probabilidad conjunta fX,Y(x,y); fX(x) y fY(y) reciben el nombre de funciones de
distribución de probabilidad marginales que pueden ser obtenidas de la siguiente
forma:

𝑓𝑋 (𝑥𝑖 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

∀𝑗

𝑓𝑌 (𝑦𝑗 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

∀𝑖

5.2. Definición

En general, si (X1, X2, … , Xk) es un subconjunto de la variable aleatoria n-dimensional

discreta (X1, X2, … , Xk, … , Xn); 𝑓𝑋1,𝑋2,…,𝑋𝑘 (𝑥1 , 𝑥2 , … , 𝑥𝑘 ) es una función de distribución
de probabilidad conjunta marginal.

Por ejemplo, si (X, Y, Z) es una variable aleatoria tri-dimensional discreta, fY,Z(y,z) es una
función de distribución de probabilidad conjunta marginal, igual a:

𝑓𝑌,𝑍 (𝑦𝑗 , 𝑧𝑘 ) = ∑ 𝑓𝑋,𝑌,𝑍 (𝑥𝑖 , 𝑦𝑗 , 𝑧𝑘 )

∀𝑖

fX(x) también es una función de distribución de probabilidad marginal, igual a:

𝑓𝑋 (𝑥𝑖 ) = ∑ ∑ 𝑓𝑋,𝑌,𝑍 (𝑥𝑖 , 𝑦𝑗 , 𝑧𝑘 )

∀𝑗 ∀𝑘

Por supuesto que hay muchas más.

6. Ejercicio 1

Problema:

Como experimento aleatorio, se lanza un par de tetraedros (un tetraedro es un cuerpo

geométrico de 4 caras, cada una de las cuales es un triángulo equilátero) cuyas caras, en
cada caso, están enumeradas del 1 al 4.

5
MAT 1437 Estadística aplicada Rubén Medinaceli O.

Si,

X = El número de la cara sobre la que se apoya el primer tetraedro.

Y = El máximo de (a, b); donde a es el número de la cara sobre la que se apoya el primer
tetraedro y b es el número de la cara sobre la que se apoya el segundo tetraedro.

i) Obtener fX,Y(x,y)
ii) Graficar fX,Y(x,y)
iii) Obtener FX,Y(x,y)
iv) Calcular P(1 ≤ X ≤ 2; 2 ≤ Y ≤ 3)
v) Obtener las marginales fX(x) y fY(y)

Solución:

El espacio de muestreo (S) del experimento aleatorio puede representarse de la siguiente

manera:
Tetraedro 2 S (espacio de muestreo)

4 ● ● ● ●

(X=4, Y=4)

3 ● ● ● ●

2 ● ● ● ●
3 2
(X=1,Y=2)

1 ● ● ● ●

1 2 3 4 Tetraedro 1

(X=1,Y=1) (X=3, Y=3)

(X=2, Y=2)
Rango de X = {1, 2, 3, 4}

Rango de Y = {1, 2, 3, 4}

Rango de (X,Y) = {(1,1); (1,2); (1,3); (1,4); (2,2); (2,3); (2,4); (3,3); (3,4); (4,4)}

6
MAT 1437 Estadística aplicada Rubén Medinaceli O.

i)
fX,Y(x,y)

X 1 2 3 4
Y

1 1/16 0 0 0

2 1/16 2/16 0 0

3 1/16 1/16 3/16 0

4 1/16 1/16 1/16 4/16

𝑓𝑋,𝑌 (1,1) = 𝑃[𝑋 = 1; 𝑌 = 1] = 1⁄16

𝑓𝑋,𝑌 (1,2) = 𝑃[𝑋 = 1; 𝑌 = 2] = 1⁄16
𝑓𝑋,𝑌 (1,3) = 𝑃[𝑋 = 1; 𝑌 = 3] = 1⁄16
𝑓𝑋,𝑌 (1,4) = 𝑃[𝑋 = 1; 𝑌 = 4] = 1⁄16

𝑓𝑋,𝑌 (2,1) = 0 ((2,1) no pertenece al rango de (X,Y); si el tetraedro 1 se apoya sobre la cara
con el número 2, el máximo de (a ,b) no puede ser 1)
𝑓𝑋,𝑌 (2,2) = 𝑃[𝑋 = 2; 𝑌 = 2)] = 2⁄16
𝑓𝑋,𝑌 (2,3) = 𝑃[𝑋 = 2; 𝑌 = 3)] = 1⁄16
𝑓𝑋,𝑌 (2,2) = 𝑃[𝑋 = 2; 𝑌 = 4)] = 1⁄16

𝑓𝑋,𝑌 (3,1) = 0 ((3,1) no pertenece al rango de (X,Y))

𝑓𝑋,𝑌 (3,2) = 0 ((3,2) no pertenece al rango de (X,Y))
𝑓𝑋,𝑌 (3,3) = 𝑃[𝑋 = 3; 𝑌 = 3] = 3⁄16
𝑓𝑋,𝑌 (3,4) = 𝑃[𝑋 = 3; 𝑌 = 4] = 1⁄16

𝑓𝑋,𝑌 (4,1) = 0 ((4,1) no pertenece al rango de (X,Y))

𝑓𝑋,𝑌 (4,2) = 0 ((4,2) no pertenece al rango de (X,Y))
𝑓𝑋,𝑌 (4,3) = 0 ((4,3) no pertenece al rango de (X,Y))
𝑓𝑋,𝑌 (4,4) = 𝑃[𝑋 = 4; 𝑌 = 4] = 4⁄16

Nótese que todos los valores de fX(x) son positivos y suman 1; tal como señalan algunas
de sus propiedades.

7
MAT 1437 Estadística aplicada Rubén Medinaceli O.

ii) fX(x)

4/16

1 2 3 4
Y

iii)

Se ha dicho que,

𝐹𝑋,𝑌 (𝑥, 𝑦) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 )

∀𝑥𝑖 ≤𝑥 ∀𝑦𝑖 ≤𝑦
De esta manera,

𝐹𝑋,𝑌 (1,1) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋,𝑌 (1,1) = 1/16

∀𝑥𝑖 ≤1 ∀𝑦𝑖 ≤1

𝐹𝑋,𝑌 (1,2) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋,𝑌 (1,1) + 𝑓𝑋,𝑌 (1,2) = 1⁄16 + 1⁄16 = 2⁄16
∀𝑥𝑖 ≤1 ∀𝑦𝑖 ≤2

𝐹𝑋,𝑌 (2,2) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋,𝑌 (1,1) + 𝑓𝑋,𝑌 (1,2) + 𝑓𝑋,𝑌 (2,1) + 𝑓𝑋,𝑌 (2,2) = 4⁄16
∀𝑥𝑖 ≤2 ∀𝑦𝑖 ≤2

Y, así sucesivamente. Todos los resultados se muestran en la siguiente tabla,

8
MAT 1437 Estadística aplicada Rubén Medinaceli O.

FX,Y(x,y)

X 1 2 3 4
Y

1 1/16 1/16 1/16 1/16

2 2/16 4/16 4/16 4/16

3 3/16 6/16 9/16 9/16

4 4/16 8/16 12/16 1

iv)
2 3

𝑃(1 ≤ 𝑋 ≤ 2; 2 ≤ 𝑌 ≤ 3) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋,𝑌 (1,2) + 𝑓𝑋,𝑌 (1,3) + 𝑓𝑋,𝑌 (2,2) + 𝑓𝑋,𝑌 (2,3)
𝑥𝑖 =1 𝑦𝑖 =2

1 1 2 1 5
𝑃(1 ≤ 𝑋 ≤ 2; 2 ≤ 𝑌 ≤ 3) = + + + =
16 16 16 16 16

v)

Se ha dicho que,

𝑓𝑋 (𝑥𝑖 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

∀𝑗
Por ejemplo,

1 1 1 1 4
𝑓𝑋 (1) = ∑ 𝑓𝑋,𝑌 (1, 𝑦𝑗 ) = 𝑓𝑋,𝑌 (1,1) + 𝑓𝑋,𝑌 (1,2) + 𝑓𝑋,𝑌 (1,3) + 𝑓𝑋,𝑌 (1,4) = + + + =
16 16 16 16 16
∀𝑗
También se ha dicho que,

𝑓𝑌 (𝑦𝑗 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

∀𝑖

Por ejemplo,

1 1
𝑓𝑌 (1) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 1) = 𝑓𝑋,𝑌 (1,1) + 𝑓𝑋,𝑌 (2,1) + 𝑓𝑋,𝑌 (3,1) + 𝑓𝑋,𝑌 (4,1) = +0+0+0 =
16 16
∀𝑖

De esta forma se calculan los valores restantes, los resultados se muestran en la

siguiente tabla:

X 1 2 3 4 fY(y)

9
MAT 1437 Estadística aplicada Rubén Medinaceli O.

1 1/16 0 0 0 1/16

2 1/16 2/16 0 0 3/16

3 1/16 1/16 3/16 0 5/16

4 1/16 1/16 1/16 4/16 7/16

fX(x) 4/16 4/16 4/16 4/16

Nótese que las funciones de distribución de probabilidad marginal aparecen en los

márgenes de la tabla (las sumas son directas).

7. Variables aleatorias conjuntamente continuas

7.1. Definición

Si,
𝑥

𝐹𝑋 (𝑥) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥
−∞
X es una variable aleatoria continua. En otras palabras, X es una variable aleatoria
continua si toma una serie continua de valores en algún intervalo de la recta real (R).

La función 𝑓𝑋 (𝑥) dentro de la integral recibe el nombre de función de densidad de

probabilidad de X.

Algunas de las propiedades de 𝑓𝑋 (𝑥) son:

i) 𝑓𝑋 (𝑥) ≥ 0
∞
ii) ∫−∞ 𝑓𝑋 (𝑥)𝑑𝑥 = 1

𝑏
iii) 𝑃[𝑎 ≤ 𝑋 ≤ 𝑏] = ∫𝑎 𝑓𝑋 (𝑥)𝑑𝑥

En otras palabras,

10
MAT 1437 Estadística aplicada Rubén Medinaceli O.

fX(x)

P(a ≤ X ≤ b)

a b X

La propiedad i) indica que fX(x) es siempre una función positiva. La propiedad ii) indica
que el área debajo de la función es siempre igual a la unidad. La probabilidad que X tome
valores entre a y b es igual al área con sombra en la figura superior.

7.2. Definición

Si,
𝑥 𝑦

𝐹𝑋,𝑌 (𝑥, 𝑦) = ∫ ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦

−∞ −∞

La variable aleatoria bi-dimensional (X,Y) es una variable aleatoria bi-dimensional

continua; también se dice que X y Y son variables aleatorias conjuntamente
continuas.

La función 𝑓𝑋,𝑌 (𝑥, 𝑦) dentro de la integral recibe el nombre de función de densidad de

probabilidad conjunta de X y Y.

Algunas de las propiedades de fX,Y(x,y) son:

i) 𝑓𝑋,𝑌 (𝑥, 𝑦) ≥ 0
∞ ∞
ii) ∫−∞ ∫−∞ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 = 1

𝑏 𝑑
iii) 𝑃[𝑎 ≤ 𝑋 ≤ 𝑏; 𝑐 ≤ 𝑌 ≤ 𝑑] = ∫𝑎 ∫𝑐 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦

11
MAT 1437 Estadística aplicada Rubén Medinaceli O.

fX,Y(x,y)

P[a ≤ X ≤ b; c ≤ Y ≤ d]

c d

Y
a

La propiedad i) indica que fX,Y(x,y) es siempre una función positiva. La propiedad ii) indica
que el volumen debajo de la función es siempre igual a la unidad. La probabilidad que X
tome valores entre a y b y Y tome valores entre c y d es igual al volumen señalado en la
figura superior.

7.3. Definición

En general, si,
𝑥1 𝑥2 𝑥𝑛

𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∫ ∫ … ∫ 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛

−∞ −∞ −∞

La variable aleatoria n-dimensional (X1, X2, … ,Xn) es continua; o también se dice que X1,
X2, …, Xn son variables aleatorias conjuntamente continuas.

La función 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) dentro de la integral es la función de densidad de

probabilidad conjunta de la variable aleatoria n-dimensional (X1, X2, … , Xn). Las
propiedades de esta función son similares a las señaladas en la definición anterior;
obviamente ampliadas a un espacio euclidiano n-dimensional.

8. Función de densidad de probabilidad marginal

8.1. Definición

Si (X,Y) es una variable aleatoria bidimensional continua con función de densidad de

probabilidad conjunta fX,Y(x,y); luego, fX(x) y fY(y) reciben el nombre de funciones de
densidad de probabilidad marginales que pueden ser obtenidas de la siguiente forma:

12
MAT 1437 Estadística aplicada Rubén Medinaceli O.

𝑓𝑋 (𝑥) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑦

−∞

𝑓𝑌 (𝑦) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥

−∞

8.2. Definición

En general, si (X1, X2, … , Xk) es un subconjunto de la variable aleatoria n-dimensional

discreta (X1, X2, … , Xk, … , Xn); 𝑓𝑋1,𝑋2,…,𝑋𝑘 (𝑥1 , 𝑥2 , … , 𝑥𝑘 ) es una función de distribución
de probabilidad conjunta marginal.

Por ejemplo, si (X, Y, Z) es una variable aleatoria tri-dimensional continua, fY,Z(y,z) es una
función de distribución de probabilidad conjunta marginal, igual a:
∞

𝑓𝑌,𝑍 (𝑦, 𝑧) = ∫ 𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧)𝑑𝑥

−∞

También fX(x) es una función de distribución de probabilidad marginal, igual a:

∞ ∞

𝑓𝑋 (𝑥) = ∫ ∫ 𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧)𝑑𝑦𝑑𝑧

−∞ −∞

Por supuesto que hay otras.

9. Ejercicio 2

Problema:

Sea (X, Y) una variable aleatoria bi-dimensional tal que,

𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑘(6 − 𝑥 − 𝑦); 0 ≤ 𝑥 ≤ 2; 2 ≤ 𝑦 ≤ 4

i) Obtener el valor de k
ii) Obtener fX(x)
iii) Calcular P[X ≤ 1;Y≤ 3]
iv) Calcular P[X + Y ≤ 3]

Solución:

i)

Para que fX,Y(x,y) sea una función de densidad de probabilidad conjunta, debe cumplirse
que:

13
MAT 1437 Estadística aplicada Rubén Medinaceli O.

2 4

∫ ∫ 𝑘(6 − 𝑥 − 𝑦)𝑑𝑥𝑑𝑦 = 1
0 2

2 4 2 4 2 4

𝑘 [∫ ∫ 6𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑥𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑦𝑑𝑥𝑑𝑦] = 1

0 2 0 2 0 2

8𝑘 = 1

1
𝑘=
8

ii)

En general,
∞

𝑓𝑋 (𝑥) = ∫ 𝑓𝑋,𝑌 ( 𝑥, 𝑦)𝑑𝑦

−∞

En este caso,

4 4 4
4
1 1 1 1
𝑓𝑋 (𝑥) = ∫ (6 − 𝑥 − 𝑦)𝑑𝑦 = [6 ∫ 𝑑𝑦 − 𝑥 ∫ 𝑑𝑦 − ∫ 𝑦𝑑𝑦] = (6 − 2𝑥) = (3 − 𝑥)
8 8 2 8 4
2 2 2

1
𝑓𝑋 (𝑥) = (3 − 𝑥)
4

iii)

1 3 1 3 1 3 1 3
1 1 3
𝑃[𝑋 ≤ 1; 𝑌 ≤ 3] = ∫ ∫ (6 − 𝑥 − 𝑦)𝑑𝑥𝑑𝑦 = [6 ∫ ∫ 𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑥𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑦𝑑𝑥𝑑𝑦] =
8 8 8
0 2 0 2 0 2 0 2

14
MAT 1437 Estadística aplicada Rubén Medinaceli O.

iv)

x+y≤3 2

0 1 2 3 4 X
x + y = 3 ; y= 3 - x

1 3−𝑥 1 3−𝑥 1 3−𝑥 1 3−𝑥

1 1
𝑃[𝑋 + 𝑌 ≤ 3] = ∫ ∫ (6 − 𝑥 − 𝑦)𝑑𝑥𝑑𝑦 = [6 ∫ ∫ 𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑥𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑦𝑑𝑥𝑑𝑦]
8 8
0 2 0 2 0 2 0 2

1 1 1
1
𝑃[𝑋 + 𝑌 ≤ 3] = [6 ∫ 𝑦|3−𝑥 3−𝑥 2 3−𝑥
2 𝑑𝑥 − ∫ 𝑥 𝑦|2 𝑑𝑥 − ∫ 𝑦 ⁄2|2 𝑑𝑥]
8
0 0 0

1 1 1
1 (3 − 𝑥)2 − 4
𝑃[𝑋 + 𝑌 ≤ 3] = [6 ∫(3 − 𝑥 − 2)𝑑𝑥 − ∫(3 − 𝑥 − 2)𝑥𝑑𝑥 − ∫ 𝑑𝑥 ]
8 2
0 0 0

19
𝑃[𝑋 + 𝑌 ≤ 3] =
48

10. Función de distribución de probabilidad condicional

10.1. Definición

Si (X, Y) es una variable aleatoria bi-dimensional discreta cuya función de distribución de

probabilidad conjunta es fX,Y(x,y),

15
MAT 1437 Estadística aplicada Rubén Medinaceli O.

• La función de distribución de probabilidad condicional de X dado que Y = y,

denotada por fX/Y(x/y) se define como,

𝑓𝑋,𝑌 (𝑥, 𝑦)
𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦) =
𝑓𝑌 (𝑦)

La probabilidad que la variable aleatoria discreta X tome valores entre a y b,

cuando se sabe que la variable aleatoria discreta Y tomó el valor y, es igual a,

𝑃(𝑎 ≤ 𝑋 ≤ 𝑏⁄𝑌 = 𝑦) = ∑ 𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦)

∀ 𝑥=𝑎

• La función de distribución de probabilidad condicional de Y dado que X = x,

denotada por fY/X(x/y), se define como,

𝑓𝑋,𝑌 (𝑥, 𝑦)
𝑓𝑌⁄𝑋 (𝑦⁄𝑥 ) =
𝑓𝑋 (𝑥)

La probabilidad que la variable aleatoria discreta Y tome valores entre c y d,

cuando se sabe que la variable aleatoria discreta X tomó el valor x, es igual a,

𝑃(𝑐 ≤ 𝑌 ≤ 𝑑 ⁄𝑋 = 𝑥) = ∑ 𝑓𝑌⁄𝑋 (𝑦⁄𝑥 )

∀ 𝑦=𝑐

Igualmente, si (X,Y,X) es una variable aleatoria tri-dimensional discreta cuya función de

distribución de probabilidad conjunta es fX,Y,Z(x,y,z),

• La función de distribución de probabilidad condicional de X dado que Y = y y

Z = z, denotada por fX/Y,Z(x/y,z), se define como,

𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧)
𝑓𝑋⁄𝑌,𝑍 (𝑥 ⁄𝑦, 𝑧) =
𝑓𝑌,𝑍 (𝑦, 𝑧)

La probabilidad que la variable aleatoria discreta X tome valores entre a y b,

cuando se sabe que la variable aleatoria discreta Y tomó el valor y y la variable
aleatoria discreta Z tomó el valor z, es igual a,

𝑃(𝑎 ≤ 𝑋 ≤ 𝑏⁄𝑌 = 𝑦; 𝑍 = 𝑧) = ∑ 𝑓𝑋⁄𝑌,𝑍 (𝑥 ⁄𝑦, 𝑧)

∀ 𝑥=𝑎

• La función de distribución de probabilidad condicional de X y Y dado que

Z = z denotada por fX,Y / Z(x,y/z), se define como,

𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧)
𝑓𝑋,𝑌⁄𝑍 (𝑥, 𝑦⁄𝑧) =
𝑓𝑍 (𝑧)

16
MAT 1437 Estadística aplicada Rubén Medinaceli O.

La probabilidad que la variable aleatoria discreta X tome valores entre a y b, y la

variable aleatoria discreta Y tome valores entre c y d, cuando se sabe que la
variable aleatoria discreta Z tomó el valor z, es igual a,

𝑏 𝑑

𝑃[𝑎 ≤ 𝑋 ≤ 𝑏; 𝑐 ≤ 𝑌 ≤ 𝑑 ⁄𝑍 = 𝑧] = ∑ ∑ 𝑓𝑋,𝑌⁄𝑍 (𝑥, 𝑦⁄𝑧)

∀𝑥=𝑎 ∀𝑦=𝑐

11. Ejercicio 3

Problema:

Se seleccionan al azar dos bolas de billar de una bolsa que contiene 3 bolas de billar
azules, 2 bolas de billar rojas y 3 bolas de billar verdes.

Si,

X = El número de bolas de billar azules en la selección efectuada

Y = El número de bolas de billar rojas en la selección efectuada

Calcular la probabilidad que una de las bolas seleccionadas sea verde dado que la otra
bola de billar seleccionada es roja.

Solución:

Rango de X = {0, 1, 2}
Rango de Y = {0, 1, 2}

Rango de (X, Y) = {(0,0); (0,1); (0,2); (1,0); (1,1); (2,0)}

Por ejemplo,

(0,0); (X=0, Y=0) significa que las dos bolas de billar seleccionadas son verdes
(0,1); (X=0, Y=1) significa que una de las bolas seleccionadas es verde y la otra roja
(0,2); (X=0, Y=2) significa que las dos bolas seleccionadas son rojas
(1,1); (X=1, Y=1) significa que una de las bolas seleccionadas es azul y la otra es roja
Etc.

Si,

𝑛!
𝐶𝑟𝑛 = 𝐶𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑛 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑡𝑜𝑚𝑎𝑑𝑜𝑠 𝑑𝑒 𝑟 𝑒𝑛 𝑟 =
(𝑛 − 𝑟)! 𝑟!

𝐶23 3
𝑓𝑋,𝑌 (0,0) = 𝑃[𝑋 = 0; 𝑌 = 0] = 8 = 28
𝐶2

𝐶13 𝐶12 6
𝑓𝑋,𝑌 (0,1) = 𝑃[𝑋 = 0; 𝑌 = 1] = 8 = 28
𝐶2

17
MAT 1437 Estadística aplicada Rubén Medinaceli O.

𝐶22 1
𝑓𝑋,𝑌 (0,2) = 𝑃[𝑋 = 0; 𝑌 = 2] = 8 = 28
𝐶2

𝐶13 𝐶12 6
𝑓𝑋,𝑌 (1,1) = 𝑃[𝑋 = 1; 𝑌 = 1] = 8 = 28
𝐶2

De esta manera se han calculando los restantes valores de fX,Y(x,y); la siguiente tabla
resume los mismos,

fX,Y(x,y)

X 0 1 2 fY(y)
Y
0 3/28 9/28 3/28 15/28

1 6/28 6/28 0 12/28

2 1/28 0 0 1/28

fX(x) 10/28 15/28 3/28

La probabilidad solicitada puede expresarse de la siguiente manera:

𝑃[𝑋 = 0⁄𝑌 = 1)] = 𝑓𝑋⁄𝑌 (0⁄1)

La tabla superior nos muestra las funciones de distribución de probabilidad marginales. En

este caso nos interesa fY(y),

Y 0 1 2
fY(y) 15/28 12/28 1/28

Recuerde que en general,

𝑓𝑋,𝑌 (𝑥, 𝑦)
𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦) =
𝑓𝑌 (𝑦)

En este caso, la función de distribución de probabilidad condicional de X, dado Y = 1, es la

siguiente,

𝑓𝑋,𝑌 (0,1) 6/28 1

𝑓𝑋⁄𝑌 (0⁄1) = = =
𝑓𝑌 (1) 12/28 2

𝑓𝑋,𝑌 (1,1) 6/28 1

𝑓𝑋⁄𝑌 (1⁄1) = = =
𝑓𝑌 (1) 12/28 2

18
MAT 1437 Estadística aplicada Rubén Medinaceli O.

𝑓𝑋,𝑌 (2,1) 0
𝑓𝑋⁄𝑌 (2⁄1) = = =0
𝑓𝑌 (1) 12/28

Vale decir,

X 0 1 2
fX/Y(x/1) 1/2 1/2 0

Por tanto,

1
𝑃[𝑋 = 0⁄𝑌 = 1)] = 𝑓𝑋⁄𝑌 (0⁄1) =
2

12. Función de densidad de probabilidad condicional

12.1. Definición

Si (X, Y) es una variable aleatoria bi-dimensional continua cuya función de densidad de

probabilidad conjunta es fX,Y(x,y),

• La función de densidad de probabilidad condicional de X dado que Y = y,

denotada por fX/Y(x/y), se define como,

𝑓𝑋,𝑌 (𝑥, 𝑦)
𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦) =
𝑓𝑌 (𝑦)

La probabilidad que la variable aleatoria continua X tome valores entre a y b,

cuando se sabe que la variable aleatoria continua Y tomó el valor y, es igual a,

𝑃(𝑎 ≤ 𝑋 ≤ 𝑏⁄𝑌 = 𝑦) = ∫ 𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦)𝑑𝑥

𝑎

• La función de densidad de probabilidad condicional de Y dado que X = x,

denotada por fY/X(x/y), se define como,

𝑓𝑋,𝑌 (𝑥, 𝑦)
𝑓𝑌⁄𝑋 (𝑦⁄𝑥 ) =
𝑓𝑋 (𝑥)

La probabilidad que la variable aleatoria continua Y tome valores entre c y d,

cuando se sabe que la variable aleatoria continua X tomó el valor x, es igual a,

19
MAT 1437 Estadística aplicada Rubén Medinaceli O.

𝑃(𝑐 ≤ 𝑌 ≤ 𝑑 ⁄𝑋 = 𝑥) = ∫ 𝑓𝑌⁄𝑋 (𝑦⁄𝑥)𝑑𝑦

𝑐

Igualmente, si (X,Y,X) es una variable aleatoria tri-dimensional continua cuya función de

densidad de probabilidad conjunta es fX,Y,Z(x,y,z),

• La función de densidad de probabilidad condicional de X dado que Y = y y Z

= z, denotada por fX/Y,Z(x/y,z), se define como,

𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧)
𝑓𝑋⁄𝑌,𝑍 (𝑥 ⁄𝑦, 𝑧) =
𝑓𝑌,𝑍 (𝑦, 𝑧)

La probabilidad que la variable aleatoria continua X tome valores entre a y b,

cuando se sabe que la variable aleatoria continua Y tomó el valor y y la variable
aleatoria continua Z tomó el valor z, es igual a,

𝑃(𝑎 ≤ 𝑋 ≤ 𝑏⁄𝑌 = 𝑦; 𝑍 = 𝑧) = ∫ 𝑓𝑋⁄𝑌,𝑍 (𝑥 ⁄𝑦, 𝑧)𝑑𝑥

𝑎

• La función de densidad de probabilidad condicional de X y Y dado que

Z = z denotada por fX,Y / Z(x,y/z), se define como,

𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧)
𝑓𝑋,𝑌⁄𝑍 (𝑥, 𝑦⁄𝑧) =
𝑓𝑍 (𝑧)

La probabilidad que la variable aleatoria continua X tome valores entre a y b, y la

variable aleatoria continua Y tome valores entre c y d, cuando se sabe que la
variable aleatoria continua Z tomó el valor z, es igual a,

𝑏 𝑑

𝑃[𝑎 ≤ 𝑋 ≤ 𝑏; 𝑐 ≤ 𝑌 ≤ 𝑑 ⁄𝑍 = 𝑧] = ∫ ∫ 𝑓𝑋,𝑌⁄𝑍 (𝑥, 𝑦⁄𝑧)𝑑𝑥𝑑𝑦

𝑎 𝑐

13. Ejercicio 4

Problema:

Si (X, Y) es una variable aleatoria bi-dimensional continua tal que,

𝑓𝑋,𝑌 (𝑥, 𝑦) = 8𝑥𝑦; 0 ≤ 𝑥 ≤ 1; 0 ≤ 𝑦 ≤ 𝑥

Calcular la probabilidad que la variable aleatoria Y tome valores menores o iguales a 1/8,
dado que la variable aleatoria X ha tomado un valor igual a 1/2.

20
MAT 1437 Estadística aplicada Rubén Medinaceli O.

Solución:

La probabilidad solicitada puede expresarse de la siguiente manera,

1/8
1 1
𝑃 [𝑌 ≤ ⁄𝑋 = ] = ∫ 𝑓𝑌⁄𝑋 (𝑦⁄𝑥 = 1⁄2)𝑑𝑦
8 2
0

Se sabe que,

𝑓𝑋,𝑌 (𝑥, 𝑦)
𝑓𝑌⁄𝑋 (𝑦⁄𝑥) =
𝑓𝑋 (𝑥)

Se sabe que en general,

∞
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑦
−∞

En el presente caso,

Y y=x

Región de existencia de (X, Y)

1 2 X
𝑥 𝑥
𝑦2 𝑥
𝑓𝑋 (𝑥) = ∫ 8𝑥𝑦 𝑑𝑦 = 8𝑥 ∫ 𝑦𝑑𝑦 = 8𝑥 | = 4𝑥 3
2 0
0 0

Reemplazando valores,

8𝑥𝑦 2𝑦
𝑓𝑌⁄𝑋 (𝑦⁄𝑥) = =
4𝑥 3 𝑥 2

Luego,

2𝑦
𝑓𝑌⁄𝑋 (𝑦⁄𝑥 = 1⁄2) = = 8𝑦
(1⁄2)2

21
MAT 1437 Estadística aplicada Rubén Medinaceli O.

Por tanto,

1/8 1/8
1 1
𝑃 [𝑌 ≤ ⁄𝑋 = ] = ∫ 𝑓𝑌⁄𝑋 (𝑦⁄𝑥 = 1⁄2)𝑑𝑦 = ∫ 8𝑦𝑑𝑦
8 2
0 0

1 1 1
𝑃 [𝑌 ≤ ⁄𝑋 = ] =
8 2 16
)

14. Independencia

14.1. Definición

Si (X1, X2, … , Xn) es una variable aleatoria n-dimensional discreta, las variables aleatorias
discretas X1, X2, … Xn son estadísticamente independientes si y solo si,

𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑓𝑋1 (𝑥1 )𝑓𝑋2 (𝑥2 ) … 𝑓𝑋𝑛 (𝑥𝑛 )

En otras palabras, las variables aleatorias discretas X1, X2, … Xn son estadísticamente
independientes cuando la función de distribución de probabilidad conjunta de la variable
aleatoria n-dimensional (X1, X2, … , Xn) es igual al producto de las funciones de
distribución de probabilidad marginales de las variables X1, X2, … Xn

14.2. Definición

De igual manera, si (X1, X2, … , Xn) es una variable aleatoria n-dimensional continua, las
variables aleatorias continuas X1, X2, … Xn son estadísticamente independientes si y
solo si,

𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑓𝑋1 (𝑥1 )𝑓𝑋2 (𝑥2 ) … 𝑓𝑋𝑛 (𝑥𝑛 )

En otras palabras, las variables aleatorias continuas X1, X2, … Xn son estadísticamente
independientes cuando la función de densidad de probabilidad conjunta de la variable
aleatoria n-dimensional (X1, X2, … , Xn) es igual al producto de las funciones de densidad
de probabilidad marginales de las variables X1, X2, … Xn

14.3. Ejercicio 5

Problema:

Se seleccionan al azar dos bolas de billar de una bolsa que contiene 3 bolas de billar
azules, 2 bolas de billar rojas y 3 bolas de billar verdes.

Si,

X = El número de bolas de billar azules en la selección efectuada

Y = El número de bolas de billar rojas en la selección efectuada

22
MAT 1437 Estadística aplicada Rubén Medinaceli O.

Averiguar si las variables aleatorias discretas X y Y son estadísticamente independientes.

Solución:

Para ver si las variables aleatorias discretas X y Y son estadísticamente independientes,

se debe verificar que:

𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑓𝑋 (𝑥)𝑓𝑌 (𝑦)

La siguiente tabla muestra la función de distribución de probabilidad conjunta de X y Y,

fX,Y(x,y) y las funciones de distribución de probabilidad marginales fX(x) y fY(y),

fX,Y(x,y)

X 0 1 2 fY(y)
Y
0 3/28 9/28 3/28 15/28

1 6/28 6/28 0 12/28

2 1/28 0 0 1/28

fX(x) 10/28 15/28 3/28

Para verificar si las variables aleatorias X y Y, se debe ir verificando progresivamente si,

𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋 (𝑥𝑖 )𝑓𝑌 (𝑦𝑖 )

Por ejemplo,

10 15 75 3
𝑓𝑋,𝑌 (0,0) = 𝑓𝑋 (0)𝑓𝑌 (0) = ( ) ( ) = ≠
28 28 392 28

Obviamente, X y Y no son variables aleatorias estadísticamente independientes. Basta

que en un solo caso no se cumpla el requisito exigido.

14.4. Ejercicio 6

Problema:

Si (X, Y) es una variable aleatoria bi-dimensional continua tal que,

𝑓𝑋,𝑌 (𝑥, 𝑦) = 8𝑥𝑦; 0 ≤ 𝑥 ≤ 1; 0 ≤ 𝑦 ≤ 𝑥

Averiguar si las variables aleatorias continuas X y Y son estadísticamente independientes

23
MAT 1437 Estadística aplicada Rubén Medinaceli O.

Solución:

Tal como se vio en el Ejercicio 4,

𝑥 𝑥
𝑦2 𝑥
𝑓𝑋 (𝑥) = ∫ 8𝑥𝑦 𝑑𝑦 = 8𝑥 ∫ 𝑦𝑑𝑦 = 8𝑥 | = 4𝑥 3
2 0
0 0

De igual manera,
1 1

𝑓𝑌 (𝑦) = ∫ 8𝑥𝑦 𝑑𝑥 = 8𝑦 ∫ 𝑥𝑑𝑥 = 4𝑦(1 − 𝑦 2 )

𝑦 𝑦

Si X y Y son independientes, debe cumplirse que,

𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑓𝑋 (𝑥)𝑓𝑌 (𝑦)

En el caso del ejercicio,

𝑓𝑋,𝑌 (𝑥, 𝑦) = 4𝑥 3 4𝑦(1 − 𝑦 2) ≠ 8𝑥𝑦

Por tanto, las variables aleatorias continuas X y Y no son estadísticamente

independientes.

Práctica

1. Una bolsa contiene cuatro bolas de billar, dos de las cuales están marcadas con el
número 1 y las otras dos con el número 2. Se seleccionan dos bolas al azar.
Si,
X = El menor de los números de las bolas de billar seleccionadas
Y = El mayor de los números de las bolas de billar seleccionadas

a. Obtener fX,Y(x,y)
b. Obtener fX(x) y fY(y)
c. Averiguar si las variables aleatorias X y Y son estadísticamente independientes
d. Calcular P(X ≤ 1/Y = 2)

2. La función de densidad de probabilidad conjunta de la variable aleatoria bi-

dimensional continua (X, Y) viene dada por,

𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑐𝑥𝑦; 0 ≤ 𝑥 ≤ 4; 1 ≤ 𝑦 ≤ 5

a. Encontrar el valor de c
b. Calcular P(1 ≤ X ≤ 2; 2 ≤ Y ≤ 3)
c. Calcular P(X + Y ≤ 3)
d. Obtener FX,Y(x,y)
e. Calcular P(X ≤ 2; Y ≤ 3) utilizando FX,Y(x,y)
24
MAT 1437 Estadística aplicada Rubén Medinaceli O.

3. Sea (X, Y, Z) una variable aleatoria tri-dimensional continua, tal que,

𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧) = 𝑘𝑥𝑦 2 𝑧; 0 ≤ 𝑥 ≤ 1; 0 ≤ 𝑦 ≤ 1; 0 ≤ 𝑧 ≤ 2

a. Obtener el valor de k
b. Calcular P(X ≤ 0,5; Y ≤ 0,25 / Z = 1)
c. Calcular P(Z ≤ 1 / X = 0,5; Y = 0,25)
d. Averiguar si las variables X, Y, Z son estadísticamente independientes.

25