UNIVERSIDAD DEL PACÍFICO

DEPARTAMENTO DE ECONOMÍA

Estadística II

Unidad 2
Distribuciones Bivariadas

José A. Caycho ([email protected])

CICLO 2024-2
 DISTRIBUCIONES MULTIVARIADAS

Las funciones de probabilidad generadas por el

comportamiento aleatorio conjunto de dos o más variables
son llamadas distribuciones multivariadas y se utilizan
en el estudio de las relaciones existentes entre varias
variables.
 Distribuciones multivariadas
Distribuciones bidimensionales

Variable aleatoria bidimensional ( X, Y ).

Dado un experimento aleatorio  y su espacio muestral
asociado , las funciones X, Y que asignan a cada
elemento wi de , los valores X(wi), Y(wi),
respectivamente, forman la variable aleatoria
bidimensional (X, Y).
 Distribuciones multivariadas
Distribuciones bidimensionales

Rango de una variable aleatoria bidimensional ( X, Y )

Dado en experimento aleatorio  y su espacio muestral
asociado , el rango de la variable aleatoria bidimensional
es el conjunto de valores posibles de la variable aleatoria
(X,Y), y es denotada por:
R(X,Y)
Si R(X,Y) es un conjunto finito o infinito numerable, la variable
aleatoria bidimensional es “discreta”; pero, si es un conjunto
no numerable, la variable aleatoria es “continua”.
 Función de probabilidad conjunta de dos variables
discretas

La función de probabilidad conjunta “f ” de dos variables aleatorias

discretas es aquella cuyo valor se determina mediante:

f ( x, y) PX  x, Y  y 
 Pw i   / X( w i )  x, Y( w i )  y 
i

y cumple con las siguientes condiciones:

a) f ( x, y) 0  ( x, y )  R ( X , Y )

b)  f ( x, y) 1
x y
 Función de probabilidad conjunta de dos variables
discretas Ejemplo

Se tiene 8 acciones de las cuales dos son de clase A, tres son

de clase B, y tres son de clase C. Si se eligen al azar y sin
reemplazo 4 acciones, determine la función de probabilidad
conjunta de las variables:

X = Número de acciones elegidas que son de la clase A.

Y = Número de acciones elegidas que son de la clase B.
 Función de probabilidad conjunta de dos variables
discretas Ejemplo

Solución:
X = Número de acciones elegidas que son de la clase A.
Y = Número de acciones elegidas que son de la clase B.

2A |  4 MSR  8
3B | n()   70
3C |  4

 (AABB),(AABC),(AACB),(AACC),, (BCCC)
X  2 2 2 2 0
Y  2 1 1 0 1
Otros  0 1 1 2 3
Rx={0,1,2}, Ry={0,1,2,3} 0x+y 4
 Función de probabilidad conjunta de dos variables
discretas Ejemplo

 2  3  3 
 0  1  3  3
f (0,1) P[ X 0, Y 1]       
70 70
 2  3  3 
 0  2  2  9
f (0,2) P[ X 0, Y 2]        
70 70
 2  3  3 
 0  3  1  3
f (0,3) P[ X 0, Y 3]        
70 70
 2  3  3 
 1  0  3  2
f (1,0) P[ X 1, Y 0]        
70 70
Función de probabilidad conjunta de dos variables
discretas Ejemplo

Tabla de distribución conjunta de probabilidades

Y 0 1 2 3
X
0 0 3/70 9/70 3/70
1 2/70 18/70 18/70 2/70
2 3/70 9/70 3/70 0
 Función de probabilidad conjunta de dos variables
continuas

La función “f ” es una densidad conjunta de probabilidad de dos

variables aleatorias continuas si cumple con las siguientes
condiciones:

a) f ( x, y) 0  ( x, y )  R ( X , Y )
 
b)
  f ( x, y) dy dx 1
 

PA  P (x, y)  A   f (x, y )dydx

c)

A
xb yb
P xa  X  xb , ya  Y  yb     f ( x, y )dydx
xa ya
 Función de probabilidad conjunta de dos variables
continuas. Ejemplo

El precio de dos artículos X, Y ( en decenas de nuevos soles),

son variables aleatorias cuyo comportamiento conjunto esta
definido por la siguiente función :

f ( x, y ) k (6  x  y ) , si 0  x  2, 0 y2
0 , de otro modo

Hallar el valor de “k” pare que f(x,y) sea una función de

densidad conjunta
 Función de probabilidad conjunta de dos variables
continuas. Ejemplo

f ( x, y ) k (6  x  y ) , si 0  x  2, 0 y2
0 , de otro modo
Hallar el valor de “k” pare que f(x,y) sea una función de
densidad conjunta

Es claro que para 0<x<2 y 0<y<2, se tiene que f(x,y)>0,

siempre que k>0. Solamente falta comprobar la condición:

 

  f ( x, y) dy dx 1
 
 Función de probabilidad conjunta de dos variables
continuas. Ejemplo

f ( x, y ) k (6  x  y ) , si 0  x  2, 0 y2
0 , de otro modo

El rango de la variable (X,Y) es:

R(X,Y)={ (x,y) / 0<x<2; 0<y<2}

 Función de probabilidad conjunta de dos variables
continuas. Ejemplo

 
  2 2 2 2
y2
 f ( x, y)dxdy  k (6  x  y )dydx k (6  x) y  2 0
dx
  0 0 0
2 2
k [(6  x)2  2]dx k (10  2 x)dx
0 0
2 2
k (10 x  x ) 0
k (20  4)  16k 1

Luego, k=1/16 y

f ( x, y ) (6  x  y ) / 16, si 0  x  2, 0 y2

0, de otro modo
 Funciones de probabilidad marginales de dos variables
discretas

Si f (x, y) es la función de probabilidad conjunta de las variables

aleatorias X, Y; luego, la función de probabilidad marginal de la
variable aleatoria X es:

f X ( x) PX x    f ( x, y )
y RY

y la función de probabilidad marginal de la variable aleatoria Y es:

f Y ( y ) PY  y    f ( x, y )
x RX
 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

Sean X, Y dos variables aleatorias que tienen como tabla de

distribución conjunta de probabilidades:
Y 0 1 2 3
X
0 0 3/70 9/70 3/70
1 2/70 18/70 18/70 2/70
2 3/70 9/70 3/70 0

Halle las funciones de probabilidad marginales de X e Y.

 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

El rango de la variable X es: Rx={0,1,2},

y el rango de la variable Y es : Ry={0,1,2,3}
Debemos hallar :

f X ( x) PX  x    f ( x, y ), para x : 0,1,2

y RY

y
f Y ( y ) PY  y    f ( x, y ), para y : 0,1,2,3
x RX
 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

Y 0 1 2 3
X
0 0 3/70 9/70 3/70 f X ( 0)
1 2/70 18/70 18/70 2/70
2 3/70 9/70 3/70 0

f X ( 0)   f (0, y )  f (0,0)  f (0,1)  f (0,2)  f (0,3)

y RY

0  3 / 70  9 / 70  3 / 70 15 / 70
 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

Y 0 1 2 3
X
0 0 3/70 9/70 3/70
1 2/70 18/70 18/70 2/70 f X (1)
2 3/70 9/70 3/70 0

f X (1)   f (1, y )  f (1,0)  f (1,1)  f (1,2)  f (1,3)

y RY

2 / 70  18 / 70  18 / 70  2 / 70 40 / 70
 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

Gráfico 01
Y 0 1 2 3
X
0 0 3/70 9/70 3/70
1 2/70 18/70 18/70 2/70
2 3/70 9/70 3/70 0 f X ( 2)

f X ( 2)   f (2, y )  f (2,0)  f (2,1)  f (2,2)  f (2,3)

y RY

3 / 70  9 / 70  3 / 70  0 15 / 70
 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70

f X ( x) 15 / 70, si x 0,2

40 / 70, si x 1
0 , para otros valores de x
 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

Y 0 1 2 3
X
0 0 3/70 9/70 3/70
1 2/70 18/70 18/70 2/70
2 3/70 9/70 3/70 0

f Y (0)   f ( x,0)  f (0,0)  f (1,0)  f ( 2,0)

x RX

0  2 / 70  3 / 70 5 / 70
 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

Y 0 1 2 3
X
0 0 3/70 9/70 3/70
1 2/70 18/70 18/70 2/70
2 3/70 9/70 3/70 0

f Y (1)   f ( x,1)  f (0,1)  f (1,1)  f ( 2,1)

x RX

3 / 70  18 / 70  9 / 70 30 / 70
 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

Y Gráfico 01
0 1 2 3
X
0 0 3/70 9/70 3/70
1 2/70 18/70 18/70 2/70
2 3/70 9/70 3/70 0

f Y ( 2)   f ( x,2)  f (0,2)  f (1,2)  f ( 2,2)

x RX

9 / 70  18 / 70  3 / 70 30 / 70
 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

Y 0 1 2 3
X
0 0 3/70 9/70 3/70
1 2/70 18/70 18/70 2/70
2 3/70 9/70 3/70 0

f Y (3)   f ( x,3)  f (0,3)  f (1,3)  f ( 2,3)

x RX

3 / 70  2 / 70  0 5 / 70
 Funciones de probabilidad marginales de dos variables
discretas Ejemplo

Y 0 1 2 3
X
0 0 3/70 9/70 3/70
1 2/70 18/70 18/70 2/70
2 3/70 9/70 3/70 0
fY(y) 5/70 30/70 30/70 5/70

f Y ( y ) 5 / 70, si x 0,3
30 / 70, si x 1,2
0 , para otros valores de x
 Funciones de probabilidad marginales de dos variables
continuas

Si f (x, y) es la función de densidad conjunta de las variables

aleatorias X, Y; luego, la función de densidad marginal de la
variable aleatoria X es:

f X ( x)  f ( x, y )dy


y la función de densidad marginal de la variable aleatoria Y es:


f Y ( y )  f ( x, y )dx

 Funciones de probabilidad marginales de dos variables
continuas. Ejemplo.

Si X, Y dos variables aleatorias que tienen como función de

densidad conjunta:

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Halle las funciones de probabilidad marginales de X e Y.

 Funciones de probabilidad marginales de dos variables
continuas. Ejemplo.

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

El rango de la variable (X,Y) es:


R( X ,Y )  ( x, y ) / 0  x  y, 0  y  2, ( x, y )   2 
Siendo su representación gráfica es:

Gráfico 04
 Funciones de probabilidad marginales de dos variables
continuas. Ejemplo.

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Para hallar la densidad marginal de X se debe obtener:


f X ( x)  f ( x, y )dy

 Funciones de probabilidad marginales de dos variables
continuas. Ejemplo.
 x 2 
f X ( x)  f ( x, y )dy  f ( x, y )dy  f ( x, y )dy  f ( x, y )dy
  x 2
2
0  f ( x, y )dy  0
x
2
6 x y 1 y2 2
 dy  (6 y  xy  )
8 8 2 x
x

1 1 2 x2
 (12  2 x  2)  (6 x  x  )
8 8 2
1 3x 2 3 x 2  16 x  20
 (10  8 x  )
8 2 16
Funciones de probabilidad marginales de dos variables
continuas. Ejemplo.

3 x 2  16 x  20
f X ( x)  , si 0x2
16
0 , de otro modo
 Funciones de probabilidad marginales de dos variables
continuas. Ejemplo.

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Para hallar la densidad marginal de Y se debe obtener:


f Y ( y )  f ( x, y )dx

 Funciones de probabilidad marginales de dos variables
continuas. Ejemplo.
 0 y 
f Y ( y )  f ( x, y )dx  f ( x, y )dx  f ( x, y )dx  f ( x, y )dx
  0 y
y
0  f ( x, y )dx  0
0
y
6 x y 1 x2 y
 dx  (6 x   xy )
8 8 2 0
0

1 y2
 (6 y   y2 )
8 2
2
1 12 y  3 y
 (12 y  3 y 2 ) 
16 16
Funciones de probabilidad marginales de dos variables
continuas. Ejemplo.

12 y  3 y 2
f Y ( y)  , si 0 y2
16
0 , de otro modo
 Funciones de distribución condicionales de dos
variables discretas

Si f (x, y) es la función de probabilidad conjunta de las variables

aleatorias X, Y; fX (x) y fY (x) son las funciones de probabilidad
marginales de las variables aleatorias X e Y, respectivamente;
entonces, la función de probabilidad condicional de X, dado que
Y= y , es:

 
f ( x / y ) P X x / Y  y 
f ( x, y )
fY ( y)
, para f Y ( y )  0

y la función de probabilidad condicional de Y, dado que X= x , es:


f ( y / x ) P Y  y / X x f ( x, y )
f X ( x)
, para f X ( x)  0
 Funciones de distribución condicionales de dos
variables discretas. Ejemplo

Sean X, Y dos variables aleatorias que tienen como tabla de

distribución conjunta de probabilidades:
Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

Halle la función de probabilidad condicional de Y, dado

que X=1.
 Funciones de distribución condicionales de dos
variables discretas. Ejemplo

El rango de la variable Y es : Ry={0,1,2,3}

Debemos hallar :

 
f ( y / x 1 ) P Y  y / X 1 
f (1, y )
f (1)
X
, para y 0,1,2,3
 Funciones de distribución condicionales de dos
variables discretas. Ejemplo

Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70
2/70 18/70 18/70 2/70 40/70 fx(1)=P[X=1]
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

 
f (0 / x 1 ) P Y 0 / X 1 
f (1,0) 2 70
f X (1)
 40 
70
2
40
 Funciones de distribución condicionales de dos
variables discretas. Ejemplo

Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70
18/70 18/70 2/70 40/70 fx(1)=P[X=1]
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

 
f (1 / x 1 ) P Y 1 / X 1 
f (1,1) 18 70 18
f X (1)
 40 
70 40
 Funciones de distribución condicionales de dos
variables discretas. Ejemplo

Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70
18/70 2/70 40/70 fx(1)=P[X=1]
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

 
f ( 2 / x 1 ) P Y 2 / X 1 
f (2,1) 18 70 18
f X (1)
 40 
70 40
 Funciones de distribución condicionales de dos
variables discretas. Ejemplo

Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70
2/70 40/70 fx(1)=P[X=1]
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

 
f (3 / x 1 ) P Y 3 / X 1 
f (1,3) 2 70
f X (1)
 40 
70
2
40
 Funciones de distribución condicionales de dos
variables discretas. Ejemplo

Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70 fx(1)=P[X=1]
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

h( y / x 1 )  2 , si y 0,3
40
18 , si y 1,2
40
0 , de otro modo
 Funciones de distribución condicionales de dos
variables continuas

Si f (x, y) es la función de densidad conjunta de las variables

aleatorias X, Y; fX (x) y fY (x) son las funciones de densidad
marginales de las variables aleatorias X e Y, respectivamente;
entonces, la función de densidad condicional de X, dado que Y= y,
es:
f ( x, y )
f (x / y )  , para f Y ( y )  0
fY ( y)

y la función de densidad condicional de Y, dado que X= x, es :

f ( x, y )
f (y / x )  , para f X ( x)  0
f X ( x)
 Funciones de distribución condicionales de dos
variables continuas. Ejemplo.

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Para hallar la densidad condicional de Y, dado que X=x.

f ( x, y ) (6  x  y ) / 8 2(6  x  y )
h( y / x )   2  2
f X ( x) (3 x  16 x  20) / 16 3 x  16 x  20

2( 6  x  y )
h( y / x )  2 , si x  y  2, 0  x  2
3 x  16 x  20
0 , de otro modo
 Independencia estocástica de “n” variables
aleatorias

Las variables aleatorias: X1 , X2 , . . . , Xn son mutuamente y

probabilísticamente independientes si y solo si la función de
probabilidad conjunta de las “n” variables es igual al
producto de las funciones de probabilidad marginal de
dichas variables. es decir si:

f ( x1 , x2 ,, xn )  f1 ( x1 ) f 2 ( x2 )  f n ( xn )
n
 f i ( xi )
i =1
 Independencia estocástica de variables aleatorias.
Ejemplo.

Sean X, Y dos variables aleatorias que tienen como tabla de

distribución conjunta de probabilidades:
Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

Determine si X e Y son dos variables aleatorias

independientes.
 Independencia estocástica de variables aleatorias.
Ejemplo.

Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

Para que X e Y sean dos variables aleatorias independientes

se debe cumplir que:

f ( x, y )  f X ( x ) f Y ( y )
 Independencia estocástica de variables aleatorias.
Ejemplo.

Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

Puesto que: fx(1)=40/70, fY(2)=30/70, y f(1,2)=18/70,

Se deduce, 18 40 30
f (1, 2)    f X (1) f Y (2 )
70 70 70
 Independencia estocástica de variables aleatorias.
Ejemplo.

Si X, Y dos variables aleatorias que tienen como función de

densidad conjunta:

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Determine si X e Y son variables aleatorias independientes.

 Independencia estocástica de variables aleatorias.
Ejemplo.

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Las funciones de densidad marginales de X, y de Y son:

3 x 2  16 x  20
f X ( x)  , si 0x2
16
0 , de otro modo

12 y  3 y 2
f Y ( y)  , si 0 y2
16
0 , de otro modo
 Independencia estocástica de variables aleatorias.
Ejemplo.

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Para este caso se tiene que:

2
3 x 2  16 x  20 12 y  3 y
f X ( x)  f Y ( y )  
16 16

6 x y
f X ( x )  f Y ( y )  f ( x, y ) 
8
 Esperanza matemática

Sean X1 , X2 , . . . , Xk variables aleatorias que tienen como

función de probabilidad conjunta f (x1 , x2 , . . . , xk ); luego, el
valor esperado o esperanza matemática de la variable
aleatoria Xi es:
Si las k variables son discretas:
EX i     xi f ( x1 , x2 ,, xk )  xi fi ( xi )
x1 x2 xk xi

Si las k variables son continuas:

  
EX i     xi f ( x1, x2 ,, xk ) dx1 dx2  dxk
  

 xi f ( xi ) dxi

 Esperanza matemática de una función de variables
aleatorias

Si h(x1, x2, . . ., xn ) es una función de las variables aleatorias

X1, X2, . . ., Xn las cuales tienen como función de probabilidad
conjunta f(x1, x2, . . ., xn); luego, el valor esperado o
esperanza matemática de la función “h” es:
Si las k variables son discretas:
E h ( x1 , x2 ,, xn )      h ( x1 , x2 ,, xn ) f ( x1 , x2 ,, xn )
x1 x2 xn

Si las k variables son continuas:

  
Eh ( x1 , x2 ,, xn )    h ( x1 , x2 ,, xn ) f ( x1 , x2 ,, xn ) dx1dx2  dxn
 
 Esperanza matemática
Propiedades de los valores esperados

Si X1,X2,...,Xn son variables aleatorias con función de

probabilidad conjunta f (x1,x2,...,xn); luego, se cumple:
1) Si C es una constante: E[ C ]= C
2) Si C es una constante y h (x1 , x2 , . . . , xn ) es una función
de las variables aleatorias:
E[ C h(x1,x2 ,...,xn) ]= C E[ h(x1,x2,...,xn) ]

3) Si C1, C2,...,Cm son “m” constantes y h1, h2,...,hm son

“m” funciones de las variables aleatorias:
 m  m
E

 Ci h i ( x1 , x2 ,, xn )   Ci E h i ( x1 , x2 ,, xn ) 
i =1  i =1
 Esperanza matemática

Media y variancia de una variable aleatoria

Sean X1, X2,...,Xn variables aleatorias que tienen como

función de probabilidad conjunta f(x1, x2,..., xn); luego, la
media y variancia de la variable aleatoria X i es:

X
i
E X i 
2

 Xi E X i   Xi  E X   
2 2
i
2
Xi
 Esperanza matemática
Covariancia

Si X1 , X2 son dos variables aleatorias definidas sobre un

mismo espacio probabilístico, la covariancia entre X 1 y X2 se
define como:

Cov X1 , X 2   ,
X1 X 2
1,2

E (X1  1 )(X 2   2 ) 

E X1 X 2   1  2
 Esperanza matemática
Correlación

Si X1 , X2 son dos variables aleatorias definidas sobre un

mismo espacio probabilístico, el coeficiente de correlación
entre X1 y X2 se define como:

Cov X1 , X 2 =  X ,X
 X ,X
1 2
 
1,2
1 2
,
X X X X
1 2 1 2

donde  1  ,
X1 X 2
1
Esperanza matemática
Correlación
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
Sean X, Y dos variables aleatorias que tienen como tabla de
distribución conjunta de probabilidades:
Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

Determine el valor del coeficiente de correlación entre las

variables X e Y.
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1
2 3
EX    xi f ( xi , y j )
i 0 j= 0
2
EX   x i f X ( xi )
i 0
 x0 f X ( x0 )  x1 f X ( x1 )  x2 f X ( x2 )
(0)(15 / 70)  (1)( 40 / 70)  (2)(15 / 70) 1
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
Y 0 1 2 3 fx(x) EX  1
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

 
2 3 2
E X 
2
 xi2 f ( xi , y j )  xi2 f X ( xi )
i 0 j= 0 i 0

 x02 f X ( x0 )  x12 f X ( x1 )  x22 f X ( x2 )

(0) 2 (15 / 70)  (1) 2 (40 / 70)  (2) 2 (15 / 70) 10 / 7
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
Y 0 1 2 3 fx(x) EX  1
X
0 0 3/70 9/70 3/70 15/70  
E X 2 10 / 7
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1
3
EY   y j fY ( x j )
j 0

(0)(5 / 70)  (1)(30 / 70)  (2)(30 / 70)  (3)(5 / 70) 1.5

 Esperanza matemática
Covariancia-Correlación. Ejemplo.
Y 0 1 2 3 fx(x) EX  1
X
0 0 3/70 9/70 3/70 15/70  
E X 2 10 / 7
1 2/70 18/70 18/70 2/70 40/70 EY  1.5
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

 
3
E Y 2  yi2 fY ( yi )
i 0

 y02 fY ( y0 )  y12 fY ( y1 )  y22 fY ( y2 )  y32 fY ( y3 )

(0) (5 / 70)  (1) (30 / 70)  (2) 2 (30 / 70)  (3) 2 (5 / 70)
2 2

39 / 14
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
Y 0 1 2 3 fx(x) EX  1
X
0 0 3/70 9/70 3/70 15/70 EX 2  10 / 7
1 2/70 18/70 18/70 2/70 40/70 EY  1.5
2 3/70 9/70 3/70 0 15/70 EY 2  39 / 14
fY(y) 5/70 30/70 30/70 5/70 1
2 3
EXY   xi yi f ( xi , y j )
i 0 j= 0

 x0 y0 f ( x0 , y0 )  x0 y1 f ( x0 , y1 )    x2 y3 f ( x2 , y3 )
(0)(0)(0)  (0)(1)(30 / 70)    (2)( 2)(3 / 70)  (2)(3)(0)
9 / 7
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
Y 0 1 2 3 fx(x) EX  1
X
0 0 3/70 9/70 3/70 15/70 EX 2  10 / 7
1 2/70 18/70 18/70 2/70 40/70 EY  1.5
2 3/70 9/70 3/70 0 15/70 EY 2  39 / 14
fY(y) 5/70 30/70 30/70 5/70 1 EXY  9 / 7

 
 2X E X 2   2X 10
7
 (1) 2
 3
7

 2Y EY   
2 2
Y
39
14  (1.5) 2  15
28

CovX, Y  X,Y E[XY]   X  Y  9 - (1)(1.5) - 3

7 14
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

 2X 3  2Y 15 CovX, Y  X,Y  3

7 28 14

-3
CovX, Y  14 1
    0.447214
 2X  2Y (3 / 7) (15/28) 5
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
El precio de dos artículos X, Y ( en decenas de nuevos soles),
son variables aleatorias cuyo comportamiento conjunto esta
definido por la siguiente función :

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Determine el valor del coeficiente de correlación entre

las variables X e Y.
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo
Para hallar el valor esperado de X, se debe obtener:
 
E[X]   x f ( x, y )dy dx

x 2 y 2
  x f ( x, y)dy dx
x 0 y x

y 2 x y
E[X]   x f ( x, y)dx dy
y 0 x 0
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo
y 2 x y
E[X]   x f ( x, y)dx dy
y 0 x 0
y 2 x y
6 x y
   x 8 dx dy
y 0 x 0

y 2 y 2
1  x 3
x y  2
E[X]    3 x 2    dy  1 (18 y 2  5 y 3 )dy
8  3 2  48
y 0 x 0 0
2
1  3 5 y 
4
7
  6y  
48  4  12
0
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo
Otra alternativa

 2
3 x 2  16 x  20 7
E[X]  x f X ( x) dx x  dx 
16 12
 0
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
3 x 2  16 x  20
f X ( x)  , si 0x2
16 7
E[X] 
0 , de otro modo 12
 2
2 2 3 x 2  16 x  20
2
E[X ]  x f X ( x) dx x  dx
16
 0

1  3 x 5 16 x 4 20 x 3  2
   
16  5 4 3  0

158

 
2
 2X E X 2   2X  8   7  139
15  12  720
 
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
12 y  3 y 2
f Y ( y)  , si 0 y2
16
0 , de otro modo

 2
12 y  3 y 2
E[Y]  y f Y ( y ) dy  y  dy
16
 0

1  3 3 y  2
4
  4 y 
16  4  0

54
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
12 y  3 y 2
f Y ( y)  , si 0 y2
16
5
0 , de otro modo E[Y] 
4
 2
2 2 12 y  3 y 2
2
E[Y ]  y f Y ( y ) dy  y  dy
16
 0

1  4 3 y  2
5
  3 y 
16  5  0

95

 
2
 2Y E Y 2   2Y  9   5  19
5  4 80
 
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo
Para hallar el valor esperado de XY, se debe obtener:
 
E[XY]   x y f ( x, y )dy dx

x 2 y 2
  x y f ( x, y)dy dx
x 0 y x

y 2 x y
E[XY]   x y f ( x, y)dx dy
y 0 x 0
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo
y 2 x y
E[XY]   x y f ( x, y)dx dy
y 0 x 0
y 2 x y
6 x y
E[XY]    x y dx dy
y 0 x 0
8
y 2 y
1  2 x 3
x y  2
E[XY] 
8  y  3x  3  2  dy

y 0 x 0
2 2
1  9 y
4
1 2 3 5 5
 y (18 y  5 y ) dy    y  
48 48  2 0 6
0
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

 
2
 2X E X 2   2X  8   7  139 5
15  12  720 E[XY] 
  6

 
2
 2Y 2
E Y   2Y 9   5  19
5  4 80
 

CovX, Y  X,Y E[XY]   X  Y  5  7 5  5

6 12 4 48
  
CovX, Y  5 / 48
  0.4864697
 2X  2Y (139 / 720) (19/80)
 Esperanza matemática
Covarriancia y correlación: Teoremas

Teorema
Si X1 , X2 son dos variables aleatorias independientes, entonces,

Cov X1 , X 2  X1 ,X 2 0 y X1 ,X 2 0

Teorema
Si X1 , X2 son dos variables aleatorias definidas sobre un mismo
espacio probabilístico y a, b son dos constantes; entonces,

Cov[ aX1 , bX2 ]= a b Cov[ X1 , X2 ]

Var[ aX1  bX2 ]= a2 Var[ X1 ] + b2 Var[ X2 ]  2 a b Cov[ X1 , X2 ]

 Esperanza matemática
Covariancia y correlación: Teoremas

Teorema
Si X1 , X2 , . . . , Xk son variables aleatorias y C1 , C2 ,... , Ck
son “k” constantes reales; luego,

 m  m 2 k k
Var   Ci Xi   Ci Var  Xi   2   Ci C j Cov(Xi , X j )
 i =1  i=1 i =1 j=1
i< j
m k k
=  Ci2 i2  2   Ci C j i, j
i =1 i =1 j=1
i< j
 Esperanza matemática
Covarriancia y correlación: Teoremas

Teorema
Sean X1 , X2 , . . . , Xk son variables aleatorias mutuamente y
estocásticamente independientes, y si C1 , C2 , . . . , Ck son “k”
constantes reales; luego,
 m  m 2 m
Var   C i X i   C i Var  X i  =  C i2  i2
 i =1  i =1 i =1

Teorema
Sean X1 , X2 , . . . , Xn y Y1 , Y2 , . . . , Ym dos conjuntos de
variables aleatorias definidas sobre un mismo espacio
probabilístico, y sean a1 , a2 , . . . , an y b1 , b2 , . . . , bm dos
conjuntos de constantes reales; luego,
 n  n m
 
m
Cov  a i X i ,  b j Yj    a i b j Cov X i , Yj
 i =1 j=1  i =1 j=1
 Esperanza matemática
Covarriancia y correlación: Teoremas
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
Se tiene 8 acciones, de las cuales dos son de clase A, tres
son de clase B, y tres son de clase C. Si se eligen al azar y sin
reemplazo 4 acciones, y se definen las variables aleatorias:

X = Número de acciones elegidas que son de la clase A.

Y = Número de acciones elegidas que son de la clase B.

Si el precio de una acción es de: 15 soles si es de clase A; 10

soles si es de clase B; y 7 soles si es de clase C.

Determine la variancia del gasto efectuado en la compra de

acciones de clase A y B, que se hayan elegido.
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
Tabla de distribución de probabilidad conjunta.
Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

Anteriormente se halló:

 2X  3  2Y 15 CovX, Y  X,Y  3   0.447214

7 28 14
 Esperanza matemática
Covariancia-Correlación. Ejemplo.
 2X  3  2Y 15 CovX, Y  X,Y  3
7 28 14
  0.447214

El gasto total es: W=15X+10Y

Var[W] Var[15X  10Y ]

(15) 2 Var[ X ]  (10) 2 Var[ Y ]  2(15)(10)CovX, Y 
(225)(3 / 7)  (100)(15 / 28)  (2)(15)(10)(  3 / 14)
85.71428572
 Esperanza condicional

Sea:
• f(y,x1,x2, ..., xk ) la función de probabilidad conjunta
de las variables aleatorias Y,X1, X2,..., Xk,
• g( y/x1, x2,..., xk) la función de probabilidad
condicional de Y dado que: X1=x1, X2=x2 ,..., Xk=xk y
• h(x1 ,x2,...,xk) la función de probabilidad conjunta de
las variables aleatorias X1,X2,..., Xk.

El valor esperado o esperanza matemática condicional

de Y dado que: X1= x1, X2= x2 ,..., Xk= xk, que es
denotada por E[ Y/x1, x2, .... , xk] se define como:
 Esperanza condicional

1) Si las variables son discretas:

EY/x1, x2 , , xk   y g ( y/x1 , x2 ,, xk )

y

y f ( y, x1, x2 ,, xk )

y h( x1, x2 ,, xk )
2) Si las variables son continuas:

EY/x1, x2 , , xk   y g ( y/x1 , x2 ,, xk ) dy


y f ( y, x1, x2 ,, xk )
 dy

h( x1 , x2 ,, xk )
 Esperanza condicional. Ejemplo
Sean X, Y dos variables aleatorias que tienen como tabla de
distribución conjunta de probabilidades:
Y 0 1 2 3 fx(x)
X
0 0 3/70 9/70 3/70 15/70
1 2/70 18/70 18/70 2/70 40/70
2 3/70 9/70 3/70 0 15/70
fY(y) 5/70 30/70 30/70 5/70 1

Halle la media de la distribución condicional de Y, dado

que X=1.
 Esperanza condicional. Ejemplo

La función de probabilidad condicional de Y, dado que

X=1, es:
h( y / x 1 )  2 , si y 0,3
40
18 , si y 1,2
40
0 , de otro modo
3
EY/x 1    y h( y/x 1)
y 0

(0)( 2 / 40)  (1)(18 / 40)  (2)(18 / 40)  (3)( 2 / 40)

1.5
 Esperanza condicional. Ejemplo

La función de probabilidad condicional de Y, dado que

X=1, es:
h( y / x 1 )  2 , si y 0,3
40
18 , si y 1,2
40
0 , de otro modo

 
3
E Y /x 1   y 2 h( y/x 1)
2

y 0

(0) 2 (2 / 40)  (1) 2 (18 / 40)  (2) 2 (18 / 40)  (3) 2 (2 / 40)
2.7
 Esperanza condicional. Ejemplo.

Si X, Y dos variables aleatorias que tienen como función de

densidad conjunta:

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Halle la media de la distribución condicional de la variable

X, dado que Y=1.5.
 Esperanza condicional. Ejemplo.

Halle la media de la distribución condicional de la variable

X, dado que Y=1.5.

Hallar

f(x,y)
 Esperanza condicional. Ejemplo.
f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

La función de densidad marginal de Y es:

12 y  3 y 2
f Y ( y)  , si 0 y2
16
0 , de otro modo

Con lo cual se obtiene:

(6  x  y )
f ( x, y ) 8 2(6  x  y )
g ( x / y)   
f Y ( y ) (12 y  3 y 2 ) 12 y  3 y 2
16
 Esperanza condicional. Ejemplo.
f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Luego, la densidad condicional de X, dado Y= y, es:

2(6  x  y )
g ( x / y)  2
, si 0  x  y, 0  y  2
12 y  3 y
0 , de otro modo
 Esperanza condicional. Ejemplo.

2(6  x  y )
g ( x / y)  2
, si 0  x  y, 0  y  2
12 y  3 y
0 , de otro modo

Luego, la densidad condicional de X, dado Y=1.5, es:

(2)(6  x  1.5) (2)( 4.5  x)

g x / y 1.5  
(12)(1.5)  3(1.5) 2 11.25
 Esperanza condicional. Ejemplo.

2(6  x  y )
g ( x / y)  2
, si 0  x  y, 0  y  2
12 y  3 y
0 , de otro modo
Luego, la densidad condicional de X, dado Y=1.5, es:
(2)(4.5  x)
g x / y 1.5  , si 0  x  1.5
11.25
0 , de otro modo
 Esperanza condicional. Ejemplo.

La media de la densidad condicional de X, dado Y=1.5, es:

(2)(4.5  x)
g  x / y 1.5   , si 0  x  1.5
11.25
0 , de otro modo

 1.5
(2)( 4.5  x)
EX/y 1.5   x g ( x/y 1.5)dx  x dx
11.25
 0

1  2 2 x 3  1.5
  4.5 x 
11.25  3  0
0.7
 Esperanza condicional
Teorema

Sean: X, Y dos variables aleatorias; g1(Y) y g2(Y) dos

funciones de Y y g3(X) una función de X; luego,

• E[ g1(Y) + g2(Y) / x ]= E[ g1(Y) / x ] + E[ g2(Y) / x ]

• E[ g1(Y) g3(X) / x ]= g3(x) E[ g1(Y) / x ]

• E[ g1(Y) ]= E{ E[ g1(Y) / x ] }

• Y = E[ Y ]= E( E[ Y / x ] )

• X = E[ X ]= E( E[ X / y ] )
 Esperanza condicional
Teorema

Sean: X, Y dos variables aleatorias; g1(Y) y g2(Y) dos funciones

de Y y g3(X) una función de X; luego,

• Si X, Y son mutuamente independientes: E[ X Y ]= E[ Y ]

E[ X ]

• Si X, Y son mutuamente independientes:

E[ g1(Y) g3(X) ] = E[ g1(Y) ] E[ g3(X) ]

 Esperanza condicional
Curva de regresión

La esperanza matemática es llamada la curva de regresión de Y

sobre X1 , X2 , . . . .Xk y es denotada por:

 Y/X1 x1 , X 2 x2 ,, X k xk , Y.x1 , x2 ,, xk ,

E Y/x1, x2 , , xk 
 Esperanza condicional
Variancia condicional

Variancia condicional
Dadas dos variables aleatorias X, Y definidas sobre un mismo
espacio probabilístico, la variancia condicional de Y dado X= x es
definida como:
2
Var[ Y/x ]= E  Y  Y/X 

E  Y /x    E  Y/x 
2 2

E  Y 2 /x   Y/X
2
 Esperanza condicional. Ejemplo.

Si X, Y dos variables aleatorias que tienen como función de

densidad conjunta:

f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Halle la media de la distribución condicional de la variable

Y, dado que X=x
 Esperanza condicional. Ejemplo.
f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

La función de densidad marginal de X es:

3 x 2  16 x  20
f X ( x)  , si 0x2
16
0 , de otro modo

Con lo cual se obtiene:

(6  x  y )
f ( x, y ) 8 2(6  x  y )
h( y / x )   2  2
f X ( x) (3 x  16 x  20) 3 x  16 x  20
16
 Esperanza condicional. Ejemplo.
f ( x, y ) (6  x  y ) / 8, si 0  x  y, 0 y2
0, de otro modo

Luego, la densidad condicional de Y, dado X=x, es:

2( 6  x  y )
h( y / x )  2
, si x  y  2, 0  x  2
3 x  16 x  20
0 , de otro modo
 Esperanza condicional. Ejemplo.
2( 6  x  y )
h( y / x )  2
, si x  y  2, 0  x  2
3 x  16 x  20
0 , de otro modo
La media de la densidad condicional de Y, dado X=x, es:
 y 2
(2)(6  x  y )
 Y. x EY/x   y h( y/x)dy   y 2
dy
 y x 3 x  16 x  20
 Esperanza condicional. Ejemplo.

La media de la densidad condicional de Y, dado X=x, es:

y 2 y 2
(2)(6  x  y ) 6 y  xy  y 2
 Y. x  y 2
dy 2  2 dy
y x 3 x  16 x  20 y x 3 x  16 x  20

 2 xy 2 3  y 2
2 y
 2 3y  2  3 
3 x  16 x  20   y x
2  56  12 x  18 x 2  5 x 3 
 2  
3 x  16 x  20  6 
56  12 x  18 x 2  5 x 3

3(3 x 2  16 x  20)
 Esperanza condicional. Ejemplo.

La media de la densidad condicional de Y, dado X=x, que

también es llamada la ecuación de regresión de Y sobre X
es:
56  12 x  18 x 2  5 x 3
 Y. x EY / x   2
, si 0  x  2
3(3 x  16 x  20)
 Esperanza condicional. Ejemplo.
La media de la densidad condicional de Y, dado X=x, que
también es llamada la ecuación de regresión de Y sobre X
es: 56  12 x  18 x 2  5 x 3
 Y. x EY / x   2
, si 0  x  2
3(3 x  16 x  20)
 Esperanza condicional. Ejemplo.
La media de la densidad condicional de Y, dado X=x, que
también es llamada la ecuación de regresión de Y sobre X
es: 56  12 x  18 x 2  5 x 3
 Y. x EY / x   2
, si 0  x  2
3(3 x  16 x  20)
 Esperanza condicional. Ejemplo.
Hallar E Y. x  considerando que:
56  12 x  18 x 2  5 x 3
 Y. x EY / x   2
, si 0x2
3(3 x  16 x  20)

y que la función de densidad marginal de X es:

3 x 2  16 x  20
f X ( x)  , si 0x2
16
0 , de otro modo
 Esperanza condicional. Ejemplo.
3 x 2  16 x  20
f X ( x)  , si 0x2
16
0 , de otro modo

 2
E Y. x  E EY / x     Y. x f X ( x)dx  Y. x f X ( x)dx
 0
2
56  12 x  18 x 2  5 x 3
 
0
2
3(3 x  16 x  20)
f X ( x)dx

2
56  12 x  18 x 2  5 x 3 3 x 2  16 x  20
 
0
3(3 x 2  16 x  20)

16
dx
 Esperanza condicional. Ejemplo.
2
56  12 x  18 x 2  5 x 3
E Y. x  
 2
f X ( x)dx
3(3 x  16 x  20)
0
2
56  12 x  18 x 2  5 x 3 3 x 2  16 x  20
 
0
3(3 x 2  16 x  20)

16
dx

2
56  12 x  18 x 2  5 x 3
 
0
48
dx

42
1  5x
  56 x  6 x 2  6 x 3   1.25  Y
48  4 
0
 Momentos

Los momentos de una distribución son los valores esperados de

las potencias de la variable aleatoria que tiene dicha distribución.
Si una variable aleatoria X tiene como función de probabilidad f(x);
entonces,
a) El r-ésimo momento de X con respecto al origen es:

Si X es una variable aleatoria discreta

 
'r = E X r  x r f ( x)
x

Si X es una variable aleatoria continua

 

'r = E X r  x r f ( x)dx
-
 Momentos

b) El r-ésimo momento de X con respecto a una constante

“a” es:

Si X es una variable aleatoria discreta

 
E (X - a ) r  ( x  a ) r f ( x)
x

Si X es una variable aleatoria continua

 

E (X  a) r  ( x  a ) r f ( x)dx
-
 Momentos

c) El r-ésimo momento de X con respecto a su media es:

Si X es una variable aleatoria discreta

 ' r  '
 r E (X - 1 )  ( x  1 ) f ( x)
r
  x

Si X es una variable aleatoria continua


 r E  (X  1' ) r   ( x  1' ) r f ( x)dx
 
-
 Momentos

d) El r-ésimo momento de X con respecto a una constante es:

Si X es una variable aleatoria discreta

 r E (X - a ) r   ( x  a) r f ( x)
x

Si X es una variable aleatoria continua


 r E (X  a) r   ( x  a) r f ( x)dx
-
 Coeficiente de asimetría

El coeficiente de asimetría de una distribución se define como:

3
Sk  3

Si | Sk |≥ 1 La distribución es altamente asimétrica
Si 0.5 < |Sk |< 1 La distribución es moderadamente asimétrica
Si 0 < |Sk | 0.5 La distribución es aproximadamente
simétrica
Si Sk = 0 La distribución es simétrica
 Coeficiente de curtosis

El coeficiente de curtosis de una distribución se define como:

4
K 43

Si K=0 La distribución es mesocúrtica
Si K<0 La distribución es platicúrtica
Si K>0 La distribución es leptocúrtica
 Momentos en distribuciones multivariadas

La definición de momentos se puede generalizar a distribuciones

de dos o más variables. Por ejemplo, si X, Y, Z son las variables
aleatorias con función de probabilidad f (x,y,z), luego:
a) Los momentos producto o mixtos de X, Y, Z con respecto
al origen se definen como:

Si X, Y, Z son variable aleatorias discretas

 
E X p Y q Z r    y z f ( x, y , z )
x p q r

x y z
Si X, Y, Z son variable aleatorias continuas

 
  
E X p Y q Zr   
p q r
 y z f ( x, y, z ) dz dy dx
x
  
 Momentos en distribuciones mutlivariadas

b) Los momentos producto o mixtos de X, Y, Z con respecto

a su media se definen como:

Si X, Y, Z son variable aleatorias discretas

 
E (X -  X ) p (Y -  Y ) q (Z -  Z ) r 
x

y z
( x   X ) p ( y   Y ) q ( z   Z ) r f ( x, y , z )

Si X, Y, Z son variable aleatorias continuas

 
  
E (X -  X ) p (Y -  Y ) q (Z -  Z ) r    ( x -  X ) p ( y -  Y ) q ( z -  Z ) r f ( x, y, z ) dz dy dx

 Momentos en distribuciones mutlivariadas

b) Los momentos producto o mixtos de X, Y, Z con respecto

a su media. Caso particular.

 X ,Y Cov ( X , Y ) E  ( X   X )(Y  Y ) 
E  ( X   X )1 ( Y  Y )1 

Primer momento mixto (primer momento producto, o momento 1x1) de

las variables aleatorias X e Y, con respecto a sus medias.
UNIVERSIDAD DEL PACÍFICO
DEPARTAMENTO DE ECONOMÍA

Estadística II

Unidad 2
Distribuciones Bivariadas

José A. Caycho ([email protected])

CICLO 2024-2