Capítulo 2:

Distribuciones de Probabilidad conjunta

Prof. Dr. Holger Cevallos V.
Distribución de Probabilidad conjunta
• El estudio de las variables aleatorias y sus distribuciones de
probabilidad hasta ahora se ha restringido a espacios muestrales
unidimensionales
• Registramos los resultados de un experimento como los valores que
toma una sola variable aleatoria
Distribución de Probabilidad conjunta
• Habrá situaciones en las que se busque registrar los resultados
simultáneos de diversas variables aleatorias
• Ej. 1: en un experimento químico controlado podríamos medir la
cantidad del precipitado y la del volumen del gas liberado
• Ej. 2: en un estudio médico se desea medir la presión arterial y la
temperatura de los pacientes
• Ej. 3: en un estudio para determinar la probabilidad de éxito de los
estudiantes en la ESPOL, se podría registrar su calificación en la
prueba de la SENESCYT, el promedio del estudiante en el último año
del colegio y el promedio del estudiante en su primer año en la ESPOL
(espacio muestral tridimensional)
Distribución de Probabilidad conjunta:
caso discreto
• Si 𝑋 y 𝑌 son dos variables aleatorias discretas, la distribución de
probabilidad para sus ocurrencias simulatáneas se representa
mediante una función con valores 𝑓 𝑥, 𝑦 , para cualquier par de
valores 𝑥, 𝑦 dentro del rango de las variables aleatorias 𝑋 y 𝑌
Distribución de Probabilidad conjunta:
caso discreto
• La función 𝑓 𝑥, 𝑦 es una distribución de probabilidad conjunta o
Función de masa de probabilidad de las variables aleatorias 𝑋 y 𝑌 si
1. 𝑓 𝑥, 𝑦 ≥ 0, para toda 𝑥, 𝑦
2. σ𝑥 σ𝑦 𝑓 𝑥, 𝑦 = 1,
3. 𝑃 𝑋 = 𝑥, 𝑌 = 𝑦 = 𝑓 𝑥, 𝑦 .
Para cualquier región 𝐴 en el plano 𝑥𝑦, 𝑃 𝑋, 𝑌 ∈ 𝐴 = σ σ𝐴 𝑓 𝑥, 𝑦
Distribución de Probabilidad conjunta:
caso discreto
• Ejemplo 1
De un saco de frutas que contiene 3 naranjas, 2 manzanas y 3 plátanos
se selecciona una muestra aleatoria de 4 frutas. Si 𝑋 es el número de
naranjas y 𝑌 el de manzanas en la muestra, calcule:
a) La distribución de probabilidad conjunta de 𝑋 y 𝑌
b) 𝑃 𝑋, 𝑌 ∈ 𝐴 , donde 𝐴 es la región dada por 𝑥, 𝑦 𝑥 + 𝑦 ≤ 2}
Distribución de Probabilidad conjunta:
caso continuo
• Cuando 𝑋 y 𝑌 son variables aleatorias continuas, la función de
densidad conjunta 𝑓 𝑥, 𝑦 es una superficie que yace sobre el plano
𝑥𝑦 y 𝑃 𝑋, 𝑌 ∈ 𝐴 , donde 𝐴 es cualquier región en el plano 𝑥𝑦, es
igual al volumen del cilindro recto limitado por la base 𝐴 y la
superficie
Distribución de Probabilidad conjunta:
caso continuo
• La función 𝑓 𝑥, 𝑦 es una función de densidad conjunta de las
variables aleatorias 𝑋 y 𝑌 si
1. 𝑓 𝑥, 𝑦 ≥ 0, para toda 𝑥, 𝑦
∞ ∞
2. ‫׬‬−∞ ‫׬‬−∞ 𝑓 𝑥, 𝑦 ⅆ𝑥 ⅆ𝑦 = 1
3. 𝑃 𝑋, 𝑌 ∈ 𝐴 = ‫𝑥 𝑓 𝐴׬ ׬‬, 𝑦 ⅆ𝑥 ⅆ𝑦, para cualquier región 𝐴 en el
plano 𝑥𝑦
Distribución de Probabilidad conjunta:
caso continuo
Distribución de Probabilidad conjunta:
caso continuo
Distribución de Probabilidad conjunta:
caso continuo
• Ejemplo 2
Se supone que cada rueda trasera de un avión experimental se llena a una presión
de 40 libras por pulgada cuadrada (psi). Sea 𝑋 la presión real del aire para la rueda
derecha y 𝑌 la presión real del aire de la rueda izquierda. Suponga que 𝑋 y 𝑌 son
variables aleatorias con la siguiente función de densidad conjunta:

𝑘 𝑥 2 + 𝑦 2 , 30 ≤ 𝑥 < 50, 30 ≤ 𝑦 < 50

𝑓 𝑥, 𝑦 = ቊ
0, en cualquier otro caso

a) Calcule 𝑘
b) Calcule 𝑃(30 ≤ 𝑋 ≤ 40 y 40 ≤ 𝑌 < 50)
c) Calcule la probabilidad de que ambas ruedas no contengan la suficiente
cantidad de aire
Distribuciones marginales: caso discreto
• Las distribuciones marginales sólo de 𝑋 y sólo de 𝑌 para el caso
discreto son:
𝑔 𝑥 = ෍ 𝑓 𝑥, 𝑦
𝑦

ℎ 𝑦 = ෍ 𝑓 𝑥, 𝑦
𝑥
Distribuciones marginales: caso discreto
• Para el caso de 𝑛 variables aleatorias, sea 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 la función
de probabilidad conjunta de las variables aleatorias discretas
𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 . La distribución marginal de 𝑋1 se define como

𝑔 𝑥1 = ෍ ⋯ ෍ 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛
𝑥2 𝑥𝑛
Distribuciones marginales: caso discreto
• Ejemplo 3
Calcule la distribución marginal de 𝑋 y la distribución marginal de 𝑌 del
Ejemplo 1
Distribuciones marginales conjuntas:
caso discreto
• Para el caso de 𝑛 variables aleatorias, sea 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 la función
de probabilidad conjunta de las variables aleatorias discretas
𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 . La distribución marginal conjunta de 𝑋1 y 𝑋2 , 𝑔 𝑥1 , 𝑥2 ,
se define como

𝑔 𝑥1 , 𝑥2 = ෍ ⋯ ෍ 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛
𝑥3 𝑥𝑛
Distribuciones marginales: caso continuo
• Las distribuciones marginales sólo de 𝑋 y sólo de 𝑌 para el caso
continuo son:
∞
𝑔 𝑥 = න 𝑓 𝑥, 𝑦 ⅆ𝑦
−∞

∞
ℎ 𝑦 = න 𝑓 𝑥, 𝑦 ⅆ𝑥
−∞
Distribuciones marginales: caso continuo
• Para el caso de 𝑛 variables aleatorias, sea 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 la función
de probabilidad conjunta de las variables aleatorias continuas
𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 . La distribución marginal de 𝑋1 se define como

∞ ∞
𝑔(𝑥1 ) = න ⋯ න 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ⅆ𝑥2 ⅆ𝑥3 ⋯ ⅆ𝑥𝑛
−∞ −∞
Distribuciones marginales: caso continuo
• Ejemplo 4
Calcule las densidades marginales 𝑔 𝑥 y ℎ 𝑦 para la función de
densidad conjunta del Ejemplo 2
Distribuciones marginales conjuntas:
caso continuo
• Para el caso de 𝑛 variables aleatorias, sea 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 la función
de probabilidad conjunta de las variables aleatorias continuas
𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 . La distribución marginal conjunta de 𝑋1 y 𝑋2 , 𝑔 𝑥1 , 𝑥2 ,
se define como

∞ ∞
𝑔(𝑥1 , 𝑥2 ) = න ⋯ න 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ⅆ𝑥3 ⅆ𝑥4 ⋯ ⅆ𝑥𝑛
−∞ −∞
Distribución condicional
• En el capítulo de probabilidad definimos a la probabilidad condicional de la
siguiente manera:
𝑃(𝐴∩𝐵)
𝑃 𝐵𝐴 = si 𝑃 𝐴 >0
𝑃(𝐴)
• También definimos a un evento como cualquier subconjunto del Espacio
Muestral.
• Un evento es un elemento del conjunto potencia
• Por tanto, podemos definir los eventos 𝐴 y 𝐵 como 𝑋 = 𝑥 y 𝑌 = 𝑦
respectivamente:

𝑃(𝑋=𝑥, 𝑌=𝑦) 𝑓(𝑥,𝑦)

𝑃 𝑌=𝑦𝑋=𝑥 = = si 𝑔(𝑥) > 0
𝑃(𝑋=𝑥) 𝑔(𝑥)
Distribución condicional
• Sean 𝑋 y 𝑌 dos variables aleatorias, discretas o continuas. La
distribución condicional de la variable aleatoria 𝑌, dado que 𝑋 = 𝑥 es

𝑓 𝑥, 𝑦
𝑓 𝑦𝑥 = , 𝑔 𝑥 >0
𝑔 𝑥

• 𝑓 𝑦 𝑥 es estrictamente una función de 𝑦 (con 𝑥 fija)

• 𝑓 𝑦 𝑥 satisface todas las condiciones de una distribución de
probabilidad
Distribución condicional
• De manera similar, la distribución condicional de la variable aleatoria
𝑋, dado que 𝑌 = 𝑦, es

𝑓 𝑥, 𝑦
𝑓 𝑥𝑦 = , ℎ 𝑦 >0
ℎ 𝑦
Distribución condicional
• Ejemplo 5
Para el Ejemplo 1:
a) calcule 𝑓 𝑦 2 para todos los valores de 𝑦
b) Calcule 𝑃 𝑌 = 0 𝑋 = 2
Distribución condicional
• Ejemplo 6
Una empresa tabacalera produce mezclas de tabaco. Cada mezcla contiene
diversas proporciones de tabaco turco, tabaco de la región y otros. Las
proporciones de tabaco turco y de la región en una mezcla son variables
aleatorias con una función de densidad conjunta (𝑋: turco y 𝑌: de la región)
24𝑥𝑦, 0 ≤ 𝑥, 𝑦 ≤ 1, 𝑥 + 𝑦 ≤ 1
𝑓 𝑥, 𝑦 = ቊ
0, en cualquier otro caso
a) Calcule la probabilidad de que en determinada caja el tabaco turco
represente más de la mitad de la mezcla
b) Calcule la función de densidad marginal para la proporción del tabaco de
la región
c) Calcule la probabilidad de que la proporción de tabaco turco sea menor
que 1/8, si se sabe que la mezcla contiene 3/4 de tabaco de la región
Distribución condicional
• Ejemplo 7
Un sistema químico que surge de una reacción química tiene 2 componentes
importantes, entre otros, en una mezcla. La distribución conjunta que
describe las proporciones 𝑋1 y 𝑋2 de estos dos componentes está dada por

2, 0 < 𝑥1 < 𝑥2 < 1

𝑓 𝑥1 , 𝑥2 = ቊ
0, en cualquier otro caso
a) Determine la distribución marginal de 𝑋1
b) Determine la distribución marginal de 𝑋2
c) ¿Cuál es la probabilidad de que las proporciones del componente
generen los resultados 𝑋1 < 0.2 y 𝑋2 > 0.5?
d) Determine la distribución condicional 𝑓 𝑥1 𝑥2
Distribución condicional conjunta
• Para el caso de 𝑛 variables aleatorias, sea 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 la función
de probabilidad conjunta de las variables aleatorias, discretas o
continuas, 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 . La distribución condicional conjunta de
𝑋1 , 𝑋2 , 𝑋3 dado que 𝑋4 = 𝑥4 , 𝑋5 = 𝑥5 , ⋯ , 𝑋𝑛 = 𝑥𝑛 ,
𝑓 𝑥1 , 𝑥2 , 𝑥3 𝑥4 , 𝑥5 , ⋯ , 𝑥𝑛 , se define como

𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛
𝑓 𝑥1 , 𝑥2 , 𝑥3 𝑥4 , 𝑥5 , ⋯ , 𝑥𝑛 = ,
𝑔 𝑥4 , 𝑥5 , ⋯ , 𝑥𝑛

𝑔 𝑥4 , 𝑥5 , ⋯ , 𝑥𝑛 > 0
Independencia estadística: caso continuo
• Sean 𝑋 y 𝑌 dos variables aleatorias continuas, con distribución de
probabilidad conjunta 𝑓 𝑥, 𝑦 y distribuciones marginales 𝑔 𝑥 y
ℎ(𝑦) respectivamente. Se dice que las variables aleatorias 𝑋 y 𝑌 son
estadísticamente independientes si y sólo si

𝑓(𝑥, 𝑦) = 𝑔 𝑥 ℎ 𝑦

para toda 𝑥, 𝑦 dentro de sus rangos.

Independencia estadística: caso continuo
• Si 𝑓 𝑥 𝑦 no depende de 𝑦 entonces:

𝑓 𝑥 𝑦 = 𝑔(𝑥) y 𝑓(𝑥, 𝑦) = 𝑔 𝑥 ℎ(𝑦)

• Intuitivamente esto quiere decir que el resultado de la variable

aleatoria 𝑌 no repercute en el resultado de la variable aleatoria 𝑋
• En este caso decimos que 𝑋 y 𝑌 son variables aleatorias
independientes
Independencia estadística: caso discreto
• La comprobación de la independencia estadística de variables
aleatorias discretas requiere una investigación más profunda
• Es posible que se cumpla que 𝑓 𝑥 𝑦 = 𝑔 𝑥 ℎ 𝑦 para algunas
combinaciones 𝑥, 𝑦 , mientras que para otras no se cumpla
• La regla es la siguiente:
Si se encuentra algún punto 𝑥, 𝑦 para el que 𝑓 𝑥 𝑦 ≠ 𝑔 𝑥 ℎ 𝑦
entonces las variables aleatorias discretas 𝑋 y 𝑌 no son
estadísticamente independientes
Independencia estadística: 𝒏 variables
aleatorias
• Sean 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 , 𝑛 variables aleatorias, discretas o continuas, con
distribución de probabilidad conjunta 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 y
distribuciones marginales 𝑓 𝑥1 , 𝑓 𝑥2 , ⋯ 𝑓 𝑥𝑛 , respectivamente. Se
dice que las variables aleatorias 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 son recíproca y
estadísticamente independientes si y sólo si

𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 = 𝑓 𝑥1 𝑓 𝑥2 ⋯ 𝑓 𝑥𝑛

para toda 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 dentro de sus rangos.

Independencia estadística: 𝒏 variables
aleatorias
• Ejemplo 8
Determine si las dos variables aleatorias del ejemplo 6 son
dependientes o independientes

• Ejemplo 9
Determine si las dos variables aleatorias del ejemplo 7 son
dependientes o independientes
Independencia estadística: 𝒏 variables
aleatorias
• Ejemplo 10
Sea 𝑋 el tiempo de reacción en segundos a cierto estimulante y 𝑌 la
temperatura (en grados Fahrenheit) a que cierta reacción comienza a
suceder. Suponga que estas variables aleatorias tienen la siguiente
densidad conjunta

4𝑥𝑦, 0 ≤ 𝑥 < 1, 0 ≤ 𝑦 < 1

𝑓 𝑥, 𝑦 = ቊ
0, en cualquier otro caso

Determine si las dos variables aleatorias 𝑋 y 𝑌 son dependientes o

independientes
Independencia estadística: 𝒏 variables
aleatorias
• Ejemplo 11
Suponga que 𝑋 y 𝑌 tienen la siguiente distribución de probabilidad
conjunta

Determine si 𝑋 y 𝑌 son variables aleatorias dependientes o

independientes
Media de una variable aleatoria
Media de una variable aleatoria

Para el caso de dos variables aleatorias 𝑋 y 𝑌 con distribución de probabilidad

conjunta 𝑓(𝑥, 𝑦).
La media o valor esperado de la variable aleatoria 𝑔(𝑋, 𝑌) es

𝜇𝑔 𝑋,𝑌 = 𝐸 𝑔 𝑋, 𝑌 = ෍ ෍ 𝑔 𝑥, 𝑦 𝑓 𝑥, 𝑦
𝑥 𝑦
si 𝑋 y 𝑌 son discretas, y
∞ ∞
𝜇𝑔 𝑋,𝑌 = 𝐸 𝑔 𝑋, 𝑌 = න න 𝑔 𝑥, 𝑦 𝑓 𝑥, 𝑦 ⅆ𝑥ⅆ𝑦
−∞ −∞

si 𝑋 y 𝑌 son continuas.
Si 𝑔 𝑋, 𝑌 = X, tenemos

෍ ෍ 𝑥𝑓 𝑥, 𝑦 = ෍ 𝑥𝑔 𝑥 , 𝑐𝑎𝑠𝑜 ⅆ𝑖𝑠𝑐𝑟𝑒𝑡𝑜 ,
𝐸 𝑋 = 𝑥 𝑦 𝑥
∞ ∞ ∞
න න 𝑥𝑓 𝑥, 𝑦 ⅆ𝑦ⅆ𝑥 = න 𝑥𝑔 𝑥 ⅆ𝑥 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑜 ,
−∞ −∞ −∞

Donde 𝑔(𝑥) es la distribución marginal de 𝑋 . Por lo tanto, para calcular 𝐸(𝑋) en un espacio
bidimensional, se puede utilizar tanto la distribución de probabilidad conjunta de 𝑋 y 𝑌, como
la distribución marginal de 𝑋. De manera similar, definimos

෍ ෍ 𝑦𝑓 𝑥, 𝑦 = ෍ 𝑦ℎ 𝑦 , 𝑐𝑎𝑠𝑜 ⅆ𝑖𝑠𝑐𝑟𝑒𝑡𝑜 ,
𝐸 𝑌 = 𝑦 𝑥 𝑦
∞ ∞ ∞
න න 𝑦𝑓 𝑥, 𝑦 ⅆ𝑥ⅆ𝑦 = න 𝑦ℎ 𝑦 ⅆ𝑦 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑜 ,
−∞ −∞ −∞

Donde ℎ(𝑦) es la distribución marginal de la variable aleatoria 𝑌

Teorema

• Sean 𝑋 y 𝑌 dos variables aleatorias independientes. Entonces,

𝐸(𝑋𝑌) = 𝐸(𝑋)𝐸(𝑌)
Teorema

• El valor esperado de la suma o diferencia de dos o mas funciones de las

variables aleatorias 𝑋 y 𝑌 es la suma o diferencia de los valores
esperados de las funciones
• Es decir,
𝐸 𝑔 𝑋, 𝑌 ± ℎ 𝑋, 𝑌 = 𝐸 𝑔 𝑋, 𝑌 ] ± 𝐸[ℎ 𝑋, 𝑌
Corolario

• Al hacer 𝑔(𝑋, 𝑌) = 𝑔(𝑋) y ℎ(𝑋, 𝑌) = ℎ(𝑌), vemos que

𝐸 𝑔(𝑋) ± ℎ 𝑌 = 𝐸 𝑔(𝑋)] ± 𝐸[ℎ(𝑌)

• Al hacer 𝑔(𝑋, 𝑌) = 𝑋 y ℎ(𝑋, 𝑌) = 𝑌, vemos que

𝐸 𝑋 ± 𝑌 = 𝐸 𝑋] ± 𝐸[𝑌
Media de una variable aleatoria
Ejemplo 12
Se sacan tres cartas sin reemplazo de las 12 cartas mayores (sotas,
reinas y reyes) de una baraja ordinaria de 52 cartas. Sea 𝑋 el número
de reyes que se seleccionan y 𝑌 el número de sotas. Encuentre
a) Encuentre la distribución de probabilidad conjunta de 𝑋 y 𝑌
b) Encuentre 𝑃 𝑋, 𝑌 ∈ 𝐴 , donde 𝐴 es la región dada por 𝑥, 𝑦 𝑥 +
𝑦 ≥ 2}
c) Encuentre la media para el número total de sotas y reyes
Media de una variable aleatoria
Ejemplo 13
En el Ejemplo 10 teníamos definimos a 𝑋 como el tiempo de reacción
en segundos a cierto estimulante y a 𝑌 como la temperatura (en grados
Fahrenheit) a que cierta reacción comienza a suceder. Estas variables
aleatorias tenían la siguiente densidad conjunta

4𝑥𝑦, 0 ≤ 𝑥 < 1, 0 ≤ 𝑦 < 1

𝑓 𝑥, 𝑦 = ቊ
0, en cualquier otro caso

Encuentre el valor esperado de 𝑍 = 𝑋 2 + 𝑌 2

Varianza y covarianza de variables
aleatorias
Varianza

Sean 𝑋 y 𝑌 dos variables aleatorias con distribución de probabilidad

conjunta 𝑓(𝑥, 𝑦). Sean 𝑎 y 𝑏 constantes cualesquiera. Se tiene que:
• 𝑉𝑎𝑟 𝑋 ≥ 0
• 𝑉𝑎𝑟 𝑎 =
• 𝑉𝑎𝑟 𝑋 + 𝑎 =
• 𝑉𝑎𝑟 𝑎𝑋 =
• 𝑉𝑎𝑟 𝑎𝑋 + 𝑏𝑌 =
• 𝑉𝑎𝑟 𝑎𝑋 − 𝑏𝑌 =
Covarianza

Sean 𝑋 y 𝑌 dos variables aleatorias con distribución de probabilidad conjunta

𝑓(𝑥, 𝑦). La covarianza de 𝑋 y 𝑌 es

𝜎 𝑋,𝑌 =𝐸 𝑋 − 𝜇𝑥 )(𝑌 − 𝜇𝑦 = ෍ ෍ 𝑥 − 𝜇𝑥 )(𝑦 − 𝜇𝑦 𝑓(𝑥, 𝑦)

𝑥 𝑦
si 𝑋 y 𝑌 son discretas, y
∞ ∞
𝜎 𝑋,𝑌 =𝐸 𝑋 − 𝜇𝑥 )(𝑌 − 𝜇𝑦 =න න 𝑥 − 𝜇𝑥 )(𝑦 − 𝜇𝑦 𝑓 𝑥, 𝑦 ⅆ𝑥ⅆ𝑦
−∞ −∞

si 𝑋 y 𝑌 son continuas.
Covarianza: teorema

• La covarianza de dos variables aleatorias 𝑋 y 𝑌 con medias 𝜇𝑋 y 𝜇𝑌 ,

respectivamente esta dada por
𝜎𝑋𝑌 = 𝐸 𝑋𝑌 − 𝜇𝑋 𝜇𝑌
Covarianza

Sean 𝑋, 𝑌, 𝑊, 𝑉 variables aleatorias. Sean 𝑎, 𝑏, 𝑐, ⅆ constantes

cualesquiera. Se tiene que:
• 𝐶𝑜𝑣 𝑋, 𝑋 = 𝑉𝑎𝑟 𝑋
• 𝐶𝑜𝑣 𝑋, 𝑎 =
• 𝐶𝑜𝑣 𝑋, 𝑌 = 𝐶𝑜𝑣 𝑌, 𝑋
• 𝐶𝑜𝑣 𝑎𝑋, 𝑏𝑌 =
• 𝐶𝑜𝑣 𝑋 + 𝑎, 𝑌 + 𝑏 =
• 𝐶𝑜𝑣 𝑎𝑋 + 𝑏𝑌, 𝑐𝑊 + ⅆ𝑉 =
• El signo de la covarianza indica si la relación entre dos variables
aleatorias dependientes es positiva o negativa.

• Cuando 𝑋 y 𝑌 son estadísticamente independientes, se puede mostrar

que la covarianza es cero.

Sean 𝑋 y 𝑌 dos variables aleatorias independientes. Entonces,

𝜎𝑋𝑌 = 0

• La covarianza solo describe la relación lineal entre dos variables

aleatorias. Por consiguiente si una covarianza entre 𝑋 y 𝑌 es cero, 𝑋
y 𝑌 quizá tengan una relación no lineal, lo cual significa que no
necesariamente son independientes.
Varianza (general)

Sean 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 , 𝑛 variables aleatorias con distribución de

probabilidad conjunta 𝑓 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 . Sean 𝑎1 , 𝑎2 , ⋯ , 𝑎𝑛
constantes cualesquiera. Se tiene que:
• 𝑉𝑎𝑟 σ𝑛𝑖=1 𝑋𝑖 = σ𝑛𝑖=1 σ𝑛𝑗=1 𝐶𝑜𝑣(𝑋𝑖 , 𝑋𝑗 ) =
• 𝑉𝑎𝑟 σ𝑛𝑖=1 𝑎𝑖 𝑋𝑖 = σ𝑛𝑖=1 σ𝑛𝑗=1 𝑎𝑖 𝑎𝑗 𝐶𝑜𝑣(𝑋𝑖 , 𝑋𝑗 ) =
Coeficiente de correlación

Sean 𝑋 y 𝑌 dos variables aleatorias con covarianza 𝜎𝑋𝑌 y desviación estándar

𝜎𝑋 y 𝜎𝑌 , respectivamente. El coeficiente de correlación 𝑋 y 𝑌 es
𝜎𝑋𝑌
𝜌𝑋𝑌 =
𝜎𝑋 𝜎𝑌

Debe quedar claro que 𝜌𝑋𝑌 es independiente de las unidades de 𝑋 y 𝑌. El

coeficiente de correlación satisface la desigualdad −1 ≤ 𝜌𝑋𝑌 ≤ 1. Toma valor
de cero cuando 𝜎𝑋𝑌 = 0. Donde hay una dependencia lineal exacta, digamos,
𝑌 ≡ 𝑎 + 𝑏𝑋, 𝜌𝑋𝑌 = 1 si 𝑏 > 0 y 𝜌𝑋𝑌 = −1 si 𝑏 < 0
Media de una variable aleatoria
Ejemplo 14
Encuentre la covarianza de la variable aleatorias del Ejemplo 1:
De un saco de frutas que contiene 3 naranjas, 2 manzanas y 3 plátanos
se selecciona una muestra aleatoria de 4 frutas. Sea 𝑋 es el número de
naranjas y 𝑌 el de manzanas en la muestra
Media de una variable aleatoria
Ejemplo 15
Encuentre la covarianza de la variable aleatorias del Ejemplo 2:
Sea 𝑋 la presión real del aire para la rueda derecha y 𝑌 la presión real
del aire de la rueda izquierda. Suponga que 𝑋 y 𝑌 son variables
aleatorias con la siguiente función de densidad conjunta:

3
10−4 𝑥 2 + 𝑦 2 , 30 ≤ 𝑥 < 50, 30 ≤ 𝑦 < 50
𝑓 𝑥, 𝑦 = ቐ392
0, en cualquier otro caso