5

Variables aleatorias
bidimensionales

En este capı́tulo se extiende la definición de variable aleatoria unidimensional,

introducida en el Capı́tulo 2, al caso bidimensional. Al igual que en el caso
unidimensional, se trabaja con un espacio muestral bidimensional asociado al
experimento aleatorio.

5.1. Definición de variable aleatoria bidimensional

Sea un espacio de probabilidad (Ω, P(Ω), P ) donde Ω es el conjunto de resulta-

dos posibles de un experimento aleatorio, también denominado espacio muestral,
P(Ω) es el conjunto formado por todos los posibles subconjuntos del espacio
muestral Ω y P : P(Ω) −→ [0, 1] es la función de probabilidad. Sean X e Y dos
variables aleatorias definidas sobre dicho espacio, es decir:

X : Ω −→ R e Y : Ω −→ R

El objetivo es tener una función que asigne a cada posible resultado del ex-
perimento A un par de valores, tal que
 (X, Y ) : (Ω, P(Ω), P ) −→ R2

A −→ (X(A), Y (A))

Por consiguiente, se define una variable aleatoria bidimensional como:

Definición 5.1
Sea (Ω, P(Ω), P ) un espacio de probabilidad. Se define la función

(X, Y ) : Ω −→ R2

como una variable aleatoria bidimensional (v.a. bidimensional) sii

∀x, y ∈ R se verif ica que

BXY = {A ∈ Ω / X(A) ≤ x, Y (A) ≤ y} = X −1 ((−∞, x])Y −1 ((−∞, y]) ∈ P(Ω)

Ejemplo 5.1
Considérese el experimento que consiste en lanzar 2 dados. Sea X la va-
riable aleatoria ”Resultado obtenido al lanzar el primer dado” e Y la variable
aleatoria ”Módulo de la diferencia de los resultados obtenidos con los dos dados”.
Demostrar que (X, Y ) es v.a. bidimensional.

El espacio muestral viene dado por:

Ω = {(x, y) tal que x = 1, ..., 6, y = 0, ..., 5}

donde Card(P(Ω)) = 2Ω .

Para demostrar que (X, Y ) es v.a. bidimensional hay que comprobar que

∀x, y ∈ R se verif ica que

BXY = {A ∈ Ω / X(A) ≤ x, Y (A) ≤ y} = X −1 ((−∞, x])Y −1 ((−∞, y]) ∈ P(Ω)
 Variables aleatorias bidimensionales 65

Por consiguiente,

BXY = {(1, 0) ∈ Ω / X((1, 0)) ≤ 1, Y ((1, 0)) ≤ 0} = (1, 0) ∈ P(Ω)

BXY = {(1, 1) ∈ Ω / X((1, 1)) ≤ 1, Y ((1, 1)) ≤ 1} = {(1, 0), (1, 1)} ∈ P(Ω)
BXY = {(1, 2) ∈ Ω / X((1, 2)) ≤ 1, Y ((1, 2)) ≤ 2} = {(1, 0), (1, 1), (1, 2)} ∈ P(Ω)
...
BXY = {(6, 4) ∈ Ω / X((6, 4)) ≤ 6, Y ((6, 4)) ≤ 4} = Ω − {(6, 5)} ∈ P(Ω)
BXY = {(6, 5) ∈ Ω / X((6, 5)) ≤ 6, Y ((6, 5)) ≤ 5} = Ω ∈ P(Ω)

Queda demostrado que (X, Y ) es una v.a. bidimensional.

5.2. Función de distribución conjunta. Propiedades.

Dada una v.a. bidimensional (X, Y ), llamaremos función de distribución con-

junta FX,Y (x, y) a la función

F : R2 −→ R

(x, y) −→ P (A ∈ Ω / X(A) ≤ x, Y (A) ≤ y) = P (X ≤ x, Y ≤ y)

5.2.1. Propiedades de la función de distribución conjunta

La función de distribución FX,Y (x, y) de cualquier v.a. bidimensional satisface

las siguientes propiedades:

• 0 ≤ FX,Y (x, y) ≤ 1 ∀x, y ∈ R

• La función de distribución conjunta es no decreciente en las variables X e

Y . Es decir,
Si x < x0 =⇒ FX,Y (x, y) ≤ FX,Y (x0 , y)
Si y < y 0 =⇒ FX,Y (x, y) ≤ FX,Y (x, y 0 )

• lim FX,Y (x, y) = FX (x)

y→∞

lim FX,Y (x, y) = FY (y)

x→∞
 siendo FX (x) y FY (y) las funciones de distribución de las variables X e Y .

• lim FX,Y (x, y) = 0

x→−∞
lim FX,Y (x, y) = 0
y→−∞

• lim lim FX,Y (x, y) = lim lim FX,Y (x, y) = 1

x→∞y→∞ y→∞x→∞

• P (a < X ≤ b, c < Y ≤ d) = FX,Y (b, d)−FX,Y (a, d)−FX,Y (b, c)+FX,Y (a, c)

5.3. Variable aleatoria bidimensional discreta. Función

de probabilidad o función de masa.

Una variable aleatoria bidimensional (X, Y ) es discreta cuando toma una

cantidad finita o infinita numerable de posibles valores.

Se define la función de probabilidad o función de masa de una v.a. bidimen-

sional discreta como la función que proporciona la probabilidad de cada uno de
los diferentes valores que puede tomar la v.a. bidimensional.

Ası́, la función de probabilidad viene dada por:

P [X = i, Y = j] = pij ∀i = 1, ..., I ∀j = 1, ..., J

donde I son todos los posibles valores de la variable X y J todos los posibles
valores de la variable Y . Por lo tanto, I × J es el conjunto de valores alcanzados
por la v.a. bidimensional (X, Y ).

La función de probabilidad verifica las siguientes propiedades:

• pij > 0 ∀i, j ∈ I × J.

I X
X J
• pij = 1.
i=1 j=1

Ejemplo 5.2
Sea la v.a. bidimensional discreta (X, Y ) cuya función de probabilidad viene
dada en la siguiente tabla:
 Variables aleatorias bidimensionales 67

Y
−1 0 1
X
0 0.2 0.1 0.1
1 0.1 0.3 0.2

a) Calcular la función de distribución conjunta para la v.a. bidimensional (X, Y ).

b) Calcular las siguientes probabilidades:

P [X ≤ 0.3, Y ≤ −0.15], P [X ≥ 0.3, Y ≤ 1], P [X ≤ Y 2 ], P [X < Y 2 ].

a) La función de distribución conjunta para la v.a. bidimensional (X, Y ) es la

siguiente:

P (X ≤ x, Y ≤ y) = FX,Y (x, y) =



 0 si x < 0, y < −1




 0 si x < 0, −1 ≤ y < 0
0 si x < 0, 0 ≤ y < 1








 0 si x < 0, y ≥ 1
0 si 0 ≤ x < 1, y < −1





 0 si x ≥ 1, y < −1
= =⇒

 0.2 si 0 ≤ x < 1, −1 ≤ y < 0

0.1 + 0.2 si x ≥ 1, −1 ≤ y < 0




si 0 ≤ x < 1, 0 ≤ y < 1



 0.2 + 0.1

0.2 + 0.1 + 0.1 + 0.3 si x ≥ 1, 0 ≤ y < 1








 0.2 + 0.1 + 0.1 si 0 ≤ x < 1, y ≥ 1
0.2 + 0.1 + 0.1 + 0.1 + 0.3 + 0.2 si x ≥ 1, y ≥ 1

 

 0 si x < 0, y < −1




 0 si x < 0, −1 ≤ y < 0
0 si x < 0, 0 ≤ y < 1








 0 si x < 0, y ≥ 1
0 si 0 ≤ x < 1, y < −1





 0 si x ≥ 1, y < −1
FX,Y (x, y) =

 0.2 si 0 ≤ x < 1, −1 ≤ y < 0

0.3 si x ≥ 1, −1 ≤ y < 0




si 0 ≤ x < 1, 0 ≤ y < 1



 0.3

0.7 si x ≥ 1, 0 ≤ y < 1








 0.4 si 0 ≤ x < 1, y ≥ 1
1 si x ≥ 1, y ≥ 1


Finalmente, la función de distribución conjunta queda tal que:



 0 si x < 0, y < −1




 0 si x < 0, −1 ≤ y < 0
0 si x < 0, 0 ≤ y < 1








 0 si x < 0, y ≥ 1
0 si 0 ≤ x < 1, y < −1





 0 si x ≥ 1, y < −1
FX,Y (x, y) =

 0.2 si 0 ≤ x < 1, −1 ≤ y < 0

0.3 si x ≥ 1, −1 ≤ y < 0




si 0 ≤ x < 1, 0 ≤ y < 1



 0.3

0.4 si 0 ≤ x < 1, y ≥ 1








 0.7 si x ≥ 1, 0 ≤ y < 1
1 si x ≥ 1, y ≥ 1


b) Las probabilidades quedan:

• P [X ≤ 0.3, Y ≤ −0.15] = P [X = 0, Y = −1] = 0.2
• P [X ≥ 0.3, Y ≤ 1] = P [X = 1, Y ≤ 1] = P [X = 1, Y = −1]+
+P [X = 1, Y = 0] + P [X = 1, Y = 1] = 0.1 + 0.3 + 0.2 = 0.6
• P [X ≤ Y 2 ] = P [X = 0, Y = −1] + P [X = 0, Y = 0]+
+P [X = 0, Y = 1] + P [X = 1, Y = −1] + P [X = 1, Y = 1] = 0.7
• P [X < Y 2 ] = P [X = 0, Y = −1] + P [X = 0, Y = 1] = 0.3
 Variables aleatorias bidimensionales 69

5.4. Variable aleatoria bidimensional continua y ab-

solutamente continua. Función de densidad.

Una v.a.bidimensional (X, Y ) es continua si su función de distribución FX,Y (x, y)

es continua. Es decir,

lim FX,Y (x, y) = FX,Y (x0 , y0 ) ∀x0 , y0 ∈ R

(x,y)→(x0 ,y0 )

Una v.a. bidimensional (X, Y ) es absolutamente continua cuando existe una

función fX,Y (x, y), tal que la función de distribución continua de la v.a. bidimen-
Zx Zy
sional (X, Y ) se puede escribir como: fX,Y (x, y)dxdy. Donde fX,Y (x, y) es
−∞ −∞
la función de densidad conjunta de la v.a. bidimensional (X, Y ). Esta función de
distribución satisface las siguientes propiedades:

• fX,Y (x, y) ≥ 0 ∀x, y ∈ R.

Z∞ Z∞
• fX,Y (x, y)dxdy = 1.
−∞ −∞

Ejemplo 5.3
Dado la v.a. bidimensional (X, Y ) absolutamente continua con función de
densidad conjunta
(
cx2 y si x2 ≤ y ≤ 1
fX,Y (x, y) = .
0 en otro caso

Calcular:

a) El valor de la constante c.

b) P [X ≥ Y ].

c) La función de distribución conjunta, FX,Y (x, y).

a) Para el cálculo de la constante c se procede del siguiente modo:

Z∞ Z∞
sabemos que fX,Y (x, y)dxdy = 1, por tanto, para el ejemplo en el
−∞ −∞
que nos encontramos tenemos que:
Z1 Z1 Z1 h i1 Z1   h i1
cx2 y 2 cx2 cx6 x3 x7
cx2 y dydx =


1= 2 dx = 2 − 2 dx = c 6 − 14 −1 =
x2
−1 x2 −1 −1

1 1 1 1 4


=c 6 − 14 + 6 − 14 = 1 ⇒ c 21 =1⇒

21
c=
4

Z1 Zx Z1 h ix Z1 h i
21 2 21 x2 y 2 21 x4 x6


b) P [X ≥ Y ] = 4 x y dydx = 4 2 dx = 4 2 − 2 dx =
x2
0 x2 0 0
h i1
21 x5 x7 21
= 4 10 − 14 0 = 140

c) Para el cálculo de la función de distribución conjunta, FX,Y (x, y), se procede

del siguiente modo:

Si x ≤ −1 entonces FX,Y (x, y) = 0.

Igualmente si y ≤ 0 entonces FX,Y (x, y) = 0.

Además, la función también es cero cuando −1 ≤ x ≤ 0, 0 ≤ y ≤ 1 y además

y ≤ x2 por lo que FX,Y (x, y) = 0 si −1 ≤ x ≤ 0, 0 ≤ y ≤ x2 .
 Variables aleatorias bidimensionales 71

Si −1 ≤ x < 1, x2 ≤ y < 1 la función de distribución conjunta para la v.a. se

calcuları́a:

Zx Zy
7
21 2
dydx = 87 x3 y 2 − 83 x7 + 21 y 2 .


4 x y
√
− y x2

Si −1 ≤ x < 1, y ≥ 1 la función de distribución conjunta para la v.a. se

calcuları́a:

Zx Z1
21 2
dydx = 87 x3 − 83 x7 + 12 .


4 x y
−1 x2

Dada la continuidad, las dos expresiones anteriores son iguales considerando

y = 1.

Si 0 ≤ x < 1, 0 ≤ y ≤ x2 la función de distribución es:

√
+Z y Zy
7
21 2


4 x y dydx = y 2
√
− y x2

Esta misma expresión se obtiene cuando se calcula la función de distribución

conjunta si x ≥ 1, 0 ≤ y ≤ 1 de forma que:
√
+Z y Zy
7
21 2


4 x y dydx = y 2
√
− y x2

Finalmente si x ≥ 1, y ≥ 1 la función de distribución conjunta para la v.a. se

calcuları́a:

Z1 Z1
21 2


4 x y dydx = 1
−1 x2

Por consiguiente, la función de distribución conjunta de la v.a. bidimensional

 es:



 0 si x < −1
0 si y<0




si −1 ≤ x ≤ 0, 0 ≤ y ≤ x2




 0
7 3 2 3 7 1 72
si −1 ≤ x < 1, x2 ≤ y < 1

8x y − 8x + 2y

FX,Y (x, y) = 7 3 3 7 1

 8x − 8x + 2 si −1 ≤ x < 1, y ≥ 1
 7
y2 si 0 ≤ x < 1, 0 ≤ y ≤ x2




 7
y2 si x ≥ 1, 0 ≤ y ≤ 1




x ≥ 1, y ≥ 1

1 si

Proposición 5.1
Sea una v.a. bidimensional absolutamente continua con función de densidad
fX,Y (x, y) y función de distribución FX,Y (x, y). La función de densidad de la
v.a. bidimensional se puede calcular como la derivada segunda de la función de
distribución, de forma que:

∂ 2 FX,Y (x, y)
fX,Y (x, y) =
∂x∂y
 Variables aleatorias bidimensionales 73

Ejemplo 5.4
Dado la v.a. bidimensional (X, Y ) con función de distribución


 0 si x<0
0 si x ≥ 0; y ≤ 0





 xy si 0 ≤ x < 1, 0 ≤ y < 1
FX,Y (x, y) =

 x si 0 ≤ x < 1, y ≥ 1

y si x ≥ 1, 0 ≤ y < 1




x ≥ 1, y ≥ 1

1 si

Calcular la función de densidad conjunta de la v.a. bidimensional (X, Y ).

Aplicando la proposición anterior, se tiene que:



 0 si x<0
0 si x ≥ 0; y ≤ 0





 y si 0 ≤ x < 1, 0 ≤ y < 1
∂FX,Y (x,y)
∂x =

 1 si 0 ≤ x < 1, y ≥ 1

0 si x ≥ 1, 0 ≤ y < 1




x ≥ 1, y ≥ 1

0 si


 0 si x<0
0 si x ≥ 0; y ≤ 0





∂ 2 FX,Y (x,y)
 1 si 0 ≤ x < 1, 0 ≤ y < 1
∂x∂y =

 0 si 0 ≤ x < 1, y ≥ 1

0 si x ≥ 1, 0 ≤ y < 1




x ≥ 1, y ≥ 1

0 si
Por consiguiente,
(
1 si 0 ≤ x < 1, 0 ≤ y < 1
fX,Y (x, y) =
0 en otro caso

5.5. Distribuciones marginales

Si (X, Y ) es una v.a. bidimensional, entonces X e Y son variables aleatorias

unidimensionales. Cada una de estas variables recibe el nombre de marginal y
su distribución se conoce como distribución marginal. Para las distribuciones
marginales también se puede distinguir entre discretas y continuas.

5.5.1. Distribuciones marginales discretas

Si (X, Y ) es una v.a. bidimensional discreta, entonces tanto la variable X,

como la variable Y , serán variables aleatorias unidimensionales discretas.

Sea P (X = i, Y = j) = pij ∀i = 1, ..., I ∀j = 1, ..., J la función de

probabilidad conjunta o función de masa de la v.a. (X, Y ). A partir de esta
función de probabilidad conjunta se puede obtener la función de probabilidad
marginal de cada una de las variables aleatorias que componen la v.a. (X, Y ).
Por lo tanto, pi. ∀i = 1, ..., I es la función de probabilidad marginal de la variable
aleatoria X y p.j ∀j = 1, ..., J es la función de probabilidad marginal de la variable
aleatoria Y .

Dada la función de probabilidad conjunta de la v.a. (X, Y ), las funciones de

probabilidad marginales de cada una de las variables que la componen se calculan
como se muestra a continuación:
J
X
pi. = P (X = i) = pij ∀i = 1, ..., I
j=1

I
X
p.j = P (Y = j) = pij ∀j = 1, ..., J
i=1

Ejemplo 5.5
Sea una v.a. bidimensional (X, Y ) con la siguiente función de probabilidad
conjunta:
Y
0 1 2
X
−1 0.2 0.1 0.01
1 0.04 0.02 0.07
3 0.1 0.1 0.36

Calcular las funciones de probabilidad marginales de X e Y .

 Variables aleatorias bidimensionales 75

La función de probabilidad marginal de la variable X es la siguiente:

p1. = 0.2 + 0.1 + 0.01 = 0.31

p2. = 0.04 + 0.02 + 0.07 = 0.13
p3. = 0.1 + 0.1 + 0.36 = 0.56

3
X
Se puede comprobar que pi. = 1
i=1

La función de probabilidad marginal de la variable Y es la siguiente:

p.1 = 0.2 + 0.04 + 0.1 = 0.34

p.2 = 0.1 + 0.02 + 0.1 = 0.22
p.3 = 0.01 + 0.07 + 0.36 = 0.44

3
X
Se puede comprobar que p.j = 1
j=1

Ejemplo 5.6
Considérese un experimento que consiste en lanzar dos dados. Sea X la va-
riable aleatoria ”Resultado obtenido al lanzar un dado” e Y la variable aleatoria
”Módulo de la diferencia de los resultados obtenidos con los dos dados”. Calcular:

a) La función de probabilidad conjunta.

b) Las funciones de probabilidad marginales de las variables aleatorias X e Y .

a) La función de probabilidad conjunta queda:

Y
0 1 2 3 4 5
X
1 1 1 1 1 1
1 36 36 36 36 36 36
1 2 1 1 1
2 36 36 36 36 36 0
1 2 2 1
3 36 36 36 36 0 0
1 2 2 1
4 36 36 36 36 0 0
1 2 1 1 1
5 36 36 36 36 36 0
1 1 1 1 1 1
6 36 36 36 36 36 36
b) Las funciones de probabilidad marginales de las variables aleatorias X e Y
son:

X 1 2 3 4 5 6 Y 0 1 2 3 4 5
1 1 1 1 1 1 1 10 8 1 4 2
pi. 6 6 6 6 6 6 p.j 6 36 36 6 36 36

5
X 5
X
De nuevo se puede comprobar que pi. = 1 y p.j. = 1
i=1 j=1

5.5.2. Distribuciones marginales continuas

Si (X, Y ) es una v.a.bidimensional absolutamente continua con función de

distribución conjunta FX,Y (x, y) y función de densidad conjunta fX,Y (x, y). En-
tonces, tanto la variable X como la variable Y serán variables aleatorias unidi-
mensionales absolutamente continuas y verifican que:
Z∞
FX (x) = lim FX,Y (x, y) fX (x) = fX,Y (x, y)dy
y→∞
−∞

Z∞
FY (y) = lim FX,Y (x, y) fY (y) = fX,Y (x, y)dx
x→∞
−∞

Ejemplo 5.7
Dada la v.a. bidimensional ((X, Y ) absolutamente continua con función de
21 2
4 x y si x2 ≤ y ≤ 1
densidad conjunta fX,Y (x, y) = .
0 en otro caso

Calcular las funciones de densidad marginales de las variables aleatorias X e

Y.
Z∞ Z1 h i1
21 2 21 2 y 2 21 x2
1 − x4


fX (x) = fX,Y (x, y)dy = 4 x ydy = 4 x 2 x2 = 4 2
−∞ x2
(
21 x2
1 − x4


4 2 si −1 ≤ x ≤ 1
fX (x) =
0 en otro caso
 Variables aleatorias bidimensionales 77

√
Z∞ Zy h i√y 5
21 2 21 x3
fY (y) = fX,Y (x, y)dx = 4 x ydx = 4 y 3 − √y = 72 y 2
√
−∞ − y
(
7 52
2y si 0≤y≤1
fY (y) =
0 en otro caso

5.6. Distribuciones condicionadas

Dado una v.a. bidimensional (X, Y ), se desea analizar el comportamiento de

cada una de las variables aleatorias conocido el valor de la otra variable aleatoria.
Es decir, obtener la distribución de la variable aleatoria X cuando se conoce el
valor de la variable aleatoria Y, Y = y. A esta distribución se le denomina dis-
tribución condicionada de X a Y = y y se denota como X|Y = y. Análogamente
se obtiene la distribución de la variable aleatoria Y cuando se conoce el valor de
la variable aleatoria X, X = x. A esta distribución se le denomina distribución
condicionada de Y a X = x y se denota como Y |X = x. De este modo, quedan
definidas dos nuevas variable aleatorias unidimensionales.

En el caso de distribuciones condicionadas también se puede distinguir entre

discretas y continuas.

5.6.1. Distribuciones condicionadas discretas

Sea una v.a. bidimensional discreta (X, Y ) con función de probabilidad con-
junta pij ∀i = 1, ..., I; ∀j = 1, ..., J y funciones de probabilidad marginales pi.
∀i = 1, ..., I y p.j ∀j = 1, ..., J. La función de probabilidad de la variable
X sabiendo que la variable Y ha tomado el valor j viene dada por la siguiente
expresión:
pij
P (X = i|Y = j) = ∀i ∈ I
p.j
siendo j uno de los posibles valores de la v.a. Y .

Análogamente, se define la función de probabilidad de la variable Y sabiendo

que la variable X ha tomado el valor i :
pij
P (Y = j|X = i) = ∀j ∈ J
pi.
siendo i uno de los posibles valores de la v.a. X.

Ejemplo 5.8
Considérese un experimento que consiste en lanzar dos dados. Sea X la va-
riable aleatoria ”Resultado obtenido al lanzar el dado” e Y la variable aleatoria
”Módulo de la diferencia de los resultados obtenidos con los dos dados”. Calcular
las distribuciones marginales X|Y = j.

La función de distribución conjunta de esta v.a. bidimensional es la siguiente:

Y
0 1 2 3 4 5
X
1 1 1 1 1 1
1 36 36 36 36 36 36
1 2 1 1 1
2 36 36 36 36 36 0
1 2 2 1
3 36 36 36 36 0 0
1 2 2 1
4 36 36 36 36 0 0
1 2 1 1 1
5 36 36 36 36 36 0
1 1 1 1 1 1
6 36 36 36 36 36 36

Por lo que, las distribuciones marginales X|Y = j ∀j = 1, ..., 6 son las

siguientes:
X|Y = 0 1 2 3 4 5 6
1 1 1 1 1 1
P (X = i|Y = 0) 36
6
36
6
36
6
36
6
36
6
36
6
36 36 36 36 36 36

X|Y = 1 1 2 3 4 5 6
1 2 2 2 2 1
P (X = i|Y = 1) 36
10
36
10
36
10
36
10
36
10
36
10
36 36 36 36 36 36

X|Y = 2 1 2 3 4 5 6
1 1 2 2 1 1
P (X = i|Y = 2) 36
8
36
8
36
8
36
8
36
8
36
8
36 36 36 36 36 36

X|Y = 3 1 2 3 4 5 6
1 1 1 1 1 1
P (X = i|Y = 3) 36
6
36
6
36
6
36
6
36
6
36
6
36 36 36 36 36 36
 Variables aleatorias bidimensionales 79

X|Y = 4 1 2 3 4 5 6
1 1 1 1
P (X = i|Y = 4) 36
4
36
4 0 0 36
4
36
4
36 36 36 36

X|Y = 5 1 2 3 4 5 6
1 1
P (X = i|Y = 5) 36
2 0 0 0 0 36
2
36 36

Ejemplo 5.9
Sea X =”Curso más alto en el que está matriculado un alumno de la Diplo-
matura de Estadı́stica” e Y =”Número de veces que ha visitado el museo del
prado”. La función de probabilidad conjunta para la v.a. bidimensional (X, Y )
es la siguiente:
Y
0 1 >1
X
1 0.2 0.1 0.04
2 0.04 0.1 0.04
3 0.04 0.2 0.24

Para dicha distribución calcular:

a) Distribución de la v.a. X sabiendo que el alumno nunca ha visitado el museo

del prado.

b) Probabilidad de que el alumno esté matriculado en tercero sabiendo que ha

estado más de una vez en el museo del prado.

c) Distribución de asistencia al museo del prado de aquellos alumno que sólo

están matriculados en primer curso.

a) Se pide la distribución de X|Y = 0 :

X|Y = 0 1 2 3
0.2 5 0.04 1 0.04 1
P (X = i|Y = 0) 0.28 = 7 0.28 = 7 0.28 = 7

Lo que quiere decir, que de cada 7 alumnos que no han visitado el museo del
prado hay 5 alumnos en primero, un alumno en segundo y otro en tercero.
b) Se pide la probabilidad P (X = 3|Y > 1).
P (X = 3, Y > 1) 0.24 3
P (X = 3|Y > 1) = = = . Por lo tanto, de cada 4
P (Y > 1) 0.32 4
alunmos que han visitado más de una vez el museo del prado, 3 están en
tercer curso de estadı́stica.

c) La distribución que se pide es la siguiente:

Y |X = 1 0 1 >1
0.2 10 0.1 5 0.04 2
P (Y = j|X = 1) 0.34 = 17 0.34 = 17 0.34 = 17

Lo que quiere decir, que de cada 17 alumnos matriculados en primero de es-

tadı́stica, 10 no han visitado nunca el museo del prado, 5 han ido una sola
vez y 2 han ido más de una vez.

5.6.2. Distribuciones condicionadas absolutamente continuas.

Sea una v.a.bidimensional absolutamente continua (X, Y ) con función de den-

sidad conjunta fX,Y (x, y) y funciones de densidad marginales fX (x) y fY (y).
Entonces, la función de densidad de la variable X sabiendo que la variable Y ha
tomado el valor Y = y0 viene dada por la siguiente expresión:
fX,Y (x, y0 )
fX|Y =y0 (x) =
fY (y0 )

Análogamente, la función de densidad de la variable Y , sabiendo que la va-

riable X ha tomado el valor X = x0 , viene dada por la siguiente expresión:
fX,Y (x0 , y)
fY |X=x0 (y) =
fX (x0 )

Ejemplo 5.10
Dado una v.a. bidimensional absolutamente continua (X, Y ) con función de
densidad conjunta
(
3
fX,Y (x, y) = 16 (4 − 2x − y) si x > 0; y > 0; 2x + y < 4
0 en otro caso

Calcular:
 Variables aleatorias bidimensionales 81

a) fY |X=x0 (y).

b) fX|Y =y0 (x).

c) P (Y ≥ 2|X = 0.5) .

a) Para el cálculo de la correspondiente función de densidad nos vamos a ayudar

de la siguiente gráfica:

Primero calculamos la función de densidad marginal de la variable aleatoria X:

Z∞ 4−2x
Z h  i4−2x
3 3 y2
fX (x) = fX,Y (x, y)dy = 16 (4 − 2x − y) dy = 16 4y − 2xy − 2 =
0
−∞ 0
3
2x2 − 8x + 8 = 38 (x − 2)2


16
(
3 2 si
fX (x) = 8 (x − 2) ∀0 ≤ x ≤ 2
0 en otro caso
 3
fX,Y (x0 ,y) (4−2x0 −y) 4−2x0 −y

fX (x0 ) = 16
3
(x0 −2)2
= 2(x0 −2)2
si ∀0 ≤ y ≤ 4 − 2x0
fY |X=x0 (y) = 8
 0 en otro caso

b) Primero calculamos la función de densidad marginal de la variable aleatoria

Y:
2− y2
Z∞ Z
3 3

2− y
4x − x2 − xy

fY (y) = fX,Y (x, y)dx = 16 (4 − 2x − y) dx = 16 0
2
=
 −∞  0
3 y2
16 4 − 2y + 4
  
y2
(
3
16 4 − 2y + 4 si ∀0 ≤ y ≤ 4
fY (y) =
0 en otro caso
 3
fX,Y (x,y0 ) (4−2x−y0 )
 = 16
 2  = (4−2x−y
2
0 )
si ∀0 ≤ x ≤ 2 − y0
fY (y0 ) 2
 y0 y0
3
fX|Y =y0 (x) = 16 4
−2y0 +4 4
−2y 0 +4

 0 en otro caso

c) Para el cálculo de esta probabilidad, anteriormente se ha calculado la dis-

tribución marginal de la variable Y sabiendo que la variable X ha tomado
el valor X = x0 , (fY |X=x0 (y)).

 3−y
si 0≤y≤3
Por lo tanto, fY |X=0.5 (y) = 4.5
 0 en otro caso

Z3 3
y2

3−y 3 1
P (Y ≥ 2|X = 0.5) = dy = 3y − =
4.5 9 2 2 9
2

5.7. Variables aleatorias independientes

Dada una v.a. bidimensional (X, Y ) se dice que las variables aleatorias que
lo componen, X e Y , son independientes si ∀A, B ∈ P(Ω)

P (X ∈ A, Y ∈ B) = P (X ∈ A) · P (Y ∈ B), es decir, las variables aleatorias

X e Y son independientes cuando lo son los sucesos {X ∈ A} , {Y ∈ B} ∀A, B ∈
P(Ω).

Teorema 5.1
Sea una v.a. bidimensional (X, Y ) con función de distribución conjunta
FX,Y (x, y) y funciones de distribución marginales FX (x) y FY (y), entonces X
e Y son independientes si y solo si

FX,Y (x, y) = FX (x) · FY (y)∀x, y ∈ R.

 Variables aleatorias bidimensionales 83

Ejemplo 5.11
Dado una v.a. bidimensional absolutamente continua (X, Y ) con función de
densidad conjunta
(
1 si 0 < x < 1, 0 < y < 1
fX,Y (x, y) = .
0 en otro caso

Determinar si las variables aleatorias X e Y son variables aleatorias inde-

pendientes.

Lo primero es calcular la función de distribución conjunta para esta v.a. bidi-

mensional, FX,Y (x, y) :


 0 si x≤0
0 si y≤0





 xy si 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
FX,Y (x, y) =

 y si x ≥ 1, y ≤ 1

x si x ≤ 1, y ≥ 1




x ≥ 1, y ≥ 1

1 si

A continuación, se calculan las funciones de densidad marginales de las va-

riables aleatorias X e Y :
( (
1 si 0 ≤ x ≤ 1 1 si 0 ≤ y ≤ 1
fX (x) = y fY (y) =
0 en otro caso 0 en otro caso

Y las funciones de distribución marginales de X e Y.

 
 0 si
 x<0  0 si
 y<0
FX (x) = x si 0 ≤ x < 1 y FY (y) = y si 0 ≤ y < 1
 
 1 si x≥1  1 si y≥1

Por lo tanto, FX,Y (x, y) = FX (x) · FY (y) ∀x, y ∈ (0, 1). Lo que quiere decir
que las variables aleatorias X e Y son independientes.

Teorema 5.2
Sea (X, Y ) una v.a. bidimensional discreta con función de probabilidad con-
junta pij ∀i = 1, ..., I ∀j = 1, ..., J y funciones de probabilidad marginales pi.
∀i = 1, ..., I y p.j ∀j = 1, ..., J. Entonces las variables aleatorias X e Y son
independientes si y solo si

pij = pi. · p.j ∀i = 1, ..., I y ∀j = 1, ..., J.

Ejemplo 5.12
Sea el experimento consistente en lanzar dos dados y sea X =”Puntuación
obtenida con el primer dado” e Y =”Módulo de la diferencia entre la puntuación
obtenida con los dos dados”. La función de probabilidad conjunta de la v.a.
bidimensional (X, Y ) es la siguiente:

Y
0 1 2 3 4 5
X
1 1 1 1 1 1
1 36 36 36 36 36 36
1 2 1 1 1
2 36 36 36 36 36 0
1 2 2 1
3 36 36 36 36 0 0
1 2 2 1
4 36 36 36 36 0 0
1 2 1 1 1
5 36 36 36 36 36 0
1 1 1 1 1 1
6 36 36 36 36 36 36

Comprobar si las variables X e Y son independientes.

1
Se puede observar que p34 = 0 6= p3· · p·4 = 6 · 41 . Por lo que podemos concluir
que X e Y no son independientes.

Las funciones de probabilidad marginales han sido calculadas anteriormente

en el Ejemplo 7.8.

Teorema 5.3
Sea una v.a. bidimensional continua (X, Y ) con función de densidad conjunta
fX,Y (x, y) y funciones de densidad marginales fX (x) y fY (y), entonces X e Y
son independientes si y solo si

fX,Y (x, y) = fX (x) · fY (y)∀x, y ∈ R.

Ejemplo 5.13
Dada una v.a. bidimensional absolutamente continua (X, Y ) con función de
densidad conjunta
(
1 si 0 < x < 1, 0 < y < 1
fX,Y (x, y) = .
0 en otro caso
 Variables aleatorias bidimensionales 85

Determinar si las variables aleatorias X e Y son variables aleatorias inde-

pendientes.

Se calculan las funciones de densidad marginales de las variables aleatorias

X eY :
( (
1 si 0 ≤ x ≤ 1 1 si 0 ≤ y ≤ 1
fX (x) = y fY (y) =
0 en otro caso 0 en otro caso

Por lo tanto, fX,Y (x, y) = fX (x) · fY (y) ∀x, y ∈ (0, 1). Lo que quiere decir
que las variables aleatorias X e Y son independientes.

Ejemplo 5.14
Dada una v.a. bidimensional absolutamente continua (X, Y ) con función de
densidad conjunta:
(
3 2
2y si 0 ≤ x ≤ 2, 0 ≤ y ≤ 1
fX,Y (x, y) = .
0 en otro caso

Determinar si son independientes las variables aleatorias X e Y.

Se calculan las funciones de densidad marginales de las variables aleatorias

X e Y.
Z1 h i1
3 2 y3 1
fX (x) = 2 y dy = 2 0 = 2 x ∈ [0, 2]
0
(
1
2 si 0 ≤ x ≤ 2
fX (x) =
0 en otro caso

Z2
3 2 2x 2
3
= 3y 2

fY (y) = 2 y dx = 2y 0
y ∈ [0, 1]
0
(
3y 2 si 0 ≤ y ≤ 1
fY (y) =
0 en otro caso

Por lo tanto, fX,Y (x, y) = fX (x) · fY (y) ∀0 ≤ x ≤ 2, 0 ≤ y ≤ 1. Lo que

quiere decir que las variables aleatorias X e Y son independientes.
Proposición 5.2
Sea una v.a. bidimensional (X, Y ) donde X e Y son v.a. independientes.
Entonces las distribuciones condicionadas de X a cualquier valor observado de
Y coinciden con la distribución de X. De igual forma, las distribuciones condi-
cionadas de Y a cualquier valor observado de X coinciden con la propia dis-
tribución de Y.

Demostración 5.1
Caso discreto:

Sea pij ∀i = 1, ..., I ∀j = 1, ..., J la función de probabilidad conjunta de la

v.a. bidimensional (X, Y ), y sean pi. ∀i = 1, ..., I, p.j ∀j = 1, ..., J las funciones
de probabilidad marginales de X e Y respectivamente.

Por la independencia sabemos que pij = pi. · p.j ∀i = 1, ..., I y ∀j = 1, ..., J.

pij
Por otro lado sabemos que P (X = i|Y = j) = p.j ∀i ∈ I entonces por el
concepto de independencia se tiene que
pij pi. ·p.j
P (X = i|Y = j) = p.j = p.j = pi. = P (X = i) ∀i ∈ I

Por lo tanto la distribución de X|Y = j ∀j ∈ J coincide con la distribución

de X.

Análogamente la distribución de Y |X = i ∀i ∈ I coincide con la distribución

de Y .

Caso absolutamente continuo:

Sea fX,Y (x, y) la función de densidad conjunta de la v.a. bidimensional

(X, Y ) y sean fX (x) y fY (y) las funciones de densidad marginales de las variables
X e Y respectivamente.

Por la independencia sabemos que fX,Y (x, y) = fX (x) · fY (y).

fX,Y (x, y0 )
Por otro lado fX|Y =y0 (x) = para cualquier y0 que pertenezca al
fY (y0 )
dominio de la variable aleatoria Y . Entonces por el concepto de independencia
se tiene que
fX,Y (x, y0 ) fX (x) · fY (y0 )
fX|Y =y0 (x) = = = fX (x)
fY (y0 ) fY (y0 )
Por lo tanto la distribución de X|Y = y0 coincide con la distribución de X.
 Variables aleatorias bidimensionales 87

Análogamente la distribución de Y |X = x0 coincide con la distribución de

Y.

5.8. Cambio de variable

En ocasiones, dada una v.a. bidimensional (X, Y ), puede interesar conocer

la función de densidad o función de probabilidad de una función de la v.a. bidi-
mensional (X, Y ).

Ası́ por ejemplo, si un invididuo quiere saber la cuota mensual que tiene que
pagar por una hipoteca Z se tiene en cuenta la cantidad por la que solicita dicha
hipoteca X y el número de años que va a pagar la hipoteca Y . En este caso,
la variable aleatoria de interés Z es función de las variables X e Y , es decir
Z = h(X, Y ). Por tanto, el objetivo en este caso se centra en la función de
densidad o función de probabilidad de la variable aleatoria Z.

A continuación se presentan algunos resultados que permiten describir una

variable en función de (X, Y ).

Teorema 5.4
Teorema Jacobiano:

Sean (X1 , X2 ) una v.a. bidimensional con función de densidad conjunta

fX1 ,X2 (x1 , x2 ) que es estrictamente positiva en cierto recinto S. Sea (Y1 , Y2 ) =
g(X1 , X2 ) una transformación continua y biyectiva de dicha v.a. bidimensional
(X1 , X2 ) tal que g(S) = T . Por tanto, T es el recinto en el que la densidad de
(Y1 , Y2 ) es estrictamente positiva. Entonces:

fY1 ,Y2 (y1 , y2 ) = fX1 ,X2 (x1 (y1 , y2 ), x2 (y1 , y2 ))|J| (5.1)

siendo J el Jacobiano de la trasformación es decir,

 
 
 ∂xi   ∂x1 ∂x1 
 ∂y1 ∂y2 
J =  
i=1,2 =  ∂x2 ∂x2 
∂yj j=1,2 ∂y ∂y 1 2

Esta función de densidad fY1 ,Y2 (y1 , y2 ) alcanza el valor obtenido en la ex-
presión (7.1) para (y1 , y2 ) ∈ T , siendo nula fuera del recinto T .
 Recordemos que f (x1 (y1 , y2 ), x2 (y1 , y2 )) es la transformación inversa de g, es
decir, se obtiene despejando las X 0 s en función de las Y 0 s, esto es:

f (x1 (y1 , y2 ), x2 (y1 , y2 )) = f (g −1 (y1 , y2 ), g −1 (y1 , y2 ))

El teorema anterior se aplica en el caso de variables bidimensionales absolu-

tamente continuas. Además, la transformación debe ser continua y biyectiva.

Ejemplo 5.15
Sea (X, Y ) una variable aleatoria bidimensional absolutamente continua con
densidad uniforme en el cuadrante unitario [0, 1] × [0, 1]. Calcular la densidad
conjunta de U = X + Y y V = X − Y .

Se puede observar que la transformación es biyectiva ya que fijados x e y, u

y v quedan definidos unı́vocamente y recı́procamente fijados u y v, x = u+v 2 e
u−v
y = 2 quedan unı́vocamente determinados.
! ! !
u 1 1 x
Además, sabemos que = .
v 1 −1 y
 
 1 1 
Como   6= 0, entonces es una matriz invertible.
 
 1 −1 
! !−1 !
x 1 1 u
=
y 1 −1 v

Por lo que podemos concluir que se puede aplicar el Teorema Jacobiano.

 Variables aleatorias bidimensionales 89

Transformación directa: u = x + y; v = x − y
u+v u−v
Transformación inversa: x = 2 ; y= 2

El dominio de las variables U y V son: 0 ≤ u ≤ 2; −1 ≤ v ≤ 1

u+v
El dominio para las variables X e Y son: 2 ∈ [0, 1] → 0 ≤ u + v ≤ 2
u−v
2 ∈ [0, 1] → 0 ≤ u − v ≤ 2

 
 1 1   
2 2   1 1
fu,v (u, v) = 1 ·   = −2 =

1
 2 − 12  2

(
1
2 si 0 ≤ u ≤ 2; − 1 ≤ v ≤ 1
fu,v (u, v) =
0 en otro caso

Para el caso discreto se tiene el siguiente resultado:

Teorema 5.5
Sea (X1 , X2 ) una v.a. bidimensional discreta y sea Z = g(X1 , X2 ) una trans-
formación de (X1 , X2 ) donde Z es una v.a. unidimensional. Entonces, la función
de probabilidad de Z vendrá dada por:

X
P (Z = z) = P (X1 = x1 , X2 = x2 )
x1 ,x2 /g(x1 ,x2 )=z

Ejemplo 5.16
Considérese el experimento que consiste en lanzar 2 dados. Sea X =”resultado
del primer dado” e Y =”diferencia en valor absoluto de los resultados de ambos
dados”. Calcular la función de probabilidad de la variable aleatoria Z = X 2 −Y 2 .

Y
0 1 2 3 4 5
X
1 1 1 1 1 1
1 36 36 36 36 36 36
1 2 1 1 1
2 36 36 36 36 36 0
1 2 2 1
3 36 36 36 36 0 0
1 2 2 1
4 36 36 36 36 0 0
1 2 1 1 1
5 36 36 36 36 36 0
1 1 1 1 1 1
6 36 36 36 36 36 36

Los posibles valores que toma Z son:

Z 0 1 4 3 9 8 5 16 15 12 7 25 24
21 36 35 32 27 20 11 −3 −15 −24 −5 −12 −8

Por lo tanto la función de probabilidad de dicha variable Z quedará tal que:

Z 0 1 4 3 9 8 5 16 15 12 7 25 24
3 1 1 2 2 2 2 2 2 2 1 1 2
P (Z = z) 36 36 36 36 36 36 36 36 36 36 36 36 36

Z 21 36 35 32 27 20 11 −3 −15 −24 −5 −12 −8

1 1 1 1 1 1 1 1 1 1 1 1 1
P (Z = z) 36 36 36 36 36 36 36 36 36 36 36 36 36

Para calcular las probabilidades de Z se trabaja con:

P (Z = 0) = P (X = 1, Y = 1) + P (X = 2, Y = 2) + ... + P (X = 5, Y = 5) =
1 1 1 3
= 36 + 36 + 36 +0+0= 36
1
P (Z = 1) = P (X = 1, Y = 0) = 36
1
P (Z = 4) = P (X = 2, Y = 0) = 36
2
P (Z = 3) = P (X = 3, Y = 1) = 36
2
P (Z = 9) = P (X = 3, Y = 0) + P (X = 5, Y = 4) = 36
2
P (Z = 8) = P (X = 3, Y = 1) = 36
2
P (Z = 5) = P (X = 3, Y = 4) = 36
 Variables aleatorias bidimensionales 91

2
P (Z = 16) = P (X = 4, Y = 0) + P (X = 5, Y = 3) = 36
2
P (Z = 15) = P (X = 4, Y = 1) = 36
2
P (Z = 12) = P (X = 4, Y = 2) = 36
1
P (Z = 7) = P (X = 4, Y = 3) = 36
1
P (Z = 25) = P (X = 5, Y = 0) = 36

...

Sea (X, Y ) una v.a. bidimensional absolutamente continua con función de

densidad fX,Y (x, y) y se quiere calcular la función de densidad de la variable
aleatoria U = X + Y .

En este caso el teorema del Jacobiano no es directamente aplicable, dado que

la transformación no tiene la misma dimensión, es decir, partimos de una v.a.
bidimensional y la transformación es unidimensional.

Lo que se hace en este tipo de situaciones es elegir una variable auxiliar lo

más sencilla posible, como puede ser V = X, a continuación, se aplica el teorema
del Jacobiano a la v.a. bidimensional (U, V ) y para terminar se calcula la función
de densidad marginal de U .

Se tiene: U = X + Y La transformación inversa serı́a X = V

V =X Y =U −V

 
 0 1 
fu,v (u, v) = fx,y (v, u − v) ·   = fx,y (v, u − v) · |1|
 
 1 −1 
R
fu (u) = R fx,y (v, u − v)dv

Ejemplo 5.17
Sean X e Y dos v.a. independientes, cada una de ellas con distribución
exponencial de parámetro uno. Calcular la función de densidad de la variable
aleatoria X + Y.

Las funciones de densidad de las variables X e Y son las siguientes:

 ( (
e−x si x>0 e−y si y>0
fx (x) = fy (y) =
0 en otro caso 0 en otro caso

Por ser las variables aleatorias X eY independientes, la función de densidad

conjunta de la v.a. bidimensional es la siguiente:
(
e−x−y si x > 0, y > 0
fX,Y (x, y) =
0 en otro caso

La transformación a aplicar es U = X + Y ; V = X. Como x > 0 e y > 0,

entonces u > 0; v > 0 y u > v.

Aplicando el teorema del Jacobiano se tiene que:

 
  0 1 
fu,v (u, v) = fx,y (v, u − v) ·   = fx,y (v, u − v) · |1| = e−u · 1 = e−u
 
 1 −1 
(
e−u si u > 0; v > 0 y u > v
fu,v (u, v) =
0 en otro caso

Lo que se quiere obtener es la función de densidad de la variable aleatoria U ,

por lo que se calcula la función de densidad marginal de U.
Ru u
fu (u) = 0 e−u dv = [v · e−u ]0 = u · e−u
(
u · e−u si u>0
fu (u) =
0 en otro caso

Ejemplo 5.18
Dos personas tienen una cita para verse entre las 5 y las 6 de la tarde en un
local concreto y se ponen de acuerdo en que no se esperan más de 10 minutos la
una a la otra. Si llegan de forma aleatoria e independiente entre las 5 y las 6 de
la tarde, ¿cuál es la probabilidad de que se vean?

X =”Tiempo de llegada en minutos de la persona A”

Y =”Tiempo de llegada en minutos de la persona B”

( (
1 1
60 si 0 ≤ x ≤ 60 60 si 0 ≤ y ≤ 60
fx (x) = fy (y) =
0 en otro caso 0 en otro caso

Por independencia
 Variables aleatorias bidimensionales 93

(
1
602
si 0 < x < 60, 0 < y < 60
fX,Y (x, y) = fX (x) · fY (y) =
0 en otro caso

La transformación a aplicar es U = |X − Y | .

Esta transformación no es biyectiva, por lo que no se puede aplicar el teo-

rema Jacobiano. Entonces se aplica directamente la definición de función de
distribución.

FU (u) = P (Z ≤ 10) = P (|X − Y | ≤ 10) = P (−10 ≤ X − Y ≤ 10) =

1 1100 11
= P (−10 + Y ≤ X ≤ 10 + Y ) = 3600 · Area T = 3600 = 36

Lo que quiere decir, que se encontrarán 11 de cada 36 veces que queden.

Ejemplo 5.19
Sea (X, Y ) una v.a. bidimensional con función de probabilidad

 c |i + j| si i = −2, −1, 0, 1, 2

pij = j = −2, −1, 0, 1, 2

 0 en otro caso
Calcular:

a) El valor de la constante c.

b) P (X = 0, Y = −2).

c) P (X = 1).

d) P (|X − Y | ≤ 1).
a) Para determinar el valor de la constante c, tenemos que:

Y
−2 −1 0 1 2
X
−2 4c 3c 2c c 0
−1 3c 2c c 0 c
0 2c c 0 c 2c
1 c 0 c 2c 3c
2 0 c 2c 3c 4c

5 P
5
P 1
1= pij = 40c ⇒ c= 40
i=1j=1

1
b) P (X = 0, Y = −2) = 2c = 20

7
c) P (X = 1) = 7c = 40

d) P (|X − Y | ≤ 1) = P (X = −2, Y = −2) + P (X = −2, Y = −1)+

+P (X = −1, Y = −2) + P (X = −1, Y = −1) + P (X = −1, Y = 0)+

+P (X = 0, Y = −1) + P (X = 0, Y = 0) + P (X = 0, Y = 1)+

+P (X = 1, Y = 0) + P (X = 1, Y = 1) + P (X = 1, Y = 2)+

7
+P (X = 2, Y = 1) + P (X = 2, Y = 2) = 28c = 10