1
Fundamentos de las Distribuciones de Probabilidad Conjunta
MATH005Lesson 6
00:00
En lecciones anteriores, vivíamos en un mundo unidimensional, observando variables aleatorias individuales de forma aislada. Ahora ampliamos nuestro horizonte hacia Distribuciones de Probabilidad Conjunta. Imagina observar un vector de variables simultáneamente—como la altura y el peso de un estudiante, o las coordenadas de un dardo que impacta en un tablero. Este marco nos permite describir matemáticamente cómo las variables interactúan, dependen entre sí o existen en una independencia plena.

1. La Función de Distribución Acumulada Conjunta (FDAC)

La base del análisis multivariable es la Función de Distribución Conjunta $F(a_1, a_2, \dots, a_n)$. Define la probabilidad de que se cumplan múltiples condiciones al mismo tiempo.

$F(a_1, a_2, \dots, a_n) = P\{X_1 \le a_1, X_2 \le a_2, \dots, X_n \le a_n\}$

Esta fórmula representa la probabilidad de que cada variable $X_i$ caiga por debajo de su umbral respectivo $a_i$ simultáneamente. Geométricamente, en dos dimensiones, esto es la probabilidad de que el par aleatorio $(X, Y)$ caiga dentro del rectángulo seminfinito situado en la parte inferior izquierda del punto $(a, b)$.

2. La Interpretación Infinitesimal de la Densidad

Para variables continuas, describimos la probabilidad mediante una Función de Densidad de Probabilidad Conjunta (FDPC), $f(x, y)$. A diferencia de los casos discretos, la probabilidad en un solo punto es cero. En cambio, analizamos regiones infinitesimales:

  • La probabilidad de que un par $(X, Y)$ caiga dentro de un pequeño rectángulo viene dada por:
    $P\{a < X < a + da, b < Y < b + db\} = \int_{b}^{b+db} \int_{a}^{a+da} f(x, y) \, dx \, dy \approx f(a, b) \, da \, db$
  • Alternativamente expresado como: $P\{x < X < x + dx, y < Y < y + dy\} \approx f(x, y) dx dy$

Esto revela que $f(x, y)$ es una "densidad" relativa al área de la región en el plano cartesiano.

3. Dependencia y Restricciones Geométricas

En probabilidad, las variables aleatorias que no son independientes se dicen que son dependientes. Esto no es solo una propiedad algebraica; a menudo es visible en el soporte de la distribución.

Ejemplo 1c: El Punto Aleatorio en un Círculo

Considera un punto $(X, Y)$ elegido uniformemente dentro de un círculo de radio $R$ centrado en $(0,0)$. Las variables $X$ e $Y$ son dependientes porque conocer $X = x$ limita los valores posibles de $Y$.

Si $X$ está cerca de $R$, entonces $Y$ debe estar cerca de $0$. Matemáticamente, $Y$ está restringida: $-\sqrt{R^2 - X^2} \le Y \le \sqrt{R^2 - X^2}$. Esta frontera es lo que impide que la densidad conjunta se factorice en marginales independientes.

🎯 Insight Fundamental
Las distribuciones conjuntas definen el espacio de probabilidad compartido. Cuando la realización de una variable restringe los resultados posibles de otra (como en el EJEMPLO 1c, 1d y 1e), hemos capturado la esencia de la dependencia.