Indice

3 Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

3.1

3.1

Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
o

3.1

3.2

Concepto de variable aleatoria. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1

3.3

Variable aleatoria discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3

3.4

Variable aleatoria continua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.5

3.5

Caracter
sticas asociadas a una variable aleatoria

. . . . . . . . . . . . . . . . . . . .

3.9

3.6

Variables aleatorias bidimensionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.14

3.6.1
3.6.2

Variable aleatoria bidimensional continua. . . . . . . . . . . . . . . . . . . . . . 3.17

3.6.3
3.7

Variable aleatoria bidimensional discreta . . . . . . . . . . . . . . . . . . . . . . 3.15

Caracter
sticas de variables aleatorias bidimensionales. . . . . . . . . . . . . . . 3.18

Independencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.20

2.0

Tema 3

Variables aleatorias. Funcin de

o
distribucin y caracter
o
sticas asociadas

3.1

Introduccin
o

En este tema pasamos a representar los resultados de un experimento aleatorio por nmeros. Introu
ducimos as el concepto de variable aleatoria, y las herramientas para trabajar con ellas. Distinguimos

entre variables aleatorias discretas y variables aleatorias continuas. Los conceptos que se presentan
son fundamentales para temas posteriores, especialmente en el tema 4 en que se estudian los modelos
de distribuciones ms relevantes.
a
As mismo para nalizar el tema se realiza una breve introduccin al estudio de las variables

o
aleatorias bidimensionales (y multidimensionales). Destacando el caso particular en que las variables
implicadas son independientes.

3.2

Concepto de variable aleatoria.

En numerosas ocasiones estaremos interesados en un resumen numrico asociado al experimento

e
aleatorio que estemos estudiando ms que en la estructura probabil
a
stica asociada al espacio muestral
de dicho experimento. Por ejemplo, consideremos un estudio de mercado en que se pregunta a 50
individuos si poseen l
nea ADSL en casa. Representamos por 1 que el individuo en cuestin la tenga,
o
y por 0 que no. El espacio muestral asociado a este experimento estar formado por 250 sucesos
a
elementales, siendo cada uno de ellos un vector de ceros y unos con 50 componentes. Evidentemente
hay que reducir el problema de forma que sea tratable y se capture la informacin que nos interesa. En
o
este ejemplo, si anotamos el nmero de personas que poseen ADSL de las 50 encuestadas estar
u
amos
recogiendo la informacin relevante. Este proceso es el que vamos a realizar con el concepto de variable
o
aleatoria, pero ms an, la estructura probabil
a u
stica que se ha introducido en el tema anterior al tratar
con sucesos, va a poder trasladarse al conjunto de valores que tengamos como resumen del experimento
aleatorio.
As el objetivo en este tema va a ser introducir una herramienta para cuanticar los resultados

de un experimento aleatorio. Para ello denimos una funcin del espacio muestral en R .
o
3.1

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

Denicin 3.1 Una variable aleatoria X es una funcin del espacio muestral asociado a un expeo
o
rimento aleatorio en R , es decir
X:R.
Ejemplo 3.1 Consideremos el experimento aleatorio de lanzar dos monedas. Denimos la variable
aleatoria X : nmero de caras obtenidas en los dos lanzamientos. En la siguiente tabla se recogen
u
los sucesos elementales y los valores que les asociamos por la variable aleatoria X:
wi
X(wi )

++
0

C+
1

+C
1

CC
2

En primer lugar, comenzaremos especicando el conjunto de valores que toma la variable aleatoria,
a este conjunto lo denominaremos rango de X, y se denotar por rg(X) . En el Ejemplo 3.1 el rango
a
de X es rg(X) = {0, 1, 2} .
Ejemplo 3.2 Consideremos el experimento aleatorio de preguntar en 50 hogares de Sevilla elegidos
al azar si poseen l
nea ADSL. Para la variable aleatoria X : nmero de hogares con l
u
nea ADSL, el
rango de X es:
rg(X) = {0, 1, 2, . . . , 50} .
Ejemplo 3.3 ( Sobre un mismo espacio muestral se pueden denir distintas variables aleatorias).
Consideremos el experimento aleatorio de lanzar un dado dos veces, podemos denir las siguientes
variables aleatorias:
1. X: suma de los puntos obtenidos en los dos lanzamientos, es decir X(i, j) = i+j , (i, j) .
El rango de X es rg(X) = {2, 3, 4, . . . , 12} .
2. Y : diferencia en valor absoluto entre las puntuaciones obtenidas, es decir Y (i, j) = |i j| ,
(i, j) . El rango de Y es rg(Y ) = {0, 1, 2, . . . , 5} .
Bsicamente podemos distinguir los siguientes tipos de variables aleatorias:
a
Variable aleatoria discreta: toma un conjunto numerable de valores (puede ser nito o innito
numerable).
Variable aleatoria continua: toma valores en un conjunto no numerable (lo ms usual en un
a
intervalo de R).
Ejemplo 3.4 Las variables aleatorias consideradas en los ejemplos anteriores son todas ellas discretas.
Ejemplos de variables aleatorias continuas ser
an: peso de una persona, longitud de las piezas producidas por una mquina, tiempo de funcionamiento de un dispositivo electrnico,..
a
o
Proposicin 3.1 (Igualdad de variables aleatorias) Sean X e Y variables aleatorias denidas sobre
o
un mismo espacio muestral . Entonces
X=Y

3.2

X(w) = Y (w) ,

2o Ing. Informtica
a

w .

3.3. Variable aleatoria discreta

Proposicin 3.2 (Operaciones con variables aleatorias)

o
Sean X e Y variables aleatorias denidas sobre un mismo espacio muestral . Teniendo en cuenta
que son funciones se tienen las siguientes operaciones que a su vez nos proporcionan nuevas variables
aleatorias:
Suma : (X + Y )(w) = X(w) + Y (w) ,

w .

Resta: (X Y )(w) = X(w) Y (w) ,

Producto: (XY )(w) = X(w)Y (w) ,

w .
w .

Cociente: (X/Y )(w) = X(w)/Y (w) , siempre que Y (w) = 0, w .

Si X es una variable aleatoria denida en , y g es una funcin real entonces g(X) es tambin
o
e
una variable aleatoria

3.3

Variable aleatoria discreta

Denicin 3.2 Sea X : R diremos que X es una variable aleatoria discreta si toma un
o
conjunto numerable de valores, es decir rg(X) = {x1 . . . , xn , ..}.
Denicin 3.3 Para una variable aleatoria discreta X con rg(X) = {x1 . . . , xn , ...} se dene la
o
funcin de probabilidad (fdp) de X como
o
P [X = xi ] = P [{w tal que X(w) = xi }] ,

i1.

(3.1)

Ejemplo 3.5 En el Ejemplo 3.1 se deni la variable aleatoria X : nmero de caras obtenidas en dos
o
u
lanzamientos de una moneda. La funcin de probabilidad de X es:
o
xi
P [X = xi ]

0
1/4

1
1/2

2
1/4

Teorema 3.1 La funcin de probabilidad asociada a una variable aleatoria discreta X denida
o
en (3.1) queda caracterizada por las siguientes propiedades:
1. P [X = xi ] > 0

si xi rg(X) .

P [X = xi ] = 1 .

2.
xi rg(X)

Observamos que P [X = x] = 0 si x no pertenece a rg(X) = {x1 . . . , xn , ..} .

Proposicin 3.3 (Clculo de probabilidades)
o
a
Sea B R. la probabilidad de que la variable aleatoria discreta X tome valores en B viene dada por
P [X B] =

P [X = xi ] .
xi B

Ejemplo 3.6 Para la v.a. denida en el Ejemplo 3.1 hallamos P [X B] con B = (, 1), B =
(0.5, 2), B = (0.5, 2]
Solucin:
o

Estad
stica

3.3

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

P [X (, 1)] = P [X = 0] = 1/4 .
P [X (0.5, 2)] = P [X = 1] = 1/2 .
P [X (0.5, 2]] = P [X = 1] + P [X = 2] = 3/4 .

Denicin 3.4 Sea X una variable aleatoria discreta con rg(X) = {x1 , . . . , xn , ...}. Se dene la
o
Funcin de Distribucin (FdD) de X como
o
o
F (x) = P [X x] =

P [X = xi ] ,

para todo x R .

xi x

Observamos que 0 F (x) 1 pues F (x) = P [X x] = P [X (, x] ].

Ejemplo 3.7 La variable aleatoria denida en el Ejemplo 3.1 ten como funcin de probabilidad:
a
o
xi
P [X = xi ]

0
1/4

1
1/2

2
1/4

Por tanto
F (0) = P [X = 0] = 1/4 .
F (1) = P [X = 0] + P [X = 1] = 3/4 .
F (2) = P [X = 0] + P [X = 1] + P [X = 2] = 1 .
Tngase en cuenta que la FdD se deni como F (x) = P [X x] para todo x R , de aqu que
e
o

0,
si x < 0 ,

1/4, si 0 x < 1 ,
F (x) =
3/4, si 1 x < 2 ,

1,
si 2 x .
La representamos grcamente:
a

F (x)
1
3/4
1/4
0

3.4

2o Ing. Informtica
a

3.4.

Variable aleatoria continua

(Ntese la similitud con la curva acumulativa que se ten para el caso discreto en Descriptiva).
o
a
Teorema 3.2 La funcin de distribucin (FdD) F de una variable aleatoria discreta verica las sio
o
guientes propiedades:
1. F () = 0, F (+) = 1.
2. F es no decreciente: es decir si x < y

F (x) F (y) .

3. F es continua por la derecha: es decir, para todo x R, F (x) = limh0+ F (x + h) .

Adems observamos que, si X es una variable aleatoria discreta su FdD es una funcin
a
o
escalonada, los puntos en que se producen las discontinuidades de salto son los valores que toma la
variable aleatoria, xi , y la medida del salto es igual a P [X = xi ], es decir
P [X = xi ] = F (xi ) F (x ) ,
i

donde por F (x ) se ha denotado el valor de la FdD a la izquierda de xi .

i
Corolario 3.1 Las siguientes probabilidades se pueden calcular de forma inmediata en trminos de
e
la FdD:
1. P [a < X b] = P [X b] P [X a] = F (b) F (a)
2. P [X > a] = 1 P [X a] = 1 F (a)

3.4

Variable aleatoria continua

Una variable aleatoria continua es aquella que toma valores en un conjunto no numerable, que ser
a
generalmente un intervalo de R. A continuacin denimos este concepto un poco ms formalmente a
o
a
partir de la Funcin de Distribucin.
o
o
Denicin 3.5 Consideremos la Funcin de Distribucin, (FdD), de una variable aleatoria denida
o
o
o
como
F (x) = P [X x], x R .
Diremos que una variable aleatoria es continua si su FdD es una funcin continua, y derivable
o
en casi todos los puntos.
Un ejemplo de grco que corresponder a la funcin de distribucin de una variable aleatoria
a
a
o
o
continua ser el siguiente:
a

F (x)
1

Estad
stica

3.5

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

Proposicin 3.4 Propiedades de la FdD de una variable aleatoria continua:

o
1. F () = 0, F (+) = 1.
2. F es no decreciente.
3. F es continua.
Nota 3.1 Obsrvese que la FdD de una variable aleatoria continua verica las mismas propiedades
e
que vimos para variables aleatorias discretas, slo que adems es continua. Esta propiedad es la que
o
a
distingue a variables aleatorias discretas y continuas, para variables discretas la FdD era slo continua
o
por la derecha.
Corolario 3.2 Si X es una variable aleatoria continua, entonces
P [X = x] = 0, x R .

(3.2)

Demostracin:
o
Sea h > 0 y consideremos,
P [x h < X x] = F (x) F (x h) .
Si h 0,

P [X = x] = F (x) lim F (x h) = 0 ,
h0

pues al ser F continua, limh0 F (x h) = F (x) .

Para trabajar con variables aleatorias continuas introducimos una herramienta denominada funcin
o
de densidad, que nos permite calcular la probabilidad de cualquier subintervalo contenido en el rango
de valores de la variable aleatoria.
Denicin 3.6 Dada X una variable aleatoria continua, existe una funcin no negativa, f (x), a la
o
o
que se denomina funcin de densidad (fdd) de modo que
o
x

f (t) dt .

F (x) =

(3.3)

Obsrvese que (3.3) nos dice que el rea encerrada por la funcin de densidad hasta un punto x0 ,
e
a
o
coincide con el valor de la FdD en dicho punto, F (x0 ).

f (x)

F (x)

F (x0 )

f (x)

x0

3.6

2o Ing. Informtica
a

3.4.

Variable aleatoria continua

Proposicin 3.5 Las siguientes propiedades caracterizan la funcin de densidad:

o
o
(a) f (x) 0,

x.

f (x)dx = 1 .

(b)

Proposicin 3.6 ( Clculo de probabilidades en el caso continuo)

o
a
1. Dados a, b R , con a < b se verica
b

P [a < X b] = F (b) F (a) =

f (t) dt.
a

2. En general dado B un subconjunto de R,

P [X B] =

f (t) dt .
B

Nota 3.2 Obsrvese que, a groso modo, podr

e
amos decir que del caso discreto al continuo hemos
cambiado
por , fdp por fdd.
Teorema 3.3 En los puntos donde la funcin de distribucin, F sea derivable, se verica
o
o
F (x) = f (x).
Nota 3.3 Hemos visto que si X es una variable aleatoria continua, entonces P [X = x] = 0 , x R.
Como consecuencias observar que
(a) P [a < X < b] = P [a < X b] = P [a X b] = P [a X < b] .
(b) P [X > x] = P [X x] .
Pues estos conjuntos slo dieren en un punto.
o
En resumen, hemos visto que una variable aleatoria continua queda caracterizada por su fdd y
su FdD. Conocer una de ellas, nos permite conocer la otra gracias a las dos relaciones siguientes:
F (x) =

x
f (t) dt

F (x) = f (x).
Ejemplo 3.8 Sea X una variable aleatoria con FdD

0,
x<0

2, 0 x < 1
F (x) =
x

1,
x1.
(a) Representar grcamente F (x). De qu tipo es la v.a.?
a
e

(b) Hallar la funcin de densidad o la funcin de probabilidad segn convenga.

o
o
u

Estad
stica

3.7

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

(c) Calcular P [0.5 X 0.7].

Solucin:
o
(a) El grco de F (x) es:
a

1
0.8
0.6
0.4
0.2

0.4 0.2 0

0.2 0.4 0.6 0.8

x

1.2 1.4

Observamos que F (x) es una funcin continua, por tanto X es una variable aleatoria continua.
o
(b) La funcin de densidad es: f (x) = F (x) .
o
Por tanto:

0,
x<0

f (x) =
2x, 0 < x < 1 =

0,
x<1.

2x,
0,

0<x<1
en caso contrario (c.c.)

(c) Por ser una variable aleatoria continua

P [0.5 X 0.7] = P [0.5 < X 0.7] .

Por tanto
P [0.5 X 0.7] = P [0.5 < X 0.7] = F (0.7) F (0.5) = (0.7)2 (0.5)2 = 0.24 .

Ejemplo 3.9 Supongamos que el tiempo de funcionamiento de un dispositivo electrnico (en horas)
o
puede modelarse por una variable aleatoria X continua con funcin de densidad
o

f (x) =

kex/2 ,
0,

si x > 0 .
en caso contrario (c.c.) .

Hallar:
(a) k.
(b) La FdD.
(c) La probabilidad de que el dispositivo funcione ms de dos horas.
a

3.8

2o Ing. Informtica
a

3.5. Caracter
sticas asociadas a una variable aleatoria

(d) La probabilidad de que el dispositivo funcione ms de 6 horas si se sabe que lleva funcionado
a
ms de 2.
a
Solucin:
o
(a) Nos basamos en que
+

f (x)dx = 1 .

As

f (x)dx =

kex/2 dx =

= k 2ex/2

x=
x=0

= k 2 lim ex/2 + 2
x

Puesto que limx ex/2 = 0 ,

+

f (x)dx = k 2 = 1 ,

y por tanto k = 1/2.

(b)

F (x) =

f (t)dt =

0,

si x 0
x

1 t/2
e
dt = et/2
2

t=x
t=0

= 1 ex/2 ,

si x > 0 .

(c) P [el dispositivo funciones ms de 2 horas ] =

a
P [X > 2] = 1 F (2) = 1 1 e2/2 = e2/2 = e1 = 0.368 .
(d) P [el dispositivo funcione ms de 6 horas si se sabe que lleva funcionado ms de 2 ] =
a
a
= P [X > 6 | X > 2] =

3.5

P [X > 6
X > 2]
=
P [X > 2]

e6/2
P [X > 6]
= 2/2 = e4/2 = e2 = 0.135 .
P [X > 2]
e

Caracter
sticas asociadas a una variable aleatoria

Denicin 3.7 Se dene la esperanza matemtica, media o valor esperado de una variable aleao
a
toria X como

xi P [X = xi ] ,
si X es discreta

xi rg(X)

= E [X] =
(3.4)

xf (x)dx,
si X es continua

Estad
stica

3.9

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

Nota 3.4 La denicin dada en (3.4) tiene sentido supuesto que la correspondiente suma o integral
o
converge, en caso contrario, (es decir si E[X] = +), se dice que no existe E[X]. Este comentario
seguir siendo vlido siempre que se utilice el operador esperanza aunque no se indique expl
a
a
citamente.
Nota 3.5 La media o valor esperado de una variable aleatoria tiene la misma interpretacin que en
o
distribuciones de frecuencias.
Ejemplo 3.10 (Caso discreto) Para la variable aleatoria denida en el Ejemplo 3.1 calculamos el
valor esperado de X:
E[X] =
xi rg(X)

xi P [X = xi ] = 0

1
1
1
+1 +2 =1
4
2
4

Ejemplo 3.11 (Caso continuo) Para la variable aleatoria denida en el Ejemplo 3.9 calculamos el
valor esperado de X:

xf (x)dx =

E[X] =

= xex/2

x=

x=0

1
x ex/2 dx = [por partes] =
2

ex/2 dx =

ex/2 dx = 2 ,

(tngase en cuenta que lim xex/2 = 0).

e
x

Interpretacin: el tiempo medio o esperado de funcionamiento del dispositivo es de dos horas.

o
Denicin 3.8 Si X es una variable aleatoria y g : R R, una funcin real se dene
o
o

g(xi ) P [X = xi ] ,
si X es discreta

xi rg(X)

E [g(X)] =
(3.5)

g(x)f (x)dx,
si X es continua

El operador esperanza, que se ha introducido en esta seccin, tiene muchas propiedades que pueden
o
deducirse fcilmente a partir de las propiedades de las sumas en el caso discreto y de las integrales en
a
el caso continuo. En el siguiente teorema recogemos algunas de ellas que nos sern de gran utilidad
a
en este curso.
Teorema 3.4 Propiedades de la esperanza:
1. E[c] = c, con c R.
2. Linealidad de la esperanza
E[aX + b] = aE[X] + b ,

con a, b R.

(3.6)

Demostracin:
o
1. En este caso se tiene una variable aleatoria que slo toma un valor, c, con probabilidad uno:
o
X=c

con

P [X = c] = 1 .

Por tanto E[c] = E[X] = c P [X = c] = c 1 = c .

3.10

2o Ing. Informtica
a

3.5. Caracter
sticas asociadas a una variable aleatoria

2. Hacemos la demostracin para el caso discreto:

o
E[aX + b] = {por (3.5)} =

= a

xi rg(X)

(axi + b) P [X = xi ]
xi rg(X)

xi P [X = xi ] +b

xi rg(X)

P [X = xi ]

=1

=E[X]

= aE[X] + b .

Se propone hacer como ejercicio la demostracin de este resultado para el caso continuo.
o

Teorema 3.5 Otras propiedades de la esperanza:

1. E[cg(X)] = cE[g(X)], con c R.
2. E[c1 g1 (X) + c2 g2 (X)] = c1 E[g1 (X)] + c2 E[g2 (X)], con

ci R, ci = 1, 2 .

3. Si g1 (x) g2 (x), x R entonces E[g1 (X)] E[g2 (X)].

Demostracin:
o
Las demostraciones son sencillas. Como ilustracin se recoge la de 2. en el caso discreto
o
E[c1 g1 (X) + c2 g2 (X)] =

(c1 g1 (xi ) + c2 g2 (xi )) P [X = xi ]

xi

g1 (xi )P [X = xi ]

= c1

g2 (xi )P [X = xi ]

+ c2
xi

xi

= c1 E[g1 (X)] + c2 E[g2 (X)] .

Se propone probar 3. en el caso discreto.

Denicin 3.9 (Momentos) Se dene el momento (no centrado) de orden k de la variable aleatoria
o
X como
k = E X k ,
k0.
Se dene el momento centrado de orden k de la variable aleatoria X como
k = E (X )k ,

k0,

= E[X] .

Obsrvese que la media es el momento (no centrado) de orden uno: 1 = E[X]. De los momentos
e
centrados, el ms importante es el de orden dos, 2 , ms conocido como varianza, V ar[X], el cual
a
a
pasamos a estudiar con detalle a continuacin.
o

Estad
stica

3.11

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

Denicin 3.10 Se dene la varianza de una variable aleatoria X como

o
2 = V ar[X] = E (X )2 .
Proposicin 3.7 Propiedades de la varianza:
o
1. V ar [X] 0.
2. V ar [X] = 0 a R/ P [X = a] = 1 .
Se dice en este caso que X es una variable aleatoria degenerada.
3. V ar [a X + b] = a2 V ar (X) , con a, b R.
4. En la prctica suele ser util la siguiente expresin para calcular la V ar[X],
a

o
V ar [X] = E X 2 2 = E X 2 (E[X])2 .
Demostracin:
o
1. Se tiene de forma inmediata de la denicin pues
o

V ar[X] = E (X )2 =

(se ha denotado por = E[X]).

xi rg(X)

(xi )2 P [X = xi ] ,

si X es discreta
(3.7)

(x )2 f (x)dx,

si X es continua

3. V ar[aX + b] = {denicin de varianza} = E (aX + b E[aX + b])2 =

o
= {puesto que E[aX + b] = aE[X] + b = a + b} = E a2 (X )2 =
= {por Teorema 3.5, relacin 1.} = a2 E (X )2 = a2 V ar[X] .
o
Se propone la demostracin de las otras propiedades como ejercicio.
o

La varianza es una medida de la dispersin de una variable aleatoria en torno a su media. Al

o
interpretarla presenta el problema que las unidades en que viene medida son las de la variable original
al cuadrado. Para solucionar este inconveniente se introduce la desviacin t
o pica, cuya interpretacin
o
como medida de dispersin nos puede parecer ms sencilla porque viene expresada en las mismas
o
a
unidades de medida que la variable original.
Denicin 3.11 Se dene la desviacin t
o
o pica de una variable aleatoria X como
=+

V ar[X].

La media de una variable aleatoria es la medida de centralizacin ms usada en la prctica.

o
a
a
Otras medidas de centralizacin interesantes son la moda y mediana.
o

3.12

2o Ing. Informtica
a

3.5. Caracter
sticas asociadas a una variable aleatoria

Denicin 3.12 Dada X una variable aleatoria se dene la moda como aquel valor de la variable
o
que tiene mayor probabilidad en el caso discreto, y como aquel valor en que la funcin de densidad
o
alcanza un mximo en el caso continuo. (No tiene por qu ser unica).
a
e

Denicin 3.13 Dada X una variable aleatoria discreta se dene la mediana como aquel valor de
o
la variable aleatoria en que la funcin de distribucin vale 1/2.
o
o
Nota 3.6 Para el clculo de la mediana en el caso discreto se presenta la misma casu
a
stica que se
ten en el caso discreto de Descriptiva.
a
Ejemplo 3.12 En el Ejemplo 3.1 calculamos las medidas que se han introducido en este apartado:
E[X] = 0

E[X 2 ] =

1
4

+1

xi rg(X)

1
2

+2

1
4

=1 .

x2 P [X = xi ] = 02
i

2 = V ar[X] = E[X 2 ] (E[X])2 =

3
2

1
1
1
+ 12 + 22 = 3/2
4
2
4

12 = 1/2

1/2

moda= 1 porque es el valor ms probable.

a
mediana= 1 (ver el grco de la FdD correspondiente a este ejemplo y tngase en cuenta la Nota
a
e
3.6.)
Ejemplo 3.13 (Esperanza y varianza de Y = aX + b, con a, b R .)
Sea X : nmero de hijos por familia en una cierta ciudad.
u
xi
P [X = xi ]

0
0.47

1
0.30

2
0.10

3
0.06

4
0.04

5
0.02

6
0.01

(a) Hallar la media o esperanza de X. Qu signica?

e
(b) Varianza y desviacin t
o pica de X.
(c) El Ayuntamiento concede una ayuda anual a las familias de 2000 euros por hijo. Hallar la media,
varianza y desviacin t
o pica de la variable aleatoria Y :ayuda (en euros) que recibe anualmente
cada familia.
Solucin:
o
(a)
7

E[X] =
i=1

xi P [X = xi ] = 0 0.47 + 1 0.30 + . . . + 6 0.01 = 1

Si tomamos al azar una familia de la poblacin, el nmero medio o esperado de hijos es uno.
o
u
(b)
2
X = V ar[X] = 1.74

X = V ar[X] = 1.74 = 1.32 .

Estad
stica

3.13

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

(c) La variable aleatoria Y : ayuda (en euros) que recibe anualmente cada familia viene dada
por Y = 2000X. Por tanto
E[Y ] = E[2000 X] = 2000 E[X] = 2000

2
Y = V ar[Y ] = V ar[2000 X] = (2000)2 V ar[X] = 6.96 106

Y =

V ar[Y ] = |2000|

V ar[X] = 2000 1.32 = 2638 .

Obsrvese que Y puede calcularse como Y =

e

V ar[Y ] o como Y = |a|X .

Ejemplo 3.14 Se propone calcular la varianza y desviacin t

o pica para la variable aleatoria continua
considerada en el Ejemplo 3.8.

3.6

Variables aleatorias bidimensionales

En esta seccin se pretende dar una introduccin al estudio de la distribuciones bidimensionao

o
les (y multidimensionales), por lo que slo se recogen algunos aspectos relevantes de ellas. Puede
o
profundizarse en las obras recogidas en la bibliograf por ejemplo en D. Pea (2001).
a,
n
Denicin 3.14 Sea el espacio muestral asociado a un experimento aleatorio. (X, Y ) : R2
o
es una variable aleatoria bidimensional.
Es decir, se tiene una variable aleatoria bidimensional cuando cuanticamos dos aspectos, X e
Y , de un experimento aleatorio. A continuacin se recogen algunos ejemplos de variables aleatorias
o
bidimensionales.
Ejemplo 3.15
1. Consideremos el experimento aleatorio de tirar dos dados. Sean X : suma de los puntos obtenidos, Y : diferencia en valor absoluto entre los puntos obtenidos. (X, Y ) es una variable aleatoria
bidimensional, en este caso las dos componentes son discretas.
2. Sobre un grupo de individuos medir, X : altura, Y : peso. (X, Y ) es una variable aleatoria
bidimensional, en este caso las dos componentes son continuas.
3. Sobre un grupo de individuos estudiar, X : sexo (0: hombre, 1: mujer), Y : peso. (X, Y ) es una
variable aleatoria bidimensional, en este caso la componente X es discreta e Y es continua.
Obsrvese que podr
e
amos decir que (X, Y ) : R2 es una variable aleatoria bidimensional si y slo
o
si X e Y son variables aleatorias unidimensionales.
A continuacin destacamos los casos en que ambas componentes sean discretas o ambas sean
o
continuas.

3.14

2o Ing. Informtica
a

3.6. Variables aleatorias bidimensionales

3.6.1

Variable aleatoria bidimensional discreta

Denicin 3.15 Sea (X, Y ) : R2 . (X, Y ) es una variable aleatoria bidimensional discreta si y
o
slo si X e Y son variables aleatorias unidimensionales discretas.
o
Una variable aleatoria bidimensional discreta queda caracterizada conociendo el conjunto de pares
de valores que toma, rg(X, Y ) = {(xi , yj )}i,j , y su funcin de probabilidad conjunta denida de forma
o
anloga al caso univariante:
a
P [X = xi , Y = yj ] = P [{w : (X(w) = xi , Y (w) = yj )}] ,

(xi , yj ) rg(X, Y ) .

Proposicin 3.8 Las siguientes propiedades caracterizan la funcin de probabilidad conjunta:

o
o
P [X = xi , Y = yj ] 0,

(xi , yj ) rg(X, Y ).

P [X = xi , Y = yj ] = 1 .
xi

yj

A partir de la funcin de probabilidad conjunta se pueden calcular probabilidades, obtener las

o
distribuciones de cada componente (distribuciones marginales), y las caracter
sticas ms relevantes.
a
Por ejemplo, la funcin de distribucin (FdD) conjunta, F , ser una funcin F : R2 [0, 1]
o
o
a
o
denida como
F (x, y) = P [X x, Y y] =

P [X = xi , Y = yj ] ,
{xi x, yj y}

(x, y) R2 .

Denicin 3.16 Sea (X, Y ) una variable aleatoria bidimensional discreta con funcin de probabilidad
o
o
conjunta {P [X = xi , Y = yj ]}i,j .
La funcin de probabilidad marginal de X viene dada por
o
P [X = xi ] =

P [X = xi , Y = yj ] .

(3.8)

yj rg(Y )

La funcin de probabilidad marginal de Y viene dada por

o
P [Y = yj ] =

P [X = xi , Y = yj ] .

(3.9)

xi rg(X)

Ejemplo 3.16 Se dispone de una caja con 3 piezas aptas y 2 defectuosas, U = {3A , 2D}. Se extraen
2 piezas sin reemplazamiento, y se denen las variables aleatorias:
X=

1, si la 1a pieza es apta
0, si la 1a pieza es defectuosa .

Y =

1, si la 2a pieza es apta
0, si la 2a pieza es defectuosa .

1. Hallar la funcin de probabilidad conjunta

o
2. Hallar las funciones de probabilidad marginales.

Estad
stica

3.15

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

Solucin:
o
Para i = 1, 2, denamos los sucesos:
Ai : la i-sima pieza extra es apta, Di : la i-sima pieza extra es defectuosa.
e
da
e
da
- El espacio muestral asociado a este experimento aleatorio es:
= { A1 A2 , A1 D2 , D1 A2 , D1 D2 } .
1. La funcin de probabilidad conjunta de (X, Y ) viene dada por:
o
P [X = 0, Y = 0] = P [D1 D2 ] = P [D1 ]P [D2 |D1 ] =

2
2 1
=
20
5 4

P [X = 0, Y = 1] = P [D1 A2 ] = P [D1 ]P [A2 |D1 ] =

6
2 3
=
20
5 4

P [X = 1, Y = 0] = P [A1 D2 ] = P [A1 ]P [D2 |A1 ] =

6
3 2
=
20
5 4

P [X = 1, Y = 1] = P [A1 A2 ] = P [A1 ]P [A2 |A1 ] =

6
3 2
=
20
5 4

Se suele recoger en una tabla de doble entrada:

X\Y
0
1
P [Y = yj ]

0
2/20
6/20
8/20

1
6/20
6/20
12/20

P [X = xi ]
8/20
12/20
1

2. Distribuciones marginales:
La funcin de probabilidad marginal de X viene dada por
o
P [X = xi ] =

P [X = xi , Y = yj ] .
yj

La funcin de probabilidad marginal de Y viene dada por

o
P [Y = yj ] =

P [X = xi , Y = yj ] .
xi

Ambas se han recogido en la anterior tabla de doble entrada.

Denicin 3.17 Sea (X, Y ) una variable aleatoria bidimensional discreta con funcin de probabilidad
o
o
conjunta {P [X = xi , Y = yj ]}. Si P [Y = yj ] > 0 se dene la funcin de probabilidad de X
o
condicionada a Y = yj , X|Y = yj , como
P [X = xi |Y = yj ] =

3.16

P [X = xi , Y = yj ]
.
P [Y = yj ]

2o Ing. Informtica
a

(3.10)

3.6. Variables aleatorias bidimensionales

Recurdese que dados dos sucesos A, B, si P [B] > 0,

e
P [A B]
.
P [B]

P [A|B] =

En (3.10) se ha considerado
A = {X = xi } = {X = xi , Y R},
B = {Y = yj } = {X R, Y = yj },
por lo que A B = {X = xi , Y = yj } .
Se puede comprobar que para yj jo, (3.10) dene una funcin de probabilidad.
o
De forma anloga se denir la funcin de probabilidad de Y condicionada a X = xi con xi jo
a
a
o
(supuesto que P [X = xi ] > 0).

3.6.2

Variable aleatoria bidimensional continua.

En este apartado se dene y estudian algunas propiedades de las variables aleatorias bidimensionales continuas a partir de la funcin de densidad conjunta.
o
Denicin 3.18 Sea (X, Y ) : R2 . (X, Y ) es una variable aleatoria bidimensional continua si
o
y slo si X e Y son variables aleatorias unidimensionales continuas.
o
Una variable aleatoria bidimensional continua queda caracterizada conociendo el conjunto de R2
en que toma valores y su funcin de densidad conjunta, f (x, y), la cul verica propiedades
o
a
anlogas al caso univariante:
a
f (x, y) 0

f (x, y)dxdy = 1 .

A partir de la funcin de densidad conjunta se pueden calcular probabilidades, obtener las distrio
buciones de cada componente (distribuciones marginales), y las caracter
sticas ms relevantes.
a
As la funcin de distribucin conjunta (FdD) conjunta ser una funcin F : R2 [0, 1]
,
o
o
a
o
denida como
x

F (x, y) = P [X x, Y y] =

f (s, t)dsdt ,

(x, y) R2 .

Denicin 3.19 Dada f (x, y) la fdd conjunta de una variable aleatoria bidimensional continua (X, Y ):
o
La funcin de densidad marginal de X viene dada por
o

f (x, y)dy .

fX (x) =

La funcin de densidad marginal de Y viene dada por

o

f (x, y)dx .

fY (y) =

Estad
stica

3.17

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

Denicin 3.20 Sean f (x, y), la fdd conjunta de una variable aleatoria bidimensional continua (X, Y ),
o
y fY (y) la fdd marginal de Y . En todo punto (x, y) en que f es continua y fY (y) > 0, la funcin de
o
densidad de X condicionada a Y = y existe y viene dada por
fX|Y =y (x) =

f (x, y)
.
fY (y)

Nota 3.7 Puede comprobarse que fX|Y =y () es una funcin de densidad.

o

3.6.3

Caracter
sticas de variables aleatorias bidimensionales.

En esta seccin destacamos cmo calcular E[g(X, Y )] siendo g : R2 R .

o
o
Denicin 3.21 (Clculo de E[g(X, Y )])
o
a
Caso discreto:
E[g(X, Y )] =

g(xi , yj )P [X = xi , Y = yj ] .
xi

yj

Caso continuo:

g(x, y)f (x, y)dxdy .

E[g(X, Y )] =

Aplicamos las expresiones anteriores al clculo de E[XY ] en el siguiente ejemplo.

a
Ejemplo 3.17 La E[XY ] para la variable aleatoria del Ejemplo 3.16 es:
xi yj P [X = xi , Y = yj ] =

E[XY ] =
xi

yj

6
= 0.3 ,
20

(se est considerando g(x, y) = xy ).

a
Proposicin 3.9
o
(a) E[X + Y ] = E[X] + E[Y ] .
(b) E[X Y ] = E[X] E[Y ] .
Demostracin:
o
(a). La hacemos en el caso discreto (se est considerando g(x, y) = x + y ):
a
E[X + Y ] =

(xi + yj )P [X = xi , Y = yj ]
xi

=
xi

yj

xi

yj

P [X = xi , Y = yj ] +

xi P [X = xi ] +
xi

yj
yj

P [X = xi , Y = yj ]
xi

yj P [Y = yj ]

yj

= E[X] + E[Y ] .
En el caso continuo ser similar, slo que utilizando notacin integral.
a
o
o
(b) Anloga a la anterior.
a

3.18

2o Ing. Informtica
a

3.6. Variables aleatorias bidimensionales

Denicin 3.22 La covarianza de (X, Y ) se dene como

o
Cov[X, Y ] = E[(X E[X])(Y E[Y ])] .
La siguiente expresin equivalente de la covarianza simplica su clculo en las aplicaciones prcticas.
o
a
a

Proposicin 3.10
o
Cov[X, Y ] = E[XY ] E[X]E[Y ] .
Demostracin:
o
Propuesta como ejercicio

Ejemplo 3.18 Calculemos la Cov[X, Y ] para la variable aleatoria del Ejemplo 3.16. Utilizamos para
ello
Cov[X, Y ] = E[XY ] E[X]E[Y ]
E[XY ] =

xi yj P [X = xi , Y = yj ] = 6/20 .
xi

E[X] =

yj

xi P [X = xi ] = 12/20 .
xi

E[Y ] =

yj P [Y = yj ] = 12/20 .
yj

Por tanto
Cov[X, Y ] = E[XY ] E[X]E[Y ] = 3/50 .
(El signo negativo de la covarianza nos indica que la relacin entre las variables es inversa: al
o
aumentar una variable la otra disminuye).
Proposicin 3.11 (Varianza de la suma y diferencia de variables aleatorias)
o
(a) V ar[X + Y ] = V ar[X] + V ar[Y ] + 2Cov[X, Y ]
(b) V ar[X Y ] = V ar[X] + V ar[Y ] 2Cov[X, Y ]
Demostracin:
o
(a) Utilizaremos que E[X + Y ] = E[X] + E[Y ], y denotaremos por X = E[X], Y = E[Y ].
V ar[X + Y ] = E (X + Y E[X + Y ])2 = E ((X X ) + (Y Y ))2 =
= E (X X )2 + (Y Y )2 + 2(X X )(Y Y ) = {linealidad de la esperanza} =
= E[(X X )2 ] + E[(Y Y )2 ] + 2E[(X X )(Y Y )] = V ar[X] + V ar[Y ] + 2Cov[X, Y ]
(b) Similar a la anterior.

Estad
stica

3.19

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

Ejercicio 3.1 Sea (X, Y ) una variable aleatoria bidimensional. Demostrar que
Cov[aX + b, cY + d] = ac Cov[X, Y ] ,

a, b, c, d, R .

Denicin 3.23 Coeciente de correlacin lineal

o
o
=

Cov[X, Y ]
.
V ar[X] V ar[Y ]

El coeciente de correlacin lineal es una medida de la relacin lineal entre dos variables (su
o
o
interpretacin es anloga a la que se vio en Descriptiva). Obsrvese que signo()=signo(Cov[X, Y ]).
o
a
e
Denicin 3.24 X e Y son variables aleatorias incorreladas si y slo si Cov[X, Y ] = 0 . (Equivao
o
lentemente X,Y = 0).
Ejemplo 3.19 Consideremos la variable aleatoria bidimensional (X, Y ) con Y : el tiempo de espera
en cola y X : el tiempo total que un cliente permanece en una ocina bancaria, ambos en minutos,
(X es el tiempo de espera en cola ms el tiempo que se invierte en atender al individuo). De estas
a
variables se conocen las siguientes caracter
sticas:

marginal de X

marginal de Y

E[X] = 12
V ar[X] = 72

E[Y ] = 6
V ar[Y ] = 36

Cov[X, Y ] = 36 .
Consideremos la variable aleatoria T = X Y , el tiempo que se tarda en atender a un cliente. Gracias
a las Proposiciones 3.9 y 3.11 podemos calcular:
E[T ] = E[X Y ] = E[X] E[Y ] = 6

V ar[T ] = V ar[X Y ] = V ar[X] + V ar[Y ] 2Cov[X, Y ] = 72 + 36 (2 36) = 36 .

3.7

Independencia

Hemos visto que a partir de la distribucin conjunta se puede hallar la distribucin de cada
o
o
componente (stas eran las distribuciones marginales). Cabe preguntarse si a partir de la distribuciones
e
marginales es posible determinar la distribucin conjunta. En general esto no es cierto, slo en el caso
o
o
particular en que las variables sean independientes. En esta seccin estudiamos este caso particular
o
comenzando con el caso bivariante.
Denicin 3.25 Dadas dos variables X e Y son independientes si y slo si
o
o
Caso discreto:
P [X = xi , Y = yj ] = P [X = xi ] P [Y = yj ] ,
Caso continuo:

f (x, y) = fX (x) fY (y) ,

(xi , yj ) rg(X, Y ) .

(x, y) R2 ,

con f la funcin de densidad conjunta de (X, Y ), fX y fY las funciones de densidad marginales

o
de X e Y respectivamente.

3.20

2o Ing. Informtica
a

3.7. Independencia

Proposicin 3.12 La denicin de independencia dada es equivalente a que para cualesquiera cono
o
juntos B1 , B2 R
P [X B1 , Y B2 ] = P [X B1 ] P [Y B2 ] .

Nota 3.8 Destacamos que en el caso particular en que las variables sean independientes es posible
calcular la funcin de probabilidad ( fdd) conjunta a partir de las marginales. Esto en general no es
o
o
posible.
Proposicin 3.13 (Propiedades de variables independientes)
o
Si X e Y son independientes entonces E[XY ] = E[X] E[Y ], es decir Cov[X, Y ] = 0 .
Si X e Y son independientes entonces V ar[X + Y ] = V ar[X] + V ar[Y ] .
Ejemplo 3.20 Consideremos la variable aleatoria bidimensional denida en el Ejemplo 3.16, las
variables aleatorias X e Y no son independientes.
Podr
amos justicarlo porque no se verica que
P [X = xi , Y = yj ] = P [X = xi ] P [Y = yj ],

para todo (xi , yj ) .

Por ejemplo observar que P [X = 0, Y = 0] = P [X = 0]P [Y = 0]

Tambin podr justicarse porque al ser Cov[X, Y ] = 0 entonces las variables aleatorias no pueden
e
a
ser independientes (vase la Proposicin 3.13).
e
o
Ejemplo 3.21 Repetir los clculos realizados con las variables aleatorias denidas en el Ejemplo 3.16
a
si las extracciones se realizan con reemplazamiento.
Solucin:
o
Damos slo algunos resultados como indicaciones.
o
La funcin de probabilidad conjunta es:
o

X\Y
0
1
P [Y = yj ]

0
4/25
6/25
10/25

1
6/25
9/25
15/25

P [X = xi ]
10/25
15/25
1

Las variables aleatorias X e Y son independientes, puesto que

P [X = xi , Y = yj ] = P [X = xi ] P [Y = yj ],

para todo (xi , yj ) .

Por tanto Cov[X, Y ] = 0 (Proposicin 3.13).

o

Los resultados anteriores se pueden generalizar a n variables independientes como se indica a

continuacin.
o

Estad
stica

3.21

Tema 3. Variables aleatorias. Funcin de distribucin y caracter

o
o
sticas asociadas

Denicin 3.26
o
Caso discreto: X1 , . . . , Xn son independientes si y slo si
o
P [X1 = x1 , . . . , Xn = xn ] = P [X1 = x1 ] . . . P [Xn = xn ] ,

(x1 , . . . , xn ) rg(X1 , . . . , Xn ) .

Caso continuo: X1 , . . . , Xn son independientes si y slo si

o
f (x1 , . . . , xn ) = fX1 (x1 ) . . . fXn (xn ) ,

(x1 , . . . , xn ) Rn

siendo f la funcin de densidad conjunta del vector (X1 , . . . , Xn ), y fXi las funciones de densidad
o
marginales de Xi para i = 1, . . . , n .

Proposicin 3.14 (Propiedades de n variables independientes.) Si X1 , . . . , Xn son variables aleatoo

rias independientes entonces
Para cualesquiera conjuntos B1 , B2 , . . . , Bn R
P [X1 B1 , X2 B2 , . . . Xn Bn ] = P [X1 B1 ] P [X2 B2 ] . . . P [Xn Bn ] .
n

V ar[X1 + . . . + Xn ] =

V ar[Xi ] .
i=1

Para nalizar recogemos algunos ejemplos en los que se pretende destacar la aplicabilidad de los
resultados recogidos en esta seccin.
o
Ejemplo 3.22 Tres bater tienen probabilidad de hacer blanco p1 = 0.2 , p2 = 0.3 , p3 = 0.4 ,
as
respectivamente. Encontrar la probabilidad de que se obtengan 3 blancos al disparar las tres bater
as.
Solucin:
o
Para i = 1, 2, 3 podemos denir las siguientes variables aleatorias que nos indican si se hace blanco
o no al disparar cada bater
a

Ii =

1,
0,

si la bater i hace blanco

a
si falla .

La funcin de probabilidad de Ii es
o
P [Ii = 1] = pi ,

P [Ii = 0] = 1 pi .

Podemos suponer que las variables aleatorias Ii son independientes (el resultado de cada disparo
no inuye en el resultado que se obtenga al disparar las restantes bater
as), y por tanto calcular
P [obtener 3 blancos al disparar las tres bater
as] = P [I1 = 1, I2 = 1, I3 = 1] = {Ii independientes} =
= P [I1 = 1] P [I2 = 1] P [I3 = 1] = 0.024 .

3.22

2o Ing. Informtica
a

3.7. Independencia

Ejemplo 3.23 Se prueban tres elementos que trabajan independientemente entre s La duracin del
.
o
tiempo de funcionamiento (en horas) de cada elemento se distribuye segn las siguientes funciones de
u
distribucin:
o
para el primer elemento
para el segundo
para el tercer elemento

F1 (t) = 1 e0.1t para t > 0

F2 (t) = 1 e0.2t para t > 0
F3 (t) = 1 e0.3t para t > 0

Hallar la probabilidad de que en el intervalo de tiempo (0, 5] horas fallen los tres elementos.
Solucin:
o
Denamos las variables aleatorias Ti : tiempo de funcionamiento del elemento i, para i = 1, 2, 3 .
P [en el intervalo de tiempo (0, 5] fallen los tres elementos ] =
= P [ T1 5, T2 5, T3 5 ] = {Ti independientes} =
= P [T1 5] P [T2 5] P [T2 5] = F1 (5) F2 (5) F3 (5)
= (1 e0.5 ) (1 e1 ) (1 e1.5 ) = 0.3935 0.6321 0.7769 = 0.1932 .

Estad
stica

3.23