Variable Aleatoria Bidimensional

Parte 1 Variables aleatorias bidimensionales
Prof. Mara B. Pintarelli
5- VARIABLES ALEATORIAS BIDIMENSIONALES

5.1 Generalidades
Hasta ahora hemos considerado el caso de variables aleatorias unidimensionales. Esto es, el resultado
del experimento de inters se registra como un nico nmero real.
En muchos casos, sin embargo, nos puede interesar asociar a cada resultado de un experimento aleatorio,
dos o ms caractersticas numricas. Por ejemplo, de los remaches que salen de una lnea de produccin
nos puede interesar el dimetro X y la longitud Y. Teniendo en cuenta la inevitable variabilidad en las
dimensiones de los remaches debido a las numerosas causas presentes en el proceso de fabricacin, los
podemos representar asocindoles dos variables aleatorias X e Y que pueden pensarse como una variable
aleatoria bidimensional: ( X , Y ) .
Sea un experimento aleatorio y S un espacio muestral asociado a l. Sean X : S R , Y : S R , que
a cada resultado s S le asignan el par de nmeros reales ( x, y )
Llamaremos a ( X , Y ) variable aleatoria bidimensional.
Si en lugar de dos variables aleatorias, tenemos n variables aleatorias X 1 , X 2 ,..., X n , llamaremos a
( X 1 , X 2 ,..., X n ) variable aleatoria n-dimensional
En lo que sigue nos referiremos en particular a variables aleatorias n-dimensionales con n=2, es decir
nos concentraremos en variables aleatorias bidimensionales por cuanto son las ms simples de
describir, fundamentalmente en relacin a la notacin. Pero debemos tener presente que las propiedades
que estudiemos para ellas se pueden extender sin demasiada dificultad al caso general.
Al conjunto de valores que toma la variable aleatoria bidimensional (X,Y) lo llamaremos recorrido de la
v.a. (X,Y) y lo indicaremos RXY . En otras palabras RXY = ( x , y ) : x = X (s ) e y = Y (s ) con s S , es
decir, es la imagen por ( X ,Y ) del espacio muestral S.

Notar que el recorrido de (X,Y) es un subconjunto del espacio Euclidiano: RXY R 2 . Como antes,
puede considerarse al recorrido RXY como un espacio muestral cuyos elementos son ahora pares de
nmeros reales.
Como con cualquier espacio muestral, segn el nmero de elementos que lo constituyen, podemos
clasificar a los recorridos RXY en numerables (finitos o infinitos) y no-numerables.
Los recorridos numerables son, en general, de la forma
RXY = (xi , y j ) con i = 1,2 ,..., n y j = 1,2 ,..m = {( x1 , y1 ),( x1 , y2 ),...,( xn , ym )}

(finito)
RXY = (xi , y j ) con i = 1,2 ,... y j = 1,2 ,.. = {( x1 , y1 ),( x1 , y2 ),...}

(infinito numerable)
Los recorridos no numerables son regiones o subconjuntos no numerables del plano Euclidiano. Por
ejemplo:
RXY = ( x , y ) : a x b; c y d
(no numerable)
83
RXY = ( x, y ) : x 2 + y 2 1
(no numerable)
RXY = (x , y j ) : a x b , y j = c1 ,c2 ,c3
(no numerable mixto)
cuyas grficas se pueden apreciar en la figura siguiente. Notar en el ltimo recorrido, X es v.a. continua
e Y discreta.
y
3
c3
2
1
c1
0
RXY
0
0
c2
-1
-1
Clasificaremos a las variables aleatorias bidimensionales de la siguiente manera:
( X ,Y ) es v.a. bidimensional discreta si X e Y son discretas
( X ,Y ) es v.a. bidimensional continua si X e Y son continuas
El caso X continua, Y discreta (o viceversa) no lo consideramos.
Sea ( X ,Y ) una variable aleatoria bidimensional discreta y sea RXY su recorrido (numerable). Sea
p : RXY R una funcin que a cada elemento (xi , y j ) le asigna un nmero real p (xi , y j ) tal que
P X = xi , Y = y j = p (xi , y j ) (xi , y j ) RXY y que verifica.
a) p(xi , y j ) 0 (xi , y j ) RXY
p xi , y j = 1
p xi , y j =
(xi , y j )R XY
i
j
A esta funcin la llamaremos funcin de probabilidad puntual conjunta de la variable aleatoria
bidimensional ( X ,Y ) . En forma abreviada la designaremos fdp conjunta.
b)
Sea ( X ,Y ) una variable aleatoria bidimensional continua y sea RXY su recorrido (no numerable). Sea
f : RXY R una funcin que, a cada punto ( x , y ) de RXY le asigna un nmero real f ( x , y ) tal que
P(B ) = f ( x, y )dxdy B R y que verifica.

B
a) f ( x, y ) 0
b)
( x, y ) R 2
f (x, y )dxdy = 1 .
R2
A esta funcin la llamaremos funcin de densidad de probabilidad conjunta de la variable aleatoria

bidimensional ( X ,Y ) . En forma abreviada la designaremos tambin fdp conjunta.
84
Ejemplos:
1-Dos lneas de produccin, sealadas I y II, manufacturan cierto tipo de artculo a pequea escala.
Supngase que la capacidad mxima de produccin de la lnea I es cinco artculos por da, mientras que
para la lnea II es 3 artculos/da. Debido a los innumerables factores presentes en todo proceso de
produccin, el nmero de artculos realmente producido por cada lnea puede pensarse como una
variable aleatoria. En conjunto podemos pensar en una variable aleatoria bidimensional ( X ,Y ) discreta,
donde la primera componente X corresponde a la produccin de la lnea I y la segunda componente
Y a los artculos que salen de la lnea II. La fdp conjunta correspondiente a variables aleatorias
bidimensionales suele presentarse, por comodidad, como una tabla. Supongamos que la para la v.a.
( X ,Y ) que nos interesa aqu la tabla correspondiente a p(xi , y j ) es
Y X
0
1
2
3
0
0.01
0.01
0.01
0.01
0.02
0.03
0.02
0.03
0.04
0.05
0.04
0.05
0.05
0.05
0.06
0.07
0.06
0.05
0.06
0.09
0.08
0.06
0.05
Cul es la probabilidad de qu salgan ms artculos de la lnea I que de la lnea II?

Antes de calcular la probabilidad que nos pide el problema, hagamos algunas consideraciones sobre la
tabla que representa a p (xi , y j ) .
Se trata de una tabla a doble entrada donde en la primera fila se indican los valores que puede tomar la
v.a. X (en este caso X=0,1,2,3,4,5) y la primera columna indica los valores que puede tomar la variable Y
( 0,1,2,3). Para determinar el valor de la p (xi , y j ) cuando la v.a. ( X ,Y ) toma el valor (xi , y j )
consideramos el nmero que se encuentra en la columna correspondiente a X = xi y la fila
correspondiente a Y = y j . Por ejemplo: p(4,2) = P( X = 4,Y = 2 ) = 0.05 .

Podemos verificar fcilmente que la fdp conjunta definida por esta bien definida. En efecto verifica las
condiciones a) p(xi , y j ) 0 (xi , y j ) RXY y b) p (xi , y j ) = 1.
(xi , y j )R XY
Para contestar la pregunta del enunciado, consideremos el suceso B RXY definido
B: es el suceso que ocurre cuando la lnea I produce ms artculos que la lnea II o,

B = {X > Y }. Luego:
P (B ) = P ( X > Y ) =
p(x , y ) = 0.01+0.03+0.05+0.07+0.09+0.04+0.05+0.06+0.08+
3
y j = 0x i > y j
+0.05+0.05+0.06+0.06+0.05=0.75.
2- Hay tres cajas registradoras a la salida de un supermercado. Dos clientes llegan a las cajas en
diferentes momentos cuando no hay otros clientes ante aquellas. Cada cliente escoge una caja al azar e
independientemente del otro.
Sean las variables aleatorias X: n de clientes que escogen la caja 1 e Y: n de clientes que escogen la
caja 2. Hallar la fdp conjunta de (X,Y)
Podemos suponer que el espacio muestral original S es el conjunto de pares ordenados
S = {(1,1); (1,2); (1,3); (2,1); (2,2); (2,3); (3,1); (3,2); (3,3)} donde la primera componente del par indica la
caja elegida por el cliente 1 y la segunda componente del par indica la caja elegida por el cliente 2.
Adems notar que X como Y pueden tomar los valores 0, 1, 2
85
El punto muestral (3,3) es el nico punto muestral que corresponde al evento {X = 0, Y = 0}

Entonces
1
P ( X = 0, Y = 0) = ; pensando de forma anloga los otros casos:
9
2;
P ( X = 1, Y = 0) =
9
1
P ( X = 0, Y = 2) = ;
9
P ( X = 2, Y = 0) =
1;
9
P ( X = 0, Y = 1) =
2,
9
P ( X = 1, Y = 1) =
2,
9
P ( X = 1, Y = 2) = P ( X = 2, Y = 2) = 0
Disponemos estas probabilidades en una tabla de la siguiente forma
Y\X
0
1
2
0
1/9
2/9
1/9
1
2/9
2/9
0
2
1/9
0
0
3- Supongamos que una partcula radiactiva se localiza aleatoriamente en un cuadrado con lados de
longitud unitaria. Es decir, si se consideran dos regiones de la misma rea, la partcula tendr igual
probabilidad de estar en cualquiera de ellas. Sean X e Y las coordenadas que localizan la partcula. Un
modelo adecuado para la distribucin conjunta de X e Y sera considerar a (X, Y) continua con fdp dada
por
1 si 0 x 1; 0 y 1
f ( x, y ) =
0 caso contrario
Es conveniente hacer un grfico en el plano del dominio de la fdp
Nos preguntamos cul es la probabilidad de que la

coordenada en x
sea menor que 0.2 y la
coordenada en y menor que 0.4 , es decir, cul es la
P ( X 0.2, Y 0.4) . Para calcularla, graficamos en
el plano xy la regin que corresponde al evento
interseccin la regin que es dominio de la fdp
Por lo tanto
0.40.2
P( X 0.2, Y 0.4) =
1dxdy = 0.2 0.4 = 0.08

0 0
{X
0.2, Y 0.4}
86
En este ejemplo la fdp es un caso particular de v.a. bidimensional uniformemente distribuida

Diremos que una variable aleatoria bidimensional continua est uniformemente distribuida en la regin
RXY del plano Euclidiano R si su funcin de densidad de probabilidad es
c para ( x, y ) RXY
f ( x, y ) =
0 para ( x, y ) RXY
Puesto que la condicin de normalizacin exige
f (x, y )dxdy = cdxdy = 1 debe ser

R2
c=
R XY
1
rea (RXY )
A una v.a. ( X ,Y ) bidimensional continua uniformemente distribuida en su recorrido RXY la indicaremos

X U [RXY ] .
Por ejemplo, supongamos que la v.a. ( X ,Y ) est distribuida uniformemente en el recorrido RXY que se
muestra en la figura. Cul es su fdp conjunta?
y
1
y=x
y = x2
0
0
De la figura calculamos el rea del recorrido:

1
rea (RXY ) = dx dy =
0
f ( x, y ) =
0
x2
1
(x x )dx = 6 .
1
Por lo tanto
para ( x, y ) tal que 0 x 1, x 2 y x

para los dems puntos
5.2 - Funciones de distribucin marginales de una v.a. (X,Y) discreta

En el ejemplo 1, supongamos que queremos saber cul es la probabilidad de que el nmero de artculos
producidos por la lnea I sea 2, o sea P( X = 2)
Como el evento {X = 2} es igual a {X = 2} ({Y = 0} {Y = 1} {Y = 2} {Y = 3}) , y a su vez
87
{X = 2} ({Y = 0} {Y = 1} {Y = 2} {Y = 3}) =
= ({X = 2} {Y = 0}) ({X = 2} {Y = 1}) ({X = 2} {Y = 2}) ({X
= 2} {Y = 3})
Entonces
P( X = 2 ) =
= P({X = 2} {Y = 0}) + P({X = 2} {Y = 1}) + P({X = 2} {Y = 2}) + P({X = 2} {Y = 3}) =

3
= P( X = 2, Y = 0) + P( X = 2, Y = 1) + P( X = 2, Y = 2) + P( X = 2, Y = 3) = P( X = 2, Y = j )
j =0
Razonando de la misma forma podemos escribir

3
P ( X = i ) = P ( X = i, Y = j )
i = 0,1,...,5
j =0
Es decir obtenemos la funcin de distribucin de probabilidad de X

Anlogamente obtenemos
5
P(Y = j ) = P( X = i, Y = j )
j = 0,1,2,3
i =0
Que es la funcin de distribucin de probabilidad de Y

En general se las denomina distribuciones marginales de X e Y, y su definicin sera la siguiente
Sea (X,Y) discreta y sea p (xi , y j ) (i=1,2,n, j=1,2,,m) su funcin de probabilidad conjunta
(Eventualmente n y/o m pueden ser ).
La funcin de probabilidad marginal de X es
p( xi ) = P( X = xi ) = p (xi , y j )
m
(i=1,2,,n)
j =1
La funcin de probabilidad marginal de Y es

q ( y j ) = P(Y = y j ) = p (xi , y j ) (j=1,2,,m)
n
i =1
Observacin: Remarcamos que la funcin de probabilidad marginal de X, es decir p( xi ) calculada a
partir de p (xi , y j ) en la forma indicada, coincide con la funcin de probabilidad de la variable aleatoria
unidimensional X considerada en forma aislada. Anlogamente la funcin de probabilidad marginal de
Y, es decir q ( y j ) calculada a partir de p (xi , y j ) en la forma indicada, coincide con la funcin de
probabilidad de variable aleatoria unidimensional Y considerada en forma aislada.
Ejemplo:
Siguiendo con el ejemplo 1,
p(5) = P( X = 5) = p(5,0) + p(5,1) + p(5,2) + p(5,3) = 0.09 + 0.08 + 0.06 + 0.05

= 0.28
88
q(1) = P(Y = 1) = p(0,1) + p(1,1) + p(2,1) + p(3,1) + p(4,1) + p(5,1) = 0.01 + 0.02 + 0.04 + 0.05 + 0.06
= 0.26
Observemos que se verifica la condicin de normalizacin para cada una de las marginales:
5
p(x ) = 0.03 + 0.08 + 0.16 + 0.21 + 0.24 + 0.28 = 1

i
xi = 0
q(y ) = 0.25 + 0.26 + 0.25 + 0.24 = 1

3
y j =0
5.3 - Funciones de distribucin marginales de una v.a. (X,Y) continua

En el ejemplo 3 supongamos que queremos hallar la probabilidad de que la coordenada x de la partcula
sea menor o igual a 0.2, es decir P( X 0.2) . Podemos escribir
0.2
0.2 1
f ( x, y )dydx = 1dydx = 0.2
P( X 0.2) = P( X 0.2, < Y < ) =
0 0
En general si queremos hallar P( X x) podemos plantear
P ( X x ) = P ( X x, < Y < ) =
f ( x, y )dydx = g ( x)dx
donde
f ( x, y)dy = g ( x)
Por definicin de fdp debe ser g ( x) la fdp de la v.a. X

Anlogamente
y
P(Y y ) = P( < X < , Y y ) =
f ( x, y )dxdy =
h( x)dx
donde
f ( x, y)dy = h( x)
Por definicin de fdp debe ser h( x) la fdp de la v.a. Y

En general:
Sea (X,Y) continua y sea f ( x , y ) su funcin de densidad de probabilidad conjunta.
La funcin de densidad de probabilidad marginal de X es:
g (x ) =
f (x , y )dy
La funcin de densidad de probabilidad marginal de Y es:
h( y ) =
f (x , y )dx
89
Observacin: Remarcamos aqu tambin que la funcin de de densidad de probabilidad marginal de X,

es decir g ( x ) , calculada a partir de f ( x , y ) en la forma indicada, coincide con la funcin de densidad de
probabilidad de variable aleatoria unidimensional X considerada en forma aislada. Anlogamente la
funcin de densidad de probabilidad marginal de Y, es decir h( y ) calculada a partir de f ( x , y ) en la
forma indicada, coincide con la funcin de densidad de probabilidad de variable aleatoria
unidimensional Y considerada en forma aislada. De manera que podemos calcular probabilidades como,
por ejemplo
P(a X b ) = P a X b , < Y < =
f (x , y )dydx =
a
= g ( x )dx
a
Ejemplo: Consideremos nuevamente la v.a. continua (X,Y) uniformemente distribuida cuyo recorrido
RXY dibujamos otra vez
y
2
1
y=x
y = x2
0
0
Ya vimos que la fdp est dada por
f ( x, y ) =
0
para ( x, y ) tal que 0 x 1, x 2 y x

para los dems puntos
Entonces las funciones de densidad de probabilidad de X e Y son

x
(
)
f
x
,
y
dy
=
6dy = 6 x x 2
0 x 1
g ( x ) =
x2
para los dems valores
0
f (x, y )dx =
h( y ) =
0
6dx = 6(
yy
0 y 1
90
5.4 - Funciones de probabilidades condicionales

Caso discreto
Consideremos nuevamente el ejemplo de las dos lneas I y II que producen cierto artculo a pequea
escala. Definimos la v.a. ( X ,Y ) cuya funcin de probabilidad conjunta p (xi , y j ) est dada por la tabla
anterior que repetimos
1
2
3
4
5
q(yj)
Y X 0
0
1
2
3
p(xi)
0
0.01
0.01
0.01
0.03
0.01
0.02
0.03
0.02
0.08
0.03
0.04
0.05
0.04
0.16
0.05
0.05
0.05
0.06
0.21
0.07
0.06
0.05
0.06
0.24
0.09
0.08
0.06
0.05
0.28
0.25
0.26
0.25
0.24
1
Supongamos que deseamos conocer la probabilidad de que la lnea I produzca tres artculos sabiendo
que la lnea II ha fabricado dos. Tenemos que calcular una probabilidad condicional. Entonces
P X = 3 , Y = 2
= p (3,2 ) = 0.05 = 0.2
P(X = 3 Y = 2) =
P(Y = 2 )
q (2 )
0.25
En general definimos la funcin de probabilidad puntual de X condicional a Y como sigue:
p(xi , y j )
p xi y j = P X = xi Y = y j =
, es decir como el cociente de la funcin de probabilidad
q(y j )
) (
conjunta de ( X ,Y ) y la funcin de probabilidad puntual marginal de Y.
Anlogamente, definimos la funcin de probabilidad puntual de Y condicional a X :

p (xi , y j )
q ( y j xi ) = P(Y = y j X = xi ) =
, es decir como el cociente de la funcin de probabilidad puntual
p ( xi )
conjunta de ( X ,Y ) y la funcin de probabilidad puntual marginal de X.
b) Caso continuo
Como ocurre con la variables aleatoria continuas en general, el definir la probabilidad condicional de
ocurrencia de un valor dado de una de las variables aleatorias del par ( X ,Y ) supuesto que ocurri la
otra, presenta las dificultades conocidas relacionadas con el hecho de que la probabilidad de un punto es
cero. Entonces probabilidades tales como P X = xi Y = y j tienen el problema que P (Y = y j ) = 0 .
Sea ( X ,Y ) una variable aleatoria bidimensional continua cuya fdp conjunta es f ( x , y ) . Sean g ( x ) y
h( y ) la fdp marginales de X e Y, respectivamente. Definimos la funcin de densidad de probabilidad de
X condicional a que Y=y, a la que denotaremos g (x y ) , de la siguiente manera:

g (x y ) =
f (x , y )
h( y )
con h( y ) > 0 .
91
Anlogamente, la funcin de densidad de probabilidad de Y

denotaremos h( y x ), se define:
h( y x ) =
f (x , y )
g (x )
condicional a que X=x, a la que
con g ( x ) > 0 .
De acuerdo con estas definiciones, podemos calcular, por ejemplo,

b
P(a X b Y = c ) = g (x c )dx =
a
f (x ,c )dx
a
h(c )
Observemos que si quisiramos calcular esta probabilidad usando la fdp conjunta, es decir, refirindonos
al recorrido completo, llegaramos a una indeterminacin:
P[(a X b ) I (Y = c )]
P(a X b Y = c ) =
=
P(Y = c )
a
+
c
c
dx dyf (x , y )
dx dyf (x , y )
0
.
0
Notar la diferencia entre la funcin de densidad de probabilidad condicional g (x y ) y la funcin de

densidad de probabilidad marginal g ( x ) :
b
g (x )dx = P(a X b ) ,
mientras que
g (x y )dx = P(a X b Y = y ) .
a
Ejemplo:
Una mquina vendedora de refrescos se llena al principio de un da dado con una cantidad aleatoria Y, y
se despacha durante el da una cantidad aleatoria X (medida en galones). No se le vuelve a surtir durante
el da y entonces X Y
Se ha observado que (X,Y) tienen la densidad conjunta
1 / 2
f ( x, y ) =
0
si 0 x y; 0 y 2
caso contrario
Cul es la probabilidad de que se venda menos de

galn, dado que la mquina contiene 1 galn al inicio del
da?
Solucin: Primero es conveniente hacer un grfico de la
regin del plano donde la densidad conjunta
est definida
92
Hallamos la densidad condicional de X dado Y. Para esto primero encontramos la fdp marginal de Y
y
(1 / 2) y si 0 y 2
(1 / 2)dx si 0 y 2
=
h( y ) = f ( x, y )dx =
0
0 caso contrario
0 caso contrario
Entonces la densidad condicional es
h( y | x) =
1/ 2
f ( x, y )
= (1 / 2) y
g ( x)
0
si
0<x y2
caso contrario
1
si 0 < x y 2
= y
0
caso contrario
La probabilidad que interesa es
P( X 1 / 2 | Y = 1) =
1/ 2
1/ 2
f ( x | y = 1)dx = (1)dx = 2
Notar que si la mquina hubiera contenido 2 galones al principio del da, entonces
1/ 2
P( X 1 / 2 | Y = 2) =
1/ 2
f ( x | y = 1)dx =
1
2
dx =
1
4
As la probabilidad condicional que X 1 / 2 depende de la eleccin de Y
5.5 Variables aleatorias independientes

Ya se discuti el concepto de independencia entre dos eventos A y B. Esas mismas ideas podemos
trasladarlas en relacin a dos variables aleatorias X e Y que, eventualmente, podemos considerarlas como
las componentes de una variable aleatoria bidimensional ( X ,Y ) .
De acuerdo con esto, intuitivamente decimos que dos variables, X e Y, son independientes si el valor que
toma una de ellas no influye de ninguna manera sobre el valor que toma la otra. Esto lo establecemos
ms formalmente:
a) Sea ( X ,Y ) una variable aleatoria bidimensional discreta. Sea p (xi , y j ) su fdp conjunta y p( xi ) y
q ( y j ) las correspondientes fdp marginales de X e Y. Decimos que X e Y son variables aleatorias

independientes si y slo si
p(xi , y j ) = p( xi )q( y j ) (xi , y j ) RXY

b) Sea ( X ,Y ) una variable aleatoria bidimensional continua. Sea f ( x , y ) su fdp conjunta y g ( x ) y h( y )
las correspondientes fdp marginales de X e Y. Decimos que X e Y son variables aleatorias
independientes si y slo si
f ( x , y ) = g ( x )h( y ) ( x , y ) R 2
93
Observacin: Notar que para poder afirmar la independencia de X e Y debe cumplirse la factorizacin
de la fdp conjunta como producto de las fdp marginales para todos los pares de valores de la v.a. ( X ,Y ) .
Por lo tanto, para verificar la independencia es necesario demostrar la validez de la factorizacin para
todos los pares. En cambio, es suficiente encontrar un solo par que no la verifica, para afirmar, de
acuerdo con la definicin, que las variables X e Y son no independientes, es decir, que son dependientes.
Esto es, para demostrar la dependencia es suficiente con encontrar un solo par que no verifique la
factorizacin sealada.
Vimos que dos sucesos A y B son independientes si y slo si P( A B ) = P( A) y P(B A) = P(B ) (donde
por supuesto deba ser P( A) 0 y P(B ) 0 ). En trminos de variables aleatorias, esta forma de ver la
independencia se manifiesta en la igualdad entre las fdp condicionales y las correspondientes fdp
marginales, como demostramos en este
Teorema
a) Sea ( X ,Y ) una variable aleatoria bidimensional discreta cuyas fdp conjunta, condicionales y
marginales son, respectivamente, p (xi , y j ) ; p xi y j , q ( y j xi ) y p( xi ) , q ( y j ) .

Entonces, X e Y son variables aleatorias independientes si y slo si
a1) p xi y j = p ( xi ) (xi , y j ) RXY , o

a2) q ( y j xi ) = q ( y j ) (xi , y j ) RXY , que es equivalente a lo anterior
( X ,Y ) una
b) Sea
variable aleatoria bidimensional continua cuyas fdp conjunta, condicionales y
marginales son, respectivamente, f ( x , y ) ; g (x y ) , h( y x ) y g ( x ) , h( y ) .

Entonces, X e Y son variables aleatorias independientes si y slo si
b1) g (x y ) = g ( x ) ( x , y ) R 2 , o
b2) h( y x ) = h( y ) (x , y ) R 2 , que es equivalente al anterior.
Dem.)
a) Demostraremos solamente a1). La equivalencia entre a1) y a2) la dejamos como ejercicio.
Para demostrar a1) verificaremos la doble equivalencia entre sta y la definicin de v.a. independientes.
)
Sean X e Y variables aleatorias independientes. Entonces (xi , y j ) R XY
) pq(x(y, y) ) = p(xq()yq()y ) = p(x )
p xi y j =
Aqu la primera igualdad es la definicin de fdp condicional y la segunda sale de la definicin de

independencia al suponer que X e Y son independientes.
)
Supongamos que se verifica a1). Entonces (xi , y j ) R XY
p xi y j = p( xi )
p(xi , y j )
q(y j )
= p( xi ) p(xi , y j ) = p( xi )q( y j ) X e Y independientes

94
Aqu, la primera implicacin se debe a la definicin de fdp condicional y la tercera a la definicin de v.a.
independientes.
b) Tambin demostramos slo b1) y dejamos como ejercicio demostrar la equivalencia entre b1) y b2).
)
Sean X e Y variables aleatorias independientes. Entonces ( x , y ) R 2
f ( x , y ) g ( x )h( y )
g (x y ) =
=
= g (x )
h( y )
h( y )
Aqu la primera igualdad es la definicin de fdp condicional y la segunda sale de la definicin de
independencia al suponer que X e Y son independientes.
)
Supongamos que se verifica b1). Entonces ( x , y ) R 2
g (x , y )
g (x y ) = g ( x )
= g ( x ) f ( x , y ) = g ( x )h( y ) X e Y independientes.
h( y )
Aqu, la primera implicacin se debe a la definicin de fdp condicional y la tercera a la definicin de v.a.
independientes.
Ejemplos:
1- Supongamos que una mquina se usa para un trabajo especfico a la maana y para uno diferente en
la tarde. Representemos por X e Y el nmero de veces que la mquina falla en la maana y en la tarde
respectivamente. Supongamos que la tabla siguiente da la funcin de probabilidad conjunta p (xi , y j ) de
la variable aleatoria bidimensional discreta ( X ,Y ) .
Y/X
q(yj)
0
1
2
P(xi)
0.1
0.04
0.06
0.2
0.2
0.08
0.12
0.4
0.2
0.08
0.12
0.4
0.5
0.2
0.3
1
Deseamos saber si las variables aleatorias X e Y son independientes o dependientes.

Para demostrar que son independientes debemos probar que se verifica (xi , y j ) R XY
p (xi , y j ) = p (xi )q ( y j ) Verificamos directamente que
p(0,0) = 0.1 = p(0)q(0) = 0.2 0.5

p(0,1) = 0.04 = p(0)q(1) = 0.2 0.2
p(0,2) = 0.06 = p(0)q(2 ) = 0.2 0.3
p(1,0) = 0.2 = p(1)q(0) = 0.4 0.5
p(1,1) = 0.08 = p(1)q(1) = 0.4 0.2
p(1,2) = 0.12 = p(1)q(2) = 0.4 0.3
p(2,0) = 0.2 = p(2)q(0 ) = 0.4 0.5
p(2,1) = 0.08 = p(2)q(1) = 0.4 0.2
p(2,2) = 0.12 = p(2)q(2) = 0.4 0.3
Luego X e Y son independientes.
95
Podramos haber usado las condiciones a1) p xi y j = p ( xi ) (xi , y j ) RXY , o su equivalente

a2) q ( y j xi ) = q ( y j ) (xi , y j ) RXY . Veamos, como muestra para un solo valor, que se verifica
p (2 ,1) 0.08
=
= 0.4 = p (2 ) . Para demostrar la independencia por este camino habra que
q (1)
0 .2
demostrar que se cumple la condicin para el resto de los pares de valores. Se deja este clculo como
ejercicio optativo.
p (2 1) =
2- Sean X e Y v.a. continuas que representan el tiempo de vida de dos dispositivos electrnicos.
Supongamos que la fdp conjunta de la v.a. continua ( X ,Y ) es:
e ( x + y ) 0 x < , 0 y <
f ( x, y ) =
0 para los dems valores
Deseamos saber si X e Y son variables aleatorias independientes.
Calculamos las fdp marginales de X e Y :
g (x ) =
h( y ) =
f (x , y )dy = e
f (x , y )dx = e
(x + y )
dy =e x
( x + y )
dx =e y
Luego las marginales son:
e x
0x<
g (x ) =
0
e y
0 y<
h( y ) =
0
Vemos que efectivamente
e ( x + y ) = e x e y 0 x < , 0 y <
f ( x, y ) = g ( x )h( y ) =
0
Es decir X e Y son v.a. independientes.
Tambin podemos verificar la condicin b1):
e ( x + y )
x
0 x<
f ( x, y ) y = e
2
g (x y ) =
= e
= g ( x ) ( x. y ) R
h( y )
96
3- Consideremos un ejemplo donde no se verifica la independencia.

Sea una v.a.b cuya fdp conjunta es
8 xy 0 x y 1
f ( x, y ) =
En la figura siguiente mostramos el recorrido
y
2
y=x
1
RXY
x
0
Calculamos las fdp marginales de X e Y :
1
2
8 xydy = 4 x (1 x ) 0 x 1
g (x ) = x
y
3
8 xydx = 4 y 0 y 1
h( y ) = 0
y podemos apreciar que para 0 x y 1 en general es
f ( x , y ) = 8 xy 16 x 1 x 2 y 3 = g ( x )h( y ) .
Luego X e Y son variables aleatorias dependientes.
Observaciones
1- De la definicin de las fdp marginales, vemos que tanto en el caso discreto como en el continuo, la
fdp conjunta determina unvocamente las fdp marginales. Es decir, si ( X ,Y ) es discreta del
conocimiento de la funcin de probabilidad conjunta p (xi , y j ) podemos determinar unvocamente las
funciones de probabilidad p( xi ) y q ( y j ) . Anlogamente, si ( X ,Y ) es continua del conocimiento de la
97
funcin de densidad de probabilidad conjunta f ( x , y ) podemos determinar unvocamente las funciones

de densidad g ( x ) y h( y ) . Sin embargo la inversa no se cumple en general. Es decir del conocimiento de
p( xi ) y q ( y j ) no se puede, en general, reconstruir p (xi , y j ) a menos que X e Y sean variables
independientes en cuyo caso es p (xi , y j ) = p ( xi )q ( y j ) y,
anlogamente, en el caso continuo, del
conocimiento de g ( x ) y h( y ) no se puede construir en general f ( x , y ) excepto cuando X e Y son

independientes en cuyo caso puedo escribir f ( x , y ) = g ( x )h( y )
2- Podemos observar del ltimo ejemplo, que puede ocurrir que an cuando la funcin f ( x , y ) ya est
escrita en forma factorizada como una funcin slo de x por una funcin slo de y, las variables X e Y
no sean independientes puesto que el dominio es tal que hace que las variables sean dependientes. As,
en el ejemplo anterior, el recorrido RXY = {( X ,Y ) : 0 x y 1} condiciona los valores que toma x a
los valores que toma y.
3- El concepto de independencia entre dos variables aleatorias se puede generalizar a n variables
aleatorias X 1 , X 2 ,..., X n
5.6 - Funcin de una variable aleatoria bidimensional

Existen muchas situaciones en las que dado una variable aleatoria bidimensional nos interesa considerar
otra variable aleatoria que es funcin de aqulla. Por ejemplo, supongamos que las variables aleatorias X
e Y denotan la longitud y el ancho, respectivamente, de una pieza, entonces Z = 2 X + 2Y es una v.a. que
representa el permetro de la pieza, o la v.a. W = X .Y representa el rea de la pieza. Tanto Z como W
son variables aleatorias.
En general, sea S un espacio muestral asociado a un experimento probabilstico , sean X : S R e
Y : S R dos variables aleatorias que definen una variable aleatoria bidimensional ( X ,Y ) cuyo
recorrido es RXY , y sea una funcin de dos variables reales H : RXY R que a cada elemento ( x , y ) del
recorrido RXY le hace corresponder un nmero real z = H ( x , y ) , entonces la funcin compuesta
Z = H ( X , Y ) : S R es una variable aleatoria, puesto que a cada elemento s S le hace corresponder
un nmero real z = H [ X (s ),Y (s )] . Diremos que la variable aleatoria Z es funcin de la variable
aleatoria bidimensional (X,Y).
Algunas variables aleatorias que son funcin de variables aleatorias bidimensionales son Z = X + Y ,
Z = X .Y , Z = X / Y , Z = mn( X ,Y ) , Z = mx( X ,Y ) , etc.
Lo anterior se puede generalizar si en lugar de dos variables aleatorias tenemos n variables aleatorias
X 1 , X 2 ,..., X n , y z = H ( x1 , x 2 ,...x n ) es una funcin de n variables a valores reales.
Ejemplos:
1- Sea Z ~ B ( n, p )
Podemos escribir a Z como suma de variables aleatorias de la siguiente forma.
Recordar que Z cuenta el nmero de xitos en n repeticiones o ensayos del experimento
Si definimos
98
1 si en la sima repeticin de ocurre xito
Xi =
i = 1,2,..., n
caso contrario
0
Notar que a cada X i se la puede considerar B (1, p ) , y adems X 1 , X 2 ,..., X n son independientes
Podemos escribir Z = X 1 + X 2 + ... + X n
2- Sea Z v.a. binomial negativa con parmetros r y p, es decir Z ~ BN ( r , p )
Si definimos
X 1 : nmero de repeticiones del experimento requeridos hasta el 1 xito
X 2 : nmero de repeticiones del experimento adicionales requeridos hasta el 2 xito
Y en general
X i : nmero de repeticiones del experimento adicionales despus del (i-1)simo xito requeridos hasta
el i-simo xito
Entonces cada variable tiene distribucin geomtrica con parmetro p y Z = X 1 + X 2 + ... + X r
Notar adems que X 1 , X 2 ,..., X r son independientes
Esperanza de una v.a. que es funcin de una v.a. bidimensional

Sea una variable aleatoria bidimensional ( X ,Y ) cuya fdp conjunta es la funcin de probabilidad
conjunta p (xi , y j ) si es discreta o la funcin de densidad de probabilidad conjunta f ( x , y ) si es continua
y sea una funcin real de dos variables z = H ( x , y ) de manera que podemos definir una variable
aleatoria Z que es funcin de la variable aleatoria bidimensional ( X ,Y ) de la forma Z = H ( X ,Y ) . Si la
fdp de Z es q ( zi ) , si Z es discreta, o q( z ) si es continua, entonces la esperanza matemtica de Z es, de
acuerdo con la definicin general,
E (Z ) =
z .q(z )
i
(para Z discreta)
x i R X
E (Z ) =
zq(z )dz
(para Z continua)
Nuevamente lo interesante es considerar la posibilidad de evaluar E (Z ) sin tener que calcular

previamente la fdp de Z. El siguiente teorema nos muestra cmo hacerlo.
Teorema Sea (X,Y) una variable aleatoria bidimensional y sea Z=H(X,Y) una variable aleatoria que es
funcin de (X,Y).
a) Si Z es variable aleatoria discreta que proviene de la variable aleatoria bidimensional discreta (X,Y)
cuyo recorrido es RXY y su fdp conjunta es p (xi , y j ) , entonces:
E (Z ) = E [H ( X ,Y )] =
H (x , y )p(x , y )
( xi , y j )R XY
b) Si Z es variable aleatoria continua que proviene de la variable aleatoria continua bidimensional (X,Y)
cuya fdp conjunta es f ( x , y ) , entonces:
99
E (Z ) = E [H ( X ,Y )] =
H (x , y ) f (x , y )dxdy .
Dem.) sin demostracin

Ejemplo:
Supongamos que debido a innumerables causas incontrolables la corriente i y la resistencia r de un
circuito varan aleatoriamente de forma tal que pueden considerarse como variables aleatorias I y R
independientes. Supongamos que las correspondientes fdp son:
r2
0r3
h(r ) = 9
dems valores
0 dems valores
Nos interesa considerar el voltaje v = i .r de manera que podemos definir la variable aleatoria V = I .R .
Especficamente deseamos conocer el valor esperado o esperanza matemtica del voltaje: E (V ) .
Usando la propiedad establecida en el teorema anterior:
2i
g (i ) =
0
E (V ) =
0 i 1
H (i ,r ). f (i ,r )didr . Ahora bien, puesto que consideramos que I y R son variables aleatorias
independientes, la fdp conjunta de la v.a. bidimensional (I,R) es simplemete el producto de las

marginales o sea de las fdp de las variables aleatorias I y R tomadas como variables aleatorias
unidimensionales: f (i ,r ) = g (i ).h(r ) , es decir:
2 2
i .r si 0 i 1 y 0 r 3
f (i ,r ) = 9
dems valores
0
Entonces
3
2 2 23 3 1 2
3
E (V ) = dr di (i .r ). i .r = r dr i di =
9
90
2
0
0
0
Esperanza de una suma de variables aleatorias
Sean X e Y dos variables aleatorias arbitrarias. Entonces E ( X + Y ) = E ( X ) + E (Y ) .
Dem.) en el teorema anterior consideramos H ( x, y ) = x + y
Si (X,Y) es discreta
E (Z ) = E[H ( X , Y )] =
H (x , y )p(x , y ) = ( x
(xi , y j )R XY
+ y j ) p( xi , y j ) =
( xi , y j )R XY
Aplicando la propiedad distributiva y separando en dos sumas

E (Z ) =
(x
( xi , y j )R XY
+ y j ) p ( xi , y j ) =
i
( xi , y j )R XY
p ( xi , y j ) +
j
( xi , y j )R XY
p( xi , y j ) =
100
= xi p ( xi , y j ) + y j p ( xi , y j ) = xi p ( xi , y j ) + y j p ( xi , y j ) =
i
Pero
p( x , y
i
) = p ( xi ) y
p( x , y
i
) = q ( y j ) , por lo tanto
= xi p ( xi ) + y j q ( y j ) = E ( X ) + E (Y )
i
Para el caso continuo la demostracin es anloga, cambiando sumatorias por integrales.

Podemos generalizar la propiedad anterior a un nmero finito cualquiera de variables aleatorias:
Sean X 1 , X 2 ,..., X n n variables aleatorias arbitrarias. Entonces:

E ( X 1 + X 2 + ... + X n ) = E ( X 1 ) + E ( X 2 ) + ... + E ( X n ) o, en notacin ms concentrada,:
n
n
E X1 = E(X i )
i =1 i =1
(leeremos: la esperanza de la suma es la suma de las esperanzas)
Dem.) Se deduce por induccin completa sobre el nmero n de variables aleatorias.
Observacin: se deduce que la esperanza verifica la propiedad lineal:
n
n
E ai X i = ai E ( X i ) .
i =1
i =1
Ejemplos:
1- Vamos a aplicar algunas de las propiedades anteriores para calcular de una manera alternativa la
esperanza matemtica de una variable aleatoria X distribuida binomialmente.
Sea entonces una v.a. XB(n,p).
Ya vimos que podemos escribir X = X 1 + X 2 + ... + X n donde cada X i se la puede considerar B(1, p ) ,
y adems X 1 , X 2 ,..., X n son independientes
Entonces
E ( X i ) = 1 P( X i = 1) + 0 P( X i = 0) = P( X i = 1) = p para cualquier i
Por lo tanto
E ( X ) = E ( X 1 + X 2 + ... + X n ) = E ( X 1 ) + E ( X 2 ) + ... + E ( X n ) = p + p + ... + p = np
14
4244
3
n veces
Observacin: muchas veces es conveniente descomponer una variable aleatoria como suma de otras ms
simples para facilitar los clculos
2- Esperanza de una v.a. binomial negativa
Cuando se trat la v.a. binomial negativa se dijo cul era su esperanza. Ahora damos una demostracin
Sea X v.a. binomial negativa con parmetros r y p, es decir X ~ BN ( r , p )
Si definimos
101
X 1 : nmero de repeticiones del experimento requeridos hasta el 1 xito

Y en general
X i : nmero de repeticiones del experimento adicionales despus del (i-1)simo xito requeridos hasta
el i-simo xito
Entonces cada variable tiene distribucin geomtrica con parmetro p y X = X 1 + X 2 + ... + X r
Por lo tanto
1 1
1
1 r
E ( X ) = E ( X 1 + X 2 + ... + X r ) = E ( X 1 ) + E ( X 2 ) + ... + E ( X r ) = + + ... + = r =
p p
p
p p
1442443
r veces
3- Esperanza de una v.a. hipergeomtrica

nM
N
Para facilitar la demostracin supongamos que tenemos N bolillas en una urna de las cuales M son rojas
y N-M son blancas. Queremos hallar el nmero esperado de bolillas rojas extradas
Definimos las variables
1 si la i sima bolilla roja es extrada
Xi =
0 caso contrario
Las variables X 1 , X 2 ,... X M no son independientes

Se puede escribir X = X 1 + X 2 + ... + X M , adems
Si X ~ H (n, M, N ) entonces
E( X ) =
1 N 1

1
n
1
= n
E ( X i ) = P ( X i = 1) =
N
N

n
Por lo tanto
E ( X ) = E ( X 1 + X 2 + ... + X M ) = E ( X 1 ) + E ( X 2 ) + ... + E ( X Mr ) =
n n
n
n nM
+ + ... + = M
=
N 44
N2443
N
N
N
1
M veces
En general la esperanza de un producto de variables aleatorias no es igual al producto de las

esperanzas
Si ( X ,Y ) es una variable aleatoria bidimensional tal que X e Y son variables aleatorias
independientes, entonces: E ( X .Y ) = E ( X ).E (Y )
(leeremos: la esperanza del producto es el producto de las esperanzas).
Dem.) (caso continuo)
102
Sea Z = H ( X ,Y ) = X .Y y sea f ( x , y ) la fdp conjunta de la v.a. ( X ,Y ) . Entonces, usando el teorema

que establece que E (Z ) = E [H ( X ,Y )] =
H (x , y ) f (x , y )dxdy , tenemos:
E ( X .Y ) =
(x.y ) f (x , y )dxdy . Pero siendo X e Y
variables aleatorias independientes es
f ( x , y ) = g ( x )h( y ) , donde g ( x ) y h( y ) son las fdp marginales de X e Y que sabemos coinciden con las
fdp de X e Y tomadas como variables aleatorias unidimensionales. Luego:
E ( X .Y ) =
(x.y )g (x )h( y )dxdy = xg (x )dx yh( y )dy
= E ( X ).E (Y ) ,
donde en la ltima igualdad tuvimos en cuenta la definicin de esperanza de v.a. unidimensionales.

Ejemplo:
Nuevamente consideramos el siguiente ejemplo
Supongamos que debido a innumerables causas incontrolables la corriente i y la resistencia r de un
circuito varan aleatoriamente de forma tal que pueden considerarse como variables aleatorias I y R
independientes. Supongamos que las correspondientes fdp son:
r2
0r3
h(r ) = 9
0 dems valores
Nos interesa considerar el voltaje v = i .r de manera que podemos definir la variable aleatoria V = I .R .
Hallar el valor esperado o esperanza matemtica del voltaje: E (V ) .
Como I y R son independientes, usando la propiedad anterior
2i 0 i 1
g (i ) =
0 dems valores
E (V ) = E ( I ) E ( R)
1
i3
E ( I ) = i (2i )di = 2
3
0
E (V ) =
2
=
3
r2
E ( R ) = r
9
0
3
1 r4
dr =
9 4
=
0
1 34
=1
9 9
2
2
1 =
3
3
Varianza de una suma de variables aleatorias
V ( X + Y ) = V ( X ) + V (Y ) + 2 XY
con XY = E ( X .Y ) E ( X ).E (Y )
Dem.) Escribimos la varianza en su forma alternativa

103
V ( X + Y ) = E [ X + Y ] [E ( X + Y )] . Desarrollamos los cuadrados y aplicamos la propiedad lineal de

la esperanza:
V ( X + Y ) = E X 2 + 2.X .Y + Y 2 [E ( X ) + E (Y )]
( )
( ) {
= E X 2 + 2 E ( X .Y ) + E Y 2 [E ( X )] + 2 E ( X )E (Y ) + [E (Y )]
2
Agrupando convenientemente:
{( )
} {( )
V ( X + Y ) = E X 2 [E ( X )] + E Y 2 [E (Y )] + 2{E ( X .Y ) E ( X )E (Y )}
2
= V ( X ) + V (Y ) + 2{E ( X .Y ) E ( X )E (Y )}
, es decir
V ( X + Y ) = V ( X ) + V (Y ) + 2 XY
XY = E ( X .Y ) E ( X ).E (Y ) se la llama la covarianza de X e Y.
Observaciones:
1- Teniendo presente la definicin de la desviacin estndar de una v.a. X: X = V ( X ) , vemos que a la
propiedad anterior la podemos escribir:
V ( X + Y ) = X2 + Y2 + 2 XY
2- Anlogamente se prueba que V ( X Y ) = X2 + Y2 2 XY
3- X e Y son independientes, entonces V ( X + Y ) = V ( X Y ) = V ( X ) + V (Y )
Esto es porque si las variables aleatorias X e Y son independientes, entonces E ( X .Y ) = E ( X ).E (Y ) .
Por lo tanto la covarianza vale cero : XY = E ( X .Y ) E ( X ).E (Y ) = 0 .
4- Podemos generalizar, usando el principio de induccin completa, al caso de n variables aleatorias
independientes:
Si X 1 , X 2 ,..., X n son n variables aleatorias independientes entonces:
n
n
V ( X 1 + X 2 + ... + X n ) = V ( X 1 ) + V ( X 2 ) + ... + V ( X n ) o, en forma ms compacta, V X i = V ( X i ) .
i =1 i =1
5- Vemos que la esperanza de la suma de dos variables aleatorias X e Y es igual a la suma de las
esperanzas E ( X + Y ) = E ( X ) + E (Y ) cualesquiera sean X e Y . En cambio la varianza de la suma de las
variables aleatorias X e Y es, en general, igual a la suma de las varianzas, V ( X + Y ) = V ( X ) + V (Y ) , slo
si X e Y son variables independientes.
Ejemplos:
1- Podemos ejemplificar la aplicacin de las propiedades de la varianza, calculando nuevamente la
varianza de una v.a. X distribuida binomialmente con parmetros n y p.
Sea entonces una v.a. XB(n,p). Vimos que se puede escribir:
104
X = X 1 + X 2 + ... + X n , donde las n variables aleatorias son independientes entre s y tienen todas la
misma distribucin:
X i B(1, p ) i = 1,2 ,..., n
Entonces, tratndose de n variables aleatorias independientes
V ( X ) = V ( X 1 ) + V ( X 2 ) + ... + V ( X n ) todas la varianzas son iguales y podemos escribir la suma como n
veces una cualquiera de ellas:
V ( X ) = nV ( X i ) . Pero
( )
V ( X i ) = E X i2 [E ( X i )] .
Ya vimos que E ( X i ) = 1. p + 0(1 p ) = 0
2
Adems es: E (X i2 ) = 12. p + 0 2 (1 p ) = p
( )
Entonces: V ( X i ) = E X i2 [E ( X i )] = p p 2 = p(1 p ) .
Luego:
V ( X ) = nV ( X i ) = np (1 p )
que es el resultado que habamos obtenido a partir de la definicin y llevando las sumas involucradas a
la forma del desarrollo de un binomio de Newton.
2
2- Varianza de una v.a. binomial negativa

Ya vimos que podemos escribir X = X 1 + X 2 + ... + X r , donde cada variable X i tiene distribucin
geomtrica con parmetro p
Por lo tanto
1 p
V ( X ) = V ( X 1 ) + V ( X 2 ) + ... + V ( X r ) = r 2
p
5.7 - Covarianza
Sean X e Y dos variables aleatorias. La covarianza de X e Y se define:
Cov( X , Y ) = E{[X E ( X )].[Y E (Y )]} = E ( X .Y ) E ( X ).E (Y )

Notacin: la notacin usual para la covarianza de X e Y es XY o Cov ( X , Y )
La ltima igualdad surge de desarrollar el producto y aplicar las propiedades de la esperanza:
E{[ X E ( X )].[Y E (Y )]} = E{X .Y X .E (Y ) E ( X ).Y + E ( X )E (Y )}
Teniendo presente que E ( X ) y E (Y ) son constantes:
E{[ X E ( X )].[Y E (Y )]} = E ( X .Y ) E ( X ).E (Y ) E ( X )E (Y ) + E ( X )E (Y ) = E ( X .Y ) E ( X ).E (Y ) .
La esperanza en la definicin debe pensarse de la siguiente manera (suponiendo que la v.a.
continua):
Cov ( X , Y ) = E{H ( X , Y )} =
H (x, y ) f (x, y )dxdy
( X ,Y ) es
con H ( x , y ) = [x E ( X )].[ y E (Y )]
Ya vimos la siguiente propiedad

105
Si X e Y son variables aleatorias independientes, entonces Cov ( X , Y ) = 0 .
Dem. )
Segn vimos, si X e Y son variables aleatorias independientes, entonces E ( X .Y ) = E ( X ).E (Y ) , de donde
se sigue la propiedad.
Propiedades de la covarianza
Las siguientes propiedades son tiles y su verificacin se deja como ejercicio
1- Cov (a + bX , c + dY ) = bdCov ( X , Y )
2- Cov ( X + Y , Z ) = Cov ( X , Z ) + Cov (Y , Z )
m
n
n m
3- Cov X i , Y j = Cov( X i , Y j )
j =1
i =1
i =1 j =1
4- Cov ( X , X ) = V ( X )
Ejemplo: Varianza de una v.a. hipergeomtrica

M N M N n
Si X ~ H ( n, M, N ) entonces V ( X ) = n
N N N 1
Para facilitar la demostracin supongamos que tenemos N bolillas en una urna de las cuales M son rojas
y N-M son blancas. Queremos hallar la varianza del nmero de bolillas blancas extradas
Como antes definimos las variables
1 si la i sima bolilla roja es extrada
Xi =
0 caso contrario
Las variables X 1 , X 2 ,... X M no son independientes

Se puede escribir X = X 1 + X 2 + ... + X M , adems
1 N 1

1 n 1 n
E ( X i ) = P ( X i = 1) =
=
N
N

n
V ( X i ) = E ( X i ) (E ( X i ) ) =
2
n n
n
=
N N
N
1
N
Por lo tanto V ( X ) = V ( X 1 + X 2 + ... + X M ) = V ( X i ) + 2

i =1
Por otro lado
Cov( X , X
i
i1< j M
Cov ( X i ; X j ) = E ( X i X j ) E ( X i ) E (Y j )
n( n 1)
n( n 1) n
E( X i X j ) =
, entonces Cov ( X i ; X j ) =

N ( N 1)
N ( N 1) N
106
n( n 1) n
n
Aplicando algunos pasos algebraicos se llega a Cov ( X i ; X j ) =
=
N ( N 1) N
N
Reemplazando
M
n
n M
n
1 n
V ( X ) = V ( X i ) + 2 Cov( X i , X j ) = M 1 + 2
1
N N 2 N 1 N N
i =1
i1< j M
n
1
1
N
N 1
Nuevamente, luego de algunos clculos algebraicos se llega a

V (X ) = n
M N M N n
N N N 1
5.8 - Coeficiente de correlacin lineal.

En realidad ms que la covarianza aqu nos interesa considerar una cantidad relacionada con XY y que
segn veremos nos dar informacin sobre el grado de asociacin que existe entre X e Y . Ms
concretamente nos contar si existe algn grado de relacin lineal entre X e Y . Esa cantidad es el
coeficiente de correlacin lineal.
En el mismo sentido en que podemos tener una idea aproximada sobre la probabilidad de un suceso A si
repetimos el experimento y consideramos las ocurrencias de A en las n repeticiones,
as podemos tener tambin una primera idea sobre la existencia de una relacin funcional,
especficamente una relacin lineal, entre X e Y si consideramos un diagrama de dispersin. Consiste en
dibujar pares de valores (xi , y j ) medidos de la variable aleatoria ( X ,Y ) en un sistema de coordenadas.
En la figura mostramos diversas situaciones posibles.
(xi yi)
De la figura a se deducira que entre X e Y no hay ningn tipo de relacin funcional. La figura b sugiere
la posibilidad de que exista una relacin funcional que corresponde a una parbola. La figura c, por su
parte, sugiere una relacin lineal entre X e Y . Este ltimo es el comportamiento que nos interesa
caracterizar. Con ese fin definimos el coeficiente de correlacin lineal como sigue:
107
Sea ( X ,Y ) una variable aleatoria bidimensional. Definimos el coeficiente de correlacin lineal entre
Cov ( X , Y )
X e Y como XY =
XY
En consecuencia:
XY =
E{[ X E ( X )].[Y E (Y )]} E ( X .Y ) E ( X ).E (Y )

=
.
V ( X ).V (Y )
V ( X ).V (Y )
Daremos una serie de propiedades de XY que nos permitirn establecer ms concretamente su

significado.
Propiedad 1
Si X e Y son variables aleatorias independientes entonces XY = 0 .
Dem.) inmediata a partir del hecho que si X e Y son independientes entonces E ( XY ) = E ( X ) E (Y )
Observacin: La inversa no es necesariamente cierta. Puede ser que XY = 0 y sin embargo X e Y no
sean variables aleatorias independientes. En efecto si tenemos una v.a. bidimensional ( X ,Y ) que da
lugar a un diagrama de dispersin como el que se muestra en la figura, veremos que correspondera a un
coeficiente de correlacin lineal XY = 0 y sin embargo la figura sugiere que entre X e Y existe la
relacin funcional X 2 + Y 2 = 1 , es decir X e Y son v.a. dependientes. En realidad, como veremos, XY es
una medida de la existencia de una relacin lineal entre X e Y y una circunferencia se aleja mucho de
una lnea recta.
y
1
-2
-1
-1
Propiedad 2 :
1 XY 1
Dem.)
108
Si consideramos la v.a.
X
Y
0 V
+
X Y
entonces
V ( X ) V (Y ) 2Cov( X , Y )
=
+
+
= 2(1 + XY )
2
XY
Y 2
X
Implicando que 1 XY
X
Y V ( X ) V (Y ) 2Cov ( X , Y )
=
Por otro lado: 0 V
= 2(1 XY )
2
X Y
Y 2
X Y X
Implicando que XY 1
1 XY 1
Propiedad 3 :
2
Si XY
= 1 , entonces con probabilidad 1 es Y = A.X + B donde A y B son constantes.
2
Dem.) Si XY
= 1 entonces XY = 1 o XY = 1
Si XY = 1 entonces de la demostracin anterior se deduce que
X
Y
X
Y
= 2(1 + XY ) = 0 , lo que implica que la v.a. Z =
V
+
+
tiene varianza cero. Segn la
X Y
X Y
interpretacin de varianza podemos deducir (en forma intuitiva) que la v.a. no tiene dispersin con
respecto a su esperanza, es decir la v.a. Z es una constante con probabilidad 1
Y
<0
X
= 1 implica que Y = A.X + B con A = Y > 0

X
Por lo tanto esto implica que Y = A.X + B con A =

Anlogamente XY
Propiedad 4 :
Si X e Y son dos variables aleatorias tales que Y = A.X + B , donde A y B son constantes,
2
entonces XY
= 1 . Si A > 0 es XY = 1 y si A < 0 es XY = 1 .
Dem.) se deja como ejercicio
Observacin: Claramente las propiedades anteriores establecen que el coeficiente de correlacin lineal
es una medida del grado de linealidad entre X e Y.
109
6-
SUMA DE VARIABLES
CENTRAL DEL LMITE
ALEATORIAS
TEOREMA
6.1 Suma de variables aleatorias independientes

Cuando se estudiaron las variables aleatorias bidimensionales se habl de una funcin de variable
aleatoria bidimensional. En particular se nombr la suma de n variables aleatorias, pero no se dijo nada
sobre la distribucin de esa v.a. suma.
Es a menudo importante saber cul es la distribucin de una suma de variables aleatorias independientes.
Consideramos algunos ejemplos en el caso discreto
1- Suma de variables aleatorias independientes con distribucin Poisson
X ~ P(1 ) ; Y ~ P(2 ) ; X y Y independientes
X + Y ~ P(1 + 2 )
Dem.)
Consideramos el evento {X + Y = n} como unin de eventos excluyentes {X = k , Y = n k }
, entonces
n
P ( X + Y = n) =
P( X = k ,Y = n k ) =
k =0
P ( X = k ) P(Y = n k ) =
k =0
e 1
1k
k =0
k!
e 2
0k n
2 n k
(n k )!
X e Y independientes
=e
( 1 + 2 )
k =0
1 k 2 n k
e ( 1 + 2 )
=
k! (n k )!
n!
n!
e ( 1 + 2 )
k
nk
1 2 =
(1 + 2 )n
n!
k = 0 k!(n k )!
n
Binomio de Newton
O sea X+Y tiene distribucin Poisson con parmetro 1 + 2
2- Suma de variables aleatorias binomiales independientes
X ~ B(n1 , p) ; Y ~ B(n2 , p) ; X y Y independientes

Dem.)
Nuevamente consideramos el evento
{X = i, Y = k i} 0 i n1 , entonces
{X + Y = k }
X + Y ~ B(n1 + n2 , p)
como
unin
de
eventos
excluyentes
n1
n1
n1
n
n
P( X + Y = k ) = P( X = i, Y = k i ) = P( X = i ) P(Y = k i ) = 1 p i (1 p ) n1 i 2 p k i (1 p ) n2 k +i =
i =0
i =0
k =0 i
k i
X e Y independientes
n n
= p k (1 p) n1 + n2 k 1 2
i = 0 i k i
n1
r
En la expresin anterior si j > r entonces = 0
j
110
n1
Por ltimo usamos la siguiente identidad combinatoria
n1 n 2
n1 + n 2
i k i =
i =0
Y entonces
n +n
P ( X + Y = k ) = 1 2 p k (1 p ) n1 + n2 k
k
O sea X+Y tiene distribucin binomial con parmetros n1 + n2 y p
Observacin: en los dos casos anteriores se puede generalizar el resultado a n variables aleatorias
independientes, usando el principio de induccin completa, es decir
1- Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde
X i ~ P (i ) para todo
n
i =0
i =0
X i ~ P ( i )
i = 1,2,..., n entonces
2- Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ B ( ni , p ) para todo

n
i =0
i =0
X i ~ B ( ni , p )
Suma de variables aleatorias normales independientes

Si X e Y son dos variables aleatorias continuas independientes con densidades g(x) y h(y)
respectivamente se puede probar (no lo demostraremos aqu) que la v.a. Z = X + Y tiene densidad dada
por
f X +Y ( z ) =
g ( z y)h( y)dy
Usando esto se puede demostrar el siguiente importante resultado:
Si X e Y son variables aleatorias independientes donde X ~ N 1 , 1
X + Y ~ N 1 + 2 , 1 + 2
2
) y Y ~ N ( , ) entonces
2
Por induccin completa se puede generalizar este resultado a n variables:

Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ N ( i , i2 ) para todo
n
i =0
i=0
i =1
~ N ( i , i2 )
De lo anterior y del hecho que X ~ N , 2
aX + b ~ N(a + b, a 2 2 ) tenemos:
Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ N ( i , i2 ) para todo

a X
i
i =0
i =0
i =1
~ N ( ai i , ai2 i2 ) donde a1 , a 2 ,..., a n son nmeros reales
Se dice
que
n
a X
i
i =0
111
es una combinacin lineal de variables aleatorias.

Ejemplos:
1- La envoltura de plstico para un disco magntico est formada por dos hojas. El espesor de cada
una tiene una distribucin normal con media 1.5 milmetros y desviacin estndar de 0.1 milmetros. Las hojas son independientes.
a) Determine la media y la desviacin estndar del espesor total de las dos hojas.
b) Cul es la probabilidad de que el espesor total sea mayor que 3.3 milmetros?
Solucin: Sean las variables aleatorias
X: espesor de la hoja 1 e Y: espesor de la hoja 2
Entonces X ~ N( 1.5,0.12 ) ; Y ~ N( 1.5,0.12 ) y X e Y independientes
a) Si definimos la v.a. Z: espesor total de las dos hojas , entonces Z = X + Y
Por lo tanto Z ~ N( 1.5 + 1.5, 0.12 + 0.12 ) es decir Z ~ N( 3, 0.02)
En consecuencia E ( Z ) = 3 , Z = V ( Z ) = 0.02
b) Se pide calcular P ( Z > 3.3)
Z 3 3 .3 3
3 .3 3
P ( Z > 3.3) = P
>
= 1
= 1 (2.12132 ) = 1 0.983 = 0.017
0.02
0.02
0.02
2-Tengo tres mensajes que atender en el edificio administrativo. Sea Xi : el tiempo que toma el isimo mensaje (i = 1, 2 ,3), y sea X4 : el tiempo total que utilizo para caminar hacia y desde el
edificio y entre cada mensaje. Suponga que las Xi son independientes, normalmente distribuidas, con las siguientes medias y desviaciones estndar:
1 = 15 min, 1 = 4, 2 = 5, 2 = 1, 3 = 8, 3 = 2, 4 = 12, 4 = 3
Pienso salir de mi oficina precisamente a las 10.00 a.m. y deseo pegar una nota en mi puerta que
dice regreso a las t a.m. A qu hora t debo escribir si deseo que la probabilidad de mi llegada
despus de t sea 0.01?
Solucin: Definimos la v.a. Z: tiempo transcurrido desde que salgo de mi oficina hasta que regreso, entonces T = X 1 + X 2 + X 3 + X 4
4
Por lo tanto T ~ N i ,
i =1
4
i =1
i = 15 + 5 + 8 + 12 = 50 y
i =1
2
i
, y se pide hallar t tal que P (T > t ) = 0.01
2
i
= 4 2 + 12 + 2 2 + 3 2 = 30
i =1
t 50
t 50
Entonces P (T > t ) = 1
= 0.01 , es decir
= 0.99
30
30
t 50
Buscando en la tabla de la normal
= 2.33 t = 2.33 30 + 50 = 62.7619
30
3- El ancho del marco de una puerta tiene una distribucin normal con media 24 pulgadas y desviacin estndar de 1/8 de pulgada. El ancho de la puerta tiene una distribucin normal con media 23.875 de pulgadas y desviacin estndar de 1/16 de pulgadas. Suponer independencia.
a) Determine la distribucin, la media y la desviacin estndar de la diferencia entre el ancho
del marco y de la puerta.
b) Cul es la probabilidad de que la diferencia entre el ancho del marco y de la puerta sea mayor que de pulgada?.
112
c) Cul es la probabilidad de que la puerta no quepa en el marco?.

Solucin: Sean las variables aleatorias
X: ancho del marco de la puerta en pulgadas
Y: ancho de la puerta en pulgadas
Entonces X ~ N( 24, (1/8) 2 ) , Y ~ N( 23.875, (1/16) 2 ) , X e Y independientes
a) Se pide la distribucin de X-Y , E ( X Y ) , X Y = V ( X Y )
E ( X Y ) = E ( X ) E (Y ) = 24 23.875 = 0.125
2
5
1 1
V ( X Y ) = V ( X ) + V (Y ) = + =
256
8 16
2
Por lo tanto X Y ~ N 0.125,

16
b) Se pide la probabilidad P ( X Y > 1 / 4)
X Y =
5
16
2 5
0.25 0.125
= 1 (0.8944) = 1 0.8133 = 0.1867

P ( X Y > 1 / 4) = 1
= 1
5
5
16
c) Si la puerta no entra en el marco entonces se da el evento {X < Y } o equivalentemente

{X Y < 0}, por lo tanto
2 5
2 5
0 0.125
= 1
P ( X Y < 0) =
=
5 = 0.1867
5
5
16
4- Supongamos que las variables aleatorias X e Y denotan la longitud y el ancho en cm, respectivamente, de una pieza.
Supongamos adems que X e Y son independientes y que X ~ N(2 , 0.12 ) , Y ~ N(5 , 0.22 ).
Entonces Z = 2X + 2Y es una v.a. que representa el permetro de la pieza.
Calcular la probabilidad de que el permetro sea mayor que 14.5 cm.
Solucin: tenemos que Z ~ N 2 2 + 2 5, 2 2 0.12 + 2 2 0.2 2 , o sea Z ~ N (14, 0.2)

La probabilidad pedida es P ( Z > 14.5) , entonces
5
14.5 14
= 1 (1.1180 ) = 1 0.8810 = 0.119
P ( Z > 14.5) = 1
= 1
2
0
.
2
5- Si se aplican dos cargas aleatorias X 1 y X 2 a una viga voladiza como se muestra en la figura siguiente, el momento de flexin en 0 debido a las cargas es a1 X 1 + a 2 X 2 .
a) Suponga que X 1 y X 2 son v.a. independientes con medias 2
y 4 KLbs respectivamente, y desviaciones estndar 0.5 y
1.0 KLbs, respectivamente.
Si a1 = 5 pies y a 2 = 10 pies, cul es el momento de flexin
esperado
y
cul
es
la
desviacin
estndar del momento de flexin?
b) Si X 1 y X 2 estn normalmente distribuidas, cul es la
113
probabilidad
de
flexin supere 75 KLbs?
que
el
momento
de
Solucin: Sea la v.a. Z: momento de flexin en 0, entonces Z = 5 X 1 + 10 X 2

Por lo tanto
a) E ( Z ) = 5E ( X 1 ) + 10E ( X 2 ) = 5 2 + 10 4 = 50
V ( Z ) = 5 2 0.5 2 + 10 2 12 = 25 0.25 + 10 1 =
65
4
Z =
65
4
65
b) Si X 1 y X 2 estn normalmente distribuidas, entonces Z ~ N 50,
Por lo tanto
10 65
75 50
= 1 (6.20 ) 1 1 = 0
P( Z > 75) = 1
= 1
65
13
Promedio de variables aleatorias normales independientes

Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ N ( , 2 ) para todo
n
i = 1,2,..., n entonces la v.a. X =

media y varianza
i =1
tiene distribucin normal con
2
n
Dem.) Notar que X =
X
i =1
es un caso particular de combinacin lineal de variables aleatorias donde
1
para todo i = 1,2,..., n
n
2
Adems en este caso i = y i = 2 para todo i = 1,2,..., n
ai =
Por lo tanto, X tiene distribucin normal con esperanza

2
n
1
1
1
=
= n = y varianza
i
n
i =1 n
i =1 n
n
2
1 2
1 2 1
2
i = = n =
n
n
i =1 n
i =1 n
2

Es decir, X ~ N ,
n
Observacin: a X se lo llama promedio muestral o media muestral
114
Ejemplo:
Una mquina embotelladora puede regularse de tal manera que llene un promedio de onzas por
botella. Se ha observado que la cantidad de contenido que suministra la mquina presenta una
distribucin normal con = 1 onza. De la produccin de la mquina un cierto da, se obtiene una
muestra de 9 botellas llenas (todas fueron llenadas con las mismas posiciones del control operativo) y se
miden las onzas del contenido de cada una.
a) Determinar la probabilidad de que la media muestral se encuentre a lo ms a 0.3 onzas de la
media real para tales posiciones de control
b) Cuntas observaciones deben incluirse en la muestra si se desea que la media muestral est a
lo ms a 0.3 onzas de con una probabilidad de 0.95?
Solucin:
a) Sean las variables aleatorias X i : contenido en onzas de la botella i i = 1,2,...,9
Entonces X i ~ N ( ,1) para cada i.
1
Por lo tanto X ~ N , . Se desea calcular
9
0 .3
0 .3
X
P( X 0.3) = P(0.3 X 0.3) = P
n
n
n
0 .3
X
0 .3
X
= P
= P 0 .9
0 .9 = ( 0 .9 ) ( 0 .9 ) =
n
n
n
n
= 2 (0.9) 1 = 0.6318
b) Ahora se pretende que
P( X 0.3) = P(0.3 X 0.3) = 0.95
Entonces
0.3 X
0.3
X
P( X 0.3) = P
= P 0.3 n
0.3 n = 0.95
n
n
n
n
Mediante la tabla de la acumulada de la normal estndar se tiene que
X
P 0 .3 n
0.3 n = 2 0.3 n 1 = 0.95 0.3 n = 0.975 0.3 n = 1.96
1
1.96
O sea n
= 42.68
0 .3
Si tomamos n = 43 , entonces P( X 0.3) ser un poco mayor que 0.95
115
6.2 - Teorema central del lmite

Acabamos de ver que la suma de un nmero finito n de variables aleatorias independientes que estn
normalmente distribuidas es una variable aleatoria tambin normalmente distribuida. Esta propiedad
reproductiva no es exclusiva de la distribucin normal. En efecto, por ejemplo, ya vimos que existen
variables aleatorias discretas que la cumplen, es el caso de la Poisson y la Binomial.
En realidad, la propiedad que le da a la distribucin normal el lugar privilegiado que ocupa entre todas
las distribuciones es el hecho de que la suma de un nmero muy grande, rigurosamente un nmero
infinito numerable, de variables aleatorias independientes con distribuciones arbitrarias (no
necesariamente normales) es una variable aleatoria que tiene, aproximadamente, una distribucin
normal. Este es, esencialmente, el contenido del
Teorema central del lmite (T.C.L.):
Sean X 1 , X 2 ,..., X n variables aleatorias independientes con E ( X i ) = y V ( X i ) = 2 para todo
i = 1,2 ,..., n , es decir independientes idnticamente distribuidas
n
S n
Sea la v.a. S n = X i y sea Z n = n
.
i =1
n 2
z
2
S n
1
x
2
Entonces lim P(Z n z ) = ( z ) , esto es lim P n
z =
e
dx
2
n
n
2
Dem.) sin demostracin

Observaciones:
n
n
n
n
1- Notar que E (S n ) = E X i = E ( X i ) = n y V (S n ) = V X i = V ( X i ) = n 2
i =1 i =1
i =1 i =1
S n
Por lo tanto Z n = n
es la v.a. S n estandarizada
n 2
S n n
X
S n n
2- Notar que P
z = P
z = P
, por lo tanto tambin se puede enunciar
2
2
n
n
el Teorema central del lmite de la siguiente forma

Sean X 1 , X 2 ,..., X n variables aleatorias independientes con E ( X i ) = y V ( X i ) = 2 para todo
i = 1,2 ,..., n , es decir independientes idnticamente distribuidas
1 n
Sea la v.a. promedio muestral X = X i y sea Z n = X .
n i =1
n
Entonces lim P(Z n z ) = ( z ) , esto es lim P

z =
n
n
n
1
2
dx
Donde Z n = X es el promedio muestral estandarizado
116
3- Aunque en muchos casos el T.C.L. funciona bien para valores de n pequeos , en particular donde la
poblacin es continua y simtrica, en otras situaciones se requieren valores de n mas grandes,
dependiendo de la forma de la distribucin de las X i . En muchos casos de inters prctico, si n 30 , la
aproximacin normal ser satisfactoria sin importar cmo sea la forma de la distribucin de las X i . Si
n < 30 , el T.C.L. funciona si la distribucin de las X i no est muy alejada de una distribucin normal
4- Para interpretar el significado del T.C.L., se generan (por computadora) n valores de una v.a.
exponencial con parmetro = 0.5 , y se calcula el promedio de esos n valores. Esto se repite 1000
veces, por lo tanto tenemos 1000 valores de la v.a. X .
Hacemos un histograma de frecuencias de X , esto es, tomamos un intervalo (a, b) donde caen
todos los valores de X , y lo subdividimos en intervalos mas chicos de igual longitud. La frecuencia de
cada subintervalo es la cantidad de valores de X que caen en dicho subintervalo. Se grafican estas
frecuencias obtenindose los grficos siguientes que se pueden considerar una aproximacin a la
verdadera distribucin de X .
Se observa que a medida que aumenta el valor de n los grficos se van haciendo ms simtricos,
parecindose a la grfica de una distribucin normal.
150
n=2
80
n=5
60
100
40
50
20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
1 2 3 4 5 6 7 8 91011121314151617181920212223242526272829303132
40
50
40
n = 15
n = 30
30
30
20
20
10
10
1 2 3 4 5 6 7 8 91011121314151617181920212223242526272829
1 2 3 4 5 6 7 8 9 10 11121314 1516171819 202122
Ejemplos:
1- Supngase que 30 instrumentos electrnicos D1, D2, ......,D30, se usan de la manera siguiente: tan
pronto como D1 falla empieza a actuar D2. Cuando D2 falla empieza a actuar D3, etc. Supngase que el
tiempo de falla de Di es una v.a. distribuida exponencialmente con parmetro = 0.1 por hora. Sea T el
tiempo total de operacin de los 30 instrumentos. Cul es la probabilidad de que T exceda 350 horas?
117
Solucin:
Si X i : tiempo de falla del instrumento Di
Entonces X
i = 1,2,...,30
~ Exp ( 0 . 1 ) para i = 1,2,...,30

30
El tiempo total de operacin de los 30 instrumentos es T = X i , donde

i =1
E (T ) = E X i = 30 E ( X i ) = 30
= 300
0 .1
i =1
30
1
30
V (T ) = V X i = 30 V ( X i ) = 30 2 = 3000
0 .1
i =1
T 300
Entonces por T.C.L.
~ N(0,1) aproximadamente pues n = 30
3000
La probabilidad pedida es
T 300 350 300
350 300
P(T > 350) = P
>
1
= 1 (0.9128) = 1 0.81859 = 0.18141
3000
3000
3000
T.C.L.
2- Suponga que el consumo de caloras por da de una determinada persona es una v.a. con media
3000 caloras y desviacin estndar de 230 caloras. Cul es la probabilidad de que el promedio de
consumo de caloras diario de dicha persona en el siguiente ao (365 das) sea entre 2959 y 3050?
Solucin:
Definimos las variables aleatorias
X i : cantidad de caloras que una persona consume en el da i i = 1,2,...,365
Se sabe que E ( X i ) = 3000 y V ( X i ) = 230 2
2 230 2
1 365
entonces
E
(
X
)
=
3000
y
V
(
X
)
=
=
X
i
n
365
365 i =1
2959 3000 X 3000 3050 3000

P (2959 X 3050 ) = P
230
230
230
365
365
365
Si X =
3050 3000
2959 3000

230
= (4.15) ( 3.40 ) 1 0 = 1
230
365
365
T.C.L.
Aplicaciones del Teorema central del lmite

Aproximacin normal a la distribucin binomial
El Teorema central del lmite se puede utilizar para aproximar las probabilidades de algunas variables
aleatorias discretas cuando es difcil calcular las probabilidades exactas para valores grandes de los
parmetros.
118
Supongamos que X tiene una distribucin binomial con parmetros n y p. Para calcular P( X k )
k
debemos hacer la suma P( X k ) = P( X = i ) o recurrir a las tablas de la F.d.a. , pero para valores de
i=0
n grandes no existen tablas, por lo tanto habra que hacer el clculo en forma directa y muchas veces es
laborioso.
Como una opcin podemos considerar a X como suma de variables aleatorias ms simples,
especficamente, si definimos
1 si en la sima repeticin de ocurre xito
Xi =
i = 1,2,..., n
0
caso contrario
entonces cada X i se la puede considerar B(1, p ) , y adems X 1 , X 2 ,..., X n son independientes

n
Podemos escribir X = X 1 + X 2 + ... + X n = X i y si n es grande entonces X tendr aproximadamente

i =1
una distribucin normal con parmetros np y np (1 p ) , es decir

X n
X n. p
Zn =
=
N (0,1) si n es lo suficientemente grande
n. p(1 p )
n 2
Observaciones:
1- La aproximacin normal a la distribucin binomial funciona bien aun cuando n no sea muy grande si
p no est demasiado cerca de cero o de uno. En particular la aproximacin normal a la binomial es buena
si n es grande , np > 5 y n(1 p ) > 5 , pero es ms efectivo aplicar esta aproximacin cuando np > 10
y n(1 p ) > 10
2- Correccin por continuidad.
Acabamos de ver que si XB(n,p) entonces, para n suficientemente grande, podemos considerar que
aproximadamente es X N [n. p ,n. p(1 p )] . El problema que surge de inmediato si deseo calcular, por
ejemplo, la probabilidad de que X = k (con k alguno de los valores posibles 0,1,2,,n) es que la
binomial es una distribucin discreta y tiene sentido calcular probabilidades como P( X = k ) mientras
que la normal es una distribucin continua y, en consecuencia, P( X = k ) = 0 puesto que para una
variable aleatoria continua la probabilidad de que sta tome un valor aislado es cero. Esto se resuelve si
1
1
se considera P( X = k ) P k X k +
2
2
Tambin se puede usar esta correccin para mejorar la aproximacin en otros casos, especficamente en
lugar de P( X k ) calculamos
1
P ( X k ) P X k +
2
Y en lugar de P( X k ) P X k
2
En los grficos siguientes se muestra para diferentes valores de n y p cmo aproxima la distribucin
N (np, np (1 p )) a la distribucin B(n, p )
119
0.175
0.2
n = 25
p = 0.7
0.15
0.125
n = 15
p = 0.5
0.15
0.1
0.1
0.075
0.05
0.05
0.025
5
10
15
20
25
10
12
14
0.35
0.3
0.25
0.08
n =15
p = 0.9
n = 100
p = 0.7
0.06
0.2
0.04
0.15
0.1
0.02
0.05
5
10
15
50
20
60
70
80
90
100
0.4
0.1
n = 150
p = 0.1
0.08
n = 10
p = 0.1
0.3
0.06
0.2
0.04
0.1
0.02
20
40
60
80
100
120
140
10
Ejemplos:
1- Sea X B(25,0.4). Hallar las probabilidades exactas de que X 8 y X = 8 y comparar estos
resultados con los valores correspondientes encontrados por la aproximacin normal.
Solucin:
De la tabla de la F.d.a. de la binomial encontramos P( X 8) = 0.274
Y P( X = 8) = P( X 8) P( X 7) = 0.274 0.154 = 0.120
Ahora usamos la aproximacin normal
X np
8.5 10
( 0.61) = 0.2709
P( X 8) P( X 8.5) = P
np (1 p )
25
0
.
4
0
.
6
correccin por continuidad

120
Observar que el valor aproximado est muy cercano al valor exacto para P( X 8) = 0.274
7.5 10 X 10 8.5 10
X 10
P( X = 8) P(7.5 X 8.5) = P
= P 1.02
0.61 =
6
6
6
6
= 0.2709 0.1593 = 0.1170

Nuevamente este valor aproximado est muy cerca del valor real de P( X = 8) = 0.120
2- Suponga que el 10% de todos los ejes de acero producidos por cierto proceso estn fuera de
especificaciones, pero se pueden volver a trabajar (en lugar de tener que enviarlos a la chatarra).
Considere una muestra aleatoria de 200 ejes y denote por X el nmero entre ellos que estn fuera de
especificaciones y se puedan volver a trabajar. Cul es la probabilidad (aproximada) de que X sea
a) a lo sumo 30?
b) menos de 30?
c) entre 15 y 25 (inclusive)?
Solucin:
Sea la v.a. X: nmero de ejes fuera de especificaciones
Entonces X ~ B(200, 0.1) , adems np = 200 0.1 = 20 > 5 y n(1 p ) = 200 (1 0.1) = 180 > 5
Por lo tanto podemos aplicar la aproximacin normal a la binomial
a) la probabilidad pedida es P( X 30)
X np
30.5 20
30.5 20
P( X 30) P ( X 30.5) = P

= (2.474 ) = 0.993244
np (1 p )
18
18
b) La probabilidad pedida es P( X < 30)

Al ser X una v.a. discreta con distribucin binomial P( X < 30) = P( X 29)
29.5 20
P( X 29) P ( X 29.5)
= (2.2391) = 0.98745
18
c)
25.5 20
14.5 20
P(15 X 25) P(14.5 X 25.5)

=
18
18
= (1.2963) ( 1.2963) = 2(1.2963) 1 = 2 0.90147 1 = 0.80294

3- El gerente de un supermercado desea recabar informacin sobre la proporcin de clientes a los que no
les agrada una nueva poltica respecto de la aceptacin de cheques. Cuntos clientes tendra que incluir
en una muestra si desea que la fraccin de la muestra se desve a lo mas en 0.15 de la verdadera
fraccin, con probabilidad de 0.98?.
Solucin:
Sea X: nmero de clientes a los que no les agrada la nueva poltica de aceptacin de cheques
Entonces X ~ B(n, p) donde p es desconocido y es la verdadera proporcin de clientes a los que no
les agrada la nueva poltica de aceptacin de cheques. El gerente tomar una muestra de n clientes para
X
X
estimar p con X =
ya que X =
es la proporcin de clientes a los que no les agrada la nueva
n
n
121
poltica de aceptacin de cheques en la muestra de n clientes. Si no se toman a todos los clientes,

X
entonces X =
no ser igual a p.
n
X
se aleje del verdadero p en menos de 0.15 con
La pregunta es cul debe ser n para que X =
n
probabilidad 0.98 por lo menos, o sea para que P X p 0.15 0.98
Entonces planteamos
0.15n
P X p 0.15 = P( 0.15 X p 0.15) = P
np (1 p )
X np
np (1 p )
np (1 p )
T.C.L.
0.15n
0.15n
0.15n = 2 0.15n 1 0.98

np (1 p )
np (1 p )
np (1 p )
0.15n 0.98 + 1
Por lo tanto
= 0.99
np (1 p )
2
Adems
0.15n
np (1 p )
0.15 n
p (1 p )
0.15 n
0.5(1 0.5)
= 0 .3 n
2.33
Entonces debe cumplirse que 0.3 n 2.33 o sea n
= 60.3211
0 .3
O sea se debe tomar una muestra de al menos 61 clientes
Aproximacin normal a la distribucin Poisson

Se puede probar aplicando Teorema central del lmite que
Si X ~ P( ) entonces para suficientemente grande
tiene aproximadamente distribucin
N (0,1)
Es decir para suficientemente grande
N (0,1)
En la prctica si 30 la aproximacin es buena.

Observacin: la demostracin es sencilla si es igual a un nmero natural n pues, si consideramos las
variables aleatorias X i ~ P(1) con i = 1,2,..., n independientes, entonces ya sabemos que
n
X
~
P
1 , es decir
i
i =1
i =1
n
~ P ( n)
i =1
122
Pero adems por T.C.L. si n es grande
tiene aproximadamente distribucin normal con
i =1
parmetros n = n 1 = n y n 2 = n 1 = n
n
O sea la distribucin de
que es exactamente Poisson con parmetro n, se puede aproximar con
i =1
X n
N (0,1) aproximadamente para valores de n suficientemente grandes

n
En los grficos siguientes se muestra para diferentes valores de cmo aproxima la distribucin
N ( , ) a la distribucin P( )
una N (n, n) , por lo tanto
0.05
0.2
= 50
0.04
=3
0.15
0.03
0.1
0.02
0.05
0.01
20
40
60
80
100
10
15
20
25
30
Ejemplo:
El nmero de infracciones por estacionamiento en cierta ciudad en cualquier da hbil tiene una
distribucin de Poisson con parmetro = 50. Cul es la probabilidad aproximada de que:
a) entre 35 y 70 infracciones se expidan en un da en particular?
b) el nmero total de infracciones expedidas durante una semana de 5 das sea entre 225 y 275?
Solucin:
Sea X: nmero de infracciones por estacionamiento en cierta ciudad en cualquier da hbil
Entonces X ~ P( ) donde = 50
X 50
Como = 50 entonces
N (0,1) (aproximadamente)
50
a) la probabilidad pedida es
70 50
35 50
P(35 X 70 )

= (2.8284 ) ( 2.12132 ) =
50
50
= 0.997599 0.017 = 0.9805
b) Sea Y: nmero total de infracciones expedidas durante una semana de 5 das
Entonces Y ~ P( ) donde = 50 5 = 250
275 250
225 250
P(225 Y 275)

= (1.5811) ( 1.5811) =
250
250
= 2 (1.5811) 1 = 2 0.94295 1 = 0.8859
123

Variable Aleatoria Bidimensional

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Variable Aleatoria Bidimensional

Cargado por

Copyright:

Formatos disponibles

Parte 1 Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

5- VARIABLES ALEATORIAS BIDIMENSIONALES

( X 1 , X 2 ,..., X n ) variable aleatoria n-dimensional

v.a. (X,Y) y lo indicaremos RXY . En otras palabras RXY = ( x , y ) : x = X (s ) e y = Y (s ) con s S , es

decir, es la imagen por ( X ,Y ) del espacio muestral S.

RXY = (xi , y j ) con i = 1,2 ,..., n y j = 1,2 ,..m = {( x1 , y1 ),( x1 , y2 ),...,( xn , ym )}

RXY = (xi , y j ) con i = 1,2 ,... y j = 1,2 ,.. = {( x1 , y1 ),( x1 , y2 ),...}

Parte 1 Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

RXY = (x , y j ) : a x b , y j = c1 ,c2 ,c3

(no numerable mixto)

P X = xi , Y = y j = p (xi , y j ) (xi , y j ) RXY y que verifica.

a) p(xi , y j ) 0 (xi , y j ) RXY

P(B ) = f ( x, y )dxdy B R y que verifica.

A esta funcin la llamaremos funcin de densidad de probabilidad conjunta de la variable aleatoria

Parte 1 Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

Cul es la probabilidad de qu salgan ms artculos de la lnea I que de la lnea II?

correspondiente a Y = y j . Por ejemplo: p(4,2) = P( X = 4,Y = 2 ) = 0.05 .

B: es el suceso que ocurre cuando la lnea I produce ms artculos que la lnea II o,

Parte 1 Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

El punto muestral (3,3) es el nico punto muestral que corresponde al evento {X = 0, Y = 0}

Disponemos estas probabilidades en una tabla de la siguiente forma

Nos preguntamos cul es la probabilidad de que la

1dxdy = 0.2 0.4 = 0.08

Parte 1 Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

En este ejemplo la fdp es un caso particular de v.a. bidimensional uniformemente distribuida

Puesto que la condicin de normalizacin exige

f (x, y )dxdy = cdxdy = 1 debe ser

A una v.a. ( X ,Y ) bidimensional continua uniformemente distribuida en su recorrido RXY la indicaremos

De la figura calculamos el rea del recorrido:

para ( x, y ) tal que 0 x 1, x 2 y x

5.2 - Funciones de distribucin marginales de una v.a. (X,Y) discreta

Parte 1 Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

= P({X = 2} {Y = 0}) + P({X = 2} {Y = 1}) + P({X = 2} {Y = 2}) + P({X = 2} {Y = 3}) =

Razonando de la misma forma podemos escribir

Es decir obtenemos la funcin de distribucin de probabilidad de X

Que es la funcin de distribucin de probabilidad de Y

La funcin de probabilidad marginal de Y es

Observacin: Remarcamos que la funcin de probabilidad marginal de X, es decir p( xi ) calculada a

p(5) = P( X = 5) = p(5,0) + p(5,1) + p(5,2) + p(5,3) = 0.09 + 0.08 + 0.06 + 0.05

Parte 1 Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

p(x ) = 0.03 + 0.08 + 0.16 + 0.21 + 0.24 + 0.28 = 1

q(y ) = 0.25 + 0.26 + 0.25 + 0.24 = 1

5.3 - Funciones de distribucin marginales de una v.a. (X,Y) continua

f ( x, y )dydx = 1dydx = 0.2

P( X 0.2) = P( X 0.2, < Y < ) =

En general si queremos hallar P( X x) podemos plantear

Por definicin de fdp debe ser g ( x) la fdp de la v.a. X

P(Y y ) = P( < X < , Y y ) =

Por definicin de fdp debe ser h( x) la fdp de la v.a. Y

La funcin de densidad de probabilidad marginal de Y es:

Parte 1 Variables aleatorias bidimensionales

Prof. Mara B. Pintarelli

Observacin: Remarcamos aqu tambin que la funcin de de densidad de probabilidad marginal de X,

P(a X b ) = P a X b , < Y < =

Ya vimos que la fdp est dada por

para ( x, y ) tal que 0 x 1, x 2 y x