Captulo 3

Variables aleatorias
3.1

Definicin, tipos

En ocasiones de un experimento aleatorio slo nos interesar medir ciertas caractersticas del mismo.
En estos casos nos bastar con conocer la distribucin o modelo de probabilidad de cada caracterstica.
Ejemplo 21 Si queremos estudiar la suma de dos dados lanzados uno tras otro, de los 36 resultados
(a, b), estudiaremos los 11 posibles resultados a + b. Si ninguno de los dados est trucado, nuestro
modelo de probabilidad ser:
1
si a + b = 2

36

2 si a + b = 3
36
P ( Suma sea ) =
..

1
si a + b = 12
36
Si quisiramos estudiar tambin cunto distan, es decir |ab|, tendramos 6 resultados: 0, 1, 2, 3, 4
5, con distribucin de probabilidad dada por:
6
si |a b| = 0

36

10 si |a b| = 1
36
P ( Distancia sea ) =
..

2
si |a b| = 5
36
Para ambas caractersticas estamos utilizando el mismo modelo de probabilidad sobre el espacio
muestral de 36 sucesos elementales: = {(1, 1), (1, 2), . . . , (6, 5), (6, 6)}. Y este modelo de probabilidad nos permite modelar ambas caractersticas (o cualquier otra asociada al experimento).
Definicin 3.1.1. Una variable aleatoria X es una funcin X : R, que a cada elemento del
espacio muestral le hace corresponder un nmero real.
La idea recogida en esta definicin es que para cada suceso elemental, , el valor X()
representa la caracterstica que queremos estudiar.
41

Densidad y distribucin
Ejemplo 22 En el experimento del lanzamiento sucesivo de dos dados, estamos considerando las
siguientes variables aleatorias:
X =
Y =

suma de los dados ;

diferencia (en valor absoluto) de ambos dados .

A partir de ellas podemos definir distintos sucesos aleatorios. Por ejemplo:

A1 = { : X() = 5} ;
A3 = { : Y () 4} ;

A2 = { : X() > 7} ;
A4 = { : (X Y )() = 6} .

Y nos interesar conocer la probabilidad de los diferentes sucesos correspondientes a una variable
aleatoria, es decir, su modelo o funcin de probabilidad.
Definicin 3.1.2. Sea X : R una variable aleatoria. Si A es un subconjunto de R, definimos:
P (A) = P (X A) := P ({ : X() A}) .
Ejemplo 23 De los tres primeros sucesos del ejemplo anterior, considerando que los dados no estn
trucados, tenemos que:
1
5+4+3+2+1
15
5
2
17
7
4
= ; P (A2 ) =
=
=
; P (A3 ) = 1
=
; P (A4 ) =
36
9
36
36
12
36
18
36
que hemos calculado con las siguientes evidentes igualdades:

P (A2 ) = P (X > 7)) = P (X = 8) + P (X = 9) + P (X = 10) + P (X = 11) + P (X = 12)

P (A1 ) =

P (A3 ) = P ((Y 4)) = 1 P ((Y = 5)) .

Obsrvese el abuso de notacin, P (X > x) en lugar de P (X() > x) por ejemplo, que utilizaremos,
para simplificar, siempre que est claro lo que queremos decir. Por ltimo, los casos = (a, b) en que
se verifica (X Y )() = 6 son siete: (3, 3), (3, 4), (4, 3), (3, 5), (5, 3), (3, 6) y (6, 3).

3.2

Funcin de masa o de densidad, funcin de distribucin

Definicin 3.2.1. La funcin de distribucin de una variable aleatoria se define como:

F (x) = P ((, x]) = P ({ : X() x})
Propiedades de las funciones de distribucin
1. lm F (x) = 0;
x

2. lm F (x) = 1;
x

3. si x1 < x2 , entonces F (x1 ) F (x2 );

4. F es continua por la derecha, es decir:
lm F (x + h) = F (x) .

h0+

42

para todo x R .

Variables aleatorias
Es fcil, dada una funcin de distribucin, calcular la probabilidad de diferentes tipos de intervalos de la recta real. Basta tomar la definicin, P ((, x]) = F (x) y las propiedades generales de
cualquier funcin de distribucin. Denotaremos por
F (x ) = lm+ P ((, x h]) = P ((, x)) .
h0

Se tienen as las siguientes identidades:

P ((a, b])
P ((a, b))
P ([a, b])
P ({b})

=
=
=
=

P ((, b]) P ((, a]) = F (b) F (a)

P ((, b)) P ((, a]) = F (b ) F (a)
P ((, b]) P ((, a)) = F (b) F (a )
((, b]) P ((, b)) = F (b) F (b ) = salto de F en el punto b .

La ltima de ellas nos dice que si la funcin de distribucin, F , tiene un salto en un punto, la
probabilidad de ese punto es positiva.
Ya hemos dicho que al estudiar una variable aleatoria nos interesar conocer su funcin de probabilidad. La funcin de distribucin caracteriza completamente la de probabilidad. Ahora bien, para
los casos ms interesantes de variables aleatorias que trataremos, hay herramientas ms sencillas que
la funcin de distribucin para conocer el reparto de probabilidad. stas son: la funcin de masa,
para una variable aleatoria discreta; la funcin de densidad, si la variable aleatoria es continua.

3.2.1

Variables aleatorias discretas

Definicin 3.2.2. Una variable aleatoria, X, se dice discreta cuando slo puede tomar un nmero
finito o numerable de valores x1 , . . . , xn , . . . .
La funcin de probabilidad de una variable aleatoria discreta X queda totalmente caracterizada
por su funcin de masa, que nos da la probabilidad de cada uno de esos posibles valores:
P (X = xi ) = P ({xi }) = P (xi ) = P ({ : X() = xi }) i = 1, 2, 3, . . . , n, . . . .
Se sigue de la definicin que
discreta tiene forma de escalera:

P (xi ) = 1. La funcin de distribucin de una variable aleatoria

F (x)

x1

x2

x3

Obsrvese que la funcin de distribucin, F (x), es no decreciente (por qu?).

43

Densidad y distribucin
Ejemplo 24 Calcular la funcin de masa y la funcin de distribucin de la variable aleatoria
X =suma de los dados, en el experimento de tirar sucesivamente dos dados no trucados.
Solucin: El espacio muestral tiene 36 elementos:
= {(1, 1), (1, 2), . . . , (6, 5), (6, 6)} .
La variable aleatoria X, es una funcin del espacio muestral en R que slo toma los 11 valores enteros: 2, 3, . . . , 12. Puesto que los dados no estn trucados, los sucesos elementales son equiprobables,
y as:
1
, para cualquier (a, b) .
P ({(a, b)}) =
36
Puesto que podemos contar cuntos elementos de hay en cada uno de los sucesos X = 2, X = 3,
. . . , X = 12, conocemos la funcin de masa de la variable X. La siguiente tabla de valores, determina
completamente la funcin de masa de X:
xi

10

11

12

P (X = xi )

1
36

2
36

3
36

4
36

5
36

6
36

5
36

4
36

3
36

2
36

1
36

Obsvese que

1+2+3+4+5+6+5+4+3+2+1
= 1.
36
Por su parte la funcin de distribucin, F : R [0, 1], viene dada por:
F (x) = 0

si x < 2 ,

F (x) = 1

si x 12

y para 2 x < 12, va subiendo de 0 a 1 paulatinamente creando una grfica con escalones horizontales
entre cada dos enteros consecutivos, con los saltos en cada entero determinados por la funcin de
masa (dibujar la grfica).

3.2.2

Variables aleatorias continuas

Definicin 3.2.3. Una variable aleatoria, X, se dice continua cuando puede tomar cualquiera
de los valores de un intervalo. La funcin de probabilidad de una variable aleatoria continua queda
caracterizada por su funcin de densidad, que es una funcin f : R R verificando:
1. f (x) 0, para todo x R;
Z
f (x) dx = 1.
2.
R

La probabilidad de un suceso, A, relativo a una variable aleatoria continua, X, con funcin de

densidad f se calcula mediante la frmula:
Z
P (A) =
f (x) dx
A

44

Variables aleatorias
Conviene resaltar que para una variable aleatoria continua X, los sucesos unitarios, A = {t}, tienen
probabilidad 0 pues:
Z
P ({t}) =
f (x) dx = 0 .
{t}

Este hecho viene a decir que si X es una variable aleatoria continua, la probabilidad de que X tome
un valor particular es nula: P (X = t) = P ({t}) = 0. Como consecuencia, la funcin de distribucin
no tiene saltos, es decir, es continua.
La funcin de distribucin se obtiene a partir de la funcin de densidad:
Z x
F (x) = P ((, x]) =
f (t) dt .

Adems, en los puntos en que F (x) es derivable:

f (x) = F 0 (x) .
Ejemplo 25 Sea un segmento OA de longitud 5. Cul es la probabilidad de que un punto B,
situado al azar en OA, se encuentre en un segmento CD de OA? Cul es la funcin de densidad de
la distancia OB?
Solucin: El conjunto de sucesos es no numerable. La probabilidad de que B sea un punto
cualquiera del segmento CD, es nula. La probabilidad de que B est sobre CD se define mediante
la razn de las longitudes: CD/OA. Modelizaremos el experimento tomando OA sobre el intervalo
[0, 5] de la recta real:
B

O=0

A=5

Podemos definir la funcin de distribucin de la variable aleatoria continua X =distancia OB,

de manera que sea igual a 1 cuando B est en A:
Z 5
f (x) dx = 1 .
0

Puesto que el punto B se sita al azar en el intervalo OA, la distribucin

decir, la funcin de densidad es constante, y as:

Z x1
0 si x
/ [0, 5]
x
dt =
1
f (x) =
= F (x) =

si x [0, 5]
5
0 5

5
1
f (x)
1
5

F (x)

45

es uniforme sobre OA, es

si x < 0
si x [0, 5]
si x 5 .

Esperanza: media y varianza

3.3

Esperanza: media y varianza

Con frecuencia de los experimentos aleatorios que estudiemos, podremos realizar un estudio estadstico previo. Para ello, se toma cierta muestra, realizando varias veces el experimento, y se
recogen datos sobre distintas caractersticas del mismo. El objetivo ltimo es adaptar, para las distintas caractersticas del experimento (variables aleatorias), modelos de probabilidad tericos que
nos permitan predecir el comportamiento real (su probabilidad) de estas caractersticas.
De los datos tomados se calculan ciertas medidas que intentan darnos una idea de la distribucin
de cada una de las caractersticas objeto de estudio. Destacamos entre estas la media (medida
de centralizacin), la varianza y la desviacin tpica (medidas de dispersin). En esta seccin
definiremos los parmetros homnimos de estas medidas de la Estadstica.
Definicin 3.3.1. Dada una variable aleatoria discreta, X, con funcin de masa P (xi ), i = 1, 2, . . . ,
se define su media o esperanza como:
X
xi P (xi ) .
= E[X] =
i

De manera anloga, si X es una variable aleatoria continua, con funcin de densidad f (x), se
define su media o esperanza como:
Z
= E[X] =
xf (x) dx .
R

Pasemos a las medidas de dispersin (en el captulo de Estadstica vimos la utilidad de estas
medidas).
Definicin 3.3.2. La varianza de una variable aleatoria discreta, X, con funcin de masa P (xi )
y media se define como:
X
2 = V [X] = E[(X )2 ] =
(xi )2 P (xi ) .
i

Anlogamente, la varianza de una variable aleatoria continua, X, con funcin de densidad f (x)
media se define como:
Z
2
2
= V [X] = E[(X ) ] = (x )2 f (x) dx .
R

La desviacin tpica, , de una variable aleatoria se define como la raz cuadrada positiva de
su varianza.
Ejercicio 1 Demostrar, en los casos discreto y continuo, la siguiente identidad para la varianza de
una variable aleatoria:
2 = E[X 2 ] 2

46

Variables aleatorias
Solucin: Si X es una variable aleatoria discreta con funcin de masa P (xi ), desarrollando el
cuadrado y simplificando, se obtiene:
X
2 =
(xi )2 P (xi )
i

X
=
(x2i 2xi + 2 )P (xi )
i

x2i P (xi ) 2

X
P (xi )
xi P (xi ) + 2
i

i
2

= E[X ] 2 + = E[X ] .
En el caso continuo, desarrollando el cuadrado y simplificando, se obtiene:
Z
2
=
(x )2 f (x) dx
Z

ZR
2
2
x f (x) dx 2
xf (x) dx +
f (x) dx
=
R

R
2

R
2

= E[X ] 2 + = E[X ] .

Ejemplos
Ejemplo 26 Una persona participa en un concurso de televisin con las siguientes reglas:
Si contesta correctamente a una pregunta con cinco respuestas posibles (slo una correcta) gana
10 000e.
En caso contrario se le propone una segunda pregunta con tres respuestas posibles (slo una
correcta). Si acierta gana 1 000e.
Si tampoco acierta la segunda respuesta, se le propone una tercera con dos respuestas posibles
(slo una correcta). Si acierta no gana nada, pero si falla debe pagar 500e.
El juego termina cuando la persona acierta o tras fallar la tercera pregunta. Si un concursante contesta
al azar, calclese:
a) probabilidad de que obtenga una respuesta correcta;
b) la ganancia esperada;
c) E[X] y V [X], siendo X el nmero de preguntas propuestas al concursante.
Solucin: Sea Ai el suceso el concursante responde correctamente la cuestin i-sima, i = 1, 2, 3.
Los sucesos A1 , A2 y A3 son independientes.
a) La probabilidad de que una respuesta sea correcta es:
P (A1 ) + P (A2 )P (Ac1 ) + P (A3 )P (Ac1 )P (Ac2 ) =

47

11
1 1 4 1 4 2
+ + =
.
5 3 5 2 5 3
15

Esperanza: media y varianza

b) Sea Y la variable aleatoria ganancia. Es claro que esta variable toma los valores:
y1 = 10 000

con

y2 = 1 000

con

y3 = 0

con

y3 = 500

con

1
;
5
4
P (y2 ) =
5
4
P (y3 ) =
5
4
P (y3 ) =
5
P (y1 ) =

1
3
2
3
2
3

4
;
15

1
4
=
;
2
15
1
4
=
.
2
15

Por tanto, la ganancia esperada es:

E[Y ] = 10 000

1
4
4
4
+ 1 000
+0
500
= 2 133.33e .
5
15
15
15

c) La variable aleatoria X (= nmero de preguntas formuladas) puede tomar los valores:

1
,
5

x1 = 1

con

P (X = 1) = P (A1 ) =

x2 = 2

con

P (X = 2) = P (A2 )P (Ac1 ) =

x3 = 3

con

1
3
2
P (X = 3) = P (Ac2 )P (Ac1 ) =
3

4
4
=
,
5
15
4
8
=
.
5
15

As:
= E[X] =

3
X

xi P (xi ) = 1

i=1
2

V [X] = E[X ] =

4
8
35
1
+2
+3
=
= 2.33 ;
5
15
15
15

3
X

x2i P (xi ) 2

i=1

2
1
4
8
35
= 1 +4
+9

5
15
15
15
91 1225
1365 1225
140
28
=

=
=
=
= 0.622 .
15
225
225
225
45
Ejemplo 27 La longitud de ciertos tornillos en centmetros se distribuye segn la funcin de densidad:
( 3
(x 1)(3 x) si x [1, 3]
f (x) =
4
0
si x
/ [1, 3] .
i) Calclese E[X] y [X].
ii) Si los tornillos son vlidos slo si su longitud est entre 1.7 y 2.4 cm., calclese la probabilidad
de que un tornillo sea vlido.

48

Variables aleatorias
Solucin: i) Aplicamos directamente las frmulas a la variable aleatoria continua X =longitud del
tornillo, que tiene funcin de densidad f (x):
Z
E[X] =
=
=
E[X 2 ] =
=
2 [X] =
[X] =

Z
3
3 3
x(x 1)(3 x) dx =
(3x + 4x2 x3 ) dx
4
4
1
1

3 3
4
1
(9 1) + (27 1) (81 1)
4
2
3
4
3 8
3
104
12 +
20 = = 2 ;
4
3
4 3
Z 3

1
3
3
(27 1) + (81 1) (243 1)
(3x2 + 4x3 x4 ) dx =
4 1
4
5

3
242
3 28
21
26 + 80
=
=
4
5
4 5
5
21
1
E[X 2 ] 2 =
4=
5
5
r

1
5
=
= 0.447 .
5
5
3

ii) Nos piden calcular P (1.7 < x < 2.4), que, por definicin, es:
Z

2.4

P (1.7 < x < 2.4) =

1.7

=
=
=

3.4

3
f (x) dx =
4

2.4

(3 + 4x x2 ) dx

1.7

3
1
3(2.4 1.7) + 2(2.42 1.72 ) (2.43 1.73 )
4
3
1

3
1
2.1 + 5.74 8.911 = 10.92 8.911
4
3
4
2.009
= 0.50225 .
4

Varias variables

En un mismo experimento aleatorio podemos considerar distintas variables aleatorias: X1 , X2 , . . . .

En ocasiones interesar considerar sucesos determinados por valores referidos a varias de ellas, en cuyo
caso tendremos que mezclar adecuadamente la informacin de las variables individuales.
En el mejor de los casos la informacin de cada variable no influir en la de las dems. Diremos
que estamos ante variables independientes. Cuando esto no sea as, tendremos una relacin entre
ellas ms o menos fuerte. La covarianza de dos variables aleatorias es un nmero que nos mide
esta posible relacin.
Definicin 3.4.1. (Vectores aleatorios) Un vector aleatorio (o variable aleatoria de dimensin n)
es una funcin
(X1 , . . . , Xn ) : Rn .
que a cada elemento del espacio muestral le hace corresponder n nmeros reales X1 (), . . . , Xn ().

49

Varias variables
Ejemplo 28 En el experimento tirar dos dados perfectos sucesivamente, se considera el vector
aleatorio
(X, Y ) : R2
que dado un elemento = (a, b) nos devuelve:
(X, Y )() = (a + b, |a b|) .
En el concurso televisivo del Ejemplo 26, se considera el vector aleatorio
(X, Y ) : R2
que a cada elemento del espacio muestral, , le asocia:
(X, Y )() = ( preguntas propuestas al concursante , ganancia del concursante ) .
En la produccin de tornillos del Ejemplo 27, consideramos el vector aleatorio
(X, Y, Z) : R3
que al tomar cada tornillo , nos dice:
(X, Y, Z)() = ( su longitud , dimetro de la cabeza , longitud de la rosca ) .
En lo que sigue definiremos los conceptos anlogos al caso de una variable aleatoria para vectores
aleatorios de dimensin 2. El caso ndimensional es la generalizacin natural del de dimensin 2.
Adems, al considerar vectores aleatorios de la forma:
(X, Y ) : R2
podremos hacer representaciones sobre el plano, ganando en claridad a la hora de asimilar los conceptos.
Definicin 3.4.2. Si A es un subconjunto de R2 descrito como conjunto de posibles valores del vector
aleatorio (X, Y ) : R2 , definimos:
P (A) = P ((X, Y ) A) = P ({ : (X(), Y ()) A}) .
Definicin 3.4.3. La funcin de distribucin de un vector aleatorio (X, Y ) se define como:
F (x, y) = P ({(s, t) R2 : s x, t y})
= P ({ : X() x, Y () y})

para todo (x, y) R2 .

Las propiedades de las funciones de distribucin de un vector aleatorio son, en cierto modo,
parecidas al caso de una variable. Sin embargo son menos manejables, de manera que utilizaremos
las funciones de masa conjunta o de densidad conjunta, para el clculo de probabilidades.
Ejercicio 2 Calcular la funcin de distribucin del vector aleatorio
(X, Y ) : R2
correspondiente al concurso televisivo del Ejemplo 28.

50

Variables aleatorias

3.4.1

Densidad conjunta

Definicin 3.4.4. Un vector aleatorio (X, Y ) es discreto cuando slo puede tomar un nmero
finito o numerable de valores. El modelo de probabilidad conjunta de un vector aleatorio
(X, Y ) discreto queda caracterizado por la funcin de masa conjunta:
P (X = xi , Y = yj ) = P ({ : X() = xi , Y () = yj }) i = 1, . . . , m ; j = 1, . . . , n .
Cuando est claro por el contexto, utilizaremos la siguiente notacin: pi,j = P (X = xi , Y = yj ).
La funcin de masa conjunta suele presentarse con una tabla de doble entrada:
Y
X

y1

x1
..
.

yj

yn

..
.

xi
..
.

pi,j
..
.

xm

Ejemplo 29 Para el concurso televisivo descrito en el Ejemplo 26, calcular la funcin de masa del
vector aleatorio determinado por:
(X, Y )() = ( preguntas propuestas al concursante , ganancia del concursante ).
Solucin: Este vector aleatorio puede tomar 3 4 = 12 valores, tomando la primera componente
3 posibles valores, y 4 la segunda. La siguiente tabla nos representa la funcin de masa conjunta:
Y
X

500

1 000

0
4
15

0
4
15

0
4
15
0

10 000
1
5
0
0

En el caso de vectores aleatorios, aparte de la distribucin conjunta, hay otras distribuciones

tambin muy interesantes: las distribuciones marginales y las condicionadas.
Definicin 3.4.5. Las distribuciones marginales de un vector aleatorio (X, Y ) son las que se
obtienen al considerar cada caracterstica por separado. As tenemos:
Distribucin marginal de X: es de tipo discreto y su funcin de masa marginal viene
dada por:
n
X
P (X = xi ) =
P (X = xi , Y = yj ) , i = 1, . . . , m .
j=1

Distribucin marginal de Y : es de tipo discreto y su funcin de masa marginal viene

dada por:
m
X
P (Y = yj ) =
P (X = xi , Y = yj ) , j = 1, . . . , n .
i=1

51

Varias variables
Obsrvese que, de la definicin, es fcil obtener cada distribucin marginal si la funcin de masa
conjunta viene representada por una tabla de doble entrada: basta en cada caso sumar por filas o
por columnas.
Ejemplo 30 Las distribuciones marginales del ejemplo anterior se obtienen a partir de la tabla como
se indica:
Y
X

500

1 000

4
15

4
15

4
15

4
15
4
15

4
15
8
15

4
15
4
5

1
5

P (Y = yj )
FY (yj )

3.4.2

10 00
1
5

P (X = xi )
1
5
4
15
8
15

FX (xi )
1
5
7
15
1

Covarianza

Antes de pasar a las distribuciones condicionadas conviene definir: covarianza e independencia.

Definicin 3.4.6. La covarianza entre dos variables aleatorias discretas X e Y se define como:

Cov(X, Y ) = E (X E[X])(Y E[Y ])

m X
n
X
=
(xi E[X])(yj E[Y ])P (X = xi , Y = yj ) .
i=1 j=1

Decimos que X e Y estn incorreladas, cuando Cov(X, Y ) = 0.

Se define, tambin, el coeficiente de correlacin lineal de (X, Y ) como:
r=

Cov(X, Y )
.
[X][Y ]

Este coeficiente verifica que 1 r 1, y sirve para estudiar la existencia de una posible relacin
lineal entre X e Y : digamos Y = aX + b para ciertos coeficientes a, b R. Si r = 1 r = 1, existe
tal relacin lineal. Su utilidad qued ms clara en los captulos sobre Estadstica.
Ejercicio 3 Demostrar la siguiente frmula:
Cov(X, Y ) = E[XY ] E[X] E[Y ] .

52

Variables aleatorias
Solucin: Desarrollando el sumatorio y usando las propiedades de las funciones de distribucin
conjunta y marginales, tenemos:
Cov(X, Y ) =
=

m X
n
X
i=1 j=1
m X
n
X

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

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

i=1 j=1

E[X]

m
X

xi

i=1
n
X

yj

m
X

j=1

= E[XY ] E[Y ]

n
X

P (X = xi , Y = yj )

j=1

m X
n

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

i=1
m
X

i=1 j=1

xi P (X = xi ) E[X]

i=1

n
X

yj P (Y = yj ) + E[X]E[Y ]

j=1

= E[XY ] E[Y ]E[X] E[X]E[Y ] + E[X]E[Y ] = E[XY ] E[X]E[Y ] .

3.4.3

Independencia

Definimos a continuacin la independencia de variables aleatorias discretas, de manera anloga a la

definicin de independencia de sucesos.
Definicin 3.4.7. Dos variables aleatorias discretas, X e Y , se dicen independientes cuando:
P (X = xi , Y = yj ) = P (X = xi ) P (Y = yj )

para

i = 1, . . . , m ; j = 1, . . . , n .

Surge, de manera directa, la siguiente propiedad:

Si X e Y son variables aleatorias discretas independientes entonces
E[XY ] = E[X] E[Y ] .
En particular son incorreladas, es decir: Cov(X, Y ) = 0 .
Ejercicio 4 Demostrar la propiedad anterior.
Solucin: Supongamos que X e Y son independientes, es decir:
P (X = xi , Y = yj ) = P (X = xi ) P (Y = yj ) ,
para i = 1, . . . , m ; j = 1, . . . , n. Calculemos la esperanza de la variable producto X Y :
E[XY ] =
=
=

m X
n
X
i=1 j=1
m X
n
X

xi yj P (X = xi , Y = yj )
xi yj P (X = xi ) P (Y = yj )

i=1 j=1
m
X

n
X

xi P (X = xi )
yj P (Y = yj )

i=1

j=1
m
X

= E[Y ]

xi P (X = xi ) = E[Y ]E[X] .

i=1

53

Varias variables
En particular Cov(X, Y ) = E[XY ] E[X]E[Y ] = 0, en otras palabras, X e Y son incorreladas
siempre que sean independientes.
Ejercicio 5 Calcular la covarianza de las variables aleatorias X = nmero de preguntas propuestas
al concursante e Y = ganancia de un concursante, del Ejemplo 26.
Solucin: De la tabla de las funciones de masa conjunta y marginales del vector (X, Y ) vemos que
no son independientes, pues, por ejemplo:
P (X = 3, Y = 0) =

4
15

mientras que

P (X = 3) P (Y = 0) =

8 4
4

6=
.
15 15
15

Con los datos de la tabla calculamos:

1
4
8
35
7
+2
+3
=
=
5
15
15
15
3
1
4
4
4
32 000
6 400
E[Y ] = 10 000 + 1 000
+0
500
=
=
5
15
15
15
15
3
1
4
4
4
32 000
6 400
E[XY ] = 1 10 000 + 2 1 000
+30
+ 3 (500)
=
=
5
15
15
15
15
3

6 400 7 6 400
7
25 600
6 400
Cov(X, Y ) = E[XY ] E[X]E[Y ] =

= 1
=

3
3
3
3
3
9
E[X] = 1

de donde:

3.4.4

Densidades condicionadas

Finalizamos esta seccin con el concepto de probabilidad condicionada.

Definicin 3.4.8. La distribucin de la variable aleatoria X, condicionada por un valor fijo, yj , de
la variable aleatoria Y , viene dada por la funcin de masa condicionada:
P (X = xi | Y = yj ) =

P (X = xi , Y = yj )
,
P (Y = yj )

i = 1, . . . , m .

Es fcil comprobar que si X e Y son independientes, las distribuciones condicionadas coinciden

con las distribuciones marginales correspondientes:
P (X = xi , Y = yj )
P (Y = yj )
P (X = xi ) P (Y = yj )
=
= P (X = xi ) ,
P (Y = yj )

P (X = xi | Y = yj ) =

i = 1, . . . , m .

Y, anlogamente, para Y : P (Y = yj | X = xi ) = P (Y = yj ), j = 1, . . . , n.

3.4.5

Vectores aleatorios continuos

Definicin 3.4.9. Un vector aleatorio (X, Y ) es continuo cuando toma valores en un subconjunto
no discreto de R2 ; por ejemplo: un cuadrado, un rectngulo, un tringulo, un crculo, un sector
circular, . . . .
El modelo de probabilidad conjunta de un vector aleatorio (X, Y ) continuo queda caracterizado por la funcin de densidad conjunta, que es una funcin f : R2 R, verificando:
1. f (x, y) 0 para todo (x, y) R2 ;

54

Variables aleatorias
ZZ
2.

f (x, y) dx dy = 1.
R2

La probablidad de cualquier suceso A R2 relativo al vector aleatorio continuo (X, Y ), se calcula

por la frmula:
ZZ
P (A) =

f (x, y) dx dy .
A

Definicin 3.4.10. Las distribuciones marginales de un vector aleatorio (X, Y ) son las que
se obtienen al considerar cada caracterstica por separado. As tenemos:
Distribucin marginal de X: es de tipo continuo y su funcin de densidad marginal
viene dada por:
Z
f (x) =

f (x, y) dy ,

para todo x R .

Distribucin marginal de Y : es de tipo continuo y su funcin de densidad marginal

viene dada por:
Z
f (y) =
f (x, y) dx , para todo y R .
R

Definicin 3.4.11. La covarianza entre dos variables aleatorias continuas X e Y se define como:
ZZ

Cov(X, Y ) = E (X E[X])(Y E[Y ]) =

(x E[X])(y E[Y ])f (x, y) dx dy .
R2

Decimos que X e Y estn incorreladas, cuando Cov(X, Y ) = 0. El coeficiente de correlacin lineal de (X, Y ) se define como:
Cov(X, Y )
r=
.
[X][Y ]
Ejercicio 6 Demostrar la igualdad: Cov(X, Y ) = E[XY ] E[X]E[Y ].
Definicin 3.4.12. Dos variables aleatorias continuas, X e Y , se dicen independientes si:
f (x, y) = f (x)f (y)

para cualesquiera x R, y R .

Se tienen, tambin, la siguiente propiedad:

Si X e Y son variables aleatorias continuas independientes entonces
E[XY ] = E[X] E[Y ] .
En particular son incorreladas, es decir: Cov(X, Y ) = 0 .
Definicin 3.4.13. La distribucin de la variable aleatoria X, condicionada por un valor fijo, y, de
la variable aleatoria Y , viene dada por la funcin de densidad condicionada:
f (x | y) = f (x | Y = y) =

f (x, y)
,
f (y)

para todo x R .

Obsrvese que es necesario que f (y) > 0. Intuitivamente, esto quiere decir que estamos condicionando por un valor de Y potencialmente observable.

55

Varias variables
Es fcil comprobar que si X e Y son independientes, las distribuciones condicionadas coinciden
con las distribuciones marginales correspondientes:
f (x | y) =

f (x)f (y)
= f (x) , para todo x R ;
f (y)

f (y | x) =

f (x)f (y)
= f (y), para todo y R .
f (x)

Ejercicio 7 La funcin de densidad conjunta de dos variables aleatorias continuas es:

f (x, y) =

k(x + xy)
0

si x (0, 1), y (0, 1)

en otro caso.

1) Cul es el valor de k?
2) Calcular la densidad marginal, la esperanza y la varianza de cada variable.
3) Son variables independientes?
4) Calcular la covarianza.
Solucin: 1) Puesto que es una funcin de densidad hemos de tener integral total 1. Integrando
tenemos:
ZZ
Z 1Z 1
f (x, y) dx dy = k
(x + xy) dx dy
R2
0
0
Z 1 Z 1
Z 1

1
= k
x
(1 + y) dy dx = k
x (1 0) + ( 0) dx
2
0
0
Z 1 0
3k
3k
3k 1
4
=
x dx =
0 =
= k = .
2 0
2 2
4
3
2) Las densidades marginales sern:
Z
f (x) =

f (x, y) dy
ZR1

4
4x
1
x(1 + y) dy =
(1 0) + ( 0) = 2x
3
3
2
0
2x si x (0, 1)
de donde: f (x) =
0
en otro caso;
Z
f (y) =
f (x, y) dx
R
Z 1
2
4
4(1 + y) 1
ahora bien:
(1 + y)x dx =
0 = (1 + y)
3
3
2
3
(0 2
(1 + y) si y (0, 1)
de donde: f (y) =
3
0
en otro caso.
ahora bien:

56

Variables aleatorias
Con las densidades marginales calculamos los parmetros pedidos de cada variable:
Z
X = E[X] =
E[X 2 ] =
2
X
= E[X 2 ] 2X

Y = E[Y ] =
E[Y 2 ] =
Y2 = E[Y 2 ] 2Y

1
2
x 2x dx = 2
0 =
3
3
0
Z 1
1
1
x2 2x dx = (1 0) =
2
2
0
1 4
1
=
2 9
18
Z 1
2
21 1
=
y (1 + y) dy =
+
3
3 2 3
0
Z
2 1 2
21 1
=
y (1 + y) dy =
+
3 0
3 3 4
7
25
13

=
18 81
162
1

5
9
7
18

3) La densidad conjunta es el producto de las marginales:

f (x, y) = f (x) f (y)
y, por tanto, son variables independientes.
4) Al ser variables independientes, directamente son incorreladas, es decir: Cov(X, Y ) = 0.

3.5

Suma de variables independientes

Es especialmente ventajoso considerar variables que se distribuyen de manera independiente pues

combinndolas linealmente se obtienen otras variables cuyas distribuciones se conocen a partir de las
primeras.
En la Estadstica Descriptiva que hemos tratado en el Captulo 1, es interesante que las muestras
recogidas nos sirvan para inferir la distribucin de cierta cualidad en determinada poblacin. Para
ello tomamos medidas numricas de la muestra. Si cada dato muestral es representativo de la cualidad
(o variable aleatoria) a inferir, nos gustara, por ejemplo, que la media muestral fuese representativa
de la media de dicha cualidad (se dice de la media poblacional); y as con el resto de las medidas:
varianza, desviacin tpica, mediana, . . .
Si consideramos a cada muestra, de tamao N , como un valor concreto de un vector aleatorio
(X1 , X2 , . . . , XN ), con cada componente la misma variable, el requisito de independencia de las Xi
simplifica tanto los clculos como el anlisis.
Definicin 3.5.1. Dadas n variables aleatorias X1 , X2 , . . . , Xn decimos que son variables aleatorias
independientes igualmente distribuidas, en adelante v.a.i.i.d., si todas siguen el mismo modelo de
probabilidad, digamos Xi X, y son independientes dos a dos.
Ejercicio 8 Probar que si X1 , X2 , . . . , Xn son v.a.i.i.d. con distribucin comn Xi X, = E(X)
y 2 = V (X) entonces:
E(X1 + X2 + + Xn ) = n , V (X1 + X2 + + Xn ) = n 2 .

= y V (X)
= 2 /n.
= 1 X1 + X2 + + Xn entonces (X)
Es ms si X
n

57

Problemas
Podemos, por ltimo, tratar el caso ms general de combinaciones lineales de variables aleatorias independientes. Basta enunciar los resultados para dos variables. Los presentamos en forma de
ejercicio:
Ejercicio 9 Sean X e Y dos variables aleatorias independientes, y consideremos la nueva variable
T = aX + bY (con a, b R). Entonces:
E(T ) = aE(X) + bE(Y ) ,

V (T ) = a2 V (X) + b2 V (Y ) .

Cerramos la seccin con la observacin de que si no se tiene independencia (ni tan siquiera
incorrelacin) entre las variables, la covarianza juega un papel importante en la frmula de la varianza
de la combinacin (ver el problema 1).

Problemas
1. Demuestra las siguientes propiedades de esperanzas y varianzas de variables aleatorias:
(a) E[kX] = kE[X].
(b) E[X + Y ] = E[X] + E[Y ].
(c) V [kX] = k 2 V [X].
(d) Si X e Y son incorreladas: E[XY ] = E[X]E[Y ].
X
(e) V [X1 + + Xn ] = V [X1 ] + + V [Xn ] + 2
Cov(Xi , Xj ).
i<j

(f) Si X1 , . . . , Xn son variables aleatorias incorreladas:

V [X1 + + Xn ] = V [X1 ] + + V [Xn ] .
(g) V [X Y ] = V [X] + V [Y ] 2Cov(X, Y ).
(h) Si X e Y son variables aleatorias incorreladas: V [X Y ] = V [X] + V [Y ].
2. Dadas las variables aleatorias independientes X e Y con funciones de densidad f y g respectivamente, dadas por:
( y

si 0 y 2
2x si 0 x 1
f (x) =
g(y) =
2
0
en otro caso;
0
en otro caso;
calcula:
i) E[X + Y ];
ii) E[2X 3Y + 5];
iii) E[2XY ];
iv) V [4X 2Y 3];
v) V [2X + 3Y ].

58

Variables aleatorias
3. En un experimento aleatorio el suceso A ocurre con probabilidad 0.2. Se realiza el experimento
tres veces y se define la variable aleatoria X = nmero de veces que ha ocurrido A en las tres
pruebas que se suponen independientes.
(a) Calcular E[X] y V [X].
(b) Representar grficamente la funcin de distribucin de X.
(c) Calcular P (X > 2) a partir de la funcin de distribucin.
4. La variable aleatoria X est distribuida de tal forma que su funcin de densidad determina con
los ejes un tringulo rectngulo con ngulo recto en el origen y base sobre el intervalo (0, 1).
Calcula sus funciones de densidad y distribucin, la esperanza, , la desviacin tpica, , y la
probabilidad de que X ( , + ).
5. Un semforo est verde para los coches durante un minuto y medio, y rojo durante 15 segundos.
Suponiendo que un automovilista llega al semforo con igual probabilidad en cualquier instante,
calclese el tiempo medio de espera.
6. Una diana est formada por tres crculos concntricos de radios 10, 20 y 30 cm. respectivamente.
Si se cae en el crculo central se obtienen 5 puntos, 3 puntos si se cae en la primera corona
y 1 punto al caer en la tercera corona. La probabilidad de que un tiro caiga en cada zona es
proporcional al rea de la misma (y ningn tiro cae fuera de la diana). Si se efectan cuatro
disparos, calclese:
(a) la puntuacin esperada;
(b) la probabilidad de la puntuacin total se mayor que 17.
7. Un examen consta de 5 temas numerados. Para elegir un tema al azar, se propone lanzar un
dado; si sale de 1 a 5, el nmero del tema es el resultado del dado; si sale 6 se vuelve a tirar
hasta que sale de 1 a 5. Sabemos que el dado est trucado de tal manera que la probabilidad
de que salga el nmero 2 es 2/7 y la probabilidad de cualquier otro nmero es 1/7. Sea X la
variable aleatoria que representa el tema seleccionado finalmente. Halla la probabilidad de que
X valga 1 (que nos interesa especialmente ya que el tema 1 es el nico que hemos estudiado).
8. El vector aleatorio (X, Y ) tiene una distribucin de probabilidad dada por:
P (X = 0, Y = 1) = 0.3 ; P (X = 1, Y = 1) = 0.1 ; P (X = 2, Y = 1) = 0.1 ;
P (X = 0, Y = 2) = 0.1 ; P (X = 1, Y = 2) = 0.2 ; P (X = 2, Y = 2) = 0.2 .
Calclese:
(a) Las distribuciones marginales y condicionadas;
(b) las esperanzas de cada variable, y la de XY ;
(c) las varianzas de cada variable y Cov(X, Y );
(d) el coeficiente de correlacin lineal.

59

Problemas
9. La vida til de cierto producto perecedero es una variable aleatoria con funcin de densidad
x
e
si x > 0
f (x) =
0
en otro caso.
Si X1 y X2 representan la vida til de dos unidades de dicho producto, seleccionadas al azar,
calclese P (X1 2, 1 X2 3).
10. Dado el vector aleatorio (X, Y ) y la funcin

k(x + y) si 0 x 2 0 y 2x x2
f (x, y)
0
en otro caso.
(a) Determnese k para que f (x, y) sea su funcin de densidad.
(b) Calcular P (0 X 1).
11. Las etiquetas de cierta bebida pueden tener un premio de forma que en cada 1000 etiquetas
hay 500 correspondientes a intntelo otra vez, 300 con premio de 5 euros, 150 con premios de
10 euros, 40 con premios de 50 euros y 10 con premios de 100 euros. Una persona compra una
botella que cuesta 10 euros.
(a) Si X es la variable aleatoria correspondiente al beneficio obtenido por el comprador, cul
es la distribucin de X?
(b) Cul es el beneficio esperado del comprador?
(c) Cul es la probabilidad de perder dinero?
(d) Si se sabe que el comprador ha ganado dinero, cul es la probabilidad de que le haya
tocado una etiqueta de 100 euros?
12. En una ciudad hay una proporcin p de personas que fuman. Se define una variable aleatoria
X que toma el valor 1 si al preguntar a una persona seleccionada aleatoriamente responde que
es fumador, y toma el valor 0 si responde que no lo es.
(a) En funcin de p calcula la esperanza de X e interpreta el valor obtenido.
(b) Calcula la varianza de X en funcin de p. Para qu valor de p es mxima la varianza?
(c) Si se pregunta a n personas seleccionadas aleatoriamente con reemplazamiento, y la variable
aleatoria Y representa el nmero de fumadores entre los n seleccionados, calcula la esperanza
y la varianza de Y .
13. Sea X una variable aleatoria continua con funcin de densidad

k(1 + x), si x (0, 2)

f (x) =
0,
si x
/ (0, 2)
(a) Calcula la constante k.
(b) Calcula la probabilidad de que X tome valores entre 0 y 1.
(c) Sabiendo que X es mayor que 1, cul es la probabilidad de que sea menor que 1.5?
(d) Calcula P{|X E(X)| > 0.2}
14. El tiempo de vida activa de un plaguicida (en das) es una variable aleatoria X con funcin de
densidad
1 1 x
e 500 , si x 0
500
f (x) =
0,
si x < 0

60

Variables aleatorias
(a) Calcula el valor m tal que la probabilidad de que X sea menor o igual que m es 0.5.
Interpreta el resultado obtenido.
(b) Si al cabo de 800 das el plaguicida ya no estaba activo, cul es la probabilidad de que
tras 600 das todava lo estuviera?
15. El vector aleatorio (X, Y ) tiene una distribucin uniforme en el cuarto de crculo de centro
(0, 0) y radio r correspondiente al primer cuadrante. Obtnganse las densidades conjunta y
marginales de X e Y , y estudiar si son variables independientes.
16. Una pareja decide encontrarse en un lugar prefijado entre las tres y las cuatro de la tarde, de
forma que el primero que llegue slo esperar al otro durante 15 minutos. Suponiendo que los
momentos de llegada de ambos al lugar son independientes y se distribuyen uniformemente
entre las tres y las cuatro, calclese la probabilidad de que no se encuentren.
17. Una fbrica produce una pieza en dos calidades diferentes: el 60 % de la produccin es de
calidad A. La duracin (en aos) de una pieza de esta calidad viene dada por la funcin de
densidad
x
e
si x > 0
fA (x) =
0
en el resto.
El 40 % restante es de calidad B. La duracin viene dada, en este caso, por la funcin de
densidad
2x
2e
si x > 0
fB (x) =
0
en el resto.
(a) Calcula la probabilidad de que una pieza de calidad A dure ms de 1 ao.
(b) Si tomamos una pieza al azar de toda la produccin, cul es la probabilidad de que dure
ms de 1 ao?
(c) Si tomamos una pieza al azar de toda la produccin, y observamos que dura ms de 1 ao,
cul es la probabilidad de que sea de calidad A?
18. Una empresa suministra energa elctrica a travs de dos lneas de alta tensin A y B. En la
siguiente tabla se muestran las probabilidades conjuntas pij = P {X = xi , Y = yj }, para las
variables X nmero de fallos mensuales en la lnea A e Y nmero de fallos mensuales en
la lnea B.

X
0
1
2
3

0
0.20
0.20
0.06
0.04

1
0.15
0.06
0.02
0.02

Y
2
0.05
0.08
0.02
0

3
0.04
0.03
0
0

4
0.02
0.01
0
0

(a) Calcula las distribuciones marginales de X e Y .

(b) Calcula la distribucin del nmero de fallos que se producen en la lnea B en un mes en que
no se produce ningn fallo en la lnea A. Cul es el nmero esperado de fallos en este caso?
(c) Son independientes los fallos en las dos lneas?

61

Problemas
19. Dos caractersticas, X e Y , son variables aleatorias con funcin de densidad conjunta:

kye2x ey si x > 0, y > 0

f (x, y) =
0
en el resto.
(a) Hallar el valor de k. Son independientes X e Y ?
(b) Calcular la esperanza de X.
20. Dos sustancias, A y B, se encuentran en la sangre en cantidades X e Y , respectivamente. Estas
cantidades varan de un individuo a otro. La densidad conjunta de ambas es:
2 2
xy
si 0 < x < 3, 0 < y < 3
81
f (x, y) =
0
en el resto.
Calclese:
(a) la densidad marginal de Y y la esperanza de Y ;
(b) la probabilidad de que, en un individuo tomado al azar, haya ms sustancia A que B.

62