TEMA 3: VARIABLES ALEATORIAS.

En un experimento aleatorio el resultado más habitual es numérico; podemos hablar entonces de

variables aleatorias: Características aleatorias numéricas objeto de estudio.

𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷.
Tipos de variables aleatorias. �𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶.
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀.

También es verdad que el resultado del experimento aleatorio puede no ser numérico, pero
podríamos asociar a los resultados no numéricos del experimento un número, tendríamos
entonces asociado al experimento una variable aleatoria: 𝑋𝑋: Ω → 𝑅𝑅 tal que: 𝑥𝑥𝑖𝑖 = 𝑋𝑋(𝜔𝜔𝑖𝑖 ). En este
caso tenemos una probabilidad en 𝑅𝑅 inducida por la probabilidad que tuviéramos en Ω:
𝑝𝑝𝑋𝑋 (𝐴𝐴) = 𝑝𝑝{𝜔𝜔/𝑋𝑋(𝜔𝜔) ∈ 𝐴𝐴}
Una variable aleatoria se dice discreta si toma un número finito de valores distintos o infinito
numerable. Ejemplos: Número de hijos de una familia, Resultado en el lanzamiento de un dado,
Número de lanzamientos de una moneda hasta obtener una cara,…
Una variable aleatoria se dice continua cuando toma valores en un intervalo de números reales o
en todo 𝑅𝑅. Ejemplos: Peso de una persona, Renta de una familia, Tiempo transcurrido hasta la
llegada de un autobús a una parada,….
Insistir que para nosotros una variable aleatoria va a ser simplemente una función de Ω en 𝑅𝑅; de
forma rigurosa habría que exigir algo más a esa función para el caso de una variable aleatoria
continua, ya que la definición de una probabilidad en el caso continuo tiene que hacerse mediante
el cálculo integral, lo que conlleva el problema de la existencia de la integral de los distintos
sucesos que se pudieran considerar, pero es un problema más bien teórico que práctico con lo que
podemos prescindir de esa definición rigurosa de variable aleatoria.

Variables aleatorias discretas.

Función de probabilidad. Sea 𝑋𝑋: Ω → 𝑅𝑅 una variable aleatoria discreta, para tener definida la
variable debemos de saber los valores que toma, así como las probabilidades de los mismos.
Llamaremos función de probabilidad de la variable 𝑋𝑋, 𝑝𝑝(𝑥𝑥), a la función que indica la probabilidad
de cada posible valor de la variable, que lógicamente va a ser la inducida de forma natural por la
probabilidad que se tiene en el espacio de partida, Ω
Notación: 𝑝𝑝𝑋𝑋 (𝑥𝑥𝑖𝑖 ) = 𝑝𝑝𝑋𝑋 (𝑋𝑋 = 𝑥𝑥𝑖𝑖 ) = 𝑝𝑝{𝜔𝜔 ∈ Ω ⁄ 𝑋𝑋(𝜔𝜔) = 𝑥𝑥𝑖𝑖 }

Función de distribución
Otro procedimiento para caracterizar una variable aleatoria (discreta o continua) es mediante la
denominada función de distribución, 𝐹𝐹(𝑥𝑥) definida en cada punto 𝑥𝑥 ∈ 𝑅𝑅 como:
𝐹𝐹(𝑥𝑥) = 𝑝𝑝(𝑋𝑋 ≤ 𝑥𝑥)
La función de distribución, se define en todo 𝑅𝑅, es siempre no decreciente y continua a la derecha
en todo punto. Tiene “saltos” en los puntos de probabilidad no nula, de magnitud igual a la
probabilidad de dicho punto y es constante en los intervalos entre los puntos de salto.

Variable aleatoria discreta uniforme. Es el ejemplo más simple de variable aleatoria discreta, es
aquella variable que toma un número finito de valores entre: 𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑁𝑁 todos ellos con
1
probabilidad: 𝑁𝑁
Variables aleatorias continuas.
Una variable aleatoria (𝑋𝑋) se dice continua cuando toma valores en un intervalo de números
reales o en todo 𝑅𝑅

Función de densidad de una variable aleatoria continua.

Según la definición, una v.a. continua toma un número infinito no numerable de valores, la
probabilidad que hemos de asignar a cada valor de la variable estará en [0,1] con la condición de
que la suma de todas las probabilidades sea uno, como hay un número infinito no numerable de
valores con probabilidad, esta solo puede ser despreciable, por lo que se dice que no tienen
probabilidad: 𝑝𝑝(𝑋𝑋 = 𝑥𝑥) = 0
Esto nos lleva a que para definir una probabilidad en una v.a. continua hay que hacerlo a través de
integrales, introduciendo un nuevo concepto que nos sirva para tal fin.

Función de densidad.
La función de densidad de probabilidad 𝑓𝑓(𝑥𝑥), para la variable continua 𝑋𝑋, definida sobre el
conjunto de los números reales es una función, verificando:
1. −𝑓𝑓(𝑥𝑥) ≥ 0; ∀𝑥𝑥 ∈ 𝑅𝑅
∞
2. − ∫−∞ 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 = 1
𝑏𝑏
3. −𝑝𝑝(𝑎𝑎 ≤ 𝑋𝑋 ≤ 𝑏𝑏) = ∫𝑎𝑎 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑

Evidentemente, se tiene: 𝑝𝑝(𝑎𝑎 ≤ 𝑋𝑋 ≤ 𝑏𝑏) = 𝑝𝑝(𝑎𝑎 ≤ 𝑋𝑋 < 𝑏𝑏) = 𝑝𝑝(𝑎𝑎 < 𝑋𝑋 ≤ 𝑏𝑏) = 𝑝𝑝(𝑎𝑎 < 𝑋𝑋 < 𝑏𝑏) ya
que como hemos indicado en una v.a. continua solo puede darse que la probabilidad de cualquier
punto sea cero.
𝑥𝑥
En particular, 𝐹𝐹(𝑥𝑥) = 𝑝𝑝(𝑋𝑋 ≤ 𝑥𝑥) = ∫−∞ 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 y si 𝐹𝐹(𝑥𝑥) es derivable, entonces: 𝐹𝐹 ′ (𝑥𝑥) = 𝑓𝑓(𝑥𝑥);
lo que sí es evidente es que 𝐹𝐹(𝑥𝑥) es continua en todo 𝑅𝑅

Variable aleatoria continua uniforme.

El equivalente de una variable aleatoria discreta uniforme al caso continuo, va a ser la variable
cuya función de densidad va a ser constante, es decir, 𝑋𝑋 va a ser una variable continua uniforme
1
𝑠𝑠𝑠𝑠 𝑎𝑎 < 𝑥𝑥 < 𝑏𝑏
en el intervalo (𝑎𝑎, 𝑏𝑏), si su función de densidad es: 𝑓𝑓(𝑥𝑥) = �𝑏𝑏−𝑎𝑎
0 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟

0 𝑠𝑠𝑠𝑠 𝑥𝑥 ≤ 𝑎𝑎
𝑥𝑥 𝑑𝑑𝑑𝑑 𝑥𝑥−𝑎𝑎
Su función de distribución, será: 𝐹𝐹(𝑥𝑥) = � ∫𝑎𝑎 𝑏𝑏−𝑎𝑎 = 𝑏𝑏−𝑎𝑎 𝑠𝑠𝑠𝑠 𝑎𝑎 < 𝑥𝑥 < 𝑏𝑏
1 𝑠𝑠𝑠𝑠 𝑥𝑥 > 𝑏𝑏

Medidas características de una variable aleatoria.

Medidas de centralización. (Valores alrededor de los cuales se concentra la probabilidad).
Media o esperanza matemática. Es la medida de centralización más usada y se obtiene
promediando cada valor posible de la variable por su probabilidad. En un juego representa el
beneficio esperado en el mismo a largo plazo.
Notación: 𝜇𝜇 ó 𝐸𝐸(𝑋𝑋)
Caso discreto: 𝜇𝜇 = 𝐸𝐸(𝑋𝑋) = ∑𝑁𝑁
𝑖𝑖=1 𝑥𝑥𝑖𝑖 𝑝𝑝(𝑥𝑥𝑖𝑖 ) Evidentemente 𝑁𝑁 podría ser ∞
𝑏𝑏
Caso continuo: 𝜇𝜇 = 𝐸𝐸(𝑋𝑋) = ∫𝑎𝑎 𝑥𝑥𝑥𝑥(𝑥𝑥)𝑑𝑑𝑑𝑑 (𝑎𝑎 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝í𝑎𝑎 𝑠𝑠𝑠𝑠𝑠𝑠 − ∞ ó 𝑏𝑏 𝑠𝑠𝑠𝑠𝑠𝑠 ∞)

Percentiles. Se define el percentil de orden 𝑝𝑝 como el valor de la variable 𝑥𝑥𝑝𝑝 tal que:
𝐹𝐹�𝑥𝑥𝑝𝑝 � = 𝑝𝑝�𝑋𝑋 ≤ 𝑥𝑥𝑝𝑝 � = 𝑝𝑝
En el caso de una variable continua, el percentil está claro y es único.
En el caso de una variable discreta, podemos tener dos casos:
𝑥𝑥𝑘𝑘 +𝑥𝑥𝑘𝑘+1
1. − ∃𝑥𝑥𝑘𝑘 ⁄ 𝐹𝐹(𝑥𝑥𝑘𝑘 ) = 𝑝𝑝, en este caso vamos a tomar como percentil el valor: 𝑥𝑥𝑝𝑝 = (vamos
2
a seguir el mismo criterio que en Estadística Descriptiva)
2. −𝑆𝑆𝑆𝑆 𝑥𝑥𝑘𝑘 / 𝐹𝐹(𝑥𝑥𝑘𝑘 ) < 𝑝𝑝 𝑦𝑦 𝐹𝐹(𝑥𝑥𝑘𝑘+1 ) > 𝑝𝑝 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒: 𝑥𝑥𝑝𝑝 = 𝑥𝑥𝑘𝑘+1
El percentil de orden 0.5 es el que se considera una medida de centralización y recibe el nombre
de mediana.

Moda.
Caso discreto. La moda se considera aquel valor o valores de la variable a los que corresponde el
máximo de la función de probabilidad, es decir el valor o valores más probables.
Caso continuo. Es el valor o valores de la variable donde se alcanza el máximo absoluto de la
función de densidad. La idea es que aunque en una variable aleatoria continua todos los valores
tienen probabilidad nula, también es verdad que en un entorno suficientemente pequeño del
punto de máximo de la función de densidad habrá más probabilidad que en el entorno
correspondiente de cualquier otro punto.

Medidas de dispersión. (Medir el grado de concentración de la probabilidad).

Varianza.
Caso discreto. 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) = 𝜎𝜎 2 = ∑𝑁𝑁 2 𝑁𝑁 2
𝑖𝑖=1[𝑥𝑥𝑖𝑖 − 𝐸𝐸(𝑋𝑋)] 𝑝𝑝(𝑥𝑥𝑖𝑖 ) = ∑𝑖𝑖=1 𝑥𝑥𝑖𝑖 𝑝𝑝(𝑥𝑥𝑖𝑖 ) − [𝐸𝐸(𝑋𝑋)]
2

∞ ∞
Caso continuo. 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) = 𝜎𝜎 2 = ∫−∞[𝑥𝑥 − 𝐸𝐸(𝑋𝑋)]2 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 = ∫−∞ 𝑥𝑥 2 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 − [𝐸𝐸(𝑋𝑋)]2

Desviación típica. 𝜎𝜎 = +�𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋)

Rango intercuartílico. 𝐼𝐼𝐼𝐼𝐼𝐼(𝑋𝑋) = 𝑄𝑄3 − 𝑄𝑄1 Representa la longitud de la zona central donde se
encuentra el 50% de la probabilidad.
𝜎𝜎
Coeficiente de variación. 𝐶𝐶𝐶𝐶(𝑋𝑋) = 𝜇𝜇

Desigualdad de Tchebychev. Para cualquier variable aleatoria se verifica:

1
𝑝𝑝[|𝑋𝑋 − 𝐸𝐸(𝑋𝑋)| ≤ 𝑘𝑘𝑘𝑘] > 1 − 𝑘𝑘 2 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖é𝑠𝑠 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑘𝑘 > 1

Vamos a demostrarlo para una variable aleatoria continua.

2 2
Se tiene: 𝜎𝜎 2 = ∫{|𝑥𝑥−𝜇𝜇|≤𝑘𝑘𝑘𝑘}�𝑥𝑥 − 𝐸𝐸(𝑋𝑋)� 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 + ∫{|𝑥𝑥−𝜇𝜇|>𝑘𝑘𝑘𝑘}�𝑥𝑥 − 𝐸𝐸(𝑋𝑋)� 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 ≥

2
≥ ∫{|𝑥𝑥−𝜇𝜇|>𝑘𝑘𝑘𝑘}�𝑥𝑥 − 𝐸𝐸(𝑋𝑋)� 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 > ∫{|𝑥𝑥−𝜇𝜇|>𝑘𝑘𝑘𝑘} 𝑘𝑘 2 𝜎𝜎 2 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 = 𝑘𝑘 2 𝜎𝜎 2 ∫{|𝑥𝑥−𝜇𝜇|>𝑘𝑘𝑘𝑘} 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 =

1 1
= 𝑘𝑘 2 𝜎𝜎 2 𝑝𝑝[|𝑋𝑋 − 𝐸𝐸(𝑋𝑋)| > 𝑘𝑘𝑘𝑘] ⇒ 𝑝𝑝[|𝑋𝑋 − 𝐸𝐸(𝑋𝑋)| > 𝑘𝑘𝑘𝑘] < 𝑘𝑘 2 ⇒ 𝑝𝑝[|𝑋𝑋 − 𝐸𝐸(𝑋𝑋)| ≤ 𝑘𝑘𝑘𝑘] > 1 − 𝑘𝑘 2

Otras medidas.
Momentos de orden 𝑘𝑘 respecto al origen.
𝑘𝑘
Caso discreto: 𝛼𝛼𝑘𝑘 = ∑𝑁𝑁
𝑖𝑖=1 𝑥𝑥𝑖𝑖 𝑝𝑝(𝑥𝑥𝑖𝑖 )
∞
Caso continuo: 𝛼𝛼𝑘𝑘 = ∫−∞ 𝑥𝑥 𝑘𝑘 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑
Momentos de orden 𝑘𝑘 respecto a la media.
𝑘𝑘
Caso discreto. 𝜇𝜇𝑘𝑘 = ∑𝑁𝑁
𝑖𝑖=1�𝑥𝑥𝑖𝑖 − 𝐸𝐸(𝑋𝑋)� 𝑝𝑝(𝑥𝑥𝑖𝑖 )

∞ 𝑘𝑘
Caso continuo. 𝜇𝜇𝑘𝑘 = ∫−∞�𝑥𝑥 − 𝐸𝐸(𝑋𝑋)� 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑

Concepto de distribución simétrica.

Una variable aleatoria 𝑋𝑋 presenta una distribución simétrica respecto al eje perpendicular al de
abscisas que pasa por 𝐸𝐸(𝑋𝑋) si y solo si: 𝑝𝑝(𝑋𝑋 ≥ 𝜇𝜇 + 𝑥𝑥) = 𝑝𝑝(𝑋𝑋 ≤ 𝜇𝜇 − 𝑥𝑥); ∀𝑥𝑥
En el caso de que la variable sea continua, si 𝑓𝑓(𝑥𝑥) es su función de densidad, la condición anterior
nos lleva a que dicha distribución será simétrica respecto al eje perpendicular al de abscisas que
pasa por 𝜇𝜇 sí y solo si: 𝑓𝑓(𝜇𝜇 + 𝑥𝑥) = 𝑓𝑓(𝜇𝜇 − 𝑥𝑥); ∀𝑥𝑥; es decir a que la función de densidad 𝑓𝑓, es
simétrica respecto de la recta 𝑋𝑋 = 𝜇𝜇

Transformaciones de una variable aleatoria.

En muchos casos, dada una variable aleatoria 𝑋𝑋, interesa trabajar con una función: 𝑌𝑌 = ℎ(𝑋𝑋)
El estudio de estas transformaciones, en el caso discreto no suelen presentar ningún problema,
mientras que en el caso continuo, puede complicarse bastante.
De todas formas, en muchos casos puede interesar más que estudiar la distribución de 𝑌𝑌, calcular
o conocer algunas medidas de 𝑌𝑌, como por ejemplo 𝐸𝐸�ℎ(𝑋𝑋)� ó 𝑉𝑉𝑉𝑉𝑉𝑉(ℎ(𝑋𝑋))
Se tiene el siguiente resultado que en muchos libros se da por definición.

Proposición. Sea 𝑋𝑋 una v.a. e 𝑌𝑌 = ℎ(𝑋𝑋) una transformación suya. Entonces:

2
Caso discreto: 𝐸𝐸(𝑌𝑌) = ∑𝑖𝑖=1 ℎ(𝑥𝑥𝑖𝑖 )𝑝𝑝𝑋𝑋 (𝑥𝑥𝑖𝑖 ) 𝑦𝑦 𝑉𝑉𝑎𝑎𝑎𝑎(𝑌𝑌) = ∑𝑖𝑖=1�ℎ(𝑥𝑥𝑖𝑖 ) − 𝐸𝐸(𝑌𝑌)� 𝑝𝑝𝑋𝑋 (𝑥𝑥𝑖𝑖 )

∞ ∞ 2
Caso continuo: 𝐸𝐸(𝑌𝑌) = ∫−∞ ℎ(𝑥𝑥)𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑 𝑦𝑦 𝑉𝑉𝑉𝑉𝑉𝑉(𝑌𝑌) = ∫−∞�ℎ(𝑥𝑥) − 𝐸𝐸(𝑌𝑌)� 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑

La demostración de esto en el caso discreto es inmediata. En el caso continuo, ni es tan inmediata

y puede no ser tan sencillo, depende de la expresión de ℎ.
Quiero hacer hincapié en que el resultado anterior nos está diciendo como se pueden determinar
la esperanza y la varianza de 𝑌𝑌 = ℎ(𝑋𝑋) a través de la función de probabilidad de 𝑋𝑋 (caso discreto)
o de la función de densidad de 𝑋𝑋 (caso continuo), sin necesidad de obtener previamente la función
de probabilidad o de densidad de 𝑌𝑌.
Teniendo en cuenta el resultado anterior, podemos escribir:
𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) = 𝐸𝐸[(𝑋𝑋 − 𝐸𝐸(𝑋𝑋))2 ] = 𝐸𝐸(𝑋𝑋 2 ) − (𝐸𝐸(𝑋𝑋))2 𝑠𝑠𝑠𝑠𝑠𝑠í𝑎𝑎 ℎ(𝑋𝑋) = (𝑋𝑋 − 𝐸𝐸(𝑋𝑋))2
Vamos a estudiar una transformación de especial interés, la transformación lineal: 𝑌𝑌 = 𝑎𝑎 + 𝑏𝑏𝑏𝑏

Las propiedades o resultados: 𝐸𝐸(𝑌𝑌) = 𝐸𝐸(𝑎𝑎 + 𝑏𝑏𝑏𝑏) = 𝑎𝑎 + 𝑏𝑏𝑏𝑏(𝑋𝑋) 𝑦𝑦 𝑉𝑉𝑉𝑉𝑉𝑉(𝑌𝑌) = 𝑉𝑉𝑉𝑉𝑉𝑉(𝑎𝑎 + 𝑏𝑏𝑏𝑏) =
𝐸𝐸[(𝑎𝑎 + 𝑏𝑏𝑏𝑏 − 𝐸𝐸(𝑌𝑌))2 ] = 𝑏𝑏 2 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋), son inmediatos aplicando la proposición anterior.

De cualquier forma en el caso discreto es inmediato, no así en el caso continuo, en que habría que
encontrar la función de densidad de la variable 𝑌𝑌 buscando previamente su función de
distribución y después derivándola para así obtener su función de densidad.

Para terminar, comentar el caso de especial interés, llamado tipificación de la variable 𝑋𝑋:
𝑋𝑋−𝐸𝐸(𝑋𝑋)
𝑍𝑍 = 𝜎𝜎𝑋𝑋
Resulta inmediato ver que: 𝐸𝐸(𝑍𝑍) = 0 𝑦𝑦 𝑉𝑉𝑉𝑉𝑉𝑉(𝑍𝑍) = 1
 VARIABLES ALEATORIAS VECTORIALES.
Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, la medida de una
característica aleatoria. En muchos casos, interesa estudiar dos o más características y su posible
relación: Peso y altura, renta y consumo, producción y gastos de mantenimiento, inversión
tecnológica y número de obreros,…
Por comodidad vamos a estudiar las variables aleatorias bidimensionales, aunque el estudio de
variables n-dimensionales es análogo.

Para nosotros una v.a. bidimensional (𝑋𝑋, 𝑌𝑌) va a ser una función: (𝑋𝑋, 𝑌𝑌): Ω → 𝑅𝑅 2 ⁄𝜔𝜔 →
�𝑋𝑋(𝜔𝜔), 𝑌𝑌(𝜔𝜔)�, 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝜔𝜔 𝑢𝑢𝑢𝑢 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑔𝑔𝑔𝑔𝑔𝑔é𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒.

DISTRIBUCIONES DE PROBABILIDAD CONJUNTA.

Distribución bidimensional discreta (𝑋𝑋, 𝑌𝑌)
Sea (𝑋𝑋, 𝑌𝑌) una variable aleatoria discreta, tomando los valores: �𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗 � 𝑐𝑐𝑐𝑐𝑐𝑐 𝑖𝑖 = 1,2, … , 𝑘𝑘 𝑦𝑦 𝑗𝑗 =
1,2, … . , ℎ (en particular 𝑘𝑘 ó ℎ pueden ser +∞) La variable aleatoria quedará perfectamente
definida si conocemos la probabilidad de cada par (𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗 ), es decir, si conocemos:
𝑝𝑝�𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗 � = 𝑝𝑝�𝜔𝜔 ∈ Ω⁄𝑋𝑋(𝜔𝜔) = 𝑥𝑥𝑖𝑖 , 𝑌𝑌(𝜔𝜔) = 𝑦𝑦𝑗𝑗 , � ∀𝑖𝑖, 𝑗𝑗 (Probabilidad inducida sobre 𝑅𝑅 2 por la
probabilidad dada en Ω) que es conocida como la función de probabilidad conjunta de la v.a.
(𝑋𝑋, 𝑌𝑌)
Evidentemente se cumple: ∑∞ ∞
𝑖𝑖=1 ∑𝑗𝑗=1 𝑝𝑝�𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗 � = 1

Distribuciones marginales.
Dada una variable aleatoria discreta (𝑋𝑋, 𝑌𝑌), con función de probabilidad conjunta 𝑝𝑝(𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗 )
llamaremos distribución marginal de 𝑋𝑋 a la distribución de dicha variable.
Análogamente, llamaremos distribución marginal de 𝑌𝑌 a la distribución de la v.a. 𝑌𝑌
A partir de la función de probabilidad conjunta, podemos calcular las funciones de probabilidad de
las distribuciones marginales de la forma siguiente:

𝑝𝑝(𝑥𝑥𝑖𝑖 ) = 𝑝𝑝(𝑋𝑋 = 𝑥𝑥𝑖𝑖 ) = ∑ℎ𝑗𝑗=1 𝑝𝑝�𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗 � ∀𝑖𝑖 𝑦𝑦 𝑝𝑝�𝑦𝑦𝑗𝑗 � = 𝑝𝑝�𝑌𝑌 = 𝑦𝑦𝑗𝑗 � = ∑𝑘𝑘𝑖𝑖=1 𝑝𝑝�𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗 � ∀𝑗𝑗

Distribuciones condicionadas.
En algunos casos, poseemos información sobre el resultado de una de las variables, información
que puede servirnos para tener información adicional sobre la otra variable.
Supongamos que ha ocurrido 𝑌𝑌 = 𝑦𝑦𝑗𝑗 por tanto 𝑝𝑝(𝑦𝑦𝑗𝑗 ) ≠ 0, se define la probabilidad de 𝑋𝑋 = 𝑥𝑥𝑖𝑖
condicionada a que ha ocurrido 𝑌𝑌 = 𝑦𝑦𝑗𝑗 como:
𝑝𝑝(𝑋𝑋 = 𝑥𝑥𝑖𝑖 , 𝑌𝑌 = 𝑦𝑦𝑗𝑗 )
𝑝𝑝�𝑋𝑋 = 𝑥𝑥𝑖𝑖 ⁄𝑌𝑌 = 𝑦𝑦𝑗𝑗 � =
𝑝𝑝(𝑌𝑌 = 𝑦𝑦𝑗𝑗 )

Para cada valor 𝑌𝑌 = 𝑦𝑦𝑗𝑗 , habría una distribución condicionada.

Igualmente, se define la probabilidad de 𝑌𝑌 = 𝑦𝑦𝑗𝑗 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑎𝑎 𝑞𝑞𝑞𝑞𝑞𝑞 ℎ𝑎𝑎 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑋𝑋 = 𝑥𝑥𝑖𝑖 como:

𝑝𝑝(𝑋𝑋=𝑥𝑥𝑖𝑖 ,𝑌𝑌=𝑦𝑦𝑗𝑗 )
𝑝𝑝�𝑋𝑋 = 𝑦𝑦𝑗𝑗 ⁄𝑋𝑋 = 𝑥𝑥𝑖𝑖 � =
𝑝𝑝(𝑋𝑋=𝑥𝑥𝑖𝑖 )

Está claro que se pueden considerar otras probabilidades condicionadas, como por ejemplo:

𝑝𝑝�𝑋𝑋 = 𝑥𝑥𝑖𝑖 ⁄𝑌𝑌 ≤ 𝑦𝑦𝑗𝑗 �, 𝑝𝑝�𝑋𝑋 = 𝑥𝑥𝑖𝑖 ⁄𝑦𝑦𝑘𝑘 ≤ 𝑌𝑌 ≤ 𝑦𝑦𝑗𝑗 �

Distribución bidimensional continua (𝑋𝑋, 𝑌𝑌)
Sea (𝑋𝑋, 𝑌𝑌) una v.a. continua, en este caso la variable queda determinada por la función de
densidad conjunta 𝑓𝑓(𝑥𝑥, 𝑦𝑦), que deberá cumplir: 𝑓𝑓(𝑥𝑥, 𝑦𝑦) ≥ 0, ∀(𝑥𝑥, 𝑦𝑦) 𝑦𝑦 ∬𝑅𝑅2 𝑓𝑓(𝑥𝑥, 𝑦𝑦)𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = 1

Para calcular la probabilidad de un conjunto 𝐴𝐴 ⊂ 𝑅𝑅 2, se calculará la integral doble de 𝑓𝑓(𝑥𝑥, 𝑦𝑦) sobre
el conjunto 𝐴𝐴, es decir: 𝑝𝑝(𝐴𝐴) = ∬𝐴𝐴 𝑓𝑓(𝑥𝑥, 𝑦𝑦)𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑, en particular:
𝑥𝑥=𝑏𝑏 𝑦𝑦=𝑑𝑑
𝑝𝑝(𝑎𝑎 ≤ 𝑋𝑋 ≤ 𝑏𝑏, 𝑐𝑐 ≤ 𝑌𝑌 ≤ 𝑑𝑑) = � � 𝑓𝑓(𝑥𝑥, 𝑦𝑦)𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑
𝑥𝑥=𝑎𝑎 𝑦𝑦=𝑐𝑐

Distribuciones marginales.
Dada una variable aleatoria continua (𝑋𝑋, 𝑌𝑌), con función de densidad conjunta 𝑓𝑓(𝑥𝑥, 𝑦𝑦), llamamos
distribución marginal de 𝑋𝑋 a la distribución de dicha variable.
Análogamente, llamamos distribución marginal de 𝑌𝑌 a la distribución de la v.a. 𝑌𝑌
A partir de la función de densidad conjunta, podemos calcular las funciones de densidad
𝑦𝑦=∞ 𝑥𝑥=∞
marginales de la forma siguiente: 𝑓𝑓𝑋𝑋 (𝑥𝑥) = ∫𝑦𝑦=−∞ 𝑓𝑓(𝑥𝑥, 𝑦𝑦)𝑑𝑑𝑑𝑑 𝑦𝑦 𝑓𝑓𝑌𝑌 (𝑦𝑦) = ∫𝑥𝑥=−∞ 𝑓𝑓(𝑥𝑥, 𝑦𝑦)𝑑𝑑𝑑𝑑

Distribuciones condicionadas.
En el caso de una variable aleatoria continua la probabilidad de cualquier punto es cero, pero eso
no quita la posibilidad de que pueda ocurrir, por ello tiene perfecto sentido plantearnos, por
ejemplo, la variable 𝑋𝑋 condicionada por que ha ocurrido 𝑌𝑌 = 𝑦𝑦0
Sin entrar en mayores explicaciones, se define la función de densidad , 𝑓𝑓𝑋𝑋⁄𝑌𝑌=𝑦𝑦0 (𝑥𝑥), de la variable 𝑋𝑋
𝑓𝑓(𝑥𝑥,𝑦𝑦0 )
condicionada por qué ha ocurrido 𝑌𝑌 = 𝑦𝑦0 por: 𝑓𝑓𝑋𝑋⁄𝑌𝑌=𝑦𝑦0 (𝑥𝑥) = 𝑓𝑓𝑌𝑌 (𝑦𝑦0 )
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑞𝑞𝑞𝑞𝑞𝑞 𝑓𝑓𝑌𝑌 (𝑦𝑦0 ) ≠ 0

Está claro que se pueden considerar otras distribuciones condicionadas, como por ejemplo:
𝑋𝑋⁄𝑌𝑌 ≤ 𝑦𝑦0 , 𝑋𝑋 ∕ 𝑦𝑦1 ≤ 𝑌𝑌 ≤ 𝑦𝑦2 cuyas distribuciones se calcularán a partir del concepto de
probabilidad condicionada (calcular la función de distribución y derivar)

Función de distribución de la variable (𝑋𝑋, 𝑌𝑌).

Vamos a dar, sin más comentario la definición de función de distribución de una variable (𝑋𝑋, 𝑌𝑌)
sea discreta o continua como: 𝐹𝐹: 𝑅𝑅 2 → [0,1]⁄𝐹𝐹(𝑥𝑥, 𝑦𝑦) = 𝑝𝑝(𝑋𝑋 ≤ 𝑥𝑥, 𝑌𝑌 ≤ 𝑦𝑦)

INDEPENDENCIA DE VARIABLES ALEATORIAS.

Un concepto importante en el estudio conjunto de varias variables aleatorias es el de
independencia. El planteamiento es, ¿influye el resultado de una variable en el resultado de otra?
Definición. (Caso discreto) Se dice que la v.a. 𝑋𝑋 es independiente de la v.a. 𝑌𝑌 si y solo si:
𝑝𝑝�𝑋𝑋 = 𝑥𝑥𝑖𝑖 ⁄𝑌𝑌 = 𝑦𝑦𝑗𝑗 � = 𝑝𝑝(𝑋𝑋 = 𝑥𝑥𝑖𝑖 ); ∀𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗
Se puede demostrar de forma sencilla que las siguientes proposiciones son equivalentes:
a) 𝑝𝑝�𝑋𝑋 = 𝑥𝑥𝑖𝑖 ⁄𝑌𝑌 = 𝑦𝑦𝑗𝑗 � = 𝑝𝑝(𝑋𝑋 = 𝑥𝑥𝑖𝑖 ); ∀𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗
b) 𝑝𝑝�𝑌𝑌 = 𝑦𝑦𝑗𝑗 ⁄𝑋𝑋 = 𝑥𝑥𝑖𝑖 � = 𝑝𝑝�𝑌𝑌 = 𝑦𝑦𝑗𝑗 �; ∀𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗
c) 𝑝𝑝�𝑋𝑋 = 𝑥𝑥𝑖𝑖 , 𝑌𝑌 = 𝑦𝑦𝑗𝑗 � = 𝑝𝑝(𝑋𝑋 = 𝑥𝑥𝑖𝑖 )𝑝𝑝�𝑌𝑌 = 𝑦𝑦𝑗𝑗 �; ∀𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑗𝑗
Dado que a) y b) son equivalentes, hablamos de 𝑋𝑋 𝑒𝑒 𝑌𝑌 variables independientes.

Definición. (Caso continuo)

Dos variables aleatorias 𝑋𝑋 e 𝑌𝑌 se dicen independientes si y solo si 𝑓𝑓(𝑥𝑥, 𝑦𝑦) = 𝑓𝑓𝑋𝑋 (𝑥𝑥)𝑓𝑓𝑌𝑌 (𝑦𝑦); ∀𝑥𝑥, 𝑦𝑦
Generalización del concepto a 𝑛𝑛 variables.
Caso discreto.
Las variables aleatorias discretas 𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 se dicen independientes si y sólo si:

𝑝𝑝(𝑋𝑋1 = 𝑥𝑥1 , 𝑋𝑋2 = 𝑥𝑥2 , … , 𝑋𝑋𝑛𝑛 = 𝑥𝑥𝑛𝑛 ) = 𝑝𝑝(𝑋𝑋1 = 𝑥𝑥1 )𝑝𝑝(𝑋𝑋2 = 𝑥𝑥2 ) … 𝑝𝑝(𝑋𝑋𝑛𝑛 = 𝑥𝑥𝑛𝑛 ); ∀𝑥𝑥1 , 𝑥𝑥2 , . . , 𝑥𝑥𝑛𝑛

Caso continuo.
Las variables aleatorias continuas 𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 se dicen independientes si y sólo si:
𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 ) = 𝑓𝑓𝑋𝑋1 (𝑥𝑥1 )𝑓𝑓𝑋𝑋2 (𝑥𝑥2 ) … . 𝑓𝑓𝑋𝑋𝑛𝑛 (𝑥𝑥𝑛𝑛 ); ∀𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛

Es cierto que si 𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 son independientes entonces también lo son cualquier subconjunto
de dichas variables.

Covarianza y correlación.
Caso discreto
Se define la covarianza de dos variables aleatorias discretas 𝑋𝑋 e 𝑌𝑌 como:
𝜎𝜎𝑋𝑋𝑋𝑋 = 𝐶𝐶𝐶𝐶𝐶𝐶(𝑋𝑋, 𝑌𝑌) = ∑∞ ∞
𝑖𝑖=1 ∑𝑗𝑗=1�𝑥𝑥𝑖𝑖 − 𝐸𝐸(𝑋𝑋)� �𝑦𝑦𝑗𝑗 − 𝐸𝐸(𝑌𝑌)� 𝑝𝑝(𝑋𝑋 = 𝑥𝑥𝑖𝑖 , 𝑌𝑌 = 𝑦𝑦𝑗𝑗 )

Desarrollando la expresión anterior se llega a:

𝜎𝜎𝑋𝑋𝑋𝑋 = 𝐶𝐶𝐶𝐶𝐶𝐶(𝑋𝑋, 𝑌𝑌) = ∑∞ ∞
𝑖𝑖=1 ∑𝑗𝑗=1 𝑥𝑥𝑖𝑖 𝑦𝑦𝑗𝑗 𝑝𝑝�𝑋𝑋 = 𝑥𝑥𝑖𝑖 , 𝑌𝑌 = 𝑦𝑦𝑗𝑗 � − 𝐸𝐸(𝑋𝑋)𝐸𝐸(𝑌𝑌)

Caso continuo.
Se define la covarianza de dos variables aleatorias continuas 𝑋𝑋 e 𝑌𝑌 como:
𝜎𝜎𝑋𝑋𝑋𝑋 = 𝐶𝐶𝐶𝐶𝐶𝐶(𝑋𝑋, 𝑌𝑌) = ∬𝑅𝑅2 �𝑥𝑥 − 𝐸𝐸(𝑋𝑋)��𝑦𝑦 − 𝐸𝐸(𝑌𝑌)�𝑓𝑓𝑋𝑋𝑋𝑋 (𝑥𝑥, 𝑦𝑦)𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑
Se prueba sin ningún problema que: 𝜎𝜎𝑋𝑋𝑋𝑋 = 𝐶𝐶𝐶𝐶𝐶𝐶(𝑋𝑋, 𝑌𝑌) = ∬𝑅𝑅2 𝑥𝑥𝑥𝑥𝑓𝑓𝑋𝑋𝑋𝑋 (𝑥𝑥, 𝑦𝑦)𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 − 𝐸𝐸(𝑋𝑋)𝐸𝐸(𝑌𝑌)

La covarianza es una medida de la posible relación lineal existente entre las dos variables, aunque
tiene el problema de depender de las unidades de medida de las variables. Una medida
adimensional (que no depende de las dimensiones) de la posible relación lineal que elimina ese
problema es el coeficiente de correlación lineal de Pearson que se define de la forma siguiente:
𝐶𝐶𝐶𝐶𝐶𝐶(𝑋𝑋,𝑌𝑌)
𝜌𝜌(𝑋𝑋, 𝑌𝑌) = 𝜎𝜎𝑋𝑋 𝜎𝜎𝑌𝑌

Propiedades del coeficiente de correlación.

a) Si 𝑋𝑋 e 𝑌𝑌 son v.a independientes, entonces 𝜌𝜌(𝑋𝑋, 𝑌𝑌) = 0
b) −1 ≤ 𝜌𝜌(𝑋𝑋, 𝑌𝑌) ≤ 1
c) 𝜌𝜌(𝑋𝑋, 𝑌𝑌) = 1 𝑠𝑠𝑠𝑠 𝑦𝑦 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠 𝑌𝑌 = 𝑎𝑎 + 𝑏𝑏𝑏𝑏 𝑐𝑐𝑐𝑐𝑐𝑐 𝑏𝑏 > 0
𝜌𝜌(𝑋𝑋, 𝑌𝑌) = −1 𝑠𝑠𝑠𝑠 𝑦𝑦 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠 𝑌𝑌 = 𝑎𝑎 + 𝑏𝑏𝑏𝑏 𝑐𝑐𝑐𝑐𝑐𝑐 𝑏𝑏 < 0

Transformaciones de vectores aleatorios.

En muchos casos, dada una variable aleatoria n-dimensional (𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 ), interesa estudiar una
función real de dicha variable: 𝑌𝑌 = 𝑔𝑔(𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 ) o más concretamente algunas medidas de
esa variable.
El estudio de estas variables, en general, no es sencillo aunque puede haber casos en que lo sea;
no pretendemos hacer un estudio general de las transformaciones.

Se tiene el siguiente resultado que en la práctica totalidad de los libros se da por definición:
Proposición. Sea la transformación del vector aleatorio (𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 ): 𝑌𝑌 = 𝑔𝑔(𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 )
Entonces:
Caso discreto:

𝐸𝐸(𝑌𝑌) = 𝐸𝐸�𝑔𝑔(𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 )� = ∑𝑥𝑥1 … . . ∑𝑥𝑥𝑛𝑛 𝑔𝑔(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 )𝑝𝑝(𝑋𝑋1 = x1 , … . . , Xn = xn ) y

𝑉𝑉𝑉𝑉𝑉𝑉(𝑌𝑌) = � … . . �(𝑔𝑔(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 ) − 𝐸𝐸(𝑌𝑌))2 𝑝𝑝(𝑋𝑋1 = x1 , … . . , Xn = xn )

𝑥𝑥1 𝑥𝑥𝑛𝑛

Caso continuo:
𝐸𝐸(𝑌𝑌) = 𝐸𝐸�𝑔𝑔(𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 )� = ∫𝑥𝑥 … … ∫𝑥𝑥 𝑔𝑔(𝑥𝑥1 , … , 𝑥𝑥𝑛𝑛 )𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 )𝑑𝑑𝑥𝑥1 … 𝑑𝑑𝑥𝑥𝑛𝑛 y
1 𝑛𝑛

𝑉𝑉𝑉𝑉𝑉𝑉(𝑌𝑌) = � … … � (𝑔𝑔(𝑥𝑥1 , … , 𝑥𝑥𝑛𝑛 ) − 𝐸𝐸(𝑌𝑌))2 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 )𝑑𝑑𝑥𝑥1 … 𝑑𝑑𝑥𝑥𝑛𝑛

𝑥𝑥1 𝑥𝑥𝑛𝑛

Este resultado nos está diciendo como se pueden obtener las esperanzas matemáticas y varianzas
de 𝑌𝑌 = 𝑔𝑔(𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 ) a través de la función de probabilidad de (𝑋𝑋1 , … . , 𝑋𝑋𝑛𝑛 ) (caso discreto) o
de la función de densidad de (𝑋𝑋1 , … . , 𝑋𝑋𝑛𝑛 ) (caso continuo), sin necesidad de obtener previamente
la distribución de 𝑔𝑔(𝑋𝑋1 , … , 𝑋𝑋𝑛𝑛 ).

Teniendo en cuenta lo anterior, podemos escribir:

a) 𝑉𝑉𝑉𝑉𝑉𝑉 (𝑌𝑌) = 𝑉𝑉𝑉𝑉𝑉𝑉(𝑔𝑔(𝑋𝑋1 … , 𝑋𝑋𝑛𝑛 ) = 𝐸𝐸[[𝑔𝑔(𝑋𝑋1 , … , 𝑋𝑋𝑛𝑛 ) − 𝐸𝐸(𝑌𝑌)]2 ]
b) 𝐶𝐶𝐶𝐶𝐶𝐶(𝑋𝑋, 𝑌𝑌) = 𝜎𝜎𝑋𝑋𝑋𝑋 = 𝐸𝐸��𝑋𝑋 − 𝐸𝐸(𝑋𝑋)�(𝑌𝑌 − 𝐸𝐸(𝑌𝑌))�
Tanto para el caso discreto como para el continuo se pueden probar ahora fácilmente, las
siguientes propiedades:
a) 𝐸𝐸(𝑋𝑋1 + 𝑋𝑋2 + ⋯ + 𝑋𝑋𝑛𝑛 ) = 𝐸𝐸(𝑋𝑋1 ) + 𝐸𝐸(𝑋𝑋2 ) + ⋯ + 𝐸𝐸(𝑋𝑋𝑛𝑛 )

b) Si 𝑋𝑋1 , … . , 𝑋𝑋𝑛𝑛 son variables aleatorias independientes, entonces:

𝐸𝐸(𝑋𝑋1 𝑋𝑋2 … 𝑋𝑋𝑛𝑛 ) = 𝐸𝐸(𝑋𝑋1 )𝐸𝐸(𝑋𝑋2 ) … 𝐸𝐸(𝑋𝑋𝑛𝑛 ) El resultado recíproco es falso.

c) Se tiene: 𝑉𝑉𝑉𝑉𝑉𝑉(𝑎𝑎𝑎𝑎 + 𝑏𝑏𝑏𝑏) = 𝑎𝑎2 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) + 𝑏𝑏 2 𝑉𝑉𝑉𝑉𝑉𝑉(𝑌𝑌) + 2𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎(𝑋𝑋, 𝑌𝑌)

En general:
𝑉𝑉𝑉𝑉𝑉𝑉(𝑎𝑎1 𝑋𝑋1 + 𝑎𝑎2 𝑋𝑋2 + ⋯ + 𝑎𝑎𝑛𝑛 𝑋𝑋𝑛𝑛 ) = 𝑎𝑎12 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋1 ) + ⋯ + 𝑎𝑎𝑛𝑛2 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋𝑛𝑛 ) + 2𝑎𝑎1 𝑎𝑎2 𝐶𝐶𝐶𝐶𝐶𝐶(𝑋𝑋1 , 𝑋𝑋2 ) + ⋯ +
2𝑎𝑎𝑛𝑛−1 𝑎𝑎𝑛𝑛 𝐶𝐶𝐶𝐶𝐶𝐶(𝑋𝑋𝑛𝑛−1 , 𝑋𝑋𝑛𝑛 )

Si las variables 𝑋𝑋1 , … . , 𝑋𝑋𝑛𝑛 son independientes, entonces:

𝑉𝑉𝑉𝑉𝑉𝑉(𝑎𝑎1 𝑋𝑋1 + 𝑎𝑎2 𝑋𝑋2 + ⋯ + 𝑎𝑎𝑛𝑛 𝑋𝑋𝑛𝑛 ) = 𝑎𝑎12 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋1 ) + ⋯ + 𝑎𝑎𝑛𝑛2 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋𝑛𝑛 )

Para terminar este tema vamos a probar que

𝑉𝑉𝑉𝑉𝑉𝑉(𝑎𝑎𝑎𝑎 + 𝑏𝑏𝑏𝑏) = 𝑎𝑎2 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) + 𝑏𝑏 2 𝑉𝑉𝑉𝑉𝑉𝑉(𝑌𝑌) + 2𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎(𝑋𝑋, 𝑌𝑌)
2
𝑉𝑉𝑉𝑉𝑉𝑉(𝑎𝑎𝑎𝑎 + 𝑏𝑏𝑏𝑏) = 𝐸𝐸 ��𝑎𝑎𝑎𝑎 + 𝑏𝑏𝑏𝑏 − 𝑎𝑎𝑎𝑎(𝑋𝑋) − 𝑏𝑏𝑏𝑏(𝑌𝑌)� � = 𝐸𝐸�(𝑎𝑎�𝑋𝑋 − 𝐸𝐸(𝑋𝑋)� + 𝑏𝑏(𝑌𝑌 − 𝐸𝐸(𝑌𝑌))2 � =
2 2
= 𝐸𝐸 �𝑎𝑎2 �𝑋𝑋 − 𝐸𝐸(𝑋𝑋)� + 𝑏𝑏 2 �𝑌𝑌 − 𝐸𝐸(𝑌𝑌)� + 2𝑎𝑎𝑎𝑎�𝑋𝑋 − 𝐸𝐸(𝑋𝑋)��𝑌𝑌 − 𝐸𝐸(𝑌𝑌)�� =
𝑎𝑎2 𝐸𝐸[(𝑋𝑋𝑋𝑋(𝑋𝑋))2 ]+𝑏𝑏 2 𝐸𝐸[(𝑌𝑌 − 𝐸𝐸(𝑌𝑌))2 ] + 2𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎(𝑋𝑋, 𝑌𝑌) = 𝑎𝑎2 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) + 𝑏𝑏 2 𝑉𝑉𝑉𝑉𝑉𝑉(𝑌𝑌) + 2𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎(𝑋𝑋, 𝑌𝑌)
 ESTADÍSTICA 2019-2020 VARIABLES Y VECTORES ALEATORIOS.

1.-Estudiar si las siguientes funciones son o no funciones de densidad.

3(𝑥𝑥 2 −1)
𝑠𝑠𝑠𝑠 𝑥𝑥 ∈ [0,2] 𝑒𝑒 𝑥𝑥 𝑠𝑠𝑠𝑠 𝑥𝑥 ∈ [𝑙𝑙𝑙𝑙3, 𝑙𝑙𝑙𝑙4]
a) 𝑓𝑓(𝑥𝑥) = � 2 b) 𝑓𝑓(𝑥𝑥) = �
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 0 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟

2
c) 𝑓𝑓(𝑥𝑥) = |𝑥𝑥|𝑒𝑒 −𝑥𝑥 𝑠𝑠𝑠𝑠 − ∞ < 𝑥𝑥 < ∞

2.-Determinar el valor de k para que sea una función de densidad de probabilidad la función:

16𝑥𝑥/3 𝑠𝑠𝑠𝑠 0 ≤ 𝑥𝑥 ≤ 1/4

⎧ 1
⎪ 𝑘𝑘 𝑠𝑠𝑠𝑠 < 𝑥𝑥 ≤ 3/4
𝑓𝑓(𝑥𝑥) = 4
⎨ 16(1 − 𝑥𝑥) 3
⎪ 𝑠𝑠𝑠𝑠 < 𝑥𝑥 ≤ 1
3 4
⎩ 0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

3.-Se lanza un dado trucado, cuyo resultado se modeliza según una variable aleatoria 𝑋𝑋, de forma
1−𝑘𝑘
que la ley de probabilidades de X viene dada por: 𝑝𝑝(𝑋𝑋 = 𝑖𝑖) = 6
𝑠𝑠𝑠𝑠 𝑖𝑖 = 1,2,3,4,5 y
1+5𝑘𝑘
𝑝𝑝(𝑋𝑋 = 6) = 6
a) Encontrar el valor apropiado de 𝑘𝑘
b) Obtener la media y la varianza de 𝑋𝑋
c) Obtener la función de distribución de 𝑋𝑋

4.-Una v.a. 𝑋𝑋, tiene la siguiente función de probabilidad:

𝑥𝑥𝑖𝑖 1 2 3 4 5
𝑝𝑝(𝑥𝑥𝑖𝑖 ) 0.05 0.2 0.05 0.45 0.25

a) Comprobar que es una función de probabilidad.

b) Calcular 𝑝𝑝(𝑋𝑋 ≤ 3), 𝑝𝑝(𝑋𝑋 ≤ 3.5) 𝑦𝑦 𝑝𝑝(𝑋𝑋 > 3)
c) Calcular 𝐸𝐸(𝑋𝑋)
d) Calcular y representar gráficamente la función de distribución de la variable.

5.-Una persona apuesta 6 euros a la primera docena de números de la ruleta. En este juego,
puede salir un número entre 1 y 36. El jugador gana 12 euros si el número que sale está entre 1 y
12. Se pide:
a) Describir la ganancia del jugador mediante una variable aleatoria X, y obtener su función de
masa o de probabilidad.
b) Hallar y representar la función de distribución de 𝑋𝑋.
c) Calcular la esperanza de 𝑋𝑋 y deducir si el juego es justo o equitativo.
6.-En algunos casinos se realiza el siguiente juego: Se elige uno de los números 1, 2, 3, 4, 5, 6. A
continuación se lanzan 3 dados. Si el número elegido aparece 1, 2, 3 veces, se recibe 1, 2, 3 veces
lo apostado respectivamente y se recupera lo apostado. Si no aparece el número elegido, se
pierde lo apostado. Sea 𝑋𝑋 la variable aleatoria que proporciona la ganancia (pérdida) del juego.
Hallar 𝐸𝐸(𝑋𝑋). (Se puede suponer que jugamos un euro)

7.-El tiempo de vida (en cientos de horas) de un transistor es una variable aleatoria 𝑇𝑇 con función
0 𝑠𝑠𝑠𝑠 𝑡𝑡 < 0
de distribución: 𝐹𝐹𝑇𝑇 (𝑡𝑡) = � −𝑡𝑡 2 Se pide:
1 − 𝑒𝑒 𝑠𝑠𝑠𝑠 𝑡𝑡 ≥ 0
a) Demostrar que 𝐹𝐹𝑇𝑇 (𝑡𝑡) es una función de distribución. (Enunciar y comprobar que se cumplen
todas las propiedades)
b) Obtener la función de densidad de probabilidad de 𝑇𝑇.
c) Calcular e interpretar el percentil-80.
d) Calcular la probabilidad de que un determinado transistor dure más de 200 horas sabiendo que
ya lleva funcionando 50 horas.

1
25
𝑠𝑠𝑠𝑠 0 < 𝑥𝑥 ≤ 10
8.-Sea X una v.a. con función de densidad: 𝑓𝑓(𝑥𝑥) = � 𝑘𝑘𝑥𝑥 2
𝑠𝑠𝑠𝑠 10 < 𝑥𝑥 < 20
100
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

a) Calcular el valor de 𝑘𝑘
b) Calcular 𝐹𝐹(15) y 𝑝𝑝(5 < 𝑋𝑋 < 15)
c) Calcular la media y la varianza de 𝑋𝑋, su mediana y el percentil 0.8

9.-Supongamos que la distribución de las notas de los alumnos en un examen de Estadística es

una variable aleatoria continua 𝑋𝑋, con función de densidad:
𝑥𝑥
𝑠𝑠𝑠𝑠 𝑥𝑥𝑥𝑥[0,4]
𝑎𝑎
𝑓𝑓(𝑥𝑥) = � 10 − 𝑥𝑥
𝑠𝑠𝑠𝑠 𝑥𝑥𝑥𝑥(4,10]
20 + 𝑎𝑎
Calcular:
a) El valor de “a”
b) Las probabilidades de aprobar y de obtener exactamente un cinco.

2𝑥𝑥+5
𝑠𝑠𝑠𝑠 − 1 < 𝑥𝑥 ≤ 4
10.-Sea X una v.a. con función de densidad: 𝑓𝑓(𝑥𝑥) = � 40
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

a) Hallar la función de distribución de 𝑋𝑋

b) Hallar la media y la mediana de 𝑋𝑋
c) Sabiendo que 𝑋𝑋 es mayor que 1, calcular la probabilidad de que no exceda el valor 2.
𝑥𝑥
10
𝑠𝑠𝑠𝑠 2 < 𝑥𝑥 ≤ 4
11.-Una variable aleatoria continua 𝑋𝑋, tiene función de densidad: 𝑓𝑓(𝑥𝑥) = � 𝑘𝑘 𝑠𝑠𝑠𝑠 4 < 𝑥𝑥 < 5
0 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
a) Calcular el valor de 𝑘𝑘.
b) Calcular y representar gráficamente la función de distribución de 𝑋𝑋.
c) Calcular 𝑝𝑝(𝑋𝑋 < 4.5⁄𝑋𝑋 > 3)
12.-Sea 𝑋𝑋 una v.a. con función de densidad:

⎧ 𝑘𝑘(1 − 𝑥𝑥) 𝑠𝑠𝑠𝑠 0 ≤ 𝑥𝑥 ≤ 1

⎪ 𝑏𝑏 𝑠𝑠𝑠𝑠 1 < 𝑥𝑥 < 2
𝑓𝑓(𝑥𝑥) = 𝑥𝑥
⎨ 10 𝑠𝑠𝑠𝑠 2 ≤ 𝑥𝑥 ≤ 3
⎪
⎩ 0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

Calcular k y b para que sea efectivamente función de densidad, sabiendo además que la mediana
de 𝑋𝑋 es 1.5. Calcular la función de distribución de 𝑋𝑋.

13.-El tiempo de activación (en segundos) de los sensores fabricados por una empresa sigue una
v.a. 𝑋𝑋 con función de densidad:
2𝑥𝑥 𝑠𝑠𝑠𝑠 0 < 𝑥𝑥 < 1/2
2
𝑓𝑓(𝑥𝑥) = � (2 − 𝑥𝑥) 𝑠𝑠𝑠𝑠 1/2 ≤ 𝑥𝑥 ≤ 𝑎𝑎
3
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

Un sensor se dice rápido si su tiempo de activación es inferior a 0.2 segundos y lento si su tiempo
de activación es superior a 1 segundo.
a) Calcular el valor de “a”
b) Obtener la función de distribución de 𝑋𝑋
c) Calcular la probabilidad de que un sensor elegido al azar sea lento.
d) Un sensor se ha activado después de 0.1 segundos, calcular la probabilidad de que sea lento.

14.-Sea 𝑋𝑋 una variable aleatoria con función de densidad 𝑓𝑓(𝑥𝑥) = �2𝜗𝜗𝜗𝜗 + 1 𝑠𝑠𝑠𝑠 0 ≤ 𝑥𝑥 ≤ 2
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
a) Hallar el valor de 𝜗𝜗.
b) Hallar la mediana de la variable 𝑋𝑋.

c) Calcular 𝑝𝑝 �𝑋𝑋 < 1�1 �

2
< 𝑋𝑋 < 1.5

15.-En la urna 𝑈𝑈1 hay 2 bolas blancas y 3 bolas negras y en la urna 𝑈𝑈2 hay 2 bolas negras. Se
elige una urna al azar y se sacan de ella dos bolas sin reemplazamiento. Consideremos la variable
aleatoria:
𝑋𝑋 = 𝑁𝑁ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒í𝑑𝑑𝑑𝑑𝑑𝑑. Determinar:
a) La función de probabilidad de la variable 𝑋𝑋
b) Sabiendo que 𝑋𝑋 = 2, la probabilidad de que la urna elegida haya sido la 𝑈𝑈1
c) Calcular el número esperado de bolas negras extraídas en el experimento anterior.

𝑎𝑎 𝑠𝑠𝑠𝑠 1 ≤ 𝑥𝑥 ≤ 𝑏𝑏
16.-Hallar a y b para que: 𝑓𝑓(𝑥𝑥) = � �𝑥𝑥 2 sea función de densidad de una
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
variable aleatoria 𝑋𝑋, sabiendo además que 𝐸𝐸(𝑋𝑋 2 ) = 2

17.-La v.a. que modeliza la duración (en diez miles de kms) del radiador de un vehículo presenta la
2(1−𝑥𝑥)
función de distribución: 𝐹𝐹(𝑥𝑥) = �1 − 𝑘𝑘𝑒𝑒 𝑠𝑠𝑠𝑠 𝑥𝑥 > 1
0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
 a) Calcular 𝑘𝑘 para que 𝐹𝐹 sea, en efecto, la función de distribución de la v.a.
b) Calcular la duración media.
c) Obtener la probabilidad de que un radiador dure entre 60000 y 80000 kms.
d) Un coche tiene 60000 kms y aún no ha roto el radiador, ¿cuál es la probabilidad de que lo
rompa antes de los 80000 kms.?

18.-Una variable aleatoria 𝑋𝑋 tiene como función de distribución:

0 𝑠𝑠𝑠𝑠 𝑥𝑥 ≤ 1
1
𝐹𝐹(𝑥𝑥) = � 𝑘𝑘 �1 − � 𝑠𝑠𝑠𝑠 1 < 𝑥𝑥 ≤ 2
𝑥𝑥
1 𝑠𝑠𝑠𝑠 𝑥𝑥 > 2

a) Calcular el valor de 𝑘𝑘 así como la función de densidad de 𝑋𝑋.

b) Calcular la probabilidad de que la variable tome valores comprendidos entre 0.5 𝑦𝑦 1.5, sin
utilizar la función de densidad.
c) Calcular la probabilidad de que 𝑋𝑋 sea mayor que 1.5 sabiendo que 𝑋𝑋 < 1.75.

19.- Para establecer el precio a pagar por la leche que recibe, una central lechera la clasifica en
tres categorías, atendiendo a su contenido en materia grasa: contenido menor de 4%, contenido
entre 4% y 5% y contenido mayor de 5%, siendo sus precios de 30, 35 y 40 céntimos de euro por
litro respectivamente. Calcular el precio medio del litro de leche, sabiendo que el contenido de
materia grasa (%) es una variable aleatoria con función de distribución:

0 𝑠𝑠𝑠𝑠 𝑥𝑥 ≤ 3
2
(6 − 𝑥𝑥)
𝐹𝐹(𝑥𝑥) = �1 − 𝑠𝑠𝑠𝑠 3 < 𝑥𝑥 < 6
9
1 𝑠𝑠𝑠𝑠 𝑥𝑥 ≥ 6

20.-Una fábrica produce una pieza en dos calidades diferentes: Calidad A (60% de la producción) y
calidad B (el 40% restante). En cada uno de los casos, la duración (en años) de una pieza viene
dada por una v.a. diferente, cuya función de densidad es, respectivamente:

𝑒𝑒 −𝑥𝑥 𝑠𝑠𝑠𝑠 𝑥𝑥 > 0 −2𝑥𝑥

𝑓𝑓𝐴𝐴 (𝑥𝑥) = � 𝑓𝑓𝐵𝐵 (𝑥𝑥) = � 2𝑒𝑒 𝑠𝑠𝑠𝑠 𝑥𝑥 > 0
0 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 0 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟

a) Hallar la probabilidad de que una pieza de calidad A dure más de un año.

b) Hallar la mediana de la distribución del tipo A.
c) Si tomamos una pieza al azar de toda la producción, ¿cuál es la probabilidad de que dure más
de un año?
d) Si tomamos una pieza al azar de toda la producción y observamos que dura más de un año,
¿cuál es la probabilidad de que fuera de calidad A?

21.-La longitud de ciertas piezas, en cms, es una variable aleatoria con densidad:
𝑥𝑥
𝑠𝑠𝑠𝑠 0 ≤ 𝑥𝑥 < 4
𝑓𝑓(𝑥𝑥) = � 8
0 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
Una pieza se considera aceptable si su longitud está comprendida entre 1 y 3 cms. en cuyo caso se
ganan 5 euros. Si la pieza mide menos de un cm. no se puede vender y se pierden 6 euros. Si la
pieza mide más de 3 cms. se puede reajustar y vender, ganándose 2 euros. Calcular la ganancia
media por pieza producida.

22.-La proporción de alcohol de un cierto producto es una variable aleatoria 𝑋𝑋 cuya función de
densidad es: 𝑓𝑓(𝑥𝑥) = 𝑘𝑘𝑥𝑥 2 (1 − 𝑥𝑥) 𝑠𝑠𝑠𝑠 0 < 𝑥𝑥 < 1 𝑦𝑦 𝑓𝑓(𝑥𝑥) = 0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
a) Hallar el valor de 𝑘𝑘
b) Obtener la media y la desviación típica de 𝑋𝑋
c) Calcular 𝑝𝑝{|𝑋𝑋 − 𝐸𝐸(𝑋𝑋)| > 0.3} y comparar con la aproximación que puede obtenerse a partir
de la desigualdad de Chebychev.
d) Supongamos que el precio de venta del producto depende de la cantidad de alcohol que posee.
Más concretamente, si 1/3 < 𝑥𝑥 < 2/3 el producto se vende a 0.6 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒/𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 y en los demás
casos a 0.4 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒/𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 . Si el coste de producción es de 0.28 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒/𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙, ¿cuál es el beneficio
medio por litro que se obtiene?

23.-La cantidad de pan que se vende en una panadería de cierta localidad diariamente se puede
considerar una variable aleatoria con función de densidad:

20
⎧ 𝑥𝑥 𝑠𝑠𝑠𝑠 0 ≤ 𝑥𝑥 < 3.5
⎪ 245
𝑓𝑓(𝑥𝑥) = 20
⎨ (7 − 𝑥𝑥) 𝑠𝑠𝑠𝑠 3.5 ≤ 𝑥𝑥 < 7
⎪ 245
⎩ 0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

con 𝑥𝑥 expresada en cientos de 𝑘𝑘𝑘𝑘𝑘𝑘.

a) Dibujar la función de densidad de la variable.
b) Obtener la probabilidad de que un día cualquiera se vendan más de 300 kgs. pero menos de 600
kgs.
c) Si un día se han vendido menos de 600 kgs., ¿cuál es la probabilidad de que se hayan vendido
más de 300 kgs?
d) El propietario de la panadería fija el coste de fabricación de un kg. de pan en 1 euro y haciendo
un cómputo mediante las barras de pan y su peso aproximado, considera que el precio de venta
de un kilo de pan podría evaluarse en 1.5 euros. ¿Cuál sería el beneficio esperado durante una
semana, suponiendo que la panadería abre todos los días de la semana?

24.-La acidez 𝑋𝑋 de cierto compuesto depende de la proporción 𝑌𝑌 de uno de sus componentes

químicos y viene dada por la relación: 𝑋𝑋 = (1 + 𝑌𝑌)2 La proporción 𝑌𝑌 es una v.a. con función de
densidad: 𝑓𝑓(𝑦𝑦) = 2𝑦𝑦 𝑠𝑠𝑠𝑠 0 < 𝑦𝑦 < 1 𝑦𝑦 𝑓𝑓(𝑦𝑦) = 0 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
Calcular la función de distribución de la variable 𝑋𝑋, su función de densidad y la acidez media del
compuesto.

25.-Realizamos el experimento de lanzar un dado equilibrado dos veces y consideramos el vector

aleatorio (𝑋𝑋, 𝑌𝑌), donde 𝑋𝑋 es el resultado del primer lanzamiento e 𝑌𝑌 es el menor de los dos
resultados. Elaborar una tabla de doble entrada con la función de probabilidad del vector y las
distribuciones marginales.
26.-Se tira 4 veces una moneda equilibrada: 𝑋𝑋 es el número de caras que aparecen en las tres
primeras tiradas, 𝑌𝑌 es el número de caras que aparecen en las tiradas 2,3 y 4.
a) ¿Cuál es la distribución de 𝑋𝑋? ¿Y la de 𝑌𝑌?
b) Construye la tabla de la función de probabilidad conjunta de 𝑋𝑋 𝑒𝑒 𝑌𝑌.
c) Halla las funciones de probabilidad marginales y comprueba que coinciden con las que has
hallado anteriormente.
d) ¿Son independientes 𝑋𝑋 𝑒𝑒 𝑌𝑌 ?
e) Halla la distribución de la variable 𝑋𝑋 condicionada a 𝑌𝑌 = 2.

27.-Una urna contiene 2 bolas con el “0”, 3 bolas con el “10” y 5 bolas con el “20”. Se extraen dos
bolas con reemplazamiento y se observan los valores obtenidos.
a) Construir el espacio muestral para este experimento aleatorio y dar su distribución de
probabilidad.
b) Sea 𝑋𝑋 la variable “media de los dos valores obtenidos en la realización del experimento”.
Calcular, la función de masa de la variable 𝑋𝑋, así como su media y varianza.

28.-Sea la función de probabilidad conjunta del vector aleatorio (𝑋𝑋, 𝑌𝑌):

𝑋𝑋/𝑌𝑌 1 2
0 0.05 0.15
1 0.3 0
2 0.05 0.45

a) Calcular las funciones de probabilidad y de distribución de las variables 𝑋𝑋 𝑒𝑒 𝑌𝑌

b) Obtener la distribución de 𝑌𝑌 condicionada a que X tome el valor 2. ¿Son X e 𝑌𝑌 variables
aleatorias independientes?
c) Hallar las probabilidades siguientes: 𝑝𝑝(𝑌𝑌 = 2∕X≤ 1), 𝑝𝑝(𝑋𝑋 + 𝑌𝑌 > 2), 𝑝𝑝(0 < 𝑋𝑋 ≤ 2⁄𝑌𝑌 = 1) y
𝑝𝑝(𝑋𝑋𝑋𝑋 ≤ 1)
d) Hallar las distribuciones conjunta y marginales de 𝑈𝑈 = 𝑋𝑋 + 𝑌𝑌 y de 𝑉𝑉 = 𝑚𝑚á𝑥𝑥(𝑋𝑋, 𝑌𝑌)

29.-Los dos tipos de errores más comunes al programar son los errores de sintaxis y los errores
lógicos. Para un lenguaje simple tipo Pascal, el número de errores de estos tipos es generalmente
pequeño. Sea 𝑋𝑋 el número de errores de sintaxis e 𝑌𝑌 el número de errores lógicos detectados al
ejecutar por primera vez un programa Pascal. Las distribuciones de probabilidad de 𝑋𝑋 e 𝑌𝑌 vienen
dadas por las siguientes tablas:

Y 0 1 2 3
X 0 1 2 3 4

𝑝𝑝(𝑋𝑋 = 𝑥𝑥) 0.525 0.354 0.062 0.027 0.032 𝑝𝑝(𝑌𝑌 = 𝑦𝑦) 0.762 0.167 0.053 0.018

Se pide:

a) Calcular la probabilidad de que un programa seleccionado al azar contenga como mínimo dos
errores de sintaxis.
 b) Sabiendo que para un programa cualquiera la probabilidad de cometer en la primera ejecución
tres errores de sintaxis y dos errores lógicos es 0.007, ¿puede afirmarse que las variables 𝑋𝑋 𝑒𝑒 𝑌𝑌
son independientes?
c) Calcular el número medio de errores que se detectan al ejecutar por primera vez un programa
en Pascal (suponer que solamente pueden cometerse errores lógicos y de sintaxis).
d) ¿Es posible calcular la varianza de la variable que mide el número de errores cometidos?
Razonar la respuesta.
e) Calcular 𝐸𝐸(5𝑋𝑋 − 3𝑌𝑌 + 2)

30.-Se considera la ley de probabilidades del vector (𝑋𝑋, 𝑌𝑌) dada por:

X\Y 1 2 3

6 0.1+a 0 0.2

8 0 0.2 0

10 0.3-a 0 0.2

a) ¿Qué valores puede tomar a?

b) ¿Son 𝑋𝑋 e 𝑌𝑌 independientes para algún valor de a?
c) ¿Existe “a” para qué 𝜌𝜌 = 0?

31.-Sean dos variables aleatorias discretas 𝑋𝑋 e 𝑌𝑌, con función de probabilidad conjunta dada por:

X\Y 0 1 2

0 0.3 0.1 0.1

1 0.2 0.1 0.2

Calcular:
a) Las funciones de probabilidad marginales.
b) 𝑝𝑝�𝑋𝑋 < 3� 𝑌𝑌 = 1�
c) El valor esperado de 𝑌𝑌 cuando 𝑋𝑋 = 1
d) La esperanza y la varianza de la v.a.: 𝑇𝑇 = 2𝑋𝑋 − 𝑌𝑌 + 4

32.-Calcular la distribución conjunta y las distribuciones marginales del valor máximo (𝑋𝑋) y del
valor mínimo (𝑌𝑌) obtenidos al lanzar dos veces un dado.

33.-Un dispositivo electrónico tiene un consumo de corriente eléctrica (𝐼𝐼) aleatorio con función
𝑥𝑥
de densidad 𝑓𝑓𝐼𝐼 (𝑥𝑥) = 2 𝑠𝑠𝑠𝑠 0 ≤ 𝑥𝑥 ≤ 2. Sabemos que la potencia consumida (𝑃𝑃) puede calcularse
como 𝑃𝑃 = 𝑅𝑅 × 𝐼𝐼 2 , donde la resistencia 𝑅𝑅 es un parámetro constante. Calcular la potencia media
consumida por dicho dispositivo.