49

Tema 3

VARIABLES ALEATORIAS Y VECTORES ALEATORIOS

BIDIMENSIONALES

El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente

los resultados de los experimentos aleatorios, que en muchos casos son cualitativos, y que siguen
patrones muy similares aunque la naturaleza del experimento no lo sea.
Por ejemplo, un experimento consistente en observar el resultado de tirar una moneda, si ésta está
trucada y la probabilidad de cara es 0.9 y la de cruz es 0.1, es similar al experimento observar una
pieza fabricada en un proceso que produce un 90 % de piezas buenas y un 10 % de piezas con defecto,
pues en ambos casos, los posibles resultados del experimento son dos y la asignación de probabilidades
a los resultados es igual. Sin embargo, ambos experimentos son de naturaleza totalmente diferente.

1
Variable aleatoria y ley de probabilidad asociada a la variable

Definición 3.1 Dado un espacio muestral Ω asociado a un experimento aleatorio, llamaremos variable
aleatoria (v.a.) def inida sobre Ω a una aplicación X de Ω en R.

Por ejemplo, en los dos experimentos de la introducción, podrı́a definirse la aplicación X que
asigna al resultado “cara” el valor 1 y al resultado “cruz” el valor 0. Igualmente, en el caso de la pieza,
podrı́a definirse una variable asignando al resultado “buena” el valor 1 y al resultado “defectuosa” el
valor 0.

Definición 3.2 Dada una variable aleatoria X def inida sobre el conjunto de sucesos de un experi-
mento aleatorio, llamaremos soporte de X , que se denota por SX , al conjunto de posibles valores
(números reales) de la variable aleatoria.

Observación 3.3 El soporte de una variable aleatoria puede ser discreto o consistir en un intervalo
de R. En los dos ejemplos anteriores, SX = {0, 1}.

El soporte de la variable aleatoria se puede considerar como un nuevo espacio muestral, sobre el que
se puede definir una probabilidad relacionada con la probabilidad definida sobre el espacio muestral
original Ω, de la siguiente forma:

dado A ⊂ R, p(A) = p({ω ∈ Ω/X(ω) ∈ A}) = p(X ∈ A)

De esta forma se define una aplicación con llegada en el intervalo [0,1], sobre los subconjuntos del
soporte que son imagen de un suceso de Ω y se puede demostrar que esta aplicación es una probabilidad.
Esta probabilidad se denomina probabilidad asociada a la v.a. X , ley de probabilidad de la v. a. X
o distribución de la v.a. X .
Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 50

En el ejemplo:
p(1) = p(cara) = 0.9, p(0) = p(cruz) = 0.1
e igualmente:
p(1) = p(buena) = 0.9, p(0) = p(def ectuosa) = 0.1

Es decir, las probabilidades definidas sobre SX = {0, 1} son iguales, aún cuando los experimentos
sean diferentes. Una vez que se conoce el soporte de una variable aleatoria y su distribución, se puede
“olvidar” el experimento original. Cada variable aleatoria distinta (es decir, con soporte o distribución
distinta) constituye un modelo probabilı́stico. En el resto del tema y en los siguientes nos centraremos
en el estudio de estos modelos.

2
Variables aleatorias discretas

Una variable aleatoria es discreta si su soporte es discreto, es decir, si consiste en un número finito
o numerable de resultados: SX = {x1 , x2 , . . . xn , . . . }.

Definición 3.4 La ley de probabilidad o distribución de una variable aleatoria discreta X queda
determinada por los valores p(xi ) = p(X = xi ), i = 1, 2, . . . .

Se puede extender la definición de p a cualquier número real, definiéndola como cero para todos los
x 6= xi , i = 1, 2, . . . . A esta función definida en R se la denomina función de probabilidad o de masa
de la variable aleatoria.

Ejemplo
El ejemplo más sencillo de variable discreta es la variable discreta uniforme, cuyo soporte es
1
SX = {x1 , x2 , . . . , xn } con probabilidades: p(xi ) = .
n

Otra forma de definir la distribución de una v.a. discreta es mediante la función de distribución:

Definición 3.5 Llamaremos función de distribución de la variable aleatoria X a la función: F : R 7−→

[0, 1] def inida por:
F (x) = p(X ≤ x).

Propiedades 3.6 Propiedades de la función de distribución.

1. lı́m F (x) = 1 y lı́m F (x) = 0.

x7→∞ x7→−∞

La primera igualdad se debe a que {X ≤ ∞} es todo el espacio muestral y la segunda

a que {X ≤ −∞} es su complementario.

2. Si SX = {x1 , x2 , . . . xn , . . . } y los valores están ordenados de menor a mayor,

k
P
F (x) = p(xi ), si x ∈ [xk , xk+1 ).
i=1

3. F es creciente: si x ≤ y, F (x) ≤ F (y).

4. F es continua a la derecha:
lı́m F (x + h) = F (x).
h7→0+
Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 51

5. p(xi ) = F (xi ) − F (xi−1 ).

6. Como consecuencia de todas las propiedades anteriores, la gráf ica de F es discontinua con saltos
f initos en los puntos de probabilidad no nula, y creciente.

3
Variables aleatorias continuas

Definición 3.7 Una variable aleatoria X es continua cuando puede tomar cualquier valor en un
intervalo (finito o infinito). Una variable aleatoria continua queda caracterizada por su función de
densidad, que es una función f : R 7−→ R, integrable, tal que:

1. f (x) ≥ 0 para todo x ∈ R.

Z ∞
2. f (x)dx = 1.
−∞

A partir de la función de densidad se puede calcular la probabilidad de cualquier suceso A

relacionado con la variable aleatoria X de la siguiente forma:
Z
p(A) = f (t)dt
A
Z x
Por ejemplo, si A = (−∞, x] , se tiene p(X ≤ x) = f (t)dt
−∞

Ejemplo
El ejemplo más sencillo de v. a. continua es la v.a. continua uniforme, que se define como aquella
que tiene densidad constante en un intervalo acotado de R. Ası́, la v.a. continua uniforme en [a, b] será
la que tiene por soporte SX = [a, b] y densidad:
( 1
a≤x≤b
f (x) = b−a
0 en otro caso

1
(¿Por qué ?)
b−a

Igual que ocurre con las v.a. discretas, la distribución de una v.a. continua se puede definir también
a partir de la función de distribución de la variable, que se define de igual forma:

Definición 3.8 Llamaremos función de distribución de la variable aleatoria X a la función: F : R 7−→

[0, 1] def inida por:
F (x) = p(X ≤ x).

Teniendo en cuenta la definición de función de densidad, se cumplen las siguientes propiedades:

Propiedades 3.9 1. lı́m F (x) = 1 y lı́m F (x) = 0.

x7→∞ x7→−∞

2. F es creciente: si x ≤ y, F (x) ≤ F (y).

Z x
3. F (x) = f (t)dt.
−∞

4. F(x) es continua en R.
Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 52

5. F(x) es derivable y F 0 (x) = f (x), para cada x ∈ R en el que la función de densidad es continua.

6. La probabilidad de un punto es nula.

Z b
7. p([a, b]) = p((a, b]) = p([a, b)) = p((a, b)) = F (b) − F (a) = f (t)dt.
a

Ejemplo
La función de distribución de la v.a. continua uniforme será:

 0x − a
 si x ≤ a
F (x) = a≤x≤b
 b−a

1 si x ≥ b
4
Medidas caracterı́sticas de una variable aleatoria

Las medidas caracterı́sticas asociadas a una v.a. reciben el mismo nombre que en el caso de variables
estadı́sticas y se interpretan de idéntica forma. En este caso, para distinguir unas y otras, se representan
con letras griegas.
Vamos a definir a continuación las principales. Podrá observarse que en el caso discreto, las
definiciones son totalmente análogas a las dadas para v. estadı́sticas, si en éstas se cambia frecuencia
relativa por probabilidad.

Medida v.a.discretas v.a. continuas

Z ∞
P
Media o Esperanza µ ó E(X) xi p(xi ) xf (x) dx
i −∞
Z ∞
σ 2 ó V ar(X) (xi − µ)2 p(xi ) (x − µ)2 f (x) dx
P
Varianza
i −∞
sZ
rP ∞
Desviación tı́pica σ (xi − µ)2 p(xi ) (x − µ)2 f (x) dx
i −∞

Observación 3.10 La media de una variable aleatoria se interpreta como el valor esperado a largo
plazo, de la variable, de ahı́ su nombre de Esperanza.

Observación 3.11 Se verif ica V ar(X) = E(X 2 ) − E 2 (X).

En cuanto a las restantes medidas, se definen:

Mediana:  
1
- en el caso discreto, de forma análoga al caso de variables estadı́sticas, inf x ∈ R/F (x) ≥ .
2
 
1 1
- en el caso continuo, es el valor para el que F (x) = , es decir, M e = F −1 .
2 2
Moda:
- en el caso discreto, es el valor xi para el cuál p toma el valor más alto.
- en el caso continuo, coincide con los máximos absolutos de la función de densidad.

Cuartiles:
- en el caso discreto se calculan de igual forma que para variables estadı́sticas.
1 3
- en el caso continuo son: Q1 el valor para el que F (x) = y Q3 el valor para el que F (x) = .
4 4
Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 53

Rango intercuartı́lico: en ambos casos se define como la diferencia entre los cuartiles, Q3 − Q1 .
σ
Coeficiente de variación: en ambos casos se define como .
|µ|
Un resultado importante, que expresa la relación existente entre la media de una variable aleatoria
y su desviación tı́pica, es el teorema de Chebychev, cuyo enunciado es similar al visto en Estadı́stica
Descriptiva, y cuya demostración, en el caso discreto es análoga y por tanto, no la repetiremos:

Teorema 3.12 Teorema de Chebychev

Sea X una v.a. con media µ f inita y desviación tı́pica σ f inita. Entonces, si k es un número real
1
con k ≥ 1: p(µ − kσ ≤ X ≤ µ + kσ) > 1 − 2
k

5
Transformaciones de variables aleatorias

Igual que cuando trabajamos con variables estadı́sticas, a veces interesa realizar un cambio de
escala o una traslación u otro tipo de transformación que simetrice la distribución o la haga más
fácilmente manejable. Las principales transformaciones son las citadas en el tema 1.

Definición 3.13 Dada una variable aleatoria X , con soporte SX , llamaremos transformación de la
variable a una aplicación h : SX 7−→ R, no constante. La función Y = h(X) , cuyos valores son las
imágenes de h, es una nueva variable aleatoria, cuya distribución viene dada por la de la variable X ,
mediante la igualdad: p(Y ≤ y) = p(x/h(x) ≤ y). Su soporte es SY = h(SX ).

Observación 3.14 Si X es una v.a. discreta, con soporte {x1 , x2 , . . . , xn , . . . }, la variable Y será
discreta, con soporte SY = {h(x1 ), h(x2 ), . . . } y p(yi ) = p({xj /h(xj ) = yi }).
Si X es una v.a. continua, con función de distribución F (x), si h es continua, la v.a. Y será
continua, con función de distribución G(y) = p({x/h(x) ≤ y}).

Por tanto, se observa que en el caso discreto obtener la ley de probabilidades de la nueva variable
es sencillo. En el caso continuo, puede complicarse, dependiendo de la expresión de la función h. En
general, el cálculo de las funciones de densidad y de distribución de la v.a. Y se hace a través de la
definición de función de distribución y una vez obtenida ésta, se obtiene la de densidad derivando.

Medidas de la variable transformada

Proposición 3.15 Sea X una v.a y h(x) una transformación. Si Y = h(X) es la variable transfor-
mada, entonces:
P
µY = h(xi )p(xi ) si X es discreta
Zi ∞
µY = h(x)f (x) dx si X es continua
−∞

σY2 = (h(xi ) − µY )2 p(xi )

P
si X es discreta
i
Z ∞
σY2 = (h(x) − µY )2 f (x) dx si X es continua
−∞

Las demás medidas se calculan análogamente.

Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 54

6
Vectores aleatorios bidimensionales

Hasta ahora hemos estudiado las variables aleatorias unidimensionales, es decir, los valores de una
caracterı́stica aleatoria. En muchos casos, interesa estudiar dos o más caracterı́sticas y su relación:
peso y altura, renta y consumo, producción y gastos de mantenimiento, ...
Por comodidad vamos a estudiar los vectores aleatorios bidimensionales, aunque el estudio de
variables n-dimensionales es análogo. Además, nos centraremos en los vectores discretos, aunque
definiremos de forma intuitiva el concepto de vector continuo y veremos algunas propiedades comunes
a ambos tipos de vectores.

Definición 3.16 Se denomina vector aleatorio n-dimensional a una aplicación del espacio de sucesos
de un experimento aleatorio en Rn , (X1 , ...,Xn ), tal que cada Xi es una variable aleatoria.

Definición 3.17 Se dice que se ha def inido la distribución conjunta del vector si se conocen:

1. Los resultados posibles del vector, es decir, su soporte, que denotaremos por SX~ o por S(X,Y .

2. Las probabilidades de cada resultado posible.

~ = (X, Y ) es discreto si sus dos

Definición 3.18 Diremos que un vector aleatorio bidimensional X
componentes son variables aleatorias discretas.

Ejemplo
Se lanzan dos dados y se consideran las variables aleatorias:
X = suma de los resultados; Y = valor absoluto de la diferencia.
En este caso, p(X ≤ 4, Y = 2) = p({(1, 3), (3, 1)}) = 1/18; y de igual forma se obtiene la distri-
bución conjunta p(X = xi , Y = yj ). Además, podemos obtener los valores de p(X = 2) ó p(Y = 4),
utilizando tablas de doble entrada:

b
YbX 2 3 4 5 6 7 8 9 10 11 12
b
0 1/36 0 1/36 0 1/36 0 1/36 0 1/36 0 1/36 6/36
1 0 1/18 0 1/18 0 1/18 0 1/18 0 1/18 0 5/18
2 0 0 1/18 0 1/18 0 1/18 0 1/18 0 0 4/18
3 0 0 0 1/18 0 1/18 0 1/18 0 0 0 3/18
4 0 0 0 0 1/18 0 1/18 0 0 0 0 2/18
5 0 0 0 0 0 1/18 0 0 0 0 0 1/18
1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

También podemos considerar la variable X/(Y ≤ 2), cuyo soporte es {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
y cuya distribución de probabilidades viene dada por:

X/(Y ≤ 2) 2 3 4 5 6 7 8 9 10 11 12
p(X = xi /Y ≤ 2) 1/24 2/24 3/24 2/24 3/24 2/24 3/24 2/24 3/24 2/24 1/24

Vector aleatorio continuo

De forma intuitiva, un par de variables aleatorias (X, Y ) definen un vector continuo si existe una
función de dos variables f (x, y), positiva, “que determina un volumen unidad en R2 ”, y de forma que
la probabilidad de que el vector tome valores en un subconjunto de R2 es el volumen que esa función
f (x, y) determina sobre él. Si el vector es continuo, cada una de sus componentes X e Y son variables
aleatorias continuas y, por tanto, tienen funciones de densidad, que denotaremos por fX y fY .
Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 55

7
Independencia de variables aleatorias

Definición 3.19 Las v.a. discretas X1 , X2 , . . . , Xn se dicen independientes si y sólo si

p(X1= x1 , X2 = x2 , . . . , Xn = xn ) = pX1(x1 ) pX2(x2 ) · · · pXn (xn ) para cada (x1 , . . . , xn )∈S(X1 ,X2 ,. . . ,Xn ) .

Ejemplo
Puede comprobarse que las variables X e Y definidas en el ejemplo anterior no son independientes.
Ejemplo
En el experimento de tirar dos dados, definimos esta vez las variables X1 y X2 de la siguiente
forma:
X1 = 2 si al menos uno de los resultados es par, y X1 = 1 si los dos resultados son impares.
X2 = 3 si al menos un resultado es múltiplo de 3, y X2 = 0 si ninguno de ellos es múltiplo de 3.
Puede comprobarse que la tabla de doble entrada del vector (X1 , X2 ) es:

X2
b
Xb
1
0 3
b
1 4/36 5/36 9/36
2 12/36 15/36 27/36
16/36 20/36

Las variables X1 y X2 son independientes, puesto que

9 20 5
= 36 9 16 4
= 36 27 20 = 15 27 16 12
= 36
36 36 36 36 36 36 36 36 36

Definición 3.20 El vector aleatorio continuo (X1 , . . . , Xn ) tiene componentes que son independientes
si y sólo si f (x1 , x2 , . . . , xn ) = fX1 (x1 ) . . . fXn (xn ) .

8
Funciones de vectores aleatorios

En ocasiones, los sucesos a estudiar se expresan como una relación funcional de variables aleatorias
(por ejemplo, el suceso X +Y ≤ 1, ó XY ≥ 62.5). Por ello, vamos a introducir brevemente las funciones
de vectores aleatorios.

Proposición 3.21 Si (X, Y ) es un vector aleatorio y h : R2 7−→ R es una función continua, entonces
h(X, Y ) es una variable aleatoria que, si el vector es continuo, será continua.

Algunas de las relaciones que más comúnmente aparecen al trabajar con variables aleatorias son
la suma y el producto; las medidas de las nuevas variables cumplen estas propiedades:

Propiedades 3.22 Si (X, Y ) es un vector aleatorio bidimensional y a,b son números reales:

1. E(aX + bY ) = aE(X) + bE(Y ).

2. V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y ) + 2abCov(X, Y ).

3. Si X e Y son independientes: V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y ).

4. Si X e Y son independientes: E(aXY ) = aE(X)E(Y ).

Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 56
Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 57

9
Ejercicios

1. Sea X una v.a. con función de densidad:




 1/4 0 ≤ x ≤ 1


 1/2 1 < x < 2
f (x) =


 1/4 2 ≤ x < 3


 0 en otro caso

a) Calcula F(1/2), F(3/2), F(5/2) y F(10).

b) Comprueba que M e(X) = 3/2 y E(X) = 3/2 .

2. Se lanza un dado trucado, cuyo resultado se modeliza según una variable aleatoria X, de
1
forma que la ley de probabilidades de X viene dada por:p(X = i) = 12 si i = 1, . . . , 5, y
7
p (X = 6) = 12 .
a) Obtener la función de distribución..
b) Obtén la media y la varianza de X.
c) Obtén la mediana y el rango intercuartı́lico.

3. Una persona apuesta 6 euros a la primera docena 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.
b) Hallar y representar la función de distribución de X.
c) Calcular la esperanza de X, y deducir si el juego es equitativo.

4. La v.a. que modeliza la duración (en diez miles de Kms) del radiador de un vehı́culo presenta la
función de distribución:
1 − e 2(1−x) x > 1

F (x) =
0 en otro caso
a) Calcular la duración media.
b) Obtener la probabilidad de que un radiador dure entre 60 000 y 80 000 Kms.
c) Un coche tiene 60 000 Km y aún no ha roto el radiador. ¿Cuál es la probabilidad de que lo
rompa antes de los 80 000 Km?.

5. Para establecer el precio a pagar por la leche que recibe, una central lechera la clasifica en tres
categorı́as, atendiendo a su contenido en materia grasa:
contenido menor de 4 %,
contenido entre 4 % y 5 %,
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 en materia grasa ( %) es una v.a. con función
de distribución: 

 0 x≤3
2
F (x) = (6−x)
1− 9
3<x<6

1 6 ≤ x.

Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 58


 0 x<0
x 0≤x<4
6. La longitud de ciertas piezas, en cm, es una variable aleatoria con densidad f (x) = 8

0 en el resto.
Una pieza se considera aceptable si su longitud está comprendida entre 1 y 3 cm, en cuyo caso
se ganan 5 euros. Si la pieza mide menos de 1 cm, no se puede vender y se pierden 6 euros. Si la
pieza mide más de 3 cm, se puede reajustar y vender, ganándose 2 euros. Calcular la ganancia
media por pieza.

7. 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 X la variable “media de los dos valores obtenidos en la realización del experimento”.
Calcular:
La función de masa de la variable X.
La media y la varianza de la variable X.

8. Dada la función de probabilidad conjunta del vector aleatorio (X,Y):

X\Y 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 X e Y.

b) Obtener la distribución de Y condicionada a que X tome el valor 2.
c) Hallar las probabilidades: p(Y = 2/ X ≤ 1), p(X + Y > 2), p(0 < X ≤ 2/ Y = 1) y
p(XY ≤ 1).
d ) ¿ Son X e Y v.a. independientes?
e) Hallar las distribuciones conjunta y marginales de U = X +Y y de V = máx(X, Y ).

1 − 3k 1 − 2k 1 + 5k
9. La variable aleatoria X toma los valores 1, 2 ó 3 con probabilidades , ,
3 3 3
respectivamente.

a) Encuentra el valor apropiado de k.

b) Obtén la media y la varianza de X parak = 1/5.
c) Obtén la función de distribución.

10. La duración en minutos de una llamada telefónica de larga distancia se formaliza mediante una
v.a. X cuya función de distribución es:
(
1 − 23 exp( −2x 1 −x
3 ) − 3 exp( 3 ) x > 0
F (x) =
0 en otro caso

a) Calcula la función de densidad de la v.a.

b) Calcula la duración media.
Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 59

c) Obtén la probabilidad de que una llamada dure entre 3 y 6 minutos.

d ) Una llamada lleva tres minutos, ¿cuál es la probabilidad de que no pase de 6 minutos?

11. La proporción de personas que contestan una encuesta enviada por correo es una v.a. continua
con función de distribución: 
 0

 x≤0
x 2 +4x
F (x) = 5 0<x<1


 1 x≥1

a) ¿Cuál es la probabilidad de que contesten al menos el 50 % de los encuestados?

b) Si se sabe que la respuesta ha sido inferior al 50 %, ¿cuál es la probabilidad de que no llegue
a un 25 %?

12. La distribución de salarios mensuales de una empresa depende de la categorı́a A o B de los

empleados. El 30 % son de categorı́a A y su salario mensual en miles de euros tiene función de
densidad (
2 1
3 x2 x ≥ 2/3
fA (x) =
0 resto

El 70 % son de categorı́a B y su salario mensual en miles de euros tiene función de distribución


 0

 x≤1
2
(x−1) +4(x−1)
FB (x) = 5 1<x<2


 1 x≥2

a) ¿Cuál es la probabilidad de que un trabajador de categorı́a A cobre entre 800 y 1000 euros?
Obtén esta probabilidad a partir de la función de densidad y a partir de la función de
distribución.
b) ¿Qué porcentaje de trabajadores cobra menos de 1500 euros al mes?
c) Si un trabajador cobra menos de 1500 euros mensuales, ¿cuál es la probabilidad de que sea
de la categorı́a A?

13. Dada X una variable aleatoria continua, se define la variable aleatoria

Y = (X − E(X))2 .

Demostrar que
E(Y ) = V ar(X).

14. La duración T de un componente (en meses) es una variable aleatoria. Se sabe que el fallo
de dicho componente puede producirse al principio de su funcionamiento (perı́odo de prueba)
y que, transcurrido ese perı́odo, si el componente no ha fallado, entonces tiene asegurado un
funcionamiento adicional mı́nimo (perı́odo de garantı́a) después del cuál, el componente fallará
debido al desgaste una vez transcurrido un último perı́odo limitado de funcionamiento (perı́odo
de envejecimiento).
Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 60

¿Cuál de las siguientes funciones representa adecuadamente la ley de probabilidad de la variable

aleatoria descrita anteriormente a través de su función de distribución? Razona tu respuesta.


 0 si t≤0
( 

0 si t ≤ 0  0.5t
 si 0<t≤1
F1 (t) = F2 (t) =
1 − exp{−t} si t > 0 
 0.5 si 1 < t ≤ 120
t


si t > 120


t + 120



 0 si t≤0

 ct si 0<t≤1




F3 (t) = c si 1 < t ≤ 120 (c ∈ (0, 1))

 1 − c
 2c − 1 +
 t si 120 < t ≤ 240
120




 1 si t > 240
Contesta a las siguientes preguntas a partir de la función de distribución que has elegido:

a) Obtén la función de densidad de la variable aleatoria T y calcula E(T ).

b) Si una pieza ha fallado durante el perı́odo de prueba, ¿qué modelo de probabilidad sigue
su duración?

15. Supóngase que el tiempo necesario para reparar una pieza de equipo, en un proceso de manu-
factura es una variable aleatoria cuya función de densidad es:
(
1 −x
5 exp 5 x>0
f (x) =
0 en otro caso
Si la pérdida de dinero es igual al cuadrado del número de horas necesarias para llevar a cabo
la reparación, determinar el valor esperado de pérdidas por reparación.

16. La acidez X de cierto componente depende de la proporción Y de uno de sus componentes

quı́micosy viene dada por la relación X = 1 + Y . La proporción Y es una v.a. con función de
densidad: (
2y 1 ≤ y ≤ 0
f (y) =
0 en otro caso
Calcula la función de distribución de la variable X , su función de densidad y la acidez media
del compuesto.

17. Cierto supermercado tiene una caja rápida y otra normal. Sea X1 =Número de clientes que están
en espera en la caja normal en un momento en particular del dı́a y X2 =Número de clientes que
están en espera en la caja rápida al mismo tiempo. La distribución conjunta de vector (X1 , X2 )
viene dada en la tabla siguiente:
X2 0 1 2 3
X
bb
1
b
0 0.08 0.07 0.04 0.00
1 0.06 0.15 0.05 0.04
2 0.05 0.04 0.10 0.06
3 0.00 0.03 0.04 0.07
4 0.00 0.01 0.05 0.06
Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 61

a) Escribir la función de probabilidad de X1 y la función de distribución de X2 .

b) Calcular la probabilidad de que se encuentren, como máximo, dos clientes esperando en la
caja normal.
c) Sabiendo que en un determinado instante se encuentran dos clientes esperando en la caja
normal, ¿cuál es la probabilidad de que se encuentre solo uno esperando en la caja rápida?
d ) ¿Cuál es la probabilidad de que haya exactamente un cliente esperando en cada una de las
cajas?
e) Calcular el número medio de clientes esperando en la caja normal.
f ) ¿Son X1 y X2 independientes? ¿Por qué?
g) Calcular la probabilidad de que X1 = X2 .
h) Expresar en términos de X1 y de X2 el suceso ”hay por lo menos dos clientes más esperando
en una caja que en la otra”; calcular la probabilidad de este suceso.
i ) Calcular la probabilidad de que el número total de clientes esperando en las dos cajas sea
exactamente cuatro. ¿Y de que haya por lo menos cuatro?
j ) Calcular la diferencia esperada de clientes entre la caja normal y la caja rápida.
k ) Obtener el número medio de clientes en espera en la caja normal si hay por lo menos dos
clientes esperando en la caja rápida.
l ) Calcular la varianza de la distribución del apartado anterior.

18. Dada la función de probabilidad conjunta del vector aleatorio (X, Y ) :

X
bbY 1 2
b
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 X e Y .

b) Obtener la distribución de Y condicionada a que X tome el valor 2.
c) Hallar las siguientes probabilidades: p(Y = 2/X ≤ 1), p(X + Y > 2), p(0 < X ≤ 2/Y = 1)
y p(XY ≤ 1).
d ) ¿ Son X e Y v.a. independientes?
e) Hallar las distribuciones conjunta y marginales de U = X + Y y V = max(X, Y ) .

19. El control de calidad de una factorı́a se realiza aleatoriamente en dos secciones A y B, pudiéndose
efectuar hasta cuatro inspecciones simultáneas en la sección A y hasta 3 en la sección B. Sean
X e Y las variables aleatorias que recogen el número de inspecciones simultáneas realizadas en
la sección A y B, respectivamente. La función de probabilidad conjunta es:

X
bbY 1 2 3
b
1 0.06 0.09 0.05
2 0.10 0.13 0.11
3 0.03 0.08 0.02
4 0.12 0.07 0.14
Tema 3 Variables aleatorias y vectores aleatorios bidimensionales 62

a) Escribir el soporte y la distribución de la variable X + Y. ¿Es cierto que p(X 2 = 4) =

p(X + Y = 4)? ¿Por qué?
b) ¿Son X e Y independientes? ¿Por qué?
c) Obtener el número medio de inspecciones en determinado momento en la sección B si en
ese momento se están realizando 3 ó más en la sección A.

20. 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 X el número de errores de sintaxis e Y el número de errores lógicos detectados
al ejecutar por primera vez un programa Pascal. Las distribuciones de probabilidad de X e Y
vienen dadas por las siguientes tablas:

xi 0 1 2 3 4 yi 0 1 2 3
pi 0.525 0.354 0.062 0.027 0.032 qi 0.762 0.167 0.053 0.018

Se pide:

a) Calcular la probabilidad de que un programa seleccionado al azar contenga como mı́nimo

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 X e Y 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?
e) Calcular E( 5X − 3Y + 2).