Los temas del 3 al 7 se refieren al estudio de una variable aleatoria (v.a.).

Como verás hay v.a. de dos tipos discretas y continuas y de estos dos tipos hay de una dimensión, de dos ,...
en general de dimensión n.
El tema 3 se refiere a aspectos generales de todas.
El tema 4 de algo muy específico que yo lo dejaría para el final.
El tema 5 es para algunos modelos de v.a. discretas de dim 1 con nombre propio (más "famosos")
El tema 6 es para algunos modelos de v.a. continuas de dim 1 con nombre propio (más "famosos")
El tema 7 es para algunos modelos de v.a. discretas y otros de continuas de dim2 con nombre propio (más
"famosos")
A mí me parece más fácil estudiar primero las v.a. discretas de dim 1(parte del tema 3). Seguir con las de ese
tipo que tiene nombre propio (tema5).
Pasar a ver las continuas de dim 1 (parte del tema 3). Seguir con las de ese tipo que tiene nombre propio
(tema6).
Pasar a las de dim 2 primero discretas y luego continuas (parte del tema 3) y pasar a las de nombre propio
(tema7).
Las transparencias están preparadas en ese orden.
Los conceptos en discretas y continuas son los mismos, pero en discretas el cálculo es más fácil. Así si se
empieza por las discretas a la vez que entiendes los conceptos vas llevando los cálculos más fácilmente. cuando
pasas a las continuas, como los conceptos están ya vistos, solo te tienes qué preocupar de entender qué cambia
en el cálculo.
 Discreta 1 Temas 3 y 5 Tema 4 : función generatriz de momentos
y función característica de una variable aleatoria
Variable aleatoria
(dimensión=1)
Continua 2 Temas 3 y 6

Discreta Temas 3 y 7
Variable aleatoria bidimensional
Vector aleatorio (dimensión=2)
Continua Temas 3 y 7

Discreta Temas 3 y 7
Variable aleatoria n-dimensional
Vector aleatorio (dimensión=n)
Continua Temas 3 y 7
 Variable aleatoria Variables aleatorias

Cuando queremos observar un aspecto numérico en

el resultado de un experimento aleatorio

Discretas Continuas
Se hacen tres lanzamientos de una moneda Sus valores son puntos
cuya probabilidad de cara es: P(c)=0.8 Sus valores forman un
aislados de R
intervalo de R
Si queremos observar “el número de caras”, el
Ejp1: número de caras
resultado será un número que no podemos prever. Ejp3: Punto donde para la
en tres lanzamientos
Tenemos la variable aleatoria X: número de caras aguja en esta ruleta de
de la moneda P(c)=0.8
juego 0
{0,1,2,3}
cxx ccx 0.75 0.25

xxx xcx cxc ccc 0.5

xxc xcc Ejp2: número de [0, 1)
lanzamientos hasta
obtener cara con Ejp4: Tiempo hasta que se
la moneda P(c)=0.8 estropea un dispositivo
0 1 2 3 {1,2,3,4,5,6,…} [0, inf)
A cada elemento del espacio muestral le corresponde un número real.
Definición- Una variable aleatoria es una función del espacio muestral en R
Variable aleatoria discreta

• Función de probabilidad o cuantía (idea de distribución de probabilidad)

• Esperanza de una v.a. E[X]
• Transformada de una v.a. Y=g(X)
• Varianza de una v.a. σ2(X)

Función de probabilidad o cuantía Esta función, que asigna a cada valor de

la variable su probabilidad se ordena y
El valor que a la postre toma una v.a. estará elegido por el azar, por lo escribe en forma de tabla indicando en
que cada uno de los distintos valores que pueda tomar tendrá una columna los valores de la v.a. X
asignado una probabilidad. ordenados de menor a mayor y en otra
columna sus respectivas probabilidades.
En el ejemplo1 número de caras en tres lanzamientos de la moneda
P(c)=0.8, se puede calcular la probabilidad del suceso {X=0}: X P
P(X=0)=P(xxx)=0.2^3=0.008. 0 0.008

3
1 0.096
P(X=1)=P(cxx) =0.8 0.2^2 3=0.096
1
3 2 0.384
P(X=2)=P(ccx) 2
=0.8^2 0.2 3=0.384
P(X=3)=P(ccc)=0.8^3=0.512 3 0.512
Suma=1
Función de probabilidad o cuantía Otro ejemplo (ejp2): con la moneda de P(c)=0.8 s considera la v.a. X:
Otro ejemplo: en tres lanzamientos de la moneda con P(c)=0.8, se número de lanzamientos hasta obtener cara. En ese caso las imágenes
observa la v.a. X: “número de caras menos número de cruces”. posibles para X son:{1,2,3,4,5,6,…}
En ese caso las imágenes posibles son: 3, cuando hay 3 caras; 1, con P(X=1)=P(C1)=0.8
dos caras y una cruz; -1, con una cara y dos cruces y -3, con tres P(X=2)=P(X1,C2) =0.2 0.8=0.16
cruces. P(X=3)= P(X1,X2, C3) =0.2^2 0.8 =0.032
P(X=4)=P(X1,X2, X3,C4)=0.2^3 0.8=0.0064
P(X=-3)=P(xxx)=0.2^3=0.008. ……
P(X=-1)=P(cxx) 31 =0.8 0.2^2 3=0.096
P(X=1)=P(ccx) 32 =0.8^2 0.2 3=0.384 X P
P(X=3)=P(ccc)=0.8^3=0.512 1 0.8
2 0.2 0.8

X P 3 0.2^2 0.8

-3 0.008 4 0.2^3 0.8

-1 0.096 … …

1 0.384 k 0.2^(k-1) 0.8

3 0.512
…… ….
Suma=1
Suma=1
Esperanza o media de una v.a. E[X]
En el segundo ejemplo
La idea de esperanza es la idea de valor
X P
promedio. Se trata de representar al conjunto
de valores de la variable con un único valor. -3 0.008
Esto implica la pérdida de información. -1 0.096
Este valor se calcula así: 1 0.384
3 0.512
E[X]=Σ x P(X=x),
donde x representa cada valor de la variable. E[X]=Σ x P(X=x)=(-3)*0.008+(-1)*0.096+1*0.384+3*0.512=1.8

En el primer ejemplo
X P
0 0.008
En el tercer ejemplo
1 0.096
X P
2 0.384 E[X]=Σ x P(X=x)=1*0.8+2*0.2*0.8+3*0.2^2*0.8+….=1.25
1 0.8
3 0.512 Esta suma es una serie. Es posible que os aparezcan
2 0.2 0.8
series para sumar. Es aconsejable que estudiéis la
E[X]=Σ x P(X=x)= 3 0.2^2 0.8 serie geométrica, la suma de los infinitos términos
=0*0.008+1*0.096+2*0.384+3*0.512=2.4 y la suma de los k primeros términos, porque puede
4 0.2^3 0.8
salir .
… …
*La serie anterior no es geométrica.
 Vamos a calcular la función de probabilidad de ser Y=X2
Transformada de una v.a. Y=g(X)
¿Qué valores toma Y?
Si X=-3 Y=9
Supongamos que tenemos la variable Y=X2 P
Si X=-1 Y=1
aleatoria X con su distribución de probabilidad
Si X=1 Y=1 1 0.096+0.384=0.48
y que estamos interesados en una
Si X=3 Y=9 9 0.008+0.512=0.52
transformada de X, g(X) como pueden ser Y=X2
o Z=2X-1 o T=(X-1)2.
Se puede calcular su esperanza
Podemos decir que si X es una v.a., es decir es E[Y]= E[X2]= 1*0.48+9*0.52=5.16
un numero que está elegido por el azar,
Vamos a calcular la función de probabilidad de ser Z=2X-1
también lo es Y, dado que será un numero que
también estará elegido por el azar. ¿Qué valores toma Y? Z=2X-1 P
Tiene sentido obtener la función de Si X=-3 Z=-7 -7 0.008
probabilidad de Y. Si X=-1 Z=-3 -3 0.096
(Lo mismo de Z y T) Si X=1 Z=1
1 0.384
Si X=3 Z=5
Ejemplo: sea la v.a. X cuya función de probabilidad es: 5 0.512
Vamos a calcular la función de probabilidad de ser T=(X-1)2
X P
¿Qué valores toma Y?
-3 0.008 Si X=-3 T=16 T=(X-1)2 P
-1 0.096 Si X=-1 T=4 0 0.384
1 0.384 Si X=1 T=0 4 0.608
Si X=3 T=4
3 0.512 16 0.008
Esperanza de una transformada de una v.a. E[g(X)]
Varianza de una de una v.a. σ2(X)
Se trata de calcular la E[g(X)] sin necesidad de obtener su función
de distribución.
E[g(X)]=Σ g(x) P(X=x) σ2(X)=E[ (X-E[X])2 ]
Ejemplo: sea la v.a. X cuya función de probabilidad es: atajo de cálculo
X P
-3 0.008 σ2(X)=E[X2]-(E[X])2
-1 0.096
La varianza de una v.a. X es la media del cuadrado
1 0.384
de las distancias de sus valores a su media.
3 0.512 Es una medida de la cantidad de variación de la
variable.
E[X2]=Σ x2 P(X=x)=
En nuestro ejemplo
(-3)2*0.008+(-1)2*0.096+12*0.384+32*0.512=5.16
σ2(X)=E[X2]-(E[X])2 =5.16-1.82=1.92
!!CUIDADO!! Se llama desviación típica o estándar de la
No es lo mismo E[g(X)] que g(E[X]) variable a σ(X)= σ2(X)
Por ejemplo E[X2]≠ (E[X])2
En nuestro ejemplo
Propiedad de linealidad de la esperanza σ2(X)= σ2(X)= 1.92 = 1.38
La llamada de atención anterior tiene una excepción muy
práctica. PROPIEDAD DE LINEALIDAD DE LA VARIANZA
E[aX+b]=aE[X]+b σ2(aX+b)=a2 σ2(X)
En nuestro ejemplo E[2X-1]=2E[X]-1=2*1.8-1=2.6