Tema 2 - Variables Aleatorias - Feb 2024

Estadística Económica II. Tema 2: Variables Aleatorias y sus características.
Tema 2: Variables Aleatorias y sus características

1. Introducción
2. Variables aleatorias unidimensionales
3. Función de distribución
4. Variables aleatorias discretas
5. Variables aleatorias continuas
6. Valor esperado de variables aleatorias unidimensionales.
7. Momentos de variables aleatorias unidimensionales.
8. Varianza y sus propiedades.
9. Otras medidas unidimensionales de localización, dispersión y forma.
10. Variables aleatorias bidimensionales
11. Distribución de probabilidad bidimensional discreta, distribuciones
marginales y distribuciones condicionadas.
12. Independencia entre variables aleatorias.
13. Valor esperado de variables aleatorias bidimensionales. Momentos.
14. Covarianza y correlación
Departamento de Economía
José Javier Núñez Velázquez Nº 1
Introducción
Al estudiar un fenómeno aleatorio más que en la descripción y análisis de sus

resultados, el interés se centra en alguna función numérica de estos.
Por ejemplo, si un experimento consiste en lanzar una moneda n veces, más que la
secuencia de caras o cruces obtenidas, puede que nuestro interés se centre en el
número de caras obtenidas al lanzar la moneda n veces ( qué será un valor entre 0 y n).
En el control de calidad de una pieza, muchas veces interesa más estudiar el número de
piezas defectuosas producidas por la máquina en un día que la secuencia diaria de piezas
buenas/defectuosas. En un concesionario de automóviles suele estar más interesado en
el número de unidades vendidas al mes que en la secuencia diaria de estas ventas.
En los juegos de azar, el interés se centra en la pérdida o ganancia neta de un

jugador (es indiferente apostar cierta cantidad monetaria x al valor cara al lanzar una
moneda o al suceso salir par al lanzar un dado porque la cantidad de interés es ganar o
perder x unidades monetarias y en los dos casos, esto ocurre con la misma probabilidad.
Ahora, el interés se centra en funciones puntuales que toman valores numéricos,

es decir en funciones que asignarían a cada suceso elemental ωЄΩ un valor real. Este
tipo de funciones reciben el nombre de variables aleatorias
Variables aleatorias unidimensionales
Definición: Consideremos los espacios medibles (Ω,A)- asociado al fenómeno

aleatorio objeto de estudio- y (ℝ, β(ℝ)) siendo β(ℝ) el σ-álgebra de Borel en la recta real
ℝ. Se define una variable aleatoria X como una función medible de Ω en ℝ.
 ,  
X :  , , p   , P
 X   
  
X P  X  x   p  X 1  x    p  X    x   p    : X    x
Ω ℝ P  X  xi   P  Ai   : X  Ai   xi 
A1 x1 Es decir, una variable aleatoria es una función real de los
A2 resultados de un experimento aleatorio y las imágenes por
esta función de dichos resultados, se denominarán valores
A3 x3 de la variable aleatoria.
Como estos valores se corresponden con sucesos del espacio
x2
probabilístico, el cálculo de probabilidades de valores de las
variables aleatorias se reduce a obtener los sucesos que dan
como resultado dichos valores y obtener sus probabilidades
Variables aleatorias unidimensionales

Ejemplo 1: Consideramos el experimento aleatorio que consiste en
lanzar sucesivamente dos monedas al aire y observar el resultado.
Obtener la variable aleatoria definida como nº de caras obtenidas al
lanzar las dos monedas al aire
 Espacio muestral:   (C , C ), (C , ), (, C ), (, )
 σ-álgebra de sucesos: A  P   
Definimos la aplicación X    número de caras obtenidas
X :  
 x : 0,1, 2
X C , C   2 X  C ,    1  X  , C  X  ,    0
 1 1 1 1
 P  X  0  p  ,     p    p     .   P  X  0 
2 2 4 4
 1 1 1 1
 P  X  1  p  , C    C ,     p  , C   p  C ,       P  X  1 
 4 4 2 2
 1 1 1 1
 P  X  2  p  C , C    p  C  p  C   .   P  X  2 
2 2 4 4
P  X  k   p    0 k  0,1, 2

Función de distribución
La función de distribución es una generalización del concepto de frecuencia

relativa acumulada ascendente y su importancia radica en que caracteriza a la
variable aleatoria en el sentido de que podemos conocer su comportamiento
probabilístico a partir de ella
Definición: Sea X :    una variable aleatoria, entonces se define la
función de distribución de la variable aleatoria X, como una función
F :    0,1 x 
F  x   p  X  x   p    : X    x
p  X  x  1  p  X  x  1  F  x 
Siguiendo con el ejemplo 1, vamos a calcular su función de distribución
1 1
X :  
 x  0,1, 2 p  X  0  p  X  1 
4 2
1
   p  X  2  p  X  k   p    0 k  0,1, 2
0 1 2 4
   Si x  0  F  x   p  X  x   p  X  0  0
x0 1 2
1
Si 0  x  1  F  x   p  X  x   p  X  0 
   4
0 x 1 2
1 1 3
Si 1  x  2  F  x   p  X  x   p  X  0  p  X  1   
   4 2 4
0 1 x 2
Si x  2  F  x   p  X  x   p  X  0  p  X  1  p  X  2  1
  
0 1 2 x 0 si x0
1
 si 0  x  1

F  x   4
3 si 1  x  2
4
1 x2
José Javier Núñez Velázquez
 si
Nº 6
Propiedades de la Función de Distribución

1. F(+∞)=1
2. F(-∞)=0
3. F(.) es una función no decreciente.
4. F(.) es continua por la derecha, es decir F  x0   F  x0  x0 
Se puede probar que estas cuatro propiedades caracterizan a las

funciones de distribución, de modo que:
Si F(.) verifica 1.), 2.), 3.) y 4.) ⇔ F(.) es función de distribución
En cuanto al cálculo de probabilidades

p  X  xi   F  xi   F  xi  ; p  x1  X  x2   F  x2   F  x1 
p  x1  X  x2   F  x2   F  x1  ; p  x1  X  x2   F  x2   F  x1 
Distribución de probabilidad de variables

aleatorias discretas
Sea X una v.a. definida sobre un espacio probabilístico (Ω,A, p) y sea
F(.) su función de distribución.
Definición: Se dice que X :   es una variable aleatoria de tipo
discreto si toma un número finito o infinito numerable de valores.
Es decir, la probabilidad se reparte entre estos valores siendo cero la
probabilidad de que X tome los demás valores de ℝ. En estos puntos
se dice que existe masa de probabilidad.
Sean  x1 , x2 ,los valores que puede tomar la v.a. X y sean los sucesos
Ai     : X    xi  de modo que pi  p  Ai  i , entonces se tiene
Ai  Aj   i  j  Es un sistema completo de sucesos. Entonces


 i  i
i ) p  P X  x  p A  0 i
 i {pi, i=1,2,…} se le
Ai    denomina distribución
  
 
 de probabilidad o
 p  p( A )  p  Ai   p     1
i 1
ii)
función de cuantía de
i i
i 1 i 1 i 1 
X
Distribución de probabilidad de
variables aleatorias discretas
Una sucesión de valores reales {pi} es una función de cuantía, siempre
que verifique i) y ii). Es decir:
Definición: Sea X una v.a discreta, con valores x1, x2,… siendo
pi=p(X=xi). Entonces p(x) es una función de cuantía si verifica:
i ) pi  0 i

ii) pi  1
i 1
Ejemplo 2: Un lote de 100 lámparas contiene 10 lámparas

defectuosas. El minorista decide tomar 2 lámparas aleatoriamente, y
si ninguna de las dos es defectuosa entonces acepta el lote.
Definimos la variable aleatoria X como el número de lámparas
defectuosas en una selección aleatoria de 2 lámparas. Obtener la
distribución de probabilidad de la v.a. y su función de distribución
Representaciones gráficas
La gráfica de la función de cuantía de una variable aleatoria de tipo
discreto será un diagrama de barras:
pn ……………………….
p2 …………
p3 …………………
p1 …...
…
x1 x2 x3 xn
Representaciones gráficas
En cuanto a su función de distribución, se tiene
F  x   p  X  x    p  X  xi    pi i
xi  x xi  x
0 si x  x1
p si x1  x  x2
 1
 p1  p2 si x2  x  x3

F  x  
 n 1
 pi si xn 1  x  xn
 i 1
1 x  xn
 si
Variables aleatorias continuas
Hay muchas ocasiones en que la variable aleatoria puede tomar cualquier valor sobre
un intervalo de la recta real, es decir, puede tomar un número infinito de valores,
siendo la correspondiente variable aleatoria, de tipo continuo.
Las v.a. de tipo continuo se tratan de manera diferente a las de tipo discreto, ya que
en el caso continuo no es posible calcular la probabilidad en cada uno de los infinitos
posibles valores de la v.a. y que estas probabilidades sumen uno como en el caso
discreto. En este caso es necesario utilizar una aproximación diferente para llegar a
obtener la distribución de probabilidad de la v.a.
Ejemplo 3: Supongamos que una v.a. X nos mide los tiempos que
transcurren entre dos llegadas consecutivas, de 1000 autocares a
una estación de autobuses. Los tiempos son medidos con un
cronómetro de alta precisión que es capaz de medir el tiempo hasta
la milésima de segundo, siendo el tiempo máximo entre llagadas de 15
minutos.
En el límite, cuando la amplitud tiende a cero:
Función de densidad
La función f(x), cuya representación gráfica es la curva límite
correspondiente al histograma de frecuencias relativas es la función de
densidad de probabilidad o simplemente la función de densidad de la v.a.
continua X. El área bajo la curva es 1.
Definición: Sea X una v.a. de tipo continuo. Entonces si existe una
función f(x) tal que verifica:
1.  f  x   0 x  Diremos que f(x) es la función de
 densidad de la v.a. continua X.
2.   f  x  dx  1

p  a  X  b   f  x  dx
b
En el caso continuo p[X=x]=0. Las a
probabilidades se asignan a intervalos
no a puntos.
Como p[X=xi]= 0, entonces:
p  a  X  b  p  a  X  b    f  x  dx
b
Definición: Sea X una v.a. de tipo continuo y cuya función de densidad es
f(x). Se define la función de distribución de la variable aleatoria X, que
notaremos por F(x), como :
F  x   p  X  x    f  x  dx
x

Como la v.a. X es continua, entonces: F  x   p  X  x   p  X  x 

Departamento de Economía p  X  x  p  X  x  1  p  X  x  1  F  x 
Propiedades de la función de distribución
La función de distribución de una variable aleatoria X de tipo continuo,
verifica las siguientes propiedades:
1.  F     1
2.  F     0
3.  Si x1  x2  F  x1   F  x2 
4.  p  a  X  b    f  x  dx   f  x  dx   f  x  dx  F  b   F  a 
b b a
a  
dF  x 
5.   f  x   F´ x   f  x 
dx
Valor Esperado de una Variable Unidimensional

El concepto de valor esperado o esperanza matemática de una variable aleatoria
es uno de los más importantes en el estudio de las distribuciones de probabilidad.
Ejemplo 1: Supongamos un juego realizado de la siguiente forma:
1) Se lanza un dado
2) Si aparece un 1, el jugador gana 10€.
3) Si aparece 2, 3, 4 ó 5, el jugador pierde 3€.
4) Si aparece un 6, el jugador gana 2€.
Queremos saber si el juego es equitativo o justo, es decir, si en una
larga serie de jugadas un jugador no gana más que otro.
Veamos si el juego es justo:
X= Cantidad de euros que un jugador gana en el juego. x = 10, -3 y 2
P  X  10   p 1  1 xi pi Si calculamos la media ponderada de

6
10 1/6 los posibles valores de los resultados,
P  X  3  p 2,3, 4,5   4  2 -3 2/3 utilizando como ponderaciones la
6 3 proporción de veces que se presenta
2 1/6
P  X  2  p  6  1 un resultado particular, tenemos:
6
x1  P  X  x1   x2  P  X  x2   x3  P  X  x3   10 1 6   3  2 3  2 1 6  10 6  2  2 6  12 6  2  0

Según este resultado, podemos decir que no esperamos ni ganar ni perder en este
juego, es decir, la ganancia esperada es cero.
Si designamos por E[X] a la ganancia esperada, tenemos que:
E  X   10 1 6   3  2 3  2 1 6  0
es decir, la ganancia esperada es la suma ponderada, donde las ponderaciones son las
probabilidades asociadas a cada valor de la variable.
Basándonos en esta situación podemos dar la siguiente definición:
Definición de valor esperado o esperanza matemática

i.Caso Discreto Unidimensional:
Sea X una variable aleatoria con valores {x1, x2, … } y función de
cuantía {p1, p2, … }, entonces 
E  X    xi . pi
i 1
En el caso discreto, E[X] es la media ponderada de los posibles valores que
puede tomar la variable aleatoria X, donde los pesos son las probabilidades de
ocurrencia de sus posibles valores, y no es el valor que se espera que tome X, pues
puede suceder que E[X] no sea uno de los posibles valores de X.
ii. Caso Continuo Unidimensional

Si X es una variable aleatoria de tipo continuo, con función de
densidad f(x), definimos el valor esperado, E[X], como:

E  X    x  f  x   dx

En este caso, E[X] nos indica el centro de gravedad de la función de densidad, es
decir nos indicará el centro de gravedad de la distribución.
En ambos casos, el resultado de la Esperanza Matemática es un número
Muchas veces estamos interesados en obtener el valor esperado de alguna función,

g(x), de la variable aleatoria X y lo designaremos por E[g(X)]
Valor Esperado de cualquier función de una Variable Unidimensional
Sea X una variable aleatoria de tipo discreto con valores {x1, x2, … } y
función de cuantía {p1, p2, … }, y sea g(X) una función de X, entonces
definimos E[g(X)] como:

E  g  X     g  xi  . pi
i 1
Sea X una variable aleatoria de tipo continuo, con función de densidad

f(x), y sea g(X) una función de X, entonces definimos E[g(X)] como:

E  g  X     g  x  . f  x   dx

Propiedades de E(X)
1.- Si c es una constante, entonces E[c]=c.
E  c    c  pi  c   pi  c 1  c
i i
 
E  c    c  f  x   dx  c   f  x   dx  c 1  c
 
2.- E  cX   c.E  X  , si c  cte.

E  cX    c  xi  p  X  xi   c   xi  pi  c  E  X 
i i
 
E  cX    c  x  f  x   dx  c   x  f  x   dx  c  E  X 
 
3.- E  aX  b   a.E  X   b, si a, b  ctes.

E  aX  b     axi  b  p  X  xi   a  xi pi  b pi  aE  X   b
i i i
  
E  aX  b     ax  b  f  x  dx  a  xf  x  dx  b  f  x  dx  aE  X   b

Momentos de una variable aleatoria unidimensional
Dentro del contexto general de valor esperado, estudiaremos los momentos, que nos
proporcionarán información sobre las propiedades de la distribución de la variable
aleatoria. Los momentos nos permitirán hacer más fáciles las comparaciones entre dos
distribuciones. Corresponden al valor esperado de funciones potenciales.
Sea X una variable aleatoria unidimensional X :  

Momento de orden r con respecto al origen
 Caso Discreto

 i p  X  xi 
x r
 r  E  X r    i

CasoContinuo  x r f  x  dx
 
 0  E  X 0   1
1  E  X   
 2  E  X 2 
Momento de orden r con respecto a la media
 C.Discreto
  x  E  X  p  X  x 
r
 i i
r  E  X  E  X   
 
r
i 1
 
  x  E  X  f  x  dx

C.Continuo r
 
0  1
1  E  X  E  X   E  X   E  X   0
2  E  X  E  X    Var  X    2
 2
 
Momentos
Relación entre los momentos con respecto al origen y con

respecto a la media (µ)

• 2   2   2

• 3   3  3 2   2  3

• 4   4  4 3   6 2  2
 3 4
– Pueden deducirse del desarrollo de Newton de la potencia de un

binomio:

h  E X   
h
  h  j  h  h  j j 
 E    (1)   X    
h
( 1) j  h
  h  j  j
 j 0  j  j 0  j
Varianza y sus propiedades

 una variable aleatoria unidimensional, si definimos   E  X  ,
Sea X :   
entonces la varianza de X es:
 C.Discreto  x    p X  x 
2
 i i
Var  X   2  E  X      
 2 i 1
  
C.Continuo
  x    f  x  dx
2
 
Entre sus propiedades destacan las siguientes:
1.- Var  X   0
2.- Var  X   E  X 2    E  X    2   2
2
3.- Var  c   0, c  cte.

4.- Var  aX   a Var  X  , a  cte.
2
5.- Var  aX  b   a 2Var  X  , a, b  ctes.
Otras Medidas de Localización y Dispersión.
Todas las medidas estudiadas en el caso descriptivo se pueden obtener para las variables
aleatorias
X : 

Desviación Típica  ( X )   Var  X    2
 (X )  (X )
Coeficiente de Variación de Pearson CVX  
E( X ) 
Mediana  1
 Pr X  me  
2
– En el caso discreto: me tal que: 
Pr  X  me   1
 2
– En el caso continuo: me tal que : F me  

1
2
Otras Medidas de Localización y Dispersión.
Cuantil de orden p  Pr  X  x p   p

– En el caso discreto: x p tal que: 
Pr  X  x p   1  p
– En el caso continuo: x p tal que: F  x p   p  x p  F 1  p 
Moda relativa
Pr  X  xi   Pr  X  xi 1 

– En el caso discreto: Mo  xi tal que: 
Pr  X  xi   Pr  X  xi 1 

– En el caso continuo: f   Mo   0 y f   Mo   0
Moda absoluta
– Es la moda relativa que presenta mayor probabilidad (caso
discreto) o densidad de probabilidad (caso continuo) de todas
ellas.
Medidas de Forma
Medidas de Asimetría
  Mo
Coeficiente de asimetría de Pearson: f1 

(para distribuciones unimodales)
 X   3 
 E
Coeficiente de asimetría de Fisher: g1  33   
 3
• Si Indice = 0  Simetría
• Si Indice > 0  Asimetría positiva (o a la derecha)
• Si Indice < 0  Asimetría negativa (o a la izquierda)
31
José Javier Núñez Velázquez
Medidas de Forma
Medida de Curtosis o Apuntamiento

 X    4 
 E
Coeficiente de Curtosis de Fisher: g 2  44  3    3
 4

• Si g2>0  Más apuntamiento que la distribución normal: Leptocúrtica

• Si g2=0  Apuntamiento similar a la distribución normal: Mesocúrtica
• Si g2<0  Menos apuntamiento que la distribución normal: Platicúrtica
José Javier Núñez Velázquez 32
Variables aleatorias bidimensionales
En muchas ocasiones interesa estudiar el comportamiento conjunto de

dos variables aleatorias, intentando explicar la posible relación
existente entre ellas. Pero para estudiar conjuntamente las dos
variables, es decir, la variable aleatoria bidimensional, será necesario
conocer la distribución conjunta de ambas variables.
Ejemplo 4: Supongamos una caja que contiene 4 bombillas buenas y 1
defectuosa. Realizamos extracciones sin reemplazamiento, es decir, se
extrae aleatoriamente una bombilla de la caja se observa si es buena o
defectuosa, pero no se devuelve a la caja hasta después de que se ha
extraído la segunda bombilla.
X= Como es la 1ª bombilla extraída.
Y= Como es la 2ª bombilla extraída
0 si la bombilla es buena 0 si la bombilla es buena

X  Y 
1 si la bombilla es defectuosa 1 si la bombilla es defectuosa

Como se hacen dos extracciones, los casos posibles son 5x4=20
Probabilidad
Y
X 0 1 marginal de X
0 0.6 0.2 0.8
1 0.2 0 0.2
Probabilidad 0.8 0.2 1
marginal de Y

P  X  0, Y  0   P  X  0  .P Y  0
4 3
 .  0.6
X 0 5 4 

P  X  0, Y  1  P  X  0  .P Y  1
4 1

 .  0.2
X 0 5 4

P  X  1, Y  0   P  X  1 .P Y  0
1 4

 .  0.2
X 1 5 4

P  X  1, Y  1  P  X  1 .P Y  1 
1 0
 . 0
X 1 5 4
Vamos a estudiar modelos de probabilidad que contengan más de una variable
aleatoria. Estos modelos reciben el nombre de multivariantes o n-variantes.

Definición: Se dice que (X,Y) es una variable aleatoria bidimensional
sobre un espacio probabilístico (Ω, A, p) si y sólo si X e Y son a su vez
variables aleatorias unidimensional definidas sobre el mismo espacio
probabilístico.
 , 
 X , Y  :  , , p  
2 2
, P
      x1 , x2 
Definición: Sea (X,Y) es una v.a. bidimensional, asociada a ella definimos

una función real F(x, y) que llamaremos función de distribución de la v.a
(X, Y) como:
F : 2    0,1 y
---------------- (x, y)
 F  x, y   P  X  x , Y  y 
----------------
 x, y  
F  x, y   P  X  x, Y  y   x
 p    : X    x     : Y    y

La función de distribución de la variable aleatoria bidimensional (X, Y)
tiene las siguientes propiedades:
1. F(+∞, +∞)=1
2. F(- ∞, y)=0, F(x, - ∞)=0.
3. F es monótona no decreciente para cada variable aleatoria

Si x1  x2  F  x1 , y   F  x2 , y 
Si y1  y2  F  x, y1   F  x, y2 
4. La función de distribución es continua a la derecha de cada variable. Es
decir: F  x  , y    F  x, y    x, y   x
5. P  a  X  b, c  Y  d   F  b, d   F  b, c   F  a, d   F  a, c 
es una cantidad comprendida entre 0 y 1 a, b, c, d  ab y cd
Distribución de probabilidad bidimensional discreta

Son aquellas que sólo toman un número finito o infinito numerable de valores.
Definición: Diremos que la variable aleatoria bidimensional (X,Y) es

discreta, cuando cada una de sus componentes es a su vez una variable
aleatoria (unidimensional) discreta.
Los valores que toma la variable (X,Y), serán todas las parejas {(xi, yj)} que se puedan
formar con los valores que toman cada una de las v.a. X e Y. A cada una de las parejas (xi, yj)
le asignaremos su probabilidad
P  xi , y j   P  X  xi , Y  y j   p    : X    xi      : Y    y j   pij
Definición: La distribución de probabilidad bidimensional o distribución

de probabilidad conjunta de la variable aleatoria bidimensional discreta
es una función p(xi, yj) que asigna las probabilidades a los diferentes
valores conjuntos de la v.a. bidimensional (X, Y) de tal manera que se
verifiquen las dos condiciones siguientes: 1.  p  o i, j
ij
2.   pij  1
Departamento de Economía i j
Distribución de probabilidad bidimensional discreta
Existe una estrecha relación entre la función de cuantía y la función de distribución.

Sabemos que:
F  x, y   p  X  x , Y  y 
p  X  x, Y  y    p  xi , y j  : xi  x, y j  y     p  xi , y j      pij

i j x x y  y
i j ix x y  y
j
F  x, y   p  X  x, Y  y     pij
xi  x y j  y
Distribuciones marginales discretas

Definición: Dada una variable aleatoria bidimensional (X,Y) cuya función
de distribución es F(x, y), se llama función de distribución marginal de X
a: Y X=x
F1  x   F  x,    p  X  x, Y   
La función de distribución marginal de X nos da la
probabilidad de que X ≤ x , con independencia de los
valores que tome Y. Físicamente, es la cantidad de masa
que hay en el plano a la izquierda de x.
X
y se llama función de distribución marginal de Y a:
Y
F2  y   F  , y   p  X  , Y  y 
Y=y
La función de distribución marginal de Y nos da la
probabilidad de que Y ≤ y , con independencia de los
valores que tome X. Físicamente, es la cantidad de masa
que hay en el plano por debajo de y.
X

Si la variable aleatoria bidimensional (X,Y) es de tipo discreto y toma valores (xi, yj),
entonces si
pij  P  X  xi , Y  y j 
Entonces, para obtener la función de cuantía marginal de X hay que calcular los
pi  P  X  xi   P  X  xi , Y  y1   P  X  xi , Y  y2    pi1  pi 2    pij

j
Es decir pi. es la probabilidad de que la variable aleatoria X tome el valor xi con
independencia del valor que tome la variable Y, por tanto:
pi  P  X  xi    pij
j
Además:
1.  pi  o i
2.   pi  1
i
A la colección de números {pi.} se llama distribución probabilidad marginal de la variable

aleatoria X.
La función de distribución marginal de X, será:
La función de distribución marginal de X, será:
F1  x   F  x,    p  X  x, Y     p  X  x1   p  X  x2     pi    pij
xi  x xi  x j
Por tanto:
F1  x   F  x,      pij
xi  x j
Análogamente, la colección de números {p.j} se llama distribución probabilidad marginal de

la variable aleatoria Y.
La función de distribución marginal de Y, será:
p j  P Y  y j   P  X  x1 , Y  y j   P  X  x2 , Y  y j    pij  p2 j    pij

i
Es decir p.j es la probabilidad de que la variable aleatoria Y tome el valor xj con

independencia del valor que tome la variable X, por tanto:
p j  P Y  y j    pij 1.  p j  o j
Además:
i
2.   p j  1
j
La función de distribución marginal de Y será:
F2  y   F  , y   p  X  , Y  y   p Y  y1   p Y  y2    p j  p ij
yj y yj y i
Distribuciones condicionadas
En apartados anteriores hemos estudiado el comportamiento conjunto e individual de
las variables aleatorias que componían la variable aleatoria bidimensional, obteniendo las
distribuciones conjuntas y marginales. Ahora nos interesa conocer como se distribuye una
de las variables cuando se imponen condiciones a la otra y esto nos llevará al estudio de las
distribuciones condicionadas.
P  B  A
Sabemos que: P  B / A  , P  A  0
P  A
Por analogía con esta definición y considerando la v.a. bidimensional (X, Y) de tipo
discreto con su correspondiente distribución de probabilidad conjunta p(xi, yj), se define:
P  X  xi , Y  y j 
P  xi / Y  y j   P  X  xi / Y  y j   ; P Y  y j   0
pij

P Y  y j  p j
Representa la distribución de probabilidad condicionada de la v.a. X bajo la
condición de que Y=yj.
Análogamente, la distribución de probabilidad condicionada de la v.a. Y bajo la
condición de que X=xi se define como:.
P  X  xi , Y  y j 
P  y j / X  xi   P Y  y j / X  xi  
pij
 ; P  X  xi   0
P  X  xi  pi
Distribuciones condicionadas
Evidentemente:
P  xi / Y  y j   0
P  y j / X  xi   0
Además: p ij
 Px /Y  y    p
pij p j
i j  i
 1
i i j p j p j
p ij
 P  y j / X  xi   
pij pi
  1
j
j j pi pi pi

Luego son efectivamente distribuciones de probabilidad.
Función de distribución condicionada de X/Y=yj:

P  X  x, Y  y j   Px , y   p i j ij
F x /Y  yj   P X  x /Y  yj  
xi  x xi  x
  ; p j  0
P Y  y j  P Y  y  p j j
Función de distribución condicionada de Y/X=xi:

 Px , y   p
P Y  y, X  x 
i j ij
F  y / X  x   P Y  y / X  x  
yj y yj y
  i
; pi  0
P  X  xi  P  X  xi 
i i
pi
Independencia
Decíamos que dos sucesos A y B eran independientes si y sólo si:
P  A  B   P  A  .P  B 
De manera análoga podemos definir la independencia de variables aleatorias:
Definición: Sea (X, Y) una variable aleatoria cuya función de

distribución es F(x, y) y sus funciones de distribución marginales son
F1(x) y F2(y) respectivamente. Diremos que
X e Y son independientes  F  x, y   F1  x  .F2  y    x, y 
Si X e Y son variables aleatorias de tipo discreto y pij=p(xi, yj)

X e Y son independientes  pij  pi . p j   i, j 
Valor Esperado de una Variable Bidimensional discreta
Sea (X, Y) una variable. de tipo discreto, con valores  x , y 

i j i, j y distribución de
probabilidad p
ij 
 p  X  xi , Y  y j  i, j , siendo g(., .) una función (X, Y), se tiene:
 
E  g  X , Y    g  xi , y j  . pij
i 1 j 1
De modo que las medias marginales serán:
Esperanza marginal de X Si g(X, Y)=X, entonces
 
E  X   E  g  X , Y     g  xi , y j  . pij    xi . pij   xi   pij    xi pi
i j i j i  j  i
Esperanza marginal de X Si g(X, Y)=Y, entonces
 
E Y   E  g  X , Y     g  xi , y j  . pij    y j . pij   y j   pij    y j p j
i j i j j  i  j
Propiedades
1.- E  X  Y   E  X   E Y 
2.-  n  n
E   ai X i    ai .E  X i 
 i 1  i 1
3.- Si X e Y son independientes, entonces: E  X .Y   E  X   E Y 
Momentos de una variable aleatoria bidimensional
Sea (X, Y) una variable aleatoria bidimensional
 X , Y  :  
 2
Momento de orden (p,q) con respecto al origen
 pq  E  X pY q    xip y qj pij
i j
 00  E  X 0Y 0   1
10  E  X 1Y 0   E  X  Media marginal de X
 01  E  X 0Y 1   E Y  Media marginal de Y
11  E  X 1Y 1   E  X Y 
Momentos de una variable aleatoria bidimensional
Momentos centrados de orden (p,q)
 E  X  E  X  Y  E Y     xi  E  X   y j  E Y  pij
 
p q p q
 pq
  i j
00  1
10  01  0
20  E  X  E  X    Var  X  Varianza marginal de X
 2
 
02  E Y  E Y    Var Y  Varianza marginal de Y
 2
 
11  E  X  E  X  Y  E Y    Cov  X , Y 
 1 1
 
Covarianza
Se define la covarianza de una variable aleatoria bidimensional de

tipo discreto, como:
Cov  X , Y   11  E  X   X Y  Y      xi   X   y j  Y  pij

i j
Propiedades
1.- Cov  X , Y   11   X  Y
Cov  X , Y   E  X   X Y  Y   E  XY  X Y   X Y   X Y  
 E  XY   Y E  X    X E Y    X Y  E  XY   Y  X   X Y   X Y  11   X  Y
2.-Si X e Y son independientes, entonces Cov(X, Y)=0

Por ser X e Y independientes
E  XY   E  X  E Y   E  XY   E  X  E Y   0  Cov  X , Y   E  XY   E  X  E Y   0
Covarianza
Propiedades
3.- Var  X  Y   Var  X   Var Y   2Cov  X , Y 
Var  X  Y   E  X  Y    Y  Y    E  X   X   Y  Y   
2 2
 E  X   X   Y  Y   2  X   X Y  Y   
2 2
 
 E  X   X    E Y  Y    2 E  X   X Y  Y   
2 2
   
 Var  X   Var Y   2Cov  X , Y 
4.-Si X e Y son independientes, entonces Var  X  Y   Var  X   Var Y 
Por ser X e E independientes, entonces Cov(X, Y)=0
Var  X  Y   Var  X   Var Y   2Cov  X , Y   Var  X   Var Y 
 n  n 2
5.- Var   ai X i    ai .Var (X i )   ai a j Cov( X i , X j )
 i 1  i 1 i j
Correlación
Se define el coeficiente de correlación lineal de Pearson de una

variable aleatoria bidimensional como:
Cov( X , Y )
  X ,Y  
 ( X ) (Y )
Propiedades
1.- 1   ( X , Y )  1
2.- Si X e Y son independientes, entonces ρ(X, Y)=0
X , Y independientes  Cov( X , Y )  0   ( X , Y )  0

Tema 2 - Variables Aleatorias - Feb 2024

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 2 - Variables Aleatorias - Feb 2024

Cargado por

Copyright:

Formatos disponibles

Estadística Económica II. Tema 2: Variables Aleatorias y sus características.

Tema 2: Variables Aleatorias y sus características

Al estudiar un fenómeno aleatorio más que en la descripción y análisis de sus

En los juegos de azar, el interés se centra en la pérdida o ganancia neta de un

Ahora, el interés se centra en funciones puntuales que toman valores numéricos,

Variables aleatorias unidimensionales

Definición: Consideremos los espacios medibles (Ω,A)- asociado al fenómeno

Variables aleatorias unidimensionales

La función de distribución es una generalización del concepto de frecuencia

Siguiendo con el ejemplo 1, vamos a calcular su función de distribución

Propiedades de la Función de Distribución

Se puede probar que estas cuatro propiedades caracterizan a las

En cuanto al cálculo de probabilidades

Distribución de probabilidad de variables

Ai  Aj   i  j  Es un sistema completo de sucesos. Entonces

Ejemplo 2: Un lote de 100 lámparas contiene 10 lámparas

Variables aleatorias continuas

Variables aleatorias continuas

Variables aleatorias continuas

Variables aleatorias continuas

Variables aleatorias continuas

En el límite, cuando la amplitud tiende a cero:

Como la v.a. X es continua, entonces: F  x   p  X  x   p  X  x 

Valor Esperado de una Variable Unidimensional

P  X  10   p 1  1 xi pi Si calculamos la media ponderada de

Valor Esperado de una Variable Unidimensional

Definición de valor esperado o esperanza matemática

Valor Esperado de una Variable Unidimensional

ii. Caso Continuo Unidimensional

En ambos casos, el resultado de la Esperanza Matemática es un número

Muchas veces estamos interesados en obtener el valor esperado de alguna función,

Valor Esperado de cualquier función de una Variable Unidimensional

Sea X una variable aleatoria de tipo continuo, con función de densidad

2.- E  cX   c.E  X  , si c  cte.

3.- E  aX  b   a.E  X   b, si a, b  ctes.

Momentos de una variable aleatoria unidimensional

Momento de orden r con respecto al origen

Momentos de una variable aleatoria unidimensional

Momento de orden r con respecto a la media

Momentos de una variable aleatoria unidimensional

Relación entre los momentos con respecto al origen y con

– Pueden deducirse del desarrollo de Newton de la potencia de un

Varianza y sus propiedades

Entre sus propiedades destacan las siguientes:

3.- Var  c   0, c  cte.

5.- Var  aX  b   a 2Var  X  , a, b  ctes.

Otras Medidas de Localización y Dispersión.

Desviación Típica  ( X )   Var  X    2

– En el caso continuo: me tal que : F me  

Otras Medidas de Localización y Dispersión.

– En el caso continuo: x p tal que: F  x p   p  x p  F 1  p 

Medida de Curtosis o Apuntamiento

• Si g2>0  Más apuntamiento que la distribución normal: Leptocúrtica

Variables aleatorias bidimensionales

En muchas ocasiones interesa estudiar el comportamiento conjunto de

0 si la bombilla es buena 0 si la bombilla es buena

Variables aleatorias bidimensionales

Variables aleatorias bidimensionales

Definición: Sea (X,Y) es una v.a. bidimensional, asociada a ella definimos

Variables aleatorias bidimensionales

2. F(- ∞, y)=0, F(x, - ∞)=0.

3. F es monótona no decreciente para cada variable aleatoria

es una cantidad comprendida entre 0 y 1 a, b, c, d  ab y cd