TEMA 3:

VARIABLES ALEATORIAS
[1]
Estructura del tema
3.1. Concepto de variable aleatoria
3.2. Variables aleatorias discretas.
3.3. Variables aleatorias continuas.
3.4. Medidas de una variable aleatoria.
3.5. Transformaci on de una variable aleatoria.
3.6. Variables aleatorias bidimensionales.
3.7. Independencia de variables aleatorias.
[:]
3.1. Concepto de variable aleatoria
Desde siempre, los seres humanos han intentado reducir todo lo que ocurre a su
alrededor a magnitudes comparables; es decir, a n umeros reales.
La idea de variable aleatoria es representar los resultados de un experimento
aleatorio como valores num ericos.
Experimento aleatorio: Lanzar un dado.
Variable aleatoria: puntuaci on obtenida al lanzar el dado.
Experimento aleatorio: Lanzar una moneda tres veces.
Variable aleatoria: n umero de caras que se obtienen al lanzar una moneda
tres veces.
Experimento aleatorio: medir el tiempo de acceso a una p agina web.
Variable aleatoria: tiempo de acceso en segundos.
[]
3.1. Concepto de variable aleatoria
Las variables aleatorias asignan n umeros a los resultados que se pueden obtener
al realizar un experimento aleatorio.
Las variables aleatorias son importantes porque:
a) Nos permiten manejar con mayor facilidad los experimentos aleatorios, ya
que convierten en valores num ericos los resultados.
b) Nos permiten estudiar simult aneamente experimentos aparentemente distin-
tos pero que comparten caractersticas comunes.
Denici on de variable aleatoria
Una variable aleatoria es una funci on X: IR, que asocia un n umero real,
X(), a cada resultado del espacio muestral, , de un experimento aleatorio.
El n umero X() se llama imagen del resultado .
El conjunto X( ) se llama imagen del espacio muestral .
Se llama aleatoria porque al no conocer el resultado del experimento antes de
realizarlo, tampoco conocemos el valor que va a tomar la variable.
[]
3.1. Concepto de variable aleatoria. Probabilidad inducida
Ejemplo 1: Consideremos el lanzamiento de dos monedas equilibradas, y deni-
mos la v.a. (variable aleatoria) X: n umero de caras obtenidas al lanzar las dos
monedas
X: IR
{CC} 2
{CF} 1
{FC} 1
{FF} 0
Sea un espacio muestral sobre cuyos subconjuntos tenemos denida una pro-
babilidad P y sea X una variable aleatoria denida sobre dicho espacio. La va-
riable X induce en el conjunto de los n umeros reales una probabilidad P
X
que
a cada conjunto A de n umeros reales le asigna un valor P
X
(A), denido de la
forma:
P
X
(A) = P(X
1
(A)) = P( : X() A) = P(X A)
La probabilidad inducida por la variable aleatoria del ejemplo 1 es:
P
X
(0) = P(X = 0) = P({FF}) = 1/4
P
X
(1) = P(X = 1) = P({CF} {FC}) = 2/4
P
X
(2) = P(X = 2) = P({CC}) = 1/4
[]
3.1. Concepto de variable aleatoria. Clasicaci on de las variables aleatorias
Llamaremos rango de una variable aleatoria , y lo notaremos D
X
, al conjunto de
valores que puede tomar dicha variable aleatoria en IR.
Seg un el rango clasicaremos las variables aleatorias en dos tipos.
Variables aleatorias

discretas (valores aislados)

n
nitas
innitas numerables
continuas (cualquier valor en un intervalo)
n
acotadas
no acotadas
Ej.: n umero de piezas defectuosas
Ej.: duraci on de un componente de una m aquina
[6]
3.2. Variables aleatorias discretas
Una variable aleatoria es discreta si toma un n umero nito o innito numerable
de valores reales, D
X
= {x
1
, x
2
, . . . , x
k
, . . .}, y la suma de las probabilidades que
asigna a esos valores es la unidad:
X
x
i
D
X
P
X
(x
i
) =
X
x
i
D
X
P(X = x
i
) = 1
Asociada a una variable aleatoria discreta se puede denir una funci on
p: IR [0, 1]
denida como
p(x) =

P
X
(x) = P(X = x) x D
X
0 x 6 D
X
Esta funci on se llama funci on de masa de probabilidad.
A los puntos que reciben probabilidad positiva se denominan puntos de masa de
probabilidad.
[]
3.2. Variables aleatorias discretas
Para cualquier subconjunto B IR, se tiene que
P
X
(B) =
X
x
i
D
X
B
P(X = x
i
)
Como caso particular, la probabilidad del subconjunto B = (, x], es la suma
de las probabilidades de todos los puntos de masa inferiores o iguales a x
P(X x) =
P
x
i
x
P(X = x
i
)
Asociada a una variable aleatoria discreta se puede denir una funci on
F: IR [0, 1]
denida como F(x) = P(X x) =
X
x
i
x
P(X = x
i
)
Esta funci on se llama funci on de distribuci on de la v.a. X.
[8]
3.2. Variables aleatorias discretas
Esta funci on verica que :
(1) Es no decreciente: Si x, y IR tales que x < y F(x) F(y)
(2) Es continua por la derecha: Para todo a IR, lim
xa
+
F(x) = F(a)
(3) lim
x
F(x) = 0 y lim
x+
F(x) = 1
A partir de la funci on de masa es f acil obtener la funci on de distribuci on.
Ejemplo 2: Sea X la variable aleatoria: n umero de motores averiados en cierta
m aquina compuesta por tres motores
El rango de la variable D
X
= {0, 1, 2, 3} con probabilidades
P(X = 0) = 0.512, P(X = 1) = 0.384, P(X = 2) = 0.096, P(X = 3) = 0.008
Funci on de masa:
p(x) =

0.512 si x = 0
0.384 si x = 1
0.096 si x = 2
0.008 si x = 3
0 en cualquier otro caso
[]
3.2. Variables aleatorias discretas
Vamos a calcular la funci on de distribuci on:
Si x < 0, F(x) = 0
Si 0 x < 1, F(x) = p(0) = 0.512
Si 1 x < 2, F(x) = p(0) + p(1) = 0.896
Si 2 x < 3, F(x) = p(0) + p(1) + p(2) = 0.992
Si x 3, F(x) = p(0) + p(1) + p(2) + p(3) = 1
Por tanto,
F(x) =

0 si x < 0
0.512 si 0 x < 1
0.896 si 1 x < 2
0.992 si 2 x < 3
1 si x 3
1 1 2 3 4
0.2
0.4
0.6
0.8
1.0
La funci on de distribuci on de una v.a. discreta es discontinua a tramos constan-
tes, es decir, escalonada.
[1o]
3.2. Variables aleatorias discretas
Hemos visto c omo a partir de la funci on de masa obtenemos la funci on de distri-
buci on.
Recprocamente, apartir delafunci ondedistribuci onpodemosobtener lafunci on
de masa teniendo en cuenta que
p(x
i
) = P(X x
i
) P(X < x
i
) = F(x
i
) lim
xx

i
F(x)
Al lmite lim
xx

i
F(x) lo notaremos por F(x

i
), por lo que p(x
i
) = F(x
i
) F(x

i
).
De la anterior igualdad se deduce que:
p(x
i
) = 0 si y s olo si x
i
es un punto de continuidad de F.
p(x
i
) > 0 si y s olo si x
i
es un punto de discontinuidad de F y, adem as p(x
i
) es
el valor del salto de F en x
i
.
Por tanto, los puntos de masa de probabilidad o puntos con probabilidad positiva
coinciden con los puntos de discontinuidad de la funci on de distribuci on.
Como una variable aleatoria discreta s olo toma un conjunto nito o innito nume-
rable de valores, su funci on de distribuci on tiene a lo sumo un conjunto innito
numerable de discontinuidades, de salto nito, y la suma de los valores de todos
los saltos es la unidad.
[11]
3.2. Variables aleatorias discretas
Ejemplo 3: Calcular la funci on de masa de la variable aleatoria X cuya funci on de
distribuci on viene dada por
F(x) =

0 si x < 1
1/6 si 1 x < 1
2/3 si 1 x < 3
1 si x 3
4 2 2 4
0.2
0.4
0.6
0.8
1.0
Los puntos con probabilidad positiva son los puntos de discontinuidad de F,
x = 1, 1, 3, y sus probabilidades son
p(1) = P(X = 1) = F(1) F(1

) = 1/6
p(1) = P(X = 1) = F(1) F(1

) = 2/3 1/6 = 1/2

p(3) = P(X = 3) = F(3) F(3

) = 1 2/3 = 1/3
Por tanto, la funci on de masa de X es p(x) =

1/6 si x = 1
1/2 si x = 1
1/3 si x = 3
0 en cualquier otro caso
[1:]
3.2. Variables aleatorias discretas
Una v.a. discreta queda totalmente determinada si conocemos su rango D
X
y su
funci on de masa o su funci on de distribuci on.
Se llama distribuci on de probabilidad de una variable aleatoria X al conjunto de
valores que toma la v.a. y a su funci on masa, o bien, al conjunto de valores que
toma la v.a. y a su funci on de distribuci on.
C omocalcular probabilidadesdeintervalosatrav esdelafunci ondedistribuci on
F de una v.a. X?
P(X = a) = F(a) F(a

) siendo F(a

) = lim
xa

F(x)
P(X a) = F(a) P(X < a) = F(a

)
P(X > a) = 1 F(a) P(X a) = 1 F(a

)
P(a < X b) = F(b) F(a) P(a X < b) = F(b

) F(a

)
P(a < X < b) = F(b

) F(a) P(a X b) = F(b) F(a

)
para todo a, b IR tales que a < b.
[1]
3.2. Variables aleatorias discretas
En el ejemplo 2:
P(X = 1) = F(1) F(1

) = 0.896 0.512 = 0.384

P(X = 0.5) = F(0.5) F(0.5

) = 0.512 0.512 = 0
P(1 < X 3) = F(3) F(1) = 1 0.896 = 0.104
= P(X = 2) + P(X = 3) = 0.096 + 0.008 = 0.104
P(1 X 3) = F(3) F(1

) = 1 0.512 = 0.488
= P(X = 1) + P(X = 2) + P(X = 3) =
= 0.384 + 0.096 + 0.008 = 0.488
P(1 < X < 3) = F(3

) F(1) = 0.992 0.896 = 0.096

= P(X = 2) = 0.096
P(1 X < 3) = F(3

) F(1

) = 0.992 0.512 = 0.48

= P(X = 1) + P(X = 2) = 0.384 + 0.096 = 0.48
[1]
3.3. Variables aleatorias continuas
Cuando el conjunto de valores que puede tomar una variable aleatoria es innito
no numerable, no tienen sentido considerar expresiones del tipo
P
P(X = x
i
).
Una variable aleatoria X es continua si asigna probabilidades positivas a inter-
valos de n umeros reales y asigna probabilidad cero a cualquier n umero real.
X es una variable aleatoria continua si y s olo si existe una funci on f: IR IR,
llamada funci on de densidad de probabilidad de X o simplemente funci on de
densidad de X, que verica:
(1) f(x) 0 para todo x (no puede tomar valores negativos )
(2)
R

f(x) dx = 1 (el area entre su gr aca y el eje de abscisas es igual a la unidad)

(3) P(a X b) =
R
b
a
f(x)dx (da a cada intervalo [a, b] de n umeros reales una probabilidad
igual al area bajo la curva de la funci on de densidad en el intervalo [a, b])
Una distribuci oncontinuaasigna al intervalo[a, b] la misma probabilidadque a los intervalos
(a, b), [a, b) y (a, b]
[1]
3.3. Variables aleatorias continuas
PXa

0
a
fxx
a 0
PaXb

a
b
fxx
b a
PXb

fxx
b
rea=Probabilidad
Ejemplo 4: Sea X la v.a. tiempo de vida, en horas, de un cierto tipo de bateras,
cuya funci on de densidad es:
f(x) =

0.001 e
0.001 x
si x > 0
0 en otro caso
1000 2000 3000 4000 5000 6000
horas
0.0002
0.0004
0.0006
0.0008
0.0010
fx
[16]
3.3. Variables aleatorias continuas
La funci on de distribuci on de una v.a. continua con funci on de densidad f se
calcula de la forma
F(x) = P(X x) =
Z
x

f(t) dt
y es una funci on continua.
De la denici on anterior, por el teorema fundamental del C alculo, se deduce que
F
0
(x) = f(x)
en todos los puntos donde sea derivable la funci on de distribuci on.
Ejemplo (C alculo de la funci on de distribuci on a partir de la funci on de densidad):
Sea X la v.a. considerada en el ejemplo 4.
La funci on de distribuci on de esta variable es:
F(x) =

0 si x < 0
Z
x

0.001 e
0.001 t
dt = 1 e
0.001 x
si x 0
1000 2000 3000 4000 5000 6000
horas
0.2
0.4
0.6
0.8
1.0
Fx
[1]
3.3. Variables aleatorias continuas
Ejemplo 5 (C alculo de la funci on de densidad a partir de la funci on de distri-
buci on):
Sea X una variable aleatoria continua cuya funci on de distribuci on est a denida
por
F(x) =

0 si x < 1/2
x +
1
2
si
1
2
x < 0
x
4
+
1
2
si 0 x < 2
1 si x 2
1.0 0.5 0.5 1.0 1.5 2.0 2.5
x
0.2
0.4
0.6
0.8
1.0
Fx
La funci on de densidad de X la obtenemos derivando su funci on de distribuci on
(en los puntos en los que sea derivable)
f(x) =

1 si
1
2
< x < 0
1
4
si 0 < x < 2
0 en cualquier otro caso
1 0.5 0.5 1 1.5 2 2.5 3
x
0.25
0.5
0.75
1
fx
[18]
3.3. Variables aleatorias continuas
Ejemplo 6: Sea X una variable aleatoria continua cuya funci on de densidad viene
dada por la siguiente expresi on
f(x) =
(
c x si 0 x < 3
c (6 x) si 3 x < 6
0 en cualquier otro caso
donde c es una constante.
Para que esta funci on sea una funci on de densidad se debe vericar que
R

f(x) dx = 1, por lo que

1 =
Z

f(x) dx =
Z
3
0
c x dx +
Z
6
3
c (6 x) dx c =
1
9
1 2 3 4 5 6 7
x
0.05
0.10
0.15
0.20
0.25
0.30
fx
Calculamos la funci on de distribuci on:
Si x < 0, F(x) = 0
Si 0 x < 3, F(x) =
Z
x
0
f(t) dt =
Z
x
0
1
9
t dt =
x
2
18
Si 3 x < 6, F(x) =
Z
3
0
1
9
t dt +
Z
x
3
1
9
(6 t) dt =
18 (6 x)
2
18
Si x 6, F(x) =
Z
3
0
1
9
t dt +
Z
6
3
1
9
(6 t) dt = 1
[1]
3.3. Variables aleatorias continuas
La funci on de distribuci on es:
F(x) =

0 si x < 0
x
2
18
si 0 x < 3
18 (6 x)
2
18
si 3 x < 6
1 si x 6
1 2 3 4 5 6 7
x
0.2
0.4
0.6
0.8
1.0
Fx
Calculamos las probabilidades de algunos conjuntos:
P(X < 2) =
Z
2
0
1
9
x dx =
1
9
h
x
2
2
i
2
0
=
2
9
; P(X = 2.5) =
Z
2.5
2.5
1
9
x dx =
1
9
h
x
2
2
i
2.5
2.5
= 0
P(X > 3) =
Z
6
3
1
9
(6 x) dx =
1
9
h
6x
x
2
2
i
6
3
=
1
2
P(1.5 X 4.5) =
Z
3
1.5
1
9
x dx +
Z
4.5
3
1
9
(6 x) dx =
1
9
h
x
2
2
i
3
1.5
+
1
9
h
6x
x
2
2
i
4.5
3
=
3
4
P(1 < X 6) =
Z
3
1
1
9
x dx +
Z
6
3
1
9
(6 x) dx =
1
9
h
x
2
2
i
3
1
+
1
9
h
6x
x
2
2
i
6
3
=
17
18
[:o]
3.3. Variables aleatorias continuas
Si X es una v.a. continua, la funci on de distribuci on F es continua, por lo que
F(a

) = F(a).
En este caso las probabilidades de los intervalos y valores reales se pueden
calcular mediante las siguientes f ormulas:
P(X = a) = 0
P(X a) = P(X < a) = F(a)
P(X a) = P(X > a) = 1 F(a)
P(a < X b) = P(a X < b) = P(a < X < b) = P(a X b) =
= F(b) F(a)
para todo a, b IR tales que a < b.
En el ejemplo 5 las probabilidades anteriores tambi en podran haberse calculado
de la siguiente forma:
P(X < 2) = F(2) =
2
9
P(X = 2.5) = F(2.5) F(2.5) = 0
P(X > 3) = 1 P(X 3) = 1 F(3) = 1 1/2 = 1/2
P(1.5 X 4.5) = F(4.5) F(1.5) = 0.875 0.125 = 0.75
P(1 < X 6) = F(6) F(1) = 1
1
18
=
17
18
[:1]
Resumen
Clasicaci on de las variables aleatorias :
Discretas:
Toman un conjunto nito o innito numerable de valores.
Se dene para ellas la funci on de masa, que es no negativa y sus valores
deben sumar 1.
La funci on de distribuci on es discontinua y escalonada (a tramos constan-
tes).
Los puntos de discontinuidad de la funci on de distribuci on coinciden con
los valores que toma la variable, por lo que la suma de todos los saltos de la
funci on de distribuci on es 1.
Continuas:
Toman un conjunto innito no numerable de valores, es decir, toman cual-
quier valor de un intervalo de la recta real.
Asignan probabilidad nula a cualquier n umero real.
Se dene para ellas la funci on de densidad, que es no negativa y su integral
en toda la recta real debe ser 1.
La funci on de distribuci on es continua.
[::]
3.4. Medidas de una variable aleatoria
Medidas de posici on

Medidas centrales

Esperanza matem atica o media

Mediana
Moda
Percentiles y Cuartiles
Medidas de dispersi on

Varianza
Desviaci on tpica
[:]
3.4. Medidas de posici on de una variable aleatoria
ESPERANZA MATEM

ATICA O MEDIA:
La esperanza matem atica, E(X), o media,
X
, de una variable aleatoria X se
dene, en caso de existir, de la siguiente forma
E(X) =
X
=

n
X
i=1
x
i
P(X = x
i
) si X es discreta nita

X
i=1
x
i
P(X = x
i
) si X es discreta innita y la serie converge
Z
+

x f(x) dx si X es continua y la integral converge

La esperanza matem atica o media de una v.a. puede no existir (salvo en el caso
de v.a. discretas nitas para las que siempre existe).
En caso de existir, es unica.
[:]
3.4. Medidas de posici on de una variable aleatoria
La esperanza matem atica o media representa el centro de gravedad de la distri-
buci on, por lo que es muy sensible a los valores estremos de la variable, tal como
ilustra el siguiente ejemplo:
La media de una v.a. que toma los valores 0, 5 y 10 todos ellos con probabi-
lidad 1/3 es 5.
Si trasladamos el valor 10 a 100, la media se ve muy afectada y pasa a ser
105/3=35.
Por tanto, la media es una medida representativa del centro de la distribuci on si
esta es aproximadamente sim etrica, pero no si la distribuci on es asim etrica y/o
presenta colas pronunciadas. Las siguientes guras representan las funciones
de densidad de dos v.a. para las cuales la media es 0; en la primera de ellas, la
media es representativa del centro de la distribuci on, pero no ocurre as en la
segunda.
4 2 2 4
0.1
0.2
0.3
0.4
4 2 2 4
0.1
0.2
0.3
0.4
0.5
0.6
0.7
[:]
3.4. Medidas de posici on de una variable aleatoria
Ejemplo 7: Consideremos la variable aleatoria: n umero de motores averiados en
cierta m aquina compuesta por tres motores vista en el ejemplo 2.
El rango de la variable D
X
= {0, 1, 2, 3} con probabilidades
P(X = 0) = 0.512; P(X = 1) = 0.384; P(X = 2) = 0.096; P(X = 3) = 0.008
La esperanza matem atica es
E(X) = 0 0.512 + 1 0.384 + 2 0.096 + 3 0.008 = 0.6
Ejemplo 8: Sea X la v.a. tiempo de vida, en horas, de un cierto tipo de bateras,
cuya funci on de densidad es f(x) =

0.001 e
0.001 x
si x > 0
0 en otro caso
E(X) =
Z
+

xf(x)dx =
Z
+
0
0.001 x e
0.001 x
dx =
=

xe
0.001 x

+
0
+
Z
+
0
e
0.001 x
dx =
=

xe
0.001 x

1
0.001
e
0.001 x

+
0
=
1
0.001
= 1000
El tiempo medio de vida de este tipo de bateras es de 1000 horas.
[:6]
3.4. Medidas de posici on de una variable aleatoria
Propiedades de la esperanza matem atica:
M1. Si una variable aleatoria s olo toma valores positivos, su esperanza ma-
tem atica es positiva.
M2. Si X toma un unico valor c, su esperanza matem atica es c; es decir, si
P(X = c) = 1, entonces E(X) = c.
M3. Si X es una variable que est a acotada entre dos valores, es decir, a < X < b,
entonces su esperanza existe y est a acotada por los mismos valores, es decir,
a < E(X) < b.
M4. Si X es una v.a. cuya esperanza existe y g: IR IR es una funci on continua,
entonces
E(g(X)) =

n
X
i=1
g(x
i
) P(X = x
i
) si X es discreta nita

X
i=1
g(x
i
) P(X = x
i
) si X es discreta innita
Z
+

g(x) f(x) dx si X es continua

M5. Linealidad de la esperanza: Si X es una v.a. para la que su esperanza existe,
y le aplicamos una transformaci on lineal, es decir, consideramos Y = a + bX
con a, b IR, entonces E(Y ) = E(a + bX) = a + bE(X).
[:]
3.4. Medidas de posici on de una variable aleatoria
MEDIANA:
La mediana de una variable aleatoria X es un valor real, que notaremos Me, que
verica las siguientes dos condiciones
P(X Me) 0.5 y P(X Me) 0.5
La mediana siempre existe, pero puede no ser unica. En caso de no ser unica,
hay innitas medianas.
La mediana, al contrario de lo que le ocurre a la esperanza matem atica, no es
tan sensible a valores extremos: La mediana de una v.a. que toma los valores 0,
5 y 10 todos ellos con probabilidad 1/3 es 5; si trasladamos el valor 10 a 100, la
mediana no se ve afectada y sigue siendo 5.
Por tanto, la mediana es una medida m as representativa que la media del centro
de la distribuci on si esta es asim etrica y/o presenta colas pronunciadas.
En t erminos de la funci on de distribuci on, podemos denir la mediana como un
valor real Me, tal que
F(Me

) 0.5 F(Me)
[:8]
3.4. Medidas de posici on de una variable aleatoria
C alculo de la mediana a trav es de la funci on de distribuci on:
C omo buscar el valor Me que verica F(Me

) 0.5 F(Me)?
Para variables aleatorias discretas:
Si la funci on de distribuci on no vale 0.5 en ningun punto, la mediana es el
valor de la variable tal que la funci on de distribuci on en el supera por primera
vez el valor 0.5.
Si la funci on de distribuci on vale 0.5 en alg un intervalo, todo ese intervalo
(cerrado) es de medianas, por lo que hay innitas medianas.
En este ultimo caso, a efectos pr acticos, se suele tomar como mediana el
punto medio de este intervalo.
Para variables aleatorias continuas:
La mediana es el valor o valores que verican
F(Me) = 1/2, o lo que es lo mismo,
Z
M
e

f(t)dt = 1/2.
[:]
3.4. Medidas de posici on de una variable aleatoria
Ejemplo 9: Sea X una v.a. con funci on de distribuci on dada por:
F(x) =

0 si x < 1
0.2 si 1 x < 1
0.6 si 1 x < 3
1 si x 3
4 2 2 4
0.2
0.4
0.6
0.8
1.0
En este caso la mediana es Me = 1.
Ejemplo 10: Sea X una v.a. con funci on de distribuci on dada por:
F(x) =

0 si x < 1
0.2 si 1 x < 1
0.5 si 1 x < 3
1 si x 3
4 2 2 4
0.2
0.4
0.6
0.8
1.0
En este caso la mediana es cualquier valor del intervalo [1, 3]. Aefectos pr acticos,
si necesitamos utilizar un valor de le mediana, se suele tomar el punto medio del
anterior intervalo, que es el valor 2.
[o]
3.4. Medidas de posici on de una variable aleatoria
Ejemplo 11: Sea X una v.a. con funci on de distribuci on dada por:
F(x) =

0 si x < 0
1 e
x
si x 0
2 1 1 2 3 4 5
0.2
0.4
0.6
0.8
1.0
En este caso la mediana es el unico valor
tal que F(Me) = 1/2, por lo que, Me = log 2.
Ejemplo 12: Sea X una v.a. con funci on de distribuci on dada por:
F(x) =

0 si x < 0
x/2 si 0 x < 1
0.5 si 1 x < 2
0.5(x 1) si 2 x < 3
1 si x 3
4 3 2 1 1 2 3 4 5
0.2
0.4
0.6
0.8
1.0
En este caso, son medianas todos los valores tales que F(Me) = 1/2, es decir,
cualquier valor del intervalo [1, 2]. A efectos pr acticos, si necesitamos utilizar un
valor de le mediana, se suele tomar el punto medio del anterior intervalo, que es
el valor 1.5.
[1]
3.4. Medidas de posici on de una variable aleatoria
MODA:
En el caso de variables aleatorias discretas, la moda , M
o
, es un valor de m axima
probabilidad.
En el caso de variables aleatorias continuas, la moda , M
o
, es un valor donde la
funci on de densidad alcanza un m aximo.
La moda puede no existir, ser unica, o puede haber varias modas.
Ejemplo 13: Sea X la v.a. cuya distribuci on de probabilidad viene dada por
P(X = 0) = 0.512, P(X = 1) = 0.384, P(X = 2) = 0.096, P(X = 3) = 0.008
La moda de esta variable es Mo = 0.
Ejemplo 14: Sea X la v.a. cuya distribuci on de probabilidad es
P(X = 0) = 1/3, P(X = 1) = 1/3, P(X = 2) = 1/6, P(X = 3) = 1/6
Las modas de esta variable son Mo = 0 y 1. Decimos que X es bimodal.
Ejemplo 15: Sea X la v.a. cuya funci on de densidad viene dada por
f(x) =

4x
3
si 0 < x < 1
0 en el resto
Esta variable no posee moda.
[:]
3.4. Medidas de posici on de una variable aleatoria
PERCENTILES
Sea X una v.a. y sea (0, 1), denimos el percentil de orden 100% de X, y lo
notamos por P
100
, comounvalor real que verica las siguientesdos condiciones
P(X P
100
) y P(X P
100
) 1
La mediana es un casoparticular de percentil, el de orden 50%; es decir, Me = P
50
En t erminos de la funci on de distribuci on F de la v.a. X, podemos denir el
percentil de orden 100% como un valor P
100
tal que
F(P

100
) F(P
100
)
Los percentiles se calculan de la misma forma que se ha explicado anteriormente
para la mediana, pero cambiando el valor 0.5 por el valor .
Cuartiles: Los cuartiles son casos particulares de percentiles. Hay tres cuartiles.
El primer cuartil es Q
1
= P
25
El segundo cuartil coincide con la mediana: M
e
= Q
2
= P
50
El tercer cuartil es Q
3
= P
75
[]
3.4. Medidas de posici on de una variable aleatoria
Ejemplo 16: Sea X una v.a. con funci on de distribuci on dada por:
F(x) =

0 si x < 1
0.2 si 1 x < 1
0.6 si 1 x < 3
1 si x 3
EnestecasoQ
1
= 1, Q
3
= 3, P
15
= 1 y P
20
es cualquier valor del intervalo[1, 1].
Ejemplo 17: Sea X una v.a. con funci on de distribuci on dada por:
F(x) =

0 si x < 0
x/2 si 0 x < 1
0.5 si 1 x < 2
0.5(x 1) si 2 x < 3
1 si x 3
En este caso,
Q
1
es el valor del intervalo (0, 1) tal que Q
1
/2 = 0.25, por lo que Q
1
= 0.5
Q
3
es el valor del intervalo (2, 3) tal que 0.5(Q
3
1) = 0.75, por lo que Q
3
= 2.5
[]
3.4. Medidas de dispersi on de una variable aleatoria
VARIANZA
La varianza de la v.a. X, que notamos por V (X), var(X) o
2
X
, es la media de los
cuadrados de las desviaciones de la variable respecto de su media, es decir,
V (X) = var(X) =
2
X
= E
h

X E(X)

2
i
La varianza nos mide la dispersi on de la distribuci on, cuanto m as peque na sea
la varianza, m as concentrada estar a la distribuci on alrededor de su media.
La varianza puede no existir, puesto que es la esperanza de la v.a.

X E(X)

2
y ya hemos estudiado que la esperanza matem atica no siempre existe.
Se calcula, dependiendo del tipo de variable, de la siguiente forma:

2
X
=

n
X
i=1

x
i
E(X)

2
P(X = x
i
) si X es discreta nita

X
i=1

x
i
E(X)

2
P(X = x
i
) si X es discreta innita y la serie converge
Z
+

x E(X)

2
f(x) dx si X es continua y la integral converge
[]
3.4. Medidas de dispersi on de una variable aleatoria
Propiedades de la varianza
V1. V (X) 0. LA VARIANZA NUNCA PUEDE SER NEGATIVA !!
V2. Las unicas variable aleatorias con varianza nula son las constantes, es decir,
las que s olo toman un valor con probabilidad 1,
V (X) = 0 P(X = c) = 1
V3. La varianza, en caso de existir, se puede calcular mediante la expresi on
V (X) = E(X
2
)

E(X)

2
, que seg un el tipo de variable considerada, es de la
forma:
V (X) =

n
X
i=1
x
2
i
P(X = x
i
)
!

E(X)

2
si X es discreta nita

X
i=1
x
2
i
P(X = x
i
)
!

E(X)

2
si X es discreta innita

Z
+

x
2
f(x) dx
!

E(X)

2
si X es continua
V4. Si X es una v.a. para la que su varianza existe, y le aplicamos una transfor-
maci on lineal, es decir, consideramos Y = a + bX con a, b IR, entonces
V (Y ) = V (a + bX) = b
2
V (X)
[6]
3.4. Medidas de dispersi on de una variable aleatoria
DESVIACI

ON T

IPICA
La desviaci on tpica,
X
, de la v.a. X es la raiz cuadrada positiva de la varianza.
Tiene la ventaja de que se expresa en las mismas unidades que la variable.
Ejemplo 18: Consideremos la variable aleatoria: n umero de motores averiados
en cierta m aquina compuesta por tres motores vista en el ejemplo 1.
P(X = 0) = 0.512, P(X = 1) = 0.384, P(X = 2) = 0.096, P(X = 3) = 0.008
Esperanza Matem atica:
E(X) = 0 0.512 + 1 0.384 + 2 0.096 + 3 0.008 = 0.6
Varianza:
V (X) = (0 0.6)
2
0.512 + (1 0.6)
2
0.384 + (2 0.6)
2
0.096 + (3 0.6)
2
0.008
= 0.48
Otra forma de c alcular la varianza es:
V (X) = E(X
2
) (E(X))
2
= 0.84 0.6
2
= 0.48,
ya que E(X
2
) = 0
2
0.512 + 1
2
0.384 + 2
2
0.096 + 3
2
0.008 = 0.84
Desviaci on tpica:
X
= +
p
V (X) = 0.69282
[]
3.4. Medidas caractersticas de una variable aleatoria
Ejemplo 19: Sea X una v.a. cuya funci on de densidad viene dada por
f(x) =

1
9
x si 0 x < 3
1
9
(6 x) si 3 x < 6
0 en cualquier otro caso
Esperanza Matem atica:
E(X) =
Z
3
0
1
9
x
2
dx +
Z
6
3
1
9
(6 x)x dx =
1
9
h
x
3
3
i
3
0
+
1
9
h
6
x
2
2

x
3
3
i
6
3
= 3
Varianza:
V (X) =
Z
3
0
(x 3)
2

1
9
x dx +
Z
6
3
(x 3)
2

1
9
(6 x) dx =
3
4
+
3
4
=
3
2
Otra forma de calcular la varianza es V (X) = E(X
2
) (E(X))
2
=
21
2
3
2
=
3
2
,
si tenemos en cuenta que
E(X
2
) =
Z
3
0
1
9
x
3
dx +
Z
6
3
1
9
(6 x)x
2
dx =
1
9
h
x
4
4
i
3
0
+
1
9
h
6
x
3
3

x
4
4
i
6
3
=
21
2
Desviaci on tpica:
X
= +
p
V (X) = 1.22474
[8]
3.5. Transformaci on de una variable aleatoria
Sea X una v.a. con distribuci on de probabilidad (caso discreto) o funci on de
densidad (caso continuo) conocida y sea g: IR IR una funci on continua.
Consideremos la v.a. Y = g(X)
Si X es una v.a. discreta que toma los valores {x
1
, x
2
, . . . , x
n
, . . .} con pro-
babilidades P(X = x
i
), i = 1, 2, . . . , n, . . ., entonces la v.a. Y = g(X) es dis-
creta y toma los valores valores y
j
= g(x
i
), i = 1, 2, . . . , n. . . con probabili-
dades
P(Y = y
j
) =
X
{x
i
:g(x
i
)=y
j
}
P(X = x
i
)
Ejemplo 20: Sea X la v.a. que toma los valores {1, 0, 1}, con probabilidades
P(X = 1) = P(X = 0) = P(X = 1) = 1/3.
Consideremos la v.a. Y = X
2
. La v.a. Y es discreta y toma los valores (1)
2
, 0
2
y
1
2
, es decir, {0, 1}, con probabilidades
P(Y = 0) =
X
{x
i
: x
2
i
= 0}
P(X = x
i
) = P(X = 0) = 1/3
P(Y = 1) =
X
{x
i
: x
2
i
= 1}
P(X = x
i
) = P(X = 1) + P(X = 1) = 1/3 + 1/3 = 2/3
[]
3.5. Transformaci on de una variable aleatoria
Si X es una v.a. continua con funci on de densidad f
X
y funci on de distri-
buci on F
X
, las funciones de distribuci on y de densidad de la v.a. Y = g(X),
que notaremos por F
Y
y f
Y
, respectivamente, se pueden obtener
F
Y
(y) = P(Y y) = P(g(X) y) =
Z
x:g(x)y
f
X
(x)dx para todo y IR
f
Y
(y) = F
0
Y
(y) para todo y en el que F
Y
sea derivable
Si g es estrictamente creciente y derivable,
F
Y
(y) = P(Y y) = P(g(X) y) = P(x g
1
(y)) = F
X
(g
1
(y))
f
Y
(y) = F
0
Y
(y) = F
0
X
(g
1
(y))
d(g
1
(y))
dy
= f
X
(g
1
(y))
d(g
1
(y))
dy
Si g es estrictamente decreciente y derivable,
F
Y
(y) = P(Y y) = P(g(X) y) = P(x g
1
(y)) = 1 F
X
(g
1
(y))
f
Y
(y) = F
0
Y
(y) = F
0
X
(g
1
(y))
d(g
1
(y))
dy
= f
X
(g
1
(y))
d(g
1
(y))
dy
[o]
3.5. Transformaci on de una variable aleatoria
Ejemplo 21: Sea X la v.a. cuya funci on de densidad viene dada por
f
X
(x) =

e
x
si x > 0
0 en otro caso
Consideremos la v.a. Y = e
X
.
El rango de valores de la variable Y es D
Y
= (1, +).
La funci on de distribuci on F
Y
de Y se calcula de la forma
F
Y
(y) = P(Y y) = P(e
X
y) = P(X ln y) = F
X
(ln y) y IR
Derivando la expresi on anterior, en los puntos en los que sea derivable, obtene-
mos la funci on de densidad f
Y
de Y ,
f
Y
(y) = F
0
Y
(y) =
d(F
X
(ln y))
dy
= f
X
(ln y)
d ln y
dy
= f
X
(ln y)
1
y
y IR
Esta expresi on la podamos haber obtenido teniendo en cuenta que la transfor-
maci on g(X) = e
X
es, para el rango de valores de la v.a. X, derivable y estricta-
mente creciente, por lo que
f
Y
(y) = f
X
(g
1
(y))
dg
1
(y)
dy
= f
X
(ln y)
d ln y
dy
= f
X
(ln y)
1
y
y IR
f
Y
(y) =

y
e
ln y
si y > 1
0 en otro caso
[1]
3.6. Variables aleatorias bidimensionales
Enmuchasocasioneses necesarioconsiderar variasvariables aleatoriassimult a-
neamente.
Por ejemplo: Supongamosquequeremosestudiar el experimentoaleatorioconsistente
en el lanzamiento de un dado y una moneda.
El espacio muestral es:
= {(1, C), (2, C), (3, C), (4, C), (5, C), (6, C), (1, F), (2, F), (3, F), (4, F), (5, F), (6, F)}
Denimos las variables aleatorias:
X = n umero obtenido con el dado
Y =
n
1 si en la moneda sale cara
0 si en la moneda sale cruz
El par (X, Y ) es una variable aleatoria bidimensional.
Denici on: Una variable aleatoria bidimensional es un par (X, Y ), donde X e Y
son variables aleatorias unidimensionales.
[:]
3.6. Variables aleatorias bidimensionales
Si las variables X e Y son discretas, entonces la variable aleatoria bidimensional
(X, Y ) es discreta.
Se dene la funci on de masa conjunta de la v.a. bidimensional discreta (X, Y )
como una funci on,
p: IR
2
[0, 1]
(x, y) p(x, y) = P(X = x, Y = y)
que debe vericar que
p(x, y) 0 (x, y) IR
2
y
X
(x,y)IR
2
p(x, y) = 1
Para cualquier subconjunto A IR
2
, la probabilidad de A es la suma de las
probabilidades de los puntos que pertenecen a A
P

(X, Y ) A

=
X
(x,y)A
p(x, y)
[]
3.6. Variables aleatorias bidimensionales
Ejemplo 22: Se lanzan simult aneamente un dado y una moneda y se observan
sus caras superiores.
= {(1, C), (2, C), (3, C), (4, C), (5, C), (6, C), (1, F), (2, F), (3, F), (4, F), (5, F), (6, F)}
Consideremos la variable aleatoria bidimensional (X, Y ) denida de la forma
(X, Y ) : IR
2
(x, C) (x, 1)
(x, F) (x, 0) x = 1, 2, 3, 4, 5, 6
La funci on de masa conjunta es
p(x, y) =
n
1/12 si x = 1, 2, 3, 4, 5, 6; y = 0, 1
0 en el resto
Si A = {(x, y) : x = 2, 4, 6; y = 0}, entonces
P(A) = p(2, 0) + p(4, 0) + p(6, 0) = 3/12
Si B =salir cara, entonces P(B) =
6
X
x=1
p(x, 1) = 6/12 = 1/2
Si C =salir el n umero 3, entonces P(C) = p(3, 1) + p(3, 0) = 2/12 = 1/6
[]
3.6. Variables aleatorias bidimensionales
Ejemplo 23: Sea (X, Y ) una v.a. bidimensional discreta, donde
X es el n umero de semanas que tarda un taller en arreglar un autom ovil e
Y es el n umero de defectos importantes detectados en un autom ovil
La funci on de masa conjunta viene representada en la siguiente tabla de doble
entrada:
N umero de defectos
Semanas

1 2 3 4 5

0.04 0.13 0.125 0.025 0.03

0.1 0.105 0.07 0.075 0.05

0.06 0.045 0.055 0.05 0.04

La probabilidad de que haya 3 defectos y el taller tarde 1 semana en repararlos

es P(X = 1, Y = 3) = p(1, 3) = 0.125
La probabilidadde que haya m as de 3 defectos y el taller tarde m as de una semana
en repararlos es
P(X = 2, Y = 4) + P(X = 2, Y = 5) + P(X = 3, Y = 4) + P(X = 3, Y = 5) =
= 0.215
[]
3.6. Variables aleatorias bidimensionales
Si conocemos la funci on de masa conjunta podemos calcular la funci on de
masa de cada una de las variablea aleatorias que forman la variable aleatoria
bidimensional discreta. A estas funciones de masa se les llaman funciones de
masa marginales.
Sea (X, Y ) una v.a. bidimensional discreta:
La funci on de masa marginal de X, se calcula de la forma
p
X
(x) =
X
yIR
p(x, y) x IR
La funci on de masa marginal de Y , se calcula de la forma
p
Y
(y) =
X
xIR
p(x, y) y IR
[6]
3.6. Variables aleatorias bidimensionales
Ejemplo 22: Se lanzan simult aneamente un dado y una moneda y se observan
sus caras superiores.
= {(1, C), (2, C), (3, C), (4, C), (5, C), (6, C), (1, F), (2, F), (3, F), (4, F), (5, F), (6, F)}
Consideremos las variables: X = resultado que aparece en el dado
Y =
n
1 si en la moneda sale cara
0 si en la moneda sale cruz
La funci on de masa marginal de X es
p
X
(x) = P(X = x, Y = 0) + P(X = x, Y = 1) = 1/6, x = 1, 2, 3, 4, 5, 6
La funci on de masa marginal de Y es
p
Y
(y) =
6
X
x=1
P(X = x, Y = y) = 1/2, y = 0, 1
[]
3.6. Variables aleatorias bidimensionales
Ejemplo 23: Sea (X, Y ) una v.a. bidimensional discreta, donde
X es el n umero de semanas que tarda un taller en arreglar un autom ovil e
Y representa el n umero de defectos importantes detectados en un autom ovil
La funci on de masa marginal de X es
P(X = 1) = 0.35, P(X = 2) = 0.4, P(X = 3) = 0.25
La funci on de masa marginal de Y es
P(Y = 1) = 0.2, P(Y = 2) = 0.28, P(Y = 3) = 0.25, P(Y = 4) = 0.15, P(Y = 5) = 0.12
[8]
3.6. Variables aleatorias bidimensionales
Si las variables X e Y son continuas, entonces la variable aleatoria bidimensional
(X, Y ) es continua.
Sedenelafunci ondedensidadconjuntadelav.a. bidimensional continua(X, Y )
como una funci on
f: IR
2
IR
que debe vericar las siguientes condiciones:
f(x, y) 0 (x, y) IR
2
y
Z

f(x, y) dx dy = 1
La probabilidad de cualquier subconjunto A IR
2
, se calcula de la forma
P

(X, Y ) A

=
Z
A
f(x, y) dx dy
[]
3.6. Variables aleatorias bidimensionales
Si conocemos la funci on de densidad conjunta podemos calcular la funci on
de densidad de cada una de las v.a. que forman la v.a. bidimensional. A estas
funciones se les llama funciones de densidad marginales.
Sea (X, Y ) una v.a. bidimensional continua:
La funci on de densidad marginal de X, se calcula de la forma
f
X
(x) =
Z

f(x, y) dy x IR
La funci on de densidad marginal de Y , se calcula de la forma
f
Y
(y) =
Z

f(x, y) dx y IR
[o]
3.6. Variables aleatorias bidimensionales
Ejemplo 24: Sean X e Y los tiempos de vida (en miles de horas) de dos tipos de
componentes A y B, respectivamente, fabricados por una cierta m aquina.
La funci on de densidad conjunta de (X, Y ) viene dada por
f(x, y) =

c e
2x
e
3y
si x > 0, y > 0
0 en otro caso
Vamos a empezar calculando el valor de c para que f sea la funci on de densidad
de una v.a. bidimensional continua:
Z

f(x, y) dx dy = 1
1 =
Z

0
Z

0
c e
2x
e
3y
dx dy = c
1
6
h
e
2x
i

0

h
e
3y
i

0
=
c
6
c = 6
[1]
3.6. Variables aleatorias bidimensionales
Funci on de densidad marginal de X:
Si x 0, f
X
(x) = 0
Si x > 0,
f
X
(x) =
Z

f(x, y) dy =
Z

0
6e
2x
e
3y
dy = 2e
2x
h
e
3y
i

0
= 2e
2x
Por tanto,
f
X
(x) =

2e
2x
si x > 0
0 en el resto
Funci on de densidad marginal de Y :
Si y 0, f
Y
(y) = 0
Si y > 0,
f
Y
(y) =
R

f(x, y) dx =
R

0
6e
2x
e
3y
dx = 3e
3y
h
e
2x
i

0
= 3e
3y
Por tanto,
f
Y
(y) =

3e
3y
si y > 0
0 en el resto
[:]
3.7. Independencia de variables aleatorias.
Denici on:
Dos variables aleatorias discretas X e Y son independientes si se verica que
p(x, y) = p
X
(x) p
Y
(y) para todo (x, y) IR
2
Dos variables aleatorias continuas X e Y son independientes si se verica que
f(x, y) = f
X
(x) f
Y
(y) para todo (x, y) IR
2
Ejemplo 23: Las v.a. X e Y consideradas en el ejemplo 23 no son independientes.
Un par (x, y) IR
2
que no verica la condici on de independencia es, entre otros,
el par (1, 1), ya que
p(1, 1) = 0.04, p
X
(1) = 0.35, p
Y
(1) = 0.2 y p(1, 1) 6= p
X
(1) p
Y
(1)
Ejemplo 24: Las v.a. X e Y consideradas en el ejemplo 24 son independientes,
ya que se verica que f(x, y) = f
X
(x) f
Y
(y) (x, y) IR
2
.
[]
3.7. Medidas num ericas de una v.a. bidimensional e independencia
Sea(X, Y ) unav.a. bidimensional yseag: IR
2
IRunafunci oncontinua, entonces
E(g(X, Y )) =

n
X
i=1
m
X
j=1
g(x
i
, y
j
) p(x
i
, y
j
) si X e Y son v.a. discretas nitas
n
X
i=1

X
j=1
g(x
i
, y
j
) p(x
i
, y
j
) si X es discreta nita e Y es discreta innita

X
i=1
m
X
j=1
g(x
i
, y
j
) p(x
i
, y
j
) si X es discreta innita e Y es discreta nita
Z
+

Z
+

g(x, y) f(x, y) dx dy si X e Y son v.a. continuas

Una medida de la variablidad conjunta de las variables X e Y es la covarianza de
X e Y que se dene de la forma
Cov(X, Y ) = E

X E(X)

Y E(Y )

= E(X Y ) E(X) E(Y )

La covarianza puede ser positiva, negativa o nula.
[]
3.7. Medidas num ericas de una v.a. bidimensional e independencia
Ejemplo 23: Vamos a calcular la covarianza de las v.a. X e Y consideradas en el
ejemplo 23.
E(X Y ) =
3
X
i=1
5
X
j=1
x
i
y
j
p(x
i
, y
j
) = 5.21
E(X) =
3
X
i=1
x
i
p
X
(x
i
) = 1.9
E(Y ) =
5
X
j=1
y
j
p
Y
(y
j
) = 2.71
Cov(X, Y ) = E(X Y ) E(X) E(Y ) = 0.061
Ejemplo 24: Vamos a calcular la covarianza de las v.a. X e Y consideradas en el
ejemplo 24.
E(X Y ) =
Z

xy f(x, y) dxdy =
Z

0
Z

0
6 x y e
2x
e
3y
dx dy =
1
6
E(X) =
Z

x f
X
(x) dx =
Z

0
2 x e
2x
dx =
1
2
E(Y ) =
Z

y f
Y
(y) dy =
Z

0
3 y e
3y
dy =
1
3
Cov(X, Y ) = E(X Y ) E(X) E(Y ) = 0
[]
3.7. Medidas num ericas de una v.a. bidimensional e independencia
Propiedades:
E(X + Y ) = E(X) + E(Y )
V (X + Y ) = V (X) + V (Y ) + 2Cov(X, Y )
V (X Y ) = V (X) + V (Y ) 2Cov(X, Y )
Si X e Y son independientes, entonces: E(X Y ) = E(X) E(Y ) y como
consecuencia
Cov(X, Y ) = 0
V (X + Y ) = V (X) + V (Y )
V (X Y ) = V (X) + V (Y )
Si X e Y son independientes =Cov(X, Y ) = 0
Si Cov(X, Y ) = 0 6=X e Y sean independientes
[6]