Captulo 3

Variable Aleatoria
3.1.

Introducci
on

En muchos estudios no estamos interesados en saber cual evento ocurrio, sino en

el n
umero de veces que ha ocurrido un evento. Por ejemplo, al lazar dos monedas,
podramos estar interesados en el n
umero de caras que ocurrieron. Al nacer 5 cinco
ni
nos, quesieramos saber cuantos son varones. Al seleccionar 20 artculos de un proceso productivo podramos estar interesado en el n
umero de defectuosos. Todos estos
ejemplos tienen la caracterstica de que a cada uno de los elementos del espacio muestral se le asigna un numero real, que indica el n
umero de veces que esta presente la
caracterstica de interes. Dicha asignacion se realiza a traves de una funcion la cual
llamamos variable aleatoria.
Denici
on 3.1 Una variable aleatoria es una funcion X que asigna un n
umero real a
cada elemento del espacio muestral.

Por lo tanto, Una variable aleatoria puede denirse como,

81

CAPITULO 3. VARIABLE ALEATORIA

82

X : IR
es decir una funcion cuyo dominio es el espacio muestral y rango el conjunto de los
n
umero reales.
Ejemplo 3.2 Consideremos el experimento en el cual se lanza una moneda. El espacio
muestral para este experimento est
a dado por = {C, S}. Sea X = {N
umero de caras},
esta funcion asigna los siguientes valores a los elementos del espacio muestral:
Si el resultado obtenido al lanzar la moneda es cara, w = C, entonces, X(w) = 1.
Si el resultado obtenido al lanzar la moneda es sello, w = S, entonces, X(w) = 0.
Por lo tanto, la variable aletaoria X toma los valores {0, 1}
Ejemplo 3.3 Consideremos el experimento en el cual se lanza dos monedas. El espacio muestral para este experimento est
a dado por = {CC, CS, SC, SS}. Sea X =
{N
umero de caras}, esta funcion asigna los siguientes valores a los elementos del espacio muestral:
Si el resultado obtenido al lanzar las dos monedas es w = CC, entonces, X(w) =
2.
Si el resultado obtenido al lanzar las dos monedas es w = CS, entonces, X(w) =
1.
Si el resultado obtenido al lanzar las dos monedas es w = SC, entonces, X(w) =
1.
Si el resultado obtenido al lanzar las dos monedas es w = SS, entonces, X(w) =
0.

 DE LAS VARIABLES ALEATORIAS

3.2. CLASIFICACION

83

Por lo tanto, la variable aletaoria X toma los valores {0, 1, 2}

3.2.

Clasicaci
on de las Variables Aleatorias

Las variables aleatorias se pueden clasicar de acuerdo a su rango en discretas y continuas.

Denici
on 3.4 (Variable Aleatoria Discreta) Una variable aleatoria X se dice
que es discreta si el n
umero posible de valores de X, es decir su rango, es nito o
innito numerable.
La denicion anterior establece que X es discreta, si sus valores posibles se pueden
umerable.
anotar como x1 , x2 , ..., xn en el caso nito o x1 , x2 , ... en el caso innito n
Denici
on 3.5 (Variable Aleatoria Continua) Una variable aleatoria X se dice
que es continua si el n
umero posible de valores de X, es decir su rango, innito no
numerable.
La denicion anterior establece que X es continua, si puede tomar cualquier valor en
un intervalo (a, b), pudiendo ser = y b = +.
En este tema solo estudiaremos el caso en que la variable aleatoria es discreta, para el
tratamiento del caso continuo es necesario tener algunos conocimientos matematicos
que hasta el momento no se han dado.

3.3.

Distribuci
on de Probabilidad

Vamos a estudiar por separado cuando la variable aleatoria es discreta al caso continuo.

CAPITULO 3. VARIABLE ALEATORIA

84

3.3.1.

Distribuci
on de Probabilidad de una Variable Aleatoria
Discreta

Hemos visto que una variable aleatoria es una funcion denida sobre el espacio muestral
de un experimento aleatorio . Por ejemplo si X es una variable aleatria denida sobre
, que toma los valores X = {x1 , x2 , ..., xn }, entonces X = x1 esta asociado a un
subconjunto de , al cual hemos llamado evento, por lo tanto,X = x1 es tambien un
evento y en consecuencia tiene asociada una probabilidad, la cual esta dada por:

P (X = x1 ) = P (A) = P ({w : X(w) = x1 })

Al conjunto formado por los valores de una variable aleatoria con sus respectivas probabilidades es lo que se conoce como distribucion de probabilidad.
Como la probabilidad es una funcion, entonces P (X = xi ) se conoce como la funcion
de masa de probabilidad.
Denici
on 3.6 Si X es una variable aleatoria discreta que toma los valores x1 , x2 , ..., xn
entonces la funcion de masa de probabilidad de x, denotada por pi , se dene como:
pi = P (X = xi ) ; i = {1, 2, ..., n}

(3.1)

Ejemplo 3.7 Consideremos el experimento en el cual se lanzan dos monedas. Sea

X = {N
umero de caras},entonces
P (X = 0) = P ({SS}) =

1
4

P (X = 1) = P ({CS} {SC}) = P ({CS}) + P ({SC}) =

P (X = 2) = P ({CC}) =

1
4

1
4

1
4

1
2

 DE PROBABILIDAD
3.3. DISTRIBUCION

85

Por lo tanto la funcion de masa de probabilidad puede escribirse como,

, si x = 0 o x = 2;

4
1
P (X = x)
, si x = 1.
2

0, otro caso.
Otra forma de expresar este resultado es la manera tabular,
x

P (X = x)

1
4

1
2

1
4

Ejemplo 3.8 En un proceso productivo los artculos pueden clasicarse como defectuosos o no defectuosos. Se sabe por estudios anteriores que la producci
on de artculos
defectuosos es del 10 %. Si se extraen 3 artculos al azar, vamos a determinar la distribuci
on de probabilidad del n
umero de artculos defectuosos. Para ello denamos la
siguiente variable aleatoria

X = {N
umero de artculos defectuosos}
entonces X = {0, 1, 2, 3} con las siguientes probabilidades
P (X = 0) = P ({Dc Dc Dc }) = 0,9 0,9 0,9 = 0,729
P (X = 1) = P ({DDc Dc } {Dc DDc } {Dc Dc D})
= P ({DDc Dc }) + P ({Dc DDc }) + P ({Dc Dc D}) = 3 0,92 0,1 = 0,243
P (X = 2) = P ({DDDc } {DDc D} {Dc DD})
= P ({DDDc }) + P ({DDc D}) + P ({Dc DD}) = 3 0,9 0,12 = 0,027
P (X = 3) = P ({DDD}) = 0,1 0,1 0,1 = 0,001

CAPITULO 3. VARIABLE ALEATORIA

86

Por lo tanto la funcion de masa de probabilidad puede escribirse como,

0,729, si x = 0 ;

0,243, si x = 1;

P (X = x) 0,027, si x = 2;

0,001, si x = 3;

0,
otro caso.
De manera tabular quedara,

x
P (X = x)

0.729 0.243 0.027 0.001

Otra funcion que caracteriza la distribucion de probabilidad de una variable aleatoria es la Funcion de Distribucion (FD).

Denici
on 3.9 (Funci
on de Distribuci
on) Sea X una variable aleatoria, la Funci
on de Distribucion de X se dene como

F (x) = P (X x)
Como estamos considerando el caso en que X es discreta, la funcion de distribucion
viene dada por:

F (x) = P (X x) =

P (X = x)

Ejemplo 3.3.1 La funcion de distribucion para el ejemplo del lanzamiento de las dos

 DE PROBABILIDAD
3.3. DISTRIBUCION
monedas es

0,

1,
4
F (x) =

1,

87

x < 0;
0 x < 1;
1 x < 2;
x 2.

Ejemplo 3.3.2 La funcion de distribucion para el ejemplo de los artculos defectuosos

es

0,

0,729,

F (x) =
0,972,

0,999,

1,

x < 0;
0 x < 1;
1 x < 2;
2 x < 3;
x 3.

Teorema 3.10 (Propiedades de la Funci

on de Distribuci
on) La funcion de distribuci
on tiene las siguientes propiedades:
1. F () = 0 y F (+) = 1
2. La funcion es monotona no decreciente.
3. La funcion es continua a la derecha.

3.3.2.

Problemas

1. Se lanzan tres monedas y se registran los resultados obtenidos.

a) Encuentre la distribucion de probabilidad del n
umero de sellos.
b) Graque la funcion de masa de probabilidad.
c) Encuentre y graque la Funcion de distribucion.

CAPITULO 3. VARIABLE ALEATORIA

88

2. De una caja que contiene 4 pelotas negras y 2 verdes, se seleccionan 3 de ellas en

sucesion sin reemplazo.
a) Encuentre la distribucion de probabilidad para el n
umero de pelotas verdes.
b) Graque la funcion de masa de probabilidad.
c) Encuentre y graque la Funcion de distribucion.
3. Un embarque de 7 televisores contiene 2 aparatos defectuosos. Un hotel realiza
una compra aleatoria de 3 de ellos. Si X es el numero de televisores defectuosos
que se compran.
a) Encuentre la distribucion de probabilidad de X.
b) Graque la funcion de masa de probabilidad.
c) Encuentre y graque la Funcion de distribucion.
4. Se colocan tres bolas, numeradas 1,2 y 3, en una caja. Si se seleccionan 2 bolas
al azar sin reemplazo. Cual es la funcion de masa de probabilidad de la suma
de los n
umero de las bolas seleccionadas?
5. Realizar el ejercicio anterior pero suponiendo que la seleccion se hacer con reemplazo.
6. Sea X la variable aleatoria que muestra el n
umero de varones en las familias de
cuatro hijos. Cual es la distribucion de probabilidad de X si los nacimientos de
varones y de hembras son igualmente probables?.
7. Se lanzan dos dados. Sea X la suma de las caras que resultan. De una expresion
general para la funcion de masa de probabilidad.

3.4. VALOR ESPERADO

3.4.

89

Valor Esperado

3.4.1.

Valor Esperado de una Variable Aleatoria Discreta

Ademas de conocer la distribucion de probabilidad de una variable aleatoria es importante conocer algunas medidas descriptivas numericas, parametros, relacionadas con la
variable aleatoria, las cuales dan informacion importante sobre la variable en estudio.
Denici
on 3.11 (Valor Esperado) Sea X una variable aleatoria discreta con funci
on de probabilidad p(x). El valor esperado de X, denotado por E(X), se dene como

E(x) =

xp(x) =

xP (X = x)

(3.2)

Ejemplo 3.4.1 Para el ejemplo del lanzamiento de las dos monedas se tiene que

1
1
1
xP (X = x) = 0P (X = 0) + 1P (X = 1) + 2P (X = 2) = 0 + 1 + 2 = 1
E(X) =
4
2
4
x
Este resultado indica que se espera que ocurra una cara al lanzar las dos monedas.
Ejemplo 3.4.2 Para el ejemplo de los artculos defectuosos se tiene que el valor esperado es:

E(X) =

xP (X = x)

= 0P (X = 0) + 1P (X = 1) + 2P (X = 2) + 3P (X = 3)
= 0(0,729) + 1(0,243) + 2(0,027) + 3(0,001) = 0,3

Lo cual indica que se espera no hayan defectuosos en la extraccion de los tres artculos.
El valor esperado no es mas que la media del conjunto de valores que toma la variable
aleatoria.

CAPITULO 3. VARIABLE ALEATORIA

90

3.4.2.

Valor Esperado de una Funci

on de una Variable Aleatoria Discreta

Teorema 3.12 Sea X una variable aleatoria discreta con funcion de masa de probabilidad p(x) y sea g(X) una funcion de X. El valor esperado de g(X), denotado por
E(g(X)), esta dado por:

E(g(X)) =

g(x)p(x) =

g(x)P (X = x)

(3.3)

Ejemplo 3.4.3 Para el ejemplo del lanzamiento de las dos monedas se tiene que
E(X 2 ) =

x2 P (X = x) = 02 P (X = 0) + 12 P (X = 1) + 22 P (X = 2)

1
1
3
1
= 0 +1 +4 =
4
2
4
2

3
3
x P (X = x) = 03 P (X = 0) + 13 P (X = 1) + 23 P (X = 2)
E(X ) =
x

1
1
1
5
= 0 +1 +8 =
4
2
4
2
Ejemplo 3.4.4 Para el ejemplo de los artculos defectuosos se tiene que el valor esperado es:
E(X 2 ) =

x2 P (X = x)

= 02 P (X = 0) + 12 P (X = 1) + 22 P (X = 2) + 32 P (X = 3)
= 0(0,729) + 1(0,243) + 4(0,027) + 9(0,001) = 0,36

Teorema 3.4.1 (Propiedades del Valor Esperado) Sean X una variable aleatoria, g1 y g2 dos funciones de X, a y b dos constantes, entonces

3.4. VALOR ESPERADO

91

1. E(a) = a

2. E(aX + b) = aE(X) + b

3. E[g1 (X) g2 (X)] = E[g1 (X)] E[g2 (X)]

Un resultado muy importante que se obtiene a partir del Teorema 3.12, es la posibilidad
de poder calcular la medida de dispersion mas importante de un conjunto de datos,
como lo es la varianza.

Denici
on 3.13 Sea X una variable aleatoria discreta con funcion de masa de probabilidad p(x), la varianza de X, denotada por V ar(x), se dene como
V ar(x) = E[(X E(x))2 ]

(3.4)

Teorema 3.4.2
V ar(X) = E(X 2 ) [E(X)]2
Demostraci
on

V ar(X) = E[(X E(x))2 ] = E[X 2 2XE(X) + E(X)2 ] = E(X 2 ) 2E[XE(X)] + E[E(X)2 ]

= E(X 2 ) 2E(X)E(X) + E(X)2 = E(X 2 ) 2E(X)2 + E(X)2
= E(X 2 ) E(X)2

Ejemplo 3.4.5 Para el ejemplo del lanzamiento de las dos monedas, la varianza esta da-

CAPITULO 3. VARIABLE ALEATORIA

92
da por,

V ar(X) = E(X 2 ) E(X)2 =

3
1
12 =
2
2

Ejemplo 3.4.6 Para el ejemplo de los artculos defectuosos se tiene que la varianza
es:
V ar(X) = E(X 2 ) E(X)2 = 0,36 0,32 = 0,27
Teorema 3.4.3 (Propiedades de la Varianza) Sean X una variable aleatoria, g1
y g2 dos funciones de X, y a una constante, entonces
1. V ar(a) = 0
2. V ar(X + a) = V ar(X)
3. V ar(aX) = a2 V ar(X)

3.4.3.

Ejercicios

1. Encuentre el valor esperado y la varianza en los problemas 1 al 7.

2. En una apuesta una persona puede obtener una ganacia de 100 BsF o sufrir una
perdida de 50 BsF. La probabilidad de obtener la ganancia es de 0.6. Cual es la
ganancia (o perdida) esperada en esa apuesta?.
3. La probabilidad de que un hombre de 30 a
nos sobreviva un a
no mas es 0.99. Una
compa
na de seguros ofrece a ese hombre venderle una poliza de seguro de vida

3.4. VALOR ESPERADO

93

de un a
no en 10.000 BsF. a un prima de 110 BsF. Cual es la ganacia esperada
de la compa
nia?.
4. La probabilidad de que una casa se incendie en el lapso de un a
no es de 0.005.
Una aseguradora ofrece una poliza contra incendio que cubre 20.000 BsF. con
vigencia de un a
no; se paga una prima anual por 150 BsF. Cuanto espera ganar
la aseguradora?.
5. Se selecciona una muestra aleatoria de tres personas sin reemplazo de un grupo
de cuatro hombres y tres mujeres, para realizas los preparativos de un congreso.
Cual es el n
umero esperado de mujeres en la muestra?
6. Para la siguiente distribucion de probabilidad
x

-20 -10

P(X=x)

3
10

2
10

30
5
10

Hallar: a) E(X), b)E(X 2 ), E(X 3 ) y V ar(X)

7. Sea X una variable aleatoria con la siguiente distribucion de probabilidad
x

10025

10050

10075

P (X = x)

0.2

0.3

0.5

Hallar: a) E(X), b)E(X 2 ), E(X 3 ) y V ar(X)

8. Una variable aleatoria X asume el valor 1 con probabilidad p y el valor 0 con
probabilidad 1 p, Demuestre que E(X) = p y que V ar(X) = p(1 p)
9. Si la varianza de una variable aleatoria es 0.8. Cual es la varianza de: a) Y = 5X,
b)Y = 2X + 4 y c) Y =

X
2

CAPITULO 3. VARIABLE ALEATORIA

94

3.5.
3.5.1.

Distribuci
on de Probabilidad Multivariable
Introducci
on

Es posible denir diversas variables aleatorias en el mismo espacio muestral. Por ejemplo, considere el experimento en el cual se estudian las caractersticas de una persona,
podramos denir las siguientes variables aleatorias: estatura, peso, edad, grado de
instruccion entre otras.
En la discusion que sigue introduciremos la nocion de funcion de probabilidad conjunta
de dos variables aleatorias, la funcion de probabilidad marginal y la funcion de probabilidad condicional, tambien se hara una introduccion al estudio del valor esperado en
el caso de varias variables aleatorias.

3.5.2.

Distribuci
on de Probabilidad Conjunta

En las secciones anteriores vimos que para conocer el comportamiento de una variable
aleatoria era importante determinar la probabilidad de que la variable asumiera un valor particular, es decir, conocer su distribucion de probabilidad. Ahora, para estudiar
la relacion entre dos variables, nos interesa saber la probabilidad de que las dos variables en conjunto asuman valores particulares, es decir, la distribucion de probabilidad
conjunta de las dos variables que se consideran.
Al igual que para el caso de una variable aleatoria la distribucion de probabilidad
conjunta esta caracterizada por una funcion de probabilidad, conocida en este caso
como funcion de probabilidad conjunta, la cual se dene a continuacion.
Denici
on 3.14 (Funci
on de Masa de Probabilidad Conjunta) Sean X y Y dos
variables aleatorias discretas, la funcion de probabilidad conjunta, denotada por p(x, y),

 DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION

95

se dene como
p(x, y) = P (X = x, Y = y)

(3.5)

Ejemplo 3.5.1 Supongamos el experimento en el que se lanzan tres monedas. Sean

X = {N
umero de caras} y Y = {N
umero de cambios}. El espacio muestral de este
experimento con los respectivos valores de X y Y se muestran a continuaci
on:
Punto Muestral X

CCC

CCS

CSC

SCC

CSS

SCS

SSC

SSS

Puesto que todos los puntos muestrales son igualmente probables, cada uno tiene una
probabilidad de 18 . Por lo tanto la funcion de probabilidad conjunta se muestra en la
siguiente tabla cruzada.
@

x
@
0
@
@
y
@

1
8

1
8

2
8

2
8

1
8

1
8

Los resultados que se muestran en la tabla anterior se obtienen de la siguiente manera:

el evento(X=0,Y=1) ocurre solo una vez y como la probabilidad de cada punto muestral

CAPITULO 3. VARIABLE ALEATORIA

96

es 18 , entonces P (X = 0, Y = 1) = 18 , el evento(X=0,Y=2) no ocurre, entonces P (X =

0, Y = 2) = 0, el evento(X=1,Y=2) ocurre dos veces y como la probabilidad de cada
punto muestral es 18 , entonces P (X = 1, Y = 2) = 28 , y as sucesivamente.
Ejemplo 3.5.2 En cierto supermercado hay tres cajas registradoras. Dos clientes llegan a ellas en diferentes momentos, cuando no hay otros clientes. Cada cliente elige independientemente una caja al azar. Sea X = {El n
umero de clientes que eligen la caja 1}
y Y = {El n
umero de clientes que eligen la caja 2}. Vamos a calcular la funcion de
masa de probabilidad conjunta de X y Y .
Supongamos que el par {i, j} denota el evento en que el primer cliente elige la caja
i y el segundo elige la caja j, donde i, j = 1, 2, 3. El espacio muestral se muestra a
continuaci
on
Punto Muestral X

{1, 1}

{1, 2}

{1, 3}

{2, 1}

{2, 2}

{2, 3}

{3, 1}

{3, 2}

{3, 3}

Puesto que todos los puntos muestrales son igualmente probables, cada uno tiene una
probabilidad de 19 . Por lo tanto la funcion de probabilidad conjunta se muestra en la
siguiente tabla cruzada.

 DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION

97

x
@
0
@
@
y
@

1
9

2
9

1
9

2
9

2
9

1
9

Los resultados que se muestran en la tabla anterior se obtienen de la siguiente manera: el punto muestral {1, 1} es el u
nico punto muestral correspondiente a (X =
2, Y = 0), y en consecuencia, P (X = 2, Y = 0) = 19 . Asimismo, P (X = 1, Y = 1) =
P ({1,2}o{2,1}) = 29 . Y as sucesivamente para los demas.
Al igual que para el caso de una variable, otra manera de caracterizar la distribucion
de probabilidad conjunta es usando la Funcion de Distribucion Conjunta, la cual se
dene a continuacion:
Denici
on 3.15 Sean X y Y dos variables aleatorias discretas, la funcion de distribucion conjunta de X y Y , denotada por F (x, y), se dene como:

F (x, y) = P (X x, Y y) =



p(t1 , t2 )

(3.6)

t1 x t2 y

Ejemplo 3.5.3 Considere las variables aleatorias X y Y del ejemplo *** . Vamos a
calcular F (1, 2), F (1,5, 2) y F (5, 7).
De acuerdo con los resultados de la tabla ***, tenemos que
F (1, 2) = P (X 1, Y 2) = 0
F (1,5, 2) = P (X 1,5, Y 2) = p(0, 0)+p(0, 1)+p(0, 2)+p(1, 0)+p(1, 1)+p(1, 2) =
8
9

F (5, 7) = P (X 5, Y 7) = 1

CAPITULO 3. VARIABLE ALEATORIA

98

3.5.3.

Distribuci
on de Probabilidad Marginal y Condicional

Denici
on 3.16 Sean X y Y variables aleatorias discretas con funcion de masa de
probabilidad conjunta p(x, y). Entonces las funciones de masa de probabilidad marginal
de X y Y respectivamente, estan determinadas por

p(x) =

p(x, y)

(3.7)

p(x, y)

(3.8)

p(y) =


x

Ejemplo 3.5.4 Consideremos el ejemplo del lanzamiento de las tres monedas. Las
funciones de masa de probabilidad marginal est
an dadas por:
Las marginales de X son:

p(x) = 3y=1 p(x, y) = p(x, 1) + p(x, 2) + p(x, 3)
Para x = 0, P (0) = p(0, 1) + p(0, 2) + p(0, 3) =

1
8

+0+0=

1
8

Para x = 1, P (1) = p(1, 1) + p(1, 2) + p(1, 3) = 0 + 28 +

1
8

3
8

Para x = 2, P (2) = p(2, 1) + p(2, 2) + p(2, 3) = 0 + 28 +

1
8

3
8

+0+0=

1
8

Para x = 3, P (3) = p(3, 1) + p(3, 2) + p(3, 3) =

1
8

Las marginales de Y son:


p(yx) = 3x=0 p(x, y) = p(0, y) + p(1, y) + p(2, y) + p(3, y)
=

2
8

Para y = 2, P (2) = p(0, 2) + p(1, 2) + p(2, 2) + p(3, 2) = 0 + 28 + 28 + 0 =

4
8

Para y = 2, P (3) = p(0, 3) + p(1, 3) + p(2, 3) + p(3, 3) = 0 + 18 + 18 + 0 =

2
8

Para y = 1, P (1) = p(0, 1) + p(1, 1) + p(2, 1) + p(3, 1) =

1
8

+0+0+

1
8

Estas probabilidades se obtienen directamente a partir de la tabla cruzada donde se

muestran las probabilidades conjuntas, la marginal de X se obtiene al sumar las las
de cada columna y la marginal de Y se obtiene al sumar las columnas de cada la,

 DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION

99

como se aprecia en la siguiente tabla.

@
x
@
0
@
@
y
@

p(y)

1
8

1
8

2
8

2
8

2
8

4
8

1
8

1
8

2
8

p(x)

1
8

3
8

3
8

1
8

Denici
on 3.17 (Funci
on de masa de probabilidad Condicional) Sean X y Y
variables aleatorias discretas con funcion de masa de probabilidad conjunta p(x, y) y
funciones de masa de probabilidad marginal p1 (x) y p2 (y). Entonces las funciones de
masa de probabilidad condicional de X, dado Y , es

p(x/y) = P (X = x/Y = y) =

P (X = x, Y = y)
p(x, y)
=
P (Y = y)
p2 (y)

(3.9)

Ejemplo 3.5.5 Consideremos el ejemplo del lanzamiento de las tres monedas, y vamos a calcular la distribucion condicional de X dado que Y = 1. Para ello, vamos a
concentrarnos en la la correspondiente a Y = 1. Entonces
1
8
2
8

P (X = 0/Y = 1) =

p(0,1)
p2 (1)

P (X = 1/Y = 1) =

p(0,1)
p2 (1)

=0

P (X = 2/Y = 1) =

p(0,1)
p2 (1)

=0

P (X = 3/Y = 1) =

p(0,1)
p2 (1)

3.5.4.

2
8
2
8
1
8
2
8

1
2

1
2

Variables Aleatorias Independientes

En el tema de probabilidades vimos que dos eventos A y B son independientes si y solo

si

CAPITULO 3. VARIABLE ALEATORIA

100

P (A B) = P (A)P (B)
Veamos ahora cuando 2 variables aleatorias son independientes.
Denici
on 3.18 Sean F1 (x) y F2 (y) funciones de distribucion de X y Y , respectivamente, y F (x, y) la funcion de distribucion conjunta de X y Y . Entonces, se dice que
X y Y son independientes si y solo si

F (x, y) = F1 (x)F2 (y)

para todo par de n
umeros reales (x,y).
Por lo general, conviene establecer la presencia o ausencia de independencia por medio
del resultado del siguiente teorema.
Teorema 3.19 Sean X y Y variables aleatorias discretas con funcion de masa de
probabilidad conjunta p(x, y) y funciones de masa de probabilidad marginal p1 (x) y
p2 (y). Entonces X, y Y , son independientes si y solo si
p(x, y) = p1 (x)p2 (y)

(3.10)

para todo par de n

umeros reales (x,y).

3.5.5.

Valor esperado de una funci

on de 2 variables aleatorias
discretas

Es la generalizacion de la denicion **** para el caso de varias variables. Veamosla a

continuacion

 DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION

101

Denici
on 3.20 Sean X y Y dos variables aleatorias con funcion de masa de probabilidad conjunta p(x, y) y sea g(X, Y ) una funcion de esas dos variables. Entonces, el
valor esperado de g(X, Y ), esta dado por

E[g(X, Y )] =


x

g(x, y)p(x, y)

(3.11)

Ejemplo 3.5.6 Consideremos el ejemplo del lanzamiento de las tres monedas. La distribuci
on conjunta para este caso estaba dada por:

@
x
@
0
@
@
y
@

p(y)

1
8

1
8

2
8

2
8

2
8

4
8

1
8

1
8

2
8

p(x)

1
8

3
8

3
8

1
8

Por lo tanto, si g(X, Y ) = XY

E(XY ) =

3
3 


xyp(x, y)

x=0 y=1

2
1
1
= (0)(1) + (0)(2)0 + (0)(3)0 + (1)(1)0 + (1)(2) + (1)(3)
8
8
8
2
1
1
= (2)(1)0 + (2)(2) + (2)(3) + (3)(1) + (3)(2)0 + (3)(3)0
8
8
8
4 3
6 3
= 0+0+0+0+ + +0+1+ + +0+0=3
8 8
8 8
Teorema 3.21 Si g(X, Y ) = X Y entonces E[g(X, Y )] = E[X Y ] = E[X] E[Y ]

CAPITULO 3. VARIABLE ALEATORIA

102
Demostraci
on
E[g(X, Y )] = = E[X Y ] =
=


x


x

xp(x, y)

xpx (x)

(x y)p(x, y) =


x


x

yp(x, y) =

[xp(x, y) yp(x, y)]

 
 
x
p(x, y)
y
p(x, y)
x

ypy (x, y) = E[X] E[Y ]

Ejemplo 3.5.7 Para el ejemplo anterior ****. vamos a calcular E(X + Y ).

Usando la distribucion conjunta, tenemos que

E(X + Y ) =

3 
3


(x + y)p(x, y)

x=0 y=1

2
1
1
= (0 + 1) + (0 + 2)0 + (0 + 3)0 + (1 + 1)0 + (1 + 2) + (1 + 3)
8
8
8
2
1
1
= (2 + 1)0 + (2 + 2) + (2 + 3) + (3 + 1) + (3 + 2)0 + (3 + 3)0
8
8
8
1
6 4
5 4
7
=
+0+0+0+ + +0+1+ + +0+0=
8
8 8
8 8
2
Si calculamos la E(X) y E(Y ) por separado, tenemos que

E(X) =

3


px (x)

x=0

1
3
3
1
12
3
= (0) + (1) + (2) + (3) =
=
8
8
8
8
8
2
3

E(Y ) =
py (y)
y=1

2
4
2
16
= (1) + (2) + (3) =
=2
8
8
8
8
Ahora,

 DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION
E(X) + E(Y ) =

3
2

+2 =

7
,
2

103

el cual es el resultado obtenido con la distribucion

conjunta
Teorema 3.22 Si X y Y son variables aleatorias independientes, entonces E(XY ) =
E(X)E(Y )
Demostraci
on
E(XY ) = =


x


x

(xy)p(x, y) =



xp(x)ypy (x, y) =

xypx (x)py (y)

xpx (x)

ypy (y)

= E(X)E(Y )

3.5.6.

Covarianza de dos variables aleatorias

Intuitivamente, consideraremos la dependencia entre dos variables aleatorias X y Y

como un procesos en el que una de las variables, digamos Y , aumenta o disminuye a
medida que cambia X. Concentraremos nuestra atencion en dos medidas de dependencia: la covarianza entre dos variables aleatorias y su coeciente de correlacion.
Denici
on 3.23 Si X y Y son variables aleatorias con medias x y y respectivamente, la covarianza de X y Y esta dada por:

Cov(X, Y ) = E[(X x )(Y y )]

(3.12)

La covarianza mide el grado de asociacion lineal entre las variables X y Y . Mientras mas
grande sea el valor absoluto de la covarianza de X y Y , mayor sera la dependencia lineal
entre ellas. Los valores positivos indican que Y aumenta a medida que X aumenta; los
valores negativos indican que Y disminuye a medida que X aumenta.Si el valor de

CAPITULO 3. VARIABLE ALEATORIA

104

la covarianza es cero, esto signica que no hay dependencia lineal entre X y Y . Es

importante tener en cuenta el hecho de que si la covarianza es cero, puede existir
cualquier otro tipo de relacion entre las variables distinta a la lineal.
La principal desventaja de la covarianza es que ella depende de la escala de medida en
que esten denidas las variables, por lo tanto no es facil especicar si una covarianza
en particular es grande o peque
na. Ante esta desventaja denimos el coeciente de
correlacion, que no es otra cosa que la covarianza estandarizada.

Denici
on 3.24 Si X y Y son variables aleatorias con desviaciones estandar x y y
respectivamente, el coeciente de correlaci
on de X y Y , denotado por , esta dado por:

Cov(X, Y )
x y

(3.13)

Teorema 3.25 (Propiedades del Coeciente de Correlaci

on) El coeciente de
correlaci
on tiene las siguientes propiedades
1. 1 1
2. = +1 indica una correlaci
on perfecta e implica que a medida que X aumenta
Y aumenta.
3. = 1 indica una correlaci
on perfecta e implica que a medida que X aumenta
Y disminuye.
4. = 0 indica que no hay correlaci
on.

El siguiente teorema especica una formula conveniente para el calculo de la covarianza.

 DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION

105

Teorema 3.26 Si X y Y son variables aleatorias con desviaciones estandar x y y

respectivamente, entonces

Cov(X, Y ) = E(XY ) E(X)E(Y )

Demostraci
on
Cov(X, Y ) = E[(X x )(Y y )] = E(XY Xy Y x + x y )
= E(XY ) E(Xy ) E(Y x ) + E(x y )
= E(XY ) y E(X) x E(Y ) + x y
= E(XY ) E(Y )E(X) E(X)E(Y ) + E(X)E(Y ) = E(XY ) E(Y )E(X)

Teorema 3.27 Si X y Y son variables aleatorias independientes, entonces

Cov(X, Y ) = 0

Demostraci
on
Cov(X, Y ) = E(XY ) E(Y )E(X) = E(X)E(Y ) E(X)E(Y ) = 0

Este teorema establece que si X y Y son independientes, entonces la covarianza es cero.

El recproco no es cierto, es decir, si la covarianza es cero no implica que X y Y sean
independientes. Veamos un ejemplo,

CAPITULO 3. VARIABLE ALEATORIA

106

3.5.7.

Ejercicios

1. De un costal de frutas que contiene 3 naranjas, 2 manzanas y 3 uvas, se selecciona

una muestra aleatoria de 4 frutas. Si X es el n
umero de naranjas y Y es el n
umero
de manzanas en la muestra, encuentre La distribucion de probabilidad conjunta
de X y Y

2. Dos contratos de obras de construccion se otrogan aleatoriamente a una o mas

de las compa
nas A,B o C. Sea X1 la cantidad de contratos concedidos a la
na B. Encuentre
compa
na A y X2 la cantidad de contratos concedidos a la compa
la distibucion de probabilidad conjunta de X1 y X2 .

3. En una empresa hay nueve ejecutivos, de los cuales cuatro estan casados, tres son
solteros y dos son divorciados. Tres de ellos seran seleccionados al azar para un
umero de ejecutivos casados y X2 el de ejecutivos solteros
ascenso. Si X1 es el n
entre los tres elegidos para el ascenso, encuentre la distribucion de probabilidad
conjunta de X1 y X2 .

4. En seguida se muestra la distribucion de probabilidad conjunta relacionada con

los datos obtenidos en un estudio sobre los accidentes de automovil en los que
viajaba un ni
no (de menos de 5 a
nos), de los cuales por lo menos uno resulto
fatal. El estudio se concentro en determinar si el ni
no sobrevivio y en el tipo de
cinturon de seguridad que llevaba puesto, si acaso lo utilizaban. Dena

0, si el ni
no sobrevive;
X1 =

1, si el ni
no no sobrevive.

 DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION

107

0, si no tena puesto cinturon de seguridad;

X2 =
1, si utilizaba cinturon de seguridad;

2, si utilizaba cinturon de seguridad de asiento para bebe.

nos y, como los asienObserve que X1 representa la cantidad de muertes de ni
umero de
tos para bebe por lo com
un tienen dos cinturones, X2 representa el n
cinturones de seguridad utilizados en el momento del accidente.
@
@

y1

@
y2 @
@

0.38 0.17

0.14 0.02

0.24 0.05

Calcule e interprete F (1, 2)

5. Para los ejercicios * al * hallas las distribuciones marginales.
6. para el ejercicio de lo ni
nos
a) Calcule la distribucion de probabilidad condicional de X2 dado que X1 = 0
b) Cual es la probabilidad de que un ni
no sobreviva si viajaba en un asiento
para bebe.
7. Para los ejercicios * al * estudie la independencia de las variables aleatorias.
8. Para el problema de las frutas,calcule
a) El n
umero esperado de naranjas

CAPITULO 3. VARIABLE ALEATORIA

108

b) El numero esperado de manzanas

c) Usando el criterio del valor esperado, son X y Y independientes?
d ) Cual es el grado de asociacion lineal entre las variables?.
9. Para el problema de los ni
nos, calcule
a) E(X1 ) y E(X2 )
b) E(X1 X2 )
c) Cov(X1 , X2 )
10. Para el problema de los ejecutivos, calcule
a) E(X1 ) y E(X2 )
b) E(X1 3X2 )
c) Cov(X1 , X2 )
11. Suponga que X e Y tienen la siguiente distribucion de probabilidad conjunta:
@
@

@
y @
@

0.10 0.15

0.20 0.30

0.10 0.15

a) Cual es la probabilidad de que x = 2 y y = 3?

b) Cual es la probabilidad de que x = 4 dado que y = 5?
c) Encuentre E[x] y E[y]

 DE PROBABILIDAD MULTIVARIABLE
3.5. DISTRIBUCION
d ) Son X y Y independientes?
e) Cual es el grado de asociacion lineal entre las variables?.

109

110

CAPITULO 3. VARIABLE ALEATORIA