Estadistica_Descriptiva_y_Probabilidad_T.docx

Estadı́stica
Descriptiva
y
Probabilidad
(Teor´ıa y problemas)
3a Edición
Autores
I. Espejo Miranda
F. Fernández Palacı́n
M. A. López Sánchez
M. Muñoz Márquez
A. M. Rodr´ıguez Ch´ıa
A. Sánchez Navas
C. Valero Franco

Copyright Ⓧ
c 2006 Universidad de Cádiz. Se concede permiso para copiar, distribuir y/o
modificar est e docu mento ba jo los términos de la Licencia de Documentación Libre de
GNU, Versión 1.2 o cualquier otra versión posterior publicada por la Free Software Foun-
dation. Una traduccion de la licencia está incluida en la sección titulada “Licencia de
Documentación Libre de GNU”.
Copyright Ⓧ
c 2006 Universidad de Cádiz. Permission is granted to copy, distribute and/or
modify this document under the terms of the GNU Free Documentation License, Ver-
sion 1.2 or any later version published by the Free Software Foundation. A copy of the
license is included in the section entitled “GNU Free Documentation License”.
Edita: Servicio de Publicaciones de la Universidad de Cádiz
C/ Dr. Marañón, 3
11002 Cádiz
http://www.uca.es/publicaciones
ISBN: 978-84-9828-058-6
Depósito legal:

Cap´
ıtulo 5
Variable aleatoria
1. Concepto
En el capı́tulo anterior se introducı́a el concepto de probabilidad
definido sobre el álgebra de Boole de los sucesos. Sin embargo, este con-
cepto presenta el inconveniente de que no es susceptible de un buen
manejo matemático, debido fundamentalmente a la diversidad de las ca-
tegor´ıas de los resultados de un experimento, de ah´ı que sea necesario
realizar una abstracción cuantificada de dicho experimento que permita
agrupar los sucesos según determinadas caracterı́sticas comunes y conse-
cuentemente se facilite su manejo y la aplicación del análisis matemático.
Dicha abstracción se realiza asignando un número real a cada suceso del
espacio muestral. La función mediante la cual se realiza esta correspon-
dencia recibe el nombre de variable aleatoria. Más formalmente, se define
la variable aleatoria como cualquier función medible que asocia a cada
suceso un número real.
Profundizando en la idea de variable aleatoria como abstracción
de los resultados de un experimento aleatorio, y puesto que cada suceso
tiene una determinada probabilidad de ocurrencia, se puede trasladar
dicha probabilidad al valor correspondiente de la variable aleatoria, por
lo que se puede hablar de la probabilidad de que una variable aleatoria
tome un determinado valor. As´ı,
Estad´
ıstica D escriptiva y Probabilid ad. Teorı́a y Pro-
blemas (Revisión: Febrer o 2006)
I. Espejo Miranda, F. Fernández Palac´
ın, M. A. López Sánchez,
M. Muñoz Márquez, A. M. Rodr´
ıguez Ch´
ıa, A. Sánchez Navas,
C Valero Franco
Ⓧ
c 2006 Servicio de Publicaciones de la Universidad de Cádiz.
Docu mento bajo Licencia de Documentación Libre de GNU
(Versión 1.2 o posterior).
http://www.uca.es/teloydisren

146 Cap´ıtulo 5. Variable aleatoria
′
1. Al lanzar una moneda, se le puede asociar el valor 1 al suceso
elemental “cara” y el valor 0 al suceso “cruz”.
2. Al lanzardos dados al aire se puede asociara cada resultado la
suma de los puntos obtenidos.
Es importante observar que la asignación de valores a los resulta-
dos del experimento no es única, de hecho basta con fijar valores distintos
a resultados distintos, para obtener una infinidad de funciones. No obs-
tante, la idea es que dicha asignación sea lo más natural posible para que
una vez manipulada la variable aleatoria los resultados sean fácilmente
interpretables en términos del experimento de partida.
2. Variables discretas y continuas
Una variable aleatoria, en lo sucesivo v.a., se denomina discreta si
toma valores aislados o puntuales.
Ejemplo 5.1 La variable X=“Número de hijos varones de una
familia de 2 hijos”, puede tomar los valores 0, 1 y 2.
Si se desea calcular la probabilidad de que X tome
cada uno de sus valores posibles, suponiendo quela
probabilidad de que un hijo sea varón es 0’49, y en
el supuesto de que lossucesos sean independientes,
se tiene que:
P(X = 2) = 0′49 · 0′49 = 0′2401
P(X = 1) = 0′49 · 0′51 + 0′51 · 0′49
= 0 4998
P(X = 0) = 0′51 · 0′51 = 0′2601 .
Siendo la suma de estas probabilidades, como era
de esperar, la unidad.
Una v.a. es continua si puede tomar cualquier valor dentro de uno
o varios intervalos determinados. As´ı, la variable X que asocia a cada
individuo de un colectivo su estatura es continua; en este caso, la pro-
babilidad de que la variable tome exactamente un valor determinado,
160 cms. por ejemplo, es cero. Esto tiene su justificación intuitiva, des-

5.3 Variables unidimensionales 147
de el punto de vista de la regla de Laplace, en que el número de casos
favorables es uno sólo, mientras que el número de casos posibles es infi-
nito. De hecho, esa es la principal caracter´ıstica de la variable continua
y obligará a darle un tratamiento especial.
Para terminar, se puede considerar una v.a. mixta, la cual toma
valores dentro de uno o varios intervalos y algunos valores puntuales más
fuera de él o de ellos.
Lo dicho hasta ahora vale tanto para experimentos simples –lanzar
un dado y anotar el número de la cara superior–, como para experimen-
tos complejos –medir el peso, la estatura y la edad en años de un grupo
de personas–. En el primer caso la variable asociada será unidimensional
–discreta en el ejemplo–, y en el segundo multidimensional, tridimensio-
nal, continua para las dos primeras dimensiones y discreta para la edad.
3. Variables unidimensionales
3.1. Caracterización de variables aleatorias
Como se ha visto, la v.a. es una abstracción numérica que se hace
de los resultados de un experimento aleatorio, y puesto que cada suce-
so tiene una determinada probabilidad de ocurrencia se traslada dicha
probabilidad al valor correspondiente de la v.a. Si la variable es discreta
y toma pocos valores distintos, como en el ejemplo de los hijos varo-
nes, es factible, e incluso conveniente, dar todos esos valores con sus
probabilidades de una forma expl´ıcita. Pero si la variable es discreta y
toma muchos valores diferentes (tal vez infinitos) o si es continua, lo
anterior es poco recomendable o incluso imposible. Por ello es necesario
apoyarse en una serie de funciones, relacionadas ´ıntimamente con dichas
probabilidades, que nos permitan resolver el problema. Estas funciones
son la función de cuantı́a en el caso discreto, la de densidad en el con-
tinuo; ası́ como, la de distribución, la caracterı́stica y la generatriz de
momentos, entre otras, en ambos casos. Este apartado se centra en las
tres primeras.

3.1.1. Caso discreto
Si una v.a. toma valores x1, x2, . . . , xn, . . ., (finitos o infinitos) la
regla que asocia a cada uno de ellos las probabilidades p1, p2, . . . , pn, . . .,
respectivamente, donde pi = P (X = xi ) se denomina función de cuantı́a.
Como la suma de todas las probabilidades de los sucesos elementales es
uno, se tiene que:
(n
Σ
/∞)
i=1
pi = 1 .
Una v.a. discreta queda perfectamente determinada cuando se co-
noce su función de cuantı́a, pudiéndose expresar ésta de dos formas, por
extensión o a través de una función.
Ejemplo 5.2 Utilizando la distribución del ejemplo 5.1, la fun-
ción de cuantı́a puede darse como:
x P (X = x)
0 0′2601
1 0′4998
2 0′2401
O bien:
P (X = x) = 0′49x
· 0′512−x
para x = 0, 1,2.
Otra forma de caracterizar una v.a. es a través de la llamada
Función de Distribución, definida por:
F (x) = P (X ≤ x) .
La función de distribución en un valor x, es la probabilidad de que X
tome valores menores o iguales a x. Es decir, es una función que acumula
toda la probabilidad entre menos infinito y el punto donde está definida.
x
2

′
≤
′ ≤
Propiedades de la función de distribución. La función de distri-
bución de una variable aleatoria discreta cumple las siguientes propie-
dades (figura 5.1):
1. Está definida en toda la recta real.
2. Es no decreciente y no negativa.
3. Toma el valor cero en menos infinito y el valor uno en más infinito.
4. Sólo tiene discontinuidades de salto -precisamente en los puntos
donde la función de cuantı́a es distinta de cero-.
Ejemplo 5.3 Algunos valores de la función de distribución para
el ejemplo que se arrastra son:
F (−0′5) = P (X ≤ −0′5) = 0
F (0) = P (X = 0) = 0 2601
F (1) = P (X = 0) + P (X = 1) = 0′7599
F (2) = P (X = 0) + P (X = 1) + P (X = 2)
= 1
F (2′5) = 1 .
Y de aquı́ es fácil ver que:
0 si x < 0
0′2601 si 0 x < 1
F (x) =
0 7599 si 1 x < 2
1 si x ≥ 2 .
Esta función se representa gráficamente en la figu-
ra 5.1.
3.1.2. Caso continuo
Como se dijo en su presentación, la caracterı́stica principal de la
variable continua es que la probabilidad de que tome un determinado
valor es cero. Sin embargo, aún siendo ello cierto, no todos los valores
tienen “la misma ocurrencia”. Se puede comprobar que hay bastantes

F (x)
✻
1 .
0’76 . ❝
0’26 . ❝
❝ ✲
1 2 x
Figura 5.1: Función de distribución discreta.
individuos que tienen estatura alrededor de 160 cms, muchos menos
alrededorde 210 cms y ninguno enel entorno de los 350 cms. Lo anterior
hace que interese, no ya la probabilidad de tomar exactamente un valor,
sino la probabilidad de que la variable se encuentre en el entorno de un
punto, es decir, que tome valores dentro de un intervalo. As´ı, se considera
un intervalo pequeño centrado en 160 cms. y de amplitud ∆, sea éste:
[160 − ∆/2, 160 + ∆/2]
con lo que la probabilidad de que X tome algún valor del intervalo
será pequeña, pero no nula. Si a continuacion se levanta sobre el intervalo
considerado un rectángulo de altura h(160), tal que su área sea igual al
valor de la probabilidad anterior, se tiene:
Área = h(160) · ∆ = P (160 − ∆/2 ≤ X ≤ 160 + ∆/2) .
De ahı́ que la altura del rectángulo pueda asociarse a una densidad de
probabilidad, por ser igual al cociente entre la probabilidad del intervalo
y su tamaño.
Si se seleccionan ahora valores xi de la v.a. X, distantes entre
s´ı una distancia ∆ y se determinan las alturas h(xi) de los infinitos
intervalos as´ı obtenidos se obtiene un histograma y uniendo los centros
de las caras superiores de los rectángulos, el correspondiente polı́gono
de frecuencias (figura 5.2).

h(x) ✻
/
/❆
❆
/
/
❅
❅
❅❍
❍ ✲
h(x) ✻
∆
/❇
/ ❅
/ ❅
/ ❅
❍
∆
f(x) ✻
2
❍ ✲ ✲
∆
4
Figura 5.2: Obtención esquemática de la función de densidad.
La suma de las áreas de los rectángulos debe ser uno, por ser
igual a la probabilidad de que X tome cualquier valor. Si se hace que la
anchura de los rectángulos tienda a cero, el polı́gono de frecuencias se
transforma en una curva (figura 5.2). Dicha curva es la representación
gráfica de la función f , denominada función de densidad de la v.a. X,
obtenida como l´ımite de los valores h:
l´ım h(x) = l´ım
P (x − ∆/2 ≤ X ≤ x + ∆/2)
= f (x) .
∆→0 ∆→0 ∆
Si se desea calcular la probabilidad de que la variable se encuentre entre
dos valores dados, ésta es igual al área bajo la curva f entre a y b
(figura 5.3). Es decir:
P (a ≤ X ≤ b) =
∫ b
f(x) dx .
a
Lógicamente se verifica que:
P (−∞ < X < +∞) =
∫ +∞
f(x) d x = 1 . (5.1)
−∞
Obviamente f es no negativa. Cualquier función no negativa que
verifique la condición dada en (5.1) será una función de densidad.
h(x) ✻
/
/
✟
✟❅
❅
❅
❅❍
❍
❍
❍
✲
X

f(x) ✻
✲
f(x) ✻
F(x) ✲
a b X
Figura 5.3: Probabilidad de que X tome valores entre a y b.
x
X
Figura 5.4: Función de distribución de una variable continua.
Al igual que en el caso discreto, la Función de Distribución, F , de
una variable aleatoria X, se define como:
∫ x
F (x) = P (X ≤ x) = f(u)d u .
−∞
La función de distribución en x da la probabilidad de que X tome
valores menores o iguales a x, dicho valor es el área de la superficie
rayada en la figura 5.4.
Las propiedades de la función de distribución en el caso continuo
son idénticas a las del caso discreto con la única excepción de que ahora
ésta no presenta discontinuidades de salto. Para ciertas variables con-
tinuas de uso frecuente, los valores de F se encuentran tabulados, lo
cual facilita considerablemente el cálculo de probabilidades. Para ter-
minar este epı́grafe, se muestra la relación existente entre las funciones

−
≥ ∀
2
2
2
0 2
−
. |
−∞
definidas:
P (a < X < b) = P (a ≤ X ≤ b) =
∫ b
f (x) dx = F(b) F(a) .
a
Ejemplo 5.4 Si
1 − x si 0 ≤ x ≤ 1
f (x) = k si 2 ≤ x ≤ 3
0 en caso contrario.
1. Para que f sea función de densidad debe verificar:
a) f (x) 0, x
∫ +∞
b) f (x) d x = 1 .
−∞
La primera propiedad se cumple siempre que k ≥
0. Se cuestiona para qué valor de k se verifica la
segunda propiedad.
∫ +∞
−∞
f(x) dx =
∫ 1
(1 x) dx +
0
2
.1
∫ 3
k dx
2
x
= x −
2
1
.
. + kx 3
0
= 1 −
2
+ 3k − 2k .
Por tanto, para que f sea función de densidad,
debe verificarse que 1 − 1
+ 3k − 2k = 1 o equiva-
lentemente k = 1
.
2. La función de distribución de la variable anterior
es:
S
∫i x < 0 entonces F (x) = P (X ≤ x) =
x
0 d x = 0.
∫
Si 0 ≤ x < 1 entonces F (x) = f (x) dx =
∫ 0
0 dx +
∫ −∞
x
(1 − x) d x = x − x2
.
−∞
x

2
2 2
Si 1 ≤ x < 2 entonces F (x) =
∫ 0
0 d x +
∫ 1
0 (1 − x) dx +
∫ x
−∞
0 dx = 1
.
Si 2 ≤ x < 3 entonces F (x) =
∫ 0
0 d x +
∫ 1
(1 − x) d x +
∫ 2 ∫ x
0 d x +
−∞
1
d x = x−1 .
Si x ≥ 3 entonces F (x) = 1.
Resumiendo:
0 si x < 0
x − x2
si 0 ≤ x < 1
F (x) =
2
1
2
x−1
2
si 1 ≤ x < 2
si 2 ≤ x < 3
1 si x ≥ 3 .
3.2. La función esperanza matemática
Si X es una v.a. discreta que toma los valores x1, x2,. . ., con pro-
babilidades p1,p2,. .., se define la esperanza de X como:
Σ
E[X] =
i≥1
xipi .
Si g es una función de la v.a. X, se define la esperanza de g(X) como:
Σ
E[g(X)] =
i≥1
g(xi)pi .
Ejemplo 5.5 Para calcular el valor medio de la variabledel ejem-
plo 5.1.
E[X] = 0 · 0′2601 + 1 · 0′4998 + 2 · 0′2401 = 0′98 .
La esperanza de la variable Y = X3
vale:
E[Y ]=03
· 0′2601 + 13
· 0′4998 + 23
· 0′2401 =2′42 .
0 1 2
1

12
+
4
. .
0 2
Si X es una v.a. continua con función de densidad f, se define la
esperanza de X como:
E[X] =
∫ +∞
−∞
xf(x) dx ,
Si g(X) es una función de la v.a. X, se define la esperanza de g(X)
como:
E[g(X)] =
∫ +∞
−∞
g(x)f (x) d x .
En los dos últimos casos la definición es válida sólo si existe la
integral. A partir de ahora, y salvo que la situación ası́ lo requiera, tan
sólo se expresan los resultados para variables continuas.
Ejemplo 5.6 Para la variable del ejemplo 5.4 la esperanza vale:
E[X] =
∫ 1
(x − x2
) d x +
∫ 3
x
dx
0
2 3
.1
2 2
2 .3
x x . x . 17
=
2
−
3
. .
Propiedad 5.1 Si a es una constante cualquiera, se verifica:
1. E[aX] = aE[X].
2. E[a+X] = a + E[X].
Ambas propiedades son fácilmente demostrables sin más que apli-
car la definición de esperanza.
Ejemplo 5.7 Continuando con el ejemplo 5.4:
1. Si se considera Y = 12X, entonces E[Y ] = 17.
2. Si ahora Y = 7
+ X, entonces E[Y ] = 2.
= .
12

1
X 0 1 2 3
p(x) 0′2 0′2 0′3 0′3
3.3. Caracterización parcial de variables aleatorias
A partir de la función esperanza se introducen una serie de fun-
ciones que ofrecen visiones parciales de la distribución en estudio. Si X
es una v.a. se definen sus momentos de orden k respecto al origen y
respecto a la media, respectivamente, como:
αk = E[Xk
] µk = E[(X − E[X])k
] .
La media y la varianza. Especial importancia tienen el momento
de orden 1 respecto al origen y el momento de orden 2 respecto a
la media:
α1 = E[X] = µ V [X] = µ2 = E[(X − µ)2
] = σ2
.
El primero de ellos es la media, esperanza o valor esperado de X
y el segundo es la varianza de X, coincidiendo su ra´ız cuadrada
positiva con la desviación tı́pica.
Igual que en estad´ıstica descriptiva, se pueden expresar los mo-
mentos respecto a la media en función de los momentos respecto
al origen. En particular la varianza puede expresarse como:
V [X] = µ2 = σ2
= E[X2
] − E[X]2
= α2 − α2
.
Ejemplo 5.8 Dada la variable:
Se sabe que E[X] = 0′2 + 0′6 + 0′9 = 1′7, por
tanto la varianza vale:
V [X] = 0 · 0′2 + 1 · 0′2 + 4 · 0′3 + 9 · 0′3
−1′72
= 1′21 .
Ejemplo 5.9 Para una v.a. cuya función de distribución es:
0 si x < 1
F (x) = x − 1 si 1 ≤ x < 2
1 si x ≥ 2 .

3 4 12 12
.
Su varianza viene dada por:
V [X] = E[X2
] − (E[X])2
Y puesto que:
∫ 2 3 .2
E[X2
] = x2
dx =
x .
1
8 1 7
3 .
1
=
3
−
3
=
3
.
∫ 2 2 .2
E[X] = x .
x dx = .
1 2 .
1
1 3
= 2 −
2
=
2
.
se tiene que:
V [X] =
7 3 2
3
−
2
=
7
−
9
=
28 − 27
=
1
.
Ejercicio 5.1 Demuestre las siguientes propiedades de la
varianza:
a) V [aX] = a2
V [X]
b) V [a + X] = V [X].
En este punto es interesante analizar como quedan definidos algu-
nos de los conceptos que se vieron en estad´ıstica descriptiva:
La moda. Es el valor que más se repite, es decir, el de mayor pro-
babilidad si la variable es discreta, o el de mayor densidad si es
continua. En el primer caso la moda es el valor xi, tal que pi es
mayor o igual que pj para todo j distinto de i. Si la variable es
continua, la moda coincide con el valor de X que maximiza la fun-
ción de densidad, debiéndose utilizar los procedimientos analı́ticos
de obtención de puntos óptimos. Como en el caso descriptivo, tam-
bién aquı́ son válidas las nociones de modas múltiples y, por tanto,
de modas relativas.

2 2 2
Ejemplo 5.10 Para las distribuciones de los ejemplos 5.8
y 5.9 las modas obtenidas son:
a)Para la variable discreta existen dos
modas, 2 y 3, pues la probabilidad, en ambos
casos, es 0’3, mayor a la de cualquier otro
valor.
b) En el caso continuo, f (x) = 1 en el
intervalo [1, 2], por tanto, la moda es todo el
intervalo [1,2].
La mediana. Es el punto central de la distribución y coincide con
el valor de x tal que F (x) = 0′5. En el caso de variable discreta la
similitud es total con la definición dada en descriptiva.
Ejemplo 5.11 Siguiendo con los mismos ejemplos, para el
caso discreto, trivialmente, Me = 2. Y para
el caso continuo:
F (x) = 1
⇔ x − 1 = 1
⇔ Me = 3
.
Coeficientes de simetrı́a y de curtosis. Se definen respectivamente
como: µ3 µ4
γ1 =
σ3 ; γ2 =
σ4 .
Siendo la discusión sobre ambos coeficientes la misma que en el
caso descriptivo.
Normalización o tipificación. Se dice que una v.a. está tipificada o
normalizada cuando su media vale cero y su desviación tı́pica uno.
Para tipificar una variable X se le resta su media y se divide por
su desviación tı́pica:
Z =
X − µ
.
σ
3.4. Función caracter´
ıstica y generatriz de momentos
A partir de la esperanza matemática, se pueden definir dos fun-
ciones que caracterizan totalmente a la distribución de probabilidad.
Estas funciones son la función caracterı́stica y la función generatriz de
momentos.

e .
=
t
. −
1. Función caracterı́stica.
ϕX (t) = E[eiX t
] =
∫ +∞
−∞
eixt
f(x) dx .
2. Función generatriz de momentos.
∫ +∞
mX (t) = E[eX t
] =
−∞
ext
f(x) d x .
Ejemplo 5.12 Para la v.a. continua del ejemplo 5.9:
La función caracterı́stica es:
∫ 2
ϕX(t) = E[eitx
] =
itx
.2 1
2it
eitx
d x
it it
e . e e e it
.
it . it
−
it
=
it
(e — 1) .
La función generatriz de momentos es:
∫ 2
mX(t) = E[etx
] =
1
tx
.2
et
etx
d x
. (et
1) .
1
Esta última función además de caracterizar a la distribución, per-
mite, como su propio nombre indica, obtener fácilmente cualquier mo-
mento. As´ı:
αk =
dk
mX(t)
dtk |t=0 .
En sentido inverso, el conocimiento de los momentos permite obtener la
función generatriz de momentos.
=
1
=
=
t

5
— ⇒
3.5. Cambio de variable
Sea X una v.a. con función de densidad f e Y = h(X) una función
de X estrictamente monótona. Entonces, la función de densidad de la
nueva variable Y viene dada por:
. .
. dx.
g(y) = f(x) . ..
.dy .
Ejemplo 5.13 Sea X una v.a. con función de densidad:
f(x) = 2(x − 1) si 1 < x < 2
0 en el resto .
Dada Y = X+3
, puesto que:
X = 5Y 3
d x
= 5 ,
d y
la función de densidad de Y se obtiene como:
50y − 40 si 4
< y < 1
g(y) = 5
0 en el resto .
3.6. Desigualdad de Tchebychev
Sea X es una v.a. y k una constante positiva, se verifica que:
1
P (µ − kσ ≤ X ≤ µ + kσ) ≥ 1 −
k2 .
Esta expresión permite conocer la proporción mı́nima de valores de X
que distan de la media, un máximo k veces la desviación tı́pica. Para k
igual a tres, por ejemplo, la desigualdad garantiza que al menos el 89 %
de la distribución está en el intervalo µ ± 3σ.
Ejemplo 5.14 Un fabricante de frigorı́ficos utiliza una máquina
para introducir gas en dichos aparatos. La máquina
no es perfecta y por tanto no introduce cantidades
iguales en cada frigor´ıfico, aunquese conoce que la

5.4 Variables multidimensionales 161
k2
cantidad media de gasque se introduce por aparato
es igual a 15 litros y que la varianza es de 4 litros2
.
Si se define por X la variable aleatoria que mide
la cantidad de gas introducido en un frigor´ıfico, se
tiene por la desigualdad de Tchebychev que
1
P (X ∈ [15 − 2k, 15 + 2k]) ≥ 1 −
k2 .
Por tanto, si se desea hallar un intervalo, centrado
en la media, en el que se encuentre el contenido
de gas de, al menos, un 90 % de los frigor´ıficos fa-
bricados por él, sólo hay que resolver la siguiente
ecuación;
0′9 = 1 − 1
.
Obteniéndose que k =
√
10 o k = √
−
√
10, como k
tiene que ser positivo se toma k =
el intervalo requerido es [8′67, 21′32].
4. Variables multidimensionales
4.1. Distribuciones conjunta y marginales
10. Por tanto
En este ep´ıgrafe se extienden las nociones vistas para una variable
unidimensional al caso de variables n-dimensionales. En particular se
trata el estudio de variables bidimensionales, siendo generalizables los
resultados obtenidos aquı́ a cualquier dimensión finita.
En un principio se distingue entre variables discretas y continuas,
aunque más adelante sólo van a considerarse las continuas.
4.1.1. Variable discreta
Sea (X, Y ) v.a. discreta con su correspondiente probabilidad para
cada par de valores. Se define:
P (X = x, Y = y) = f(x, y).

La función f, denominada función de cuantı́a, verifica:
1. f(x, y) ≥ 0 ∀(x, y)
Σ Σ
2. f (x, y) = 1 .
x y
Si X toma los valores x1, . . . , xm, e Y los valores y1, . . . , yn, en-
tonces se puede expresar la función de cuantı́a conjunta a través de la
tabla:
X/Y y1 .. . yj .. . yn Marginal X
x1 f(x1, y1) .. . f (x1, yj) .. . f (x1, yn) f1(x1)
. . ... . . .. . .
xi f (xi, y1) .. . f (xi, yj) .. . f (xi, yn) f1(xi)
. . ... . . .. . .
xm f (xm, y1) .. . f (xm, yj) .. . f(xm, yn) f1(xm)
Marginal Y f2(y1) .. . f2(yj) .. . f2(yn) 1
Donde en los márgenes derecho e inferior se han obtenido las distribu-
ciones marginales de X e Y respectivamente. As´ı, la probabilidad de que
X tome un valor genérico xi es:
P (X = xi) =
Σ
n
j=1
P (X = xi, Y = yj) =
Σ
n
j=1
f (xi, yj) = f1(xi) .
De igual forma se hace para Y . Siendo f1 y f2 las funciones de cuant´ıa
marginales de X e Y respectivamente. La función de distribución viene
dada por:
F (x, y) = P (X ≤ x, Y ≤ y) =
Σ Σ
u≤x v≤y
f(u, v) .

4.1.2. Variable continua
Sea (X,Y ) una v.a. continua, se dice que f es su función de den-
sidad conjunta si
P (X ≤ x, Y ≤ y) =
La función f debe verificar:
1. f(x, y) ≥ 0 ∀(x, y)
∫ +∞ ∫ +∞
∫ x ∫ y
f (u, v) d v d u .
−∞ −∞
2.
−∞ −∞
f(u,v)d v d u = 1 .
z = f (x, y) representa una superficie de densidad, de tal forma que el
área encerrada entre la superficie z y el plano XY vale la unidad.
La probabilidad de que la v.a. tome valores dentro del rectángulo
(a, b) × (c, d) viene dada por:
∫ b ∫ d
P(a ≤ X ≤ b,c ≤ Y ≤ d) = f(x, y) d y dx.
c
Si A representa cualquier suceso y RA la región del plano XY que
se corresponde con A, se define su probabilidad como:
∫
P (A) = f(x, y) dx d y .
RA
La función de distribución conjunta viene dada por:
F (x, y) = P (−∞ < X ≤ x, −∞ < Y ≤ y)
∫ x ∫ y
=
−∞ −∞
f (u, v) d v d u .
La relación entre F y f es:
∂2
F
∂x∂y
= f(x, y) .
a

2
≤
. 1
. |
Las funciones de distribución marginales son:
F1(x) = P (X ≤ x) =
∫ x ∫ +∞
−∞ −∞
f (u, v) d v d u
∫ +∞ ∫ y
F2(y) = P (Y y) =
−∞
f (u, v) d v d u .
−∞
Derivando se obtienen las correspondientes funciones de densidad mar-
ginales:
f1(x) =
f2(y) =
∂F1(x)
=
∂x
∂F2(y)
=
∂y
∫ +∞
−∞
∫ +∞
−∞
f(x, v)d v
f(u,y)d u .
Ejemplo 5.15 Sea (X,Y ) una v.a. bidimensional cuya función de
densidad conjunta es:
k(xy
+ 1) si 0 < x < 1, −1 < y < 1
f(x, y) = 2
Para calcular k, de tal forma que f (x, y) sea fun-
cion de densidad, se procede de la siguiente forma:
1. f(x, y) ≥ 0 si y sólo si k ≥ 0.
2. Como
∫ +∞ ∫ +∞
f(x, y) dx d y = 1
−∞ −∞
Entonces:
1 = k
∫ 1 ∫ 1
0 −1
xy
(
2
+ 1)dy dx
∫ 1
xy2 .
= k + y
0 4
. d x = k2x 0 = 2k .
−1
Por lo tanto k = 1
y la función de densidad con-
junta viene dada por:
f(x, y) =
xy+2
4 si 0 < x < 1, −1 < y < 1
1

y
.
x
.
8
8
Se calcula ahora la función de distribución:
F (x, y) =
= P (X ≤ x, Y ≤ y) =
∫ x ∫ y uv + 2
4
d v d u
∫
uv2
= (
0
+ 4v
8
. 0 −1
.
. d u
v=
.−1
= u2(y2−1)
+ u(y+1).x
16 2
.u=0
= x2(y2−1)
+ x(y+1)
.
16 2
Para valores de (x, y) dentro del campo de defini-
ción.
Las funciones de distribución marginales quedan:
F1(x) = P (X ≤ x) =
∫ x ∫ 1
∫ x ∫ +∞
−∞ −∞
f (u, v) d v d u
=
∫0 −1
uv + 2
4
d v d u
.1
x
uv2
+ 4v . x
.
.
0 v=−1
du = u |u=0 = x .
Para valores de X dentro de su campo de defini-
ción.
∫ +∞ ∫ y
F2(y) = P (Y ≤ y) = f (u, v) d v d u
∫ 1 ∫ y
−∞ −∞
uv + 2
=
∫0
1
−1
d v du
.y
uv2
+ 4v .
= d u
.
0 v=−.1
= u2(y2−1)
+ u(y+1) .1
16 2
.u=0
= y2−1
+ y+1
= y2+8y+7
.
16 2 16
Para valores de Y dentro de su campo de defini-
ción.
)
4
=

16
.
.
2 2
8
Resumiendo se tiene:
F (x, y) =
0 si x < 0 ó y < −1
x (y −1)+8x(y+1)
si 0 ≤ x < 1, −1 ≤ y < 1
= F1(x) si 0 ≤ x < 1, y ≥ 1
F2 (y) si x ≥ 1, −1 ≤ y < 1
1 si x ≥ 1, y ≥ 1 .
Por último, se pueden obtener lasfunciones de den-
sidad marginales:
1. A partir de la función de densidad conjunta:
∫ +∞
f1(x) = f(x, y) dy
−∞
∫ 1 2 .1
xy
= ( + 1 xy
) d y = + 4y . = 1 .
−1 4 2 .
Para valores de X dentro de su campo de defini-
ción.
f2(y) =
∫ +∞
−∞
∫ 1
f(x, y) d x
2 .1
xy
= ( + 1) dx = x y + 4x. y + 4
= .
0 4 2 .
0 8
Para valores de Y dentro de su campo de defini-
ción.
2. O bien, derivando parcialmente las funciones de
distribución marginales:
∂F1(x)
= f (x),
∂F2(y)
= f (y) .
∂x 1
∂y 2
−1
8

2
−∞
+
4.2. Distribuciones condicionadas. Independencia
Este ep´ıgrafe se limita a analizar los resultados para una v.a. conti-
nua. Los correspondientes a v.a. discreta se obtienen de forma inmediata
intercambiando los conceptos con sus homólogos. Se define la función de
densidad condicionada de X para un valor dado de Y como:
f (x/y) =
f (x, y)
,
f2(y)
siempre que f2(y) sea distinto de cero. De la forma definida, el lector
puede comprobar que efectivamente se trata de una función de densidad.
Su correspondiente función de distribución tiene la forma
∫ x f(x, y) d x
F (x/y) = −∞ .
f2(y)
De igual manera se obtienen las condicionadas de Y con respecto a X.
De las relaciones siguientes (todas ellas inmediatas):
f(x, y) = f (y/x)f1(x)
f (y/x)
f(x/y) =
f2(y) =
f (y)
f1(x)
∫ +∞
f (y/x)f1(x)dx ,
−∞
se puede deducir que:
f(x/y) = ∫
f(y/x)f1(x)
,
+∞ f(y/x)f1(x) d x
que es la expresión del Teorema de Bayes para funciones de densidad.
Ejemplo 5.16 Continuando con el ejemplo anterior se calcula
f (x/y).
f (x/y) =
f(x, y)
f2(y)
xy 1
4 2
y+4
8
2xy + 4
= .
y + 4
=

y + 4
Independencia. Se dice que las variables X e Y son independientes,
si las distribuciones condicionadas coinciden con las marginales, esdecir:
f (x/y) = f1(x) ⇐⇒ f(y/x) = f2(y) .
Igual que siempre la condición de independencia se establece en
un doble sentido. El que las variables sean independientes implica que el
conocimiento de que una variable toma un determinado valor o esté con-
tenida en un rango de valores no da ninguna información sobre los valores
de la otra variable.
De la definición de condicionada puede deducirse que dos variables
X e Y son independientes si y sólo si:
f(x, y) = f1(x)f2(y) .
Esta definición de independencia se puede extender a cualquier conjunto
finito de variables, y as´ı, las variables X1, X2, . . . , Xn, son independientes
si se verifica:
f (x1, x2, . . . , xn) = f1(x1)f2(x2) . . . fn(xn) .
La independencia conjunta implica la de cualquier subconjunto
de variables; en contra de lo que pasaba en la relación entre sucesos,
donde para que se diera la independencia conjunta era necesario exigir
la independencia para cualquier combinación de sucesos.
Ejemplo 5.17 Para comprobar si las variables X, Y del ejem-
plo 5.15 son independientes se puede utilizar
la definición:
f(x/y) =
f(x, y)
=
f2(y)
xy 1
+
4 2
y + 4
8
= 2xy + 4 /= f1(x) = 1 .

4
8 8
la caracterización:
f(x, y) = xy + 2 f1(x)f2(y)
= 1 · y + 4 = y + 4 .
Por lo tanto X e Y no son independientes.
4.3. Esperanza. Covarianza y correlación
Sea g(X, Y ) una función de la v.a. (X, Y ) de función de densidad
f y función de distribución F . Se define la esperanza matemática de
g(X,Y ) como:
∫ +∞
E[g(X, Y )] = g(x, y) d F (x, y)
−∞
∫ +∞ ∫ +∞
= g(x, y)f(x, y)d x dy ,
−∞ −∞
siempre que dicha integral exista. Especial importancia tienen los casos
en que g toma las formas:
g(X, Y ) = Xh
Y k
donde la esperanza recibe el nombre de momento
de orden (h,k) respecto al origen. Se denota αhk.
g(X, Y ) = (X − α10)h
(Y − α01)k
en cuyo caso se tiene el momento
de orden (h,k) respecto a la media y que se identifica por µhk.
Ejercicio 5.2 Compruebe que:
a) α10 = E[X]; α01 = E[Y ]
b) µ10 = µ01 = 0
c) µ20 = σ2
; µ02 = σ2
.
X Y
Además µ11 = σX Y es la covarianza de (X, Y ), definiéndose el
coeficiente de correlación lineal como:
ρXY =
σXY
.
σXσY

Z X Y
La definiciónde esperanza se puede generalizar al caso de un núme-
ro finito de variables, siendo su expresión:
E[g(X1, X2, . . . , Xn)] =
∫ +∞
=
−∞
.. .
∫ +∞
−∞
g(x1, x2, . . . , xn)f (x1, x2, . . ., xn) d x1 d x2 . . . dxn.
Como siempre, si existe dicha integral.
Propiedad 5.2
1. E[X1 + X2 + . . . + Xn] = E[X1] + E[X2] + . . . + E[Xn].
2. Si las variables X1 .. . Xn son independientes, entonces:
E[X1X2 . . . Xn] = E[X1]E[X2] . . . E[Xn] .
3. Si dos variables son independientes, su covarianza es nula. El
recı́proco no es cierto en general.
4. Si Z = aX + b y T = cY + d, se tiene que σZ,T = acσXY .
5. |ρX Y | ≤ 1.
6. Si Y = aX + b entonces |ρX Y | = 1, siendo su signo igual al de a.
7. Si Z = X ± Y , entonces σ2 = σ2
+ σ2
± 2σXY .
Se llama vector de medias de la v.a. X = (X1, X2, . . . Xn) al vector
cuyas componentes son las esperanzas de cada una de las Xi, que se
representan por µ̄ = E[X].
Se llama matriz de varianzas y covarianzas de la v.a. X a la matriz
cuadrada de orden n dada por:
ΣX = E[(X − µ̄)t
(X − µ̄)].
Dicha matriz contiene en la diagonal a las varianzas de las variables
y en el resto a las covarianzas entre ellas. La matriz de varianzas y
covarianzas es, por tanto, simétrica y además semidefinida positiva; y es
definida positiva, si ninguna de las variables es combinación lineal del
resto.

4
1
0
3 3
10
01
− =
3 4 12
3 144 144
.
2
6
Ejemplo 5.18 Las medias α1 0 y α01 (momentos de orden 1 respec-
to del origen) de la variable aleatoria bidimensional
del ejemplo 5.15 se obtienen como:
1 ∫ 1 ∫ 1 x2y
α10 = E[X] = 2 0 −1
. 2 + x d y d x
1 ∫ 1
2 0
1
.1
x2y2
+ xy
.
dx
−1
1
= 2 x.
0 = 2 ∫ ∫
α = E[Y ] = 1 1 1 xy2
+ y d y d x
01 2 0 −1
. 2
= 1 ∫ 1 xy3
+ y2 .1
x
2 0 6 . d
. −1
= 1 x2 .1
= 1 .
2 6 . 12
De la misma forma losmomentos de orden 2 vienen
dados por:
α20 = E[X2
] = 1
α02 = E[Y 2
] = 1
.
De donde:
µ20 = E[(X − α10)2
] = α20 − α2
= 1 − 1 = 1
µ02 = E[(Y − α01)2
] = α02 − α2
= 1 − 1 = 47 .
Para calcular la covarianza se necesita previamen-
te:
α11 =
∫ 1 ∫ 1
1 x2y2
= E[XY ] = 2
∫ 1
0 −1
1
+ xy
2
d y d x
1
x2y3
1 +
2
0 6
xy2
2
1 x3
dx =
−1 3
1
= .
0 18
Y por tanto:
Cov(X, Y) = σx,y = µ11 = E[XY ] − E[X]E[Y]
1 1 1 1
18 2 12 72
=
=
=
.

∂(z,t)
3
.
. 1 2
.
.
Y = T −Z . .
.
1 2
De donde el coeficiente de correlación es:
σx,y
1
′
ρXY =
= q 7
q
2
= 0 0842 .
σxσy 1 47
12 144
4.4. Cambio de variables
Sea (X, Y ) una v.a. con función de densidad f. Sean Z = g1 (X, Y )
y T = g2 (X, Y ) transformaciones continuas y biunı́vocas definidas por
dos funciones g1 y g2 que admiten derivadas parciales continuas. Enton-
ces la función de densidad de la nueva variable (Z, T ) existe en todos
aquellos puntos donde el determinante
∂(z, t)
J =
∂(x, y)
.
. ∂z
. ∂x
. ∂t
. ∂x
.
∂z .
∂y .
∂t .
∂y
sea distinto de cero. Siendo dicha función igual a:
g(z,t) = f(h1 (z,t), h2 (z,t))|J1 | .
Donde h1 y h2 son las funciones inversas de g1 y g2, y J1 = ∂(x,y)
.
Es inmediata la generalización al caso de n variables.
Ejemplo 5.19 En el ejemplo 5.15 se considera la transformación:
Z = X − Y
T = X + 2Y
Para obtener la función de densidad de la nueva
variable (Z, T) se calcula en primer lugar:
. .
J =
. 1 −1 .
= 2 + 1 = 3 /= 0 .
Por lo tanto la función de densidad g(z,t) existe
para cualquier punto. A continuacion se despeja
(X,Y ) en función de (Z,T ) y se calcula J1 .
)
X = 2Z+T
. .
. 3 3
. 1
−→ J1 = .
−1
1
. = .
3
3
=
3 3

5.5 Ejercicios 173
−
· =
Por tanto:
g(z, t) =
resultando:
2z+t t−z
3 3 1
4 3
(2z+t)(t−z)
108
g(z, t) =
(2z + t)(t z)
108
0 < 2z + t < 3, y
−3 < t − z < 3
5. Ejercicios
5.1. Ejercicio resuelto
5.1 La función de distribución asociada a la producción de una
máquina, en miles de unidades, es del tipo:
0 si x < 0
F (x) = x(2 − x) si 0 ≤ x ≤ k
1 si x > k.
ción.
a) Determine k para que F sea función de distribución.
b) Calcule la función de densidad de la variable producción.
c) Obtenga media, moda, mediana y varianza de la produc-
d) ¿Cuál es la probabilidad de que la producción sea inferior
a 500 unidades? ¿Y la de que sea superior a 250 unidades?
e) Si el beneficio de la máquina viene dado, en función de
la producción, por B = 6X − 3, calcule la función de densidad y de
distribución del beneficio.
Solución:
a) Para calcular k hay que utilizar las propiedades que se
conocen de la función de distribución. Se sabe que la función de distri-
bución cuando se trata de una v. a. continua es continua en todo R. Por
tanto:
1 = l´ım
x→k+
F(x) = l´ım
x→k−
F (x)
= l´ım
x→k−
x(2 − x) = k(2 − k)
,

2
−
4 2
2
−
.
⇒ k − 2k + 1 = 0
k =
2 ±
√
4 − 4
= 1.
2
En consecuencia k = 1.
b) Para calcular la función de densidad a través de la fun-
ción de distribución basta con derivar F :
f(x) = 2 − 2x si 0 ≤ x ≤ 1
0 en el resto.
c) Por definición se tiene que:
∫ ∞
E[X] = xf (x) dx
−∞
∫ 1
= x(2 2x)d x
0
3
.1
2 2x . 2 1
= x −
3
. = 1 −
3
=
3
.
Para calcular la moda hay que ver el valor que hace máxima la
función de densidad. Derivando se obtiene, f′(x) = −2. La derivada de
la función de densidad es negativa, por lo que se trata de una función
decreciente y toma el valor máximo en el extremo inferior del intervalo
[0,1]. La moda es por tanto x = 0.
La mediana de una distribución es aquel valor que deja el 50 % de
la distribución a la derecha y el otro 50 % a la izquierda. Expresado en
términos de la función de distribución el valor mediana, M e, verifica,
F(Me) = 1
.
2Me Me2
=
1
2 =⇒ 4Me − 2Me2
= 1
2Me2
− 4Me + 1 = 0 =⇒ Me =
4 ±
√
16 − 8
=
2 ±
√
2
.
De las dos soluciones se rechaza aquella que es mayor que uno, pues para
ese valor la función de distribución vale 1. Por lo tanto:
√
2
Me = 1 −
2
.
⇒
0

5.5 Ejercicios 175
3
0
6 18
−
La varianza se puede calcular como:
V [X] = E[X2
] − E[X]2
.
Se sabe que E[X] = 1
, entonces lo único que hay que calcular es E[X2
]:
E[X2
] =
∫ +∞
−∞
∫ 1
x2
f (x) dx
1
Y por tanto:
= 2x2
(1 x) dx = .
0
6
1 1 1
V [X] =
6
−
9
=
18
.
d)
∫ 0′
5
P (X < 0′5) =
=
−∞
∫ 0′
5
0
f(x) dx
(2 − 2x) d x
2
.0′
5 ′
= 2x − x . = 0 75 .
De la misma forma se obtiene P(X > 0′25), sabiendo que:
P (X > a) = 1 − P (X ≤ a)
P (X > 0′25) = 1 − P(X ≤ 0′25) = 1 −
∫
0′
25
0
(2 − 2x) dx
2
.0′
25 ′
= 1 − 2x − x . = 0 5625 .
e) Para calcular la función de densidad de B = 6X − 3, se
aplica la fórmula del cambio de variable:
. .
. dx.
g(b) = f(x) . .
. d b .
b = 6x − 3 =⇒ x =
b + 3
6
g(b) = 2 − 2
b + 3 1
=
3 − b
.
6
0

−
.
3
sidad.
Se calcula el dominio de definición de esta nueva función de den-
Si b = 6x − 3 y 0 ≤ x ≤ 1 =⇒ −3 ≤ b ≤ 3, entonces
g(b) =
3−b
18 si − 3 ≤ b ≤ 3
0 en el resto.
La función de distribución viene dada por:
∫ b
F (b) = g(x) dx
−∞
∫ b
=
3 − x
dx
−3 18
x x2
.
= − ) . 6b b2
+ 27
=
6 36 .
−3 36
cuando b ∈ (−3, 3), por lo que:
0 si b < −3
F (b) = 6b−b2+27
36 si −3 ≤ b ≤ 3
1 si b > 3 .
5.2. Ejercicios propuestos
5.1. Una v.a. tiene como función de densidad:
1
si 0 < x < 1
f(x) = kx si 2 < x < 4
0 en el resto.
a) Encuentre k para que f sea función de densidad.
b) Calcule la función de distribución.
c) Obtenga la media, moda y mediana de la variable X.
b

5.5 Ejercicios 177
′
2
5.2. Una v.a. toma los valores −2, −1, 0, 1, 2. Se sabe que cada
valor tiene la misma probabilidad que su opuesto, que P (X = 0) = 02
y que la probabilidad del valor 1 es el doble que la del 2.
Calcule:
a) La función de cuantı́a y la función de distribución.
b) P(−1 ≤ X ≤ 1), P (−1 ≤ X < 1), P(X ≥ 2).
c) La función de cuantı́a de la variable Y = 2X .
d) El valor esperado de la variable Y 2
.
5.3. Debido al aniversario de un centro comercial se regala por
cada 30e de compra una llave para abrir un cofre de los 50 que hay.
Entre ellos hay 2 que contienen premio, uno de 600e. y otro de 400e.
¿Cuál es la ganancia esperada para una persona que tiene dos llaves?
5.4. Observando una determinada v.a. de un experimento se
obtiene que su función de densidad viene dada por:
1
+ x si 0 < x ≤ a
f(x) = 2
0 en el resto.
a) Encuentre a para que f sea función de densidad.
b) Obtenga su función de distribución.
c) Calcule su media, moda y mediana.
d) Calcule P (X ≤ 3), P (0 ≤ X ≤ 0′5), P(X ≤ −0′5)
e) En un experimentoposteriorse comprobó que una nueva
variable venı́a dada en función de ésta por: Y = Ln X. Calcule su función
de densidad.
5.5. ¿Existe algún valor de k para el cual la función:
f(x) = k(1 − x) si − 1 ≤ x ≤ 2
0 en el resto,
sea función de densidad? En caso afirmativo calcule su función de dis-
tribución.

5.6. El tiempo de vida, en meses, de determinados insectos viene
dado por una v.a. cuya función de distribución es:
Calcule:
F (x) =
0 si x < 0
K(1 − e−2x
) si x ≥ 0 .
a) El valor de K para que F sea función de distribución.
b) Su función de densidad.
c) La probabilidad de que un insecto viva más de dos meses.
d) La probabilidad de que un insecto que ha vivido4 meses
viva un mes más.
5.7. Sea X una v.a. continua cuya función de densidad es:
(x + 1)2
si − 2 ≤ x ≤ 0
f(x) = kx si 1 ≤ x ≤ 2
0 en el resto.
a) Encuentre k para que f sea función de densidad.
b) Calcule la función de distribución.
c) Calcule P (0 ≤ X ≤ 1′25) y P(X ≥ −1).
d) Calcule el valor medio de la variable y su varianza.
e) Si Y = 2X2
− 2, calcule el valor medio de Y .
5.8. Se posee una moneda trucada de tal forma que la probabi-
lidad de sacar cara es el triple que la de sacar cruz. Se lanza esta moneda
tres veces y se cuenta el número de veces que ha salido cara.
Calcule:
a) La función de cuantı́a y la función de distribución de la
variable definida.
b) El valor esperado y la varianza.
c) La probabilidad de que el número de caras sea mayor o
igual a dos.

5.5 Ejercicios 179
5.9. La longitud de ciertos caracoles marinos, encent´ımetros, se
distribuye según la función de densidad:
f(x) = k(x − 3)(7 − x) si x ∈ (3,7)
0 en el resto.
a) Determine k para que f sea función de densidad.
b) Calcule su función de distribución.
c) Para un estudio interesan aquellos caracoles marinos cu-
ya longitud esté comprendida entre 3’5 y 6 centı́metros ¿Qué porcentaje
de caracoles hay para ese estudio?
5.10. De una v.a. discreta se sabe que los valores que toma son:
-3, -2, 0, 2, 3, que P (X = 0) = 0′5, P (X = 3) = 0′125, que el valor
esperado de la variable es 0 y la varianza 3’25.
Calcule la función de cuantı́a de Y = X2
.
5.11. Se sabe que la función de distribución de una variable alea-
toria es
Calcule:
F (x) =
0 si x < 0
0′15 si 0 ≤ x < 1
0′6 si 1 ≤ x < a
0′75 si 2′5 ≤ x < 3
1 si 3 ≤ x .
toria.
a) La función de cuantı́a.
b) La esperanza, la mediana y la moda de la variable alea-
c) P (−1′5 ≤ X < 3′5).
5.12. Se considera la siguiente función:
kx2
si x = 1, 2, 3.
f(x) =
0 en el resto.
a) Calcule k para que f sea función de cuantı́a de una
variable aleatoria X.

b) Calcule la función de distribución de X.
c) Calcule media, moda, mediana y varianza.
d) P (0′5 ≤ X < 2′5).
e) Sea Y = Ln(X + 1), calcule la función de cuantı́a de Y .
5.13. Se considera un experimento aleatorio con un dado y con
una moneda, de forma que se lanza el dado y a continuación la moneda.
Si la moneda sale cara, el resultado del experimento es la puntuación
obtenida al lanzar el dado y si sale cruz el resultado es la puntuación del
dado más uno. Calcule la función de cuantı́a de este experimento.
5.14. Se lanza cuatro veces una moneda y se cuenta el número
de caras que se han obtenido. Calcule la función de cuantı́a de este
experimento.
5.15. Se lanza una moneda hasta la primera vez que sale cara.
Calcule la función de cuantı́a de este experimento.
5.16. Se considera la función:
f(x) =
1
N
si x = 1,2, .. ., N
0 en el resto.
a) Pruebe que la función f es una función de cuantı́a de
una variable aleatoria X.
c) Obtenga la media y la varianza.
5.17. Se considera la función:
ke2x−1
si x = 0,1, 2
f(x) =
0 en el resto.
a) Calcule k para que sea función de cuantı́a.
b) Calcule la función de distribución correspondiente.

5.5 Ejercicios 181
21
5.18. Sea f definida por
(x + 1)2
si 0 ≤ x < 0′25
ke2x
si 0′75 ≤ x < 1
f(x) = Ln(x)
2 si 1 ≤ x ≤ 2
0 en el resto.
a) Calcule k para que sea función de densidad.
b) Calcule la función de distribución correspondiente.
c) Calcule la mediana de la distribución.
d) Sea Y = 2X + 1, calcule E[Y ].
5.19. Sea f definida por:
1 si 0 ≤ x < 1
k(3x2
+ 4x) si 1 ≤ x < 2
f(x) = 2 x si 2 ≤ x ≤ 3
0 en el resto.
a) Calcule k para que f sea función de densidad.
c) Sea Y = Ln(2X), calcule la función de densidad de Y .
5.20. Sea f definida por:
f(x) = 1 − x si 0 ≤ x < a
x − 1 si a ≤ x ≤ 2 .
Calcule a para que f sea función de densidad.
5.21. Sea F la función definida por
0 si x < 0
2
x − x si 0 ≤ x < 1
F (x) = x2
2
k( 2 − x + 1) si 1 ≤ x ≤ a
1 si x > a .
a) Calcule a y k para que F sea la función de distribución
de X.
3

≤
b) Calcule la función de densidad de X.
c) Calcule la mediana de la distribución.
d) Calcule la distribución de Y = eX
.
5.22. Sea F una función de distribución dada por
0 si x < 0
kx2
si 0 x < 1
F (x) = 2
k(4x − x − 2) si 1 ≤ x < 2
b si x ≥ 2 .
a) Calcule k y b para que F sea función de distribución de
una variable aleatoria continua.
b) Calcule E[X] y V [X].
c) Obtenga P (3
< X < 3
).
4 2
5.23. Se considera (X, Y ) la v.a. bidimensional con
f(x, y) = k(x − y) si 2 ≤ x ≤ 4, 0 ≤ y ≤ 1
0 en el resto.
a) Determine k para que f sea función de densidad.
c) Obtenga las distribuciones marginales y condicionadas.
d) Calcule P (X ≤ 3, Y ≥ 0′5), F (2, 0) y F (1,0′25).
5.24. Sea f la función definida por:
f(x, y) = 1 si 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
0 en el resto.
Demuestre que es una función de densidad.
5.25. De las siguientes funciones, calcule el valor de k para que
sean funciones de densidad de una variable aleatoria bidimensional.
a)
f(x, y) =
kx2
si 0 ≤ x ≤ 1, y ≤ x
0 en el resto.

5.5 Ejercicios 183
b)
f(x, y) = k(2x + y) si 0 ≤ x ≤ 1, y ≤ x2
0 en el resto.
c)
f(x, y) = k si 0 ≤ x ≤ 1, |y| ≤ x2
0 en el resto.
d)
f(x, y) = k(x2
+ y2
) si 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
0 en el resto.
5.26. Sea
f(x, y) = kxy si 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
0 en el resto.
Calcule
sidad.
a) El valor de k para que la función f sea función de den-
b) La función de distribución correspondiente.
c) Las distribuciones marginales.
d) P (0′5 ≤ X ≤ 0′75,0 ≤ Y ≤ 0′25).
e) La distribución de X + Y .
5.27. Sea
f(x, y) = k si 0 ≤ x ≤ 1, 0 ≤ y ≤ 2
0 en el resto.
a) Calcule k para que f sea función de densidad.
b) Obtenga la función de densidad de la variable bidimen-
sional (U, V ), donde U = X + Y y V = X − Y .
c) Calcule las marginales de (X, Y ).
d) Determine las condicionadas de (U,V ).

Estadistica_Descriptiva_y_Probabilidad_T.docx

Más contenido relacionado

Similar a Estadistica_Descriptiva_y_Probabilidad_T.docx (20)

Más de GilbertoJuarez5 (15)

Último (20)

Estadistica_Descriptiva_y_Probabilidad_T.docx