Capítulo 2

Cálculo de probabilidades I
Capítulo 2
VARIABLES ALEATORIAS Y DISTRIBUCIONES DE

PROBABILIDAD
2.1 Variable aleatoria

Una variable estadística es una característica (cualitativa o cuantitativa) que se mide u observa en una
población. Si la población es aleatoria y la característica es cuantitativa la variable estadística es
denominada variable aleatoria. Las variables aleatorias se clasifican en discretas y continuas.
Definición. Se denomina variable aleatoria, a una variable estadística cuantitativa definida en un espacio
muestral  .
Esto es, una variable aleatoria X es una función definida en  tal que a cada elemento w   le asocia
el número real x = X ( w) , (figura 2.1).
El dominio de la variable aleatoria X es el espacio muestral  y el rango es un subconjunto de los

números reales que denotaremos por RX, siendo,
R X = {x   / x = X ( w), w  } .
EJEMPLO 2.1.
Sea  el espacio muestral que se obtiene al lanzar al aire una moneda tres veces consecutivas, esto es,
 = {SSS, SSC, SCS, CSS, SCC, CSC, CCS, CCC}.
Si X se define en  como "el número de caras obtenidas", entonces, X es una variable aleatoria cuyo
rango es el conjunto: R X = {0,1,2,3}. En efecto,
X = 0, corresponde al evento elemental {SSS}.

X = 1, corresponde a los eventos elementales {SSC}, {SCS} y {CSS}.
X = 2, corresponde a los eventos elementales {SCC}, {CSC} y {CCS}.
X = 3, corresponde al evento elemental {CCC}.
EJEMPLO 2.2.
Sea  , el espacio muestral que resulta de lanzar un dado sucesivamente veces hasta obtener el primer
dos, esto es.
67
 = {E, FE, FFE, FFFE...etc.…}

donde E(éxito)=“sale dos”, y F(fracaso)="No sale dos”, en cada prueba. La función Y definida en  , como
"el número de lanzamientos realizados", es una variable aleatoria, cuyo rango es el conjunto: RY =
{1,2,,etc..}. Esta variable ejecuta las siguientes asignaciones:
Y(E) = 1, Y(FE) = 2, Y(FFE) = 3, etc.
En algunos casos el resultado w de un experimento aleatorio es ya la característica numérica que
queremos anotar, en este caso se define la variable aleatoria X como la función identidad, esto es, X(w) =
w.
EJEMPLO 2.3.
Sea  el espacio muestral que consiste del tiempo de duración de un artefacto electrodoméstico
obtenido al azar de un lote, entonces,
 = {w   / w  0} . Si la variable aleatoria X se define también como el tiempo de duración del artefacto,
entonces X es la función identidad cuyo rango es el conjunto:
R X = {x   / x  0}.
NOTA. La variable aleatoria es pues, una función que atribuye a cada evento elemental un número que no
es aleatorio o imprevisible si no fijo y predeterminado.
Lo que es aleatorio es el experimento sobre cuyo espacio muestral se define la variable aleatoria.
Esta función puede estar definida por una ley o regla o por un conjunto de números reales atribuidos
mediante dicha ley o regla.
En la mayoría de las aplicaciones, se está más interesado en los valores que toma la variable, ignorando
completamente el espacio muestral en el que se define.
El rango de la variable aleatoria es un espacio muestral inducido por la variable.
Clasificación.
Las variables aleatorias se clasifican en general en discretas y continuas.
Una variable aleatoria discreta es aquella cuyo rango es un conjunto finito o infinito numerable de
valores (ejemplos 2.1 y 2.2).
Si la variable aleatoria X es discreta, su rango se expresará en general por:
R X = {x1 , x 2 ,...., x n ,...} .
Una variable aleatoria continua es aquella cuyo rango es un intervalo en  o conjunto infinito no
numerable de valores reales (ejemplo 2.3).
En general las variables aleatorias discretas representan datos que provienen del conteo del número de
elementos, mientras que, las variables aleatorias continuas representan mediciones, por ejemplo, tiempo,
peso, longitud, etc..
2.2. Variable aleatoria discreta: Función de probabilidad y

función de distribución acumulada.
2.2.1. Probabilidad en el rango RX.

Una variable aleatoria discreta asume cada uno de sus valores con cierta probabilidad que denotaremos
por PX (probabilidad inducida por X).
En efecto, si el rango de la variable aleatoria X es el conjunto finito de números, R X = {1,2,..., x n } y

si B = {x i } es un evento en R X , entonces,
PX ({xi }) = P({w   / X ( w) = xi }) ,
68
o PX ({xi }) = P( A) , donde, A = {w   / X (w)  B} .
Con frecuencia, se utiliza la expresión P[ X = x i ] para denotar la probabilidad PX ({ x i }) , esto es,
P[ X = xi ] = P({w   / X ( w) = xi }) .
Por ejemplo, si la variable aleatoria X es el número de caras que resultan al tirar una moneda 3 veces,
el rango de X es R X = {0,1,2,3}, entonces,
P[X = 0] = P({SSS}) = 1/8.

P[X = 1] = P({SSC o SCS o CSS}) = 3/8.
P[X = 2] = P({SCC o CSC o CCS}) = 3/8.
P[X = 3] = P({CCC}) = 1/8.
En general, sea P una probabilidad definida en un espacio muestral  , y X una variable aleatoria
definida en  cuyo rango es el conjunto de números R X , la probabilidad PX del evento B en R X se
define por:
PX ( B) = P( A)
siendo A en  un evento equivalente a B (figura 2.2), esto es,

A = {w   / X (w)  B}.
NOTAS.
1. El conjunto de pares ( xi , P[ X = xi ]) es la distribución de probabilidades de la variable aleatoria X .
Esta distribución es similar a una distribución de frecuencias relativas, por tanto, se pueden
calcular, por ejemplo, medidas de tendencia central y de dispersión mediante un proceso similar al que
se hizo con la distribución de frecuencias relativas.
Sólo habrá que cambiar las notaciones por tratarse ahora de una población.
2. Las probabilidades p i = P[ X = x i ] , xi  RX satisfacen las propiedades:
a) p i  0, para cada x i  R X , b) p
xi R X
i = 1.
3. Por extensión para todo número real x  xi , siendo x i  R X , se define:
P[ X = x] = P() = 0
En consecuencia, queda definida la probabilidad P[ X = x] para todo número real x.
69
2.2.2 Función de probabilidad

Definición. Sea X una variable aleatoria discreta. Se denomina función (ley o modelo o distribución) de
probabilidad de X a la función f (x) definida por f ( x) = P[ X = x] para todo x número real y que satisface
las siguientes condiciones:
i) f ( x)  0 x  , y ii )  f (x ) = 1
xi RX
i
La condición ii)
n
Es:  f ( x ) = 1 , si R
i =1
i X = {x1 , x 2 ,..., x n } es finito.

Es :  f ( x ) = 1, si R
i =1
i X = {x1 , x 2 ,..., etc.} es infinito,
NOTAS.
1. Si A  R X , entonces, la probabilidad de A es el número:
P( A) =  P[ X = x ] =  f ( x ).
xi A
i
xi A
i
El lector debería verificar que P( A) es una probabilidad, esto es, satisface los axiomas de
probabilidad.
2. La función de probabilidad de una variable aleatoria X se puede expresar: por una ecuación:
f ( x) = P[ X = x] = expresión de x , o por el conjunto de pares {( xi , pi ) / pi = f ( xi ), xi  R X } o por
una tabla, como 2.1 (si RX es finito).
Tabla 2.1: Distribución de probabilidad de v. a. discreta
Valores x i de X x1 x2 x3 ... xn
Probabilidad pi = P[ X = xi ] p1 p2 p3 ... pn
La gráfica de una distribución de probabilidades discreta es la gráfica de bastones que consiste de
segmentos verticales continuos o punteados de longitud proporcional a la probabilidad respectiva en
cada valor x i de la variable (figura. 2.3).
EJEMPLO 2.4.
Sea X la variable aleatoria definida como el número de caras que ocurren al lanzar una moneda 4 veces.
a) Determinar la distribución de probabilidades de X . Graficarla.
b) Calcular la probabilidad P[0  X  2] .
c) Determine la distribución de probabilidades de X si la moneda se lanza n veces ( n  2 ).
SOLUCION.
a) El rango de la variable aleatoria X, es el conjunto R X = {0,1,2,3,4} . Suponiendo que los dieciséis sucesos
elementales del espacio muestral son equiprobables, la función de probabilidad, es descrita por:
f (0) = P[ X = 0] = P( SSSS) = 1 16
f (1) = P[ X = 1] = P( SSSC ó SSCS ó SCSS ó CSSS) = 4 16
f (2) = P[ X = 2] = P( SSCC ó SCSCó SCCS ó CSSC ó CSCS ó CCSS) = 6 16
f (3) = P[ X = 3] = P( SCCC ó CCSC ó CSCC ó CCCS) = 4 16
f (4) = P[ X = 4] = P(CCCC) = 1 16 
Observar que si k  R X , entonces, X = k , si y sólo si, en las 4 tiradas de la moneda aparecen k caras
y 4 − k sellos. Esto ocurre de C 4k formas. Cada una de esas formas tiene probabilidad:
70
(1 2) k (1 2) 4−k = (1 2) 4 = 1 16
siendo k = 0, 1, 2, 3, 4. Luego, la función de probabilidad del número de caras se puede describir como
tabla 2.2 ó como la ecuación:
C k4
f (k ) = , k = 0, 1, 2, 3, 4 .
16
Cuya gráfica es la figura 2.3.
2
 f (k ) = f (1) + f (2) = 16 + 16 = 16 
4 6 10
b) P[0  X  2] =
k =1
C xn
c) f ( x) = C nx (1 2) x (1 2) n− x = , x = 0,1,2,...,n
2n
xi f ( xi )
0 1/16
1 4/16
2 6/16
3 4/16
4 1/16
Tabla 2.2
Figura 2.3
NOTA. Si pi = f ( xi ) , la media de X se calcula por  = 

p i x i , y la varianza por  2 = 
p i x i2 −  2 .
En el ejemplo 2.4, el número de caras al lanzar una moneda 4 veces, tiene media  = 2 caras, y varianza
 = 1 cara2. (¡verificar!).
2
2.2.3 Función de distribución acumulada de variable aleatoria discreta

Definición. La función de distribución acumulada (f.d.a.) de probabilidades o simplemente función de
distribución, F (x ) , de la variable aleatoria discreta X, cuya función de probabilidad es f (x ) , se define
por:
F ( x) = P[ X  x] =  P[ X = k ] =  f (k ),
kx kx
para −   x   
EJEMPLO 2.5.
Sea X la variable aleatoria definida como el número de caras que resultan al lanzar una moneda 4 veces.
a) Hallar la función de distribución F(x) de la variable aleatoria X y graficarla.
b) Usando F(x), calcular P[0  X  2] .
SOLUCION.
a) La función de probabilidades f(x) de la variable aleatoria X está descrita en el ejemplo 2.4, por:
f (0) = 1 16 , f (1) = 4 16 , f (2) = 6 16 , f (3) = 4 16 y f (4) = 1 16 .
Entonces, F (0) = f (0) = 1 16 .
F (1) = f (0) + f (1) = 1 16 + 4 16 = 5 16
F (2) = f (0) + f (1) + f (2) = 1 16 + 4 16 + 6 16 = 11 16
71
F (3) = f (0) + f (1) + f (2) + f (3) = 1 16 + 4 16 + 6 16 + 4 16 = 15 16
F (4) = f (0) + f (1) + f (2) + f (3) + f (4) = 1 16 + 4 16 + 6 16 + 4 16 + 1 16 = 1
Por tanto,
 0, x < 0
 1 16 , 0  x < 1

5 16 , 1  x < 2
F ( x) = 
11 16 , 2  x < 3
15 16 , 3  x < 4

 1, x4
La gráfica de esta función de distribución está dada en la figura 2.4.
Fig. 2.4. Distribución de frecuencias acumuladas del número de caras

Observar que F ( x ) da "saltos" en los valores de x=0,1,2,3,4. Por ejemplo, F (2.99) = F (2) = 11 16 ,
F (3) = F (3.99) = 15 16 , etc..
11 1 10
b) P[0  X  2] = P[ X  2] − P[ X  0] = F (2) − F (0) = − = 
16 16 16
NOTA. En general si X tiene rango finito R X = {x1 , x 2 ,..., x n } , y función de probabilidad f ( xi ) , la

función de distribución acumulada de X es:
 0, −  < x < x1

F ( x) = 
 1,
f ( xi ), xi  x < xi +1 , i = 1,2,...n − 1
 x n  x  +
EJEMPLO 2.6.
Un lote de 10 artículos contiene 4 defectuosos. Si se obtiene una muestra al azar de cinco artículos,
determine la distribución de probabilidades del número de artículos defectuosos en la muestra, si se escogen
a) Los cinco a la vez
b) Uno por uno con reposición
SOLUCION.
Sea X el número de artículos defectuosos en la muestra de cinco.
a) Si se escogen los 5 a la vez, el rango de X es el conjunto RX = {0,1,2,3,4} . Si k  RX , el evento X = k
significa que de los 5 escogidos a la vez, k son defectuosos y 5 − k son no defectuosos y esto ocurre de
10
C k4 C56−k . Por otro lado, se escogen 5 artículos a la vez de 10, de C5 formas. Entonces, la función de
probabilidad f(x) de X es
C k4 C 56− k
f ( x) = P[ X = k ] = , k = 0,1,2,3,4.
C 510
72
El lector debería verificar que la suma de probabilidades es igual a 1.

También debería verificar que la misma distribución se obtiene si los cinco artículos se escogen uno
por uno sin reposición.
b) Si se escogen los 5 uno por uno con reposición, el rango de X es el conjunto R X = {0,1,2,3,4,5} . Si
k  R X , X = k significa que, de los 5 artículos, k defectuosos ocurren independientemente con
probabilidad p = 4 / 10 cada uno, y 5 − k no defectuosos ocurren independientemente con probabilidad
q = 6 / 10 cada uno. Estos eventos ocurren de C k formas. Entonces, la función de probabilidad f(x) de
5
X es
f ( x) = P[ X = k ] = Ck5 p k q 5−k , k = 0,1,2,3,4,5.
donde p = 4 / 10 y q = 6 / 10 .
El lector debe verificar que la suma de probabilidades es igual a 1.
EJEMPLO 2.7.
Una urna contiene 3 fichas de color rojo y una de color azul. Un experimento aleatorio consiste en
extraer fichas al azar de la urna uno a uno sucesivamente.
a) Determinar la distribución de probabilidades del número de intentos que se realizan hasta que aparezca
la primera ficha azul.
a1) sin reposición, a2) con reposición.
b) Si dos personas A y B juegan sacando alternativamente una ficha con reposición de la urna y si gana el
que obtiene la primera ficha azul, ¿cuál es la probabilidad de que A gane el juego si él juega
primero?
SOLUCION.
a) Sea X la variable aleatoria que denota el número de intentos hasta que ocurra la primera ficha azul.
a1) Si la extracción es sin reposición, el rango de X es el conjunto R X = {1,2,3,4} . Entonces,
1
f (1) = P[ X = 1] =
4
3 1 1
f (2) = P[ X = 2] =  =
4 3 4
3 2 1 1
f (3) = P[ X = 3] =   =
4 3 2 4
3 2 1 1 1
f (4) = P[ X = 4] =    =
4 3 2 1 4
Esta distribución de probabilidades iguales es conocida como distribución uniforme.
a2) Si la extracción es con reposición, el rango de X es el conjunto R X = {1,2,3,..., etc} . Si k  R X
entonces, X = k sólo si ocurre la ficha azul en la k-ésima extracción con probabilidad 1 / 4 y no
azul en las anteriores extracciones independientes con probabilidad 3 / 4 . Luego, la probabilidad de
X = k está dada por:
k −1
 1  3 
f (k ) = P[ X = k ] =    , k = 1,2,3,..., etc.
 4  4 
Se verifica que:

 f (k ) = 1
k =1
En efecto, utilizando la suma:


r
1
k
= 1 + r + r 2 + r 3 + ... = , si r  1
k =0 1− r
73
1  
  k −1 2 3
3 3 3 3
 
1 14
f (k ) =   = 1 + +   +   + ...  = =1 
k =1
4 k =1  
4 4  4 4  
4 
 1 − (3 4 )
b) Si A sale primero, entonces, juega las veces impares. Luego,

P[A gane el juego] = P[X = 1 ó X = 3 ó X = 5 ó X = 7, etc..]
2 4 6
 1   1  3   1  3   1  3 
=   +    +    +    + ...
 4   4  4   4  4   4  4 
 1  
2 3
9  9   9 
=   1 + +   +   + ...
 4   16  16   16  
 1  1  4
P[A gane el juego] =    = .
 
4 1 − (9 16 )  7
EJEMPLO 2.8.
En el ejemplo 2.7 determinar la distribución de probabilidades del número de intentos hasta que ocurra
la segunda roja
a) Una por una sin reposición.
b) Una por una con reposición.
SOLUCION.
Sea X la variable aleatoria que denota el número de intentos hasta que ocurra la segunda ficha roja.
a) Si se escogen uno por uno sin reposición, el rango de X es el conjunto R X = {2,3} . Entonces,
3 2 1
f (2) = P[ X = 2] = P( RR) =  =
4 3 2
3 1 2 1 3 2 1
f (3) = P[ X = 3] = P( RAR o ARR) =   +   =
4 3 2 4 3 2 2
b) Si se escogen uno por uno con reposición el rango de X es el conjunto R X = {2,3,4,..., etc} . Si k  R X
, entonces, X = k sólo si sale la segunda ficha roja en la k-ésima extracción con probabilidad 3 / 4 . En
las k − 1 extracciones restantes ocurre la otra roja con probabilidad 3 / 4 y ocurren k − 2 azules
independientemente con probabilidad 1 / 4 . Luego, la probabilidad de X = k está dada por:
f (k ) = P[ X = k ] = (C1k −1q k −2 p) p = C1k −1q k −2 p 2 k = 2,3,.., etc.

donde p = 3 / 4, q = 1 / 4 .
EJEMPLO 2.9.
En el ejemplo 2.7 si X es la variable aleatoria definida como el número de intentos que se realizan con
reposición hasta que ocurra la primera ficha azul
a) Hallar la función de distribución acumulada F(x) de X.
b) Utilizando F(x) calcular P[2  X  20] .
SOLUCION.
a) La función de distribución acumulada F(x) de X está dada por la expresión:
0, si −  < x < 1
 x t −1
F ( x) =   1  3 

, k = 1,2,3,...
  4  4  , si k  x < k + 1,
 t =1   
x t −1 x
 1  3  3
Observarque :    
t =1   
4 4
= 1−  
4
74
2 20
3 3
b) P[2  X  20] = F (20 ) − F (2) =   −   = 0.559
4 4
EJEMPLO 2.10.
Determinar el valor de la constante c para que la función f(x) definida por:
c3 x
f ( x) = P[ X = x] = , x = 0,1,2,...etc...
x!
sea función de probabilidad de la variable aleatoria X, cuyos valores posibles son: 0, 1, 2,...,etc.. Hallar,
además, la función de distribución acumulada de X y calcular P[ X  3] .
SOLUCION.
Cada probabilidad f(x) debe ser mayor o igual que cero. Además, la suma de todas las probabilidades
debe ser igual a uno.

zk
Para encontrar la constante c utilizaremos la suma: 
k =0
k!
= ez.

c3 x   3x 
Luego,  x!
= c
  x!
 = ce 3 = 1 , de donde resulta

c = e −3 .
x =0  x =0 
e −3 3 x
Entonces, f ( x) = , x = 0,1,2,...etc...
x!
La función de distribución acumulada F(x) de esta variable aleatoria es:
0, si −  < x < 0
 x k −3
F ( x) = 

3 e , t = 0,1,2,3,.. .
 , si t  x < t + 1,
 k = 0 k!
Por otra parte, P[ X  3] = 1 − P[0  X  2] = 1 − [ f (0) + f (1) + f (2)]
( )
= 1 − e −3 + 3e −3 + 4.5e −3 = 1 − 0.42319 = 0.57681 
EJEMPLO 2.11
Un inversionista puede participar en un negocio 4 veces y de manera independiente. Cada vez que
participa gana o pierde $5000 con la misma probabilidad. La persona comienza con $10000 y dejará de
participar en el negocio si pierde todo su dinero o gana $15000 (o sea si termina con $25000). Hallar la
función de probabilidad de la utilidad del inversionista
SOLUCION
Sean: U la variable que representa la utilidad.
P = pierde con probabilidad = 1/2
G = pierde con probabilidad = 1/2
Entonces, los valores de U (montos finales menos capital) son:
−10,000, en los casos: PP o PGPP o GPPP con probabilidad=6/16
0, en los casos: PGPG o PGGP o GPPG o GPGP o GGPP
con probabilidad =5/16
10,000, en los casos: GGPG o GPGG o PGGG con probabilidad=3/16
15,000, en los casos: GGG con probabilidad=2/16
75
2.3. Variable aleatoria continua: Función de densidad y función

de distribución acumulada.
2.3.1 Función de densidad de probabilidad

Definición. Se dice que la función f (x ) es función de densidad (ley o distribución) de probabilidad
de la variable aleatoria continua X si satisface las siguientes condiciones:
i) f ( x)  0 para todo x   (  es el conjunto de los números reales).
+
ii)
 −
f ( x)dx = 1
iii) P( A) = P[ x  A] =  A
f ( x)dx , para cualquier intervalo A  
NOTAS.
1. La condición i) expresa que la gráfica de f(x) no tiene puntos por debajo del eje de las abscisas.
La condición ii), indica que el área total bajo la curva es igual a uno.
La condición iii) expresa: probabilidad igual a área. Esto es, si A = [a, b] , la probabilidad
P[a  X  b] es igual a la área de la región limitada por la curva, el eje X y las rectas X = a, X = b
, es decir: (ver figura 2.5)
b
P[a  X  b] =  a
f ( x)dx
P[ a  X  b]
Fig. 2.5
2. No es difícil verificar que si el evento A es cualquier intervalo en la recta real , entonces, P ( A) satisface
los axiomas de la probabilidad.
3. Cualquier función f (x ) que satisfaga sólo las condiciones i) y ii) no es probabilidad, sólo es
probabilidad cuando la función de densidad es integrada entre dos límites. Por ejemplo, la función:
f ( x) = 3x 2 / 8 para 0  x  2 ,
satisface las condiciones i) y ii), pero f(x) no es probabilidad, ya que entre otros valores se tiene, f(2)
=1.5, f(1.8) =1.215.
4. Si x0 es cualquier valor específico de la variable aleatoria continua X, entonces:
x0
P[ X = x0 ] = P[ x0  X  x0 ] =  x0
f ( x)dx = 0
Como consecuencias se tiene:

a) P(A) = 0, no implica A = .
b) P[a  X  b] = P[a  X  b] = P[a  X  b] = P[a  X  b] 
76
EJEMPLO 2.12.
Sea f (x) una función definida en todos los números reales por
cx 2 , si x  [0,2]
f ( x) = 
0, si x  [0,2]
a) Hallar el valor de la constante c para que, f (x) sea una función de densidad para alguna variable
aleatoria X.
b) Calcular P[0  X  1] .
SOLUCION.
a) El área de la figura 6.6 debe ser igual a 1, entonces,
2
+ 2  x3 
 
8
1= f ( x)dx = cx dx = c   = c
2
− 0  3  0 3
resultando, c = 3 8 . Luego,
3 x 2 8 , si x  [0,2]
f ( x) = 
0, si x  [0,2]
La gráfica de esta función de densidad está dada en la figura 6.6.
Fig. 2.6
1
1 3x 2  x3 

1
b) P[0  X  1] = ( )dx =   =
0
8  8  0 8
2.3.2 Función de distribución acumulada de variable aleatoria

continua
Definición. La función de distribución acumulada (f.d.a), F (x ) de una variable aleatoria continua X con
función de densidad f(x), se define (ver figura 2.7), por:
x
F ( x) = P[ X  x] =  −
f (t )dt, para −   x  +
F(x) = P [ X  x ]
Fig. 2.7
77
EJEMPLO 2.13.
Sea f (x) una función de densidad de probabilidad de una variable aleatoria X, cuya gráfica es la
figura que sigue:
a) Determinar el valor de la constante c y luego la f.d.p. de X.

b) Hallar la función de distribución acumulada F(x) de X.
c) Usando F(x), calcular P[5/4  X  5/2].
SOLUCION.
a) Si el área que encierra la figura con el eje X es igual a uno, entonces, c = 1 4 . La función de densidad
se define a partir de la ecuación de la recta : y − 1 4 = (3 4 − 1 4) (3 − 1)( x − 1) , o y = x 4 . Luego,
x
 , si1  x  3
f ( x) =  4

0, en otro caso
b) La función de distribución acumulada, se calcula por:
F(x) = 0, si x  1, F(x) = 1, si x  3.
x x2 1

t
Si 1  x  3, F ( x) = dt = − .
1 4 8 8
Entonces,
0, si x  1
 2
 x −1
F ( x) =  , si 1  x  3
 8
1, si x  3
La gráfica de esta función de distribución acumulada es la figura 2.8.
Fig. 2.8
5 5 5  5  21 9 75
c) P   X   = F   − F   = − = .
 4 2   
2  
4 32 128 128
78
EJEMPLO 2.14.
La función de densidad de una variable aleatoria continua X, es descrita por la figura 2.9, es decir,
f ( x) = 0 , si x [0,3], y,
cx , si 0  x < 1

f ( x ) = c, si 1  x < 2
− cx + 3c, si 2  x  3

a) Determinar el valor de la constante c.
b) Hallar la función de distribución acumulada F(x) de la variable aleatoria X y graficarla.
SOLUCION.
a) El área que encierra la figura 6.9 debe ser igual a 1, entonces, c = 1 / 2 . También, si usamos integrales
para el área se tiene:
+ 3 1 2 3
 −
f ( x)dx =  0
f ( x)dx = c  0
xdx + c  1
dx + c  2
(− x + 3)dx = 1
de donde resulta c=1/2 . La función de densidad de X es entonces:

x 2 , si 0  x  1
1 2 , si 1  x  2

f ( x) = 
(− x + 3) 2 , si 2  x  3
0, en otros casos
b) Determinación de la función de distribución:

x
F ( x) =  −
0 dt = 0, para x  0 Fig. 2.9
x
xt t2  x2
F ( x) = F (0) +  02
dt = 0 +   =
 4  0 4
, para 0  x  1,
x
x (1) 2  t 

1 x 1
F ( x) = F (1) + dt = +   = − , para 1  x  2,
1 2 4 2 1 2 4
x
x  −t 3 3  − t 2 3t  ( x − 3) 2
F ( x) = F (2) +  2
 +  dt = + 
 2 2 4  4
+  =−
2 
2
4
+ 1, para 2  x  3,
+
F ( x) = F (3) +  3
0dx = 1 + 0 = 1, si x  3.
La función de distribución acumulada y su gráfica (fig. 2.10) son:

0 si −   x  0
 2
x 4 si 0  x  1

F ( x) = (2 x − 1) 4 si 1  x  2

− ( x − 3) + 1
2
si 2  x  3
 4
1 si 3  x  +

Fig. 2.10
EJEMPLO 2.15.
Si la función de densidad de una variable aleatoria continua X, es
79
ce −x x0

f ( x) = 
 0 x0
a) Determinar el valor de la constante c.

b) Hallar la función de distribución acumulada F(x) de la variable aleatoria X
SOLUCION
+ +  1
 
1
a) 1 = f ( x)dx = ce−x dx = c 0 +  = c
− 0   
resultando, c =  . Luego,
e −x x0

f ( x) = 
 0 x0
x
b) Si x  0 , F ( x) = 0 . Si x  0 , F ( x) = P [ X  x] =
 0
e −t dt = 1 − e −x
2.4. Propiedades de la función de distribución

1. La función de distribución acumulada F(x) es no decreciente, esto es, para números reales x1 y x 2
cualesquiera tales que x1  x 2 , se tiene,
F ( x1 )  F ( x 2 )
En efecto, sean los eventos A = { X  x1 } , B = { X  x 2 } . Si x1  x 2 , entonces A  B . Luego,

P( A)  P ( B ) o F ( x1 )  F ( x 2 ) .
2. lim F ( x) = 0 y lim F ( x) = 1
x →− x →+
A menudo, estos límites se escriben respectivamente: F (−) = 0 y F (+) = 1
En efecto, el evento {X  −} =  (es imposible), mientras que el evento {X  +} =  (es
seguro).
3. Para a, b números reales cualesquiera, tales que a < b, se tiene,
P[a  X  b] = F (b) − F (a) .
En efecto, si a < b, entonces, { X  b} = { X  a} + {a  X  b} .

Por el axioma P3) de probabilidades, resulta,
P[ X  b] = P[ X  a] + P[a  X  b] .
Por tanto, P[a  X  b] = P[ X  b] − P[ X  a] = F (b) − F (a) .
Observar que, si la variable aleatoria X es continua, entonces,

F (b) − F (a) = P[a  X  b] = P[a  X  b] = P[a  X  b] = P[a  X  b] .
4. Dada la f.d.a. F(x) de una variable discreta X, cuyos valores x i , están ordenados en forma creciente,
esto es,
x1  x 2  x3  ....
Entonces, la función de probabilidad f (x) de X es determinada por:
f ( xi ) = P[ X = xi ] = F ( xi ) − F ( xi −1 ), i = 1,2,3,...
80
donde, F ( x) = 0 para todo x  x1 .
En efecto, si x1  x 2  x3  .... , entonces,
P[ X  xi ] = P[ X  xi −1 ] + P[ X = xi ]
de donde resulta que para i = 1,2,3,...

f ( xi ) = P[ X = xi ] = P[ X  xi ] − P[ X  xi −1 ] = F ( xi ) − F ( xi −1 )
Por ejemplo, si la f.d.a. de una variable aleatoria discreta X se define por:

F ( x) = 0 si x  0 , F ( x) = 1 / 4 , si 0  x  1 , F ( x) = 3 / 4 , si 1  x  2 y
F ( x) = 1 si x  2 .
Entonces, la función de probabilidades f (x) resulta:
f (0) = F (0) − F ( x − ) = 1 4 − 0 = 1 4
f (1) = F (1) − F (0) = 3 4 − 1 4 = 2 4
f (2) = F (2) − F (1) = 4 4 − 3 4 = 1 4 
5. Dada la f.d.a. F (x) de una variable aleatoria continua X, entonces su f.d.p f (x) es igual a la derivada
de la f.d.a. con respecto a x, donde ésta exista, esto es,
d d
f ( x) = F ( x ), x tal que F ( x ) exista 
dx dx
x
En efecto, si F ( x ) = − f (t )dt , entonces, f ( x) = F '( x) para todo x donde exista la derivada
F '( x ) .
EJEMPLO 2.16.
Si la f.d.a. F(x) de una variable aleatoria X se define por:
1 − k e− x 5 , si x  0
F ( x) = 
0, si x < 0
a) Hallar la constante k y la función de densidad de probabilidad.

b) ¿Para qué valor de la constante c es P[ X  c] = 0.01?.
SOLUCION.
a) F (+) − F (0) = (1 − k  0) − (1 − k  e ) = 1 , entonces k = 1 . Luego,

0
dF ( x) 1 5 e − x 5 , si x  0
f ( x) = =
dx 0, si x < 0
b) 0.01 = P[ X  c] = 1 − P[ X  c] = 1 − F (c) = 1 − (1 − e−c 5 ) .

De donde resulta, c = 23.
EJEMPLO 2.17
Si la variable aleatoria continua X tiene función de densidad:
1
f ( x) = , si 2  x  6
4
y f ( x) = 0 en el resto. Determine la función de densidad de probabilidad de la variable aleatoria;
Y = 3X − 4 .
81
SOLUCION
y+4
G( y) = P[Y  y] = P[3 X − 4  y] = P[ X  ]
3
y+4
G( y) = F ( x) , donde x =
3
dG( y ) dF ( x) dx 1 y+4
g ( y) = = = f ( x) , donde x = .
dy dx dy 3 3
1
Luego, g ( y ) = , donde 2  y  14 .
12
EJEMPLO 2.18.
Un experimento consiste en seleccionar aleatoriamente un punto en el interior de una región triangular
isósceles cuya base mide 6 cm. y cuyos lados iguales miden 5 cm. cada uno. Si X es la variable aleatoria
que se define como la distancia del punto elegido a la base, hallar la función de densidad de X
SOLUCION.
Sea el triángulo ABC de la figura 2.11. La altura del triángulo es:
h = 25 − 9 = 4
Como el punto se elige en el interior del triángulo, entonces el rango de X es el intervalo RX = ]0, 4[.
La f.d.a. F(x) de X está dada por:

0, si x0

 area del trapecio AEFC
F ( x) = P[ X  x] =  , si 0 < x < 4
 area del triángulo ABC
1, si x4
De la figura 2.11 resulta,
Área del triángulo ABC = 6  4 2 = 12 .
(6 + EF )
Área del trapecio AEFC = ( x) .
2
Por semejanza de los triángulos BHC y BIF se tiene:
EF
IF BI 4−x
= = 2 =
HC BH 3 4
3x
de donde se obtiene EF = 6 − .
2
Luego, la función de distribución de X es:
82
0, si x  0

x x 2
F ( x) =  − , si 0 < x < 4
 2 16

1, si x  4
Y la función de densidad de probabilidad es,

1 x
dF ( x)  − , si 0  x  4
f ( x) = = 2 8
dx 
0, en otros casos
2.5. Distribuciones de probabilidad conjunta
El estudio de las variables aleatorias y sus distribuciones de probabilidad de la sección

anterior se restringió a espacios muestrales unidimensionales, ya que registramos los resultados
de un experimento como los valores que toma una sola variable aleatoria. No obstante, habrá
situaciones en las que se busque registrar los resultados simultáneos de diversas variables
aleatorias. Por ejemplo, en un experimento químico controlado podríamos medir la cantidad del
precipitado P y la del volumen V de gas liberado, lo que daría lugar a un espacio muestral
bidimensional que consta de los resultados (p, v); o bien, podríamos interesarnos en la dureza d y
en la resistencia a la tensión T de cobre estirado en frío que produciría los resultados (d, t). En un
estudio realizado con estudiantes universitarios para determinar la probabilidad de que tengan
éxito en la universidad, basado en los datos del nivel preparatoria, se podría utilizar un espacio
muestral tridimensional y registrar la calificación que obtuvo cada uno en la prueba de aptitudes,
el lugar que cada uno ocupó en la preparatoria y la calificación promedio que cada uno obtuvo al
final de su primer año en la universidad. Si X y Y son dos variables aleatorias discretas, la
distribución de probabilidad para sus ocurrencias simultáneas se representa mediante una función
con valores f (x, y), para cualquier par de valores (x, y) dentro del rango de las variables aleatorias
X y Y. Se acostumbra referirse a esta función como la distribución de probabilidad conjunta de X
y Y. Por consiguiente, en el caso discreto, f (x, y) = P (X = x, Y = y); es decir, los valores f (x, y)
dan la probabilidad de que los resultados x y y ocurran al mismo tiempo. Por ejemplo, si se le va
a dar servicio a los neumáticos de un camión de transporte pesado, y X representa el número de
millas que éstos han recorrido y Y el número de neumáticos que deben ser reemplazados, entonces
f (30,000, 5) es la probabilidad de que los neumáticos hayan recorrido más de 30,000 millas y que
el camión necesite 5 neumáticos nuevos.
Definición: La función f (x,y) es una distribución de probabilidad conjunta o función de masa de

probabilidad de las variables aleatorias discretas X y Y, si:
1. f (x, y) ≥ 0 para toda (x, y),
2. ∑𝑥 ∑𝑦 𝑥𝑦 f (x, y) = 1,
3. P (X = x, Y = y) = f (x, y).
Para cualquier región A en el plano xy, P[(X, Y) ∈A] = ΣΣA f ( x,y ).
Ejemplo 2.19: Se seleccionan al azar 2 repuestos para bolígrafo de una caja que contiene 3
repuestos azules, 2 rojos y 3 verdes. Si X es el número de repuestos azules y Y es el número de
repuestos rojos seleccionados, calcule:
a) la función de probabilidad conjunta f (x, y),
b) P[(X, Y) ∈ A], donde A es la región {(x, y) | x + y ≤ 1}.
Solución:
Los posibles pares de valores (x, y) son (0, 0), (0, 1), (1, 0), (1, 1), (0, 2) y (2, 0).
a) Ahora bien, f (0, 1), por ejemplo, representa la probabilidad de seleccionar un repuesto rojo
y uno verde. El número total de formas igualmente probables de seleccionar cualesquiera 2
83
repuestos de los 8 es 8 C2 = 28. El número de formas de seleccionar 1 rojo de 2 repuestos

rojos y 1 verde de 3 repuestos verdes es 2C1.3C1 = 6. En consecuencia, f (0, 1) = 6/28 =
3/14. Cálculos similares dan las probabilidades para los otros casos, los cuales se presentan
en la tabla 2.3. Observe que las probabilidades suman 1. En el capítulo 4 se volverá evidente
que la distribución de probabilidad conjunta de la tabla 2.3 se puede representar con la
fórmula:
3
𝐶𝑥3 𝐶𝑦2 𝐶2−𝑥−𝑦
f (x, y) = 𝐶28
, para x = 0, 1, 2; y = 0, 1, 2; y 0 ≤ x + y ≤ 2.
b) La probabilidad de que (X,Y) caiga en la región A es:

P [(X, Y ) ∈ A] = P (X + Y ≤ 1) = f (0, 0) + f (0, 1) + f (1, 0) = 3 /28 + 3 /14 + 9 /28 = 9 /14.
Tabla 2.3: Distribución de probabilidad conjunta para el ejemplo 2.19
x Totales
f (x, y) por renglón
0 1 2
3 9 3 15
0 28
28 28 28
y
3 3 3
1 0 7
14 14
1 3
2 0 0 28
28
5 15 3 1
Totales por columna
14 28 28
Cuando X y Y son variables aleatorias continuas, la función de densidad conjunta f (x,y) es una
superficie que yace sobre el plano xy, y P[(X,Y) ∈ A], donde A es cualquier región en el plano xy,
que es igual al volumen del cilindro recto limitado por la base A y la superficie.
Definición: La función f (x,y) es una función de densidad conjunta de las variables aleatorias
continuas X y Y si:
1. f (x, y) ≥ 0, para toda (x, y),
∝ ∞
2. ∫−∞ ∫−∞ 𝑓 (𝑥, 𝑦) dx dy = 1,
3. P [(X, Y ) ∈ A] = ∬𝐴 𝑓 (𝑥, 𝑦) dx dy, para cualquier región A en el plano xy.
Ejemplo 2.20: Una empresa privada opera un local que da servicio a clientes que llegan en
automóvil y otro que da servicio a clientes que llegan caminando. En un día elegido al azar, sean
X y Y, respectivamente, las proporciones de tiempo que ambos locales están en servicio, y
suponiendo que la función de densidad conjunta de estas variables aleatorias es
2
(2𝑥 + 3𝑦), 0 ≤ 𝑥 ≤ 1, 0 ≤ 𝑦 ≤ 1,
f (x, y) = {5
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
a) Verifique la condición 2 de la definición.
b) Calcule P [(X, Y ) ∈ A], donde A = {(x, y)|0 < x < 1/2 , 1 /4 < y < 1/ 2 }.
Solución:
a) La integración de f(x,y) sobre la totalidad de la región es:
∝ ∞ 1 1 2
∫−∞ ∫−∞ 𝑓 (𝑥, 𝑦) dx dy = ∫0 ∫0 (2𝑥 + 3𝑦) dx dy
5
84
1 2𝑥 2 6𝑥𝑦 𝑥=1
= ∫0 ( 5
+ 5 ) ] 𝑥=0 𝑑y
1 2 6𝑦 2𝑦 2𝑦 2 1 2 3
= ∫0 ( 5 + 5 )dy = ( 5 + 5 ) ] 0 = + =1
5 5
b) Para calcular la probabilidad utilizamos

1 1 1
P [(X, Y ) ∈ A] = P (0 < X < 2 , 4
< Y < 2)
1/2
1/2 2
= ∫1/4 ∫0 (2𝑥 + 3𝑦) dx dy
5
1/2 2𝑥 2 6𝑥𝑦 𝑥=1/2 1/2 1 3𝑦
=∫1/4 ( 5 + 5 ) ] 𝑥=0 𝑑y =∫1/4 ( 10 + 5
)dy
𝑦 3𝑦 2 1/2
=( + ) ] 1/4
10 10
1 1 3 1 3 13
=10 ⦋ (2 + 4) − (4 + 16)⦌ = 160
Dada la distribución de probabilidad conjunta f (x, y) de las variables aleatorias discretas X y Y,

la distribución de probabilidad g(x) sólo de X se obtiene sumando f (x, y) sobre los valores de Y.
De manera similar, la distribución de probabilidad h(y) de sólo Y se obtiene sumando f (x, y) sobre
los valores de X. Definimos g(x) y h(y) como distribuciones marginales de X y Y, respectivamente.
Cuando X y Y son variables aleatorias continuas, las sumatorias se reemplazan por integrales.
Ahora podemos establecer la siguiente definición general.
Definición: Las distribuciones marginales sólo de X y sólo de Y son:

g(x ) = ∑𝒚 𝒇 (𝒙, 𝒚) y h (y) =∑𝒙 𝒇 (𝒙, 𝒚)) para el caso discreto, y
∞ ∞
g(x ) = ∫−∞ 𝒇 (𝒙, 𝒚) dy y h(y) = ∫−∞ 𝒇 (𝒙, 𝒚)dx para el caso continuo.
El término marginal se utiliza aquí porque, en el caso discreto, los valores de g(x) y h(y) son
precisamente los totales marginales de las columnas y los renglones respectivos, cuando los
valores de f (x, y) se muestran en una tabla rectangular.
Ejemplo 2.21: Muestre que los totales de columnas y renglones de la tabla 2.3 dan las
distribuciones marginales de sólo X y sólo Y.
Solución:
Para la variable aleatoria X vemos que:
g (0) = f (0, 0) + f (0, 1) + f (0, 2) = 3/28 + 3 /14 + 1/ 28 = 5 /14,
g (1) = f (1, 0) + f (1, 1) + f (1, 2) = 9/28 + 3 /14 + 0 = 15/28, y
g (2) = f (2, 0) + f (2, 1) + f (2, 2) = 3/28 + 0 + 0 = 3/28,
que son precisamente los totales por columna de la tabla 2.3. De manera similar podemos mostrar
que los valores de h(y) están dados por los totales de los renglones. En forma tabular, estas
distribuciones marginales se pueden escribir como sigue:
x 0 1 2
5 15 3
g(x) 28
14 28
y 0 1 2
15 3 1
h(y) 28 7 28
85
Ejemplo 2.22: Calcule g(x) y h(y) para la función de densidad conjunta del ejemplo 2.20.
Solución:
Por definición,
∞ 12 4𝑥𝑦 6𝑦 2 𝑦=1 4𝑥+3
g(x ) = ∫−∞ 𝒇 (𝒙, 𝒚) = ∫0 5 (2𝑥 + 3𝑦) dy =( 5
+ 5
)] 𝑦=0 = 5
para 0 ≤ x ≤ 1, y
g(x) = 0 en otro caso.
De manera similar,
∞ 12 2(1+3𝑦)
h(y) = ∫−∞ 𝒇 (𝒙, 𝒚) = ∫0 5 (2𝑥 + 3𝑦) dx = 5
, para 0 ≤ y ≤ 1, y
h(y) = 0 en otro caso.
El hecho de que las distribuciones marginales g(x) y h(y) sean en realidad las distribuciones de
probabilidad de las variables individuales X y Y solas se puede verificar mostrando que se
satisfacen las condiciones axiomáticas de probabilidad.
Por ejemplo, en el caso continuo
∝ ∝ ∞
∫−∞ 𝑔(𝑥)dx = ∫−∞ ∫−∞ 𝑓 (𝑥, 𝑦) dx dy = 1
y
P (a < X < b) = P (a < X < b, - ∞ < Y < ∞)
∝ ∞ 𝑏
= ∫−∞ ∫−∞ 𝑓 (𝑥, 𝑦) dx dy =∫𝑎 𝑔(𝑥)dx
En la sección 1.5 establecimos que el valor x de la variable aleatoria X representa un evento que
es un subconjunto del espacio muestral. Si utilizamos la definición de probabilidad condicional
que se estableció en el capítulo 1,
𝑃 (𝐴 ∩ 𝐵 )
P (B |A) = 𝑃 (𝐴)
, siempre que P (A) > 0,
donde A y B son ahora los eventos definidos por X = x y Y = y, respectivamente, entonces,
𝑃 (𝑋 = 𝑥,𝑌 = 𝑦) 𝑃 (𝑋 = 𝑥 )
P (Y = y | X = x ) = 𝑃 (𝑋 = 𝑥 )
= 𝑔(𝑥 )
, siempre que g(x ) > 0,
donde X y Y son variables aleatorias discretas.
No es difícil mostrar que la función f (x, y)/g(x), que es estrictamente una función de y con x fi ja,
satisface todas las condiciones de una distribución de probabilidad. Esto también es cierto cuando
f (x, y) y g(x) son la densidad conjunta y la distribución marginal, respectivamente, de variables
aleatorias continuas. Como resultado, para poder calcular probabilidades condicionales de manera
eficaz es sumamente importante que utilicemos el tipo especial de distribución de la forma f (x,
y)/g(x). Este tipo de distribución se llama distribución de probabilidad condicional y se define
formalmente como sigue:
Definición: Sean X y Y dos variables aleatorias, discretas o continuas. La distribución condicional

de la variable aleatoria Y, dado que X = x, es
𝑓 (𝑥,𝑦)
f (y | x ) = 𝑔(𝑥 ) , siempre que g(x ) > 0.
De manera similar, la distribución condicional de la variable aleatoria X, dado que Y = y, es
𝑓 (𝑥,𝑦)
f (x | y) = ℎ(𝑦)
, siempre que h(y) > 0.
86
Si deseamos encontrar la probabilidad de que la variable aleatoria discreta X caiga entre a y b

cuando sabemos que la variable discreta Y = y, evaluamos
P (a < X < b | Y = y) = ∑𝑎<𝑥<𝑏 𝑓 (𝑥 | 𝑦)
Donde la sumatoria se extiende a los valores de X entre a y b Cuando X y Y son continuas,

evaluamos
𝑏
P (a < X < b | Y = y) = ∫𝑎 𝑓 (𝑥 | 𝑦) 𝑑𝑥
Ejemplo 2.23: Remítase al ejemplo 2.19, calcule la distribución condicional de X, dado que
Y = 1, y utilice el resultado para determinar P(X = 0 |Y = 1).
Solución:
Necesitamos encontrar f (x | y), donde y = 1. Primero calculamos que
h(1) = ∑2𝑥=0 𝑓 (𝑥, 1) = 3 /14 + 3 / 14 + 0 = 3 / 7 .
Ahora calculamos,
f (x |1) = f (x, 1) / h (1) = (7/ 3) f (x, 1), x = 0, 1, 2.
Por lo tanto,
f (0|1) = (7/3) f (0, 1) = (7/3) (3/14) = (1/2),

f (1|1) = (7/3) f (1, 1) = (7/3) (3/14) = 1/2,
f (2|1) = (7/3) f (2, 1) = (7/3) (0) = 0,
y la distribución condicional de X, dado que Y = 1, es
x 0 1 2
1 1 0
f (x|1)
2 2
Finalmente,
P (X = 0 | Y = 1) = f (0|1) = 1/2.
Por lo tanto, si se sabe que 1 de los 2 repuestos seleccionados es rojo, tenemos una probabilidad
igual a 1/2 de que el otro repuesto no sea azul.
Ejemplo 2.24:
La densidad conjunta para las variables aleatorias (X,Y), donde X es el cambio unitario de
temperatura y Y es la proporción de desplazamiento espectral que produce cierta partícula atómica
es
10𝑥𝑦 2 , 0 < 𝑥 < y < 1,

f (x, y) = {
a) Calcule las densidades marginales g(x), h(y) y la densidad condicional f (y | x).

b) Calcule la probabilidad de que el espectro se desplace más de la mitad de las observaciones
totales, dado que la temperatura se incremente en 0.25 unidades.
87
Solución:
a) Por definición,
∞ 1
g(x ) = ∫−∞ 𝒇 (𝒙, 𝒚) dy = ∫𝑥 10𝑥𝑦 2 𝑑𝑦
10 𝑦=1 10
= 3
𝑥𝑦 3 ]𝑦=𝑥 = 3
, 𝑥(1 − 𝑦 3 ), 0 < x < 1,
∞ 𝑦
h(y ) = ∫−∞ 𝒇 (𝒙, 𝒚) dx = ∫0 10𝑥𝑦 2 𝑑𝑥
𝑥=𝑦
= 5𝑥 2 𝑦 2 ]𝑥=0 = 5𝑦 4 , 0 < y < 1.
Entonces,
𝒇 (𝒙,𝒚) 10𝑥𝑦 2 3𝑦 2
f (y|x ) = 𝑔(𝑥 ) = 10 = 1−𝑥3 , 0 < x < y < 1.
𝑥(1−𝑥 3 )
3
b) Por lo tanto,
1 1 3𝑦 2 8
P( Y > 1/2⃒ X = 0.25) = ∫½ 𝑓 (𝑦 | 𝑥 = 0.25) dy = ∫1/2 1−0.253 𝑑𝑦 = 9
Ejemplo 2.25:
Dada la función de densidad conjunta
𝑥(1+3𝑦 2 )
f (x, y) = { 4
, 0 ≤ 𝑥 ≤ 2, 0 ≤ 𝑦 ≤ 1,
Calcule g(x), h(y), f (x | y) y evalúe P ( 1/4 < X < 1/2 | Y = 1/3).
Solución:
Por definición de la densidad marginal, para 0 < x < 2,
∞ 1 𝑥(1+3𝑦 2 )
g(x ) = ∫−∞ 𝒇 (𝒙, 𝒚) dy = ∫0 4
𝑑𝑦
𝑥𝑦 𝑥𝑦 3 𝑦=1 𝑥
=( + ) ]𝑦=0 = , ,
4 4 2
y para 0 < y < 1,
∞ 2 𝑥(1+3𝑦 2 )
h(y ) = ∫−∞ 𝒇 (𝒙, 𝒚) dx = ∫0 4
𝑑𝑥
𝑥2 3𝑥 2 𝑦 2 𝑥=2 (1+3𝑦 2 )
=( + ) ]𝑥=0 = .
8 8 2
Por lo tanto, usando la definición de la densidad condicional para 0 < x < 2,

𝑥(1+3𝑦2 )
4 𝑥
f (x |y) = f (x,y)/ h(y) = (1+3𝑦2 )
= 2,
2
1/2 𝑥 3
y P( 1/ 4 < X < 1 /2 ⃒Y = 1/ 3) = ∫1/4 2
dx = 64.
2.7 Independencia estadística

Si f (x | y) no depende de y, como ocurre en el ejemplo 2.25, entonces
f (x | y) = g(x) y f (x, y) = g(x) h(y). La prueba se realiza sustituyendo
f (x, y) = f (x | y) h(y) en la distribución marginal de X. Es decir,
∞ ∞
g(x) = ∫−∞ 𝑓 (𝑥, 𝑦) 𝑑𝑦 = ∫−∞ 𝑓 (𝑥 | 𝑦) ℎ(𝑦)𝑑𝑦 no depende de y,
podemos escribir
∞
g(x ) = f (x | y) ∫−∞ ℎ(𝑦) dy.
Entonces,
∞
∫−∞ ℎ(𝑦) dy. = 1,
88
ya que h(y) es la función de densidad de probabilidad de Y. Por lo tanto,
g(x ) = f (x|y) y entonces f (x, y) = g(x )h(y).
Debería tener sentido para el lector que si f (x|y) no depende de y, entonces, por supuesto, el
resultado de la variable aleatoria Y no repercute en el resultado de la variable aleatoria X. En otras
palabras, decimos que X y Y son variables aleatorias independientes. Ofrecemos ahora la siguiente
definición formal de independencia estadística.
Definición: Sean X y Y dos variables aleatorias, discretas o continuas, con distribución de

probabilidad conjunta f (x, y) y distribuciones marginales g(x) y h(y), respectivamente. Se dice
que las variables aleatorias X y Y son estadísticamente independientes si y sólo si
f (x, y) = g(x )h(y)
para toda (x,y) dentro de sus rangos.
Las variables aleatorias continuas del ejemplo 2.25 son estadísticamente independientes, pues el
producto de las dos distribuciones marginales da la función de densidad conjunta. Sin embargo,
es evidente que ése no es el caso de las variables continuas del ejemplo 2.24. La comprobación
de la independencia estadística de variables aleatorias discretas requiere una investigación más
profunda, ya que es posible que el producto de las distribuciones marginales sea igual a la
distribución de probabilidad conjunta para algunas, aunque no para todas, las combinaciones de
(x,y). Si puede encontrar algún punto (x,y) para el que f (x, y) se define de manera que f (x, y) ≠
g(x)h(y), las variables discretas X y Y no son estadísticamente independientes.
Ejemplo 2.26: Demuestre que las variables aleatorias del ejemplo 2.19 no son estadísticamente
independientes.
Prueba: Consideremos el punto (0,1). A partir de la tabla 2.3, encontramos que las tres
probabilidades f (0, 1), g(0) y h(1) son
f (0, 1) = 3 / 14,
g(0) = ∑2𝑦=0 𝑓 (0, 𝑦) = 3 /28 + 3/ 14 + 1/ 28 = 5/ 14,
h(1) = ∑2𝑥=0 𝑓 (𝑥, 1) = 3 /14 + 3/ 14 + 0 = 3/ 7 .
Claramente,
f (0, 1) ≠ g(0)h(1),
por lo tanto, X y Y no son estadísticamente independientes.

Todas las definiciones anteriores respecto a dos variables aleatorias se pueden generalizar al caso
de n variables aleatorias. Sea f (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) la función de probabilidad conjunta de las variables
aleatorias X1 , X2 , . . . , Xn . La distribución marginal de X1 , por ejemplo, es
g(𝑥1 ) = ∑𝑥2 ⋯ ∑𝑥𝑛 𝑓 (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) para el caso discreto, y
∞ ∞
g(𝑥1 ) =∫−∞ ⋯ ∫−∞ 𝑓 (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) 𝑑𝑥2 𝑑𝑥3 ⋯ 𝑑𝑥𝑛 para el caso continuo. Ahora
podemos obtener distribuciones marginales conjuntas como g(xl , x2 ), donde
∑𝑥3 ⋯ ∑𝑥𝑛 𝑓 (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) , (caso discreto),
g(xl ,x2 )= { ∞ ∞
∫−∞ ⋯ ∫−∞ 𝑓 (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) 𝑑𝑥3 𝑑𝑥4 ⋯ 𝑑𝑥𝑛 , (𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑖𝑛𝑜)
Podríamos considerar numerosas distribuciones condicionales. Por ejemplo, la distribución
condicional conjunta de X1 , X2 y X3 , dado que X4 = x4 , X5 = x5 , . . . , Xn = xn , se escribe como
f (x 1 , x 2 , x 3 | x 4 , x 5 , ... , x n ) = f (x 1 , x 2 , ... , x n )/ g(x4 , x 5 , ... , x n )
donde g(x4 , x5 , . . . , xn ) es la distribución marginal conjunta de las variables aleatorias X4 , X5 ,
. . . , Xn .
Una generalización de la definición nos lleva a la siguiente definición para la independencia
estadística mutua de las variables X1 , X2 , . . . , Xn
89
Definición: Sean X1 , X2 , . . . , Xn , n variables aleatorias, discretas o continuas, con distribución

de probabilidad conjunta f (x1 , x2 , . . . , xn ) y distribuciones marginales f 1 (x1 ), f 2 (x2 ), . . . , f n
(xn ), respectivamente. Se dice que las variables aleatorias X1 , X2 , . . . , Xn son recíproca y
estadísticamente independientes si y sólo si
f (x 1 , x 2 ,...,x n ) = f 1 (x 1 )f 2 (x 2 ) ···f n (x n ) para toda (x1 , x2 , . . . ,xn ) dentro de sus rangos.
Ejemplo 2.27: Suponga que el tiempo de vida en anaquel de cierto producto comestible
perecedero empacado en cajas de cartón, en años, es una variable aleatoria cuya función de
densidad de probabilidad está dada por
𝑒 −𝑥 , 𝑥 > 0,
f (x) = {
Represente los tiempos de vida en anaquel para tres de estas cajas seleccionadas de forma
independiente con X1 , X2 y X3 y calcule
P(X1 < 2, 1< X2 < 3, X3 > 2).
Solución:
Como las cajas se seleccionaron de forma independiente, suponemos que las variables aleatorias
X1 , X2 y X3 son estadísticamente independientes y que tienen la siguiente densidad de probabilidad
conjunta:
f (x 1 , x 2 , x 3 ) = f (x 1 )f (x 2 )f (x 3 ) = e−x 1 e−x 2 e−x 3 = e−x 1 −x 2 −x 3 ,

para xl > 0, x2 > 0, x3 > 0, y f (xl , x2 , x3 ) = 0 en cualquier otro caso. En consecuencia,
∞ 3 2
P (X 1 < 2, 1 < X 2 < 3, X 3 > 2) = ∫2 ∫1 ∫0 𝑒 −𝑥1−𝑥2−𝑥3 dx1 dx2 dx3
= (1 − e−2 ) (e−1 − e−3 )e−2 = 0.0372.
90
PRACTICA DIRIGIDA Nª 02
1. El número de hijos por familia en una determinada región es una variable aleatoria X cuya función de
probabilidad es:
x 0 1 2 3 4
P[X=x] 1/16 4/16 k 4/16 1/16
a) Calcular el valor de la constante k.

b) Si una familia tiene al menos dos hijos, ¿cuál es la probabilidad de que tenga 3 hijos?
Rp. a) c=6/16, b) 4/11.
2. Una urna contiene 10 fichas de las cuales 4 son rojas y 6 son blancas. Se extraen 3 fichas al azar.
Determine la distribución de probabilidades del número de fichas rojas. Si se escogen:
a) Los 3 a la vez
b) Una por una sin restitución
c) Una por una con restitución
Rp. a) X : 0, 1, 2, 3, P[X=k]= C k4 C 36− k / C 310 , b) X : 0, 1, 2, 3, P[X=k]= C k4 C 36− k / C 310 ,
c) X : 0, 1, 2, 3, P[X=k]= C k3 p k q 3−k , p=4/10, q=6/10.
3. Se venden 500 boletos de una rifa que consiste de un premio de $200, 4 premios de $50, y 10 premios
de $5. Si cada boleto cuesta 1$, y si Ud. adquiere un boleto,
a) hallar la función de probabilidad de la utilidad.
b) qué probabilidad hay de ganar algún premio?
Rp. a) valores: 199, 49, 4, −1, prob.: 1/500, 4/500, 10/500, 485/500, b) 0.03.
4. Una caja contiene ocho focos de luz eléctrica, tres de los cuales son defectuosos. De la caja se selecciona
al azar un foco y se la prueba, repitiéndose la operación hasta que aparezca un defectuoso. Sea X la
variable aleatoria que se define como el número de extracciones necesarias hasta que aparezca el primer
foco defectuoso.
a) Determinar la distribución de probabilidades de X, si las extracciones son sin reposición.
b) Hallar la función de distribución acumulada F(x) de X si las extracciones son con reposición
Rp. a) valores: 1, 2, 3, 4, 5, 6, probab.: 21/56, 15/56, 10/56, 6/56, 3/56,1/56
b) F(x)=0, si x0, F(x)=1−(5/8)k, kxk+1, k=1,2,3, etc.
5. Una caja contiene 7 bolas de las cuales 4 son blancas. Se seleccionan estas bolas una por una y sin
reemplazo. Sea X el número de selecciones necesarias hasta obtener todas las bolas blancas.
a) Hallar la función de probabilidad de X.
b) Calcular la probabilidad de que sean necesarios al menos seis selecciones.
Rp. Valores de X: 4, 5, 6, 7, probabilidades: 1/35, 4/35, 10/35, 20/35, b) 30/35.
6. Urna que contiene 3 fichas rojas y 5 azules. Un juego consiste en extraer una ficha sucesivamente son
reposición. Si dos personas A y B juegan alternadamente extrayendo la ficha, hasta que ocurra una ficha
azul, ¿cuál es la probabilidad de que A gane el juego si él sale primero?
k −1
Rp. X: # de intentos hasta obtener la primera azul, P[ X = k ] = q p , k=1,2,..,etc, donde p=5/8, q=3/8. P(A
gane)=P(X=1, X=3, X=5, etc.)=8/11.
7. Se enumeran a 7 mujeres con los números 1, 2, 3, 4, 5, 6, 7 y del mismo modo se enumeran a 7 hombres
con los números 1, 2, 3, 4, 5, 6, 7. Cada mujer en forma ordenada elige a un hombre al azar. Sea X la
variable aleatoria que indica el número de mujer que elige al primer hombre con número impar.
a) ¿Qué probabilidad existe de que sea la cuarta mujer la que elige al primer hombre impar?
b) Halle la función de probabilidad de X.
Rp. a) P[X=4]=P[PPPI]=1/35. b) X: 1, 2, 3, 4, probab : 20/35, 10/35, 4/35, 1/35.
8. Una urna contiene 6 bolas numeradas de 1 a 6. Se extraen al azar dos bolas, una después de otra con
reposición. Sea X el menor o igual de los dos números obtenidos.
a) Encuentre la función de probabilidad de X.
b) A partir de la función de distribución acumulada de X, calcular P[2X4].
Rp. f(x)=(13−2x)/36, x=1,2,3,4,5,6, b)12/36 .
91
9. Se suelta un cuy en el centro de cuatro cajas colocadas en círculo, una de las cuales contiene un premio.
El juego termina cuando el cuy entra en la caja que contiene el premio. Determinar la distribución de
probabilidades del número de intentos hasta conseguir el premio si se supone que el cuy,
a) tiene memoria, b) no tiene memoria
Rp. a) valores: 1, 2, 3, 4, probabilidad: 1/4, 1/4, 1/4, 1/4, b) P[X=k]=(3/4)k−1(1/4), k=1, 2, 3, …
10. Una urna contiene 3 bolas numeradas de 1 a 3. Un experimento aleatorio consiste en extraer las bolas
una por una sin reposición. Si se considera un éxito cuando la bola k sale en la extracción k, k = 1,2,3,
a) determine la función de probabilidad del número de éxitos.
b) calcular la probabilidad de obtener al menos un éxito.
Rp. a) valores: 0,1,3, probabilidad: 2/6, 3/6, 1/6, b) 4/6.
11. Un objeto producido puede contener, en forma independiente, a lo más tres tipos de defectos: A con
probabilidad 0.04, B con probabilidad 0.08 y C con probabilidad 0.05. Si se selecciona al azar uno de
tales objetos,
a) ¿qué probabilidad hay de que sea defectuoso?.
b) hallar la distribución de probabilidades del número de defectos del objeto.
Rp. a) 0.16096, b) valores: 0, 1, 2, y 3, prob: 0.83904, 0.15208, 0.00872 y 0.00016.
12. Un vendedor puede visitar en un día uno o dos clientes con probabilidades 2/5 y 3/5 respectivamente.
De cada visita en forma, independiente, puede resultar una venta por $500 con probabilidad 1/6 o
ninguna venta con probabilidad 5/6. Si X son las ventas diarias, calcular la media y la varianza de X.
Rp. X :montos de ventas diarias. Valores: 0, 500, 1000, prob: 45/60, 14/60, 1/60.
13. Del total de personas que se presentan para un puesto de trabajo el 60% son hombres y el resto mujeres.
Aquellos que reúnen todos los requisitos para dicho puesto son el 40% de los hombres y el 50% de las
mujeres. De tres personas que se presentan
a) Hallar la distribución de probabilidades del número de personas que cubren el puesto de trabajo.
b) ¿Cuál es la probabilidad de que al menos dos personas consigan el puesto de trabajo?
3
Rp. a) p=0.60.4+0.40.5=0.44, P[X=k]= C k pkq3−k, k=0,1,2,3, b) 0.41.
14. Una urna contiene n bolas numerados de 1 a n. Un juego consiste en extraer al azar tales bolas una por
una con reposición hasta volver a encontrar la primera bola repetida. Hallar el modelo de probabilidad
del número de bolas extraídas.
Rp. P[X=k]=(k−1)(1−1/n)k−2(1/n)2, k=2, 3, etc.`…
15. Un blanco circular de radio 1 se divide en 5 anillos circulares por medio de 5 discos concéntricos de
radios: 1/5, 2/5, 3/5, 4/5, 1. Un jugador lanza un dardo al blanco, si el dardo alcanza el anillo circular
comprendido entre los círculos de radios k/5 y (k+1)/5, k = 0,1,2,3,4; tiene k puntos y gana 5 − k
dólares. Determinar la distribución de probabilidades
a) del puntaje del jugador.
b) de la utilidad del jugador.
Rp. a) Valores de X: 0,1,2,3,4, probab: 1/25, 3/25, 5/25, 7/25, 9/25, b) valores Util: 5,4,3,2,1.
16. Una tienda comercial tiene dos computadoras en stock el viernes en la mañana. La tienda puede recibir
más computadoras sólo hasta el día lunes. Las probabilidades de que sean requeridas por los clientes 0,
1, 2, computadoras el día viernes son respectivamente: 0.5, 0.3. 0.2 y para el día sábado son
respectivamente: 07, 0.2, 0.1. Si las demandas de los dos días son independientes, determine la
distribución de probabilidad del número de computadoras que quedan al finalizar el día sábado.
Rp. Valores: 0, 1, 2, probabilidades: 0.34, 0.31, 0.35.
17. El tiempo de espera (en minutos) de un pasajero en un paradero de ómnibus en el intervalo [0, 5] es
una variable aleatoria continua X cuya f.d.p. es :
c 5 , si 0  x  5
f ( x) = 
0, en el resto
a) Halle el valor c y la función de distribución acumulada F(x) de X.

b) Calcule la probabilidad de que el pasajero espere al menos 2 minutos.
c) Calcule la probabilidad de que el pasajero espere exactamente 2 minutos.
d) ¿Cuánto es el tiempo máximo de espera para que tome el ómnibus con probabilidad 3/5?
Rp. a) c=1, F(x)=0, si x 0; F(x)=x/5, si 0 x  5; F(x)=1, si x5, b) 3/5, c) 0, d) 3.
92
18. Suponga que el tiempo de vida de una componente electrónica, en miles de horas, es una variable
aleatoria X cuya función de densidad tiene la gráfica siguiente,
X
0 8c
a) Determinar c y la función de densidad de X.
b) Hallar la función de distribución acumulada de X.
c) Si el 95% de tales componentes duran a lo más k miles de hora, halle k.
Rp. a) c=1/2, f(x) = (4−x)/8 si 0x4, b) F(x)=1−(x−4)2/16 si 0x4, c) 3.106 o 3106 horas.
19. La proporción de personas que contestan una encuesta por correo es una v.a. continua X con función
de densidad de probabilidad:
c(2 x + 1), si 0  x  1
f ( x) = 
0, en el resto
a) Hallar el valor de la constante c y la función de distribución F(x).

b) Si contestan al menos el 25%, ¿qué probabilidad hay de que contesten a lo más el 75%?.
Rp. a) c = 1/2, F(x)=(x2+x)/2 si 0x1, b) calcular P[X0.75/X0.25] = 16/27 = 0.59.
20. Suponga que el ingreso familiar mensual en miles de unidades monetarias (u.m.) en una ciudad, es una
variable aleatoria X con función de densidad de probabilidad:
 4k , si 0  x  1
f ( x) = 
k (5 − x), si 1  x  5
a) Determine el valor de la constante k.
b) Calcular el porcentaje de familias con ingresos mensuales de a lo más 2 mil u.m..
Rp. a) k=1/12, b) 62.5%.
21. La demanda semanal en miles de galones de gasolina en una estación de servicios, es una variable
aleatoria X cuya función de densidad de probabilidad se aproxima a la función cuya gráfica es la figura
que sigue:
0 1 3
a) Determinar la función de densidad de probabilidad de X.

b) Hallar la función de distribución acumulada de X. Graficar
c) ¿Qué cantidad de gasolina debe tener semanalmente la estación de servicio para satisfacer la demanda
en el 62.5% de las semanas?
Rp. a) c=2/3, f(x)=2x/3, si 0x1, f(x)=−(x−3)/3 si 1x3, f(x)=0 en otros casos, c) 1.5.
22. Suponga que la demanda diaria de azúcar en un supermercado es una variable aleatoria X con función
de densidad de probabilidad:
 kx, 0  x  500
f ( x) = 
k (1,000 − x), 500  x  1000
a) Determine el valor de la constante k.

b) Calcular la probabilidad de que en un día cualquiera el supermercado venda entre 250 y 750
kilogramos.
c) Calcular la cantidad Q de azúcar que debe ser dejada al público diariamente para que no falte azúcar
en el 80% de los días.
93
Rp. a) k = 500−2, b) 0.75, c) 683.77.
23. El tiempo en horas que una familia mira televisión durante el día es una variable aleatoria X con función
de densidad de probabilidad: :
k x, si 0  x < 2
2 k , si 2  x < 6

f ( x) = 
− k ( x − 8), si 6  x < 8
0, en otros casos
a) Hallar k y calcule la probabilidad de que la familia mire televisión entre 1 y 7 horas.

b) Determine la función de distribución acumulada F(x). Graficar F(x).
Rp. a) k = 1/12, 11/12.
24. El tiempo de vida en meses de un producto perecible es una v.a. continua X con f.d.p.:
ce −x si x  0
f ( x) =  , 0
0, en otro caso
a) Determinar el valor de la constante c y la f.d.a. F(x).

b) Si =1/4, ¿qué probabilidad hay de que el producto dure al menos 4 meses?
− x
Rp. a) c = , F(x) = 0, si x  0; F ( x ) = 1 − e , si x  0 , b) 0.3679.
25. La cantidad de tiempo, en horas, que una computadora funciona antes de fallar, es una variable aleatoria
X continua, cuya f.d.p. es:
 − x

f ( x) = ce 200 , si x  0
0, en otro caso
Calcular la probabilidad de que la computadora funcione después de 100 horas.

Rp. c = 1/200, 0.6065.
26. La duración, en decenas de horas, de cierta componente electrónica es una variable aleatoria continua
X , cuya f.d.p es:
c
 , si x  100
f ( x) =  x 2
0,
 en otro caso
Si se prueban cuatro de estas componentes electrónicas, calcular la probabilidad de que dos de ellas
duren más de 2,000 horas. (Suponga independencia en la duración de las componentes).
Rp. c=100 , p=P[X 200]=0.5, q=1−p. Prob. = C24 p 2 q 2 = 0.375
27. Sea X una variable aleatoria continua con función de densidad:

1
 , si 1  x  4
f ( x) =  3
0,
 en el resto
determinar la función de densidad de probabilidad de la variable aleatoria Y = 4 X − 3

Rp. G(y)=P[Yy]=P[4X−3y]= P[X(y+3)/4], g(y)=1/12, 1y13.
28. Suponga que el precio P de un galón que un industrial fijará durante la semana siguiente para la venta
de su solvente podría tomar indistintamente valores entre 10 soles y 20 soles. Un estudio ha revelado
que la demanda semanal del solvente puede también tomar indistintamente valores entre 400 −5P
galones y los 1000 galones. ¿Cuál es la probabilidad de que la ganancia que el industrial obtenga por
la venta del solvente durante la semana siguiente supere los 8000 soles?
Rp. 400p − 5p2 DP1000p, Prob[DP>8000]=((1010000/2) + 102000)/[(1010000/2) +

104000) + 20 (6000 − 400 p + 5 p 2 )dx ] = 70,000/(70000+(35,000/3))

10
94
29. Si la distribución de probabilidad mixta de una v.a. X es descrita por la gráfica que sigue:
a/2
−2 −1 0 1 2
Hallar la f.d.p. f(x) y la f.d.a. F(x).
Rp. a=4/7. La f.d.p. es: f(x)=0, si x−2, f(x)=−ax−a, si −2x−1, f(x) =0, si −1x<0,
f(x) = −(ax)/2 + a, si 0 x1, f(x)=a/2, si 1 x2, f(x) = 0, si x2.
30 Determine los valores de c, tales que las siguientes funciones representen distribuciones de
probabilidad conjunta de las variables aleatorias X y Y:
a) f (x, y) = cxy, para x = 1, 2, 3; y = 1, 2, 3;
b) f (x, y) = c |x - y|, para x = -2, 0, 2; y = -2, 3.
Rp. a) 1/36 b) 1/15
31 Si la distribución de probabilidad conjunta de X y Y está dada por:

𝑥+𝑦
f(x, y ) = 30 , para x = 0, 1, 2, 3; y = 0, 1, 2,
calcule
a) P (X ≤ 2, Y = 1);
b) P (X > 2, Y ≤ 1);
c) P (X > Y);
d ) P(X +Y = 4).
Rp. a) 1/5 b) 7/30 c) 3/5 d) 4/15
32 De un saco de frutas que contiene 3 naranjas, 2 manzanas y 3 plátanos se selecciona una

muestra aleatoria de 4 frutas. Si X es el número de naranjas y Y el de manzanas en la muestra,
calcule
a) la distribución de probabilidad conjunta de X y Y;
b) P[(X, Y) ∈ A], donde A es la región dada por {(x, y) | x + y ≤ 2}.
Rp. a)
x
f(x, y )
0 1 2 3
0 0 3/70 9/70 3/70
y 1 2/70 18/70 18/70 2/70
2 3/70 9/70 3/70 0
b) 1/2
33 Un restaurante de comida rápida opera tanto en un local que da servicio en el automóvil, como
en un local que atiende a los clientes que llegan caminando. En un día elegido al azar,
represente las proporciones de tiempo que el primero y el segundo local están en servicio con
X y Y, respectivamente, y suponga que la función de densidad conjunta de estas variables
aleatorias es
2
(𝑥 + 2𝑦), 0 ≤ 𝑥 ≤ 1, 0 ≤ 𝑦 ≤ 1,
f (x, y) = { 3
a) Calcule la densidad marginal de X.
b) Calcule la densidad marginal de Y.
c) Calcule la probabilidad de que el local que da servicio a los clientes que llegan en automóvil
esté lleno menos de la mitad del tiempo.
95
2(𝑥+1)
, 0 ≤ 𝑥 ≤ 1,
Rp. a) g (x) = { 3
(1+4𝑦)
, 0 ≤ 𝑦 ≤ 1,
b) h (y) = { 3
c) 5/12
34 Una empresa dulcera distribuye cajas de chocolates con un surtido de cremas, chiclosos y
envinados. Suponga que cada caja pesa 1 kilogramo, pero que los pesos individuales de
cremas, chiclosos y envinados varían de una a otras cajas. Para una caja seleccionada al azar,
represente los pesos de las cremas y los chiclosos con X y Y, respectivamente, y suponga que
la función de densidad conjunta de estas variables es
24𝑥𝑦, 0 ≤ 𝑥 ≤ 1, 0 ≤ y ≤ 1, x + y ≤ 1
f (x, y) = {
a) Calcule la probabilidad de que en una caja dada los envinados representen más de la
mitad del peso.
b) Calcule la densidad marginal para el peso de las cremas.
c) Calcule la probabilidad de que el peso de los chiclosos en una caja sea menor que 1/8 de
kilogramo, si se sabe que las cremas constituyen ¾ partes del peso.
Rp. a) 1/6 b) g (x) = 12𝑥(1 − 𝑥)2 para 0 ≤ 𝑥 ≤ 1 c) 1/4
35 Sean X y Y la duración de la vida, en años, de dos componentes en un sistema electrónico. Si

la función de densidad conjunta de estas variables es
𝑒 −(𝑥+𝑦) , x > 0, y > 0

f (x, y) = {
calcule P (0 < X < 1 | Y = 2).
Rp. 0.6321
36 Sea X el tiempo de reacción, en segundos, ante cierto estímulo, y Y la temperatura (en °F) a la
cual inicia cierta reacción. Suponga que dos variables aleatorias, X y Y, tienen la densidad
conjunta
4𝑥𝑦, 0 < 𝑥 < 1, 0 < 𝑦 < 1,

f (x, y) = {
Calcule
a) P(0 ≤ X ≤ ½ y 1/4 ≤ Y ≤ 1/2 );
b) P(X < Y ).
Rp. a) 3/64 b) 1/2
37 Sea X el diámetro de un cable eléctrico blindado y Y el diámetro del molde cerámico que hace
el cable. Tanto X como Y tienen una escala tal que están entre 0 y 1. Suponga que X y Y tienen
la siguiente densidad conjunta:
1
, 0 < 𝑥 < 𝑦 < 1,
f (x, y) = { 𝑦
Calcule P(X + Y > 1/2).
Rp. 0.6534
38 Remítase al ejercicio 31, calcule
a) la distribución marginal de X;
b) la distribución marginal de Y.
96
Rp. a)
x 0 1 2 3
1 1 3 2
g(x) 5
10 5 10
b)
y 0 1 2
1 1 7
h(y) 5 3 15
39 Al principio de cualquier día la cantidad de queroseno que contiene un tanque, en miles de

litros, es una cantidad aleatoria Y, de la que durante el día se vende una cantidad aleatoria X.
Suponga que el tanque no se reabastece durante el día, de manera que x ≤ y, e imagine también
que la función de densidad conjunta de estas variables es
2, 0 < 𝑥 ≤ 𝑦 < 1,
f (x, y) = {
a) Determine si X y Y son independientes.

b) Calcule P (1/4 < X < 1/2 | Y =3/4).
Rp. a) Independientes b) 1/3
40 Remítase al ejercicio 32 y calcule
a) f (y | 2) para todos los valores de y;
b) P(Y = 0 | X = 2).
Rp. a) b) 3/10
x 0 1 2
3 3 1
f (y | 2) 10
10 5
41 Sea X el número de veces que fallará cierta máquina de control numérico: 1, 2 o 3 veces en un
día dado. Y si Y denota el número de veces que se llama a un técnico para una emergencia, su
distribución de probabilidad conjunta estará dada como
x
f(x, y )
1 2 3
1 0.05 0.05 0.10
y 2 0.05 0.10 0.35
3 0.00 0.20 0.10
a) Evalúe la distribución marginal de X.

b) Evalúe la distribución marginal de Y.
c) Calcule P(Y = 3 | X = 2).
Rp. a)
x 0 1 2
g(x) 0.10 0.35 0.55

b)
y 0 1 2
h(y) 0.20 0.50 0.30
c) 0.2857
97
42 Suponga que X y Y tienen la siguiente distribución de probabilidad conjunta:
x
f(x, y )
1 2
1 0.10 0.15
y 3 0.20 0.30
5 0.10 0.18
a) Calcule la distribución marginal de X.

b) Calcule la distribución marginal de Y.
Rp. a)
x 2 4
g(x) 0.40 0.60

b)
y 1 3 5
h(y) 0.25 0.50 0.25

43 De las 12 cartas mayores (jotas, reinas y reyes) de una baraja ordinaria de 52 cartas se sacan
tres cartas sin reemplazo. Sea X el número de reyes que se seleccionan y Y el número de jotas.
Calcule
a) la distribución de probabilidad conjunta de X y Y;
b) P[(X,Y) ∈ A], donde A es la región dada por {(x, y) | x + y ≥ 2}.
Rp. a)
x
f(x, y )
0 1 2 3
0 1/55 6/55 1/55 1/55
y 1 6/55 16/55 6/55 0
2 6/55 6/55 0 0
3 1/55 0 0 0
b) 42/55
44 Una moneda se lanza dos veces. Sea Z el número de caras en el primer lanzamiento y W el
número total de caras en los 2 lanzamientos. Si la moneda no está balanceada y una cara tiene
una probabilidad de ocurrencia de 40%, calcule
a) la distribución de probabilidad conjunta de W y Z;
b) la distribución marginal de W;
c) la distribución marginal de Z;
d ) la probabilidad de que ocurra al menos 1 cara.
Rp. a)
w
f(w,z )
0 1 2
0 0.36 0.24
z
1 0.24 0.16
b)
w 0 1 2
g(w) 0.36 0.48 0.16

c)
z 0 1
h(z) 0.60 0.40
d) 0.64
98
45 Dada la función de densidad conjunta

6−𝑥−𝑦
, 0 < 𝑥 < 2, 2 < 𝑦 < 4,
f (x, y) = { 8
calcule P(1 < Y < 3 | X = 1).

Rp. 5/8
46 Determine si las dos variables aleatorias del ejercicio 42 son dependientes o independientes.
Rp. Independiente
47 La función de densidad conjunta de las variables aleatorias X y Y es
6𝑥, 0 < 𝑥 < 1, 0 < 𝑦 < 1 − x,

f (x, y) = {
a) Demuestre que X y Y no son independientes.
b) Calcule P(X > 0.3 | Y = 0.5).
Rp. a) Demostraciòn
b) 0.64
48 Si X, Y y Z tienen la siguiente función de densidad de probabilidad conjunta:
𝑘𝑥𝑦 2 𝑧, 0 < 𝑥, 𝑦 < 1, 0 < 𝑧 < 2,

f (x, y, z ) = {
a) Calcule k.
b) Calcule P(X < 1/4, Y > 1/2, 1 < Z < 2).
Rp. a) K = 3 b) 21/512
Rp. Independiente
Rp. Dependiente
51 La función de densidad de probabilidad conjunta de las variables aleatorias X, Y y Z es
4𝑥𝑦𝑧 2 , 0 < 𝑥, 𝑦 < 1, 0 < 𝑧 < 3,
f (x, y, z ) = {
Calcule
a) la función de densidad marginal conjunta de Y y Z;
b) la densidad marginal de Y;
c) P( ¼ < X < ½ , Y > 1/3, 1 < Z < 2);
d) P(0 < X < ½ | Y = 1/4 , Z = 2).
Rp. a) g(y , z) = 2yz2/9 b) h(y) = 2y, 0<y<1 c) 7/162
d) 1/4
99

Idioma

Capítulo 2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capítulo 2

Título original:

Cargado por

Copyright:

Formatos disponibles

Cálculo de probabilidades I

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE

2.1 Variable aleatoria

El dominio de la variable aleatoria X es el espacio muestral  y el rango es un subconjunto de los

X = 0, corresponde al evento elemental {SSS}.

 = {E, FE, FFE, FFFE...etc.…}

2.2. Variable aleatoria discreta: Función de probabilidad y

2.2.1. Probabilidad en el rango RX.

En efecto, si el rango de la variable aleatoria X es el conjunto finito de números, R X = {1,2,..., x n } y

o PX ({xi }) = P( A) , donde, A = {w   / X (w)  B} .

Con frecuencia, se utiliza la expresión P[ X = x i ] para denotar la probabilidad PX ({ x i }) , esto es,

P[X = 0] = P({SSS}) = 1/8.

siendo A en  un evento equivalente a B (figura 2.2), esto es,

3. Por extensión para todo número real x  xi , siendo x i  R X , se define:

En consecuencia, queda definida la probabilidad P[ X = x] para todo número real x.

2.2.2 Función de probabilidad

f (1) = P[ X = 1] = P( SSSC ó SSCS ó SCSS ó CSSS) = 4 16

f (2) = P[ X = 2] = P( SSCC ó SCSCó SCCS ó CSSC ó CSCS ó CCSS) = 6 16

f (3) = P[ X = 3] = P( SCCC ó CCSC ó CSCC ó CCCS) = 4 16

NOTA. Si pi = f ( xi ) , la media de X se calcula por  = 

2.2.3 Función de distribución acumulada de variable aleatoria discreta

Entonces, F (0) = f (0) = 1 16 .

F (1) = f (0) + f (1) = 1 16 + 4 16 = 5 16

F (2) = f (0) + f (1) + f (2) = 1 16 + 4 16 + 6 16 = 11 16

F (3) = f (0) + f (1) + f (2) + f (3) = 1 16 + 4 16 + 6 16 + 4 16 = 15 16

F (4) = f (0) + f (1) + f (2) + f (3) + f (4) = 1 16 + 4 16 + 6 16 + 4 16 + 1 16 = 1

La gráfica de esta función de distribución está dada en la figura 2.4.

Fig. 2.4. Distribución de frecuencias acumuladas del número de caras

NOTA. En general si X tiene rango finito R X = {x1 , x 2 ,..., x n } , y función de probabilidad f ( xi ) , la

El lector debería verificar que la suma de probabilidades es igual a 1.

f ( x) = P[ X = k ] = Ck5 p k q 5−k , k = 0,1,2,3,4,5.

En efecto, utilizando la suma:

b) Si A sale primero, entonces, juega las veces impares. Luego,

f (k ) = P[ X = k ] = (C1k −1q k −2 p) p = C1k −1q k −2 p 2 k = 2,3,.., etc.

2.3. Variable aleatoria continua: Función de densidad y función

2.3.1 Función de densidad de probabilidad

Como consecuencias se tiene:

La gráfica de esta función de densidad está dada en la figura 6.6.

2.3.2 Función de distribución acumulada de variable aleatoria

a) Determinar el valor de la constante c y luego la f.d.p. de X.

La gráfica de esta función de distribución acumulada es la figura 2.8.

de donde resulta c=1/2 . La función de densidad de X es entonces:

b) Determinación de la función de distribución:

La función de distribución acumulada y su gráfica (fig. 2.10) son:

Si la función de densidad de una variable aleatoria continua X, es

ce −x x0

a) Determinar el valor de la constante c.

e −x x0

2.4. Propiedades de la función de distribución

En efecto, sean los eventos A = { X  x1 } , B = { X  x 2 } . Si x1  x 2 , entonces A  B . Luego,

En efecto, si a < b, entonces, { X  b} = { X  a} + {a  X  b} .

Por tanto, P[a  X  b] = P[ X  b] − P[ X  a] = F (b) − F (a) .

Observar que, si la variable aleatoria X es continua, entonces,

Entonces, la función de probabilidad f (x) de X es determinada por:

donde, F ( x) = 0 para todo x  x1 .

En efecto, si x1  x 2  x3  .... , entonces,

de donde resulta que para i = 1,2,3,...

Por ejemplo, si la f.d.a. de una variable aleatoria discreta X se define por:

f (1) = F (1) − F (0) = 3 4 − 1 4 = 2 4

f (2) = F (2) − F (1) = 4 4 − 3 4 = 1 4 

a) Hallar la constante k y la función de densidad de probabilidad.