1) Sea X el número de caras obtenidas en 4 lanzamientos de una moneda honesta.

Dibuje el
gráfico de la distribución de X . FX (x) = P (X 6 x) = P (X 6 2), p(1)=P(X=1)=4/16
P (X = x) = 0

FX (x)
1

15
16

11
16
5
16

1
16

0 1 2 3 4 x

TeXmacs

= fcccc; cccs; ccss; csss; ssss; : : : g; j

j = 16, X(cccc) = 4, X(
) = f0; 1; 2; 3; 4g
 4
P [X 6 1] = P [X = 0] + P [X = 1], P [X = 1] = P fcsss; scss; sscs; ssscg = 16 , [X = 0] = fssssg
2) Un punto es seleccionado, al azar, de cuadrado unitario [0; 1]  [0; 1]. Sea X la primera
coordenada del punto seleccionado. Haga el gráfico de la función de distribución de X .

FX (x)

1 x
0
Definición 1.
a) La variable aleatoria X es discreta si toma un número finito o numerable de valores, es decir,
si existe un número finito o numerable fx1; x2; : : : g  R tal que X(!) 2 fx1; x2; : : : g para
todo ! 2
. La función p(xi) definida por p(xi) = P (X = xi); i = 1; 2; : : : , se llama función
de probabilidad (o función de frecuencia) de X.
X(
)  fx1; x2; : : : :g
b) La variable aleatoria X es (absolutamente) continua si existe una función f (x) > 0 tal que
Z x
FX (x) = f (t)dt; 8x 2 R:
¡1

En este caso, decimos que f es la función de densidad de probabilidad de X o simplemente

la densidad de X.

Observación 1.
a) Si X es discreta, entonces [X 6 x] = [i:xi 6x[X = xi], luego
X X
FX (x) = P (X = xi) = p(xi):
i:xi 6x i:xi 6x
 Si X es absolutamente continua, entonces FX , siendo una integral indefinida de f , es continua.
Técnicamente, la integral de la Definición 2.3(b) es de Lebesgue, y X tiene densidad si, y
solamente si, FX es absolutamente continua (i.e. FX es la integral de su derivada: Royden [18],
p.104-7). En este caso, f (x) = FX0 (x) en todo punto, excepto en un conjunto de medida de
Lebesgue nula (se dice que f = FX0 , en casi todo punto). Un conjunto B  R tiene medida de
Lebesgue nula si tiene longitud total <" cuya unión incluye a B .

0 1 2 3 4
" " " "
4 8 16 32

"
<"
2
 R1
Una función f (x) > 0 es la densidad de alguna variable aleatoria si, y solamente si, ¡1
f (x)dx =
1, ya que en este caso F definida por
Z x
F (x) = f (t)dt
¡1

es una función de distribución

R 1 , pues satisface F1, F2 y F3 (½verifique!). Recíprocamente, si f
es una densidad entonces ¡1 f (x)dx = 1, por el ítem (b) de la definición y la propiedad F3.

Pero sin recurrir a la Teoría de la Medida, ¾cómo vamos a verificar si X tiene densidad? Podemos
usar el siguiente criterio, válido en casi todos los casos que surgen en la práctica:
X tiene densidad si FX es (i) continua y (ii) derivable por tramos, i.e., si FX es derivable en el
interior de un número finito o numerable de intervalos cerrados cuya unión es la recta R. (En
este caso, la derivada es la densidad de X .) En particular, X tiene densidad si FX es continua y
derivable en todo punto excepto en un número finito de puntos, o si FX es continua y derivable
en todo punto excepto en los enteros.
Por ejemplo, sea
8
>
< 0; x < 0;
FX (x) = x; 0 6 x 6 1;
>
: 1; x > 1:

FX (x)

0 x
1

Figura 1.
La densidad de X está dada por


1; x 2 (0; 1)
f (x) = FX0 (x) =
0; x < 0 o x > 1:

Por otro lado, suponga que


0; x < 0
FX (x) =
1; x > 0:

Aquí X no tiene densidad, pues FX no es continua. De hecho X es una variable aleatoria

discreta, y P (X = 0)=1.

Es fácil construir un ejemplo de una variable aleatoria que no es discreta ni absolutamente

continua, pero si una mezcla de los dos tipos. Por ejemplo, sea X tal que X  U [0; 1] (léase
X tiene distribución uniforme en [0; 1]), i.e., X tiene la función de distribución FX cuyo
gráfico está arriba. Y sea Y = min (X ; 1/2), i.e., Y es la variable aleatoria definida por Y (!) =
min (X(!); 1/2); ! 2
. (Y es una variable aleatoria, pues es función continua de la variable
aleatoria X ) Entonces Y es del tipo mixto.

FY (y)

1
9
>
= 1 ¡ 1

2
=P Y = 2
>
;
1/2

1/2 y

Figura 2.

P [Y 6 1/2] = P [min (X(!); 1/2) 6 1/2] = P [

] = 1
[X 6 1] 
,
= f!1; !2; : : : g

[X 6 1] = f! 2
: X(!) 6 1g

Ejemplo 1. Una función de distribución de una variable aleatoria que no es discreta, continua ni
mixta. Nuestra función será continua, derivable en todo punto excepto en un conjunto de medida
de Lebesgue nula, pero no será absolutamente continua: vamos a considerar la función de Cantor .

Definamos F (x) = 0 para x < 0; F (x) = 1 para x > 1. Continuemos por etapas.

Etapa 1. Sea F (x) = 1/2 en (1/3; 2/3). Entonces el valor de F en ese intervalo es la media
de los valores en los dos intervalos vecinos en los que F ya fue definida ((¡1; 0) y (1; 1) y F
continúa sin estar definida en dos intervalos ([0; 1/3] y [2/3; 1]) de longitud total 2/3.

F (x)

3/
4

1/
2

1/
4

1 2 1 2 7 8 1
9 9 3 3 9 9

Figura 3. Gráfico de la función de Cantor después de las etapas 1 y 2.

Etapa n + 1. En el tercio central de cada uno de los 2n intervalos restantes después de la

etapa n, sea F (x) igual a la media de los valores en los dos intervalos vecinos (donde F ya
está definida). Por ejemplo, en la etapa 2 definimos F (x) = 1/4 en (1/9; 2/9) y F (x) = 3/4
en (7/9; 8/9). Restarán entonces 2n+1 intervalos (el doble del número restante después de la
etapa n), de largo total (2/3)n+1, en los que F aún no está definida.

Entonces definimos F por inducción en una cantidad numerable de intervalos abiertos, cuyo
complemento (i.e., el conjunto donde F aún no está definida) es el conjunto de Cantor, un
conjunto de medida de Lebesgue cero (longitud 0).

Podemos extender la definición de F al conjunto de Cantor C por continuidad si x 2 C , la

diferencia entre los valores de F en los dos intervalos vecinos después de la etapa n, es 1/2n.
Y F es monótona no -decreciente en C c. Si an es el valor de F en el intervalo vecino izquierdo,
después de la etapa n, y bn es el valor en el intervalo vecino derecho, entonces an"; bn# y
bn ¡ an#0. Sea F (x) el límite común de an y bn, y entonces F está definida en toda la recta.

(Ejercicio: verifique que F es una función de distribución.)

Ahora sea X una variable aleatoria cuya función de distribución es F , la función de Cantor.
Entonces X no es discreta (F es continua), ni de tipo mixto(por la misma razón), y tampoco es
Rx
continua (X no tiene densidad, pues F (x) = 0 en C y ¡1 F 0(t)dt = 0, i.e., F no es la integral
0 c

de su derivada, o mejor dicho, no es absolutamente continua). Decimos que X es una variable

aleatoria singular. Una variable aleatoria X se llama singular si FX es continua y FX0 (x) = 0 en
casi todo punto, i.e., excepto en un conjunto de medida de Lebesgue nula.
Observemos ahora que si FX es la función de Cantor, entonces P (X 2 C) = 1, donde C es el
conjunto de Cantor. En efecto,
     
1 2 1 2 7 8
C = R ¡ (¡1; 0) ¡ (1; 1) ¡ ; ¡ ; ¡ ; ¡


= ([In)c:
3 3 9 9 9 o

I1 I2 I3 I4 I
|{z}} ||||||||||{z}}}}}}}}}}5
1ra etapa 2da etapa

Pero para todo n; P (X 2 In) = 0, pues, por ejemplo.

   
1 2 1 2
P (X 2 I3) = P <X < 6P <X 6 =
3 3 3 3
   
2 1 1 1
= F ¡F = ¡ = 0:
3 3 2 2
Entonces P (X 2 [In) = 0 y por lo tanto P (X 2 C) = 1.

Podemos describir el caso singular en los siguientes términos: X es singular si, y solamente si,
existe un conjunto B de medida cero tal que P (X 2 B) = 1 y FX es continua (i.e. P (X = x) = 0
para todo x 2 R).
Vamos a ver ahora que toda variable aleatoria es una mezcla de los tres tipos: discretos, abso-
lutamente continuo y singular.
Sea X una variable aleatoria cualquiera y sea F su función de distribución. Si J = fx1; x2; : : : g
es el conjunto de los puntos de salto de F (si F fuese continua, J = ;), indiquemos con pi el
salto en el punto xi, i.e.,
pi = F (xi) ¡ F (xi¡):
Definimos
X
Fd(x) = pi:
i:xi 6x

Fd es una función escalera no decreciente: la parte discreta de F .

Ocurre que una función monótona posee derivada en casi todo punto. SEa f , entonces, la
derivada de F , o mejor:
 0
F (x) si F es derivable en x
f (x) =
0 si F no es derivable en x:
Rx
Sea Fac(x) = ¡1 f (t)dt. Fac es no-decreciente, pues es la integral indefinida de una función
no-negativa ( f > 0 porque F es no-decreciente). Su derivada es igual a f , por lo menos en casi
todo punto, de modo que Fac es absolutamente continua (es la integral de su derivada) Fac es
la parte absolutamente continua de F .
Sea Fs(x) = F (x) ¡ Fd(x) ¡ Fac(x). Fs es continua, pues es la diferencia de dos funciones
continuas (Fac es absolutamente continua, luego continua, F ¡ Fd es continua, porque la subs-
tracción de Fd elimina todos los saltos de F ). La derivada de F , es igual a cero en casi todo
punto, porque F y Fac tienen la misma derivada f , y Fd, siendo una función escalera,posee
derivada cero en casi todo punto F , es la parte singular de F , y

F = Fd + Fac + Fs:
EJEMPLO
Suponga X  U [0; 1] y Y = min (X ; 1/2). Ya vimos que

8
>
> 0; x < 0
< 1
FY (x) = x; 0 6 x < 2
>
>
: 1; x > 1 :
2

J = f1/2g
8
< 0; x < 1
Fd(x) = 2
: 1 1
x> 2
2
 8
>
> 0; x < 0
>
>
< 1; x 2 ¡ 0; 1

>
f (x) = ¡
2


>
> 1
0; x 2 2 ; +1
>
>
>
: 0; c:c

Rx
Fac(x) = ¡1
f (t)dt
8
>
> 0; x < 0
< 1
Fac = x; 0 6 x < 2
>
>
: 1; x > 1
2 2

8
>
> 0; x < 0
<  1

Fs(x) = FY (x) ¡ Fac(x) ¡ Fd(x) = 0; x 2 0; 2
>
>
: 0; x > 1
2

FY (x) = Fac(x) + Fd(x)

6) Sea X una variable aleatoria con densidad
(
cx2; si ¡ 1 6 x 6 1
f (x) =
0; en caso contrario:

a) Determine el valor de la constante c.

b) Encuentre el valor de  tal que FX () = 1/4. ( es el primer cuartil de la distribución de X .)
7) Una variable aleatoria X tiene función de distribución
8
>
< 1 si x > 1
F (x) = x3 si 0 6 x 6 1
>
: 0 si x < 0

¾Cuál es la densidad de X ?
9) Sea X una variable aleatoria con densidad
8
< 1
; si x > 0
f (x) = (1 + x)2
: 0; c:c:

Sea Y = max (X ; c), donde c es una constante >0.

a) Encuentre la función de distribución de Y
b) Descomponga FY en sus partes discreta, absolutamente continua y singular.