VARIABLES ALEATORIAS N DIMENSIONALES Estadistica Aplicada

MAT 1437 Estadística aplicada Rubén Medinaceli O.
VARIABLES ALEATORIAS n-DIMENSIONALES
1. Variable aleatoria
El concepto de variable aleatoria es fundamental en la teoría de probabilidades.
1.1. Definición
Matemáticamente, una variable aleatoria es una función con dominio un espacio de

muestreo (𝑆) y codominio el conjunto de los números reales (𝑅).
En otras palabras, una variable aleatoria asigna a eventos de un espacio de muestreo

valores del conjunto de los números reales, tal como refleja el siguiente gráfico.
Preferentemente, las variables aleatorias se denotan por las últimas letras mayúsculas del
𝐴, 𝐵, 𝐶, ⋯ , 𝑋, 𝑌, 𝑍; y, los valores que toman por las letras minúsculas correspondientes.
𝑆 𝑅
𝑋
●𝑥
Experimento
aleatorio:
Considere el siguiente ejemplo:
Experimento aleatorio:
Lanzar un dado
Si se considera el número de puntos que muestra la cara superior del dado,
Espacio de muestreo (𝑆):
{1, 2, 3, 4, 5, 6}
Variable aleatoria 𝑋:
𝑋 = El doble del número de puntos que muestra la cara superior del dado.
1
Rango de 𝑋:
{2, 4, 6, 8, 10, 12}
1.2. Definición
Una variable aleatoria bidimensional (𝑋, 𝑌) es una función con dominio un espacio de
muestreo (𝑆) y codominio un espacio euclidiano bidimensional (𝑅 2 ).
En otras palabras, la variable aleatoria bidimensional (𝑋, 𝑌) asigna a ciertos eventos de un

espacio de muestreo, puntos del plano (𝑋, 𝑌).
𝑆
𝑅2
𝑌
●(𝑥, 𝑦)
Experimento
aleatorio: (𝑋, 𝑌)
1.3. Definición
Una variable aleatoria n-dimensional (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ) es una función con dominio un espacio
de muestreo (𝑆) y codominio un espacio euclidiano n-dimensional (𝑅 𝑛 ).
𝑆 𝑅𝑛
𝑋1
● (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 )
Experimento
aleatorio: (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ) 𝑋2
𝑋𝑛 ⋯ 𝑋3
2
2. Función de distribución acumulada conjunta
2.1. Definición
Si 𝑋 es una variable aleatoria, la función de distribución acumulada de 𝑋, denotada por

𝐹𝑋 (𝑥), se define como:
𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥)
Esta función permite asignar probabilidades a eventos de un espacio de muestreo, vía una
variable aleatoria.
𝑆 𝑅
𝑅
● 0
𝑋
𝑥
Experimento
aleatorio: 𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥 )
1
Algunas propiedades de 𝐹𝑋 (𝑥) son:
• 𝐿𝑖𝑚𝑥→−∞ 𝐹𝑋 (𝑥) = 0
• 𝐿𝑖𝑚𝑥→∞ 𝐹𝑋 (𝑥) = 1
• 𝐹𝑋 (𝑥) es una función monótona no decreciente; vale decir,
𝐹𝑋 (𝑎) < 𝐹𝑋 (𝑏); ∀ 𝑎 < 𝑏
• 𝐹𝑋 (𝑥 ) es continua desde la derecha, esto es,
𝐿𝑖𝑚0<ℎ→0 𝐹𝑋 (𝑥 + ℎ) = 𝐹𝑋 (𝑥)
2.2. Definición
Si (𝑋, 𝑌) es una variable aleatoria bidimensional, la función de distribución acumulada

conjunta de (𝑋, 𝑌), denotada por 𝐹𝑋,𝑌 (𝑥, 𝑦), se define como:
𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑥; 𝑌 ≤ 𝑦)
Algunas propiedades de 𝐹𝑋,𝑌 (𝑥, 𝑦) son:
3
a)
𝐹𝑋,𝑌 (−∞, 𝑦) = 𝐿𝑖𝑚𝑥→−∞ 𝐹𝑋,𝑌 (𝑥, 𝑦) = 0; ∀ 𝑦
b)
𝐹𝑋,𝑌 (𝑥, −∞) = 𝐿𝑖𝑚𝑦→−∞ 𝐹𝑋,𝑌 (𝑥, 𝑦) = 0; ∀𝑥
c)
𝐹𝑋,𝑌 (∞, ∞) = 𝐿𝑖𝑚𝑥→∞;𝑦→∞ 𝐹𝑋,𝑌 (𝑥, 𝑦) = 1
De esta manera, si 𝑥1 < 𝑥2 y 𝑦1 < 𝑦2 , se tiene que,
𝐹𝑋,𝑌 (𝑥, 𝑦)
𝑥1 𝑥2
𝑋
𝑦1
𝑦2
𝑃[𝑥1 ≤ 𝑋 ≤ 𝑥2 ; 𝑦1 ≤ 𝑌 ≤ 𝑦2 ] = 𝐹𝑋,𝑌 (𝑥2 , 𝑦2 ) − 𝐹𝑋,𝑌 (𝑥2 , 𝑦1 ) − 𝐹𝑋,𝑌 (𝑥1 , 𝑦2 ) + 𝐹𝑋,𝑌 (𝑥1 , 𝑦1 )
2.3. Definición
Si (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ) es una variable aleatoria n-dimensional, la función de distribución

acumulada conjunta de (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ), denotada por 𝐹𝑋1,𝑋2,⋯,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) se define
como:
𝐹𝑋1,𝑋2,⋯,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[𝑋1 ≤ 𝑥1 ; 𝑋2 ≤ 𝑥2 ; … ; 𝑋𝑛 ≤ 𝑥𝑛 ]
Obviamente, las propiedades de esta función son similares a las anotadas para 𝐹𝑋,𝑌 (𝑥, 𝑦).
4
3. Variables aleatorias conjuntamente discretas
3.1. Definición
Una variable aleatoria 𝑋 es discreta si su rango es contable.
Rango contable significa que existe un conjunto finito o infinito de valores {𝑥1 , 𝑥2 ,
… , 𝑥𝑛 , 𝑥𝑛+1 … }; y la variable aleatoria puede tomar valores solamente de ese conjunto.
3.2. Definición
Una variable aleatoria bidimensional (𝑋, 𝑌) es discreta, si su rango es contable; vale decir,
existe un conjunto finito o infinito de puntos {(𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … , (𝑥𝑛 , 𝑦𝑛 ), (𝑥𝑛+1 , 𝑦𝑛+1 ), … } y la
variable aleatoria bi-dimensional toma valores solamente de este conjunto; también se dice
que 𝑋 y 𝑌 son variables aleatorias conjuntamente discretas.
3.3. Definición
Una variable aleatoria n-dimensional (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ) es discreta si su rango es contable; vale

decir, existe un conjunto finito o infinito de puntos en el espacio euclidiano n-dimensional
{(𝑥11 , 𝑥21 , … , 𝑥𝑛1 ), (𝑥12 , 𝑥22 , … , 𝑥𝑛2 ), … , (𝑥1𝑛 , 𝑥2𝑛 , … , 𝑥𝑛𝑛 ), (𝑥1𝑛+1 , 𝑥2𝑛+1 , … , 𝑥𝑛𝑛+1 ), … } y la variable
aleatoria n-dimensional toma valores solamente de este conjunto; también se dice que
𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 son variables aleatorias conjuntamente discretas.
4. Función de distribución de probabilidad conjunta
4.1. Definición
Si 𝑋 es una variable aleatoria discreta, la función de distribución de probabilidad de 𝑋,

denotada por 𝑓𝑋 (𝑥), es una función tal que:
𝑓𝑋 (𝑥) = 𝑃(𝑋 = 𝑥); ∀ 𝑥 ∈ 𝑎𝑙 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑋
= 0; 𝑑𝑒 𝑜𝑡𝑟𝑎 𝑚𝑎𝑛𝑒𝑟𝑎
Esta función también permite asignar probabilidades a eventos de un espacio de muestreo,

vía una variable aleatoria.
5
𝑆 𝑅 𝐹𝑋 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 )
1
𝑅
●
𝑿
𝑥
Experimento 0
aleatorio: 𝑓𝑋 (𝑥) = 𝑃 (𝑋 = 𝑥 )
1
Algunas propiedades de 𝑓𝑋 (𝑥)son:
a)
𝑓(𝑥) ≥ 0
b)
∑ 𝑓𝑋 (𝑥𝑖 ) = 1
∀𝑥𝑖
c)
𝑏
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∑ 𝑓𝑋 (𝑥𝑖 )
𝑥𝑖 =𝑎
4.2. Definición
Si (𝑋, 𝑌) es una variable aleatoria bidimensional discreta, la función de distribución de

probabilidad conjunta de (𝑋, 𝑌), denotada por 𝑓𝑋,𝑌 (𝑥, 𝑦), se define como:
𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑃[𝑋 = 𝑥; 𝑌 = 𝑦]; ∀(𝑥, 𝑦) 𝑞𝑢𝑒 ∈ 𝑎𝑙 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 (𝑋, 𝑌)
= 0; 𝑑𝑒 𝑜𝑡𝑟𝑎 𝑚𝑎𝑛𝑒𝑟𝑎
Algunas propiedades de 𝑓𝑋,𝑌 (𝑥, 𝑦) son:
a)
𝑓𝑋,𝑌 (𝑥, 𝑦) ≥ 0
6
b)
∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 1
∀(𝑥𝑖 ,𝑦𝑖 )
c)
𝑏 𝑑
𝑃[𝑎 ≤ 𝑋 ≤ 𝑏; 𝑐 ≤ 𝑌 ≤ 𝑑] = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 )

𝑥𝑖 =𝑎 𝑦𝑖 =𝑐
4.3. Definición
Si (𝑋1 , 𝑋2 , ⋯ 𝑋𝑛 ) es una variable aleatoria n-dimensional discreta, la función de distribución

de probabilidad conjunta de (𝑋1 , 𝑋2 , ⋯ 𝑋𝑛 ) , denotada por
𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ), se define como:
𝑓𝑋1,𝑋2 ,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … , 𝑋𝑛 = 𝑥𝑛 ]
Para todo (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) que pertenece al rango de (𝑋1 , 𝑋2 , … , 𝑋𝑛 );
Esta función es igual a cero para puntos que no pertenecen al rango de (𝑋1 , 𝑋2 , … , 𝑋𝑛 );
Las propiedades de 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) son:
a)
𝑓𝑋1,𝑋2 ,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ≥ 0
b)
∑ 𝑓𝑋1,𝑋2,⋯,𝑋𝑛 (𝑥1𝑖 , 𝑥2𝑖 , ⋯ 𝑥𝑛𝑖 ) = 1

∀(𝑥1𝑖 ,𝑥2𝑖,…𝑥𝑛𝑖 )
c)
𝑃[𝑎1 ≤ 𝑋1 ≤ 𝑏1 ; 𝑎2 ≤ 𝑋2 ≤ 𝑏2 ; ⋯ ; 𝑎𝑛 ≤ 𝑋𝑛 ≤ 𝑏𝑛 ]
𝑏1 𝑏2 𝑏𝑛
= ∑ ∑ ⋯ ∑ 𝑓𝑋1,𝑋2,⋯,𝑋𝑛 (𝑥1𝑖 , 𝑥2𝑖 , ⋯ 𝑥𝑛𝑖 )

𝑥1𝑖 =𝑎1 𝑥2𝑖 =𝑎2 𝑥𝑛𝑖 =𝑎𝑛
4.4. Teorema
Sea 𝑋 una variable aleatoria discreta.
Luego,
7
𝐹𝑋 (𝑥) puede a partir de 𝑓𝑋 (𝑥) y viceversa, esto es,
Esto es,
Si se conoce fX (x),
𝐹𝑋 (𝑥) = ∑ 𝑓𝑋 (𝑥𝑖 )
∀ 𝑥𝑖≤𝑥
Si se conoce FX (x),
𝑓𝑋 (𝑥𝑖 ) = 𝐹𝑋 (𝑥𝑖 ) − 𝐿𝑖𝑚0<ℎ→0 𝐹𝑋 (𝑥𝑖 − ℎ)
En general, 𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) puede obtenerse a partir de 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) y

viceversa.
Por ejemplo,
Si (𝑋, 𝑌) es una variable aleatoria bidimensional discreta,
𝐹𝑋,𝑌 (𝑥, 𝑦) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 )

∀𝑥𝑖 ≤𝑥 ∀𝑦𝑖 ≤𝑦
Si (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ) es una variable aleatoria n-dimensional discreta,
𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∑ ∑ … ∑ 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1𝑖 , 𝑥2𝑖 , … , 𝑥𝑛𝑖 )

∀𝑥1𝑖 ≤𝑥1 ∀𝑥2𝑖 ≤𝑥2 ∀𝑥𝑛𝑖 ≤𝑥𝑛
5. Función de distribución de probabilidad marginal
5.1. Definición
Si (𝑋, 𝑌) es una variable aleatoria bidimensional discreta con función de distribución de

probabilidad conjunta 𝑓𝑋,𝑌 (𝑥, 𝑦); 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑦) también reciben el nombre de funciones de
distribución de probabilidad marginales y se obtienen de la siguiente manera:
𝑓𝑋 (𝑥𝑖 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

∀𝑗
𝑓𝑌 (𝑦𝑗 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

∀𝑖
De igual manera, si (𝑋, 𝑌, 𝑍) es una variable aleatoria tridimensional discreta con función de
distribución de probabilidad 𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧); por ejemplo, 𝑓𝑌,𝑍 (𝑦, 𝑧) también recibe el nombre
8
de función de distribución de probabilidad conjunta marginal, y se obtiene de la siguiente

manera:
𝑓𝑌,𝑍 (𝑦𝑗 , 𝑧𝑘 ) = ∑ 𝑓𝑋,𝑌,𝑍 (𝑥𝑖 , 𝑦𝑗 , 𝑧𝑘 )

∀𝑖
De igual manera, 𝑓𝑋 (𝑥) recibe el nombre de función de distribución de probabilidad marginal

y puede obtenerse de la siguiente manera:
𝑓𝑋 (𝑥𝑖 ) = ∑ ∑ 𝑓𝑋,𝑌,𝑍 (𝑥𝑖 , 𝑦𝑗 , 𝑧𝑘 )

∀𝑗 ∀𝑘
Por supuesto que hay muchas más funciones de distribución de probabilidad marginal que
puede obtenerse a partir de la conjunta.
6. Ejercicio 1
Problema:
Se lanza dos monedas.
El espacio de muestreo de este experimento aleatorio es:
𝑆 = {(𝐶, 𝐶); (𝐶, 𝑆); (𝑆, 𝐶); (𝑆, 𝑆)}
Donde,
𝐶 = “cara”
𝑆 = “sello”
Se define la siguiente variable aleatoria:
𝑋 = Número de “caras” en el lanzamiento efectuado
El rango de la variable aleatoria (el conjunto de valores que la variable aleatoria puede
tomar) es el siguiente:
Rango de 𝑋 = {0, 1, 2}
Nótese que este rango es contable (ha sido posible hacer una lista de los valores que 𝑋
puede tomar). Por tanto, 𝑋 es una variable aleatoria discreta.
Se pide:
a) Obtener𝑓𝑋 (𝑥)
b) Graficar 𝑓𝑋 (𝑥)
c) Obtener𝐹𝑋 (𝑥)
d) Graficar 𝐹𝑋 (𝑥)
e) Calcular 𝑃(𝑋 ≤ 1), utilizando 𝑓𝑋 (𝑥)
9
f) Calcular 𝑃(𝑋 ≤ 1), utilizando 𝐹(𝑥)
Solución:
a)
𝑓𝑋 (0) = 𝑃(𝑋 = 0) = 1⁄4
𝑓𝑋 (0) = 𝑃(𝑋 = 0) se refiere a la probabilidad que el número de “caras” en el lanzamiento

efectuado sea igual a cero; vale decir, que ambas monedas muestren “sello”. En el espacio
de muestreo se puede apreciar que (𝑆, 𝑆) es un resultado de cuatro posibles.
Con el mismo razonamiento,
𝑓𝑋 (1) = 𝑃(𝑋 = 1) = 2⁄4 = 1⁄2

𝑓𝑋 (2) = 𝑃(𝑋 = 2) = 1⁄4
Generalmente, esta función es presentada en una tabla como la siguiente:
𝑋 0 1 2
𝑓𝑋 (𝑥) 1 1 1
4 2 4
Se cumplen todas las propiedades que 𝑓𝑋 (𝑥) debe cumplir; esto es,
• Todos los valores de 𝑓𝑋 (𝑥) son positivos

• La suma de los valores que 𝑓𝑋 (𝑥) toma es igual a 1
b)
𝑓𝑋 (𝑥)
½ ●
¼ ● ●
0 1 2 𝑋
c)
𝐹𝑋 (0) = ∑ 𝑓𝑋 (𝑥𝑖 ) = 𝑓𝑋 (0) = 1⁄4
∀ 𝑥𝑖≤0
10
𝐹𝑋 (1) = ∑ 𝑓𝑋 (𝑥𝑖 ) = 𝑓𝑋 (0) + 𝑓𝑋 (1) = 1⁄4 + 2⁄4 = 3⁄4

∀ 𝑥𝑖≤1
𝐹𝑋 (2) = ∑ 𝑓𝑋 (𝑥𝑖 ) = 𝑓𝑋 (0) + 𝑓𝑋 (1) + 𝑓𝑋 (2) = 1⁄4 + 2⁄4 + 1⁄4 = 1

∀ 𝑥𝑖≤2
Esta función también es presentada en una tabla como la siguiente:
𝑋 0 1 2
𝐹𝑋 (𝑥) 1 3 1
4 4
d)
𝐹𝑋 (𝑥)
1/2
0 1 2 𝑋
e)
𝑃(𝑋 ≤ 1) = ∑∀ 𝑥𝑖≤1 𝑓𝑋 (𝑥𝑖 ) = 𝑓𝑋 (0) + 𝑓𝑋 (1) = 1⁄4 + 2⁄4 = 3⁄4
f)
𝑃(𝑋 ≤ 1) = 𝐹𝑋 (1) = 3⁄4
7. Ejercicio 2
Como experimento aleatorio, se lanza un par de tetraedros (un tetraedro es un cuerpo

geométrico de 4 caras, cada una de las cuales es un triángulo equilátero, sus caras están
enumeradas del 1 al 4)
11
Si,
𝑋 = El número de la cara sobre la que se apoya el primer tetraedro.

Y = El máximo de (a, b); donde a es el número de la cara sobre la que se apoya el primer
tetraedro y b es el número de la cara sobre la que se apoya el segundo tetraedro.
a) Obtener 𝑓𝑋,𝑌 (𝑥, 𝑦)

b) Graficar 𝑓𝑋,𝑌 (𝑥, 𝑦)
c) Obtener 𝐹𝑋,𝑌 (𝑥, 𝑦)
d) Calcular 𝑃(1 ≤ 𝑋 ≤ 2; 2 ≤ 𝑌 ≤ 3)
e) Obtener las marginales 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑦)
Solución:
El espacio de muestreo (𝑆) del experimento aleatorio puede representarse de la siguiente

manera:
Tetraedro 2
(base)
4 ● ● ● ●
3 ● ● ● ●
2 ● ● ● ●
3 4
1 ● ● ● ● (Representan las bases de los dos tetraedros)
1 2 3 4 Tetraedro 1
(base)
Rango de X = {1, 2, 3, 4}
Rango de Y = {1, 2, 3, 4}
Rango de (X, Y) = {(1,1); (1,2); (1,3); (1,4); (2,2); (2,3); (2,4); (3,3); (3,4); (4,4)}
a)
𝑓𝑋,𝑌 (1,1) = 𝑃[𝑋 = 1; 𝑌 = 1] = 1⁄16
En palabras, se busca la probabilidad que el primer tetraedro se apoye sobre la cara

marcada con el número 1 y que el máximo de los números de las caras sobre las que se
apoyan los dos tetraedros sea igual a 1; esto ocurre si el resultado del experimento aleatorio
es el siguiente:
12
1 1
La probabilidad de este resultado es igual a 1 resultado sobre 16 posibles; vale decir 1/16.
Con el mismo razonamiento se han obtenido los siguientes resultados:
𝑓𝑋,𝑌 (1,2) = 𝑃[𝑋 = 1; 𝑌 = 2] = 1⁄16

𝑓𝑋,𝑌 (1,3) = 𝑃[𝑋 = 1; 𝑌 = 3] = 1⁄16
𝑓𝑋,𝑌 (1,4) = 𝑃[𝑋 = 1; 𝑌 = 4] = 1⁄16
𝑓𝑋,𝑌 (2,1) = 0
El valor de la función de distribución de probabilidad conjunta en este caso es igual a 0, ya

que (2,1) no pertenece al rango de (X, Y); si el tetraedro 1 se apoya sobre la cara con el
número 2, el máximo de (a, b) no puede ser 1
𝑓𝑋,𝑌 (2,2) = 𝑃[𝑋 = 2; 𝑌 = 2)] = 2⁄16
En palabras, se busca la probabilidad que el primer tetraedro se apoye sobre la cara

marcada con el número 2 y que el máximo de los números de las caras sobre las que se
apoyan los dos tetraedros sea igual a 2; esto ocurre si los resultados del experimento
aleatorio son los siguientes:
2 1
2 2
La probabilidad de obtener alguno de estos resultados es igual a 2 resultado sobre 16

posibles; vale decir, 2/16.
De esta manera, se han obtenido los siguientes resultados.
𝑓𝑋,𝑌 (2,3) = 𝑃[𝑋 = 2; 𝑌 = 3)] = 1⁄16

𝑓𝑋,𝑌 (2,2) = 𝑃[𝑋 = 2; 𝑌 = 4)] = 1⁄16
𝑓𝑋,𝑌 (3,1) = 0
𝑓𝑋,𝑌 (3,2) = 0
𝑓𝑋,𝑌 (3,3) = 𝑃[𝑋 = 3; 𝑌 = 3] = 3⁄16
𝑓𝑋,𝑌 (3,4) = 𝑃[𝑋 = 3; 𝑌 = 4] = 1⁄16
13
𝑓𝑋,𝑌 (4,1) = 0
𝑓𝑋,𝑌 (4,2) = 0
𝑓𝑋,𝑌 (4,3) = 0
𝑓𝑋,𝑌 (4,4) = 𝑃[𝑋 = 4; 𝑌 = 4] = 4⁄16
Generalmente, los resultados obtenidos se reflejan en una tabla como la siguiente:
𝒇𝑿,𝒀 (𝒙, 𝒚)
X 1 2 3 4
Y
1 1/16 0 0 0
2 1/16 2/16 0 0
3 1/16 1/16 3/16 0
4 1/16 1/16 1/16 4/16
Nótese que 𝑓𝑋,𝑌 (𝑥, 𝑦) cumple las propiedades anotadas anteriormente, todos los valores de
𝑓𝑋,𝑌 (𝑥, 𝑦) son positivos y suman 1.
b)
𝑓𝑋,𝑌 (𝑥, 𝑦)
4/16
1 2 3 4
𝑌
1
14
c)
Se sabe que,
𝐹𝑋,𝑌 (𝑥, 𝑦) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 )

∀𝑥𝑖 ≤𝑥 ∀𝑦𝑖 ≤𝑦
De esta manera,
𝐹𝑋,𝑌 (1,1) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋,𝑌 (1,1) = 1/16

∀𝑥𝑖 ≤1 ∀𝑦𝑖 ≤1
𝐹𝑋,𝑌 (1,2) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋,𝑌 (1,1) + 𝑓𝑋,𝑌 (1,2) = 1⁄16 + 1⁄16 = 2⁄16
∀𝑥𝑖 ≤1 ∀𝑦𝑖 ≤2
𝐹𝑋,𝑌 (2,2) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋,𝑌 (1,1) + 𝑓𝑋,𝑌 (1,2) + 𝑓𝑋,𝑌 (2,1) + 𝑓𝑋,𝑌 (2,2) = 4⁄16
∀𝑥𝑖 ≤2 ∀𝑦𝑖 ≤2
Y, así sucesivamente. Los resultados se muestran en la siguiente tabla,
𝑭𝑿,𝒀 (𝒙, 𝒚)
X 1 2 3 4
Y
1 1/16 1/16 1/16 1/16
2 2/16 4/16 4/16 4/16
3 3/16 6/16 9/16 9/16
4 4/16 8/16 12/16 1
d)
2 3
𝑃(1 ≤ 𝑋 ≤ 2; 2 ≤ 𝑌 ≤ 3) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋,𝑌 (1,2) + 𝑓𝑋,𝑌 (1,3) + 𝑓𝑋,𝑌 (2,2) + 𝑓𝑋,𝑌 (2,3)
𝑥𝑖 =1 𝑦𝑖 =2
1 1 2 1 5
𝑃(1 ≤ 𝑋 ≤ 2; 2 ≤ 𝑌 ≤ 3) = + + + =
16 16 16 16 16
e)
Se sabe que,
15
𝑓𝑋 (𝑥𝑖 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

∀𝑗
Por ejemplo,
1 1 1 1 4
𝑓𝑋 (1) = ∑ 𝑓𝑋,𝑌 (1, 𝑦𝑗 ) = 𝑓𝑋,𝑌 (1,1) + 𝑓𝑋,𝑌 (1,2) + 𝑓𝑋,𝑌 (1,3) + 𝑓𝑋,𝑌 (1,4) = + + + =
16 16 16 16 16
∀𝑗
También se sabe que,
𝑓𝑌 (𝑦𝑗 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

∀𝑖
Por ejemplo,
1 1
𝑓𝑌 (1) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 1) = 𝑓𝑋,𝑌 (1,1) + 𝑓𝑋,𝑌 (2,1) + 𝑓𝑋,𝑌 (3,1) + 𝑓𝑋,𝑌 (4,1) = +0+0+0 =
16 16
∀𝑖
De la misma forma se calculan los valores restantes, los resultados se muestran en la

siguiente tabla:
X 1 2 3 4 𝒇𝒀 (𝒚)
Y
1 1/16 0 0 0 1/16
2 1/16 2/16 0 0 3/16
3 1/16 1/16 3/16 0 5/16
4 1/16 1/16 1/16 4/16 7/16
𝒇𝑿 (𝒙) 4/16 4/16 4/16 4/16
Nótese que las funciones de distribución de probabilidad marginal aparecen en los

márgenes de la tabla (las sumas son directas).
8. Ejercicio 3
Problema:
Se tiene una bolsa que contiene dos bolas de billar marcadas con el número 1, tres bolas
de billar marcadas con el número 2 y cuatro bolas de billar marcadas con el número 3.
Se selecciona tres (3) bolas de billar al azar.
Si,
𝑋 = El mayor de los números de las bolas seleccionadas
𝑌 = El menor de los números de las bolas seleccionadas
16

b) Obtener 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑦)
c) Calcular 𝑃[𝑋 ≤ 2; 𝑌 ≤ 2]
Solución:
Experimento aleatorio: 1 2 2
1 1
2 2 2
3 3 3 3
Rango de 𝑋 = {2,3}
El mayor de los números de las bolas seleccionadas no podrá el 1 (hay solamente dos bolas
marcadas con el número 1.
Rango de 𝑌 = {1,2,3}
El menor de los números de las bolas seleccionadas será el 3, cuando las tres bolas
marcadas con el número 3 sean seleccionadas.
Rango de (𝑋, 𝑌) = {(2, 1); (2, 2); (3, 1); (3, 2); (3, 3)}
a)
𝑓𝑋,𝑌 (2,1) = 𝑃(𝑋 = 2; 𝑌 = 1)
Se tendrá 𝑋 = 2; 𝑌 = 1, en los siguientes casos,
1 1 2
1 2 2
Consecuentemente,
17
2 3 2 3
( )( ) + ( )( )
𝑓𝑋,𝑌 (2,1) = 𝑃(𝑋 = 2; 𝑌 = 1) = 2 1 1 2 = 9
9 84
( )
3
𝑓𝑋,𝑌 (2,2) = 𝑃(𝑋 = 2; 𝑌 = 2)
Se tendrá 𝑋 = 2; 𝑌 = 2, en el siguiente caso,
2 2 2
Consecuentemente,
3
( ) 1
𝑓𝑋,𝑌 (2,2) = 𝑃(𝑋 = 2; 𝑌 = 2) = 3 =
9
( ) 84
3
Siguiendo el mismo razonamiento se obtiene el siguiente resultado final:
𝑋 2 3
𝑌
1 9 40
84 84
2 1 30
84 84
3 0 4
84
b)
𝑓𝑋 (𝑥𝑖 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

∀𝑗
𝑓𝑌 (𝑦𝑗 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

∀𝑖
En el caso del ejercicio,
9 1 10
𝑓𝑋 (2) = ∑ 𝑓𝑋,𝑌 (2, 𝑦𝑗 ) = 𝑓𝑋,𝑌 (2, 1) + 𝑓𝑋,𝑌 (2,2) + 𝑓𝑋,𝑌 (2,3) = + +0 =
84 84 84
∀𝑗
9 40 49
𝑓𝑌 (1) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 1) = 𝑓𝑋,𝑌 (2, 1) + 𝑓𝑋,𝑌 (3,1) = + =
84 84 84
∀𝑖
18
En el siguiente cuadro se presentan los resultados obtenidos
𝑋 2 3 𝑓𝑌 (𝑦)
𝑌
1 9 40 49
84 84 84
2 1 30 31
84 84 84
3 0 4 4
84 84
𝑓𝑋 (𝑥) 10 74
84 84
Nótese que 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑦) pueden obtenerse sumando valores en las columnas y luego en
las filas.
c)
2 2
9 1 10
𝑃[𝑋 ≤ 2; 𝑌 ≤ 2] = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋,𝑌 (2, 1) + 𝑓𝑋,𝑌 (2, 2) = + =
84 84 84
𝑥𝑖 =2 𝑦𝑖 =1
9. Variable aleatoria continua
9.1. Definición
Si ,
𝑥
𝐹𝑋 (𝑥) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥
−∞
𝑋 es una variable aleatoria continua.
En otras palabras, 𝑋 es una variable aleatoria continua si toma una serie continua de valores
en algún intervalo de la recta real (𝑅).
10. Función de densidad de probabilidad
10.1. Definición
La función 𝑓𝑋 (𝑥) dentro de la integral anterior recibe el nombre de función de densidad de

probabilidad de 𝑋.
Algunas de las propiedades de 𝑓𝑋 (𝑥) son:

19
a)
𝑓𝑋 (𝑥) ≥ 0
b)
∞
∫ 𝑓𝑋 (𝑥)𝑑𝑥 = 1
−∞
c)
𝑃[𝑎 ≤ 𝑋 ≤ 𝑏] = ∫ 𝑓𝑋 (𝑥)𝑑𝑥
𝑎
En otras palabras,
𝑓𝑋 (𝑥)
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏)
𝑎 𝑏 𝑋
La primera propiedad indica que 𝑓𝑋 (𝑥) es siempre una función positiva. La segunda
propiedad señala que el área debajo de esta función es siempre igual a la unidad. La
probabilidad que la variable aleatoria 𝑋 tome valores entre 𝑎 y 𝑏 es igual al área con sombra
en la figura superior.
10.2. Teorema
Sea 𝑋 una variable aleatoria continua.
Luego,
𝐹𝑋 (𝑥) puede a partir de 𝑓𝑋 (𝑥) y viceversa.
Esto es,
Si se conoce 𝑓𝑋 (𝑥),
20
𝐹𝑋 (𝑥) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥
−∞
Si se conoce 𝐹𝑋 (𝑥),
𝑑 𝐹𝑋 (𝑥)
𝑓𝑋 (𝑥) =
𝑑𝑥
10.3. Nota importante
Aunque las notaciones para la función de distribución de probabilidad y para la función de

densidad de probabilidad son las mismas, sus interpretaciones son diferentes.
Si 𝑋 es una variable aleatoria discreta,
𝑓𝑋 (𝑥) = 𝑃(𝑋 = 𝑥)
Si 𝑋 es una variable aleatoria continua,
𝑑 𝐹𝑋 (𝑥) 𝐹𝑋 (𝑥 + ∆𝑥) − 𝐹𝑋 (𝑥 − ∆𝑥)

𝑓𝑋 (𝑥) = = 𝐿𝑖𝑚∆𝑥→0
𝑑𝑥 2∆𝑥
𝑓𝑋 (𝑥)2∆𝑥 ≅ 𝐹𝑋 (𝑥 + ∆𝑥) − 𝐹𝑋 (𝑥 − ∆𝑥) ≅ 𝑃(𝑥 − ∆𝑥 ≤ 𝑋 ≤ 𝑥 + ∆𝑥)
Vale decir, la probabilidad que la variable aleatoria 𝑋 esté en un pequeño intervalo que
contiene al valor 𝑥 , es aproximadamente igual a 𝑓𝑋 (𝑥) multiplicado por el ancho del
intervalo.
11. Ejercicio 4
Problema:
Sea 𝑋 una variable aleatoria cuya función de densidad probabilística viene dada
por:
𝑓𝑋 (𝑥) = 𝑘𝑒 −𝑥 ; 𝑥 ≥ 0
Se pide:
a) Calcular el valor de 𝑘 para que 𝑓𝑋 (𝑥) sea realmente una función de densidad
de probabilidad
b) Graficar 𝑓𝑋 (𝑥)
c) Obtener 𝐹𝑋 (𝑥)
d) Graficar 𝐹𝑋 (𝑥)
e) Calcular 𝑃(1 ≤ 𝑋 ≤ 2), utilizando 𝑓𝑋 (𝑥)
f) Calcular 𝑃(1 ≤ 𝑋 ≤ 2), utilizando 𝐹𝑋 (𝑥)
21
Solución:
Nótese que el rango de la variable aleatoria 𝑋 no es contable. 𝑋 puede tomar una serie
continua de valores en el intervalo (0, ∞). Por tanto, 𝑋 es una variable aleatoria continua.
a)
Se sabe que:
∞
∫ 𝑘𝑒 −𝑥 𝑑𝑥 = 1
0
∞
𝑘 ∫ 𝑒 −𝑥 𝑑𝑥 = 1
0
−𝑘𝑒 −𝑥 |∞
0 =1
𝑘(−𝑒 −∞ + 𝑒 0 ) = 1
𝑘=1
b)
𝑓𝑋 (𝑥)
0 𝑋
c)
𝑥
𝐹𝑋 (𝑥) = ∫ 𝑒 −𝑥 𝑑𝑥 = −𝑒 −𝑥 |0𝑥 = −(𝑒 −𝑥 + 𝑒 0 ) = 1 − 𝑒 −𝑥

0
22
d)
𝐹𝑋 (𝑥)
0 𝑋
e)
𝑓𝑋 (𝑥)
𝑃(1 ≤ 𝑋 ≤ 2)
1 2 𝑋
2
𝑃(1 ≤ 𝑋 ≤ 2) = ∫ 𝑓𝑋 (𝑥) 𝑑𝑥
1
2
= ∫ 𝑒 −𝑥 𝑑𝑥 = −𝑒 −𝑥 |12 = −𝑒 −2 + 𝑒 −1 = 𝑒 −1 − 𝑒 −2 = 0,368 − 0,135 = 0,233

1
23
f)
𝐹𝑋 (𝑥)
𝐹𝑋 (2)
𝐹𝑋 (1)
0 1 2 𝑋
𝑃(1 ≤ 𝑋 ≤ 2) = 𝐹𝑋 (2) − 𝐹𝑋 (1) = 1 − 𝑒 −2 − (1 − 𝑒 −1 ) = 𝑒 −1 − 𝑒 −2 = 0,233
12. Variables aleatorias conjuntamente continuas
12.1. Definición
Si,
𝑥 𝑦
𝐹𝑋,𝑌 (𝑥, 𝑦) = ∫ ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦

−∞ −∞
La variable aleatoria bidimensional (𝑋, 𝑌) es una variable aleatoria bidimensional continua;

también se dice que, 𝑋 y 𝑌 son variables aleatorias conjuntamente continuas.
En general, si,
𝑥1 𝑥2 𝑥𝑛
𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∫ ∫ … ∫ 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛

−∞ −∞ −∞
La variable aleatoria n-dimensional (𝑋1 , 𝑋2 , ⋯ 𝑋𝑛 ) es continua; o también se dice que

𝑋1 , 𝑋2 , ⋯ 𝑋𝑛 son variables aleatorias conjuntamente continuas.
13. Función de densidad de probabilidad conjunta
13.1. Definición
La función 𝑓𝑋,𝑌 (𝑥, 𝑦) dentro de la integral,
𝑥 𝑦

−∞ −∞
24
recibe el nombre de función de densidad de probabilidad conjunta de 𝑋 y 𝑌.
Algunas de las propiedades de 𝑓𝑋,𝑌 (𝑥, 𝑦) son:
a)
𝑓𝑋,𝑌 (𝑥, 𝑦) ≥ 0
b)
∞ ∞
∫ ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦 = 1

−∞ −∞
c)
𝑏 𝑑
𝑃[𝑎 ≤ 𝑋 ≤ 𝑏; 𝑐 ≤ 𝑌 ≤ 𝑑] = ∫ ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦

𝑎 𝑐
𝑃[𝑎 ≤ 𝑋 ≤ 𝑏; 𝑐 ≤ 𝑌 ≤ 𝑑]
𝑐 𝑑
𝑌
𝑎
De igual manera, la función 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) dentro de la integral,
𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∫ ∫ … ∫ 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛

−∞ −∞ −∞
25
es la función de densidad de probabilidad conjunta de la variable aleatoria n-dimensional

(𝑋1 , 𝑋2 , ⋯ 𝑋𝑛 ).
Algunas de las propiedades de 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) son:
a)
𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ≥ 0
b)
∞ ∞ ∞
∫ ∫ ⋯ ∫ 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑑𝑥1 𝑑𝑥2 ⋯ 𝑑𝑥𝑛 = 1

−∞ −∞ −∞
c)
𝑃[𝑎1 ≤ 𝑋1 ≤ 𝑏1 ; 𝑎2 ≤ 𝑋2 ≤ 𝑏2 ⋯ 𝑎𝑛 ≤ 𝑋𝑛 ≤ 𝑏𝑛 ]
𝑏1 𝑏2 𝑏𝑛
= ∫ ∫ ⋯ ∫ 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 )𝑑𝑥1 𝑑𝑥2 ⋯ 𝑑𝑥𝑛

𝑎1 𝑎2 𝑎𝑛
13.2. Teorema
En general, 𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) puede obtenerse a partir de 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) y

viceversa.
Por ejemplo,
Si (𝑋, 𝑌) es una variable aleatoria bidimensional discreta,
𝑥 𝑦

−∞ −∞
𝜕 2 𝐹𝑋,𝑌 (𝑥, 𝑦)
𝑓𝑋,𝑌 (𝑥, 𝑦) =
𝜕𝑥 𝜕𝑦
Si, (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ) es una variable aleatoria n-dimensional discreta,

𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∫ ∫ ⋯ ∫ 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 )𝑑𝑥1 𝑑𝑥2 ⋯ 𝑑𝑥𝑛

−∞ −∞ −∞
26
𝜕 𝑛 𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 )
𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) =
𝜕𝑥1 𝜕𝑥2 ⋯ 𝜕𝑥𝑛
14. Función de densidad de probabilidad marginal
14.1. Definición
Si (𝑋, 𝑌) es una variable aleatoria bidimensional continua con función de densidad de

probabilidad conjunta 𝑓𝑋,𝑌 (𝑥, 𝑦); luego, 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑦) también reciben el nombre de funciones
de densidad de probabilidad marginales; las mismas son obtenidas de la siguiente manera:
∞
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑦

−∞
𝑓𝑌 (𝑦) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥

−∞
Igualmente, si (𝑋, 𝑌, 𝑍) es una variable aleatoria tridimensional continua con función de

densidad de probabilidad conjunta 𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧); 𝑓𝑌,𝑍 (𝑦, 𝑧) es una función de densidad de
probabilidad conjunta marginal, igual a:
∞
𝑓𝑌,𝑍 (𝑦, 𝑧) = ∫ 𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧)𝑑𝑥

−∞
También 𝑓𝑋 (𝑥) es una función de densidad de probabilidad marginal, igual a:

∞ ∞
𝑓𝑋 (𝑥) = ∫ ∫ 𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧)𝑑𝑦𝑑𝑧

−∞ −∞
Por supuesto que hay otras funciones de densidad de probabilidad marginal que pueden
obtenerse a partir de la función de densidad de probabilidad conjunta 𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧).
15. Ejercicio 5
Problema:
Sea (𝑋, 𝑌) una variable aleatoria bidimensional tal que,
𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑘(6 − 𝑥 − 𝑦); 0 ≤ 𝑥 ≤ 2; 2 ≤ 𝑦 ≤ 4
a) Obtener el valor de 𝑘
b) Obtener 𝑓𝑋 (𝑥)
c) Calcular 𝑃[𝑋 ≤ 1; 𝑌 ≤ 3]
27
d) Calcular 𝑃[𝑋 + 𝑌 ≤ 3]
Solución:
a)
Para que 𝑓𝑋,𝑌 (𝑥, 𝑦) sea una función de densidad de probabilidad conjunta, debe cumplirse
que:
2 4
∫ ∫ 𝑘(6 − 𝑥 − 𝑦)𝑑𝑥𝑑𝑦 = 1
0 2
Por tanto
2 4 2 4 2 4
𝑘 [∫ ∫ 6𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑥𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑦𝑑𝑥𝑑𝑦] = 1

0 2 0 2 0 2
8𝑘 = 1
1
𝑘=
8
b)
En general,
∞
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋,𝑌 ( 𝑥, 𝑦)𝑑𝑦

−∞
En este caso,
4 4 4
4
1 1 1 1
𝑓𝑋 (𝑥) = ∫ (6 − 𝑥 − 𝑦)𝑑𝑦 = [6 ∫ 𝑑𝑦 − 𝑥 ∫ 𝑑𝑦 − ∫ 𝑦𝑑𝑦] = (6 − 2𝑥) = (3 − 𝑥)
8 8 2 8 4
2 2 2
1
𝑓𝑋 (𝑥) = (3 − 𝑥)
4
c)
1 3 1 3 1 3 1 3
1 1
𝑃[𝑋 ≤ 1; 𝑌 ≤ 3] = ∫ ∫ (6 − 𝑥 − 𝑦)𝑑𝑥𝑑𝑦 = [6 ∫ ∫ 𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑥𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑦𝑑𝑥𝑑𝑦]
8 8
0 2 0 2 0 2 0 2
3
𝑃[𝑋 ≤ 1; 𝑌 ≤ 3] =
8
28
d)
𝑥+𝑦 ≤3 2
0 1 2 3 4 𝑋
𝑥+𝑦 =3
𝑦 =3−𝑥
1 3−𝑥 1 3−𝑥 1 3−𝑥 1 3−𝑥
1 1
𝑃[𝑋 + 𝑌 ≤ 3] = ∫ ∫ (6 − 𝑥 − 𝑦)𝑑𝑥𝑑𝑦 = [6 ∫ ∫ 𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑥𝑑𝑥𝑑𝑦 − ∫ ∫ 𝑦𝑑𝑥𝑑𝑦]
8 8
0 2 0 2 0 2 0 2
1 1 1
1
𝑃[𝑋 + 𝑌 ≤ 3] = [6 ∫ 𝑦|3−𝑥 3−𝑥 2 3−𝑥
2 𝑑𝑥 − ∫ 𝑥 𝑦|2 𝑑𝑥 − ∫ 𝑦 ⁄2|2 𝑑𝑥]
8
0 0 0
1 1 1
1 (3 − 𝑥)2 − 4
𝑃[𝑋 + 𝑌 ≤ 3] = [6 ∫(3 − 𝑥 − 2)𝑑𝑥 − ∫(3 − 𝑥 − 2)𝑥𝑑𝑥 − ∫ 𝑑𝑥 ]
8 2
0 0 0
19
𝑃[𝑋 + 𝑌 ≤ 3] =
48
16. Función de distribución de probabilidad condicional
16.1. Definición
Si (𝑋, 𝑌) es una variable aleatoria bidimensional discreta cuya función de distribución de

probabilidad conjunta es 𝑓𝑋,𝑌 (𝑥. 𝑦),
La función de distribución de probabilidad condicional de 𝑋 dado que 𝑌 = 𝑦, denotada por

𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦) se define como,
29
𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦) =
𝑓𝑌 (𝑦)
Consecuentemente, la probabilidad que la variable aleatoria discreta 𝑋 tome valores entre

𝑎 y 𝑏, cuando se sabe que la variable aleatoria discreta 𝑌 tomó un valor igual a 𝑦, es igual
a,
𝑏
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏⁄𝑌 = 𝑦) = ∑ 𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦)

∀ 𝑥=𝑎
De igual manera, la función de distribución de probabilidad condicional de 𝑌 dado que 𝑋 =

𝑥, denotada por 𝑓𝑌⁄𝑋 (𝑦⁄𝑥 ), se define como,
𝑓𝑌⁄𝑋 (𝑦⁄𝑥 ) =
𝑓𝑋 (𝑥)
Consecuentemente, la probabilidad que la variable aleatoria discreta 𝑌 tome valores entre

𝑐 y 𝑑, cuando se sabe que la variable aleatoria discreta 𝑋 tomó un valor igual a 𝑥, es igual
a,
𝑃(𝑐 ≤ 𝑌 ≤ 𝑑 ⁄𝑋 = 𝑥) = ∑ 𝑓𝑌⁄𝑋 (𝑦⁄𝑥 )

∀ 𝑦=𝑐
Por otro lado, si (𝑋, 𝑌, 𝑍) es una variable aleatoria tridimensional discreta cuya función de
distribución de probabilidad conjunta es 𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧),
La función de distribución de probabilidad condicional de 𝑋 dado que 𝑌 = 𝒚 y 𝑍 = 𝑧,

denotada por 𝑓𝑋⁄𝑌,𝑍 (𝑥 ⁄𝑦, 𝑧), se define como,
𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧)
𝑓𝑋⁄𝑌,𝑍 (𝑥 ⁄𝑦, 𝑧) =
𝑓𝑌,𝑍 (𝑦, 𝑧)
La probabilidad que la variable aleatoria discreta 𝑋 tome valores entre 𝑎 y 𝑏, cuando se

sabe que la variable aleatoria discreta 𝑌 tomó un valor igual a 𝑦 y la variable aleatoria
discreta 𝑍 tomó un valor igual a z, viene dada por,
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏⁄𝑌 = 𝑦; 𝑍 = 𝑧) = ∑ 𝑓𝑋⁄𝑌,𝑍 (𝑥 ⁄𝑦, 𝑧)

∀ 𝑥=𝑎
La función de distribución de probabilidad condicional de 𝑋 y 𝑌 dado que 𝑍 = 𝑧, denotada

por 𝑓𝑋,𝑌⁄𝑍 (𝑥, 𝑦⁄𝑧), se define como,
𝑓𝑋,𝑌⁄𝑍 (𝑥, 𝑦⁄𝑧) =
𝑓𝑍 (𝑧)
30
Y la probabilidad que la variable aleatoria discreta 𝑋 tome valores entre 𝑎 y 𝑏, y

simultáneamente la variable aleatoria discreta 𝑌 tome valores entre 𝑐 y 𝑑, cuando se sabe
que la variable aleatoria discreta 𝑍 tomó un valor 𝑧, es igual a,
𝑏 𝑑
𝑃[𝑎 ≤ 𝑋 ≤ 𝑏; 𝑐 ≤ 𝑌 ≤ 𝑑 ⁄𝑍 = 𝑧] = ∑ ∑ 𝑓𝑋,𝑌⁄𝑍 (𝑥, 𝑦⁄𝑧)

∀𝑥=𝑎 ∀𝑦=𝑐
17. Ejercicio 6
Problema:
Se seleccionan al azar dos bolas de billar de una bolsa que contiene 3 bolas de billar azules,
2 bolas de billar rojas y 3 bolas de billar verdes.
Si,
𝑋 = El número de bolas de billar azules en la selección efectuada

𝑌 = El número de bolas de billar rojas en la selección efectuada
Calcular la probabilidad que una de las bolas seleccionadas sea verde dado que la otra bola
de billar seleccionada es roja.
Solución:
?
Rango de X = {0, 1, 2}
Rango de Y = {0, 1, 2}
Rango de (X, Y) = {(0,0); (0,1); (0,2); (1,0); (1,1); (2,0)}
Por ejemplo,
(0,0); (X=0, Y=0) significa que las dos bolas de billar seleccionadas son verdes
(0,1); (X=0, Y=1) significa que una de las bolas seleccionadas es verde y la otra roja
(0,2); (X=0, Y=2) significa que las dos bolas seleccionadas son rojas
(1,1); (X=1, Y=1) significa que una de las bolas seleccionadas es azul y la otra es roja
Etc.
31
Si,
𝑛 𝑛!
( ) = 𝐶𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑛 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑡𝑜𝑚𝑎𝑑𝑜𝑠 𝑑𝑒 𝑟 𝑒𝑛 𝑟 =
𝑟 (𝑛 − 𝑟)! 𝑟!
3
( ) 3
𝑓𝑋,𝑌 (0,0) = 𝑃[𝑋 = 0; 𝑌 = 0] = 2 =
8
( ) 28
2
3 2
( )( ) 6
𝑓𝑋,𝑌 (0,1) = 𝑃[𝑋 = 0; 𝑌 = 1] = 1 1 =
8 28
( )
2
2
( ) 1
𝑓𝑋,𝑌 (0,2) = 𝑃[𝑋 = 0; 𝑌 = 2] = 2 =
8
( ) 28
2
3 2
( )( ) 6
𝑓𝑋,𝑌 (1,1) = 𝑃[𝑋 = 1; 𝑌 = 1] = 1 1 =
8 28
( )
2
De esta manera se han calculado los restantes valores de 𝑓𝑋,𝑌 (𝑥, 𝑦); la siguiente tabla
resume los mismos,
X 0 1 2 𝒇𝒀 (𝒚)
Y
0 3/28 9/28 3/28 15/28
1 6/28 6/28 0 12/28
2 1/28 0 0 1/28
𝒇𝑿 (𝒙) 10/28 15/28 3/28
La probabilidad solicitada puede expresarse de la siguiente manera:
𝑃[𝑋 = 0⁄𝑌 = 1)] = 𝑓𝑋⁄𝑌 (0⁄1)
La tabla superior nos muestra las funciones de distribución de probabilidad marginales. En

este caso nos interesa 𝑓𝑌 (𝑦),
32
Y 0 1 2
𝒇𝒀(𝒚) 15/28 12/28 1/28
Recuerde que en general,
𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦) =
𝑓𝑌 (𝑦)
En este caso, la función de distribución de probabilidad condicional de X, dado Y = 1, es la

siguiente,
𝑓𝑋,𝑌 (0,1) 6/28 1

𝑓𝑋⁄𝑌 (0⁄1) = = =
𝑓𝑌 (1) 12/28 2
𝑓𝑋,𝑌 (1,1) 6/28 1

𝑓𝑋⁄𝑌 (1⁄1) = = =
𝑓𝑌 (1) 12/28 2
𝑓𝑋,𝑌 (2,1) 0
𝑓𝑋⁄𝑌 (2⁄1) = = =0
𝑓𝑌 (1) 12/28
Vale decir,
X 0 1 2
𝒇𝑿⁄𝒀 (𝒙⁄𝟏) 1/2 1/2 0
Por tanto,
1
𝑃[𝑋 = 0⁄𝑌 = 1)] = 𝑓𝑋⁄𝑌 (0⁄1) =
2
18. Ejercicio 7
Problema:
Se lanzan tres monedas (una de 10c, otra de 20c y otra de 50c)

Sea:
X = Número de “caras” en las monedas de 10c y 20c

Y = Número de “sellos” en las monedas de 20c y 50c
Se pide:

b) Calcular la 𝑃(𝑋 = 1⁄𝑌 = 1)
33
Solución:
Obtención del espacio de muestreo (𝑆):
10c 20c 50c
Cara (C) Cara (C) Cara (C)
Sello (S) Sello (S) Sello (S)
𝑛1 = 2 𝑛2 = 2 𝑛3 = 2
𝑛 = 𝑛1 × 𝑛2 × 𝑛3 = 2 × 2 × 2 = 8
C C C
C S C
S C C
C C S
S S S
S S C
S C S
C S S
34
a)
Rango de X = {0, 1, 2}
Rango de Y = {0, 1, 2}
Rango de (X, Y) = {(0;1),(0;2),(1;0),(1;1),(1;2),(2;0),(2;1)}
𝑓𝑋,𝑌 (0, 0) = 𝑃(𝑋 = 0; 𝑌 = 0) = 0

𝑓𝑋,𝑌 (0, 1) = 𝑃(𝑋 = 0; 𝑌 = 1) = 1/8
𝑓𝑋,𝑌 (0, 2) = 𝑃(𝑋 = 0; 𝑌 = 2) = 1/8
𝑓𝑋,𝑌 (1, 0) = 𝑃(𝑋 = 1; 𝑌 = 0) = 1/8
𝑓𝑋,𝑌 (1, 1) = 𝑃(𝑋 = 1; 𝑌 = 1) = 2/8
𝑓𝑋,𝑌 (1,2) = 𝑃(𝑋 = 1; 𝑌 = 2) = 1/8
𝑓𝑋,𝑌 (2,0) = 𝑃(𝑋 = 2; 𝑌 = 0) = 1/8
𝑓𝑋,𝑌 (2,1) = 𝑃(𝑋 = 2; 𝑌 = 1) = 1/8
𝑓𝑋,𝑌 (2,2) = 𝑃(𝑋 = 2; 𝑌 = 2) = 0
Estos resultados se presentan en la siguiente tabla,
X 0 1 2 𝒇𝒀 (𝒚)
Y
0 0 1/8 1/8 2/8
1 1/8 2/8 1/8 4/8
2 1/8 1/8 0 2/8
𝒇𝑿 (𝒙) 2/8 4/8 2/8
b)
𝑃(𝑋 = 1⁄𝑌 = 1) = 𝑓𝑋⁄𝑌=1 (1⁄1)
Se conoce que en general,
𝑓𝑋⁄𝑌 =
𝑓𝑌 (𝑦)
En este caso,
35
2
𝑓𝑋,𝑌 (1,1) 8 1
𝑓𝑋⁄𝑌=1 (1⁄1) = = =
𝑓𝑌 (1) 4 2
8
19. Función de densidad de probabilidad condicional
19.1. Definición
Si (𝑋, 𝑌) es una variable aleatoria bidimensional continua cuya función de densidad de

probabilidad conjunta es 𝑓𝑋,𝑌 (𝑥, 𝑦).
La función de densidad de probabilidad condicional de 𝑋 dado que 𝑌 = 𝑦, denotada por

𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦), se define como,
𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦) =
𝑓𝑌 (𝑦)
La probabilidad que la variable aleatoria continua 𝑋 tome valores entre 𝑎 y 𝑏, cuando se

sabe que la variable aleatoria continua 𝑌 tomó un valor 𝑦, es igual a,
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏⁄𝑌 = 𝑦) = ∫ 𝑓𝑋⁄𝑌 (𝑥 ⁄𝑦)𝑑𝑥

𝑎
De igual manera, la función de densidad de probabilidad condicional de 𝑌 dado que 𝑋 = 𝑥,

denotada por 𝑓𝑌⁄𝑋 (𝑦⁄𝑥 ), se define como,
𝑓𝑌⁄𝑋 (𝑦⁄𝑥 ) =
𝑓𝑋 (𝑥)
20.
Y, la probabilidad que la variable aleatoria continua 𝑌 tome valores entre 𝑐 y 𝑑, cuando se
sabe que la variable aleatoria continua 𝑋 tomó un valor 𝑥, es igual a,
𝑃(𝑐 ≤ 𝑌 ≤ 𝑑 ⁄𝑋 = 𝑥) = ∫ 𝑓𝑌⁄𝑋 (𝑦⁄𝑥)𝑑𝑦

𝑐
36
𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑋=𝑥
𝑃[𝑐 ≤ 𝑌 ≤ 𝑑 ⁄𝑋 = 𝑥 ]
𝑐 𝑑
𝑌
𝑥
Igualmente, si (𝑋, 𝑌, 𝑍) es una variable aleatoria tridimensional continua cuya función de

densidad de probabilidad conjunta es 𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧),
La función de densidad de probabilidad condicional de 𝑋 dado que 𝑌 = 𝑦 y 𝑍 = 𝑧, denotada

por 𝑓𝑋⁄𝑌,𝑍 (𝑥 ⁄𝑦, 𝑧), se define como,
𝑓𝑋⁄𝑌,𝑍 (𝑥 ⁄𝑦, 𝑧) =
𝑓𝑌,𝑍 (𝑦, 𝑧)
La probabilidad que la variable aleatoria continua 𝑋 tome valores entre 𝑎 y 𝑏, cuando se

sabe que la variable aleatoria continua 𝑌 tomó un valor 𝑦, y la variable aleatoria continua 𝑍
tomó un valor 𝑧, es igual a,
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏⁄𝑌 = 𝑦; 𝑍 = 𝑧) = ∫ 𝑓𝑋⁄𝑌,𝑍 (𝑥 ⁄𝑦, 𝑧)𝑑𝑥

𝑎
La función de densidad de probabilidad condicional de 𝑋 y 𝑌 dado que 𝑍 = 𝑧 denotada por

𝑓𝑋,𝑌⁄𝑍 (𝑥, 𝑦⁄𝑧), se define como,
𝑓𝑋,𝑌⁄𝑍 (𝑥, 𝑦⁄𝑧) =
𝑓𝑍 (𝑧)
Y, la probabilidad que la variable aleatoria continua 𝑋 tome valores entre 𝑎 y 𝑏, y la variable

aleatoria continua 𝑌 tome valores entre 𝑐 y 𝑑, cuando se sabe que la variable aleatoria
continua 𝑍 tomó un valor 𝑧, es igual a,
37
𝑏 𝑑
𝑃[𝑎 ≤ 𝑋 ≤ 𝑏; 𝑐 ≤ 𝑌 ≤ 𝑑 ⁄𝑍 = 𝑧] = ∫ ∫ 𝑓𝑋,𝑌⁄𝑍 (𝑥, 𝑦⁄𝑧)𝑑𝑥𝑑𝑦

𝑎 𝑐
20. Ejercicio 8
Problema:
Si (𝑋, 𝑌) es una variable aleatoria bidimensional continua tal que,
𝑓𝑋,𝑌 (𝑥, 𝑦) = 8𝑥𝑦; 0 ≤ 𝑥 ≤ 1; 0 ≤ 𝑦 ≤ 𝑥
Calcular la probabilidad que la variable aleatoria 𝑌 tome valores menores o iguales a 1⁄8,
dado que la variable aleatoria 𝑋 ha tomado un valor igual a 1⁄2
Solución:
La probabilidad solicitada puede expresarse de la siguiente manera,
1/8
1 1
𝑃 [𝑌 ≤ ⁄𝑋 = ] = ∫ 𝑓𝑌⁄𝑋 (𝑦⁄𝑥 = 1⁄2)𝑑𝑦
8 2
0
Se sabe que,
𝑓𝑌⁄𝑋 (𝑦⁄𝑥) =
𝑓𝑋 (𝑥)
En general,
∞
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑦
−∞
En el presente caso,
38
𝑌 𝑦=𝑥
Región de existencia de (𝑋, 𝑌)
1 2 𝑋
𝑥 𝑥
𝑦2 𝑥
𝑓𝑋 (𝑥) = ∫ 8𝑥𝑦 𝑑𝑦 = 8𝑥 ∫ 𝑦𝑑𝑦 = 8𝑥 | = 4𝑥 3
2 0
0 0
Reemplazando valores,
8𝑥𝑦 2𝑦
𝑓𝑌⁄𝑋 (𝑦⁄𝑥) = =
4𝑥 3 𝑥 2
Luego,
2𝑦
𝑓𝑌⁄𝑋 (𝑦⁄𝑥 = 1⁄2) = = 8𝑦
(1⁄2)2
Por tanto,
1/8 1/8
1 1
𝑃 [𝑌 ≤ ⁄𝑋 = ] = ∫ 𝑓𝑌⁄𝑋 (𝑦⁄𝑥 = 1⁄2)𝑑𝑦 = ∫ 8𝑦𝑑𝑦
8 2
0 0
1 1 1
𝑃 [𝑌 ≤ ⁄𝑋 = ] =
8 2 16
21. Independencia
a. Definición
En general, si (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ) es una variable aleatoria n-dimensional, las variables

aleatorias 𝑋1 , 𝑋2 , ⋯ 𝑋𝑛 son estadísticamente independientes si y solo si,
𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑓𝑋1 (𝑥1 )𝑓𝑋2 (𝑥2 ) … 𝑓𝑋𝑛 (𝑥𝑛 )
39
En otras palabras, las variables aleatorias 𝑋1 , 𝑋2 , ⋯ 𝑋𝑛 son estadísticamente independientes

cuando su función de distribución de probabilidad conjunta o su función de densidad de
probabilidad conjunta (según corresponda) es igual al producto de las funciones de
distribución de probabilidad o funciones de densidad de probabilidad marginales.
22. Ejercicio 9
Problema:
Se seleccionan al azar dos bolas de billar de una bolsa que contiene 3 bolas de billar azules,
2 bolas de billar rojas y 3 bolas de billar verdes.
Si,
𝑋 = El número de bolas de billar azules en la selección efectuada

𝑌 = El número de bolas de billar rojas en la selección efectuada
Averiguar si las variables aleatorias discretas 𝑋 y 𝑌 son estadísticamente independientes.
Solución:
Para ver si las variables aleatorias discretas 𝑋 y 𝑌 son estadísticamente independientes, se

debe verificar que:
𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑓𝑋 (𝑥)𝑓𝑌 (𝑦)
La siguiente tabla muestra la función de distribución de probabilidad conjunta de 𝑋 y 𝑌,

𝑓𝑋,𝑌 (𝑥, 𝑦) y las funciones de distribución de probabilidad marginales 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑦) (obtenidas
en el Ejercicio 6.
X 0 1 2 𝒇𝒀 (𝒚)
Y
0 3/28 9/28 3/28 15/28
1 6/28 6/28 0 12/28
2 1/28 0 0 1/28
𝒇𝑿 (𝒙) 10/28 15/28 3/28
Para verificar si las variables aleatorias X y Y, se debe ir verificando progresivamente si,
𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 ) = 𝑓𝑋 (𝑥𝑖 )𝑓𝑌 (𝑦𝑖 )
40
Por ejemplo,
10 15 75 3
𝑓𝑋,𝑌 (0,0) = 𝑓𝑋 (0)𝑓𝑌 (0) = ( ) ( ) = ≠
28 28 392 28
Obviamente, 𝑋 y 𝑌 no son variables aleatorias estadísticamente independientes. Basta que

en un solo caso no se cumpla el requisito exigido.
23. Ejercicio 10
Problema:
Si (𝑋, 𝑌) es una variable aleatoria bidimensional continua tal que,
𝑓𝑋,𝑌 (𝑥, 𝑦) = 8𝑥𝑦; 0 ≤ 𝑥 ≤ 1; 0 ≤ 𝑦 ≤ 𝑥
Averiguar si las variables aleatorias 𝑋 y 𝑌 son estadísticamente independientes
Solución:
Tal como se vio en el Ejercicio 8,
𝑥 𝑥
𝑦2 𝑥
𝑓𝑋 (𝑥) = ∫ 8𝑥𝑦 𝑑𝑦 = 8𝑥 ∫ 𝑦𝑑𝑦 = 8𝑥 | = 4𝑥 3
2 0
0 0
De igual manera,
1 1
𝑓𝑌 (𝑦) = ∫ 8𝑥𝑦 𝑑𝑥 = 8𝑦 ∫ 𝑥𝑑𝑥 = 4𝑦(1 − 𝑦 2 )

𝑦 𝑦
Para que 𝑋 y 𝑌 sean variables aleatorias independientes, debe cumplirse que,
𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑓𝑋 (𝑥)𝑓𝑌 (𝑦)
En el caso del ejercicio,
𝑓𝑋,𝑌 (𝑥, 𝑦) = 4𝑥 3 4𝑦(1 − 𝑦 2) ≠ 8𝑥𝑦
Por tanto, las variables aleatorias continuas 𝑋 y 𝑌 no son estadísticamente independientes.
Ejercicios propuestos
1. Una bolsa contiene cuatro bolas de billar, dos de las cuales están marcadas con el
número 1 y las otras dos con el número 2. Se seleccionan dos bolas al azar.
Si,
X = El menor de los números de las bolas de billar seleccionadas
41
Y = El mayor de los números de las bolas de billar seleccionadas

b) Obtener 𝑓𝑋 (𝑥) 𝑦 𝑓𝑌 (𝑦)
c) Averiguar si las variables aleatorias X y Y son estadísticamente independientes
d) Calcular P(X ≤ 1/Y = 2)
2. La función de densidad de probabilidad conjunta de la variable aleatoria bi-

dimensional continua (X, Y) viene dada por,
𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑐𝑥𝑦; 0 ≤ 𝑥 ≤ 4; 1 ≤ 𝑦 ≤ 5
a) Encontrar el valor de c
b) Calcular P(1 ≤ X ≤ 2; 2 ≤ Y ≤ 3)
c) Calcular P(X + Y ≤ 3)
d) Obtener 𝐹𝑋,𝑌 (𝑥, 𝑦)
e) Calcular P(X ≤ 2; Y ≤ 3) utilizando 𝐹𝑋,𝑌 (𝑋, 𝑌)
3. Sea (X, Y, Z) una variable aleatoria tri-dimensional continua, tal que,
𝑓𝑋,𝑌,𝑍 (𝑥, 𝑦, 𝑧) = 𝑘𝑥𝑦 2 𝑧; 0 ≤ 𝑥 ≤ 1; 0 ≤ 𝑦 ≤ 1; 0 ≤ 𝑧 ≤ 2
a) Obtener el valor de k
b) Calcular P(X ≤ 0,5; Y ≤ 0,25 / Z = 1)
c) Calcular P(Z ≤ 1 / X = 0,5; Y = 0,25)
d) Averiguar si las variables X, Y, Z son estadísticamente independientes.
42

VARIABLES ALEATORIAS N DIMENSIONALES Estadistica Aplicada

Cargado por

Información del documento

Descripción original:

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

VARIABLES ALEATORIAS N DIMENSIONALES Estadistica Aplicada

Cargado por

Copyright:

Formatos disponibles

MAT 1437 Estadística aplicada Rubén Medinaceli O.

VARIABLES ALEATORIAS n-DIMENSIONALES

El concepto de variable aleatoria es fundamental en la teoría de probabilidades.

Matemáticamente, una variable aleatoria es una función con dominio un espacio de

En otras palabras, una variable aleatoria asigna a eventos de un espacio de muestreo

Considere el siguiente ejemplo:

Si se considera el número de puntos que muestra la cara superior del dado,

Espacio de muestreo (𝑆):

{2, 4, 6, 8, 10, 12}

En otras palabras, la variable aleatoria bidimensional (𝑋, 𝑌) asigna a ciertos eventos de un

2. Función de distribución acumulada conjunta

Si 𝑋 es una variable aleatoria, la función de distribución acumulada de 𝑋, denotada por

Algunas propiedades de 𝐹𝑋 (𝑥) son:

• 𝐹𝑋 (𝑥) es una función monótona no decreciente; vale decir,

𝐹𝑋 (𝑎) < 𝐹𝑋 (𝑏); ∀ 𝑎 < 𝑏

• 𝐹𝑋 (𝑥 ) es continua desde la derecha, esto es,

Si (𝑋, 𝑌) es una variable aleatoria bidimensional, la función de distribución acumulada

𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑥; 𝑌 ≤ 𝑦)

Algunas propiedades de 𝐹𝑋,𝑌 (𝑥, 𝑦) son:

𝐹𝑋,𝑌 (−∞, 𝑦) = 𝐿𝑖𝑚𝑥→−∞ 𝐹𝑋,𝑌 (𝑥, 𝑦) = 0; ∀ 𝑦

𝐹𝑋,𝑌 (𝑥, −∞) = 𝐿𝑖𝑚𝑦→−∞ 𝐹𝑋,𝑌 (𝑥, 𝑦) = 0; ∀𝑥

𝐹𝑋,𝑌 (∞, ∞) = 𝐿𝑖𝑚𝑥→∞;𝑦→∞ 𝐹𝑋,𝑌 (𝑥, 𝑦) = 1

De esta manera, si 𝑥1 < 𝑥2 y 𝑦1 < 𝑦2 , se tiene que,

𝑃[𝑥1 ≤ 𝑋 ≤ 𝑥2 ; 𝑦1 ≤ 𝑌 ≤ 𝑦2 ] = 𝐹𝑋,𝑌 (𝑥2 , 𝑦2 ) − 𝐹𝑋,𝑌 (𝑥2 , 𝑦1 ) − 𝐹𝑋,𝑌 (𝑥1 , 𝑦2 ) + 𝐹𝑋,𝑌 (𝑥1 , 𝑦1 )

Si (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ) es una variable aleatoria n-dimensional, la función de distribución

𝐹𝑋1,𝑋2,⋯,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[𝑋1 ≤ 𝑥1 ; 𝑋2 ≤ 𝑥2 ; … ; 𝑋𝑛 ≤ 𝑥𝑛 ]

3. Variables aleatorias conjuntamente discretas

Una variable aleatoria 𝑋 es discreta si su rango es contable.

Una variable aleatoria n-dimensional (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ) es discreta si su rango es contable; vale

4. Función de distribución de probabilidad conjunta

Si 𝑋 es una variable aleatoria discreta, la función de distribución de probabilidad de 𝑋,

𝑓𝑋 (𝑥) = 𝑃(𝑋 = 𝑥); ∀ 𝑥 ∈ 𝑎𝑙 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑋

Esta función también permite asignar probabilidades a eventos de un espacio de muestreo,

Algunas propiedades de 𝑓𝑋 (𝑥)son:

Si (𝑋, 𝑌) es una variable aleatoria bidimensional discreta, la función de distribución de

𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑃[𝑋 = 𝑥; 𝑌 = 𝑦]; ∀(𝑥, 𝑦) 𝑞𝑢𝑒 ∈ 𝑎𝑙 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 (𝑋, 𝑌)

Algunas propiedades de 𝑓𝑋,𝑌 (𝑥, 𝑦) son:

𝑃[𝑎 ≤ 𝑋 ≤ 𝑏; 𝑐 ≤ 𝑌 ≤ 𝑑] = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 )

Si (𝑋1 , 𝑋2 , ⋯ 𝑋𝑛 ) es una variable aleatoria n-dimensional discreta, la función de distribución

𝑓𝑋1,𝑋2 ,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … , 𝑋𝑛 = 𝑥𝑛 ]

Para todo (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) que pertenece al rango de (𝑋1 , 𝑋2 , … , 𝑋𝑛 );

Las propiedades de 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) son:

𝑓𝑋1,𝑋2 ,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ≥ 0

∑ 𝑓𝑋1,𝑋2,⋯,𝑋𝑛 (𝑥1𝑖 , 𝑥2𝑖 , ⋯ 𝑥𝑛𝑖 ) = 1

= ∑ ∑ ⋯ ∑ 𝑓𝑋1,𝑋2,⋯,𝑋𝑛 (𝑥1𝑖 , 𝑥2𝑖 , ⋯ 𝑥𝑛𝑖 )

Sea 𝑋 una variable aleatoria discreta.

𝐹𝑋 (𝑥) puede a partir de 𝑓𝑋 (𝑥) y viceversa, esto es,

𝑓𝑋 (𝑥𝑖 ) = 𝐹𝑋 (𝑥𝑖 ) − 𝐿𝑖𝑚0<ℎ→0 𝐹𝑋 (𝑥𝑖 − ℎ)

En general, 𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) puede obtenerse a partir de 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) y

Si (𝑋, 𝑌) es una variable aleatoria bidimensional discreta,

𝐹𝑋,𝑌 (𝑥, 𝑦) = ∑ ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑖 )

Si (𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 ) es una variable aleatoria n-dimensional discreta,

𝐹𝑋1,𝑋2,…,𝑋𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∑ ∑ … ∑ 𝑓𝑋1,𝑋2,…,𝑋𝑛 (𝑥1𝑖 , 𝑥2𝑖 , … , 𝑥𝑛𝑖 )

5. Función de distribución de probabilidad marginal

Si (𝑋, 𝑌) es una variable aleatoria bidimensional discreta con función de distribución de

𝑓𝑋 (𝑥𝑖 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

𝑓𝑌 (𝑦𝑗 ) = ∑ 𝑓𝑋,𝑌 (𝑥𝑖 , 𝑦𝑗 )

de función de distribución de probabilidad conjunta marginal, y se obtiene de la siguiente

𝑓𝑌,𝑍 (𝑦𝑗 , 𝑧𝑘 ) = ∑ 𝑓𝑋,𝑌,𝑍 (𝑥𝑖 , 𝑦𝑗 , 𝑧𝑘 )

De igual manera, 𝑓𝑋 (𝑥) recibe el nombre de función de distribución de probabilidad marginal

𝑓𝑋 (𝑥𝑖 ) = ∑ ∑ 𝑓𝑋,𝑌,𝑍 (𝑥𝑖 , 𝑦𝑗 , 𝑧𝑘 )

Se lanza dos monedas.