Probabilidad

Doble Grado MatemticasFsica Universidad Complutense
Apuntes de Probabilidad
impartido por Leandro Pardo Llorente
13 de febrero de 2013
Tengo el pe muy pequeo.

Bueno, pues aqu de nuevo con la intencin de pasar apuntes a LATEX. Vamos a ver qu
tal funciona esto.
Los apuntes del curso 20122013 en un principio son copiados de los apuntes de Adolfo
a mano. Y si alguien se ofrece a enviarme los ejercicios pasados a LATEX los incluir sin
problemas. Tambin agradecer a los de informtica por su gran colaboracin (gran parte
del principio es suya). Tambin dar las gracias a Mario L. por su colaboracin con los
errores e ideas.
Cualquier recomendacin/crtica/ayuda ser bien recibida.
3 de octubre de 2012
Manuel
ii
ndice general
1 Introduccin al clculo de probabilidades
1.1 Experimento aleatorio . . . . . . . . . . . .
1.2 Lmites de sucesiones de conjuntos . . . . .
1.3 lgebras y -lgebras . . . . . . . . . . . .
1.3.1 Propiedades . . . . . . . . . . . . . .
1.3.2 Generacin de diversas estructuras
1.3.3 lgebras y -lgebras particulares .
1.4 Ejercicios . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
3
4
5
6
7
2 Probabilidad
2.1 Definicin axiomtica de probabilidad . . . . . . . . . .
2.2 Espacio probabilstico discreto. Anlisis combinatorio .
2.2.1 Breve repaso de combinatoria . . . . . . . . . . .
2.3 Probabilidad condicionada e independencia de sucesos
2.3.1 Teorema de la Probabilidad Total . . . . . . . .
2.3.2 Teorema de Bayes . . . . . . . . . . . . . . . . . .
2.3.3 Independencia de sucesos . . . . . . . . . . . . .
2.4 Funciones de distribucin en R . . . . . . . . . . . . . .
2.4.1 Concepto de funcin de distribucin en R . . .
2.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
11
15
16
18
19
20
20
22
22
25
.
.
.
.
.
.
.
.
.
.
.
.
31
31
31
34
36
39
40
43
45
46
48
48
49
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Variables aleatorias unidimensionales

3.1 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1 Concepto de variable aleatoria. Propiedades . . . . . . . . . . . .
3.1.2 Probabilidad inducida por una variable aleatoria . . . . . . . . .
3.1.3 Transformaciones de variables aleatorias . . . . . . . . . . . . . .
3.2 Caractersticas de las variables aleatorias estadsticas . . . . . . . . . . .
3.2.1 Esperanza matemtica de una variable aleatoria unidimensional
3.3 Medidas de dispersin de una variable aleatoria . . . . . . . . . . . . . .
3.3.1 La desigualdad de Tchebysheff y sus aplicaciones . . . . . . . . .
3.3.2 Funcin generatriz de momento y funcin caracterstica . . . . .
3.4 Distribuciones discretas notables . . . . . . . . . . . . . . . . . . . . . . .
3.4.1 Distribucin de Bernoulli . . . . . . . . . . . . . . . . . . . . . . .
3.4.2 Distribucin binomial . . . . . . . . . . . . . . . . . . . . . . . . .
iii
ndice g e n e r a l
3.5
3.6
3.7
3.4.3 Distribucin de Poisson . . . . . . .

3.4.4 Distribucin geomtrica o de Pascal
3.4.5 Distribucin binomial negativa . . .
3.4.6 Distribucin hipergeomtrica . . . .
Variables aleatorias continuas notables . . .
3.5.1 Distribucin uniforme . . . . . . . .
3.5.2 Distribucin normal . . . . . . . . .
3.5.3 Distribucin gamma . . . . . . . . .
3.5.4 Distribucin beta . . . . . . . . . . .
Tablas Binomial, Poisson y Normal . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4 Variables aleatorias multidimensionales

4.1 Funcin de distribucin en R2 . . . . . . . . . . . . . . . .
4.1.1 Concepto de variable bidimensional. Propiedades .
4.1.2 Probabilidad inducida por una variable aleatoria .
4.2 Distribuciones marginales y condicionadas . . . . . . . . .
4.2.1 Distribuciones marginales . . . . . . . . . . . . . . .
4.2.2 Distribuciones condicionadas . . . . . . . . . . . . .
4.3 Transformadas de variables aleatorias . . . . . . . . . . . .
4.3.1 Momentos de una variable aleatoria bidimensional
4.3.2 Funcin caracterstica . . . . . . . . . . . . . . . . .
4.4 Regresin y correlacin . . . . . . . . . . . . . . . . . . . .
4.4.1 Rectas de regresin . . . . . . . . . . . . . . . . . . .
4.4.2 Curvas de regresin . . . . . . . . . . . . . . . . . .
4.5 Distribuciones bidimensionales notables . . . . . . . . . . .
4.5.1 Normal bidimensional . . . . . . . . . . . . . . . . .
4.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5 Convergencias de variables aleatorias
5.1 Tipos de convergencias . . . . . . . . . . . . .
5.2 Leyes de los grandes nmeros . . . . . . . .
5.2.1 Leyes dbiles de los grandes nmeros
5.2.2 Leyes fuertes de los grandes nmeros
5.3 Teorema Central del Lmite . . . . . . . . . .
5.3.1 Correccin por continuidad . . . . . .
5.4 Ejercicios . . . . . . . . . . . . . . . . . . . . .
Historial
iv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
50
52
53
54
56
56
57
60
61
63
67
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
73
76
77
79
79
80
83
86
88
90
91
94
95
95
97
.
.
.
.
.
.
.
103
103
108
108
111
112
113
115
119
1 Introduccin al clculo de probabilidades

1.1 Experimento aleatorio
2/10/2012
Definicin 1.1 (Experimento aleatorio). Se denomina as a aquel experimento del que

a) se conocen previamente los posibles resultados,
b) es imposible conocer el resultado antes de su realizacin, y
c) si se realiza dicho experimento repetidas veces en las mismas condiciones se pueden
presentar distintos resultados.
Ejemplos.
Lanzamiento de un dado,
consumo de agua diario en una ciudad o
tiempo que tarda un alumno desde su casa a la facultad.
Definicin 1.2 (Espacio muestral). Se denomina espacio muestral al conjunto de todos
los posibles resultados asociados a un experimento (lo denotaremos por ).
Ejemplos.
Lanzamiento de una moneda al aire. El espacio muestral es cara (C) o cruz (X), por
lo que tC, Xu.
Lanzamiento de dos monedas al aire. Si las monedas son distinguibles se tiene que el
espacio muestral es tCC, CX, XC, XXu. Pero si las monedas son indistinguibles
tCC, CX, XXu.
Observacin. Varios tipos de espacio muestral:
a) Espacio muestral finito ( esta formado por un nmero finito de elementos).
b) Espacio muestral infinito numerable. Ejemplo: lanzar una moneda al aire hasta
obtener por primera vez una cara.
c) Espacio muestral continuo. Ejemplo: tiempo de vida de una bombilla, lanzamiento
de una partcula sobre un plano.
1.2 Lmites de sucesiones de conjuntos

Definicin 1.3 (Sucesin de conjuntos). Sea espacio muestral y pq las partes de
(conjunto de todos los subconjuntos de , esto es, pAq tH | H Au). Se denomina
1
1 Intro du c c i n a l c l c u l o d e p ro b a b i l i da d e s
sucesin de conjuntos a toda aplicacin de N en
tAn unPN pq pAn q.
pq.
Lo representaremos mediante
Definicin 1.4 (Lmite inferior y superior). Sea tAn unPN una sucesin de subconjuntos
de un espacio muestral . Se define el lmite superior e inferior de tAn u mediante
[
\
Am
(1.1)
lim An lim sup An
n
n
mn
n1
\
[
lim An lim inf An
Am
(1.2)
n
n1
mn
Observacin. Sea txn unPN con xn P R, entonces

lim sup xn infpsup xk q
n
Ejemplo. Sea tAn unPN ,
A2n1
&
kn
n1 , 1 y A2n 1, n1 . Entonces
lim inf An
n
lim sup An
n
&
An t0u
mn
y, por lo tanto
lim inf xn suppinf xk q
kn
n1 mn
[
\
n1
p1, 1s
mn
Am
Am
mn
t0u
p1, 1s
Proposicin 1.5. Sea tAn unPN una sucesin de subconjuntos de . Entonces se tiene que
a) lim supn An t P | pertenece a infinitos An u, y, por otro lado,
b) lim infn An t P | pertenece a todos los An excepto a un nmero finitou.
Demostracin.
`S
T
S
a) P lim supn An P
@n P N P
mn Am
mn Am
n1
@n P N D m n, P Am pertenece a infinitos An .
`T
S
T
b) P lim infn An P
D m, P
mn Am
mn Am
n1
D m, P Am @m n pertenece a todos los An salvo quiz a un nmero
finito.
Proposicin 1.6.
lim inf An lim sup An .
n
(1.3)
Demostracin. P lim infn An pertenece a todos menos a un nmero finito

pertenece a infinitos An P lim supn An .
1.3 l g e b r a s y - l g e b r a s
Definicin 1.7 (Sucesiones de subconjuntos convergente). Sea tAn unPN una sucesin de
subconjuntos de . Se dice que tAn u es convergente si y slo si
lim inf An lim sup An lim An .
n
(1.4)
(
Ejemplo. Sea tAn unPN , An x P R | x n1 . Entonces lim supn An p, 0q y
lim infn An p, 0q. Por lo tanto la sucesin converge y
lim An p, 0q.
Definicin 1.8 (Sucesiones montonas). Una sucesin tAn unPN de subconjuntos de es

montona creciente (o decreciente) si y slo si A1 A2 A3 . . . ( A1 A2 A3 . . .). Las
denotaremos por tAn unPN ( tAn unPN ).
Proposicin 1.9. Sea tAn unPN una sucesin montona de subconjuntos de , entonces:
a) tAn unPN siempre es convergente y se tiene que limnPN An
b) tAn unPN siempre es convergente y se tiene que limnPN An
Demostracin.
T
lim sup
a) Como An An`1 para todo n entonces
n ASn n1
S `T
Y por otra parte lim infn An n1 mn Am n1 An .
b) Como An An`1 `para todo n entonces lim supn An

S
T
T
lim infn An
mn Am n1 An .
n1
n1
An ,
n1
An .
`S
m1
mn Am
m1
Am .
Am . Y por otro lado
1.3 lgebras y -lgebras

Definicin 1.10 (lgebra). Una familia no vaca, A, de subconjuntos de es un lgebra
si se verifica
a) @A P A,
AA P A, y
Sn
b) @A1 , . . . , An P A,
i1
Ai P A.
AB AKB
A A
A B pA B q
A A K A
A
A K B A BA
Figura 1.1: Diagramas de Venn representando operaciones bsicas con conjuntos.
Definicin 1.11 (-lgebra). Una familia no vaca, A, de subconjuntos de es un
-lgebra si se verifica
a) @A P A,
AA P A, y
b) @A1 , . . . , An , . . . P A,
Ai P A (unin numerable).
i1
Observacin. Todo -lgebra es una lgebra. Por un lado la propiedad (a) es la misma y
por otro lado (b) implica (b) sin ms que considerar An`1 An`2 . . . A1 ya que se
S
Sn
tendra
n1 An i1 Ai P A.
1.3.1 Propiedades
Corolario 1.12 (Propiedades).
a) Sea A un lgebra. Entonces , P A.
(a)
(b)
Demostracin. Sea A P A AA P A A AA P A y por lo tanto

A P A.
b) Si A1 , . . . , An P A entonces
Tn
Demostracin. i1 Ai p
las uniones pertenecen.
Tn
i1
Sn
i1
Ai P A.
AAi qA P A porque tanto los complementarios como
c) A1 , A2 P A, A un lgebra, con A2 A1 A1 K A2 P A.
(b)
Demostracin. A1 K A2 A1 AA2 A1 AA2 P A.
d) Sean A1 , . . . , An , . . . P A, A un -lgebra, entonces

Demostracin. Igual que antes
e) Sea A un -lgebra, tAn unPN
i1
Ai p
i1
n1
An P A.
AAi qA P A.
An P A, entonces lim inf An , lim sup An P A.

n
f) La interseccin de una familia de -lgebras (lgebras) es una -lgebra (lgebra)

Demostracin. tAi uiPI , Ai es un -lgebra @i P I A
1. Si A P A A P Ai
@i P I AA P Ai
iPI
Ai es -lgebra.
@i P I AA P A.
2. Sean A1 , . . . , An , . . . P A A1 , . . . , An , . . . P Ai
S
S
n1 An P Ai @i P I
n1 An P A.
@i P I de manera que
Proposicin 1.13. Una clase de subconjuntos1 de es un -lgebra si es lgebra y es

cerrada respecto del lmite de sucesiones montonas.
1 Salvo
error, una clase de subconjuntos de A es un subconjunto de partes de A, es decir, C pAq.
1.3 l g e b r a s y - l g e b r a s
1.3.2 Generacin de diversas estructuras

Definicin 1.14 (-lgebra engendrada). Sea y C una clase de subconjuntos de .
Se denomina -lgebra (mnima lgebra) engendrada por la clase C, lo denotaremos pCq, a
la interseccin de todas las -lgebras (lgebras) de que contienen a C. Que siempre
existe, dado que pq contiene a C, y es -lgebra.
Veamos ahora cmo se construye esta mnima lgebra.
Proposicin 1.15. Sea C una clase no vaca de subconjuntos de . Se consideran las
Tn
clases C1 tA | A P C AA P Cu tu tu y C2 tB | B i1
Ai Ai P C1 u.
Entonces la mnima lgebra que contiene a la clase C es
pCq D
n
[
i1
Ejemplo. N, C tt1u, t1, 2uu.
(
Di Di P C2 y Di D j .
(
C1 t1u, t1, 2u, t1u, t1, 2u, , N ,
(
C2 t1u, t1, 2u, t1u, t1, 2u, , N, t2u ,
pCq t1u, t1, 2u, t1u, t1, 2u, , N, t2u, t2u
entonces
(1.5)
En general no existe un procedimiento constructivo para hacer esto.

Proposicin 1.16.
a) Sea f : 1 2 una aplicacin y sea C una lgebra (-lgebra) de 2 . Entonces
f 1 pCq A 1 | A f 1 pBq,
BPC
es una lgebra (-lgebra).
(1.6)
b) Sea f : 1 2 una aplicacin y sea C una clase de subconjuntos de 2 , entonces

(1.7)
p f 1 pCqq f 1 ppCqq.
Demostracin. Veamos nicamente la demostracin de (a) en dos partes. Sea A P f 1 pCq,

entonces A f 1 pBq para algn B P C por lo que BA P C y por lo tanto se tiene que
f 1 pBA q f 1 pBqA AA AA P f 1 pCq.
Por otro lado, vamos a ver que unin tambin est. Sean A1 , . . . , An P f 1 pCq, entonces
S
Ai f 1 pBi q con Bi P C i 1, . . . , n, lo que implica que nj1 Bj P C y entonces
f
n
[
j1
Bj
n
[
j1
f 1 pBj q
n
[
j1
A j P C
n
[
A j P f 1 pCq.
j1
1.3.3 lgebras y -lgebras particulares

Definicin 1.17 (-lgebra de Borel).
a) Si es finito o numerable, la -lgebra que generalmente se utilizar es pq.
b) Si est dotado de una topologa (por ejemplo R Rn ), entonces se suele utilizar el
-lgebra engendrado por la topologa, esto es, por la familia de conjuntos abiertos.
El -lgebra as construido se denominar -lgebra de Borel y a los elementos
conjuntos de Borel o borelianos. Se denotar como BpRq.
Ejemplo.
a) -lgebra de Borel sobre R.
Sea C tAn | A es un abierto en Ru. La -lgebra de Borel sobre R es la mnima
-lgebra generada por la clase de C. Se puede comprobar fcilmente que contiene
a los intervalos de la forma
1. pa, bq P BpRq,
`
T
1
2. pa, bs
n1 a, b ` n P BpRq,
3. ra, bq P BpRq,
4. ra, bs P BpRq,
5. tau ra, as P BpRq,

6. Q P BpRq por ser numerable (
7. I R K Q
QA
P BpRq.
n1 qn
P BpRq),
Aunque hay que tener en cuenta que hay conjuntos en R que no pertenecen a BpRq.
b) Se puede comprobar que BpRq se puede tambin engendrar mediante
i) la clase de todos los subconjuntos cerrados de R,
ii) la clase de todos los intervalos de la forma p, bs, y
iii) la clase de todos los intervalos de la forma pa, bs.
Definicin 1.18 (Rectngulo). Dados los espacios p1 , A1 q y p2 , A2 q se denomina
rectngulo de 1 2 a los conjuntos de la forma A1 A2 , donde A1 P A1 , A2 P A2 .
Definicin 1.19 (-lgebra producto). Se denomina -lgebra producto a la -lgebra
engendrada por la clase de los rectngulos en 1 2 .
1.4 E j e rc i c i o s
1.4 Ejercicios
Hoja 0
1.- (1.a) Supongamos un alfabeto de n letras. Determinar cuantas iniciales
diferentes se pueden formar con dos letras.
(1.b) Determinar cuantas letras debera tener el alfabeto para que un millon
de personas puedan ser identificadas mediante tres iniciales.
2.- Determinar cuantos n
umeros de tres cifras pueden tenerse si se emplean
solo cifras impares. Calcular cuantos de estos n
umeros son menores que 500.
3.- Se eligen cinco bolas entre diez disponibles, siendo ordenadas en cinco cajas.
Determinar de cuantas maneras distintas pueden colocarse.
4.- Calcular en cuantos subconjuntos de tres elementos de cinco posibles aparece
un elemento especfico.
5.- Se dispone de dos mesas para tres y seis personas. Calcular de cuantas
formas pueden distribuirse nueve invitados.
6.- Demostrar la identidad 2n =
Pn
i=0
n
i .
7.- Calcular de cuantas formas pueden ordenarse las letras de la palabra catarata.
8.- Calcular cuantas se
nales diferentes, cada una de seis banderas colocadas
en una lnea vertical, pueden formarse con cuatro banderas rojas identicas y dos
banderas azules identicas.
9.- Si se dispone de cuatro grupos de individuos (tres americanos, cuatro franceses, cuatro daneses y dos italianos), calcular de cuantas formas posibles pueden
sentarse en una fila de sillas cuando aquellos de igual nacionalidad se sientan
correlativamente.
10.- Calcular como pueden distribuirse nueve juguetes entre cuatro ni
nos cuando
el menor de estos recibe tres juguetes y cada uno de los restantes recibe dos
juguetes.
11.- Con las vocales a, e, i, o, u y las consonantes b, c, d, f, calcular el

n
umero de palabras de nueve letras distintas que pueden formarse. Calcular
este n
umero cuando no hay vocales juntas.
12.- Se rellena un test de doce items, donde las respuestas son verdadero
y falso. Se ha decidido contestar a seis items de forma aleatoria. Determinar
el n
umero de formas en que puede hacerse.
13.- Calcular cuantos n
umeros naturales de cuatro cifras hay con todas las
cifras diferentes.
14.- Calcular cuantos n
umeros de tres cifras pueden formarse con los dgitos
1, 3, 5, 7 y 9. Calcular cuanto suman todos ellos.
15.- Supongamos el conjunto de dgitos {1, 2, 3, 4, 5, 6}.
(15.a) Calcular en cuantas ordenaciones de los elementos del conjunto aparecen
el 1 y el 2 seguidos.
(15.b) Calcular en cuantas ordenaciones de los elementos del conjunto aparecen
el 1 y el 2 ordenados.
16.- (16.a) Calcular la cantidad de n
umeros de tres cifras que son capic
uas.
(16.b) An
alogo en el caso de n
umeros de cinco cifras.
17.- Determinar cuantas soluciones tiene la ecuacion x + y + z = 8 con x,
y, z enteros mayores que cero. Generalizar el resultado para x1 + ... + xk = n.
18.- Para transmitir se
nales desde una isla a la costa, se dispone de 6 luces
blancas y 6 luces rojas colocadas en el vertice de un hexagono. En cada vertice
no puede haber encendida mas que una luz (blanca o roja) y el n
umero mnimo
de luces encendidas es tres. Determinar cuantas se
nales se pueden realizar.
Hoja 1 Introducci
on al
C
alculo de Probabilidades
1.- Dados el conjunto B y las sucesiones {An : n 1} P() y {Bn : n
1} P(), se pide
(1.a) Demostar la igualdad lim sup An =

k=1 n=k An .
(1.b) Si An , demostrar que existe limn An y que limn An =

n=1 An .
(1.c) Demostrar que lim sup An = lim sup A2n lim sup A2n1 y lim inf An =
lim inf A2n lim inf A2n1 .
(1.d) Demostrar que lim sup(B An ) = B lim inf An y lim inf(B An ) =
B lim sup An .
c
(1.e) Demostrar que (lim sup An ) = lim inf Acn y (lim inf An ) = lim sup Acn .
(1.f ) Demostrar que lim sup(An Bn ) = lim sup An lim sup Bn y lim inf(An
Bn ) = lim inf An lim inf Bn .
2.- Determinar los lmites inferiores y superiores de {An : n 1} cuando:
h
i
5n
(2.a) A2n1 = Q
I n1 , 2n+2
y A2n = (IR Q
I ) n2 , 7n+3
9n .
(2.b) A3n2 =
n1 2n1
5n+3 , n
3n
2n2 +1
, A3n1 = 5n+1
, 3n+2
y
A
=
1,
.
3n
n
n+2
(2.c) An = x IR n1 x 3
1
n
3.- Supongamos = IR2 . Calcular los conjuntos limn En , limn Enc ,

limn Fn , limn Fnc y limn (En Fnc ), donde
1
2
2
2
,
En =
(x, y) IR : x + y < 1 +
n
n
Fn =
(x, y) IR2 : x2 + y 2
.
n+1
4.- Calcular limn An en los siguientes casos:
3
(4.a) An = {(x, y) IR2 :
1
n
x2 + y 2 4 n1 }.
(4.b) An = {(x, y) IR2 : 0 x2 + y 2
1
n }.
5.- Estudiar la convergencia de la sucesion {An : n 1} P() en los siguientes

casos:
(5.a) An = n1 , 1 si n es par, y 1, n1 si n es impar.
(5.b) An = 0, 1 n1 si n es impar, y n1 , 1 si n es par.
10
2 Probabilidad
2.1 Definicin axiomtica de probabilidad
Definicin 2.1 (Medida de probabilidad). Dado el espacio p, Aq, una funcin de conjuntos P : A r0, 1s es una medida de probabilidad si se verifica que
a) Ppq 1, que
b) dados A1 , . . . , An , . . . P A disjuntos dos a dos y con n 1, . . . , , se verifica que
P
An
n1
PpAn q,
(-aditividad)
n1
(ntese que la definicin es vlida si A es lgebra si se impone que

c) y PpAq 0
An P A),
n1
@A P A.
Definicin 2.2 (Espacio de probabilidad). La terna p, A, Pq se denomina espacio de

probabilidad.
Proposicin 2.3. Propiedades de la funcin de probabilidad.
a) Ppq 0.
Demostracin. Ppq P
b) Sean A1 , . . . , An P A
n1
Ppq
Ppq 0.
n1
pAi A j
@i jq, entonces P
Demostracin.
Sea
Bj
Aj
1jn
nj
[ n
i1
Ai
PpAi q.
i1
entonces, de esta manera,

n

[
[
[
[
P
Ai P
Ai
P
Bj
i1
i1
PpBj q
j1
in`1
PpBj q `
j1
j1
PpBj q
jn`1
looooomooooon
PpA j q
j1
11
2 Proba b i l i da d
c) Sean A1 , A2 P A con A1 A2 PpA1 q PpA2 q y PpA2 K A1 q PpA2 q PpA1 q.
Demostracin. A1 A2 A2 A1 pA2 K A1 q PpA2 q PpA1 pA2 K A1 qq

que, por ser disjuntos, es igual a PpA1 q ` PpA2 K A1 q. Y, consecuentemente, llegamos
a que PpA2 q PpA1 q y PpA2 K A1 q PpA2 q PpA1 q.
d) Si A P A, entonces PpAA q 1 PpAq.

Demostracin. AA K A PpAA q Pp K Aq Ppq PpAq 1 PpAq.
e) Sean A1 , A2 P A, entonces PpA1 A2 q PpA1 q ` PpA2 q PpA1 A2 q.
Demostracin. A1 A2 A1 pA2 K pA1 A2 qq y por lo tanto PpA1 A2 q PpA1 q `

PpA2 K pA1 A2 qq PpA1 q ` PpA2 q PpA1 A2 q.
[ n
n
f) Sean A1 , . . . , An P A, entonces se tiene que P
Ai PpAi q.
i1
i1
Demostracin. (Induccin) Para n 2 es cierto aplicando (e). Supngase ahora cierto

para n 1, entonces
P
n
[
Ai
i1
n1
[
Ai
i1
An
n1
[
i1
n1
Ai ` PpAn q
n
PpAi q ` PpAn q PpAi q.
i1
i1
g) Sean A1 , . . . , An P A, entonces:
P
n
[
Ai
i1
PpAi q PpAi A j q `
i1
ij
ijk
PpAi A j Ak q `
` p1q
n`1
n
\
i1
Ai
Demostracin. (Induccin) Para n 2 es cierto aplicando (e). Supngase ahora cierto

para n 1, entonces nos queda
P
n
[
Ai
i1
n
[
Ai
n1
[
i1
Ai A n
i1
n1
i1
PpAi q
n
` p1q P
Ai ` PpAn q P
n1
n1
ij
ijk
pAi A j q `
n1
\
i1
12
i1
que, si lo expandimos, queda igual a
n1
Ai ` PpAn q
n1
[
i1
Ai A n
PpAi A j Ak q `
n1
PpAi An q
i1
2.1 D e f i n i c i n a x i o m t i c a d e p ro b a b i l i da d
n1
PpAi A j An q ` ` p1q
ij
i1
ij
PpAi q PpAi A j q ` ` p1q
n`1
n
\
pAi A j q
i1
n
\
Ai
i1
Teorema 2.4. Sea p, A, Pq un espacio de probabilidad.

a) Si tAn unPN con An P A @n limn PpAn q Pplimn An q PpAq. (Y si
A fuese lgebra habra que imponer que A P A)
b) Si tAn unPN con An P A @n limn PpAn q Pplimn An q PpAq. (Y si
A fuese lgebra habra que imponer que A P A)
Demostracin.
a) Sea tBn unPN de manera que B1 A1 , y @n 2 Bn An K An1 . Entonces se tiene
que Bi P A @i 1, 2, . . . , n, que para todo i j Bi Bj y que
An
n
[
Bi A
n
i1
PpAq Pp lim An q P
Bn ,
n1
y de esta manera:
An
n1
n
n1
lim PpBi q lim P

PpBn q n
n
n1
i1
Bn
n
[
Bi
i1
lim PpAn q.
n
b) Sea tBn unPN tal que B1 A1 K A2 , y @n 1 Bn A1 K An`1 . Donde se tiene que

tBn unPN y limn Bn A1 K limn An`1 A1 K A. Entonces
Pp lim Bn q lim PpBn q lim PpA1 K An`1 q lim PpA1 q PpAn`1 q
n
PpA1 q lim PpAn`1 q PpA1 K lim An`1 q

n
PpA1 q Pp lim An`1 q PpA1 q PpAq,

n
y, por lo tanto obtenemos finalmente que

Pp lim An q lim PpAn q PpAq.
n
Observaciones (Lema de BorellCantelli).

a) Sea tAn unPN , entonces si limn An esto implica que limn PpAn q 0.
Demostracin. limn PpAn q Pplimn An q Ppq 0.
13
b) Sea tAn unPN con An P A
@n, entonces P
n1
An
Sn
Demostracin. Sea tBn unPN definido como Bn

S
S
tBn unPN y
n1 Bn n1 An . De esta manera
P
An
n1
Bn
n1
i1
n1
@n 1. Con lo que
Ai
Pp lim Bn q lim PpBn q lim P

n
lim
c) Sea tAn unPN con An P A
PpAn q.
@n, entonces P
n1
PpAi q
i1
An 1
1P
n1
n1
AAn
n
[
Ai
i1
PpAn q.
n1
PpAAn q.
n1
Demostracin.

A
\
\
A
An PpAq 1 PpA q 1 P
An
P
n1
PpAAn q.
n1
d) Lema de BorelCantelli. Sean p, A, Pq un espacio de probabilidad, tAn unPN con

An P A
@n y
PpAn q , entonces
n1
Pplim sup An q 0.
(2.1)
Demostracin. Como
n1 PpAn q ,Sse desprende que para todo 0 existe un
n P N, nn PpAn q . Sea Bn
mn Am , con lo que tBn u. Ahora con todo
esto:

\ \
\
`
Pplim sup An q P
An
P
Bn P lim Bn lim PpBn q
n
mn

[
n1
lim P
n
mn
Am
lim
n1
mn
PpAm q
@ 0.
Y como Pplim supn An q 0 Pplim supn An q 0.

Proposicin 2.5. Se considera el espacio de probabilidad p, A, Pq. Dada una sucesin
tAn unPN con An P A @n se tiene que
`
Pplim inf An q lim inf PpAm q lim sup PpAm q Pplim sup An q.
n
14
n mn
n mn
2.2 E s pac i o p ro b a bi l s t i c o d i s c r e t o. A n l i s i s c o m b i nat o r i o

Demostracin. Procedamos a las dos desigualdades que hay que demostrar por separado
(la del medio es trivial).
(Primera desigualdad)
Pplim inf An q P
n
n1
y como mn Am Am
y por lo tanto
P
Am
mn
mn
Am
P lim
Am
mn
lim P
n
@m n, entonces se tiene que Pp
inf PpAm q P
mn
n1
Am
mn
mn
mn
Am q PpAm q
lim inf An lim

n
Am ,
@m n
inf PpAm q .
mn
(Segunda desigualdad) Completamente anloga a la primera.

\ [
[
[
`
P lim sup An P
Am
P lim
Am
lim P
Am ,
n
y como
P
mn
mn
Am
n1
Am Am
mn
@m n, entonces se tiene que Pp
sup PpAm q P
mn
n1
Am
mn
mn
mn
mn
Am q PpAm q
@m n
lim sup An lim sup PpAm q .

n
n mn
Corolario 2.6. Dado el espacio de probabilidad p, A, Pq y la sucesin tAn unPN con

An P A, si existe el limn An A, entonces
lim PpAn q PpAq.
Demostracin. A lim An lim inf An lim sup An y por lo tanto se dan las igualdades
n
en la proposicin anterior.
2.2 Espacio probabilstico discreto. Anlisis combinatorio

a) finito o numerable, tai | i P Iu, A pq un -lgebra. Entonces se cumple
que 0 Pptai uq pi 1 @i P I de manera que
Pi 1,
iPI
y la funcin
P : A r0, 1s
A PpAq Pptai uq Pi
ai PA
ai PA
es una medida de probabilidad.
15
b) Sea ta1 , . . . , an u, entonces
Ppta1 uq . . . Pptan uq Pptai uq
1
n
@i 1, . . . , n.
Ahora sea A tai1 , ai2 , . . . , aij u con aij P . Entonces

PpAq
Pptaij uq
aij PA
CardpAq
.
n
(2.2)
tambin expresada como nmero de casos favorables dividido por casos posibles,
conocida como Regla de Laplace.
2.2.1 Breve repaso de combinatoria

Principio fundamental del conteo
Sean A1 , ..., Ar conjuntos tales que CardpAi q ni
i 1, . . . , r, entonces
CardpA1 A2 Ar q n1 n2 nr .
Ejemplo (Clasificacin mltiple). Se quiere clasificar a un colectivo de personas segn su
sexo, su estado civil y su profesin. Si se consideran 10 profesiones bsicas. Cuntas
clases tendremos?
Solucin. Como hay solamente 2 posibilidades para el sexo, hombre o mujer, y suponemos
tambin solo 2 para el estado civil: casado o soltero. De esta manera tenemos en total
2 2 10 40 clases diferentes.
Ejemplo (Colocacin de bolas en urnas). De cuntas formas se pueden colocar r bolas

distintas en n urnas?
Solucin. Ai turnas a las que puede ir la bola iu,
son loooooooooon
n n n nr .
CardpAi q n. Las distintas formas
Ejemplo. En una sala hay r personas. Cuntas configuraciones de cumpleaos se pueden

dar?
Solucin. Ai tdas en los que la persona i puede cumplir aosu, CardpAi q 366. Por
lo tanto, el total de configuraciones es 366r .
Ejemplo. En un ascensor de un edificio de 5 plantas se montan 10 personas. Configuraciones posibles para bajada de las personas.
Solucin. Ai tposibilidades de bajada para la i-sima personau, CardpAi q 5. En total
hay 510 configuraciones.
16
2.2 E s pac i o p ro b a bi l s t i c o d i s c r e t o. A n l i s i s c o m b i nat o r i o

Variaciones
Si se toman k elementos de un conjunto de n elementos, teniendo en cuenta el
orden de los elementos, tendremos variaciones.
Vn,k n pn 1q pn pk 1qq.
Ejemplo. Supongamos que un club consta de 25 miembros y que se han de elegir
de la lista de miembros un presidente y un secretario. El presidente y el secretario
no pueden ser la misma persona.
Solucin. V25,2 25 24.
Si se toman k elementos de un conjunto de n elemntos importando el orden de los

elementos y admitiendo la posibilidad de elementos repetidos tendremos variaciones
con repeticin.
RVn,k nk .
Ejemplo. Considrese un experimento que consiste en anotar la fecha de cumpleaos
para cada una de las 20 personas seleccionadas al azar. Cuntas configuraciones
posibles hay?
Solucin. RV366,20 36620 .
Permutaciones
Si en el caso de las variaciones sin repeticin se toma k n se obtienen las distintas
ordenaciones de los n elementos y se conocen con el nombre de permutaciones.
Pn Vn,n n pn 1q 2 1 n!.
Combinaciones
Las combinaciones de n elementos tomadas de k en k son todos los grupos de k elementos
sacados de entre los n, de modo que dos grupos son distintos si tienen algn elemento
distinto. El orden es irrelevante.

Vn,k
n
Cn,k
.
k!
k
El nmero de variaciones de n elementos tomados de k en k es Vn,k . Estas Vn,k variaciones
se pueden formar de la forma siguiente: se selecciona una combinacin particular de k
elementos, cada permutacin distinta de esos k elementos producir una variacin. Puesto
que hay k! permutaciones de esos k elementos, esta combinacin particular producir k!
variaciones:
Vn,k Cn,k k!.
17
Ejemplo. Sea ta, b, c, du. Entonces

4
4!
C4,3
4.
p4 3q! 3!
3
Estas combinaciones son: ta, b, cu, ta, b, du, ta, c, du, tb, c, du. Y podemos observar que
ta, b, cu ta, c, bu tb, a, cu tb, c, au tc, a, bu tc, b, au,
y, sin embargo, como ternas (esto es, importando el orden)
pa, b, cq pa, c, bq pb, a, cq pb, c, aq pc, a, bq pc, b, aq.
Permutaciones con repeticin
Las permutaciones con repeticin de n elementos uno de los cuales se repite n1 veces,
otro n2 veces, ..., y otro nk veces. Supongamos que se van a dividir n elementos en grupos
distintos de manera que el j-simo grupo pj 1, . . . , kq contenga n j elementos y que se
cumple n1 ` n2 ` ` nk n. Se trata de determinar el nmero de formas distintas en
las que se pueden distribuir los n elementos en los k grupos.
n
n n1
n n1 n2
n n1 nk2
n n1 nk1
n1
n2
n3
nk1
nk
(n q!
(n q!
n
n1
pn
pn
p
n
n!
( (
( (
1
1 q!
k2
k1
(n(
(((
(
(
(
((
(
(

(n q! nk ! pn n(
n1 q! n2 ! p(
( (
n1 ! p
n
n
nk q!
(n(
n(
nk1 ! pn
(
1 n2 q!
1
1
(
k1
(
(
(
n!
n
n1 , n2 , . . . , n k
n1 ! n k !
((
((
2.3 Probabilidad condicionada e independencia de sucesos

Definicin 2.7 (Probabilidad condicionada). Sea p, A, Pq un espacio de probabilidad y
sea A P A con PpAq 0. Se denomina probabilidad de B condicionada por A a la expresin
PpB | Aq
PpB Aq
PpAq
@B P A.
(2.3)
Proposicin 2.8. Al espacio pA, AA , PA q, con PA pBq PpB | Aq y AA tB P pq | B

A C, C P Au se lo denomina espacio de probabilidad condicionado. Veamos que PA es
una medida de probabilidad.
Demostracin. Por una parte:
PA pAq PpA | Aq
18
PpA Aq
1.
PpAq
2.3 Pro b a b i l i da d c o n d i c i o na da e i n d e p e n d e n c i a d e s u c e s o s
Y, por otro lado, dados B1 , . . . , Bn , . . . P AA con Bi Bj @i j,
S
S
[
Ppp
Pp
n1 Bn q Aq
n1 pBn Aqq
PA
Bn
PpAq
PpAq
n1
PpBn Aq
n1 PpBn Aq

PA pBn q.
PpAq
PpAq
n1
n1
Observaciones.
a) La probabilidad condicionada a veces es til para calcular la probabilidad de la
interseccin de dos sucesos:
PpB | Aq
PpA Bq
PpA Bq PpAq PpB | Aq.
PpAq
b) El resultado de (a) se puede generalizar para n sucesos. Sea p, A, Pq un espacio

de probabilidad y sean A1 , . . . , An P A con PpA1 An1 q 0. Entonces
PpA1 An q PpA1 q PpA2 | A1 q PpA3 | A1 A2 q PpAn | A1 An1 q.
Demostracin. Lo hacemos por induccin. Para n 2 es cierto por (a). Ahora
Tn1
supongamos que es cierto para n 1 y veamos para n. Sea B i1
Ai PpBq 0,
con esto:
PpA1 An q PpB An q PpBq PpAn | Bq
PpAi An1 q PpAn | A1 An1 q
PpA1 q PpA2 | A1 q PpAn | A1 An1 q

Ejemplo. En una poblacin con 50000 personas hay 10000 que trabajan por cuenta propia
y 20000 que trabajan por cuenta ajena. A una hora determinada se abre una ventanilla en
una de las secciones del ayuntamiento. Calcular la probabilidad de que las dos primeras
personas trabajen por cuenta propia y la tercera lo haga por cuenta ajena.
Solucin. A1 primera persona trabaja por cuenta propia, A2 segunda persona trabaja
por cuenta propia, A3 tercera persona trabaja por cuenta ajena. Entonces
PpA1 A2 A3 q PpA1 q PpA2 | A1 q PpA3 | A1 A2 q
10000 9999 20000
.
50000 49999 49998
2.3.1 Teorema de la Probabilidad Total

Teorema 2.9 (de la probabilidad total). Se considera un espacio de probabilidad p, A, Pq
y sea B P A. Dada una particin tAi uiPI de , se verifica
PpBq PpAi q PpB | Ai q.
(2.4)
iPI
PpAi q0
19
Demostracin. Como B B B p
PpBq P
iPI
Ai q
iPI pB
Ai q, entonces
PpB Ai q
PpAi q PpAi q PpB | Ai q
pB Ai q PpB Ai q
PpAi q
iPI
iPI
iPI
iPI
PpAi q0
PpAi q0
Ejemplo. Una compaa financiera para la venta de automviles a plazos opera en tres
grandes regiones de un pas: A, B y C. El 50 % de las operaciones las realiza en la regin
A, el 40 % en B y el 10 % en C. Se ha estimado por larga experiencia el tanto por ciento
de los clientes que no efectan el pago de las letras en cada una de las regiones. Para A
es el 1 %, para B el 2 % y para C el 8 %. Determinar el tanto por ciento de los clientes de
la compaa que pagan las letras de la operacin.
Solucin. A clientes de la regin A, B clientes de la regin B, C clientes de la
regin C, L clientes que pagan las letras. Entonces
PpAq 0.5, PpLA | Aq 0.01, PpL | Aq 0.99,
PpBq 0.4, PpLA | Bq 0.02, PpL | Bq 0.98,
PpCq 0.1, PpLA | Cq 0.08, PpL | Cq 0.92,
PpLq PpL | Aq PpAq ` PpL | Bq PpBq ` PpL | Cq PpCq 0.979.
2.3.2 Teorema de Bayes

Teorema 2.10 (de Bayes). Se considera un espacio de probabilidad p, A, Pq y una
particin tAi uiPI Ai P A. Entonces, dado B P A se verifica que
PpA j | Bq
PpB | A j q PpA j q
PpB | Ai q PpAi q
(2.5)
iPI
Demostracin.
PpA j | Bq
PpB | A j q PpA j q
PpA j Bq
PpBq
PpBq
PpB | A j q PpA j q
PpB | Ai q PpAi q
iPI
PpAi q0
Definicin 2.11 (Probabilidad a priori, a posteriori y verosimilitud). Bajo las condiciones

del teorema anterior PpA j | Bq se denomina probabilidad a posteriori, PpB | A j q verosimilitud
y PpA j q probabilidad a priori.
2.3.3 Independencia de sucesos

Ejemplo. Consideramos el experimento aleatorio lanzar dos dados al aire. De esta manera
1
tp1, 1q, . . . , p6, 6qu, A el primer dado es un nmero par, PpAq 18
36 2 , B el
20
2.3 Pro b a b i l i da d c o n d i c i o na da e i n d e p e n d e n c i a d e s u c e s o s
segundo dado es un 5 un 6, PpBq
PpA | Bq
12
36
13 . Entonces PpA Bq
6
36
1
6
y por lo tanto:
PpA Bq
1 3
1
PpAq.
PpBq
6 1
2
Y esto ocurre dado que A y B son sucesos independientes.

Definicin 2.12 (Independencia de sucesos). Sea el espacio de probabilidad p, A, Pq,
A, B P A. Se dice que A y B son dos sucesos independientes si se verifica
PpA Bq PpAq PpBq.
Observaciones.
(2.6)
a) Este concepto sigue siendo vlido cuando PpAq o PpBq son cero. De hecho, PpAq
0 A es independiente de B, @B P A con PpBq 0.
Demostracin. PpA Bq PpAq 0 PpA Bq 0 PpAq PpBq.
b) PpAq 0 A es independiente de , .
Demostracin. PpA q Ppq 0 PpAq Ppq. En cuanto a , se tiene que

PpA q PpAq 1 PpAq PpAq Ppq.
c) A y B son independientes PpA | Bq PpAq.

Demostracin. ( ) PpA | Bq
( ) PpA | Bq
PpA Bq
PpBq
PpA Bq
PpBq
PpAq.
PpAq PpA Bq PpAq PpBq.
d) A y B son independientes A y BA , AA y B, AA y BA son independientes.

Demostracin. Basta probarlo en un caso, el resto se obtiene renombrando los conjuntos. Vamos a probar que si A y B son independientes, entonces A y BA son
independientes:
PpA BA q PpA K Bq PpA K pA Bqq
PpAq PpA Bq PpAq PpAq PpBq

PpAq p1 PpBqq PpAq PpBA q
La idea de independencia de j sucesos Ai , A2 , ..., A j exige que cualquier conociemiento

que se tenga sobre dos de ellos no aporte informacin sobre el j-simo.
Corolario 2.13. Dado el espacio p, A, Pq y los sucesos A1 , A2 , A3 P A. Se dice que son
independientes si
PpA1 A2 q PpA1 q PpA2 q,
PpA1 A2 A3 q PpA1 q PpA2 q PpA3 q.
21
Corolario 2.14. Se considera el espacio de probabilidad p, A, Pq y la familia de sucesos
tAi uiPI Ai P A. De manera general, los sucesos Ai son independientes si se verifica:
P
iPF
Ai PpAi q
iPF
@F I.
(2.7)
2.4 Funciones de distribucin en R

En esta seccin trabajaremos con el espacio de probabilidad pR, BpRq, Pq, donde R son
los reales, BpRq la -lgebra de Borel y P una medida de probabilidad.
2.4.1 Concepto de funcin de distribucin en R

Definicin 2.15 (Funcin de distribucin). Sea pR, BpRq, Pq un espacio de probabilidad.
Se denomina funcin de distribucin asociada a P a la funcin definida por
FP : R r0, 1s
x FP pxq Ppp, xsq.
Proposicin 2.16. Propiedades de la funcin de distribucin. Sea FP una funcin de
distribucin, esto implica que
a) FP es montona creciente.
Demostracin. x1 , x2 P R de manera que x1 x2 , entonces se tiene la desigualdad
FP px1 q Ppp, x1 sq Ppp, x1 sq ` Pppx1 , x2 sq Ppp, x2 sq FP px2 q.
b) FP p`q limx FP pxq 1.
Demostracin.
FP p`q lim FP pxq lim FP pnq lim Ppp, nsq
x
n
n
[
`
P limp, ns P
p, ns PpRq 1.
n
n1
FP pq limx FP pxq 0.
Demostracin.
FP pq lim FP pxq lim FP pnq lim Ppp, nsq
x
n
n
\
`
P limp, ns P
p, ns Ppq 0.
n
22
n1
2 .4 Fu n c i o n e s d e d i s t r i b u c i n e n R
c) FP es continua a la derecha, es decir,
lim FP px ` hq FP pxq
h0`
@x P R.
Demostracin. Dada una sucesin montona decreciente tan unPN 0 se verifica:

`
lim FP px ` an q lim Ppp, x ` an sq P lim p, x ` an s

n
n
n
\
P
p, x ` an s Ppp, xsq FP pxq.
n1
Definicin 2.17. Una funcin F : R r0, 1s es una funcin de distribucin si verifica que
a) F es montona creciente,
b) Fp`q limx Fpxq 1
&
Fpq limx Fpxq 0, y
c) F es continua por la derecha.

Teorema 2.18. Dada F : R r0, 1s verificando los puntos (a), (b) y (c) de la definicin
anterior, D! P definida sobre pR, BpRqq de tal forma que FP F.
Proposicin 2.19. Sea pR, BpRq, Pq un espacio de probabilidad y sea FP la funcin de
distribucin asociada a P. Entonces:
a) Pppa, bsq FP pbq FP paq,
b) Ppb q Ppp, bqq, y
c) Pptbuq FP pbq FP pb q, que es igual a 0 cuando FP es continua.
Demostracin.
a) Como pa, bs p, bs pa, `q p, bs p, asA , entonces
Pppa, bsq Ppp, bsq Ppp, asq FP pbq FP paq.
b) Ppp, bqq Pplimp, b ` n1 sq lim Ppp, b ` n1 sq lim FP pb n1 q FP pb q.
n
c) Pptauq Ppp, asq Ppp, aqq FP paq FP
pa q.
Observaciones.
a) F es continua en b si y slo si Pptbuq 0.
Demostracin. ( ) F es continua en b Pptbuq Fpbq Fpb q 0.
( ) Sea tAn unPN 0 tpx an , x ` an sunPN limn px an , x ` an s
T
n1 px an , x ` an s txu. Entonces
\
`
0 Pptxuq P
px an , x ` an s P lim px an , x ` an s
n1
23
lim Pppx an , x ` an sq lim pFP px ` an q FP px an qq
n
FP pxq lim pFP px an q 0,

n
y por lo tanto FP es continua en x.

b) Pppa, bqq Pppa, bsq Ppbq FP pbq FP paq FP pbq ` FP pb q FP pb q FP paq,
Ppra, bsq Pppa, bsq ` Ppaq FP pbq FP paq FP paq ` FP pa q FP pbq FP pa q,
Pppa, `qq 1 Ppp, asq 1 FP paq, y tambin
Ppra, `q 1 Ppp, aqq 1 FP pa q.
23/10/2012
c) El conjunto de discontinuidades de una funcin de distribucin es finito o numerable.

Demostracin. Sea D tx P R | FP es discontinua en xu. Entonces FP es discontinua
en x Pptxuq 0 (todos los puntos de discontinuidad tienen probabilidad
positiva).
(
1
Pptxuq n1 , veamos que
Definimos para cada n el conjunto Dn x P D | n`1
Dn tiene como mucho n discontinuidades. Supongamos que Dn tx1 , x2 , . . . , xn`1 u,
con xi ordenados en orden creciente. Entonces
n`1
n`1
n`1
[
FP pxn`1 q Ppp, xn`1 sq P
p, xi s Pptxi uq
i1
i1
i1
1
1,
n`1
lo que es absurdo. Por lo tanto tenemos comprobado que CardpDn q n @n.

S
Ahora, por otro lado D
si x P D entonces Pptxuq 0
n1 Dn , y, de esta manera, S
1
Pptxuq n1 x P
y por lo tanto D m P N, n`1
n1 Dn y del mismo modo
S
x P n1 Dn Pptxuq 0 x P D. Por lo tanto podemos concluir que
CardpDq Card
24
n1
Dn .
2.5 Ejercicios
Hoja 2 Probabilidad
1.- Sean un espacio muestral y A P() una -algebra. Para A A fijado,
se define
AA
{B : B = A C con C A}.
Demostrar que AA P(A) es -algebra.

2.- Sea {An : n 1} A una sucesion monotona decreciente, donde A P()
es -
algebra. Demostrar que existe limn P (An ) y que limn P (An ) =
P (limn An ).
3.- Sea {An : n 1} A una sucesion convergente, donde A P()
es -
algebra. Demostrar que existe limn P (An ) y que limn P (An ) =
P (limn An ).
4.- Sean A1 P(1 ) y A2 P(2 ) dos -algebras, y sea E A1 A2 .
Demostrar que E1 A2 , para cada 1 1 , y que E 2 A1 , para cada
2 2 .
5.- Sean A P() una -algebra y {An : n 1} A una sucesion. Demostrar las siguientes desigualdades:
(5.a) P (lim inf An ) lim inf P (An ).
(5.b) lim sup P (An ) P (lim sup An ).
Ademas, resolver el ejercicio 3 desde (5.a) y (5.b).
6.- Sean (, A) un espacio probabilizable y {Pn : n 1} una sucesion de
medidas de probabilidad sobre (, A). Se define P : A [0, 1] por
P (A)
an Pn (A),
n=1
donde an 0 y
sobre (, A).
n=1
an = 1. Demostrar que P es una medida de probabilidad
25
7.- Sea (, A) el espacio probabilizable con = {0, 1, 2, ...} y A = P().

Demostrar que las funciones de conjunto P dadas en (7.a) y (7.b) son medidas
de probabilidad sobre (, A) y determinar las probabilidades de los conjuntos
de (7.c).
P
(7.a) P (A) = xA e x /x!, siendo > 0.
P
(7.b) P (A) = xA p(1 p)x , siendo p (0, 1).
(7.c) A = {x > 2}, B = {x < 3}, C = {3 < x < 6}, A B, A B, B C,
A C c y B C c.
8.- Sean INp y INi los conjuntos de n
umeros naturales pares e impares, respectivamente. Se define la familia de subconjuntos
C
= {A INi : A INp }.
Estudiar si C P(IN) tiene estructura de algebra.

9.- Demostrar que C = {A IN : A finito o Ac finito} tiene estructura de
algebra, pero no es una -
algebra de P(IN).
10.- Sean = {0, 1, 2, ...} y C = {A : 2n A si y solo si 2n + 1 A}.
Demostrar que C P() es -algebra.
11.- Sean un conjunto no-numerable y C = {A : A o Ac es numerable}.
Estudiar si C P() es -
algebra.
12.- De los 30 temas de un examen, un alumno conoce 18 temas. Se proponen
dos tipos de examen:
1. Se eligen 3 temas al azar y el alumno debe contestar 2.
2. Se eligen 5 temas al azar y el alumno debe contestar 3.
Determinar el tipo de examen mas favorable al alumno.
13.- Calcular la probabilidad de que, al tirar una moneda n veces, obtengamos
la k-esima cara en la n-esima tirada.
14.- Se tiene un manojo de N llaves donde solo una de ellas abre una puerta.
Suponiendo que cada llave probada es retirada del manojo, determinar la probabilidad de que la puerta se abra en el k-esimo intento. (Nota: todas las llaves
deben ser probadas, por lo que es necesario hacer N intentos.) Determinar la
probabilidad de este suceso cuando las llaves no se retiran del manojo.
15.- En una urna se introducen n bolas, cada una de ellas de color blanco
o negro con igual probabilidad. Se extraen k bolas con reemplazamiento desde
6
26
la urna. Determinar la probabilidad de que la urna solo contenga bolas blancas

si las k bolas extradas han sido blancas.
16.- Se consideran N + 1 urnas identicas numeradas desde 0 hasta N , conteniendo N bolas. En concreto, la i-esima urna contiene i bolas negras y N i
bolas blancas, para 0 i N . Se escoge una urna al azar y se extraen n bolas
una-a-una con reemplazamiento. Si las n bolas extradas resultan ser negras,
determinar la probabilidad de que, al extraer la (n + 1)-esima bola, esta sea de
color negro.
17.- De una urna con a bolas blancas y b bolas negras se extraen k bolas
al azar. Cual es la probabilidad de que entre las k bolas haya exactamente r
bolas blancas?
18.- Se lanzan 2 dados n veces. Cual es la probabilidad de obtener al menos
un 6 doble?
19.- Una urna contiene 5 bolas rojas, 3 verdes, 2 amarillas y 4 blancas. Se
extraen 8 bolas al azar. Calcular la probabilidad de que:
(19.a) Exactamente sean 2 rojas, 2 verdes, 1 amarilla y 3 blancas.
(19.b) Esten todas las bolas blancas.
(19.c) Haya, al menos, una bola roja.
20.- Con una moneda se juega a cara o cruz. Se suspenden los lanzamientos
cuando por primera vez la diferencia entre el n
umero de caras y el n
umero de
cruces es, en valor absoluto, igual a 3. Calcular la probabilidad de que los lanzamientos se suspendan en la sexta tirada o antes.
21.- Los jugadores A, B y C participan en el siguiente juego: se lanza un dado
y A gana si sale 1 o 3; B gana si sale 4 o 5; C gana si sale 6; y si sale 2 se vuelve
a lanzar el dado. Calcular la probabilidad de que gane A, de que gane C y de
que gane B.
22.- Una urna contiene 5 bolas negras y 4 blancas, otra urna contiene 4 bolas negras y 5 blancas. Supongamos que se trasladan 2 bolas de la primera a la
segunda urna y, a continuacion se extrae una bola de la segunda urna. Cual
es la probabilidad de que la bola extrada sea blanca?
23.- Se sabe que al lanzar cinco monedas aperecieron al menos dos caras. Cual
es la probabildad de que el n
umero de caras exacto fuese tres?
24.- Disponemos de una moneda y dos dados A y B. A tiene 4 caras rojas
y 2 blancas, y B tiene 2 caras rojas y 4 blancas. Se lanza una moneda, si sale
cara se lanza repetidas veces el dado A y si sale cruz se hace lo mismo con el
dado B.
7
27
(24.a) Calcular la probabilidad de que en el primer lanzamiento la cara observada sea roja.
(24.b) Sabiendo que en los dos primeros lanzamientos hemos observado dos
caras rojas, cual es la probabilidad de que el dado lanzado sea el A?
25.- Se lanzan dos monedas, si el resultado es CC se extraen dos bolas de una
urna U1 que contiene 3 bolas rojas, 2 blancas y 4 negras. Si el resultado es CX
se extraen de U2 que contiene 2 rojas, 1 blanca y 5 negras, y si sale XX o XC
las bolas se extraen de U3 que contiene 6 rojas, 4 blancas y 6 negras. Si las dos
bolas extradas resultaron ser una blanca y otra roja, cual es la probabilidad
de que sean de U1 ? y de U2 ?
26.- Determinada batera antiaerea disparaba sobre un avion. Para derribar
el aparato bastaba con alcanzar ambos reactores o la cabina del piloto. Sean
p1 la probabilidad de alcanzar el primer reactor, p2 la probabilidad de alcanzar
el segundo y p3 la probabilidad de dar en la cabina del piloto. Se supone que
estos tres puntos sensibles eran tocados uno independientemente del otro. Determinar la probabilidad de que dicho avion hubiese sido derribado.
27.- El volumen diario de produccion de 3 plantas diferentes de una fabrica
es de 500 unidades en la primera, 1000 en la segunda y 2000 en la tercera. Sabiendo que el porcentaje de unidades defectuosas producidas en cada planta es
del 1%, 0.8% y 2% respectivamente, determinar la probabilidad de que
(27.a) Extrada una unidad al azar resulte ser no defectuosa.
(27.b) Habiendo sido extrada una unidad defectuosa, haya sido producida en
la primera planta.
28.- Se supone que n bolas se colocan al azar en n cajas numeradas. Calcular
las probabilidades de que:
(28.a) La caja 1 este vaca.
(28.b) Alguna caja este vaca.
nica vaca.
(28.c) La caja 1 sea la u
(28.d) Hay una u
nica caja vaca.
29.- En un colegio electoral de 42 electores, 15 han votado la lista A y el resto la
B. Se seleccionan 10 electores, calc
ulese la probabilidad de que, como maximo,
tres de ellos hayan votado la lista A.
30.- De una baraja espa
nola (40 cartas) repartida en su totalidad entre 4 jugadores, hallar la probabilidad de que haya como mnimo un jugador cuya mano
sean cartas todas del mismo palo.
28
31.- Se tiene una moneda y una urna. Se lanza la moneda al aire. Si sale
cara, se introduce una bola negra en la urna; si sale cruz, la bola introducida
es de color blanco. El proceso se repite 10 veces. A continuacion, se extrae una
bola de la urna, se mira su color y se devuelve a la urna. El procedimiento se
repite 10 veces. Finalizado este se ha observado que las 10 bolas extradas eran
de color blanco. Cual es la probabilidad de que la urna contenga solo bolas
blancas?
32.- Dos de las cuatro valvulas de un aparato, que funcionan independientemente, han fallado. Calcular la probabilidad de que hayan sido la 1 y la 2, si
la probabilidad de que falle la valvula i es i/10.
29
3 Variables aleatorias unidimensionales

3.1 Variables aleatorias
3.1.1 Concepto de variable aleatoria. Propiedades
Definicin 3.1 (Variable aleatoria). Sea p, Aq un espacio medible o probabilizable y
BpRq la -lgebra de Borel sobre R. Una aplicacin X : R1 se denomina variable
aleatoria si verifica que
@B P BpRq
X 1 pBq t P | Xpq P Bu P A.
(3.1)
Teorema 3.2 (Caracterizacin de una variable aleatoria). Se considera el espacio probabilizable p, Aq y la clase C2 de subconjuntos de BpRq con pC2 q BpRq, entonces X es
una variable aleatoria si y slo si X 1 pAq P A @A P C2 .
Demostracin. ( ) Si X una variable aleatoria, entonces X 1 pAq P A @A P BpRq. En
particular se verifica para cualquier B P C2 .
( ) Por el apartado (b) de la Proposicin 1.16 (Ecuacin 1.6) tenemos que
X 1 pC2 q A pX 1 pC2 qq A X 1 ppC2 qq A.
Ejemplo (1). tC, Fu, A t, , tCu, tFuu.
X: R
Xpq
C2 tp, asu, pC2 q BpRq. Entonces
&a 0
1
X pp, asq 0 a 1
%a 1
Ejemplo (2). Consideramos ta, b, c, du,

tta, bu, tcu, tduu.
X: R
1 Aclarar
,
/
/
.
F
/
/
-
PA
A lgebra engendrada por la clase C2
&0
Xpq 1
%
2
ab
c
d
que todas las variables aleatorias son de la forma X : R, aunque se expresen de otra forma.
31
23/10/2012
3 Varia b l e s a l e at o r i a s u n i d i m e n s i o na l e s
Veamos si A t, , ta, bu, tcu, tc, du, ta, b, cu, ta, b, du, tduu es lgebra sobre .
$
r0
&0 r 1 ta, bu
X 1 pp, rsq
1 r 2 ta, b, cu
%
r2
Nota. Para ser variable aleatoria, la aplicacin dada depende del lgebra en consideracin.
As en el ltimo ejemplo si tomamos A t, , ta, bu, tc, duu podemos observar que X
ya no es variable aleatoria ya que ta, b, cu R A.
Teorema 3.3. Sea X : pR, BpRqq pR, BpRqq continua, entonces X es variable aleatoria.
Demostracin. C tA | A es abierto en Ru lo que implica que pCq BpRq. Ahora, dado
A P C tenemos que X 1 pAq es un abierto de R y por lo tanto X 1 pAq P BpRq.
Teorema 3.4. Sean X : p, Aq pR, BpRq e Y : pR, BpRqq pR, BpRqq dos variables
aleatorias, entonces Y X es una variable aleatoria.
p, Aq
pR, BpRqq
(3.2)
pR, BpRqq
YX
Demostracin. @A P BpRq Y 1 pAq P BpRq y por lo tanto

pY Xq1 pAq X 1 pY 1 pAqq P A.
Observacin. Sea p, Aq, X : R con X una variable aleatoria. Entonces X 2 , X,
senpXq, |X|, ... son tambin variable aleatoria.
30/10/2012
Teorema 3.5. Sean X1 , ..., Xn , ... variables aleatorias, entonces estas funciones son tambin
variables aleatorias:
a) maxtX1 , X2 u,
Demostracin.
maxtX1 , X2 u1 p, bs t P | maxtX1 , X2 upq bu
t P | X1 pq b
X2 pq bu
t P | X1 pq bu t P | X2 pq bu
loooooooooooooon
X11 p, bs loooooooooooooooon
X21 pp, bsq P A
PA
b) mintX1 , X2 u,
@b.
PA
Demostracin. pmintX1 , X2 uqpq mintX1 pq, X2 pqu maxtX1 pq, X2 pqu

lo que implica que mintX1 , X2 u maxtX1 , X2 u.
32
3.1 Va r i a b l e s a l e at o r i a s
c) suptXn u,
nPN
Demostracin. psup Xn pqq suppXn pqq

nPN
nPN
psup Xn q1 p, bs t P | psup Xn qpq bu t P | Xn pq b

n
nPN
t P | Xn pq bu
n1
n1
d) inf tXn u,
@n P Nu
Xn1 p, bs P A.
loooooooooooooon
PA
nPN
Demostracin. p inf Xn qpq inf Xn pq inf Xn suppXn q.

nPN
nPN
nPN
nPN
e) lim sup Xn ,
n
Demostracin. plim sup Xn qpq infpsup Xr pqq P A

n
rn
f) lim inf Xn ,
n
Demostracin. plim inf Xn qpq suppinf Xr pqq P A

n
rn
g) y si existe el lmite, el lim Xn .

n
Demostracin. Por (e) y (f).

Teorema 3.6. Sean X1 , X2 : p, A, Pq pR, BpRqq dos variables aleatorias. Entonces
X1 ` X2 y X1 X2 son variables aleatorias.
Demostracin. A t P | X1 pq X2 pq ` c,
so en R
D r P Q,
P
rPQ
c P Ru, y como Q es un conjunto den-
X1 pq r X2 pq ` c X1 pq r
&
X2 pq r c
rt P | X1 pq ru t P | X2 pq r cus A P A
y entonces
pX1 ` X2 q1 p, cq t P | X1 pq ` X2 pq cu
t P | X1 pq c X2 pqu P A
y por lo tanto X1 ` X2 es una variable aleatoria. Y una vez probado para la suma, la
multiplicacin viene implcita:
1
1
X1 X2 rX1 ` X2 s2 rX1 X2 s2 .
4
4
33
3.1.2 Probabilidad inducida por una variable aleatoria

Teorema 3.7 (Probabilidad inducida). Sea p, A, Pq un espacio de probabilidad y una
variable aleatoria X : R. Entonces la variable aleatoria X induce en BpRq una
medida de probabilidad definida mediante
PX pBq PpX 1 pBqq
(3.3)
@B P BpRq.
Esta medida de probabilidad se denomina distribucin de la variable aleatoria X.

Demostracin. X 1 pBq P A por ser X variable aleatoria y B P BpRq. En consecuencia
PX pBq PpX 1 pBqq est bien definida. Ahora
PX pRq PpX 1 pRqq Ppq 1, y
dados A1 , . . . , An , . . . P BpRq
PX
n1
An
P X
Ai A j
n1
An
i j se tiene que
pX
n1
pAn qq
PpX1 pAn qq PX pAn q.
n1
i1
Ejemplo. Supongamos que en una urna hay 4 bolas blancas y 3 negras. Se sacan al azar
3 bolas sin reemplazamiento y definimos la variable aleatoria X n de bolas blancas
obtenidas
X
0 1 2 3
PX pX kq
Se pide hallar la funcin de distribucin asociada a la variable aleatoria PX , que ser:
PX pX kq
`4`
k
3
3k
`7
3
Observacin. La funcin de distribucin asociada a PX se denotar mediante

FX pxq PX pp, xsq PpX 1 p, xsq Ppt P | Xpq xuq.
05/11/2012
Definicin 3.8 (Variable discreta y funcin de probabilidad). Dada la variable aleatoria

X se dice que es de tipo discreto si su funcin de la distribucin FX toma nicamente una
cantidad finita o numerable de valores distintos.
Adems si los valores en los que toma los valores distintos son x1 , x2 , ..., xn , ... la
funcin definida mediante PpX xn q PX ptxn uq FX pxn q FX pxn q se denomina funcin
de probabilidad de la variable aleatoria X.
34
Ejemplo.
1
4
1
1 1
PpX 1q FX p1q FX p1 q
2 4
4
1
2
1.5
1
0.5
2
PX pX kq
1{4
1{4
1{2
Figura 3.1: Representacin grfica
Observacin. Dado un conjunto numerable D txk ukPD N y una funcin

#
Pptxuq
verificando que
xk PD
xRD
Ppxq
xPD
Ppxk q 1 se tiene que
@B P BpRq
$
&
PX pBq
Ppxq
xPB D
%
0
@B P BpRq y B D
BD
y la medida de probabilidad PX asocidada a una variable aleatoria X que toma los valores
txk u con probabilidades Pptxk uq. Adems la funcin de distribucin viene dada por
FX pxq Ppp, xsq Pptyuq,
y
y P p, xs D.
Definicin 3.9 (Variable absolutamente continua y funcin de densidad). Se dice que

la variable aleatoria X es de tipo absolutamente continuo (X es una variable aleatoria
continua) si existe una funcin no negativa f X , a la que se denomina funcin de densidad,
que admite a lo sumo un nmero finito de discontinuidades sobre cada intervalo finito
( f X es integrable Riemann) que cumple
Z
R
f X pxq dx 1,
(3.4)
y, con esto, para cada x definimos la funcin de distribucin de X como

Zx
FX pxq
f X ptq dt.
(3.5)
Observaciones.
35
Rb
a) Ppa X bq FX pbq FX paq f X ptq dt

Ppa X bq Ppa X bq Ppa X bq.
Ra
Rb
f X ptq dt a f X ptq dt
y adems
B P BpRq
PX pBq
f X ptq dt.
b) Dada f X ptq y su asociada FX ptq, se tiene que FX1 pxq f X pxq.

Definicin 3.10 (Variable mixta). Una variable aleatoria X se dice que es de tipo mixto si
su funcin de distribucin se puede expresar de la forma
(3.6)
FX pxq a Fd pxq ` p1 aq Fc pxq.
Ejemplo. Supongamos una variable aleatoria con la siguiente funcin de distribucin

#
0
x0
FX pxq
1 pex x 0
p P p0, 1q 0
Ahora definimos:
#
0 x0
Fd pxq
1 x0
#
0
x0
Fc pxq
x
1e
x0
1 p
2
y entonces nos queda FX pxq p1 pq Fd pxq ` p Fc pxq.
3.1.3 Transformaciones de variables aleatorias

Imaginemos que tenemos X, su funcin de distribucin FX , y otra variable aleatoria
Y gpXq, cmo podemos calcular Fy ?
Ejemplo. X es discreta e Y es discreta.
X
10
11
12
PpX kq
1{36
2{36
3{36
4{36
5{36
6{36
5{36
4{36
3{36
2{36
1{36
X suma en el lanzamiento de dos dados. Entonces

$
x7x1
&5
Y Gpxq 3 x 3 x 12
%
0
resto
36
06/11/2012
En general se tienen composiciones de la forma

p, Aq
pR, BpRqq
pR, BpRqq
YgpXq
Teorema 3.11. Sea p, A, Pq un espacio de probabilidad y X una variable aleatoria

discreta. Dada una funcin g : R R se tiene que Y gpXq es tambin una variable
discreta y su funcin de probabilidad viene dada por
PpY yq PY ptyuq
PX ptxuq
xPg1 pyq
@y P RY .
(3.7)
RY (soporte) son los puntos de probabilidad mayor que 0 y g1 pyq tx P R | gpxq yu.
Demostracin.
PpY yq Ppt P | Ypq yuq Ppt P | gpXqpq yuq
Ppt P | Xpq P tx : gpxq yuuq
PX ptx P R | gpxq yuq
PX ptxuq
xPg1 pyq
Observacin. Supongamos X continua.

a) Y gpXq puede ser discreta.
Ejemplo. Sea X una variable aleatoria con soporte R y se considera la variable
aleatoria Y gpXq definida mediante
Y
x0
x0
Demostracin.
PY ptyuq PpY yq Ppt P | Ypq yuq Ppt P | gpXqpq yuq
Ppt P | Xpq P tx : gpxq yuuq PX ptx P R | gpxq yuq
Z
f X pxq dx
M tx P R | gpxq yu
b) Y gpXq puede ser continua.

Demostracin. Por el teorema 3.12.
37
Teorema 3.12. Sea X una variable aleatoria con funcin de densidad f X pxq y soporte en
el intervalo ra, bs. Sea g : R R estrictamente creciente y continua en ra, bs. Entonces
Y gpXq es variable aleatoria continua con funcin de distribucin
FY pyq FX pg1 pyqq
@y P RY ,
y su funcin de densidad es
$
1
&
f X pg1 pyqq y P rgpaq, gpbqs
1 pg1 pyqq
g
f Y pyq
%0
resto.
(3.8)
(3.9)
Demostracin. Al ser estrictamente creciente es biyectiva y tanto la imagen como la

contraimagen por g de un intervalo ser un intervalo. Luego si R X ra, bs se tendr que
RY rgpaq, gpbqs. Ahora dado y P RY tenemos que
FY pyq PpY yq PpgpXq yq PpX g1 pyqq FX pg1 pyqq
y ya podemos calcular su funcin de densidad
1
f Y pyq
.
FY pyq
FX pg1 pyqq f X pg1 pyqq 1 1
y
y
g pg pyqq
Por lo tanto si cogemos y gpaq entonces g1 pyq a y esto implica que FY pyq
FX pg1 pyqq 0 f Y pyq 0. Y, del mismo modo, al coger un y gpbq se tiene que
g1 pyq b FY pyq FX pg1 pyqq 0 f Y pyq 0. De manera que, efectivamente,
sa es la funcin de densidad y RY rgpaq, gpbqs.
Observaciones.
a) En las condiciones del teorema anterior, si g es estrictamente decreciente, la funcin
de distribucin viene dada por
FY pyq 1 FX pg1 pyqq
@y P RY
y la de densidad por
#
1
f pg1 pyqq y P rgpbq, gpaqs
g1 pg1 pyqq X
f Y pyq
0
resto
b) En el teorema anterior se puede sustituir el intervalo ra, bs por un intervalo abierto
o incluso acotado.
1
1
Ejemplo (Ejercicio 10). X, de manera que su funcin de densidad es f X pxq
,
1 ` x2
con x P R. Es conocida como distribucin de Cauchy (que se caracteriza por no tener
esperanza matemtica). Sea Y 3X ` 1, entonces tenemos que las funciones asociadas a
Y son
y 1
y 1
FY pyq PpY yq Pp3X ` 1 yq P X
FX
3
3
38
3.2 C a r ac t e r s t i c a s d e l a s va r i a b l e s a l e at o r i a s e s ta d s t i c a s
y 1 1
1
1
f Y pyq f X
3
3
3 1 ` y1 2
3
yPR
Teorema 3.13. Sea X una variable aleatoria continua con funcin de densidad f X pxq y
sea g : R R continua y g1 pxq 0 salvo en un nmero finito de puntos. Supongamos
que para cada nmero real y
a) existen exactamente npyq puntos x1 pyq, x2 pyq, ..., xn pyq tales que gpxk pyqq y,
g1 pxk pyqq 0 k 1, . . . , npyq, o bien
b) no existe ningn punto x P R X tal que gpxq y y g1 pxq 0. En este caso npyq 0
entonces Y es una variable aleatoria continua cuya funcin de densidad es de la forma
$
npyq
&
f pxk pyqq g1 pxk pyqq1 si npyq 0
hpyq k1
(3.10)
%0
si npyq 0
Ejemplo. Sea X una distribucin de Cauchy, igual que en el ejemplo anterior, y en este
?
?
caso Y X 2 . Entonces dado y P R D x1 pyq y, D x2 pyq y de tal forma que
gpx1 pyqq y
&
gpx2 pyqq y
de esta manera podemos calcular

#
?
g1 px1 pyqq 2 y
1
g pxq 2x
?
g1 px2 pyqq 2 y
con lo que obtenemos la funcin de densidad
$
?
?
1
1
& ?
f X p yq ` ? f X p yq y 0
2 y
f Y pyq 2 y
%
0
y0
?
?
1
y entonces, como f X p yq f X p yq 1 1`y
, nos queda
$
$
1
1
2
1
1
& ?
& ?

y0
f Y pyq 2 y 1 ` y
y 1`y
%0
%0
y0
y0
y0
3.2 Caractersticas de las variables aleatorias estadsticas

Dada X, sabemos calcular PX y FX asociadas,
PX
X
FX
nos preguntamos ahora si es posible tener informacin relevante sobre X mediante unos cuantos valores numricos. Es
decir, cmo caracterizarla.
39
3.2.1 Esperanza matemtica de una variable aleatoria unidimensional

Definicin 3.14 (Esperanza matemtica). Sea X una variable aleatoria discreta cuya
funcin de masa es PX . Se denomina esperanza matemtica de X a la expresin
ErXs x PpX xq.
(3.11)
xPR X
Observaciones.
i) Si R X tx1 , . . . , xn u, entonces ErXs siempre existe.
ii) Si R X tx1 , . . . , xn , . . .u entonces
ErXs
xn PX pX xn q.
n1
Se dice que la esperanza de la variable aleatoria X existe cuando la serie es absolutamente convergente, es decir
|xn | PX pX xn q .
n1
(
Ejercicio 3.1. Supongamos que R X p1qn1 n | n P N y que
PpX p1qn1 nq
6
2 n2
n 1, 2, . . .
Como vimos en anlisis, las series alternadas pueden ser convergentes pero no absolutamente convergentes (distintas reordenaciones de la serie pueden dar valores diferentes
para la suma), como es el caso:
ErXs
p1qn1 n 2 n2
n1
6
2
p1qn1
n
n1
que, obviamente, no es absolutamente convergente.

08/11/2012
Definicin 3.15 (Esperanza matemtica de una variable aleatoria). Sea X una variable
aleatoria continua con funcin de densidad f X . La esperanza ErXs de la variable aleatoria
X viene dada por la integral
Z
ErXs
x f X pxq dx
RX
si sta es absolutamente convergente.
(3.12)
Definicin 3.16. Sea X una variable aleatoria cuya funcin de distribucin es del tipo
mixto. Entonces se denomina ErXs a la expresin
ErXs
x PpX xq `
xPA
Z
AA
dFpxq
dx,
dx
(3.13)
donde A es el conjunto de puntos en los que la funcin de distribucin tiene un salto.
40
3.2 C a r ac t e r s t i c a s d e l a s va r i a b l e s a l e at o r i a s e s ta d s t i c a s
Proposicin 3.17. Sea X una variable aleatoria con funcin de distribucin FX y sea
g : R R. La esperanza de Y gpXq viene dada por
ErYs
gpxq PX pX xq
(X discreta)
(3.14)
gpxq f X pxq dx
(X continua)
(3.15)
xPR X
ErYs
RX
Demostracin.
ErYs
yPRY
y PY pY yq
yPRY
PX pX xq
xPg1 pyq
yPRY xPR X ,
ygpxq
gpxq PX pX xq
xPR X
gpxq PX pX xq.
Anlogo para el caso continuo, aunque la demostracin para dicho caso requiere que sea
estrictamente creciente y continua.
Observaciones.
a) Se dice que X es degenerada en k si PpX kq 1 o, lo que es lo mismo, si la
esperanza es ErXs k PpX xq k.
b) Si a x b
@x, entonces a ErXs b.
Demostracin. Si @i 1, 2, . . . a xi b, entonces se tiene que a PpX xi q

xi PpX xi q b PpX xi q @i 1, 2, . . . y por lo tanto
a PpX xi q
i1
i1
i1
xi PpX xi q b PpX xi q
a ErXs b.
c) X una variable aleatoria y g y h dos funciones de R en R, entonces la esperanza

Era gpXq ` b hpXqs a ErgpXqs ` b ErhpXqs.
Demostracin.
Era gpXq ` b hpXqs

Z
a gpxq ` b hpxq f X pxq dx

Z
gpxq f X pxq dx ` b
hpxq f X pxq dx a ErgpXqs ` b ErhpXqs
Definicin 3.18 (Momento respecto del origen). Se denomina momento de orden k respecto
del origen (o centrado en el origen) a la esperanza de la variable aleatoria gpXq X k
$
xk PpX xq si X es discreta
&

xPR X
(3.16)
k E X k Z
si X es continua
% x k f X pxq dx
RX
Como caso particular, con k 1 se tiene que 1 ErXs.
41
Definicin 3.19 (Mediana). Dada una variable aleatoria X la mediana de X se define como
el valor Md que verifica
FX pMd q PX pX Md q
1
PpX Md q.
2
(3.17)
Observacin.
1
Si X es continua siempre se puede encontrar un valor Md que sea la mediana de

X.
Md
1.5
1
0.5
1
Si X es discreta no se puede asegurar que

exista o que sea nico. En el ejemplo de
la izquierda, cualquier valor del intervalo
p1, 2q nos vale como mediana.
Figura 3.3: Representacin de la moda en

distribucin continua y discreta
Para evitar esto ltimo, se escoge como mediana el primer valor de la variable aleatoria
(en orden creciente) que satisface que FX pMd q 1{2.
Ejemplo. N de caras obtenidas al lanzar dos monedas al aire. Calcular la esperanza
y la mediana. Tenemos que PpX 0q 14 , PpX 1q 12 , PpX 2q 41 , as que
calculamos
$
0 si x 0
&1{4 si 0 x 1
FX pxq PpX xq
3{4 si 1 x 2
%
1 si x 2
y con esto
ErXs 0
12/11/2012
1
1
1
`1 `2 1
4
2
4
&
Md 1.
Definicin 3.20. Dada una variable aleatoria X la mediana Md es el valor que verifica
FX pMd q 1{2 y FX pMd q 1{2. (Al menos hay probabilidad 1{2 tanto en p, Md q como
en rMd , q).
Proposicin 3.21. Si X es una variable aleatoria con distribucin simtrica respecto del
valor c, entonces existe ErXs y su valor es igual a c.
42
3 .3 M e d i da s d e d i s p e r s i n d e u na va r i a b l e a l e at o r i a
Demostracin. X continua. Vamos a demostrarlo primero en el supuesto de c 0 por lo
que Ppxq Ppxq.
Z
ErXs
x f X pxq dx
Z
0
x f X pxq dx `
Z0
x f X pxq dx
x f X pxq dx
Z
0
x f X pxq dx 0
Supongamos ahora c 0. Se considera la variable Y X c y por lo tanto, aplicando la

misma idea, ErYs ErX cs 0 ErXs Ercs 0 ErXs c.
Proposicin 3.22. Si X es una variable aleatoria con distribucin simtrica respecto de c,
entonces la mediana es c.
Demostracin.
FX pcq PpX cq
Z0
Zc
f pxq dx
f py ` cq dy
Z0
yxc
f pc yq dy
Zc
f pyq p1q dy
PpX cq 1 FX pc q 1 FX pcq FX pcq

y por otro lado
FX pc q FX pcq 1 FX pc q FX pc q
1
2
Z
c
f pyq dy
1
2
Definicin 3.23 (Moda). Se denomida moda (Mo ) de una variable aleatoria X al valor de
la variable que hace mxima la funcin probabilidad en caso de ser X discreta y el valor
que hace mxima la funcin de densidad en caso de ser X continua.
Ejemplo.
X Vp0, 1q
f X pxq
x P p0, 1q
resto
En este caso todos los valores entre p0, 1q son Mo .

0
Y otro ejemplo, X, cuya funcin de densidad es f pxq ex

Pero si fuese x P r0, s s que tiene moda Mo 0.
x P p0, q, no tiene moda.
3.3 Medidas de dispersin de una variable aleatoria

Hasta ahora habamos estudiado las medidas de concentracin, ahora vamos a ver los
conceptos que nos indican la dispersin de una variable aleatoria.
43

Definicin 3.24 (Varianza). Sea X una variable aleatoria, con E X 2 . Se denomina
varianza de la variable aleatoria X a la expresin
2 VarrXs E pX ErXsq2 .
(3.18)
Definicin
a 3.25 (Desviacin tpica). Se denomina desviacin tpica de la variable aleatoria
X a VarrXs.
Proposicin 3.26 (Propiedades).
a) VarrXs 0 D c P R,
PX pX cq 1.
Demostracin.
( ) Por hiptesis ErXs c PX pX cq c y de esta manera
2
2
E X c PX pX cq c2 . Ahora, por la propia definicin de varianza VarrXs

E X 2 ErXs2 c2 c2 0.
( ) Y por otra parte

0
px ErXsq2 PX pX cq
x ErXs,
xPR X
por lo que la variable aleatoria X toma un nico valor, c.

b) Si a, b P R se tiene que VarraX ` bs a2 VarrXs.
Demostracin.
VarraX ` bs E ppaX ` bq EraX ` bsq2 E paX ` b a ErXs bq2
a2 E pX ErXsq2 a2 VarrXs.

c) VarrXs E X 2 pErXsq2 .
Demostracin.
VarrXs E pX ErXsq2 E X 2 ` ErXs2 2X ErXs

E X 2 ` E E X 2 2 ErX ErXss

E X 2 ` ErXs2 2 ErXs ErXs E X 2 ErXs2 .
Definicin 3.27 (Momento de orden k respecto de la media). Se denomina momento

de orden k respecto de la media ErXs 1 a la esperanza de la variable aleatoria
gpXq pX ErXsqk :
$
px ErXsqk PX pX xq X discreta
&
xPR X
k E pX ErXsqk Z
(3.19)
px ErXsq f X pxq dx
X continua
%
RX
Y, como caso particular, si k 2, entonces 2 2 VarrXs.
44
Proposicin 3.28. Los momentos de orden k respecto de la media, k , y los momentos
respecto del origen, k , verifican:
n
n
n ErX n s
nk k
(3.20)
k
k0

n
n
n
nk
n E pX ErXsq p1q
nk k
(3.21)
k
k0
Demostracin.
n ErX s E ppX q ` qn E
n
n
k
nk
k px q
k0
n
nk E px qk
k
k0
n
y por otro lado

n

nk n
k nk
nk n
x
p1q
nk E x k
n Erpx q s E p1q
k
k
k0
k0
n
3.3.1 La desigualdad de Tchebysheff y sus aplicaciones

Teorema 3.29 (Desigualdad de Markov). Se considera una variable aleatoria X que va 13/11/2012
de p, A, Pq pR, BpRqq y una funcin2 g : pR, BpRq, PX q pR, BpRq, PX q no negativa.
Entonces se verifica
PpgpXq kq Pt P | gpXpqq ku
ErgpXqs
k
k 0.
(3.22)
Demostracin. Caso continuo (el discreto es anlogo):

Z
ErgpXqs
Z
RX
gpxq f X pxq dx
gpxq f X pxq k
x | gpxqk
f X pxq dx k P gpxq k
x | gpxqk
Teorema 3.30 (Desigualdad de Tchebysheff). Sea X una variable aleatoria con ErXs
y VarrXs . Entonces
@ 0
Pp| X ErXs| q
1
.
2
(3.23)
Demostracin.
E pX ErXsq2
2
1
Pp| X ErXs| q PppX ErXsq q
2
2
2
2
2

(3.22)
2
2 2
Dado k 0, la masa de probabilidad situada fuera del intervalo p k , ` k q es

menor que 1{k2 .
2 Para
recordar algo que ya dijimos, en realidad es g : R R.
45
Ejercicio 3.2. El dueo de un bar estima que durante el fin de semana los clientes piden
por trmino medio 300 bocadillos variados, con una desviacin tpica de 20 bocadillos.
Qu probabilidad hay de que los clientes le pidan en un fin de semana por lo menos
330?
30
Solucin. PpX 330q PpX 300 30q P X 300
20
20
4
30
1
P |X 300|
20 30 2 .
20
9
p 20 q
Cuntos panecillos debe comprar el dueo para el fin de semana y as poder satisfacer
a los clientes con una probabilidad de por lo menos 0.75? Se deja como ejercicio.
3.3.2 Funcin generatriz de momento y funcin caracterstica

Definicin 3.31 (Funcin generatriz de momentos). Dada una variable aleatoria X se
denomina funcin generatriz de momentos de la variable aleatoria X a la funcin
$
esx PpX xq X discreta
&

xPR X
@s P R
MX psq E esX Z
(3.24)
sx
f
pxq
dx
X
continua.
%
X
RX
Ejemplo. Sea X variable aleatoria, R X N y PpX nq

MX psq
esn PpX nq
n1
esn
n1
6
.
2 n2
Entonces
6
6
2
2 n2
esn
.
n2
n1
e
esn
Ahora, si s 0 la serie diverge. Y si s 0, entonces 2 2 converge, y por lo tanto el
n
n
dominio de MX es p, 0s.
Ejercicio 3.3. Calcular MX de la distribucin cuya funcin de densidad es
#
1
2x
si x 0
2 e
f X pxq
0
resto
Observacin. Si X MX psq, y tenemos que Y aX ` b, la funcin generatriz de momentos
de Y, MY psq, es de la forma

MY psq E esY E es paX`bq E epasqX esb esb MX pasq.
Teorema 3.32. Sea X una variable aleatoria con funcin generatriz de momentos MX psq.
Si D MX psq @s P ps0 , s0 q entonces existen las derivadas de cualquier orden de MX psq en
s 0 y se verifica que
pkq
MX p0q
46
dk

M
p0q
E Xk
X
k
ds
k 1, 2, . . .
(3.25)
Demostracin. Se tiene que
$
esx PpX xq
&xPR
X
MX psq Z
son absolutamente convergentes para s P ps0 , s0 q
esx f X pxq dx
%
RX
y adems g1 psq esx PpX xq y g2 psq esx f X pxq son indefinidamente derivables (de
clase C ). Como @s P ps0 , s0 q
M1X psq
d
d sx
pe PpX xqq x esx PpX xq
esx PpX xq
ds xPRX
ds
xPR X
xPR X
esto implica que M1X p0q xPRX x PpX xq ErXs. En segundo lugar, de manera

pkq
anloga se prueba que MX E X k k ,
M2X p0q 2
s `
2!
pkq
MX p0q k
s 1 ` k sk
k!
k!
k1
MX psq MX p0q ` M1X p0q s `
k0
pkq
En particular MX p0q 1 y MX p0q k .

Observacin. Dadas dos variables aleatorias X e Y con funciones generatrices de momentos MX psq y MY psq, si MX psq MY psq @s P ps0 , s0 q, entonces las variables aleatorias X
e Y tienen la misma distribucin.
Definicin 3.33 (Funcin caracterstica). Sea X una variable aleatoria. Se denomina
funcin caracterstica de la variable aleatoria X a la funcin
$
eitx PpX xq X discreta
&
xPR X
X ptq E eitX Z
(3.26)
X continua.
% eitx f X pxq dx
RX
Observacin (Propiedades). Las propiedades son similares a las de la funcin generatriz

de momentos. En particular se tiene que
pkq

p0q
E Xk X k
i
@k.
Teorema 3.34. Sea ptq la funcin caracterstica asociada a una variable aleatoria continua.
Entonces
Z
1
f pxq
eitx ptq dt.
(3.27)
2 R
47
15/11/2012
Ejemplo (Juego del parchs). Se tiene que ErXs
mtodo para hallar su derivada:
sppq
0p1
pk
k0
1
,
1 p
1
6
k0 k
` 5 k1
6
, y conocemos un
k pk1 p1 pq2
s1 ppq
k1
entonces hallamos la esperanza, que es ErXs
1
6
p1 56 q
Esperanza y centro de gravedad

Un breve inciso sobre corolarios o aplicaciones (relacionados con la fsica y con ms).
En un sistema discreto, sea mk la masa en un punto xk , de manera que M k mk es la
masa total, entonces el centro de gravedad viene dado por la expresin
CG xk
k
mk
.
M
De manera anloga, si se trata de un sistema continuo, de longitud L en el que cada

punto x tiene asociada una densidad pxq, el centro de gravedad se calcula de la siguiente
manera
ZL
CG
x
0
pxq
dx.
M
3.4 Distribuciones discretas notables

15/11/2012
Todas sern de la forma
X
x1
...
xk
...
PpX xk q
p1
...
pk
...
x1
x2
x3
Figura 3.5: Ejemplo de distribucin discreta
3.4.1 Distribucin de Bernoulli

La distribucin tien dos opciones, xito (p) y fracaso (1 p). Por lo tanto tenemos lo
siguiente: tE, Fu, A pq, PpEq p y PpFq 1 p.
Y de esta manera, la funcin X Variable de Bernoulli viene definida por:
X : p, A, Pq pR, BpRqq
E 1
F 0
48
3.4 D i s t r i b u c i o n e s d i s c r e ta s n o ta b l e s
de manera que la probabilidad de fracasar es PX pt0uq PpX 1 p0qq PpFq 1 p y la
de tener xito PX pt1uq PpX 1 p1qq PpEq p.
La distribucin aparenta como en la figura
de la derecha, y, de un modo ms claro, en
esta tabla estn los valores que toma
X
1 p
PpX xk q 1 p
Veamos sus caractersticas:

La media
1 ErXs 0 p1 pq ` 1 p p,
la varianza

2 VarrXs E X 2 ErXs2 2 21 02 p1 pq ` 12 p p2 p p1 pq,
la funcin caracterstica
X ptq E eitX e0it PpX 0q ` e1it PpX 1q p1 pq ` p eit p1 pq ` p eit ,
la funcin generatriz de momentos (clculo anlogo al de la funcin caracterstica)

MX psq p1 pq ` p es ,
y sus momentos respecto del origen

1 p0q
1
pip ei0 q p ei0 p,
1 1 X
i
i
2
2X p0q
1
2 E X
2 i2 p ei0 p.
2
i
i
3.4.2 Distribucin binomial

La distribucin tien dos opciones, xito (p) y fracaso (1 p). Pero, a diferencia de la
Bernoulli (3.4.1), se hacen n ensayos (todos independientes). La distribucin que mide
la probabilidad de tener k xitos tras hacer esos n ensayos es X variable aleatoria con
distribucin Binomial, Bpn, pq, que viene definida por:
X : pn , A, Pq pR, BpRqq
Xpq nmero de xitos en la n-upla ,
donde n t | p1 , . . . , n q,
mente, la funcin queda
PpX kq
i E Fu, y A

n
pk qnk
k
pn q. De manera que final-
q 1 p.
Veamos sus caractersticas:
49
La funcin de distribucin
&

n
pk qnk
FX pxq
0xn
%
1
x0
0kn
xn
su funcin caracterstica

X ptq E eitx
eitk PpX kq
k0
eitk
k0
peit pqk qnk pp eit ` qqn ,

k
k0
n

n
pk qnk ,
k
la funcin generatriz de momentos (anloga a la caracterstica)

MX ptq pp et ` qqn ,
la media (usando que p ` q 1)
1
1
1 1
X p0q n pp ei0 ` qqn1 p ei0 i n p,
i
i
el momento de orden dos

1
1
2 2 2X p0q 2 n pn 1q pp ei0 ` qqn2 p ei0 i p ei0 i `
i
i
1
` 2 n pp ei0 ` qqn1 i2 p ei0
i
n pn 1q p2 ` n p,
y, con eso, la varianza
2 VarrXs 2 21 n p p1 pq.
3.4.3 Distribucin de Poisson

20/11/2012
Observacin. Supongamos que tenemos X Bpn, pq, de manera que n , p 0,

np . Entonces

n
n!
pk p1 pqnk
PpX kq
pk p1 pqnk
k! pn kq!
k
nk pk n pn 1q pn pk 1qq p1 pqn
nk k!
p1 pqk
1
k1
1
pnpqk
1 1
1
p1 pqn
k
k!
n
n
p1
pq
loooooooooooooooooooooooooooooooooooon loooooooooon
1
n
n
50
y, viendo a qu converge p1 pqn , recordando que np ,
lim p1 pqn lim
n
p0
n
p0
1
1 ` ` 1
p
llegamos a que
PpX kq
np
n
p0
1{p ffpn
k
e
k!
Definicin 3.35 (Distribucin de Poisson). Se dice que X tene una distribucin de Poisson
de parmetro si su funcin de probabilidad es de la forma
PpX kq
k
e
k!
k 0, 1, 2, . . .
y se escribe de la forma Ppq.

Observacin. La aproximacin como lmite de una binomial es (relativamente) buena si
n 50, p 0.1 y np 5.
Comprobemos que, efectivamente, s es funcin de probabilidad:
PpX kq
k0
k
k
e
k!
k! e e 1.
k0
k0
Y ahora sus caractersticas:

La funcin de distribucin
FX pxq
PpX kq
kx
kx
k
e
k!
la media, la esperanza o momento de orden uno respecto del origen

1 ErXs
k PpX kq
k0
k0
k
e
k!
k1
pk 1q! e e ,
k1

2 E X 2
`
k
k
e e k2 k ` k
k!
k!
k0
k1
k
k
e k pk 1q
` k
k! k0
k!
k0
k2
51
e
k
k
k
pk
1q
`
k
k!
k! k1
k2
k2
k1
e

`
pk 2q!
pk 1q!
k0
k0
`
e 2 e ` e 2 ` ,
la varianza

VarrXs 2 2 E X 2 ErXs2 2 ` 2 ,

X ptq E eitx
e
eitk PpX kq
k0
p eit qk
k!
k0
eitk
k0
it
it 1q
e e e e pe
k
e
k!
y la funcin generatriz de momentos

s
MX psq e pe 1q .
3.4.4 Distribucin geomtrica o de Pascal

En el caso de la distribucin geomtrica o de Pascal, volvemos a tener dos opciones: xito,
PpEq p; y fracaso, PpFq 1 p q. Pero en este caso, la distribucin geomtrica nos
dice la probabilidad de que aparezca por primera vez un xito en el lugar k o, dicho de
otro modo, la probabilidad de que tengamos que hacer k intentos para obtener un xito.
X : pn , pn q, Pq pR, BpRqq
Xpq k
donde p P p0, 1q y tE, Fu, luego PpX kq p qk1
k1
p qk1 p qk1 p
k1
k P N 1, 2, . . . . Y como
1
p
1
1q
p
sabemos que es una distribucin de probabilidad. Veamos ahora cules son sus propiedades:
La funcin caracterstica
X ptq E eitX
52
q eit
eitk PpX kq
k1
p eit
q 1 q eit
1 q eit
eitk p qk1
k1
p ` it k
e q
q k1
k
para calcular la media utilizamos que sppq
k0 p1 pq
k1 p1q
k0 k p1 pq
media queda
pq 1
p2
1 ErXs
k1
y, por lo tanto,
k0 k p1 pq
ErXs
k qk1 p p k qk1
k1
y como
1
1q
pq
k1
1
,
p2
1
p
s1 ppq
de manera que la
p
1
,
p2
p
1
p

E X2
k2 qk1 p
k1
p 2 k
k q
q k1
xq
1xp
p qpq ` 1q pq q ` 1
q
p3
p2
la varianza queda

1
q
pq q ` 1
2 VarrXs 2 E X 2 ErXs2
2 2.
p2
p
p
3.4.5 Distribucin binomial negativa

Esta distribucin no es ms que una extensin de la geomtrica. Nos da la probabilidad de
que, en las mismas condiciones que la geomtrica (PpEq p, PpFq 1 p) necesitemos
n intentos para que en esos n haya k xitos (y por lo tanto n k fracasos). La funcin en
cuestin es
X : pN , Aq pR, BpRqq
Xpq k
Donde tE, Fu y A pN q. Se dice que una variable aleatoria sigue una distribucin
binomial negativa si su funcin de probabilidad es de la forma
PpX kq Ppt P | Xpq kuq
n`k1
pn qk
k
k 0, 1, 2, . . .
Observaciones.
a) Se denomina nmero combinatorio generalizado sobre k al valor

p 1q p 2q p k ` 1q
k!
k
P R,
k P Z`
y, por lo tanto, el nmero combinatorio`que

hasta ahora queda como
conocamos
un caso particular en que P Z` k k! pkq!

. Y, en caso de que k , con
`
P Z` , se tiene que k 0.
` 0.5p0.51q
`2 2p21qp22qp23q
Ejemplo. 0.5
0.125,
0.
2
2!
4
4!
53
@ P R, | x | 1 puede expresarse de la forma

p1 ` xq
xk .
k
k0
b) La funcin f pxq p1 ` xq ,
c) Para todo P R y para todo k P Z` , se tiene que

p 1q p k 1q
p1q p1q p ` 1q
k!
k!
k
k
`k`1
p1q p ` 1q p ` k ` 1q
k
p1q
k!
k
Efectivamente, se trata de una funcin de probabilidad:
n`k`1
n
n
k
k
p p1 pq p1q
pn qk
PpX kq
k
k
k0
k0
k0

n
pn
pqqk pn p1 qqn n 1.
pn
p
k
k0
Veamos ahora algunas de sus propiedades:
X ptq E eitX
la media

n`k1
n`k1
n
k
n
p q p
pq eit qk
e
k
k
k0
k0

n
n
pn p1qk
pq eit qk pn
pq eit qk
k
k
k0
k0
n
p
pn p1 q eit qn
,
1 q eit
itk
q
1 ErXs n ,
p
y la varianza
1
2 2 VarrXs 2 n q.
p
3.4.6 Distribucin hipergeomtrica

Dado un conjunto N donde hay D xitos (y, por lo tanto, N D fracasos), cogemos n
elementos (n N). La distribucin hipergeomtrica nos da la probabilidad de que k de esos
n sean un xito.
X : p , A, Pq pR, BpRqq
Xpq Nmero de xitos que hay en
54
Donde tn-uplas obtenidas sin reemplazamientou. Y la probabilidad viene dada
por
`D` ND
PpX kq
` Nnk
.
n
` ` b à`b
n y
Observacin. Para facilitarnos los clculos ms tarde, veamos que nj0 aj nj
a
b
a`b
que se cumple que p1 ` xq p1 ` xq p1 ` xq .En primer lugar

n
a
b
a
b
a
b
a`b
j n j 0 n `` a n a n ,
j0
y en segundo
lugar, apoyndonos en la observacin que hemos hecho antes, p1 ` tqn
`
n
nj0 j t j , de manera que

a
a
a
a a
b
b
b b
j
`
x``
x ``
x
`
x``
x
0
1
j
a
0
1
b
a`b
a`b
xj
j
j0
Con esta observacin en mente, es fcil comprobar que es distribucin de probabilidad:

D
ND
1
PpX kq `N k N k 1.
k
k
n
Y algunas propiedades:
La media
1 ErXs
D
n,
N

n pn 1q
Dn
2 E X 2 D pD 1q
`
,
N pN 1q
N
y la varianza
2 VarrXs 2 n
D ND Nn
.
N
N
N1
Observacin. Veamos que la hipergeomtrica y la binomial estan ntimamente relacionadas. 22/11/2012

D
Si se extraen n elementos definimos p N
, q 1 p ND
N , entonces
PpX kq
`D` ND
k
` Nnk
` pN ` Nq
k
nk
`N
n
pN!
k! ppNkq!
Nq!
pnkq! rNqpn`kqs!
N!
n! pNnq!
n! pN ppN 1q ppN pk 1qq Nq pNq 1q pNq pn k 1qq
pn kq! k! N pN 1q pN pn 1qq
55

n ppNqk pNqqnk
n
pk qnk PpY kq
n
N
k
N
k
y, de esta manera, Y sigue una distribucin binomial Bpn, pq.
Ejemplo. En una concurrida interseccin de trfico, la probabilidad de que un automvil
tenga un accidente es muy pequeo. Sin embargo, entre las 16:00 y las 18:00 de la tarde
un gran nmero de automviles pasa por la interseccin. Cul es la probabilidad de
que ocurran dos o ms accidentes?
Solucin. Si suponemos que P es la misma para todos los conductores y que el que un
automvil tenga un accidente no depende del resto, la variable aleatoria es X n de
accidentes y queremos calcular PpX 2q
PpX 2q 1 PpX 1q 1 PpX 0q PpX 1q,
que, al ser muy pequea, podemos aproximar la binomial por una Poisson de parmetro
0.1, de manera que quedara X Pp0.1q.
3.5 Variables aleatorias continuas notables

3.5.1 Distribucin uniforme
Decimos que una variable aleatoria continua sigue una distribucin uniforme (X Vpa, bq)
si su funcin de densidad es de la forma
f X pxq
#
1
1
ba
x P ra, bs
ba
f X pxq
0
x R ra, bs
a
1
ba
Que tambin se puede expresar como f X pxq

Ipa,bq pxq, donde Ipa,bq pxq se conoce
como funcin indicatriz. De esta manera, la funcin de distribucin es de la forma
Zx
f X ptq dt
FX pxq PpX Xq
&0
xa
ba
%1
FX pxq
xa
axb
bx
Veamos sus propiedades,

La media
Zb
1 ErXs
a
56
b
1
1
x2
pb aq pb ` aq
bà
x
dx

,
ba
ba 2 a
2 pb aq
2
3.5 Va r i a b l e s a l e at o r i a s c o n t i n ua s n o ta b l e s
b
2 Z 2
2 E X x
a
la varianza
b
1
1
x3
1
pb3 a3 q
dx

ba
ba 3 a
ba
3
1
pb2 ` a2 ` a bq,
3

pb ` aq2
pb aq2
1
,
2 VarrXs E X 2 ErXs2 pb2 ` a2 ` a bq
3
4
12
b
b
itX Z itx
1
1
eitx
eitb eita
X ptq E e
e
dx
,
ba
b a it a
itpb aq
a
y la funcin generatriz de momentos

MX psq
esb esa
.
s pb aq
Ejercicio 3.4. Sea X Vpa, bq, calcular las caractersticas de Y mX ` n.
3.5.2 Distribucin normal

Definicin 3.36 (Funcin Gamma). Dado t 0 se denomina funcin gamma a la funcin
definida mediante
Z
ptq
x t1 ex dx.
Proposicin 3.37. Propiedades de la funcin gamma:

a) Dado a 0 se tiene que
Z
0
Demostracin. y ax
x t1 eax dx
Z
y t1
0
y 1
1
ptq.
at
1
dy t
a
a
Z
0
yt1 ey dy
1
ptq.
at
b) Se cumple que pt ` 1q t ptq.

R
Demostracin. pt ` 1q 0 x t ex dx. Hacemos un cambio de variable: u x t

du t x t1 dx y dv ex dx v ex y entonces nos queda
Z

pt ` 1q x t pex q `t
ex x t1 dx t ptq.
0
loooooooooooooon
0
0
57
26/11/2012
c) Como consecuencia del punto anterior, si n P N, entonces pn ` 1q n!
Demostracin. pnq pn 1q pn 1q . . . pn 1q pn 2q p1q pn 1q!
` ?
d) 12 .
Definicin 3.38 (Distribucin normal). Se dice que una variable aleatoria X sigue una
distribucin normal de parmetros P R y 0, es decir, X Np, q, si su funcin de
densidad es de la forma
1 x 2
1
f pxq ?
e 2 p q
2
x P R.
Ahora nos preguntamos si su integral en todo R es igual a 1:

1
1 x 2
?
f pxq dx
dx
exp
2
R
R 2
Z
z2
1
?
e 2 dz
2 R
que, por ser simtrica respecto del eje y
Z
2
?
2
2
?
2
2
?
2
z
dx dz
?z t
2
dz
?
dt
2
z2
e 2 dz
0
Z
t2
2
2 dt ?
y 12
t2 y
?
dt 21 p yq1 dy
et dt
0
?
1
1
dy ? p 2 q ? 1
Y su funcin de distribucin es
1
Fpxq ?
2
Zx
1
1
e 2 p
t 2
q dt
0.5
Ejercicio 3.5. Probar que f es simtrica respecto de , tiene un mximo en x y

puntos de inflexin en x .
Y ahora veamos todas sus propiedades:
58
La media
ErXs
x f pxq dx
1 x 2
1
x ? e 2 p q dx
2
R
z
dx dz
1 2
1
pz ` q ? e 2 z dz
2
R
?
Z
Z
1 2
1 2
2
z
z
2
2
?
dz ` ?
dz 0 ` ?
,
ze
e
2 R
2 R
2
Z
2 Z 2
1 x 2
1
2 E X
x f pxq dx
x2 ? e 2 p q dx
2
R
R
Z
1 2
1
?
pr ` q2 e 2 r dr
2 R
Z
Z
Z
1 2
1 2
1 2
1 2
?
r2 e 2 r dr ` 2 e 2 r dr ` 2 re 2 r dr
2
R
R
R
Z
2 Z
1 2
1 2
2
?
r2 e 2 r dr ` ?
e 2 r dr ` 0
2 R
2 R
Z
2
1
?
2heh ? dh ` 2
2 R
2h
Z
Z
1
2
1
2
?
heh ? dh ` 2 ?
h 2 eh dh ` 2
R
R
h
2
? 2
Z
0
r
dx dr
r2
2 h
dr ?1 dr
2h
`
1
2
h 2 eh dh ` 2 ? 2 23 ` 2
`1
2
2
2
2 ` ` ,
y por lo tanto la varianza, como era de esperar

VarrXs E X 2 ErXs2 2 ` 2 2 2 ,
y la funcin caracterstica
itX Z itx 1
1 x 2
? e 2 p q dx
X ptq E e
e
2
R
Z
Z
1 2
eit
itz it ?1
12 z2
?
e
dz
eitz 2 z dz
e e
2
2 R
R
Z
Z
1
1 2 2
1
2
2
eit
1
?
e 2 pzitq dz ?
eit 2 t
e 2 pzitq dz
2 R
2
R
Z
2
it 21 t2 2 ?1
V2
it 12 t2 2
e
e
dV e
2 R
z
dx dz
zitV
1 2
y, por lo tanto, si X Np0, 1q, entonces X ptq e 2 t .

Observacin. Si X Np, q entonces la variable aleatoria Z
es una Np0, 1q.
59
i t 1 2
t2
1 2
Demostracin. Calculando la funcin caracterstica Z ptq eit e 2 2 e 2 t

Z Np0, 1q. Por lo tanto, si desconocemos PpX aq nos basta con convertirla a Z y tan
slo tabular los resultados para Np0, 1q:
PpX aq P
a
a
P Np0, 1q
Ejercicio 3.6. Obtener la media y la varianza a partir de la funcin caracterstica.
3.5.3 Distribucin gamma

27/11/2012
Definicin 3.39 (Distribucin gamma). Se dice que la variable aleatoria continua X sigue
una distribucin gamma de parmetros p 0 y a 0, y se expresa X pp, aq, si su
funcin de densidad es de la forma
$ p
& a eax x p1 x 0
f pxq ppq
%0
resto
Veamos primero que es una funcin de densidad:
Z
Z
R
f pxq dx
0
a p ax p1
dx
e x
ppq
ap
ppq
y p1 1
a
ap
1 1
dy
p1
a
ppq a
a
ppq
hkkkkkkkkkkkkkkkkj
axy
a dxdy
ey y p1 dy 1.
y ahora sus propiedades,

itX
X ptq E e
ap
ppq
ap
ppq
itx
f pxq dx
eitx
a p ax p1
e x
dx
ppq
x p1 expaitq dx
paitqxy
Z
0
y p1 y dy
e
a it
a it
ap
1
ppq pa itq p
60
Z
0
y p1 ey dy
a p
it p
1
,
a it
a
la esperanza
Z
ErXs
x f pxq dx
0
ap
ppq
Z
0
a p ax p1
ap
x
e x
dx
ppq
ppq
y p 1 y
1 1
e dy
a a
a ppq
E X
y la varianza
x f pxq dx
ap
ppq
Z
0
x p eax dx
axy
x p`1 eax dx
axy
y p ey dy
1 1
p
p ppq ,
a ppq
a
a p ax p`1
ap
e x
dx
ppq
ppq
Z
0
y p`1 y dy
1 1
p pp ` 1q
e
,
2
pp ` 2q
a
a
a ppq
a2
VarrXs 2 2 2 21
p
p2 ` p p2
2 2.
a2
a
a
Definicin 3.40 (Distribucin exponencial). Se dice que una variable aleatoria continua
X sigue una distribucin exponencial de parmetro 0 si su funcin de densidad es de
la forma
#
ex x 0
f pxq
y se escribe: Exppq pa , p 1q,
0
resto
que, por ser un caso particular de la funcin gamma, se tiene que la esperanza es
`
1
ErXs 1 , la varianza VarrXs 12 , y la funcin caracterstica X ptq 1 it
.
3.5.4 Distribucin beta
Definicin 3.41 (Funcin beta). Dados p, q 0, la funcin beta se define mediante

pp, qq
Z1
0
x p1 p1 xqq1 dx.
Proposicin 3.42. Propiedades de esta funcin:

a) Dados p, q 0, se cumple la igualdad
pp, qq
ppq pqq
.
pp ` qq
61
Demostracin. Una demostracin larga y tediosa...
Z
ppq pqq
0
Z
0
Z
t p1
e t
et t p1
t p1
e t
0
Z Z
dt
Z
Z
0
Z0
0
ey yq1 dy
y q1
e y
dy dt
tx q1 q1
ytx
dyt dx
t dx dt
etpx`1q t p`q1 x q1 dx dt
x
e
t
dt dx
0
Z0
Z
y p`q1 dy
q1
y
dx
x
e
1`x
1`x
0
0
Z
Z
x q1
y p`q1
e y
dy dx
p`q
0 p1 ` xq
0
0 0
Z
Z
q1
tpx`1q p`q1
tp1`xqy
p1`xq dtdy
x q1
pp ` qq dx
p1 ` xq p`q
pp ` qq
pp ` qq
Z1
0
Z1
0
yq
y ` 1 p
1y 1y
x
1`x y
1
dy
p1 yq2
yq1 p1 yq p1 dy pp ` qq pp, qq
y, de esta manera, tenemos que

pp, qq
b)
ppq pqq
pp ` qq
`1
` 1 2
1
,
2 2
2 .
Demostracin.
`1
1
2, 2
Z1
Observacin.
62
`1
1
2, 2
Z1
21
p1 xq
2y dy
a
y 1 y2
Z1
dx
? ?
x 1x
0
1

2 arc sen y
12
dx
p1{2q p1{2q
p1{2q
p1q
b `
?
12 , 21
?
y x
3 .6 Ta b l a s Bi n o m i a l , Po i s s o n y No r m a l
Definicin 3.43 (Distribucin beta). Se dice que la variable aleatoria X sigue una distribuin beta de parmetros p 0 y q 0 si su funcin de densidad es de la forma
$
& 1 x p1 p1 xqq1 x P p0, 1q

f pxq pp, qq
%0
resto
Veamos sus propiedades:
La media
Z
1
ErXs x f pxq dx
pp,
qq
R
1
pp, qq
Z1
x x p1 p1 xqq1 dx
Z1
pp`1q1
p1 xq
q1
pp ` 1, qq
dx
pp, qq
pp`1qpqq
pp`q`1q
ppqpqq
pp`qq
p ppq pp ` qq
p
,
ppq pp ` qq pp ` qq
p`q
1
Z
2 Z 2
2 E X x f pxq dx x2
R
pp ` 2, qq
pp, qq
1
x p1 p1 xqq1 dx
pp, qq
0
pp`2q
pp`q`2q
ppq
pp`qq
y la varianza
2 VarrXs 2 2 21
pp ` 1q p
,
pp ` q ` 1q pp ` qq
p 2
p pp ` 1q
pq
.
2
pp ` q ` 1q pp ` qq
p`q
pp ` qq pp ` q ` 1q
3.6 Tablas Binomial, Poisson y Normal

Nota. Cuando no aparece un nmero en la tabla es que su valor es menor que 0.00005.
63
Tabla 1
Distribucin Binomial (Bpn, pq)

n k nk
Pp kq
p q
k
p
n
0.01
0.05
0.10
0.15
0.20
0.25
0.30
1{3
0.35
0.40
0.45
0.49
0.50
0
1
2
0.9801
0.0198
0.0001
0.9025
0.0950
0.0025
0.8100
0.1800
0.0100
0.7225
0.2550
0.0225
0.6400
0.3200
0.0400
0.5625
0.3750
0.0625
0.4900
0.4200
0.0900
0.4444
0.4444
0.1111
0.4225
0.4550
0.1225
0.3600
0.4800
0.1600
0.3025
0.4950
0.2025
0.2601
0.4998
0.2401
0.2500
0.5000
0.2500
0
1
2
3
0.9703
0.0294
0.0003
0.8574
0.1354
0.0071
0.0001
0.7290
0.2430
0.0270
0.0010
0.6141
0.3251
0.0574
0.0034
0.5120
0.3840
0.0960
0.0080
0.4219
0.4219
0.1406
0.0156
0.3430
0.4410
0.1890
0.0270
0.2963
0.4444
0.2222
0.0370
0.2746
0.4436
0.2389
0.0429
0.2160
0.4320
0.2880
0.0640
0.1664
0.4084
0.3341
0.0911
0.1326
0.3823
0.3674
0.1177
0.1250
0.3750
0.3750
0.1250
0
1
2
3
4
0.9606
0.0388
0.0006
0.8145
0.1715
0.0135
0.0005
0.6561
0.2916
0.0486
0.0036
0.0001
0.5220
0.3685
0.0975
0.0115
0.0005
0.4096
0.4096
0.1536
0.0256
0.0016
0.3164
0.4219
0.2109
0.0469
0.0039
0.2401
0.4116
0.2646
0.0756
0.0081
0.1975
0.3951
0.2963
0.0988
0.0123
0.1785
0.3845
0.3105
0.1115
0.0150
0.1296
0.3456
0.3456
0.1536
0.0256
0.0915
0.2995
0.3675
0.2005
0.0410
0.0677
0.2600
0.3747
0.2400
0.0577
0.0625
0.2500
0.3750
0.2500
0.0625
0
1
2
3
4
5
0.9510
0.0480
0.0010
0.7738
0.2036
0.0214
0.0011
0.5905
0.3281
0.0729
0.0081
0.0004
0.4437
0.3915
0.1382
0.0244
0.0022
0.0001
0.3277
0.4096
0.2048
0.0512
0.0064
0.0003
0.2373
0.3955
0.2637
0.0879
0.0147
0.0010
0.1681
0.3602
0.3087
0.1323
0.0284
0.0024
0.1317
0.3292
0.3292
0.1646
0.0412
0.0041
0.1160
0.3124
0.3364
0.1812
0.0488
0.0053
0.0778
0.2592
0.3456
0.2304
0.0768
0.0102
0.0503
0.2059
0.3369
0.2757
0.1128
0.0185
0.0345
0.1657
0.3185
0.3060
0.1470
0.0282
0.0313
0.1563
0.3125
0.3125
0.1563
0.0313
0
1
2
3
4
5
6
0.9415
0.0571
0.0014
0.7351
0.2321
0.0306
0.0021
0.0001
0.5315
0.3543
0.0984
0.0146
0.0012
0.0001
0.3772
0.3993
0.1762
0.0415
0.0055
0.0004
0.2622
0.3932
0.2458
0.0819
0.0154
0.0015
0.0001
0.1780
0.3560
0.2966
0.1318
0.0330
0.0044
0.0002
0.1177
0.3025
0.3241
0.1852
0.0595
0.0102
0.0007
0.0878
0.2634
0.3292
0.2195
0.0823
0.0165
0.0014
0.0754
0.2437
0.3280
0.2355
0.0951
0.0205
0.0018
0.0467
0.1866
0.3110
0.2765
0.1382
0.0369
0.0041
0.0277
0.1359
0.2780
0.3032
0.1861
0.0609
0.0083
0.0176
0.1014
0.2437
0.3121
0.2249
0.0864
0.0138
0.0156
0.0938
0.2344
0.3125
0.2344
0.0938
0.0156
0
1
2
3
4
5
6
7
0.9321
0.0659
0.0020
0.6983
0.2573
0.0406
0.0036
0.0002
0.4783
0.3720
0.1240
0.0230
0.0026
0.0002
0.3206
0.3960
0.2097
0.0617
0.0109
0.0012
0.0001
0.2097
0.3670
0.2753
0.1147
0.0287
0.0043
0.0004
0.1335
0.3115
0.3115
0.1730
0.0577
0.0115
0.0013
0.0001
0.0824
0.2471
0.3177
0.2269
0.0972
0.0250
0.0036
0.0002
0.0585
0.2049
0.3073
0.2561
0.1280
0.0384
0.0064
0.0005
0.0490
0.1848
0.2985
0.2679
0.1442
0.0466
0.0084
0.0006
0.0280
0.1306
0.2613
0.2903
0.1935
0.0774
0.0172
0.0016
0.0152
0.0872
0.2140
0.2919
0.2388
0.1172
0.0320
0.0037
0.0090
0.0604
0.1740
0.2786
0.2677
0.1543
0.0494
0.0068
0.0078
0.0547
0.1641
0.2734
0.2734
0.1641
0.0547
0.0078
0
1
2
3
4
5
6
7
8
0.9227
0.0746
0.0026
0.0001
0.6634
0.2793
0.0515
0.0054
0.0004
0.4305
0.3826
0.1488
0.0331
0.0046
0.0004
0.2725
0.3847
0.2376
0.0839
0.0185
0.0026
0.0002
0.1678
0.3355
0.2936
0.1468
0.0459
0.0092
0.0011
0.0001
0.1001
0.2670
0.3115
0.2076
0.0865
0.0231
0.0039
0.0004
0.0577
0.1977
0.2965
0.2541
0.1361
0.0467
0.0100
0.0012
0.0001
0.0390
0.1561
0.2731
0.2731
0.1707
0.0683
0.0171
0.0024
0.0002
0.0319
0.1373
0.2587
0.2786
0.1875
0.0808
0.0217
0.0033
0.0002
0.0168
0.0896
0.2090
0.2787
0.2322
0.1239
0.0413
0.0079
0.0007
0.0084
0.0548
0.1570
0.2568
0.2627
0.1719
0.0703
0.0165
0.0017
0.0046
0.0352
0.1183
0.2273
0.2730
0.2098
0.1008
0.0277
0.0033
0.0039
0.0313
0.1094
0.2188
0.2734
0.2188
0.1094
0.0313
0.0039
0
1
2
3
4
5
6
7
8
9
0.9135
0.0831
0.0034
0.0001
0.6303
0.2985
0.0629
0.0077
0.0006
0.3874
0.3874
0.1722
0.0447
0.0075
0.0008
0.0001
0.2316
0.3679
0.2597
0.1069
0.0283
0.0050
0.0006
0.0001
0.1342
0.3020
0.3020
0.1762
0.0661
0.0165
0.0028
0.0003
0.0751
0.2253
0.3003
0.2336
0.1168
0.0389
0.0087
0.0012
0.0001
0.0404
0.1557
0.2668
0.2668
0.1715
0.0735
0.0210
0.0039
0.0004
0.0260
0.1171
0.2341
0.2731
0.2049
0.1024
0.0342
0.0073
0.0009
0.0001
0.0207
0.1004
0.2162
0.2716
0.2194
0.1181
0.0424
0.0098
0.0013
0.0001
0.0101
0.0605
0.1612
0.2508
0.2508
0.1672
0.0743
0.0212
0.0035
0.0003
0.0046
0.0339
0.1110
0.2119
0.2600
0.2128
0.1160
0.0407
0.0083
0.0008
0.0023
0.0202
0.0776
0.1739
0.2506
0.2408
0.1542
0.0635
0.0153
0.0016
0.0020
0.0176
0.0703
0.1641
0.2461
0.2461
0.1641
0.0703
0.0176
0.0020
10
0
1
2
3
4
5
6
7
8
9
10
0.9044
0.0914
0.0042
0.0001
0.5987
0.3151
0.0746
0.0105
0.0010
0.0001
0.3487
0.3874
0.1937
0.0574
0.0112
0.0015
0.0001
0.1969
0.3474
0.2759
0.1298
0.0401
0.0085
0.0013
0.0001
0.1074
0.2684
0.3020
0.2013
0.0881
0.0264
0.0055
0.0008
0.0001
0.0563
0.1877
0.2816
0.2503
0.1460
0.0584
0.0162
0.0031
0.0004
0.0282
0.1211
0.2335
0.2668
0.2001
0.1029
0.0368
0.0090
0.0015
0.0001
0.0174
0.0867
0.1951
0.2601
0.2276
0.1366
0.0569
0.0163
0.0031
0.0003
0.0135
0.0725
0.1757
0.2522
0.2377
0.1536
0.0689
0.0212
0.0043
0.0005
0.0060
0.0403
0.1209
0.2150
0.2508
0.2007
0.1115
0.0425
0.0106
0.0016
0.0001
0.0025
0.0207
0.0763
0.1665
0.2384
0.2340
0.1596
0.0746
0.0229
0.0042
0.0003
0.0012
0.0114
0.0495
0.1267
0.2130
0.2456
0.1966
0.1080
0.0389
0.0083
0.0008
0.0010
0.0098
0.0440
0.1172
0.2051
0.2461
0.2051
0.1172
0.0440
0.0098
0.0010
0.01
0.05
0.10
0.15
0.20
0.25
0.30
1{3
0.35
0.40
0.45
0.49
0.50
Tabla 2
Distribucin de Poisson (Ppq)
Pp kq
k
e
k!
0.1
0.2
0.3
0.4
0.5
0.9050
0.8189
0.7410
0.6705
0.6066
0.0905
0.1638
0.2223
0.2682
0.3033
0.0045
0.0164
0.0333
0.0536
0.0758
0.0002
0.0011
0.0033
0.0072
0.0126
0.0001
0.0002
0.0007
0.0016
0.0001
0.0002
0.6
0.7
0.8
0.9
1.0
0.5489
0.4967
0.4494
0.4067
0.3679
0.3294
0.3477
0.3595
0.3660
0.3679
0.0988
0.1217
0.1438
0.1647
0.1839
0.0198
0.0284
0.0384
0.0494
0.0613
0.0030
0.0050
0.0077
0.0111
0.0153
1.1
1.2
1.3
1.4
1.5
0.3330
0.3013
0.2726
0.2467
0.2231
0.3663
0.3615
0.3543
0.3453
0.3347
0.2015
0.2169
0.2303
0.2417
0.2510
0.0739
0.0868
0.0998
0.1128
0.1255
1.6
1.7
1.8
1.9
2.0
0.2019
0.1827
0.1653
0.1495
0.1353
0.3231
0.3107
0.2976
0.2841
0.2707
0.2585
0.2641
0.2678
0.2699
0.2707
2.2
2.4
2.6
2.8
3.0
0.1108
0.0907
0.0743
0.0608
0.0498
0.2438
0.2177
0.1931
0.1703
0.1494
3.2
3.4
3.6
3.8
4.0
0.0408
0.0334
0.0273
0.0224
0.0183
5.0
6.0
7.0
8.0
9.0
10.0
0.0067
0.0025
0.0009
0.0003
0.0001
0.0001
10
11
12
0.0004
0.0007
0.0012
0.0020
0.0031
0.0001
0.0002
0.0003
0.0005
0.0001
0.0001
0.0203
0.0260
0.0324
0.0395
0.0471
0.0045
0.0062
0.0084
0.0111
0.0141
0.0008
0.0013
0.0018
0.0026
0.0035
0.0001
0.0002
0.0003
0.0005
0.0008
0.0001
0.0001
0.0001
0.1379
0.1496
0.1607
0.1709
0.1804
0.0552
0.0636
0.0723
0.0812
0.0902
0.0176
0.0216
0.0260
0.0309
0.0361
0.0047
0.0061
0.0078
0.0098
0.0120
0.0011
0.0015
0.0020
0.0027
0.0034
0.0002
0.0003
0.0005
0.0006
0.0009
0.0001
0.0001
0.0001
0.0001
0.0002
0.0001
0.2682
0.2613
0.2511
0.2384
0.2240
0.1967
0.2090
0.2176
0.2225
0.2240
0.1082
0.1254
0.1414
0.1558
0.1680
0.0476
0.0602
0.0736
0.0872
0.1008
0.0175
0.0241
0.0319
0.0407
0.0504
0.0055
0.0083
0.0118
0.0163
0.0216
0.0015
0.0025
0.0039
0.0057
0.0081
0.0004
0.0007
0.0011
0.0018
0.0027
0.0001
0.0002
0.0003
0.0005
0.0008
0.0001
0.0001
0.0002
0.0001
0.1305
0.1135
0.0984
0.0850
0.0733
0.2087
0.1929
0.1771
0.1615
0.1465
0.2226
0.2186
0.2125
0.2046
0.1953
0.1781
0.1859
0.1913
0.1944
0.1953
0.1140
0.1264
0.1377
0.1477
0.1563
0.0608
0.0716
0.0826
0.0936
0.1042
0.0278
0.0348
0.0425
0.0508
0.0595
0.0111
0.0148
0.0191
0.0241
0.0298
0.0040
0.0056
0.0076
0.0102
0.0132
0.0013
0.0019
0.0028
0.0039
0.0053
0.0004
0.0006
0.0009
0.0013
0.0019
0.0001
0.0002
0.0003
0.0004
0.0006
0.0337
0.0149
0.0064
0.0027
0.0011
0.0005
0.0842
0.0446
0.0223
0.0107
0.0050
0.0023
0.1404
0.0892
0.0521
0.0286
0.0150
0.0076
0.1755
0.1338
0.0912
0.0572
0.0337
0.0189
0.1755
0.1606
0.1277
0.0916
0.0607
0.0378
0.1462
0.1606
0.1490
0.1221
0.0911
0.0630
0.1044
0.1377
0.1490
0.1396
0.1171
0.0901
0.0653
0.1032
0.1304
0.1396
0.1317
0.1126
0.0363
0.0688
0.1014
0.1241
0.1317
0.1251
0.0181
0.0413
0.0710
0.0992
0.1186
0.1251
0.0082
0.0225
0.0452
0.0722
0.0970
0.1137
0.0034
0.0113
0.0264
0.0481
0.0728
0.0948
12
13
14
15
16
17
18
19
20
21
22
23
24
5.0
6.0
7.0
8.0
9.0
10.0
0.0034
0.0113
0.0264
0.0481
0.0728
0.0948
0.0013
0.0052
0.0142
0.0296
0.0504
0.0729
0.0005
0.0022
0.0071
0.0169
0.0324
0.0521
0.0002
0.0009
0.0033
0.0090
0.0194
0.0347
0.0001
0.0003
0.0015
0.0045
0.0109
0.0217
0.0001
0.0006
0.0021
0.0058
0.0128
0.0001
0.0002
0.0010
0.0029
0.0071
0.0001
0.0004
0.0014
0.0037
0.0002
0.0006
0.0019
0.0001
0.0003
0.0009
0.0001
0.0004
0.0001
0.0002
0.0001
Tabla 3
Distribucin Normal (Np0, 1q)
z2
1
?
e 2 dz
2
0.0
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.1
0.2
0.3
0.4
0.5000
0.4602
0.4207
0.3821
0.3446
0.4960
0.4562
0.4168
0.3783
0.3409
0.4920
0.4522
0.4129
0.3745
0.3372
0.4880
0.4483
0.4090
0.3707
0.3336
0.4840
0.4443
0.4052
0.3669
0.3300
0.4801
0.4404
0.4013
0.3632
0.3264
0.4761
0.4364
0.3974
0.3594
0.3228
0.4721
0.4325
0.3936
0.3557
0.3192
0.4681
0.4286
0.3897
0.3520
0.3156
0.4641
0.4247
0.3859
0.3483
0.3121
0.5
0.6
0.7
0.8
0.9
0.3085
0.2743
0.2420
0.2119
0.1841
0.3050
0.2709
0.2389
0.2090
0.1814
0.3015
0.2676
0.2358
0.2061
0.1788
0.2981
0.2643
0.2327
0.2033
0.1762
0.2946
0.2611
0.2296
0.2005
0.1736
0.2912
0.2578
0.2266
0.1977
0.1711
0.2877
0.2546
0.2236
0.1949
0.1685
0.2843
0.2514
0.2206
0.1922
0.1660
0.2810
0.2483
0.2177
0.1894
0.1635
0.2776
0.2451
0.2148
0.1867
0.1611
1.0
1.1
1.2
1.3
1.4
0.1587
0.1357
0.1151
0.0968
0.0808
0.1562
0.1335
0.1131
0.0951
0.0793
0.1539
0.1314
0.1112
0.0934
0.0778
0.1515
0.1292
0.1093
0.0918
0.0764
0.1492
0.1271
0.1075
0.0901
0.0749
0.1469
0.1251
0.1056
0.0885
0.0735
0.1446
0.1230
0.1038
0.0869
0.0721
0.1423
0.1210
0.1020
0.0853
0.0708
0.1401
0.1190
0.1003
0.0838
0.0694
0.1379
0.1170
0.0985
0.0823
0.0681
1.5
1.6
1.7
1.8
1.9
0.0668
0.0548
0.0446
0.0359
0.0287
0.0655
0.0537
0.0436
0.0351
0.0281
0.0643
0.0526
0.0427
0.0344
0.0274
0.0630
0.0516
0.0418
0.0336
0.0268
0.0618
0.0505
0.0409
0.0329
0.0262
0.0606
0.0495
0.0401
0.0322
0.0256
0.0594
0.0485
0.0392
0.0314
0.0250
0.0582
0.0475
0.0384
0.0307
0.0244
0.0571
0.0465
0.0375
0.0301
0.0239
0.0559
0.0455
0.0367
0.0294
0.0233
2.0
2.1
2.2
2.3
2.4
0.0228
0.0179
0.0139
0.01072
0.00820
0.0222
0.0174
0.0136
0.01044
0.00798
0.0217
0.0170
0.0132
0.01017
0.00776
0.0212
0.0166
0.0129
0.00990
0.00755
0.0207
0.0162
0.0125
0.00964
0.00734
0.0202
0.0158
0.0122
0.00939
0.00714
0.0197
0.0154
0.0119
0.00914
0.00695
0.0192
0.0150
0.0116
0.00889
0.00676
0.0188
0.0146
0.0113
0.00866
0.00657
0.0183
0.0143
0.0110
0.00842
0.00639
2.5
2.6
2.7
2.8
2.9
0.00621
0.00466
0.00347
0.00256
0.00187
0.00604
0.00453
0.00336
0.00248
0.00181
0.00587
0.00440
0.00326
0.00240
0.00175
0.00570
0.00427
0.00317
0.00233
0.00169
0.00554
0.00415
0.00307
0.00226
0.00164
0.00539
0.00402
0.00298
0.00219
0.00159
0.00523
0.00391
0.00289
0.00212
0.00154
0.00508
0.00379
0.00280
0.00205
0.00149
0.00494
0.00368
0.00272
0.00199
0.00144
0.00480
0.00357
0.00264
0.00193
0.00139
3.0
3.1
3.2
3.3
3.4
0.00135
9.68E04
6.87E04
4.83E04
3.37E04
0.00131
9.35E04
6.64E04
4.66E04
3.25E04
0.00126
9.04E04
6.41E04
4.50E04
3.13E04
0.00122
8.74E04
6.19E04
4.34E04
3.02E04
0.00118
8.45E04
5.98E04
4.19E04
2.91E04
0.00114
8.16E04
5.77E04
4.04E04
2.80E04
0.00111
7.89E04
5.57E04
3.90E04
2.70E04
0.00107
7.62E04
5.38E04
3.76E04
2.60E04
0.00104
7.36E04
5.19E04
3.62E04
2.51E04
0.00100
7.11E04
5.01E04
3.49E04
2.42E04
3.5
3.6
3.7
3.8
3.9
2.33E04
1.59E04
1.08E04
7.23E05
4.81E05
2.24E04
1.53E04
1.04E04
6.95E05
4.61E05
2.16E04
1.47E04
9.96E05
6.67E05
4.43E05
2.08E04
1.42E04
9.57E05
6.41E05
4.25E05
2.00E04
1.36E04
9.20E05
6.15E05
4.07E05
1.93E04
1.31E04
8.84E05
5.91E05
3.91E05
1.85E04
1.26E04
8.50E05
5.67E05
3.75E05
1.78E04
1.21E04
8.16E05
5.44E05
3.59E05
1.72E04
1.17E04
7.84E05
5.22E05
3.45E05
1.65E04
1.12E04
7.53E05
5.01E05
3.30E05
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
2.0
3.0
4.0
5.0
6.0
0.15866
0.02275
1.35E03
3.17E05
2.87E07
9.87E10
0.13567
0.01786
9.68E04
2.07E05
1.70E07
5.30E10
0.11507
0.01390
6.87E04
1.33E05
9.96E08
2.82E10
0.09680
0.01072
4.83E04
8.54E06
5.79E08
1.49E10
0.08076
0.00820
3.37E04
5.41E06
3.33E08
7.77E11
0.06681
0.00621
2.33E04
3.40E06
1.90E08
4.02E11
0.05480
0.00466
1.59E04
2.11E06
1.07E08
2.06E11
0.04457
0.00347
1.08E04
1.30E06
5.99E09
1.04E11
0.03593
0.00256
7.23E05
7.93E07
3.32E09
5.23E12
0.02872
0.00187
4.81E05
4.79E07
1.82E09
2.60E12
3.7 Ejercicios
Hoja 3 Variables
aleatorias unidimensionales
1.- Sean C P(2 ) y f : 1 2 una aplicacion.
(1.a) Demostrar que f 1 (Ac ) = (f 1 (A))c , f 1 (iI Ai ) = iI f 1 (Ai ) y
f 1 (iI Ai ) = iI f 1 (Ai ).
(1.b) Demostrar que (f 1 (C)) = f 1 ((C)).
2.- Sea una urna con 3 bolas blancas, 2 negras y 1 verde. Se extraen 3 bolas
al azar y se considera definida como el n
umero de bolas blancas extradas.
Construir la funcion de probabilidad inducida por y su funcion de distribucion.
3.- Sea el espacio muestral asociado al lanzamiento de una moneda equilibrada
en tres ocasiones, con puntos muestrales denotados por ijk con i, j, k {C, X}.
Sea
A = {, A1 , A2 , A3 , A1 A2 , A1 A3 , A2 A3 , A1 A2 A3 }
una -algebra sobre P(), donde A1 = {ccx , cxc }, A2 = (A1 A3 ) y
A3 = {xxx }. Sea X() el n
umero de caras obtenidas en el resultado .
Estudiar si X es una variable aleatoria.
4.- Sean = ZZ+ , A = P() y P ({}) = 2 , . Se define ()
como el resto de (modulo k). Demostrar que es una variable aleatoria y
determinar los valores P ( = r), para r {0, 1, ..., k 1}.
+
5.R Sea f : IR IR = [0, ) una funci
R x on Riemann-integrable tal que
f
(u)du
=
1.
Demostrar
que
F
(x)
=
f (u)du define una funcion de
distribucion absolutamente continua.
6.- La duracion T de las conferencias telefonicas en una central es una variable

aleatoria con funcion de densidad
ekt , si t > 0,
f (t) =
(k > 0)
0,
si t 0.
10
67
(6.a) Calcular para que f sea funcion de densidad.

(6.b) Si 1/k = 2 minutos, calcular la probabilidad de que una conversacion
dure mas de 3 minutos.
(6.c) Probabilidad de que una conversacion dure entre 3 y 6 minutos.
7.- Sea F la funcion definida por
si x < 1/3,
0,
x21 , si 1/3 x < ,
F (x) =
1,
si x.
(7.a) Determinar los valores de para que F sea funcion de distribucion.

(7.b) Determinar para que F sea discreta. Analogo para el caso absolutamente continuo.
1
(7.c) Calcular P (lim inf An ) y P (lim sup An ) cuando An = 13 + 3n+1
, .
8.- Sea
F (x) =
0,
(x + 1)/10,
1/3 + (x 3/2)/3,
1,
si
si
si
si
x < 1,
1 x < 3/2,
3/2 x < 5/2,
5/2 x.
(8.a) Comprobar que F es funcion de distribucion. Determinar las funciones

de distribucion F1 discreta y F2 absolutamente continua tales que F (x) =
F1 (x) + (1 )F2 (x), x IR.
(8.b) Evaluar PF (Q
I ) y PF (IR Q
I ).
(8.c) Dada la sucesion de subconjuntos
1
5n + 2
A2n1 =
,
,
n+1 n+1
4n + 3 8n + 1
A2n =
,
,
n
n+1
se pide evaluar P (lim inf An ) y P (lim sup An ).
9.- Demostrar que la funcion
0,
si x < 0,
F (x) =
1 2x1 2[x]1 , si x 0,
es una funcion de distribucion de tipo mixto, donde [x] denota la parte entera
de x.
11
68
10.- Sea la funcion de densidad de una variable aleatoria X con distribucion

Cauchy
fX (x) =
1 1
,
1 + x2
x IR.
Determinar la distribucion de la variable aleatoria Y = 3X + 1.

11.- Sea X una variable aleatoria con funcion
0,
0.2(x + 1),
0.3,
F (x) =
0.3 + 2(x 0.5)2 ,
0.9 + 0.2(x 1),
1,
de distribucion
si
si
si
si
si
si
x < 1,
1 x < 0,
0 x < 1/2,
1/2 x < 1,
1 x < 3/2,
3/2 x.
(11.a) Comprobar que F es funcion de distribucion. Determinar las funciones

de distribucion F1 discreta y F2 absolutamente continua tales que F (x) =
F1 (x) + (1 )F2 (x), x IR.
(11.b) Determinar la distribucion de Y = |X|.
12.- Sea X una variable aleatoria exponencial de tasa = 1. Se define Y = X 2
si 0 X < 2, Y = 4 si 2 X < 3, Y = 4(X 4) si 3 X < 4, e Y = 0 si
4 X. Determinar la distribucion de Y .
13.- Sea X una variable aleatoria discreta con soporte DX y funcion de masa
pX . Sean g : IR IR una funcion medible e Y = g(X) la variable aleatoria
transformada. Demostrar que Y es una variable aleatoria discreta con soporte
DY = g(DX ) y funcion de masa
X
pY (y) =
pX (x), si y DY .
{xIR:g(x)=y}DX
14.- Sea (IR, , P ) un espacio de probabilidad, siendo P la medida de probabilidad relativa a la funcion de distribucion
si x < 3,
0,
x+3
,
si 3 x < 1,
F (x) =
4
1,
si x 1.
Sean las variables aleatorias 1 = X 2 , 2 = X 3 y 3 = eX , supuesto que X es
una variable aleatoria con funcion de distribucion F . Calcular las funciones de
distribucion inducidas por cada una de ellas.
15.- Sea X una variable aleatoria con funcion de densidad
kx + 21 , si x [1, 1] ,
f (x) =
0,
en caso contrario.
12
69
(15.a) Determinar los valores de k tales que f es una funcion de densidad.

(15.b) Calcular la esperanza, la moda y la mediana de X.
(15.c) Para que valores de k es maxima la varianza de X?
16.- Sea X una variable aleatoria con funcion de distribucion
si x < 0,
0,
1+2x2
F (x) =
,
si 0 x < 1,
6
1,
si x 1.
Calcular E[X] y V ar(X).
17.- Sea
f (x) =
1, si 0 < x < 1,
0, en caso contrario.
la funcion de densidad de una variable aleatoria X y sea Y = 2 ln X. Calcular

la distribucion de Y .
18.(18.a) Determinar la funcion generatriz de momentos de una variable aleatoria
1
X discreta con momentos E[X n ] = n+1
.
(18.b) Determinar la funcion generatriz de momentos de una variable aleatoria
X uniforme sobre el intervalo (a, b).
(18.c) Se sabe que la funcion generatriz de momentos de una variable aleatoria
X discreta viene dada por
M (t) =
1
,
1 et
(0, 1).
Determinar la funcion de masa de X.

19.- Dada la funcion
(t) =
1
,
2 eit
se pide:
(19.a) Comprobar que es la funcion caracterstica de una variable aleatoria
X discreta y hallar la funcion de masa, la media y la varianza de X.
(19.b) Escribir la funcion caracterstica de Y = 1 + 2X, as como su media y
su varianza.
(19.c) Si Y1 = (Y +2)2 e Y2 = X 2 +5, calcular P (Y1 [10, 50]) y P (Y2 [6, 10]).
13
70
20.- Determinar la funcion caracterstica de las variables aleatorias que cumplen:

(20.a) Toda la probabilidad esta concentrada en un punto.
(20.b) Toda la probabilidad esta concentrada en n puntos.
21.- Demostrar que (t) =
aleatoria.
sent
t
es la funcion caracterstica de una variable
22.- El porcentaje de piezas defectuosas fabricadas por una maquina es el 4%.

Las piezas se empaquetan en lotes de 100. El cliente rechaza el lote si contiene
mas de dos piezas defectuosas. Calcular el porcentaje de lotes rechazados que
puede esperar el fabricante si el proceso de fabricacion no ha sufrido modificaciones.
23.- En dos grupos de segundo a
no de carrera se ha medido el coeficiente de
inteligencia de los alumnos. En el grupo A la media fue 100 y la desviacion
tpica 10, mientras que en el grupo B estas medidas fueron 105 y 12, respectivamente. Supongamos que ambos grupos tienen el mismo n
umero de alumnos.
Se escoge un alumno al azar y se comprueba que su coeficiente es mayor que
120. Calcular, suponiendo normalidad, la probabilidad de que el citado alumno
pertenezca al grupo B.
14
71
4 Variables aleatorias multidimensionales

4.1 Funcin de distribucin en R2
Definicin 4.1 (-lgebra de Borel en R2 ). Se denomina -lgebra de Borel en R2 , BpR2 q,
a la mnima -lgebra engendrada por todos los subconjuntos de R2 de la forma
(
p, a1 s p, a2 s px1 , x2 q P R2 | x1 a1 , x2 a2
(4.1)
con a1 , a2 P R.
Observacin. Dados a pa1 , a2 q y b pb1 , b2 q, definimos

a) pa, bs tpx1 , x2 q P R2 | ai xi bi ,
i 1, 2u,
b) pa, bq tpx1 , x2 q P
R2
| a i x i bi ,
i 1, 2u,
c) ra, bs tpx1 , x2 q P
R2
| a i x i bi ,
i 1, 2u,
d) ra, bq tpx1 , x2 q P R2 | ai xi bi ,
i 1, 2u,
e) p, bs tpx1 , x2 q P
R2
| x i bi ,
i 1, 2u,
f) pa, `q tpx1 , x2 q P R2 | ai xi ,
i 1, 2u,
g) ra, `q tpx1 , x2 q P
R2
| ai xi ,
i 1, 2u,
h) tA | A es abierto en R2 u, y
i) tA | A es cerrado en R2 u.
De esta manera, el mnimo sigma lgebra engendrado por la clase de estos subconjuntos
es tambin el sigma lgebra de Borel en R2 : puno de esos conjuntosq BpR2 q.
Definicin 4.2 (Funcin de distribucin en R2 ). Dado el espacio de probabilidad de la
forma pR2 , BpR2 q, Pq se denomina funcin de distribucin asociada a P a la funcin
FP : R2 r0, 1s
pa1 , a2 q a FP paq FP pa1 , a2 q Ppp, a1 s p, a2 sq
`
(
P px1 , x2 q P R2 | xi ai i 1, 2
y
La funcin de distribucin nos da la probabilidad en

el cuadrante inferior izquierdo. Se representa de la
siguiente manera en el plano complejo:
FP pa1 , a2 q
(4.2)
pa1 , a2 q
73
29/11/2012
4 Varia b l e s a l e at o r i a s m u lt i d i m e n s i o na l e s
Proposicin 4.3. Propiedades.
a) FP es montona no decreciente en cada una de sus variables
FP pa1 ` h, a2 q FP pa1 , a2 q
h 0,
(y anlogo en el otro caso).

Demostracin.
`
(
FP pa1 ` h, a2 q P px1 , x2 q P R2 | x1 a1 ` h, x2 a2
`
(
P px1 , x2 q P R2 | x1 a1 , x2 a2
`
(
` P px1 , x2 q P R2 | a1 x1 a1 ` h, x2 a2
FP pa1 , a2 q
b) ai
i 1, 2 FP pa1 , a2 q 1.
Demostracin.
FP p`, `q lim FP pa1 , a2 q lim FP pn, nq
a1 ,a2
n
`
(
lim P px1 , x2 q P R2 | x1 n, x2 n
n
y como tp, ns p, nsu, tenemos que
\
`
P lim tp, ns p, nsu P

p, ns p, ns
n
n1
PpR2 q 1
c) Si a1 y a2 permanece fijo (anlogo en el otro caso), entonces FP pa1 , a2 q 0.

Demostracin.
FP p, a2 q lim FP pa1 , a2 q lim FP pn, a2 q
a1
n
`
(
lim P px1 , x2 q P R2 | x1 n, x2 a2
n
`
(
lim P px1 , x2 q P R2 | x1 n, x2 a2
n
y como tp, ns p, a2 su, se tiene que
`
(
P lim px1 , x2 q P R2 | x1 n, x2 a2
n
\
pp, ns p, a2 sq Ppq 0
P
n1
74
4 .1 Fu n c i n d e d i s t r i b u c i n e n R2
d) F es continua a la derecha en cada una de sus variables.
Demostracin.
1
lim FP pa1 ` h, a2 q lim FP a1 ` , a2
n
n
h0
(
`
2
lim P px1 , x2 q P R | x1 a1 ` n1 , x2 a2
n
`
(
lim P px1 , x2 q P R2 | x1 a1 , x2 a2
n
`
(
` P px1 , x2 q P R2 | a1 x1 a1 ` n1 , x2 a2
(
FP pa1 , a2 q ` P lim px1 , x2 q P R2 | a1 x1 a1 ` n1 , x2 a2
n
FP pa1 , a2 q
Se demuestra de manera anloga para el otro caso.

Definicin 4.4 (Operador diferencia). Dada la funcin G : R2 R y dados a pa1 , a2 q,
b pb1 , b2 q con a1 b1 y a2 b2 , definimos
b1 ,a1 Gpx1 , x2 q Gpb1 , x2 q Gpa1 , x2 q
b2 ,a2 Gpx1 , x2 q Gpx1 , b2 q Gpx1 , a2 q
y, con esto, definimos el operador diferencia como
b,a Gpx1 , x2 q b1 ,a1 b2 ,a2 Gpx1 , x2 q
b1 ,a1 pGpx1 , b2 q Gpx1 , a2 qq
Gpb1 , b2 q Gpb1 , a2 q Gpa1 , b2 q ` Gpa1 , a2 q.
(4.3)
e) Dados a pa1 , a2 q y b pb1 , b2 q en R2 , a1 b1 y a2 b2 se verifica que

b,a FP px1 , x2 q 0.
b2
a2
A
a1 b1
Demostracin.
b,a FP px1 , x2 q FP pb1 , b2 q FP pb1 , a2 q FP pa1 , b2 q ` FP pa1 , a2 q
`
(
P px1 , x2 q P R2 | a1 x1 b1 & a2 x2 b2 PpAq 0.
Ejercicio 4.1. Se considera la funcin

$
x2ey2
&1
Fpx, yq 0 (x 1 e y 1) (x 0 y 0)
%3
{4 resto
75
Comprobar que es continua a la derecha en cada variable, F no es decreciente en cada
variable, que cuando x1 y x2 tienden a , la funcin tiende a 1 y, por ltimo, que cuando
x1 x2 , la P 0. Como se comprueba, las propiedades se verifican, pero
b,a Fpx1 , x2 q Fp2, 2q Fp2, 0q Fp0, 2q ` Fp0, 0q 0.
Por lo que F no es funcin de distribucin.
03/12/2012
Definicin 4.5. Una funcin F : R2 r0, 1s es una funcin de distribucin si se verifica:

a) F es montona no decreciente en cada una de las variables.
b) Fp, q 1.
c) Fpa1 , a2 q 0 si ai y la otra es constante.
d) Es continua a la derecha en cada una de las variables.
e) b,a Fpx1 , x2 q 0. Razn por la que la funcin F del Ejercicio (4.1) no es funcin de
distribucin.
Teorema 4.6. Dada F : R2 r0, 1s verificando todas las propiedades de la Definicin
4.5, existe una nica medida de probabilidad P sobre pR2 , BpR2 qq tal que la funcin de
distribucin asociada a P, FP , coincide con F.
4.1.1 Concepto de variable bidimensional. Propiedades

Definicin 4.7 (Variable aleatoria bidimensional). Sea p, Aq un espacio probabilizable y
BpR2 q la -lgebra de Borel en R2 . Una aplicacin X : R2 se dice que es una variable
aleatoria bidimensional si @B P BpR2 q se verifica que
X 1 pBq P A.
(4.4)
Teorema 4.8 (Caracterizacin de una variable aleatoria bidimensional). Dado un espacio

probabilizable p, Aq y una clase C de subconjuntos de R2 tal que pCq BpR2 q.
Entonces X pX1 , X2 q es una variable aleatoria si y slo si
X 1 pAq P A
@A P C.
(4.5)
Demostracin. ( ) Si X es una variable aleatoria, por hiptesis tenemos X 1 pAq P A

@A P BpR2 q, y en particular esto se verificar para cualquier A P C.
( ) Por el apartado (b) de la Proposicin 1.16 (Ecuacin 1.6), tenemos que p f 1 pCqq
1
f ppCqq. Ahora, por hiptesis se tiene que X 1 pC2 q A y por lo tanto
pX 1 pC2 qq A X 1 ppC2 qq A X 1 pBpR2 qq A.
Proposicin 4.9. Dada X pX1 , X2 q : p, Aq pR2 , BpR2 qq es una variable aleatoria
bidimensional si y slo si Xi (con i 1, 2) son variables aleatorias unidimensionales.
76
4 .1 Fu n c i n d e d i s t r i b u c i n e n R2
Demostracin. Utilizaremos en este caso C p, x1 s p, x2 s.
( )
X11 p, a1 s t P | X1 pq a1 u t P | X1 pq a1 & X2 pq P Ru
X 1 pp, a1 s Rq P A.
Y de manera anloga para x2 .
( )
X 1 pp, a1 s p, a2 sq t P | X1 pq a1 & X2 pq a2 u
2
\
t P | Xi pq ai u
i1
2
\
i1
Xi1 p, ai s P A
4.1.2 Probabilidad inducida por una variable aleatoria

Definicin 4.10 (Probabilidad inducida por una variable aleatoria). Tenemos X
pX1 , X2 q : p, A, Pq pR2 , BpR2 q, PX q de manera que
PX pBq Ppt P | Xpq P Buq PpX 1 pBqq
@B P BpR2 q.
(4.6)
Definimos la funcin de distribucin asociada a PX de la siguiente manera:

not.
FPX pa1 , a2 q FX pa1 , a2 q PX pp, a1 s p, a2 sq

`
(
PX px1 , x2 q P R2 | x1 a1 & x2 a2 .
(4.7)
Definicin 4.11 (Variable aleatoria bidimensional discreta). Dada una variable aleatoria
X pX1 , X2 q se dice que es de tipo discreto si el rango de valores de X es un conjunto de
R2 finito o numerable.
Si denotamos por tpan , bn qunPN a los valores de X pX1 , X2 q, a la funcin
Pptan , bn qu PpX1 an , X2 bn q

FX pan , bn q FX pa
n , bn q FX pan , bn q ` FX pan , bn q
(4.8)
se la denomina funcin de masa o de probabilidad de la variable aleatoria X pX1 , X2 q. La

funcin de distribucin ser
Fpx, yq Pptxi , x j uq PpX1 xi , X2 y j q.
xi x
y j y
(4.9)
xi x
y j y
77
Ejemplo. Dada la funcin de masa Ppt0, 0uq Ppt0, 1uq Ppt1, 0uq Ppt1, 1uq 1{4, la
funcin de distribucin asociada es
$
0 px, yq P R1
& {4 px, yq P R2
Fpx, yq Pptxi , x j uq 1{2 px, yq P R3
xi x
1{2 px, yq P R5
y j y
%1 px, yq P R
R4
4
$
1
0 x 0 x 0
R3
1 0 x 1 & 0 y 1
R5
&4
1{2
R1
R2
1 0x1&y1
1{4
x1&0y1
0
2
%
1
0
1 x1&y1
0
1
2
04/12/2012
Definicin 4.12 (Funcin de densidad). Una funcin f : R2 R se dice que es una

funcin de densidad en R2 si se verifica
a) @x, y P R
Z
b)
R2
f px, yq 0.
f px, yq dx dy 1 (integral en el sentido Riemann).
Observaciones.
a) Si f es una funcin de densidad en R2 entonces la funcin
F : R2 R
Zx Zy
f pu, vq dv du
px, yq Fpx, yq
(4.10)
es una funcin de distribucin en R2 .

b) Sea f una funcin de densidad en R2 y F la funcin de distribucin asociada a f
(definida en el punto anterior). Si f es continua en un entorno de un punto px0 , y0 q
entonces F admite en dicho punto derivada segunda respecto a x y respecto a y y
adems se cumple la permutabilidad en el orden de integracin, siendo para todo
punto px, yq del entorno de px0 , y0 q
2 Fpx, yq
2 Fpx, yq
f px, yq.
x y
y x
78
(4.11)
4.2 D i s t r i b u c i o n e s m a r g i na l e s y c o n d i c i o na da s
Definicin 4.13 (Variable aleatoria bidimensional absolutamente continua). Una variable
aleatoria bidimensional pX, Yq se dice que es absolutamente continua continua si su
funcin de distribucin F se puede expresar para cada px, yq P R2 mediante
Zx Zy
f pu, vq dv du,
Fpx, yq
(4.12)
donde f es una funcin de densidad en R2 . Se dice que f es la funcin de densidad asociada

a la variable aleatoria pX, Yq.
Observaciones.
(
a) CXY px, yq P R2 | f px, yq 0 Soporte de la variable aleatoria bidimensional
pX, Yq.
2
b) Dado B P BpR q,
ZZ
f pu, vq du dv.
PpBq
B
4.2 Distribuciones marginales y condicionadas

4.2.1 Distribuciones marginales
Dada X pX1 , X2 q, por ahora conocemos la funcin de distribucin asociada FX px1 , x2 q,
pero vamos a ver ahora qu podemos saber de las funciones de distribucin de X1 y X2 :
FX1 px1 q y FX2 px2 q, respectivamente.
Definicin 4.14 (Distribucin marginal). Dada la variable aleatoria bidimensional X
pX1 , X2 q : p, A, Pq pR2 , BpR2 q, PX q, a las funciones
FX1 px1 q FX px1 , q Ppt P | X1 pq x1 uq
@x1 P R
(4.13)
FX2 px2 q FX p, x2 q Ppt P | X2 pq x2 uq
@x2 P R
(4.14)
se las denomina distribuciones marginales de X1 y de X2 , respectivamente.

Proposicin 4.15. Sea X pX1 , X2 q una variable aleatoria bidimensional discreta, entonces X1 y X2 son variables aleatorias unidimensionales discretas y adems
PpX1 x1 q PX ptx1 , x2 uq
&
x2 PCX2
PpX2 x2 q PX ptx1 , x2 uq.
(4.15)
x1 PCX1
Demostracin. Se demuestra la primera afirmacin, la segunda es anloga.

PX1 pX1 x1 q FX1 px1 q FX1 px1 q FX px1 , q FX px1 , q
`
(
P pa1 , a2 q P R2 | a1 x1 , a2 P R
PX ptx1 , x2 uq.
x2 PCX2
79
Ejemplo.
x1
x2
PpX2 x2 q
3{8
3{8
6{8
1{8
1{8
2{8
PpX1 x1 q
1{8
3{8
3{8
1{8
Proposicin 4.16. Sea X pX1 , X2 q una variable aleatoria bidimensional continua con
funcin de densidad f . Entonces X1 y X2 son continuas y sus funciones de densidad
vienen dadas por
Z
f X1 px1 q
f X px1 , x2 q dx2
&
f X2 px2 q
f X px1 , x2 q dx1 .
(4.16)
Demostracin.
FX1 px1 q FX px1 , q
Z x1
dx1
donde f X1 px1 q
R
R
Z x1 Z `
Z `
f px1 , x2 q dx1 dx2
f px1 , x2 q dx2
Z x1
f X1 px1 q dx1
f px1 , x2 q dx2 .
Ejemplo. Sea X pX1 , X2 q una variable aleatoria bidimensional cuya funcin de densidad
viene dada por
#
2 0 x1 x2 1
A
f px1 , x2 q
0 resto
1
De manera que X VpAq, donde los soportes son CX1 ,X2 A y

por otro lado CX1 p0, 1q CX2 . Se pide calcular las distribuciones
marginales.
$
x1 R p0, 1q #
Z
&0
0
Z1
f px1 , x2 q dx2
f X1 px1 q
2 p1 x1 q
R
% 2 dx2 x1 P p0, 1q
f X2 px2 q
$
&0
Z x2
x1
x2 R p0, 1q
2 dx1
x2 P p0, 1q
#
0
2 x2
x1 R p0, 1q
x1 P p0, 1q
x2 R p0, 1q
x2 P p0, 1q
4.2.2 Distribuciones condicionadas

10/12/2012
Definicin 4.17 (Distribucin condicionada). Sea X pX1 , X2 q una variable aleatoria

bidimensional tal que X : p, A, Pq pR2 , BpR2 q, PX q, y x1 un punto fijo de la variable
80
4.2 D i s t r i b u c i o n e s m a r g i na l e s y c o n d i c i o na da s
aleatoria X1 . Siempre que exista el lmite, se denomina distribucin de X2 condicionada por
el valor x1 de X1 a la expresin
Fpx2 | x1 q lim
h0
FX px1 , x2 q FX px1 h, x2 q
lim
FX px1 , q FX px1 h, q
FX2 px1 q FX2 px1 hq
h0
(4.17)
con x1 fijo. El recproco se define de manera anloga.

Proposicin 4.18. Sea X pX1 , X2 q una variable aleatoria bidimensional discreta y sea
x1 un valor de la variable aleatoria X1 de forma que PpX1 x1 q Pptx1 uq 0. Entonces
la funcin de probabilidad de la variable aleatoria X2 condicionada por el valor x1 (fijo)
de la variable aleatoria X1 viene dada por
PX2 | X1 x1 pX2 x2 | X1 x1 q
PpX1 x1 , X2 x2 q
.
PpX1 x1 q
(4.18)
Demostracin. Sea x1 un valor de X1 con PpX1 x1 q 0. Entonces,

con x1 fijo. Y esto nos queda igual a
x1 x2 PpX1 x1 , X2 x21 q
PpX1 x1 , X2 x21 q
lim 2
.
PpX1 x1 q
PpX1 x1 q
h0
x1 x
Fpx2 | x1 q lim
h0
Por lo tanto, resumiendo, nos queda que

PpX2 x2 | X1 x1 q Fpx2 | x1 q Fpx2 | x1 q
PpX1 x1 , X2 x2 q
.
PpX1 x1 q
Proposicin 4.19. Sea X pX1 , X2 q una variable aleatoria bidimensional continua con
funcin de densidad f X px1 , x2 q. Sea x1 un valor de la variable aleatoria X1 de forma que
f X1 px1 q 0. Entonces la funcin de densidad de X2 condicionada por el valor x1 de X1
viene dada por
f X px1 , x2 q
f px2 | x1 q
@x2 P R,
(4.19)
f X1 px1 q
con x1 fijo.
Demostracin.
Fpx2 | x1 q lim
h0
lim
h0
R x 2 `R x 1
R x2 `R x1 h
f X pu, vq du dv f X pu, vq du dv
R x1
R x2
lim
h0
R x1 h
f X2 puq du f X2 puq du
f X pa, vq dv Z x2 f X px1 , vq
h f X pbq
f X1 px1 q
dv
81
y por lo tanto
f px2 | x1 q
f X px1 , x2 q
f X1 px1 q
es la funcin de densidad asociada a la funcin de distribucin Fpx2 | x1 q y es la que se

denomina funcin de X2 condicionada por el valor x1 de X1 .
Definicin 4.20 (Variables aleatorias independientes). Sea X pX1 , X2 q una variable
aleatoria bidimensional con funcin de distribucin FX px1 , x2 q y sean FX1 px1 q y FX2 px2 q
las correspondientes distribuciones marginales de X1 y X2 . En estas condiciones se dice
que las variables aleatorias X1 y X2 son independientes si se verifica que
FX px1 , x2 q FX1 px1 q FX2 px2 q
@px1 , x2 q P R2 .
(4.20)
Proposicin 4.21. Las variables unidimensionales X1 y X2 discretas son independientes

si se verifica que
PpX1 x1 , X2 x2 q PpX1 x1 q PpX2 x2 q.
(4.21)
Demostracin.
PpX1 x1 , X2 x2 q FX px1 , x2 q FX px1 , x2 q FX px1 , x2 q ` FX px1 , x2 q
FX1 px1 q FX2 px2 q FX2 px1 q FX2 px2 q FX2 px1 q FX2 px2 q
` FX2 px1 q FX2 px2 q
FX1 px1 q FX2 px2 q FX2 px2 q FX1 px1 q FX2 px2 q FX2 px2 q
FX1 px1 q FX2 px1 q FX2 px2 q FX2 px2 q

PpX1 x1 q PpX2 x2 q,
y entonces FX px1 , x2 q
PpX1 x11 , X2 x21 q
x11 x1
x21 x2
PX1 pX1 x11 q PX2 pX2 x21 q FX1 px1 q FX2 px2 q.
x11 x1
11/12/2012
x21 x2
Proposicin 4.22. Dadas las variables aleatorias unidimensionales X1 y X2 con funcin

de densidad f X1 y f X2 respectivamente y la variable aleatoria bidimensional X pX1 , X2 q
con funcin de densidad f X px1 , x2 q, se dice que X1 y X2 son independientes si y slo si
f X px1 , x2 q f X1 px1 q f X2 px2 q
@px1 , x2 q P R2 .
(4.22)
Demostracin. ( ) Si X1 y X2 son independientes, entonces sabemos, por la propia

definicin, que FX px1 , x2 q FX1 px1 q FX2 px2 q y, de esta manera,
FX px1 , x2 q
FX2 px2 q
x1
&
FX1 px1 q
f X1 px2 q,
x1
y, por lo tanto,
FX2 px2 q
2 FX px1 , x2 q
f X1 px1 q de manera que

x1 x2
x2
82
4 .3 Tr a n s f o r m a da s d e va r i a b l e s a l e at o r i a s
f X px1 , x2 q f X1 px1 q f X2 px2 q
( )
FX px1 , x2 q
Z x2 Z x1
f X pu, vq du dv

Z x1 Z x2
Z x1
f X1 puq f X2 pvq dv du
Z
f X1 puq
FX2 px2 q
@x1 , x2 .
Z x1
x2
f X2 pvq dv du
f X1 puq du FX2 px2 q FX1 px1 q.
Observaciones.
a) Las variables aleatorias unidimensionales X1 y X2 son independientes si y slo si
f px2 | x1 q f X2 px2 q @x2 P CX2 y, anlogamente, f px1 | x2 q f X1 px1 q @x1 P CX1 .
Demostracin. ( ) Supongamos que X1 y X2 son independientes. Entonces
f X px1 , x2 q f X1 px1 q f X2 px2 q f px2 | x1 q
f X px1 , x2 q
f X2 px2 q
f X1 px1 q
( )
f px2 | x1 q f X2 px2 q f X px1 , x2 q f px2 | x1 q f X1 px1 q f X2 px2 q f X1 px1 q
Y por lo tanto, son independientes. Adems, se puede probar lo mismo en el caso
de variables aleatorias discretas.
4.3 Transformadas de variables aleatorias. Momentos y funcin

caracterstica
YgpXqpg1 pXq,g2 pXqq
X pX1 , X2 q FX
Y pY1 , Y2 q pg1 pX1 , X2 q, g2 pX1 , X2 qq
Dada una variable aleatoria X e Y gpXq, vamos a ver cmo calculamos FY .

Ejemplo. X pX1 , X2 q Discreta. Y tenemos que Y p| X1 |, X22 q.
x1
x2
1{6
1{12
1{6
1{6
1{12
1{6
1{12
1{12
PpX1 kq 5{12,
2{12,
5{12
PpX2 rq 5{12,
5{12,
2{12
83
Como qpX1 , X2 q pq1 pX1 , X2 q, q2 pX1 , X2 qq p|X1 |, X22 q y el soporte de la variable aleatoria
X es CX tpx1 , x2 q | x1 P t1, 0, 1u, x2 P t2, 1, 2uu, se tiene que
CY tpx1 , x2 q | y1 P t0, 1u, y2 P t1, 4uu
py1 , y2 q Valores de px1 , x2 q que dan lugar a py1 , y2 q
p0, 1q
PpY1 y1 , Y2 y2 q
p0, 1q
1{12
1{12
p0, 4q
p0, 2q
p0, 2q
1{12 ` 0
1{12
p1, 1q
p1, 1q
p1, 1q
1{6 ` 1{6
1{3
1{6 ` 1{12 ` 1{6 ` 1{12
1{2
p1, 4q
p1, 2q
p1, 2q
p1, 2q
p1, 2q
Pero, en el caso continuo, como veremos, la transformacin es biyectiva.

Teorema 4.23. Sea X pX1 , X2 q una variable aleatoria bidimensional absolutamente
continua con funcin de densidad f X px1 , x2 q. Supongamos las siguientes afirmaciones:
a) La transformacin Y gpXq : R2 R2 donde Y pY1 , Y2 q con Y1 g1 pX1 , X2 q
e Y2 g2 pX1 , X2 q es biyectiva. Es decir, existe la transformacin inversa h g1
definida sobre el soporte de la transformacin, es decir
X1 h1 pY1 , Y2 q
&
X2 h2 pY1 , Y2 q.
b) Tanto la transformacin como su inversa son continuas.

c) Existen las derivadas parciales
h1 h1 h2 h2
,
,
,
.
Y1 Y2 Y1 Y2
d) El jacobiano de la transformacin (inversa) es distinto de 0:

h1
Y
|J| 1
h2
Y
1
h1
Y2
h2
Y2
0.
En estas condiciones, la funcin de densidad de la variable aleatoria Y pY1 , Y2 q viene

dada por
f Y py1 , y2 q
84
f X ph1 py1 , y2 q, h2 py1 , y2 q |J|
py1 , y2 q P gpCX q
resto.
(4.23)
Ejemplo. Sea X pX1 , X2 q una variable aleatoria uniforme con soporte en CX p0, 1q
p0, 1q, es decir, X VpCX q. Y la variable aleatoria Y pY1 , Y2 q que viene dada por
Y1 g1 pX1 , X2 q X1 ` X2 ,
Y2 g2 pX1 , X2 q X1 X2 .
Y1 Y2
h1 pY
11 , Y12 q y tambin X2 2 h2 pY1 , Y2 q.
{2 {2
Comprobando el jacobiano vemos que es |J| 1{2 1{2 1{2 0.De esta manera, como
conocemos la funcin de densidad de X:
#
1 px1 , x2 q P p0, 1q p0, 1q
f X px1 , x2 q
0 px1 , x2 q R p0, 1q p0, 1q
Despejando llegamos a que X1
Y1 `Y2
2
podemos calcular CY y f Y :
CY gpCX q gpp0, 1q p0, 1qq tpx, yq | 0 y1 ` y2 2 & 0 y1 y2 2u
# ` y `y y y
#
1
py1 , y2 q P CY
f X 1 2 2 , 1 2 2 21 py1 , y2 q P CY
2
f Y py1 , y2 q
0 resto
0
resto
gpCX q CY
De manera grfica, CX y CY quedaran

as:
CX
Observacin (Pbm. 13). Sea X pX1 , X2 q una variable aleatoria continua con funcin
de densidad f px1 , x2 q y sea Y1 g1 pX1 , X2 q, Y2 g2 pX1 , X2 q una transformacin de R2
en R2 . Supongamos que la transformacin g pg1 , g2 q tiene un nmero finito k de
inversas. Supongamos adems que existe una particin de R2 , tAi ui1,...,k , de forma que
la transformacin g de Ai en R2 es biyectiva y la inversa viene dada por1
pi
X1 h1 pY1 , Y2 q
pi
&
X2 h2 pY1 , Y2 q
i 1, . . . , k.
Si suponemos que las derivadas parciales son continuas y adems el jacobiano (rango
de la transformacin) es distinto de cero
pi

h1 pY1 ,Y2 q hpi1 pY1 ,Y2 q
Y

Y2
0,
|Ji | pi 1
pi

h
pY
,Y
q
h
pY
,Y
q
2
2
1
1
2
2

Y1
Y2
de esta manera, la funcin de densidad asociada es

f Y py1 , y2 q
fX
i1
pi
pi
h1 py1 , y2 q, h2 py1 , y2 q |Ji |.
aclarar, la notacin utilizada para representar la derivada n-sima ser f pnq ptq. En este momento se
trata de un ndice, as que lo ponemos como f pi ptq, para diferenciar de la potencia f i ptq.
1 Para
85
13/12/2012
4.3.1 Momentos de una variable aleatoria bidimensional

Definicin 4.24 (Esperanza de una variable aleatoria discreta). Sea X pX1 , X2 q una
variable aleatoria bidimensional discreta con funcin de masa PpX1 x1 , X2 x2 q y sea
g : R2 R, entonces se denomina esperanza de la variable aleatoria gpX1 , X2 q a la serie
ErgpX1 , X2 qs
gpx1 , x2 q PpX1 x1 , X2 x2 q,
(4.24)
px1 ,x2 qPCX
siempre y cuando sta sea convergente.

Definicin 4.25 (Esperanza de una variable aleatoria continua). Sea X pX1 , X2 q una
variable aleatoria bidimensional continua con funcin de densidad f px1 , x2 q y sea g : R2
R. Se denomina esperanza de la variable aleatoria g a la expresin
Z
ErgpX1 , X2 qs
R2
gpx1 , x2 q f px1 , x2 q dx1 dx2 ,
(4.25)
en caso de que converja.

Definicin 4.26 (Momento respecto del origen). Se denomina momento respecto del origen
de rdenes pk, `q de la variable aleatoria bidimensional X pX1 , X2 q a la esperanza de la
variable aleatoria gpX1 , X2 q X1k X2` . Se representar mediante
k` E X1k X2` .
(4.26)
Observaciones.
k 1,
` 0 ErX1 s
k 0,
` 1 ErX2 s
p1 , 2 q pErX1 s, ErX2 sq vector de medias de la

variable aleatoria pX1 , X2 q
Definicin 4.27 (Momento respecto de la media). Se denomina momento central o

momento respecto de la media de rdenes pk, `q de la variable aleatoria bidimensional
pX1 , X2 q a la esperanza de la variable aleatoria gpX1 , X2 q pX1 1,0 qk pX1 0,1 q` y se
denotar mediante
k` E pX1 1,0 qk pX1 0,1 q` .

(4.27)
Observaciones (Covarianzas).
a) Si k 2 y ` 0, entonces 2,0 VarrX1 s.

Si k 0 y ` 2, entonces 0,2 VarrX2 s.
Si k 1 y ` 1, entonces 1,1 ErpX1 1,0 q pX2 0,1 qs covarianza entre X1 y
X2 , que la representaremos por CovpX1 , X2 q.
b) A la matriz
pXq
CovpX1 , X2 q
VarrX1 s
VarrX2 s
CovpX1 , X2 q
se la denomina matriz de varianzas y covarianzas de la variable aleatoria X.
86
c) CovpX1 , X2 q ErX1 X2 s ErX1 s ErX2 s.
Demostracin.
CovpX1 , X2 q 1,1 ErpX1 1,0 q pX2 0,1 qs
ErX1 X2 X1 1,0 1,0 X2 ` 1,0 0,1 s
ErX1 X2 s 0,1 ErX1 s 1,0 ErX2 s ` 1,0 0,1
ErX1 X2 s 0,1 1,0 ErX1 X2 s ErX1 s ErX2 s.
d) Si CovpX1 , X2 q 0, entonces se dice que las variables aleatorias X1 y X2 son
incorreladas.
e) Si X1 , X2 son independientes, entonces CovpX1 , X2 q 0.
Demostracin.
ErX1 X2 s
x1 x2 f px1 , x2 q dx1 dx2

x1 x2 f X1 px1 q f X2 px2 q dx1 dx2
R2
Z
x1 f X1 px1 q
x2 f X2 px2 q dx2 dx1 ErX2 s ErX1 s
R2
y, por lo tanto, CovpX1 , X2 q 0.

f)
Var
X
i
n
i1
VarrXi s ` 2 Cov
i1
ij
Xi , X j .
Pero si las Xi son independientes entonces Cov Xi , X j 0 y por lo tanto

n
n
Var Xi VarrXi s.
i1
i1
Demostracin.
n
n
n

n
2
n
2
Var Xi E Xi E Xi
E Xi ErXi s
i1
i1
i1
i1
17/12/2012
i1
y como la esperanza es un operador lineal

n
2
E Xi ErXi s
i1
`

`
2
E pXi ErXi sq ` E Xi ErXi s X j E X j
n
i1
ij
E pXi ErXi sq2 ` 2 E Xi ErXi s E X j E X j

i1
ij
VarrXi s ` 2 Cov
i1
ij
Xi , X j .
87
4.3.2 Funcin caracterstica

Definicin 4.28 (Funcin caracterstica). Dada una variable aleatoria bidimensional
X pX1 , X2 q, se denomina funcin caracterstica de X a la esperanza de la variable
aleatoria
gpX1 , X2 q eiptX1 ùX2 q .
(4.28)
Es decir,
$
eiptx1 ùx2 q PpX1 x1 , X2 x2 q
&
X pt, uq E eiptX1 ùX2 q
x1 x2
Observaciones.
R2
eiptx1 ùx2 q f px1 , x2 q dx1 dx2
(4.29)
a) X pt, 0q E eitX1 X1 ptq, X p0, uq E eiuX2 X2 puq.

k``
b) k` k``
X p0, 0q .
i
tk u`
c) Si X1 y X2 son independientes, entonces X1 `X2 ptq X1 ptq X2 ptq.

Demostracin.
Z itpx `x q
X1 `X2 ptq E eitpX1 `X2 q
e 1 2 f X px1 , x2 q dx1 dx2
Z
R2
R2
eitx1 eitx2 f X1 px1 q f X2 px2 q dx1 dx2

Z
X2 ptq
eitx1 f X1 px1 q dx1 X2 ptq X1 ptq.
Definicin 4.29 (Familia de distribuciones reproductiva). Sea L una familia de distribuciones. Entonces se dice que L es reproductiva si dadas X1 , X2 P L, entonces X1 ` X2 P L.
Ejemplo (1). Por lo tanto, la familia de las distribuciones binomiales es reproductiva
respecto del parmetro n (pero es fcil comprobar que no lo es respecto del parmetro p).
Ejemplo (2). Tambin lo es la distribucin Poisson Ppq. Dadas dos distribuciones X1
Pp1 q y X2 Pp2 q, sus funciones caractersticas son
X1 ptq e1 pe
it 1q
&
X2 ptq e2 pe
it 1q
y de esta manera la funcin caracterstica de X1 ` X2 es

X1 `X2 ptq X1 ptq X2 ptq e1 pe
y por lo tanto X1 ` X2 Pp1 ` 2 q.
88
it 1q
it 1q
e2 pe
ep1 `2 qpe
it 1q
Ejemplo (3). La distribucin pa, pq es reproductiva respecto de p o, lo que es lo mismo,
que si X1 pa, p1 q y X2 pa, p2 q, entonces
X1 ` X2 pa, p1 ` p2 q.
Ejemplo (4). La Np, q tambin, y respecto de ambos parmetros. Sean X1 Np1 , 1 q y
X2 Np2 , 2 q, de manera que sus funciones caractersticas son
t2
X1 ptq eit1 2 1
&
t2
X2 ptq eit2 2 2
t2
X1 `X2 ptq X1 ptq X2 ptq eitp1 `2 q 2 p1 `2 q

b
y, por lo tanto, X1 ` X2 N 1 ` 2 , 12 ` 22 .
Ejemplo (5). X1 , ..., Xn variables aleatorias independientes. Si todas son de la forma
Np0, 1q, vamos a ver cmo es 2
Xi2 .
i1
x2
1
f Xi pxq ?
e 2
2
`?
` ?
` ?
` 2
?
GX2 pxq P Xi x P x Xi x FXi x FXi x
i
`?
` ?
1
1
gX2 pxq ? f Xi x ` ? f Xi x
i
2 x
2 x
$
#
&0
x0
0
x0
1
1 2
x
x
% p 2 q1 x 12 e 12 x x 0
?1 e 2 ` ?1 e 2
x0
2 2x
2 2x
p 2 q
y, debido a la reproductividad de la distribucin respecto de p, nos queda

n
Xi2
i1
Veamos ahora sus propiedades:

Su funcin de densidad
f pxq
la media
y la varianza
&0
a 21 , p
n
2
x0
n{2
1
12 x n2 1
x
n e
p 2 q
x0
E 2n E pa 21 , p n2 q n,
p
Var 2n Var pa 12 , p n2 q 2 2n.
a
Y de esta manera se define la distribucin chi (o ji) cuadrado, 2 , con n grados de libertad
89
0.4
0.3
2n
0.2
n2
n3
n4
n5
Xi2
i1
0.1
0
10
4.4 Regresin y correlacin

18/12/2012
Definicin 4.30 (Esperanza condicionada). Sea pX, Yq una variable bidimensional con
funcin de densidad f X,Y px, yq y sea x P CX . Entonces se define la esperanza condicionada
como
$Z
y f py | xq dy
(continua)
&
CY
ErY | X xs
(4.30)
PpY
y
|
X
xq
(discreta).
%
yPCY
Proposicin 4.31. Sea pX, Yq una variable bidimensional con funcin de densidad
f X,Y px, yq y sea x P CX . Entonces se tiene que
ErErY | X xss ErYs.
(4.31)
Demostracin.
Z
Z
ErErY | Xss E
y f py | xq dy
y f py | xq dy f X pxq dx
CY
CX
CY
Z
Z
Z
y f px, yq dy dx
y
f px, yq dx dy
CX CY
CY
CY
CX
y f Y pyq dy ErYs.
Definicin 4.32 (Varianza condicionada). Sea pX, Yq una variable aleatoria bidimensional.
Se denomina varianza condicionada de Y dado el valor x P CX de la variable aleatoria X a
la expresin
VarrY | X xs
90
$Z
2
& py ErY | X xsq f py | xq dy

CY
py ErY | X xsq2 PpY y | X xq
yPCY
(continua)
(discreta)
(4.32)
4 .4 Re g r e s i n y c o r r e l ac i n
Proposicin 4.33.
E VarrY | Xs ` VarrErY | Xss VarrYs.
Demostracin.
(4.33)
ErVarrY | Xss E E Y 2 | X ErY | Xs2

E E Y 2 | X E ErY | Xs2 E Y 2 E ErY | Xs2
ahora, por otro lado,
2
VarrErY | Xss E ErY | Xs2 E ErY | Xs
E ErY | Xs2 ErYs2
y, uniendo ambas cosas:

ErVarrY | Xss ` VarrErY | Xss E Y 2 ErYs2 VarrYs.
4.4.1 Rectas de regresin
Imaginemos una variable aleatoria pX, Yq, y nosotros aproximamos Y aX ` b. Entonces

nuestro error ser
que tambin es variable aleatoria.

Entonces, si entendemos como valorar el error E Z2 E pY aX bq2 , vamos a

buscar a y b para que el error sea mnimo:

gpa, bq E pY aX bq2 E Y 2 ` a2 E X 2 ` b2 2a ErX Ys 2b ErYs ` 2ab ErXs,
Z Y aX b
calculamos ahora las derivadas parciales

E pY aX bq2 2a E X 2 2 ErX Ys ` 2b ErXs 0,
a

E pY aX bq2 2b 2 ErYs ` 2a ErXs 0.
b
Y con todo esto, nos ponemosa obtener

a y b.

b ErYs a ErXs a E X 2 ` ErYs ErXs a E X 2 ErX Ys y tambin obtene`
mos que a E X 2 ErXs2 ErX Ys ErXs ErYs. De manera que

a
CovpX, Yq
VarrXs
&
b ErYs
CovpX, Yq
ErXs.
VarrXs
Y con todo esto, la recta que nos queda al aproximar Y aX ` b, cuyo error es mnimo,
es de la forma
CovpX, Yq
CovpX, Yq
y
x ` ErYs
ErXs.
(4.34)
VarrXs
VarrXs
91
20/12/2012
Definicin 4.34 (Recta de regresin). Con todo lo anterior, definimos la recta de regresin
de Y sobre X como
CovpX, Yq
y ErYs
px ErXsq,
(4.35)
VarrXs
y, anlogamente, la recta de regresin de X sobre Y como
x ErXs
CovpX, Yq
py ErYsq.
VarrYs
(4.36)
Definicin 4.35 (Error residual). Se denomina error residual de la regresin de X sobre Y y

anlogamente, error residual de la regresin de Y sobre X a las expresiones
eY | X
eX | Y
CovpX, Yq
pX ErXsq ,
Y ErYs `
VarrXs
CovpX, Yq
X ErXs `
pY ErYsq ,
VarrYs
(4.37)
(4.38)
respectivamente. Que de nuevo, resultan ser una variable aleatoria, cuya varianza es
CovpX, Yq
Var eY | X Var Y ErYs `
pX ErXsq
VarrXs
CovpX, Yq 2
2
E pX ErXsq2
E pY ErYsq `
VarrXs
CovpX, Yq
E pX ErXsq pY ErYsq
2
VarrXs
2
CovpX, Yq
CovpX, Yq
VarrXs 2
VarrYs `
VarrXs
VarrXs
2
CovpX, Yq
CovpX, Yq
VarrYs
VarrYs VarrYs
VarrXs
VarrXs VarrYs
CovpX, Yq2
.
VarrYs 1
VarrXs VarrYs
Definicin 4.36 (Coeficiente de correlacin lineal). Sean X e Y dos variables aleatorias
para las que existen VarrXs y VarrYs y adems son estrictamente positivas. Se denomina
coeficiente de correlacin lineal a la expresin
CovpX, Yq
a
.
VarrXs VarrYs
Observaciones. Var eY | X VarrYs p1 2 q, porque se me pone en la punta del rabo.

a) Si 0 CovpX, Yq 0 X, Y son incorreladas.
92
4 .4 Re g r e s i n y c o r r e l ac i n
b) 1 1.
Demostracin. Var eY | X VarrYs p1 2 q 0 1 2 0 lo que obliga a que

1 1.
c) Si || 1, entonces las variables X e Y estn en dependencia funcional y las dos

rectas de regresin coinciden.
Demostracin. || 1 Var eY | X 0 Y ErYs ` CovpX,Yq

VarrXs pX ErXsq con
probabilidad 1.
a
VarrYs
CovpX, Yq
CovpX, Yq
a
Y ErYs
pX ErXsq a
VarrXs
VarrXs VarrYs VarrXs
a
VarrYs
a
pX ErXsq
VarrXs
pX ErXsq
CovpX, Yq
pY ErYsq Y ErYs
VarrYs
VarrYs
CovpX, Yq
?
a
VarrXs
VarrYs
1
VarrYs
a
pX ErXsq
pX ErXsq CovpX,Yq
?
VarrXs
X ErXs
VarrYsVarrYs
Y si || 1
y por lo tanto las dos rectas coinciden.
d) La recta de X sobre Y es la que tiene mayor pendiente en valor absoluto.

?
VarrYs
Demostracin. Si ?
0 0 1 1 la recta de
VarrXs
regresin de X sobre Y tiene mayor pendiente.

?
VarrYs
Si ?
0 0 1 1 la recta de regresin de Y
VarrXs
sobre X es mayor que la de X sobre Y.
08/01/2013
e) Las rectas de regresin se cortan en pErXs, ErYsq con || 1.
Demostracin. Habamos visto que la recta de regresin de Y sobre X y la de X

sobre Y son, respectivamente
d
d
VarrYs
1 VarrYs
y ErYs
px ErXsq
&
y ErYs
px ErXsq
VarrXs
VarrXs
y por lo tanto se tiene que

1
px ErXsq px ErXsq
px ErXsq 0 x ErXs y ErYs.
93
4.4.2 Curvas de regresin

Tenemos pX, Yq con Y gpXq. Entonces
ZZ
2
E pY gpXqq py gpxqq2 f px, yq dx dy
ZZ
py gpxqq2 f py | xq f pxq dx dy
Z Z
2
py gpxqq f py | xq dy f pxq dx
y ahora lo que tenemos que hacer es minimizar esta funcin (con x cte. y gpxq a), de
manera que la funcin a minimizar queda
Z
py aq2 f px | yq dy Ni puta idea de lo que hace aqu, pero concluimos que

ErY | X xs a
de manera que finalmente quedan

gpxq ErY | X xs curva de regresin de Y sobre X,
gpyq ErX | Y ys curva de regresin de X sobre Y.
De esta manera los errores al aproximar por la curva de regresin son Y ErY | Xs y
X ErX | Ys respectivamente. Veamos ahora su varianza:
VarrErY | Xss
VarrY ErY | Xss VarrYs 1
VarrYs
E pY ErY | Xsq2 loooooooooooooooooooon

ErY ErY | Xss2
pErYsErYsq2 0
E pY ErYs ` ErYs ErY | Xsq2
E pY ErYsq2 ` E pErYs ErY | Xsq2

` 2 ErpY ErYsq pErYs ErY | Xsqs
VarrYs E pErY | Xs ErYsq2 . . .

...
VarrYs VarrErY | Xss
VarrErY | Xss
VarrYs 1
VarrYs
Definicin 4.37 (Razn de correlacin). Sean X e Y dos variables aleatorias con VarrXs,
VarrYs 0. Se denomina razn de correlacin de Y sobre X a las expresiones
Y2 | X
94
VarrErY | Xss
VarrYs ErVarrY | Xss
ErVarrY | Xss
1
,
VarrYs
VarrYs
VarrYs
4. 5 Di s t r i b u c i o n e s b i d i m e n s i o na l e s n o ta b l e s
y el de X sobre Y (anlogo)
2
X
|Y
VarrErX | Yss
.
VarrXs
2
Teorema 4.38. Se comprueba que 0 Y2 | X , X
| Y 1.
Demostracin.
VarrErY | Xss
VarrY ErY | Xss VarrYs 1
VarrYs 1 Y2 | X 0,
VarrYs
y de esta manera
0 Y2 | X 1
(anlogo para el otro caso).
Observaciones.
a) Si Y2 | X 1 VarrY ErY | Xss 0 Y ErY | Xs con probabilidad 1. Y
por lo tanto hpxq ErY | X xs, lo que significa toda la probabilidad se concentra
en la curva de regresin.
| Xss
b) Si Y2 | X 0 VarrErY
0 VarrErY | Xss 0 y, de esta manera tenemos
VarrYs
2
que, E pErY | Xs ErYsq 0 ErY | Xs ErYs @x gpxq ErYs. Y de
2
manera anloga, si X
| Y 0 @y gpyq ErXs.
`
c) El error de la recta es VarrYs 1 2 VarrYs 1 Y2 | X que es el error de la

2
curva, y por lo tanto 2 Y2 | X y tambin 2 X
| Y.
4.5 Distribuciones bidimensionales notables

4.5.1 Normal bidimensional
Si una variable aleatoria pX, Yq sigue esta distribucin, su funcin de distribucin es
1
a
f X,Y px, yq
exp
2X Y 1 2
2 p1 2 q
x X
X
x X y Y
2
`
X
Y
y Y
Y
donde las variables toman los valores: x, y , 1 1, 0 X , Y y

X , Y . Veamos ahora sus propiedades:
La funcin de densidad
Z
f Y pyq
f px, yq dx Y NpY , Y q
95
10/01/2013
X
N X ` py Y q
, X
Y
1 2
gpyq ErX | Y ys X ` py Y q
1` 2 2
X,Y pu, vq exp iu X ` ivY
u X ` 2uvX Y ` v2 X2 ,
2
la esperanza
2
1
X,Y p0, 0q X Y X Y ,
ErX Ys 2
i u v
la covarianza
CovpX, Yq ErX Ys ErXs ErYs X Y ` X Y X Y X Y ,
el coeficiente de correlacin
CovpX, Yq
X Y
,
X Y
X Y
y la matriz de varianzas y covarianzas

pX, Yq
X2
X Y
X Y
Y2
1
0.5
0
2
96
2
1
0
0
2 2
4.6 Ejercicios
Hoja 4 Variables
aleatorias
multidimensionales
1.- Estudiar si
F (x, y)
1,
0,
si x + 2y 1,
si x + 2y < 1,
es una funcion de distribucion en IR2 .

2.- Dada la variable aleatoria 2-dimensional (X, Y ) tal que
P (X = 1, Y = 0)
P (X = 0, Y = 1) = P (X = 1, Y = 1) =
1
,
3
calcular la funcion de distribucion conjunta de (X, Y ) y las funciones de distribucion marginales de X e Y .

3.- Sea (X, Y ) una variable aleatoria 2-dimensional con distribucion uniforme
sobre el recinto
n
o
x
C =
(x, y) IR2 : y , x 3, y 0 .
3
Calcular la funcion de densidad conjunta de (X, Y ), la funcion de distribucion

conjunta de (X, Y ) y las distribuciones marginales de X e Y .
4.- Dada la variable aleatoria 2-dimensional (X, Y ) con funcion de densidad
conjunta
1
2 sen(x + y), si 0 x /2, 0 y /2,
f (x, y) =
0,
en caso contrario,
calcular:
(4.a) Las esperanzas de X e Y .
15
97
(4.b) La matriz de varianza-covarianzas de (X, Y ).

5.- Sea (X, Y ) una variable aleatoria 2-dimensional con funcion de densidad
f (x, y) = 24y(1 x y) sobre el recinto C = {(x, y) IR2 : x + y 1, x 0, y
0}. Calcular:
(5.a) La funcion de distribucion conjunta.
(5.b) Las funciones de densidad marginales.
(5.c) Las funciones de densidad condicionadas.
6.- Se sit
uan de forma aleatoria e independiente N puntos en el intervalo (0, T ).
Si X representa la distancia de 0 al primer punto e Y denota la distancia de 0 al
segundo punto, entonces calcular la distribucion conjunta y las correspondientes
marginales de (X, Y ).
7.- La probabilidad de que desde un huevo nazca un insecto es p. En una flor,
el n
umero de huevos puestos por estos insectos sigue una distribucion Poisson
de media .
(7.a) Calcular la distribucion del n
umero de insectos que nace en una flor.
(7.b) Se ha observado una flor y se ha constatado que el n
umero de insectos
que han nacido en ella ha sido n. Calcular la distribucion del n
umero de
huevos que haba en la flor.
8.- Sea una variable aleatoria discreta con funcion de masa
p(x) =
1
,
2x
x = 1, 2, ...
Supongamos que / = x es una variable aleatoria con funcion de densidad

f (y/x) =
x(1 y)x1 ,
0 < y < 1.
Determinar la distribucion de .
9.- Sea X una variable aleatoria con distribucion Exponencial de parametro
= 1. Supongamos que Y /X = x es una variable aleatoria con funcion de
densidad
xy (x+1) , si y > 1,
f (y/x) =
0,
en caso contrario.
Calcular:
(9.a) La funcion de densidad conjunta.
(9.b) La funcion de densidad marginal de Y .
(9.c) La funcion de densidad de X/Y = y.
16
98
10.- Se considera la variable aleatoria 2-dimensional (, ), donde sigue una

distribucion Poisson de parametro y / = x sigue una distribucion Normal
de media x2 2x y varianza 2 . Calcular la esperanza de y la matriz de
varianza-covarianzas.
11.- Calcular la matriz de varianza-covarianzas de la variable aleatoria 2-dimensional con funcion caracterstica
2
(t, u)
9e3i(t+2u)(t +4u
(3 it)2
)/2
12.- Se considera la variable aleatoria 2-dimensional (, ) con funcion de masa

1
3
, P (1, 0) =
, P (1, 1) = 0,
16
16
1
1
3
P (0, 1) =
, P (0, 0) = , P (0, 1) =
,
16
4
16
1
1
1
P (1, 1) =
, P (1, 0) =
, P (1, 1) =
.
8
16
16
Demostrar que + (t) = (t) (t) y mostrar que, sin embargo, y no son
independientes.
P (1, 1) =
13.- Sea (X1 , X2 ) una variable aleatoria 2-dimensional con funcion de densidad
1, si 0 x1 1, 0 x2 1,
f (x1 , x2 ) =
0, en caso contrario.
Se considera la transformacion (Y1 , Y2 ), donde Y1 = max{X1 , X2 } e Y2 =
min{X1 , X2 }. Calcular la funcion de densidad de (Y1 , Y2 ).
uniforme en el recinto
C =
(x, y) IR2 : 0 x 1, 0 y 1 .
Calcular las distribuciones de Z y (Z, T ), donde Z = X + Y y T = X Y .
15.- Sea (1 , 2 ) una variable aleatoria 2-dimensional con funcion de densidad
4xy, si 0 < x < 1, 0 < y < 1,

f (x, y) =
0,
en caso contrario.
Hallar la distribucion conjunta de (1 , 2 ), donde 1 = 1 +2 y 2 = max{1 , 2 }.
16.- Se consideran las variables aleatorias X e Y independientes, donde X
U nif orme(1, 3) e Y tiene funcion de densidad
1 2y
2 e
, si y > 2,
fY (y) =
0,
en caso contrario.
Calcular:
17
99
(16.a) La distribucion conjunta de (Z, W ), donde Z = X/Y y W = XY .

(16.b) La distribucion marginal de Z.
17.- Sean X1 , ..., Xn+1 variables aleatorias independientes e identicamente distribuidas seg
un una distribucion Bernoulli de parametro p. Sean
Vn
n
Y
Xi
y Vn+1 =
i=1
n+1
Y
Xi .
i=1
Calcular la distribucion conjunta de (Vn , Vn+1 ), su funcion caracterstica y deducir si Vn y Vn+1 son o no independientes.
18.- Sean X e Y variables aleatorias independientes e identicamente distribuidas
con distribucion Exponencial de parametro = 1. Calcular la distribucion de
T = |X Y |.
19.- Sea (1 , 2 ) una variable aleatoria con funcion de densidad
1 x
2 e 1 , si x1 > 0, 1 < x2 < 1,
f (x1 , x2 ) =
0,
en caso contrario.
Hallar la distribucion de la variable aleatoria = |1 + 2 |.
2 ky
k e
, si 0 < x < y,
f (x, y) =
0,
en caso contrario.
(20.a) Hallar la probabilidad del recinto [0, 1] [0, 1].
(20.b) Determinar los valores de k para que f sea una funcion de densidad.
(20.c) Demostrar que X e Y X son independientes.
(20.d) Escribir la curva (general) de regresion y la recta de regresion de Y
sobre X.
21.- Consideremos la variable aleatoria 2-dimensional (X, Y ) con distribucion
uniforme en el recinto limitado por las rectas y = x, x = y, y = 1 e y = 1;
es decir, f (x, y) = 1/2 para (x, y) C = {(x, y) IR2 : |x| < |y| < 1}.
(21.a) Calcular la curva (general) de regresion de Y sobre X.
(21.b) Estudiar si X e Y con independientes y/o incorreladas.
22.- Consideremos las variables aleatorias X e Y , con rectas de regresion
3x + 2y 26 = 0,
6x + y 31 = 0.
18
100
Calcular las medias marginales y el coeficiente de correlacion. Identificar cual

es la recta de regresion de Y sobre X.
23.- Se considera una variable aleatoria (X, Y ) con distribucion N ormal2 . Se
sabe que las rectas de regresion tienen por ecuaciones x y + 2 = 0, 3x
10y + 40 = 0; y que la suma de las varianzas de X e Y es 1.3. Determinar la
correspondiente funcion de densidad.
19
101
5 Convergencias de variables aleatorias

5.1 Tipos de convergencias
Imaginemos que tenemos una sucesin de variables aleatorias tXn unPN
Xn : p, A, Pq pR, BpRqPq de manera que
Xn pq Xpq
@ P ,
pero la convergencia puntual puede resultar demasiado estricta. Veamos otros tipos de
convergencia.
Definicin 5.1 (Convergencia casi segura). Sea tXn unPN una sucesin de variables aleatorias. Se dice que tXn unPN converge casi seguramente a la variable aleatoria X : p, A, Pq
pR, BpRqq si
`
(
P P | lim Xn pq Xpq 1, o, equivalentemente,
(5.1)
n
`
(
P P | lim Xn pq 0
(5.2)
n
c.s.
y lo expresaremos como Xn X.
Observaciones.
a)
(
P | lim Xn pq Xpq A.
n
Demostracin. Tenemos que P A si y slo si @k P N D m P N,

que | Xn pq Xpq| 1k , que ocurre si y slo si
P
\
!
[
\
k1 m1 n1
b) Unicidad del lmite:

c.s.
@n m se tiene
1)
P | | Xn pq Xpq|
P A.
k
loooooooooooooooooooooooooooon
Xn X
p| Xn X |q1 p, 1k qPA
c.s.
Xn Y X Y ,
c.s.
donde con estamos indicando que el conjunto de puntos en los cuales X es

c.s.
distinta de Y tiene probabilidad cero.

Demostracin. ( ) Es demasiado larga.
( ) Es demasiado. No hago la demostracin.
103
5 Conv e r g e n c i a s d e va r i a b l e s a l e at o r i a s
c.s.
c) Xn X @ 0
lim P
igual manera, si y slo si @ 0
mn
t P | | Xm pq Xpq| 0u
lim P
c.s.
mn
0 y, de
t P | | Xm pq Xpq| u 1.
c.s.
d) Si Xn X y g : R R continua, entonces gpXn q gpXq.

e)
c.s.
Xn X
c.s.
Yn Y
c.s.
Xn ` Yn X ` Y
y tambin
c.s.
Xn YN X Y
Definicin 5.2 (Convergencia en probabilidad). Sea tXn unPN una sucesin de variables
aleatorias y sea X : p, A, Pq pR, BpRqq. Se dice que tXn unPN converge en probabilidad
a la variable aleatoria X si se verifica
@ 0
lim Ppt P | | Xn pq Xpq| uq 0
y, anlogamente,
(5.3)
lim Ppt P | | Xn pq Xpq| uq 1.
(5.4)
P.
Lo expresaremos como Xn X.
Observaciones (Condicin suficiente para la convergencia en probabilidad).
`
P.
P.
a) Xn X Xn Y X Y .
c.s.
c.s.
P.
b) Xn X Xn X.
Demostracin.
t P | | Xn pq Xpq| u
mn
t P | | Xm pq Xpq| u
lim Ppt P | | Xn pq Xpq| uq lim P
t P tal que
mn
| Xn pq Xpq| u
14/01/2013
c) tXn unPN una sucesin de variables aleatorias con ErXn s a y VarrXn s 0.

P.
Entonces Xn X con X | PpX aq 1.

Demostracin.
@ 0
104
E pXn aq2
E Xn2 2 aXn ` a2
Ppt| Xn a| uq
2
2
2
VarrXn s ` ErXn s 2 a ErXn s ` a2
,
2
5 .1 Ti p o s d e c o n v e r g e n c i a s
y por lo tanto, cuando llegamos al lmite,
@ 0
VarrXn s ` ErXn s2 2 a ErXn s ` a2

n
2
2
2
2
0à 2a à
0.
2
lim Ppt| Xn a| uq lim

n
c.s.
P.
Xn X.
d) Si Xn X
Demostracin. Un contraejemplo. Sea P tal que PpXn 0q 1
1
2n , entonces
1
n
y PpXn 1q
1
1
1
ErXn s 0 1
`1
1
0,
n
2n
2n
1
1 1

1
` 12
` p1q2
,
VarrXn s E Xn2 ErXn s2 02 1
n
2n
2n
n
y, llegando al lmite,
VarrXn s 0
n
y si aplicamos (c)
P.
Xn X
X | PpX 0q 1
Ahora, por otro lado

c.s.
X | PpX 0q 1 @ 0
Xn X
lim P
mn
t P
tal que
| Xm pq Xpq| u 1

\
\
t P | | Xm pq| u P
t P | Xm pq 0u
1P
mn
2n
\
mn
2n
t P | Xm pq 0u
PpXn 0q
mn
mn
1 n1
1
1
n
2n
2n
pero resulta que

\
1
c.s.
t P | Xm pq u
lim P
Xn
X.
n
2
mn
Definicin 5.3 (Convergencia

en media cuadrtica). Sea tXn unPN una sucesin de varia 2
bles aleatorias
con E Xn @n y X : p, A, Pq pR, BpRqq una variable aleatoria

con E X 2 . Se dice que tXn unPN converge en media cuadrtica a X si se verfica que
lim E pXn Xq2 0.

(5.5)
n
Observaciones.
105
m.c.
m.c.
a) Xn X pXn Y X Yq.
c.s.
P.
m.c.
b) Xn X Xn X.
Demostracin.
@ 0
E pXn Xq2
0
Ppt P | | Xn pq Xpq| uq
n
2
P.
y de esta manera Xn X.
c.s.
m.c.
c) Xn X
Xn X.
Demostracin. Sea p, A, Pq un espacio de probabilidad donde p0, 1q, A es
BpRq restringida a p0, 1q y Ppa, bq b a. Sea tXn unPN de manera que
#
`
0 P 0, 1 n1
Xn pq
1 resto
entonces
)
c.s.
P | lim Xn pq 0 Ppp0, 1qq 1 Xn X
n
`
`
(
E pXn Xq2 02 P P | P 0, 1 n1
`
`
(
` n2 P P | P 1 n1 , 1
1
n2 n no converge en media cuadrtica.
n
n
P
Definicin 5.4 (Convergencia en ley). Sea tXn unPN una sucesin de variables aleatorias. Se dice que tXn unPN converge en ley o distribucin hacia la variable aleatoria
X : p, A, Pq pR, BpRqq si
lim Fn pxq FX pxq
n
cualquiera que sea x punto de continuidad de FX .
(5.6)
Observaciones.
a) Xn y X pueden no ser a la vez discretas o continuas.
b) En los puntos de discontinuidad de FX pxq la sucesin tFn pxqu puede tender a FX pxq,
a otro lmite o, incluso, no existir su lmite.
L.
c) Si Xn X X es nica c.s.
L.
L.
d) Si Xn X y g es continua, entonces gpXn q gpXq.

,
L.
L.
Xn X .
Xn ` Yn X ` Y
L.
L.
X Y X Y
Y Y n
106
5 .1 Ti p o s d e c o n v e r g e n c i a s
e) Sea tn unPN la sucesin de funciones caractersticas asociadas a tXn unPN donde n
est a sociada a Xn y sea
ptq lim n ptq.
n
L.
Entonces si es continua en t 0 existe una variable aleatoria X tal que Xn X

y es la funcin caracterstica de X.
P.
L.
Teorema 5.5. Si Xn X Xn X.
Demostracin. Sea FX es la funcin de distribucin de X y tomamos x de tal forma que x
sea un punto de continuidad de FX ,
FXn pxq Ppt P | Xn pq xuq Ppt P | Xn pq x, Xpq x ` uq
` Ppt P | Xn pq x, Xpq x ` uq
Ppt P | Xpq x ` uq ` Ppt P | | Xn pq Xpq| uq
FX px ` q ` Ppt P | | Xn pq Xpq| uq
Ahora, por otro lado,
FX px q Ppt P | Xpq x uq Ppt P | Xpq x , Xn pq xuq
` Ppt P | Xpq x , Xn pq xuq
Ppt P | Xn pq xuq ` Ppt P | | Xn pq Xpq| uq
FXn pxq ` Ppt P | | Xn pq Xpq| uq
y por lo tanto
Fx px q Ppt P | | Xn pq Xpq| uq
FXn pxq FX px ` q ` Ppt P | | Xn pq Xpq| uq

P.
Xn X
de manera que
FX px q 0 lim inf FXn pxq lim sup FXn pxq FX px ` q.

n
Si se hace tender a cero y tenendo presente que x era un punto de continuidad de FX

L.
se tiene que D lim FXn pxq FX pxq Xn X.

Teorema 5.6. Sea tXn u
L.
Xn X
15/01/2013
P.
pX | PpX cq 1q Xn c.
Demostracin.
FX pxq
xc
xc
lim FXn pxq

n
FX pxq 0
xc
FX pxq 1
xc
107
@ 0
lim Ppt P | | Xn pq c| uq lim Ppt P | Xn pq c uq

n
` lim Ppt P | Xn pq ` cuq

n
lim FXn pc q ` 1 lim Ppt P | Xn pq c ` uq

n
lim FXn pc q ` 1 lim Ppt P | Xn pq c ` {2uq

n
n
0`11 0
lim FXn pc q ` 1 lim FXn c `
n
n
2
P.
y, por lo tanto, Xn X | PpX cq 1.

Ejemplo. tXn unPN variables aleatorias idnticamente distribuidas, y la variable aleatoria
bidimensional pX, Xn q, de la que sabemos que
1
PpX 0, Xn 1q PpX 1, Xn 0q .
2
L.
P.
comprobar si Xn X y Xn P.
Solucin.
X
Xn
PpXn kq
1{2
1{2
1{2
1{2
Ahora, si 1{2
x0
0
&
L.
FXn pxq 0 x 1 1{2 FX pxq Xn X
n
%
X1
1
$
x0
&0
FX pxq 1{2 0 x 1
%1
x1
Pp| Xn X | 1{2q Pp| Xn X | 1q PpXn 0, X 1q ` PpXn

P.
1, X 0q 1{2 ` 1{2 1. Y de esta manera Xn

X.
5.2 Leyes de los grandes nmeros

5.2.1 Leyes dbiles de los grandes nmeros
Definicin 5.7 (Ley dbil de los grandes nmeros). Una sucesin de variables aleatorias
tXn u se dice que obedece a la ley dbil de los grandes nmeros (L.D.G.N.) si existe una
sucesin de constantes tBn u Bn 0, y una sucesin de nmeros reales tAn u tales
que
n
Sn An P.
0
S n Xi .
(5.7)
Bn
i1
108
5. 2 Le y e s d e l o s g r a n d e s n m e ro s
Teorema 5.8 (L.D.G.N. de Tchebysheff). Sea tXn unPN una sucesin de variables aleatorias
independientes con VarrXm s M @m. Entonces tXm umPN verifica la L.D.G.N. con
n
Bn n y An i1
ErXi s, es decir,
n
n
Sn ErSn s P.
(5.8)
0
ErSn s E Xi ErXi s An .
n
i1
i1
Demostracin.
@ 0
y, haciendo el lmite,
@ 0

ns
P Sn ErS
Pp|Sn ErSn s| n q

n
2
n
2 2
P |Sn ErSn s|
n
nM
M
VarrSn s
i VarrXi s
2 2
n2 2
n2 2
n
n
M

ns
lim P Sn ErS
lim
0

n
n
n n
Sn ErSn s P.
0.
Teorema
(L.D.G.N.
de Markov). Sea tXn unPN de variables aleatorias con ErXn s
1 5.9
n
s
y Var n i1 Xi X 0, de esta manera
n
Sn ErSn s P.
0.
n
(5.9)
Demostracin.
dado que
1
n2

VarrS s
1 s

n
ns
@ 0 P Sn ErS
2 X,

n
2
2
n
1
VarrSn s Var n Xi . Por otro lado

1

ns
s0
@ 0 lim P Sn ErS
2 lim X

n
n
n
Sn ErSn s
P.
s
X
0
n
Ejemplo. Tenemos una sucesin tXn u,

`
Cov Xi , X j
En primer lugar calculamos

n
VarrSn s Var Xi
i1
Xn Np0, 1q
@n y adems sabemos que
si j i ` 1 j i 1
resto
1
hkkkkkkkkj
`
VarrXi s ` 2 Cov Xi , Xj
n
i1
ij
109
n`2
n1
CovpXi , Xi`1 q n ` 2 pn 1q ,
i1
1
1
1
VarrXs Var Sn 2 VarrSn s 2 pn ` 2 pn 1q q 0
n1
n
n
n
Sn ErSn s
Sn P.
0
n
n
Teorema 5.10 (L.D.G.N. de Khintchine). Sea tXn u una sucesin de variables aleatorias
P.
independientes idnticamente distribuidas con ErXn s . Entonces Snn , o lo
que es lo mismo
n
1 n
1
P.
P.
s
s
(5.10)
Xi X
Xi X .
n i1
n i1
Demostracin.
Sn ptq Sn
n
Y adems, como limt0
Optq
t
`t
n
Xi
i1
0, entonces1
`t
n
` n
Xi nt
X1 ptq X1 p0q ` 1X1 p0q t ` Optq 1 ` it ` Optq

de manera que nos queda
`t n
t
Sn ptq 1 ` i ` O n
n
n
fi it`n Opt{nq n
n
it`n Opt{nq
1
fl
1`
n
it`n Opt{nq
como soy un fracaso y un poco subnormal y he hecho esto sin saber por qu lo haca, sin
hacer un puto comentario sobre ello, llevando a mis alumnos al desconocimiento, pues
ahora concluimos lo siguiente
`
limn it`n Opt{nq

lim Sn ptq e
eit X ptq
X | PpX q 1
n
y de esta manera
Sn P.
.
n
Ejemplo. Sean tXn u variables aleatorias independientes Bp1, pq Xn . Entonces, es verdad
P.
s
que X
p?
Nosotros sabemos que ErXn s p , luego por el Teorema de Khintchine (5.10)

concluimos que
Sn P.
Xi P.
p
p.
n
n
1 Optq
es el resto de Lagrange (que el ao pasado expresbamos como Ln pt, t0 q) del polinomio de Taylor. En
este caso, Op nt q es el resto de Lagrange de nt en 0, que el ao pasado expresaramos como L2 p nt , 0q.
110
5. 2 Le y e s d e l o s g r a n d e s n m e ro s
5.2.2 Leyes fuertes de los grandes nmeros

Definicin 5.11 (Ley fuerte de los grandes nmeros). Se dice que una sucesin de
variables aleatorias tXn unPN obedece a la ley fuerte de los grandes nmeros (L.F.G.N.) si
existe una sucesin tBn u Bn 0 Bn y una sucesin tAn u de nmeros reales tales
que
Sn An c.s.
0.
(5.11)
Bn
Teorema 5.12 (L.F.G.N. de Kolmogorov). Sea tXn unPN una sucesin de variables aleatorias
independientes con ErXn s @n. Entonces si
n2
n2
n1
Sn ErSn s c.s.
n2 VarrXn s
0.
n
(5.12)
Teorema 5.13 (L.F.G.N. de Khintchine). Sea tXn unPN una sucesin de variables aleatorias
independientes idnticamente distribuidas con ErXn s @n. Entonces
Sn c.s.
.
n
(5.13)
Ejemplo. Sea tXn u variables aleatorias independientes con distribuciones binomiales

Xi Bp1, pi q
#
1
pi
1 pi
y sea
fn
n de obs. entre X1 , ..., Xn iguales a 1

n
c.s.
n
Y nos preguntamos ahora si f n i1
pi 0.
Solucin.
Ti
Xi 1
Xi 0
ErTi s p, VarrTi s p p1 pq
1
4
fn
1 n
Ti
n i1
1 1
VarrTk s
k2
k2
4 k1
k1
y por el Teorema L.F.G.N de Kolmogorov (5.12)

Sn ErSn s c.s.
Sn 1
c.s.
0
ErSn s 0
n
n
n
si y slo si
fn
1 n
c.s.
pi 0.
n i1
111
17/01/2013
5.3 Teorema Central del Lmite

Hemos estado viendo resultados en los que
Sn An P.
0 (por las leyes dbiles)
Bn
Sn An c.s.
0 (por las leyes fuertes)
Bn
y ahora nos preguntamos si puede converger a X una variable aleatoria
L.
Sn An
X?
Bn
Teorema 5.14 (Tma Central del Lmite). Sea tXn unPN una sucesin de variables aleatorias
independientes idnticamentes distribuidas con ErXn s y VarrXn s 2 , entonces
n
n
Xi E Xi
i1
y tambin
i1
Var Xi
i1
Xi
?
n
i1
i1
L.
Np0, 1q
s n q L.
n pX
Np0, 1q
` Xi? ptq Xi? ptq Xi
(5.14)
i1
n
X n L.
i1
? i
Np0, 1q
n 2
`
n
n n1 i1
Xi L.
?
Np0, 1q
n
Demostracin.
L.
Np0, 1q,
t
?
(5.15)
Pero por otro lado, tenemos que como ErXi s 0 y VarrXi s VarrXi s 2 , y
limt0
Opt2 q
t2
0, de manera que
Xi ptq Xi p0q ` 1Xi p0q t `
1 2
p0q t2 ` Opt2 q
2! Xi
loooooooooooooon
i2 ErpXi q2 s
t2
1 22 2
t i ` Opt2 q 1 2 ` Opt2 q
2
2
lo que implica que, volviendo a la ecuacin (5.15),
n
2 n
t2
2
t
t
`
Xi? ptq Xi ?n
1 2 ` O ?n
n
2 n
2
2
t
1
` O ?t n
2n
1`0`
112
5 .3 Te o r e m a Ce n t r a l d e l L m i t e
y de esta manera se tiene que
lim n ` Xi? ptq lim

1 `
n1 n
n
n

limn O
t2
2 n
1
O
1
t2
2n
t2
2 n
2
t
2n
n
t2 t2
2n
2 n
t2
fi
ffi
ffi
fl
t2
2 n
t2
n
2n
e 2 X ptq.
Al tener esta funcin caracterstica, X Np0, 1q.

n
Ejemplo. Sea X Bpn, pq tal que X i1
Xi ,
n
X Eri1
Xi s L.
a
Np0, 1q
Varr Xi s
&
Xi Bp1, pq.
a
Xnp
L.
Np0, 1q.
n p p1 pq
5.3.1 Correccin por continuidad

El problema viene cuando tratamos de aproximar distribuciones discretas por continuas.
Lo que ocurre es que al integrar la funcin de masa da igual integrar en un intervalo,
digamos, ra, bs o pa, bq, el resultado ser el mismo. Pero en el caso de la discreta, si a
b tienen probabilidad mayor que 0 la cosa cambia. De ah que se trate de corregir en la
mayor medida posible ese error.
Definicin 5.15 (Correccin por continuidad). Sean X1 , ..., Xn variables aleatorias disn
cretas independientes e idnticamente distribuidas y Xn i1
Xi . El Teorema Central
del Lmite (5.14) deca que aunque X sea una variable aleatoria discreta su funcin de
distribucin se puede aproximar por la de la distribucin normal, que es una distribucin continua. Con el nombre de correccin por continuidad se recoge un procedimiento
para mejorar la calidad de la aproximacin que se obtiene cuanto se aproxima una
probabilidad basada en una distribucin discreta por una basada en una distribucin
continua.
Supondremos, por sencillez, que los posibles valores de la variable aleatoria X son los
enteros.
Ejemplo. Sea PX pX xq la funcin de probabilidad de la variable aleatoria X y sea gpxq
la funcin de densidad de la variable aleatoria normal con la que se quiere aproximar la
distribucin de la variable aleatoria X. Es decir, se trata de mejorar la aproximacin
PX pa X bq
Zb
xa
PX pX xq
gpxq dx.
Obsrvense los inconvenientes que inicialmente se plantean con esta aproximacin:
113
a)
PX pX aq
PX pX aq
Z
a
Z
a
,
/
gpxq dx/
.
/
gpxq dx/
PX pX aq PX pX aq
b) PX pX xq 0, y, sin embargo, cuando se calcula con gpxq ser uno por ser g1 pxq la
funcin de densidad de una variable aleatoria continua.
114
5.4 Ejercicios
Hoja 5 Convergencias
estoc
asticas
1.- Sea {Xn : n 1} una sucesion de variables aleatorias independientes e
identicamente distribuidas Normales de media 0 y varianza 1. Estudiar
Pnla convergencia en probabilidad de la sucesion {Yn : n 1}, donde Yn = n1 i=1 Xi2 .

identicamente distribuidas Bernoulli(p), con 0 < p < 1. Sea la variable aleatoria
Vn = X1 X2 ...Xn . Estudiar la convergencia en ley, la convergencia en probabilidad y la convergencia casi segura de la sucesion {Vn : n 1}.
3.- Sea (X, Y ) una variable aleatoria con funcion de densidad conjunta
1
4 exp{x/2}, si x > 0, 1 < y < 1,
f (x, y) =
0,
en caso contrario.
Se pide:
(3.a) Sea {Xn : n 1} una sucesion de variables aleatorias independientes e

identicamente distribuidas con ley L(X). Hallar la distribucion de
Yn
n
X
Xi .
i=1
Estudiar la convergencia en ley de la sucesion {Vn : n 1}, donde Vn =

n2 Yn .
(3.b) Sea Zn una variable aleatoria tal que Zn /X = x es Poisson de parametro
nx. Calcular la distribucion de Zn y estudiar la convergencia en ley de la
sucesion {Zn : n 1}.
4.- Demostrar que si {Xn : n 1} es una sucesion de variables aleatorias

independientes e identicamente distribuidas que converge en ley a la constante
c, entonces la sucesion {eXn : n 1} converge en ley hacia ec . Usar este
resultado para estudiar la convergencia en ley y en probabilidad de
n
!1/n
Y
Yn =
Xi
,
i=1
20
115
donde {Xn : n 1} es una sucesion de variables aleatorias independientes e

identicamente distribuidas Uniformes sobre el intervalo (0, 1).
identicamente distribuidas y definamos
Yn
n
X
i=0
Xi
.
n+1i
2
Estudiar la convergencia en ley de {Yn : n 0} cuando:

(5.a) Xi Normal (0, 2 ), i 0.
(5.b) Xi Cauchy (0, 1), i 0.

6.- Sea {Xn : n 1} una sucesion de variables aleatorias independientes con
funciones de densidad
1
n
.
fXn (x) =
1 + (nx)2
Estudiar la convergencia en probabilidad y la convergencia en media de orden
2 de {Xn : n 1}.
7.- Sea {Xn : n 1} una sucesion de variables aleatorias independientes con
distribuciones Poisson de parametro n. Demostrar que
Xn n
n
converge en ley a X, donde X es una variable aleatoria Normal (0, 1).
identicamente distribuidas Uniforme sobre (0, 1). Consideremos
Yn
= max(X1 , ..., Xn ),
Zn
Tn
= nYn ,
= n (1 Yn ).
Estudiar la convergencia en ley de las sucesiones {Yn : n 1}, {Zn : n 1} y

{Tn : n 1}.
9.- Estudiar si las siguientes sucesiones de variables aleatorias independientes
cumplen la ley debil y/o la ley fuerte de los grandes n
umeros:
(9.a) {Xn : n 1}, donde
P (Xn = 2n )
P (Xn = 0)
= P (Xn = 2n ) =
= 1
21
116
1
.
22n
1
22n+1
(9.b) {Xn : n 1}, donde
p
P Xn = ln(n + )
p
1
P Xn = ln(n + ) = ,
2
IN.
10.Pn Estudiar la convergencia en ley de la sucesion {Yn : n 1}, donde Yn =

on de variables aleatorias independientes
i=1 Xi y {Xn : n 1} es una sucesi
con funcion de masa
1
1
1
P Xi = i
=
P Xi = i
= .
2
2
2
11.- Sea X una variable aleatoria Exponencial de tasa . Sea
0, si X() [0, 1 1/n),

1, si X() [1 1/n, n),
Yn () =
n, si X() [n, ).
Estudiar la convergencia en ley, en probabilidad, en media de orden 2 y casi

segura de la sucesion {Yn : n 1}.
12.- Una empresa esta especializada en la produccion de tuercas. La experiencia en los u
ltimos a
nos muestra que la probabilidad de producir una tuerca
defectuosa es 0.035. Las tuercas se empaquetan en cajas de 100 unidades. Determinar el porcentaje de cajas sin mas de dos tuercas defectuosas.
13.- Una urna contiene diez bolas numeradas del cero al nueve. De la urna
se extraen n bolas con reemplazamiento.
(13.a) Se
nalar que dice la ley de los grandes n
umeros sobre la aparicion de
ceros.
(13.b) Determinar cuantas extracciones sera preciso efectuar para que, con
probabilidad 0.95, la frecuencia relativa de aparicion de ceros este comprendida entre 0.09 y 0.11.
(13.c) Utilizar el teorema central del lmite para calcular la probabilidad
de
que, entre
los
n
n
u
meros
elegidos,
el
cinco
aparezca
entre
(n
3
n)/10
y n + 3 n. Particularizar para n = 25 y n = 100.

14.- Sea {Xn : n 1} una sucesion de variables aleatorias independientes donde
Xi tiene funcion de masa
P (Xi = 2) =
P (Xi = 0)
P (Xi = 1) = P (Xi = 1) = P (Xi = 2) =
1
,
4i
1
1 .
i
Estudiar la convergencia en ley, en probabilidad, en media cuadratica y casi

seguro. Analizar si se cumple la ley fuerte de los grandes n
umeros.
22
117
15.- Sea una variable aleatoria Uniforme sobre el intervalo (1/, 1/). Se
definen las variables aleatorias = y
1, si () [1, 1/i),
0,
si () [1/i, 1/i),
Xi () =
1,
si () [1/i, 1).
Estudiar la convergencia en probabilidad, casi segura y en media cuadratica de

la sucesion {Xn : n 1}.
16.- La duracion de una bombilla se distribuye Exponencial con media 1 mes.
Cada vez que una bombilla se estropea es reemplazada inmediatamente por otra
nueva. Determinar cual es el n
umero mnimo de bombillas que deben tenerse
para que, con probabilidad 0.95, tengamos luz durante un intervalo de tiempo
de dos a
nos.
23
118
Historial
20121023, 19:34 Versin 0.0.1
Primera versin.
Acabado el (Captulo 1).
20121025, 00:24 Versin 0.0.2
Aadida la (Seccin 2.2.1) de los de informtica.
Aadido todo hasta la Observacin de la (Definicin 2.12).
20121025, 12:45 Versin 0.0.3
Aadidos los ejercicios de los (Captulos 1 y 2).
20121025, 23:41 Versin 0.0.4
Completado todo el (Captulo 2).
Corregidas las erratas sealadas por Mario.
Aadido todo hasta la Observacin del (Teorema 3.4).
20121029, 18:04 Versin 0.0.5
Corregidas varias erratas sealadas por Mario.
20121102, 14:43 Versin 0.0.6
Corregidas ms erratas sealadas por Mario.
Cambiado el prembulo.
Aadido todo hasta el 31/10/2012, hasta el Ejemplo del (Teorema 3.7).
20121106, 19:34 Versin 0.0.7
Se necesita colaboracin porque faltan bastantes cosas entre el (Teorema 3.7, pgina
34) y el (Ejercicio 3.1, pgina 40).
Por lo dems, aadido todo hasta el da 06/11/2012 (Ejercicio 3.1).
20121107, 17:48 Versin 0.0.8
Repasado todo hasta el (Ejercicio 3.1) con los apuntes de Adolfo.
20121112, 19:00 Versin 0.0.9
Aadido hasta el Ejemplo de la (Definicin 3.19).
Aadido hasta la (Proposicin 3.28). A falta de muchas cosas que han quedado por
el camino.
20121113, 18:49 Versin 0.0.10
Corregido hasta la (Proposicion 3.26).
Aadido lo del da 13/11/2012 hasta la (Definicin 3.33).
119
Histori a l
20121114, 11:17 Versin 0.0.11
Aadidos ciertos retoques de Mario.
Retoques mnimos.
20121116, 21:34 Versin 0.0.12
Ms retoques.
Aadido todo hasta el 15/11/2012, hasta la (Subseccin 3.4.2).
20121117, 12:50 Versin 0.0.13
Retocados los comandos compos y distrib.
20121121, 17:38 Versin 0.0.14
Aadido todo hasta el da 20/11/2012 (Subseccin 3.4.6).
20121123, 16:04 Versin 0.0.15
Aadido todo hasta el da 22/11/2012, hasta el (Ejercicio 3.4).
20121127, 23:09 Versin 0.0.16
Aadidas las tablas Binomial y Poisson (Seccin 3.6).
Aadido todo hasta el da 27/11/2012, hasta la (Definicin 3.43).
Segn ha dicho, hasta aqu entra en el examen.
20121202, 13:46 Versin 0.0.17
Retoques mnimos.
Errores corregidos por Mario.
Aadida la tabla de la distribucin normal (Seccin 3.6).
20121204, 19:05 Versin 0.0.18
Retoques mnimos a lo largo de todo el documento (an quedan pendientes algunas
f X pxq que errneamente se llaman f pxq y numerosas X/Y que errneamente se han
escrito como x/y).
20121210, 22:35 Versin 0.0.19
Retoques varios de estilo.
Cambio de portada.
Aadido parte del (Captulo 4).
20121212, 15:05 Versin 0.0.20
Aadido todo salvo lo del da 10/12/2012, hasta el Ejemplo del (Teorema 4.23).
20121213, 20:45 Versin 0.0.21
Ms retoques.
Cambio de fuente.
Aadidos \frontmatter, \mainmatter y \backmatter.
Cambio de la estructura y uso de m.sty (\usepackage{m}).
20121218, 00:00 Versin 0.0.22
Cambiado la clase del documento a scrbook, retocadas ciertas cosas y alterado el
comando \partial.
120
20121219, 00:18 Versin 0.0.23

Aadidas varias cosas, hasta el da 18/12/2012.
Cuando algo falta se indica como
20121219, 22:02 Versin 0.0.24

Aadido todo hasta el Ejemplo (5) de la (Definicin 4.29).
20121220, 16:58 Versin 0.0.25
Sustituidas por en los ttulos de seccin.
Aadido todo hasta el da 20/12/2012, hasta las observaciones de la (Definicin 4.36).
20121231, 19:55 Versin 0.0.26
Retoques mnimos a lo largo de todo el documento.
20130104, 18:41 Versin 0.0.27
Corregidos errores varios de Mario.
20130109, 13:19 Versin 0.0.28
Aadido todo hasta el 09/01/2013 (salvo pequeos errores).
20130111, 13:01 Versin 0.0.29
Aadido todo hasta el 10/01/2013.
Corregidos errores varios de Carlos.
20130116, 16:53 Versin 0.0.30
Aadido todo hasta la fecha 15/01/2013, hasta el Ejemplo del (Teorema 5.10).
20130117, 19:38 Versin 0.0.31
Aadido todo hasta la fecha 17/01/2013, hasta el Ejemplo de la (Subseccin 5.3.1).
20130118, 22:56 Versin 0.0.32
Cambiado el comando \NewDelimCommand, la fuente caligrfica (\mathcal) con el
paquete \usepackage[cal=dutchcal]{mathalfa} y el operador diferencia ().
Retocados algunos ttulos de seccin.
De nuevo cambio de fuente a Palatino (\usepackage[osf,slantedGreek]{mathpazo}).
20130119, 22:44 Versin 0.0.33
Repasado todo hasta la (Subseccin 3.4.4).
20130121, 14:23 Versin 0.1.0
Repasados todos los apuntes, esto es, hasta el (Captulo 5).
Primera ronda completada.
20130123, 16:49 Versin 0.1.1
Corregidos varios lmites.
Corregidas las definiciones de algunas funciones (aligned en vez de align*, para
evitar divisiones).
121
Histori a l
20130125, 16:45 Versin 0.1.2
Corregidos los mal utilizados : en vez de \colon para definir funciones.
Y algn lmite ms corregido.
20130127, 13:49 Verin 0.1.3
Aadido el alfabeto \mathbb{...} en negrita (R en vez de R).
Y sustituidos los \ldots (. . . ) en el texto por \... (...).
20130129, 15:35 Versin 0.1.4
Sustituido el smbolo P por para representar las partes de un conjunto (tambin
conocido como conjunto potencia).
Algunos retoques mnimos a lo largo del documento.
Aadida la opcin [tracking=smallcaps] al paquete microtype.
20130130, 17:22 Versin 0.1.5
Corregidos varios entornos multlined y multline*.
20130203, 14:51 Versin 0.1.6
Sustituidos por K cuando se trataba de conjuntos.
Sustituidos algunos . . . errneos por ....
Aadidos los diagramas de Venn (Figura 1.1).
Retoques varios en los (Captulos 1, 2 y 3).
Sustituido el commando \ii por \i.
20130210, 13:10 Versin 0.1.7
Sustituido \renewcommand{\d} por \DeclareRobustCommand{\d}.
20130211, 20:15 Versin 0.1.8
Repasado todo entero (excepto las distribuciones notables), y corregidas numerosas
erratas.
20130213, 00:09 Versin 0.1.9
Repaso de los captulos 1 y 2.
122

Probabilidad

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Probabilidad

Transféré par

Droits d'auteur :

Formats disponibles

Doble Grado MatemticasFsica Universidad Complutense

Tengo el pe muy pequeo.

3 Variables aleatorias unidimensionales

3.4.3 Distribucin de Poisson . . . . . . .

4 Variables aleatorias multidimensionales

1 Introduccin al clculo de probabilidades

Definicin 1.1 (Experimento aleatorio). Se denomina as a aquel experimento del que

1.2 Lmites de sucesiones de conjuntos

Observacin. Sea txn unPN con xn P R, entonces

Ejemplo. Sea tAn unPN ,

lim inf xn suppinf xk q

Demostracin. P lim infn An pertenece a todos menos a un nmero finito

Definicin 1.8 (Sucesiones montonas). Una sucesin tAn unPN de subconjuntos de es

b) Como An An`1 `para todo n entonces lim supn An

Am . Y por otro lado

1.3 lgebras y -lgebras

Figura 1.1: Diagramas de Venn representando operaciones bsicas con conjuntos.

Demostracin. Sea A P A AA P A A AA P A y por lo tanto

AAi qA P A porque tanto los complementarios como

Demostracin. A1 K A2 A1 AA2 A1 AA2 P A.

d) Sean A1 , . . . , An , . . . P A, A un -lgebra, entonces

An P A, entonces lim inf An , lim sup An P A.

f) La interseccin de una familia de -lgebras (lgebras) es una -lgebra (lgebra)

Proposicin 1.13. Una clase de subconjuntos1 de es un -lgebra si es lgebra y es

error, una clase de subconjuntos de A es un subconjunto de partes de A, es decir, C pAq.

1.3.2 Generacin de diversas estructuras

Ejemplo. N, C tt1u, t1, 2uu.

pCq t1u, t1, 2u, t1u, t1, 2u, , N, t2u, t2u

En general no existe un procedimiento constructivo para hacer esto.

es una lgebra (-lgebra).

b) Sea f : 1 2 una aplicacin y sea C una clase de subconjuntos de 2 , entonces

Demostracin. Veamos nicamente la demostracin de (a) en dos partes. Sea A P f 1 pCq,

1.3.3 lgebras y -lgebras particulares

5. tau ra, as P BpRq,

11.- Con las vocales a, e, i, o, u y las consonantes b, c, d, f, calcular el

(1.a) Demostar la igualdad lim sup An =

(1.b) Si An , demostrar que existe limn An y que limn An =

3.- Supongamos = IR2 . Calcular los conjuntos limn En , limn Enc ,

(4.a) An = {(x, y) IR2 :

(4.b) An = {(x, y) IR2 : 0 x2 + y 2

5.- Estudiar la convergencia de la sucesion {An : n 1} P() en los siguientes

(5.a) An = n1 , 1 si n es par, y 1, n1 si n es impar.

(5.b) An = 0, 1 n1 si n es impar, y n1 , 1 si n es par.

(ntese que la definicin es vlida si A es lgebra si se impone que

Definicin 2.2 (Espacio de probabilidad). La terna p, A, Pq se denomina espacio de

entonces, de esta manera,

Demostracin. A1 A2 A2 A1 pA2 K A1 q PpA2 q PpA1 pA2 K A1 qq

d) Si A P A, entonces PpAA q 1 PpAq.

Demostracin. A1 A2 A1 pA2 K pA1 A2 qq y por lo tanto PpA1 A2 q PpA1 q `

Demostracin. (Induccin) Para n 2 es cierto aplicando (e). Supngase ahora cierto

PpAi q ` PpAn q PpAi q.

Demostracin. (Induccin) Para n 2 es cierto aplicando (e). Supngase ahora cierto

que, si lo expandimos, queda igual a

PpAi q PpAi A j q ` ` p1q

Teorema 2.4. Sea p, A, Pq un espacio de probabilidad.

lim PpBi q lim P

b) Sea tBn unPN tal que B1 A1 K A2 , y @n 1 Bn A1 K An`1 . Donde se tiene que

PpA1 q lim PpAn`1 q PpA1 K lim An`1 q

PpA1 q Pp lim An`1 q PpA1 q PpAq,

y, por lo tanto obtenemos finalmente que

Observaciones (Lema de BorellCantelli).

Demostracin. Sea tBn unPN definido como Bn

Pp lim Bn q lim PpBn q lim P

c) Sea tAn unPN con An P A