Cap4v1 5

Captulo 4
Variables Aleatorias
4.1.
Introducci
on.
A la realizacion de un experimento aleatorio le hemos asociado un modelo matematico representado

por un espacio de probabilidad (, F, P ), donde es el conjunto de resultados posibles del experimento,
F es la coleccion de eventos, de acuerdo a la seccion 2.1 y P es una funcion que le asigna a cada conjunto
en F un n
umero entre 0 y 1 que representa su probabilidad y satisface las condiciones de la seccion 2.2.
Con frecuencia estamos interesados en considerar funciones definidas sobre , es decir, correspondencias que asocian a cada evento elemental un cierto valor. Por ejemplo, en los casos de muestreo que
hemos mencionado anteriormente, si tomamos una muestra de tama
no n de los objetos producidos en
una fabrica, el espacio muestral correspondiente es
= {(e1 , . . . , en ) : ei = 0 o 1, i = 1, . . . n}
donde ei = 0 indica que hemos extrado un objeto bueno la i-esima vez y ei = 1 que hemos extrado uno
defectuoso y nos interesa la funcion
n
X
(e1 , . . . , en ) 7
ei
i=1
que asocia a cada evento elemental el n

umero de objetos defectuosos que contiene la muestra respectiva.
Analogamente, en el caso del error de redondeo, supongamos que debemos efectuar un calculo del tipo
y = (x1 , x2 , . . . , xk )
(4.1)
donde : Rk R y que cada una de las magnitudes x1 , x2 , . . . , xk se calcula a su vez con un cierto
error de redondeo, es decir que en lugar de valores exactos x1 , x2 , . . . , xk obtenemos valores aproximados
x
1 , x
2 , . . . , x
k , respectivamente:
xi = x
i + i
(i = 1, . . . , k)
donde 1 , 2 , . . . , k son los errores de redondeo.
Si en lugar de (4.1) calculamos
y = (
x1 , x
2 , . . . , x
k ) = (x1 1 , x2 2 , . . . , xk k )
cometemos un cierto error
y y = (x1 , x2 , . . . , xk ) (x1 1 , x2 2 , . . . , xk k )
que es funcion del evento elemental (1 , 2 , . . . , k ), considerado como elemento del espacio muestral
= {(1 , 2 , . . . , k ) : i R,
(i = 1, . . . k)}.
CAP
ITULO 4. VARIABLES ALEATORIAS
86
Del mismo modo el lector puede verificar que en cada uno de los ejemplos que hemos considerado anteriormente, aparecen vinculadas a los problemas en cuestion ciertas funciones de los resultados obtenidos
en los experimentos aleatorios, es decir, funciones de los eventos elementales. Estas funciones se llaman
variables aleatorias.
Con frecuencia va a resultar de interes poder calcular la probabilidad de que una variable aleatoria
X tome valores en un intervalo I, es decir, la probabilidad del conjunto
{ : X() I}.
Pero esto solo podemos hacerlo si este conjunto esta en F, ya que P esta definida u
nicamente sobre F, y
en principio, si X es cualquiera, este conjunto no tiene por que estar en F. Por lo tanto exigiremos como
parte de la definicion de variable aleatoria, que para cualquier intervalo I R el conjunto { : X() I}
este en F.
.
....
...
..
...
...
...........................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.
.
........
.........
.
.
.
.
.
.
.
.
.
...
.
.
.
..... ...................................
......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.
.
.
.
.
.
.
.
.
.
.
.
.....
................
..........
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
......
.
.
.
.
...........
...
....
...... .......................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.............. ....
...
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
......... ...
...
.
....
.
.
.
.
.
..
.
.
...
.
...
...
...... ........
...
.....
.........
..
.....
..........
..
....
.
.
.
..
.
.
.
..
.
.
.
.
...
.
..
...
...
..
.
...
.
...
.
..
...
.
...
.
.
..
.
.
...
.
...
....
.
...
.
.
.
...
.
...
..
.
.
.
...
.
...
....
.
...
.
...
.
...
.
...
.
.
...
.
....
...
.
.
.
...
.
...
...
.
.
.
.
...
.
...
...
.
.
.
.
.
...
....
.
.....
.
.
.....
.
.
.
...
.
......
....
.
.
.
.
.
.
.
...
.
........
.......
.
.
.
.
.............
.
.
.
.
.
...
.
.
.................................
...
.
{ : X() I}
Figura 4.1
Definici
on 4.1 Sea (, F, P ) un espacio de probabilidad. Una funcion
X:R
es una variable aleatoria real, o simplemente una variable aleatoria, si se cumple que para cualquier
intervalo I en R, el conjunto
{ : X() I}
es un evento (es decir, esta en F).
Para definir el concepto de variable aleatoria vectorial, introducimos primero el concepto de intervalo
en Rm .
Definici
on 4.2 Un intervalo en Rm es un conjunto de la forma:
{(x1 , x2 , . . . , xm ) : xi I1 , x2 I2 , . . . , xm Im }
donde I1 , I2 , . . . , Im son intervalos de la recta.
Observamos que en R2 , un intervalo no es otra cosa que un rectangulo con lados paralelos a los ejes
coordenados, y en R3 , un paraleleppedo de aristas paralelas a los ejes coordenados.
Definici
on 4.3 Una funcion
Y : Rm

4.1. INTRODUCCION.
87
es una variable aleatoria vectorial, o simplemente un vector aleatorio, si se cumple que para cualquier
intervalo I en Rm , el conjunto
{ : Y () I}
es un evento (es decir, esta en F).
Frecuentemente denotaremos al conjunto { : X() I} por {X I} o por X 1 (I), y lo llamaremos
la preimagen de I por la funcion X. La definicion dice que X es una variable aleatoria si la preimagen
por X de cualquier intervalo es un evento.
Por ejemplo, si F es la familia de todos los subconjuntos de , cualquier funcion X definida sobre
es una variable aleatoria, ya que para cualquier intervalo I
X 1 (I) = { : X() I}
y por lo tanto X 1 (I) F. Si en cambio F no es la familia de todos los subconjuntos de , una funcion
definida sobre no tiene por que satisfacer la definicion de variable aleatoria. Como ejemplo consideremos
= {1, 2, 3, 4, 5, 6},
F = {, {1, 3, 5}, {2, 4, 6}, }
y la funcion X() = . X no es una variable aleatoria, porque, por ejemplo,

X 1 ([0, 3/2]) = {1}
/ F.
Ejemplos
1. Sea c un n
umero real, la funcion X definida por X() = c para todo es una variable aleatoria,
ya que para cualquier intervalo I,
(
,
si c I
{ : X() I} =
,
si c
/I
y tanto como son siempre eventos. Esta es una variable aleatoria constante.
2. Sea c un n
umero real y definamos la funcion X : R R por X() = + c. En este caso el espacio
de probabilidad sobre el cual esta definida la funcion X es (R, B, P ) donde B son los conjuntos de
Borel y P es alguna probabilidad definida sobre B. Sea I alg
un intervalo en R,
{ : X() I} = { : + c I} = { : I c} = I c
donde, si A es un conjunto cualquiera y c una constante, definimos
A + c = {x : x = a + c, a A}.
Por lo tanto, la preimagen de cualquier intervalo I por X es otro intervalo que se obtiene trasladando
I una distancia c. Pero como todo intervalo es un conjunto de Borel vemos que
{ : X() I} B
y X es una variable aleatoria.
3. Sea A un evento (A F). Definimos X por
(
X() =
1,
0,
si A
si
/A
CAP
88
Observamos que el evento A ocurre si y solo si X() = 1. Ademas si I es un intervalo tenemos que
,
si 0, I, 1 I
A,
si 0
/ I, 1 I
{ : X() I} =
c
A ,
si 0 I, 1
/I
,
si 0
/ I, 1
/I
y por lo tanto este conjunto siempre esta en F y X es una variable aleatoria.
Esta variable aleatoria se conoce como la variable indicadora o funcion indicadora de A porque el
valor de X nos dice si A ocurrio o no. Las notaciones usuales son 1A o A .
Recprocamente, si X es una variable aleatoria sobre un espacio de probabilidad (, F, P ) que solo
toma los valores 1 y 0, entonces X es la variable indicatriz del evento
A = { : X() = 1}
4.2.
Operaciones con Variables Aleatorias.
Esta seccion esta destinada a probar que si se efectuan las operaciones usuales con variables aleatorias,
se obtienen nuevas funciones que tambien son variables aleatorias.
Recordemos que la familia de conjuntos de Borel en Rm es la menor -algebra que contiene a todos
los intervalos abiertos. El siguiente lema sera de utilidad.
Lema 4.1 Sea X : Rm una funci
on. X es una variable aleatoria si y s
olo si la preimagen de
cualquier conjunto de Borel es un evento, es decir
X 1 (B) F
para todo B B
(4.2)
donde B denota la familia de conjuntos de Borel.

Demostraci
on. Puesto que los intervalos son conjuntos de Borel, si se cumple (4.2) se cumple que la
preimagen de cualquier intervalo es un evento, y por lo tanto X es una variable aleatoria.
Recprocamente, supongamos que la preimagen por X de cualquier intervalo es un evento. Tenemos
que probar que la preimagen de cualquier conjunto de Borel tambien es un evento.
Consideremos la familia D de subconjuntos de Rm definida por
D = {D Rm : X 1 (D) F}
o sea que D es la familia de los conjuntos D Rm cuya preimagen por X es un evento. Tenemos:
(I) Rm D, ya que X 1 (Rm ) = F.
(II) D D Dc D ya que
X 1 (Dc ) = { : X() Dc } = { : X()
/ D}
= { : X() D}c = (X 1 (D))c
y este u
ltimo conjunto esta en F porque X 1 (D) F y F es una -algebra.
(III) Sea {Dn , n 1} una sucesion de conjuntos en D, entonces
n=1 Dn F
ya que
X 1 (
n=1 Dn ) = { : X() n=1 Dn }
=
n=1 { : X() Dn }
1
=
(Dn ) F.
n=1 X
4.2. OPERACIONES CON VARIABLES ALEATORIAS.
89
Es decir, hemos demostrado que D es una -algebra, y como hemos supuesto que contiene a los intervalos
abiertos, D debe contener a la menor -algebra que contiene a los intervalos abiertos, que es justamente
B. Por lo tanto
B B B D X 1 (B) F
que es lo que queramos probar.
Consideremos ahora la siguiente situacion

g
Rm R
es decir que X es una funcion de en Rm y g una funcion de Rm en R. En tenemos la -algebra de
eventos F y en Rm la -algebra de conjuntos de Borel B. Definimos la funcion compuesta Y : R
mediante
Y () = g(X()).
Lema 4.2 Con las notaciones anteriores, si X y g son variables aleatorias, tambien lo es Y .
Demostraci
on. Para probar que Y es una variable aleatoria, tenemos que ver que la preimagen de
cualquier intervalo I es un evento, es decir, esta en F. Tenemos:
Y 1 (I) = {Y I} = { : g(X()) I}
= { : X() g 1 (I)} = X 1 (g 1 (I)).
Dado que g es una variable aleatoria, g 1 (I) B, y como X tambien lo es, usando el lema 4.1 obtenemos
X 1 (g 1 (I)) F .
Observaci
on 4.1 En el lema anterior X es una variable aleatoria vectorial, que toma valores en Rm , y
por lo tanto se puede escribir
X() = (X1 (), X2 (), . . . , Xm ())
donde cada una de las Xi , i = 1, . . . , m es una funcion
Xi : R
y por lo tanto tambien podemos escribir
Y () = g(X1 (), X2 (), . . . , Xm ())
..
...........................
..........
.........
...
........
......
...
.......
....
......................................
.
.
.
.
.
......
.
..
.
.
.
.
.
.
...
.
.
.
........
......
.......
.
.
.
.
.
.
.
.
.
...
......
.
....
.
......
.....
.
.
......
.
.
.
.
...
.
...
.
.
....
....
.....
.
.
...
.
.
.
.
...
.
...
.....
....
...
.
.
.....
.
.
.
.
...
...
...
.....
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
....
.
.
............................
.................
...
....................
.
.
.
.
............ ..............................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.............
........... .......
..... .............
...
...
......... ....
..
..
.....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.....
.......... .... ...
..
.... ...
.. ................ ..... ...
...
.
.
.
.
.
.
.
...
.
...
.
..
..... .
.
.
.
.
............... ...
...
...
.
...
....
.
.
.
...
.
.
...
.
.
...
.
.
...
.
...
.
...
.....
........ ..........
...
...
...
...
...
...................
...
..
...
...
.......
...
..
..
.
.
.
.
...
.
.
...
.
.
..
...
.
..
...
.
.
.
...
.
.
...
...
.
.
.
.
.
....
.
...
...
1 1
1
.
..
.....
.
.
.
.
.
...
...
.
.
.....
.
.
.
.
...
.
...
.....
..
.
.
.
...
.....
....
.
...
...
.
.....
.
.
.
.
.
.
...
...
...
.....
...
.
.
.
.....
.
.
...
...
...
.
......
.
..
.
.
.
.
...
.
...
......
....
.
..
.
.
.
.
...
......
.
...
...
.
.
.
.......
.
.
.
.
.
...
.
.
.....
.
....
.......
.
.
.
.
.
.
.
m
.
.
.
...
.
.
........
......
..
.....
.
.
.
.
.
..........
.
.
.
.
.
.
.
.
.
...
.
.
........
..................................
.......
.
.
.
.
................
.
.
.
.
.
.
.
...
.
.........................
.
(g
(I))
(I)
Figura 4.2
CAP
90
Lema 4.3 Las siguientes condiciones son equivalentes

1. { : X() I} F
para todo intervalo I R.
2. { : X() < c} F
para todo c R.
3. { : X() c} F
para todo c R.
4. { : X() > c} F
para todo c R.
5. { : X() c} F
para todo c R.
y por lo tanto cualquiera de estas condiciones puede ser utilizada en la definici

on de variable aleatoria.
Demostraci
on. Como
{X < c}c = {X c}
{X > c}c = {X c}
es inmediato que 2 5 y 3 4. Veamos que 2 3. Supongamos que 2 es cierto, como

{X c} =
X <c+
n=1
1
n
y cada uno de los conjuntos de la interseccion en el segundo miembro esta en F (por 2), concluimos que
3 es cierto. Recprocamente, si 3 es cierto, como
{X < c} =

[
n=1
1
X c
n
se obtiene que 2 es cierto.

Hemos visto hasta ahora que las cuatro u
ltimas condiciones son equivalentes entre s. Veamos ahora
que tambien son equivalentes a la primera. Si 1 es cierta, escribiendo
{X < c} =
{c n X < c n + 1}
n=1
vemos que los conjuntos que aparecen en la union estan en la -algebra F, de donde concluimos que
{X < c} F. Por lo tanto 2 es cierta, y como consecuencia 3, 4 y 5 tambien.
Finalmente, supongamos que 2, 3, 4 y 5 son ciertas; es facil ver que, para cualquier intervalo I, el
conjunto {X I} se puede escribir en base a los conjuntos que aparecen en las condiciones 2, 3, 4 y 5
usando uniones e intersecciones. Por ejemplo, si I = [a, b) entonces
{ : X() I} = { : a X() < c} = { : a X()} { : X() < c}.
Por lo que hemos supuesto, los conjuntos del segundo miembro estan en F, y por las propiedades de F
concluimos que
{ : X() I} F
para todo intervalo I R.
Proposici
on 4.1 La suma de dos variables aleatorias tambien es una variable aleatoria.
Demostraci
on. Observamos que la desigualdad
X1 + X2 < c
4.2. OPERACIONES CON VARIABLES ALEATORIAS.
91
es cierta si y solo si existe alg

un racional r tal que
X1 < r
r < c X2
por lo tanto, si Q es el conjunto de los numeros racionales, podemos escribir

[
{ : X1 () + X2 () < c} =
{ : X1 () < r} { : r < c X2 ()}
rQ
{ : X1 () < r} { : X2 () < c r}.
rQ
Pero como X1 y X2 son variables aleatorias, por el lema 4.3 los conjuntos que aparecen en el segundo
miembro estan en F, y por lo tanto tambien esta su union.
De manera similar se puede demostrar que el producto, el cociente, etc. de variables aleatorias da
como resultado variables aleatorias.
Antes de enunciar el proximo resultado recordamos la definicion de funcion monotona.
Definici
on 4.4 Decimos que g : R R es creciente (resp. decreciente) si se cumple que x1 < x2
g(x1 ) g(x2 ) (resp. g(x1 ) g(x2 )). Si en lugar de la desigualdad en sentido amplio (, ) ponemos en
sentido estricto (<, >), decimos que g es estrictamente creciente (resp. decreciente). Decimos que g es
monotona cuando es creciente o decreciente.
Proposici
on 4.2 Sea X : R una variable aleatoria y g : R R una funci
on mon
otona. Entonces
Y : R definida por Y () = g(X()) tambien es una variable aleatoria.
Demostraci
on. Supondremos que g es creciente. La demostracion para el caso decreciente es analoga.
Por el lema 4.2 es suficiente demostrar que g es una variable aleatoria, es decir, que para cualquier
intervalo I R se tiene que {z R : g(z) I} es un conjunto de Borel, pero por el lema 4.3 sabemos
que es suficiente demostrar que para cualquier c R se tiene que
{z R : g(z) < c} B.
Consideremos primero un caso particular: supongamos que la funcion g es continua y estrictamente
creciente. Se pueden presentar tres casos:
(A) La funcion siempre es mayor que c. En este caso el conjunto que nos interesa es vaco y por lo tanto
esta en B.
(B) La funcion siempre es menor que c. Entonces el conjunto que nos interesa es R y esta en B.
(C) Existe un u
nico punto y R tal que g(y) = c (ver Figura 4.3) y entonces el conjunto que nos interesa
esta formado por los puntos que estan a la izquierda de y, sin incluir a y, es decir
{z R : g(z) < c} = (, y)
y este conjunto esta en B, con lo cual hemos probado que g es una variable aleatoria.
g(z)
......
.........
...
..
..
....
...
......
...
......
.....
.
.
...
.
.
.
...
.....
.....
...
.....
...
.....
.....
.
.
...
.
.
.
...
......
.....
...
......
... ...........
.............
........
......... ....
......
...
...
...
..
.
.........................................................................................................................................
.
.....
...
w
c
Figura 4.3
CAP
92
En general esto no ocurre para una funcion monotona cualquiera ya que el punto y puede no existir
si la funcion es discontinua, o puede no ser u
nico, si la funcion no es estrictamente creciente (Figura 4.4).
g(z)
g(z)
......
.........
......
..
......
...
......
...
.....
.....
.
.
...
.
...
...
....
...
...
.
..
.......
..........
.
.
...
....
....
...
.....
.....
...
.....
.
.
.
...
.
....
...
......
... .............
. ...
.........
............. ....
...
...
...
.
...........................................................................................................................................
.
.
..
...
..
......
.........
......
..
........
...
.......
...
......
......
.
.
.
...
.
.....
...
....
...
...
.
...........
....
...
.....
...
.....
...
.....
......
...
.......
.
.
.
.
...
.
.
..
.. .................
............................
...
...
...
.
...........................................................................................................................................
.
..
..
.
...
..
Figura 4.4
Para resolver este problema definimos
y = sup{z R : g(z) < c}.
Si y {z R : g(z) < c} entonces
{z R : g(z) < c} = (, y] B
mientras que si y
/ {z R : g(z) < c} entonces
{z R : g(z) < c} = (, y) B
y esto termina la demostracion.
4.3.
Funci
on de Distribuci
on.
Definici
on 4.5 Sea (, F, P ) un espacio de probabilidad y X : R una variable aleatoria. Llamaremos funcion de distribucion de la variable aleatoria X a la funcion F definida por
F (x) = P ({ : X() x}) = P (X x).
En algunas ocasiones, para resaltar que F es la funcion de distribucion de X, escribiremos FX en lugar
de F .
Proposici
on 4.3 Si F es una funci
on de distribuci
on, satisface las siguientes propiedades:
1. F es creciente (en sentido amplio).
2. limx F (x) = 0,
limx+ F (x) = 1.
3. F es continua por la derecha.

Demostraci
on. Sea F la funcion de distribucion de la variable aleatoria X.
1. Si x1 < x2 entonces
F (x2 ) F (x1 ) = P (X x2 ) P (X x1 ) = P (x1 < X x2 ) 0.
DE DISTRIBUCION.
4.3. FUNCION
93
2. Sea {xn } una sucesion decreciente de n

umeros reales, xn . Entonces, la sucesion de eventos
{ : X() xn } es una sucesion decreciente y ademas
{ : X() xn } = .
n=1
Por lo tanto
lim F (xn ) = lim P ({ : X() xn }) = P () = 0.
Esto prueba que limn F (xn ) = 0. Del mismo modo, si {xn } es una sucesion creciente y xn ,
la sucesion de eventos { : X() xn } es creciente y
{ : X() xn } = .
n=1
Por lo tanto
lim F (xn ) = lim P ({ : X() xn }) = P () = 1.
Esto prueba que limn F (xn ) = 1.

3. Para probar que F es continua por la derecha en todo punto, basta probar que si {xn } es una
sucesi
on decreciente que tiende a a, entonces
lim F (xn ) = F (a).
Veamos esto:
{X a} =
{X xn }
y puesto que {X xn } es una sucesion decreciente de eventos, resulta

lim F (xn ) = lim P (X xn ) = P (X a) = F (a).
n
Recprocamente, si una funcion F : R [0, 1] satisface las propiedades 1, 2 y 3 se puede demostrar

que F es la funcion de distribucion de una variable aleatoria. Para esto basta tomar = R, F = la
familia de conjuntos de Borel de R y definir la probabilidad P de modo que
P ((a, b]) = F (b) F (a)
(la demostracion de la existencia de esta probabilidad P escapa al contenido de este texto). Entonces, F
es la funcion de distribucion de la variable aleatoria X() = , ya que
FX (x) = P ({ : X() x}) = P ({ : x}) = P ((, x]) = F (x).
Llamemos
F (a ) = lim F (x),
xa
el lmite por la izquierda de F en a. Tenemos que P (X < x) = F (x ) y en consecuencia la siguiente

proposicion.
CAP
94
Proposici
on 4.4 Sea X una variable aleatoria con funci
on de distribuci
on F . Entonces
P (X (a, b]) = F (b) F (a)
(4.3)
P (X [a, b]) = F (b) F (a )
P (X (a, b)) = F (b ) F (a)
P (X [a, b)) = F (b ) F (a )
(4.4)
(4.5)
(4.6)
Demostraci
on. Veamos la demostracion de (4.4), las demas son similares:
P (X [a, b]) = P (X < b) P (X a) = F (b ) F (a)
Si ponemos ahora a = b = x en (4.4) obtenemos que

P (X = x) = F (x) F (x )
(4.7)
de modo que la funcion de distribucion es continua en x si y solo si P (X = x) = 0.
4.4.
Variables Aleatorias Discretas.
Definici
on 4.6 Una variable aleatoria X es discreta si existe un conjunto finito o numerable de valores
{xn } tal que
X
P (X = xn ) = 1,
n
es decir, la probabilidad de que dicha variable tome valores fuera del conjunto {xn } es cero.
Por ejemplo, en los casos de muestreo que hemos considerado anteriormente, si
= {(e1 , . . . , en ) : ei = 0 o 1, i = 1, . . . , n}
donde ei = 0 indica que la i-esima extraccion ha resultado en un objeto bueno y ei = 1 indica uno
defectuoso, la funcion X : R definida por
X(e1 , e2 , . . . , en ) =
n
X
ei
i=1
que representa el total de objetos defectuosos en la muestra, es una variable aleatoria discreta, ya que
solo toma valores en el conjunto {0, 1, 2, . . . , n}.
Para ver como es la funcion de distribucion de una variable aleatoria discreta consideramos
pn = P (X = xn ).
Con frecuencia, la sucesion {pn } se denomina la funcion de probabilidad de la variable aleatoria X.
Entonces
X
FX (x) = P (X x) =
pn
xn x
donde la suma se extiende a aquellos valores de n para los cuales xn x. La figura 4.5 (a) representa
una grafica tpica de funcion de distribucion de una variable aleatoria discreta, mientras que la figura 4.5
(b) representa la funcion de probabilidad correspondiente.
4.4. VARIABLES ALEATORIAS DISCRETAS.
.......
95
..
...
..
..
........
....
...
..
..................
...
...............................................
...
...
.
.
i ... .............................
... ......
................................................................
..
...
..................
..
....................................
....
.
..................................................................................................................................................................................................................................
.
..
...
...
.
.....
.........
...
..
...
..
..
.......
..
...
...
..
...
...
..
...
...
..
...
.
.
.
...
i .... ...
..
... .
..
..
. . .
.........................................................................................
.....................................................................................................
.
..
..
...
n
i
.
(a)
(b)
F (x) ..............
1
p{
xi
pn
Figura 4.5
Ejemplos
1. Lanzamos dos dados y llamamos X a la suma de los resultados. Esta suma puede tomar once valores
distintos y si suponemos que los dados son simetricos podemos calcular la probabilidad de cada uno
de ellos:
xi : 2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
5
4
3
2
1
pi : 36
36
36
36
36
36
36
36
36
36
36
El grafico correspondiente a esta funcion de probabilidad es el siguiente:
.
......
........
..
n .....
....
...
.
......
....
.....
...
...
...
......
...
...
...
..
..
.
..
.
...
.
...
.
...
....
....
....
...
....
...
....
...
..
.
.
.
.
.
....
.
.
..
...
.
.
.
.
...
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
...
...
.
.
.
.
...
....
.
.
.
.
...
..
...
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........................................................................................................................................................................................................................................................
.
.
.
.
.
.
.
.
.
.
.
.
....
...
n
6/36
1/36
2 3 4 5 6 7 8 9 10 11 12 x
Figura 4.6
La funcion de distribucion de esta variable se puede representar de la siguiente manera:
.
F (x) ................
...
.
1 ........
..................................................
.............
..
...............
....
...
...............
..
...
...
...............
...
...
...
...
...............
...
.
.....
..
...
...............
...
...
...
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
..
.......
...............
....
...............
...
..
...............
.
.............................................
..............................................................................................................................................................................................................................................
.
.
.
.
.
.
.
.
.
.
.
.
...
18/36
6/36
2 3 4 5 6 7 8 9 10 11 12
Figura 4.7
2. Consideremos una caja que contiene seis fichas numeradas del uno al seis. Se extraen dos fichas
con reposicion y se observa el mayor de los n
umeros. Como es la funcion de probabilidad de esta
variable? Como es, si el muestreo se realiza sin reposicion?
CAP
96
I Estudiemos primero el caso de muestreo con reposicion. El espacio muestral correspondiente a este
experimento es el conjunto de pares (1 , 2 ), donde i {1, 2, 3, 4, 5, 6} para i = 1, 2. La variable
aleatoria X : R que estamos considerando esta definida por
X(1 , 2 ) = max{1 , 2 }
y toma valores en el conjunto {1, 2, 3, 4, 5, 6}. Si suponemos que todas las fichas tienen la misma probabilidad de ser extradas entonces todos los eventos elementales que componen el espacio
muestral son igualmente probables y su probabilidad es 1/36. Es facil ahora calcular la funcion de
probabilidad de la variable aleatoria X:
xi :
pi :
1
36
3
36
5
36
7
36
9
36
11
36
y su representacion grafica se presenta en la figura 4.8.

Veamos ahora que sucede si el muestreo se realiza sin reposicion. El espacio muestral es ahora el
conjunto de pares
{(1 , 2 ) : i {1, 2, 3, 4, 5, 6} y 1 6= 2 }
La variable
X(1 , 2 ) = max{1 , 2 }
ahora toma valores en el conjunto {2, 3, 4, 5, 6}.
pn
11/36
1/36
...
..........
...
....
..
..
.........
..
..
...
.
...
........
.
.
...
....
....
...
.
.
.......
.
...
..
...
....
.
...
.
.
..
.
.
.
...
.......
.
..
..
.
.
.
...
....
....
....
....
...
.
.
.
.......
.
.
.
.
...
..
..
..
..
...
.
.
.
.
...
.
..
..
..
..
.
.
.
.
.
....
.......
..
..
..
...
...
.
.
.
.
.
.
.
.......................................................................................................................................................................................................................................
.
...
6 xn
Figura 4.8
Nuevamente suponemos que todas las fichas tienen la misma probabilidad de ser extradas, de
modo que los eventos que componen el espacio muestral tienen probabilidad 1/30. La siguiente
tabla representa la funcion de probabilidad de la variable aleatoria X
xi :
pi :
2
30
4
30
6
30
8
30
10
30
y su representacion grafica es:

.
......
.......
....
...
..
........
..
..
...
..
...
........
..
...
...
...
...
.
.
.
...
.......
..
.
.
.
....
..
....
....
....
.
.
..
...
.
.
.......
..
..
..
...
.
.
.
...
....
....
....
....
.
.
.
.
...
.
.
.
.
......
....
...
....
....
....
..
...
...
...
...
...
...
.
.
.
.
.
.
.
.
.
.
.
........................................................................................................................................................................................................................................
.
.
pn
10/30
2/30
6 xn
Figura 4.9
N
97
3. Se lanza al aire una moneda repetidamente y se observa en cual de los lanzamientos la moneda cae
aguila por primera vez. Hallar la funcion de probabilidad de esta variable.
I Si A denota aguila y S sol, cada evento elemental es una sucesion infinita de estos smbolos:
= (A, A, A, A, S, A, A, S, S, S, . . . )
y la variable aleatoria que estamos considerando le asigna a cada evento elemental el n
umero
correspondiente al lugar de la primera A. Por ejemplo:
X(S, S, S, A, A, S, A, . . . ) = 4
Observamos que X puede tomar como valor cualquier entero positivo, y por independencia podemos
calcular su funcion de probabilidad:
2
1
11
1
P (X = 1) = ,
P (X = 2) =
=
,
2
22
2
y en general X = n si y solo si los n 1 primeros lanzamientos resultaron en S y el n-esimo en A,
lo cual tiene probabilidad
n
1
P (X = n) =
.
2
Como
X
X
P (X = n) =
2n = 1,
n=1
n=1
la variable aleatoria X es discreta y toma valores sobre el conjunto numerable {1, 2, 3, . . . }.
4. Consideremos ahora la situacion en la que elegimos al azar un n

umero en el intervalo [0, 1) y
definimos X() como la tercera cifra despues de la coma en el desarrollo decimal de . En este
caso, los posibles valores de X() son {0, 1, . . . , 9} y cada uno tiene probabilidad 1/10, es decir que
pn = P (X = n) =
1
,
10
(n = 0, 1, . . . , 9)
La grafica de la funcion de probabilidad es:

.......
.......
.....
...
..
...
...
...
....
...
..
..
..
..
..
..
..
..
..
..
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
.
.
.
.
.
.
.
.
...
.
.
.
.
.
.
.
.
...
..
..
..
..
..
..
..
..
...
.
.
.
.
.
.
.
.
...
..
..
..
..
..
..
..
..
.
.
...
.
.
.
.
.
.
.
.
....................................................................................................................................................................................................................................................................................................................................................................
.
..
pn
1/10
xn
Figura 4.10
A continuacion vamos a considerar algunas de las distribuciones discretas mas importantes.
4.4.1.
La Distribuci
on de Bernoulli
Esta es la distribucion mas sencilla y corresponde a una variable que toma solo dos valores: 1 con
probabilidad p y 0 con probabilidad q = 1 p.
Si A es un evento y definimos la funci
on indicadora de A por
(
1 si A
1A () =
0 si
/ A.
Esta variable aleatoria vale 1 cuando A ocurre y 0 cuando no, es decir, nos indica cuando ocurre A. Por
lo tanto 1A tiene distribucion de Bernoulli con p = P (A).
CAP
98
4.4.2.
La Distribuci
on Uniforme
Una variable aleatoria con valores en el conjunto {x1 , x2 , . . . , xn } tiene distribucion uniforme si todos
los puntos xi , 1 i n tienen la misma probabilidad. Como hay n valores posibles esto quiere decir que
P (X = xi ) =
1
.
n
Para un dado convencional tenemos xi = i, 1 i 6.
4.4.3.
La Distribuci
on Binomial.
Recordemos el caso de muestreo con reposicion, en el cual la variable que nos interesa especialmente
es el n
umero de defectuosos dn que contiene una muestra de n elementos, es decir,
dn (e1 , . . . , en ) =
n
X
ei
i=1
donde ei = 0 o 1, seg
un que en la i-esima extraccion hayamos obtenido un artculo bueno o defectuoso,
respectivamente. Hemos visto que la funcion de probabilidad de la variable aleatoria discreta dn es

n k
P (dn = k) =
p (1 p)nk = pk,n
(k = 0, 1, . . . , n)
k
donde p es la probabilidad de obtener un objeto defectuoso en una extraccion.
En general, si una variable aleatoria discreta X tiene esta funcion de probabilidad decimos que X
tiene una distribucion binomial con parametros n y p. En este caso usaremos la notacion X b(n, p)
Si p = 1/2 la funcion de probabilidad es simetrica con respecto a n/2, ya que en este caso P (dn =
k) = P (dn = n k).
10
15
20
0.15
0.05
0.00
0.00
0
0.10
Probabilidad
0.15
0.05
0.10
Probabilidad
0.20
0.15
0.10
0.00
0.05
Probabilidad
Dist. Binomial con p=0.8, n=20

0.20
0.25
Valores
10
15
20
Valores
10
15
20
Valores
Figura 4.11 Distribucion binomial para n = 20 y tres valores de p.

Probabilidad
0.15
Probabilidad
0.05
0.10
0.20
0.15
0.00
Probabilidad
0.10
0.05
0.00
0
Valores
10
10
Valores
15
20
0.00 0.02 0.04 0.06 0.08 0.10 0.12
0.25
10
20
30
Valores
Figura 4.12 Distribucion binomial para p = 0.5 y tres valores de n.
40
99
Ejemplo.
Se extraen con reposicion cinco cartas de un juego de barajas. Sea X el n
umero de diamantes en la
muestra. Cual es la probabilidad de que haya exactamente dos diamantes entre las cinco cartas?
Cual es la probabilidad de que haya a lo sumo dos diamantes?
I Para responder la primera pregunta queremos calcular P (X = 2), y como la probabilidad de obtener
un diamante en cada extraccion es 1/4 tenemos:
2 3
5
1
3
P (X = 2) =
= 0.264
2
4
4
Para la segunda pregunta tenemos que:
P (X 2) = P (X = 0) + P (X = 1) + P (X = 2)
5 4 2 3
5
3
5
1
3
5
1
3
+
+
=
1
2
0
4
4
4
4
4
= 0.237 + 0.396 + 0.264
= 0.897
N
Podemos obtener una relacion recursiva entre los terminos de la distribucion. Si X b(n, p) tenemos
n
P (X = k + 1) =
pk+1 (1 p)nk+1
k+1
n!
=
pk+1 (1 p)nk
(k + 1)!(n k 1)!
p
nk
n!
=
pk (1 p)nk
k + 1 k!(n k)! 1 p
n k p
=
P (X = k).
(4.8)
k+1 1p
Podemos usar esta relacion comenzando en P (X = 0) = (1 p)n o en P (X = n) = pn para calcular los
valores de la distribucion.
4.4.4.
La Distribuci
on de Poisson.
Decimos que la variable aleatoria X tiene distribucion de Poisson con parametro , ( > 0) si
P (X = n) =
n
e
n!
(n = 0, 1, 2, . . . ).
Esta relacion define efectivamente una funcion de probabilidad ya que, usando el desarrollo en serie de
Taylor de la funcion exponencial,
X
n=0
P (X = n) = e
X
n
= e e = 1,
n!
n=0
y es otro ejemplo de una variable aleatoria que toma valores en un conjunto numerable. Usaremos la
notacion X P()
Esta distribucion tiene numerosas aplicaciones y gran interes en s misma, pero ademas es u
til como
aproximacion a la distribucion binomial para n grande y p peque
no, hecho que estudiaremos a continuacion.
CAP
100
Consideremos la distribucion binomial cuando n crece y p tiende a cero de manera tal que el producto
np permanece fijo. La distribucion binomial es
pk,n =

n k
n(n 1) (n k + 1) k
p (1 p)nk =
p (1 p)nk
k
k!
multiplicando numerador y denominador por nk y llamando a np obtenemos

pk,n =
n(n 1) (n k + 1)
(np)k (1 p)nk
nk k!
n(n 1) (n k + 1) k
(1 p)nk
nk
k!
1
2
k 1 k
1
1
... 1
(1 p)nk
n
n
n
k!
1
n
1 n2 . . . 1
(1 p)k
k1
n
k
(1 p)n
k!
(4.9)
Ahora bien, podemos escribir

(1 p)n = [(1 p)1/p ]np = [(1 p)1/p ]
pero por la definicion de e sabemos que
lim (1 + z)1/z = e.
z0
Por lo tanto, si ponemos z = p obtenemos

lim (1 p)n = lim [(1 p)1/p ] = e .
p0
Ademas
p0

1 n1 1 n2 . . . 1
lim
n
(1 p)k
k1
n
=1
ya que hemos supuesto que p 0 cuando n y np = permanece constante. Usando estos dos
resultados en (4.9) obtenemos
lim pk,n =
e k
.
k!
Hemos demostrado el siguiente resultado.

Teorema 4.1 (de Aproximaci
on de Poisson) Sea Xn b(n, pn ) y supongamos que cuando n ,
pn 0 de modo que npn permanece constante y es igual a . Entonces, cuando n
pk,n = P (Xn = k) e
k
k!
Dist. Poisson con lambda=2
10
0.15
0.00
0.0
0.00
0.05
0.05
0.10
Probabilidad
0.20
0.15
Probabilidad
0.10
0.2
0.1
Probabilidad
0.3
0.25
101
12
Valores
10
12
Valores
10
12
Valores
Figura 4.13 Distribucion de Poisson para tres valores de .

Ejemplos.
1. Las llamadas que se reciben en una central telefonica por minuto tienen distribucion de Poisson con
par
ametro = 4. Si la central puede manejar un maximo de seis llamadas por minuto, cual es la
probabilidad de que la central sea insuficiente para atender las llamadas que llegan en un minuto?
I Sea X el n
umero de llamadas que se reciben en un perodo de un minuto. Calculemos primero
P (X 6) =
6
X
P (X = i) =
i=0
6
X
e4 4i
i=1
i!
= 0.889,
por lo tanto
P (X > 6) = 1 P (X 6) = 1 0.889 = 0.11.
N
2. Se toma una muestra de 400 fusibles fabricados usando un procedimiento que, en promedio, produce
1 % de fusibles defectuosos. Cual es la probabilidad de que, a lo sumo, haya 5 fusibles defectuosos
en la muestra?
I Sea X el n
umero de fusibles defectuosos en la muestra. Sabemos que X tiene una distribucion
binomial con n = 400, p = 0.01 y deseamos calcular
P (X 5) =
5
X
P (X = i) =
i=0
5
X
400
(0.01)i (0.99)400i
i
i=0
y el calculo de esta suma es trabajoso. Por lo tanto utilizaremos la distribucion de Poisson con
par
ametro
= np = 400 0.01 = 4,
para aproximar la distribucion binomial.
P (X 5) =
5
X
e4 4i
i=0
i!
=e
42
43
44
45
1+4+
+
+
+
2
6
24 120
= 0.785.
N
CAP
102
Para la distribucion de poisson tambien hay una relacion recursiva que permite calcular sus valores.
Si X P() tenemos
P (X = i + 1)
e i+1 /(i + 1)!
=
=
i
P (X = i)
e /i!
i+1
es decir,
P (X = i + 1) =
P (X = i), i 0.
(4.10)
i+1
4.4.5.
La Distribuci
on Hipergeom
etrica.
Hemos visto que el problema relativo al n

umero de componentes defectuosos obtenidas al realizar un
muestreo al azar con reposicion, nos lleva a una variable aleatoria con distribucion binomial.
Si realizamos un muestreo al azar pero sin reemplazar los componentes que son extrados, la variable aleatoria que representa el n
umero de componentes defectuosos tiene una distribucion distinta a la
binomial, que se conoce como distribucion hipergeometrica.
Supongamos que en total hay n objetos de los cuales r son de tipo I (por ejemplo, defectuosos) y n r
son de tipo II (por ejemplo, en buen estado). Extraemos un grupo de k elementos de esta poblacion y
llamamos X a la variable aleatoria que representa el n
umero de objetos de tipo I en la muestra. Queremos
calcular la funcion de probabilidad de X, es decir:
P (X = j)
donde j puede ser cualquier entero entre 0 y el menor entre k y r. Para hallar esta probabilidad observamos
que el grupo de objetos que hemos
escogido tiene j objetos de tipo I y n j objetos
de tipo II. Los de

tipo I se pueden escoger de rj maneras distintas mientras que los de tipo II en nr
kj maneras distintas.
Como cada seleccion de j objetos de tipo I se puede combinar con cualquier seleccion de (n j) objetos
de tipo II tenemos que:

P (X = j) =
r
j
nr
nkj
.
k
Usando propiedades de los n

umeros combinatorios es posible reescribir la formula anterior:
knk
P (X = j) =
nrj
.
r
Estas probabilidades estan definidas solo si j es menor que r y k, pero si definimos:

a
= 0 cuando b > a
b
las expresiones anteriores dan P (X = j) = 0 cuando j > r o j > k.
Dist. Hipergeom. con n=30, r=10
0.30
Probabilidad
0.20
0.00
0.10
Probabilidad
0.3
0.2
Probabilidad
0.1
0.0
0
Valores
10
Valores
10
0.00 0.05 0.10 0.15 0.20 0.25 0.30
0.4
10
Valores
Figura 4.14 Distribucion Hipergeometrica para r = 10 y tres valores de n.
103
Ejemplo.
I Como ilustracion consideremos el ejemplo de una poblacion de 100 personas de las cuales 10 tienen
miopa. La probabilidad de que haya a lo sumo dos personas miopes en un grupo de 10 escogidos
al azar y sin reemplazo es:
10 90
2
X
j
10j
100
P (X 2) =
= 0.94
j=0
10
4.4.6.
La Distribuci
on Geom
etrica
Consideremos un fusible electrico que no se deteriora con el paso del tiempo pero que se quema debido
a fallas en la corriente electrica que ocurren al azar pero en forma homogenea en el tiempo. El fusible
es observado cada da y llamaremos X al n
umero de das que transcurren hasta que el fusible falla,
suponiendo que el da cero el fusible es nuevo. Queremos hallar la funcion de probabilidades de X.
Igual que en el caso del tiempo de vida de un componente electronico que estudiamos en el ejemplo
3.3.1, la idea de que el fusible no se deteriora con el paso del tiempo se puede expresar con mayor precision
de la manera siguiente: si sabemos que el fusible no ha fallado antes o durante el da n, es decir, X > n,
entonces la probabilidad de que no falle hasta despues del da n + m, P (X > n + m|X > n) debe ser
igual a la probabilidad de que un fusible nuevo el da n no falle hasta despues del da n + m.
Como las fallas electricas que hacen que el fusible se queme ocurren en forma homogenea en el tiempo,
esta probabilidad debe depender solamente del n
umero de das transcurridos, que es m, pero no de n.
Por lo tanto tenemos la ecuacion
P (X > n + m|X > n) = P (X > m)
y usando la definicion de probabilidad condicional podemos reescribir esta identidad como
P (X > n + m) = P (X > n)P (X > m) n, m = 0, 1, 2, . . .
(4.11)
Si hacemos n = m = 0 obtenemos
P (X > 0) = (P (X > 0))2
y por lo tanto P (X > 0) = 0 o 1. Si P (X > 0) = 0 entonces P (X = 0) = 1, lo cual es imposible. Por lo
tanto, P (X > 0) = 1.
Llamemos p = P (X = 1), entonces
P (X > 1) = 1 p
y usando (4.11) con m = 1 obtenemos
P (X > n + 1) = (1 p)P (X > n).
Iterando en n obtenemos que
P (X > n) = (1 p)n
y por lo tanto
P (X = n) = P (X > n 1) P (X > n)
= (1 p)n1 (1 p)n
= p(1 p)n1
para n 1.
CAP
104
Definici
on 4.7 Decimos que la variable aleatoria Y tiene distribucion geometrica si su funcion de probabilidad es
(
p(1 p)n1
n = 0, 1, 2, . . .
P (Y = n) =
0
para cualquier otro n
donde 0 < p < 1. Observamos que en el ejemplo anterior la variable X tiene distribucion geometrica.
Dist. Geomtrica con p=0.3
10
20
30
40
0.5
0.3
0.1
0.05
0.0
0.00
0.00
0
0.2
Probabilidad
0.20
0.15
0.10
Probabilidad
0.4
0.25
0.10
0.08
0.06
0.04
0.02
Probabilidad
0.30
Valores
10
15
20
Valores
10
15
Valores
Figura 4.15 Distribucion Geometrica para tres valores de p.
4.4.7.
La Distribuci
on Binomial Negativa.
Esta distribucion tambien se conoce como la Distribucion de Pascal y aparece en el contexto de una
sucesion de ensayos de Bernoulli con probabilidad de exito p, cuando nos hacemos una pregunta similar
a la realizada para la distribucion geometrica, pero en lugar de preguntar por el n
umero de ensayos
necesarios para lograr el primer exito, preguntamos por el n
umero de ensayos necesarios para lograr k
exitos.
Sea X la variable descrita anteriormente. X vale n si y solo si el k-esimo exito ocurre en el n-esino
ensayo, esto es, en los primeros n 1 ensayos hay k 1 exitos y en el n-esimo ensayo hay un exito. La
probabilidad de esto u
ltimo es p, mientras que la probabilidad de tener k 1 exitos en n 1 ensayos es
una distribucion binomial:
n 1 k1 nk
p
q
.
k1
Como los ensayos son independientes, tenemos que la probabilidad P (X = n) es el producto de las dos
expresiones anteriores, es decir,
n 1 k nk
P (X = n) =
p q
.
k1
Dist. Binomial Neg. con p=0.5, k=5
10
20
Valores
30
40
0.08
0.06
0.02
0.00
0.00
0
0.04
Probabilidad
0.08
Probabilidad
0.04
0.15
0.10
0.00
0.05
Probabilidad
0.20
0.12
0.25
10
20
Valores
30
40
10
20
30
40
Valores
Figura 4.16 Distribucion Binomial Negativa con p = 0.5 para tres valores de k.
4.5. VARIABLES ALEATORIAS CONTINUAS.
105
Ejemplo.
Un pescador va todos los dias al muelle y se queda pescando hasta que hayan pasado dos horas
o hasta que logre pescar un pez. Si la probabilidad de que no pesque nada es 0.6, cual es la
probabilidad de que tenga que esperar cinco das para pescar tres peces?
I Sea X el n
umero de das necesarios para pescar tres peces. Esta variable tiene distribucion binomial
negativa con parametros 3 y 0.4, por lo tanto

4
P (X = 5) =
(0.4)3 (0.6)2 = 0.138
2
N
4.5.
Variables Aleatorias Continuas.
Las variables aleatorias que hemos estudiado en las secciones anteriores tpicamente representan el
n
umero de objetos que poseen una cierta propiedad, como por ejemplo el n
umero de objetos defectuosos
en una muestra de tama
no n.
Hay muchas situaciones en las cuales las variables aleatorias que debemos considerar toman valores
continuos en lugar de discretos. Por ejemplo, en el captulo anterior consideramos el tiempo de vida u
til
T de una maquinaria y obtuvimos, bajo ciertas condiciones especficas, que esta variable T satisface
P (T > x) = ex ,
para x > 0 y alg

un > 0.
Esta es una variable aleatoria que puede tomar cualquier valor real positivo, y por lo tanto no esta concentrada en un conjunto numerable de valores. Mas a
un, para cualquier x > 0 se tiene que
P (T = x) = 0
(4.12)
es decir, que la probabilidad de que la variable aleatoria tome cualquier valor fijo es 0.
En este caso, la funcion de distribucion de T es
(
0,
si x 0
F (x) = P (T x) = 1 P (T > x) =
x
1e
,
si x > 0
que es una funcion continua cuya grafica es:
......
..........
...
...
...
...
..
......
...............................
....
..................
...
...........
..........
.
.
.
.
.
...
.
.
..
.......
...
......
...
.....
.....
...
....
.
...
.
....
...
....
...
...
... .....
... ....
... ...
....
.
...............................................................................................................................................................................................
.
...
F (x)
Figura 4.17
En general diremos que una variable aleatoria X es continua si su funcion de distribucion lo es. Por
(4.7) esto equivale a pedir
P (X = x) = 0,
para todo x R.
Ejemplo.
CAP
106
Consideremos el experimento que consiste en escoger un punto al azar en un disco D de radio R

con centro en el origen. Interpretaremos la expresion al azar como equivalente a si A y B son
subconjuntos del disco con igual area y es el punto que se escoge al azar entonces P ( A) =
P ( B). Como conclusion, la probabilidad de que el punto escogido este en un subconjunto A
del disco debe ser proporcional al area de A:
P ( A) = C|A|
donde C es la constante de proporcionalidad y |A| representa el area del conjunto A. Como
P ( D) = 1 = C|D|
obtenemos que
1
|A|
y
P ( A) =
.
|D|
|D|
En el razonamiento anterior hay un punto fundamental que hemos pasado por alto y es el concepto
de area de un subconjunto de D. Que es el area de un subconjunto de A D?
C=
Si A es una figura geometrica elemental, como un rectangulo o un crculo, sabemos calcular, con
exactitud, su area, pero que sucede con conjuntos mas complicados? Para citar un ejemplo consideremos el conjunto
{ D : la primera coordenada de es racional}.
C
omo se define en este caso el area del conjunto?
La resolucion de este problema requiere herramientas matematicas de la Teora de la Medida, que
est
an mas alla del nivel de este curso. Nos limitaremos a decir que existe una -algebra F de
subconjuntos de D (o mas generalmente de R2 ) y una funcion no-negativa m definida sobre ella
que es -aditiva y que coincide con la nocion de area para todas las figuras elementales.
En particular, si A es un crculo entonces sabemos calcular P ( A), y esto va a ser suficiente para
el ejemplo en cuestion.
Sobre este espacio D definimos la variable X como la distancia del punto escogido al origen y
calcularemos su funcion de distribucion. Si 0 x R, el evento
{ : X() x}
es el disco del plano que esta centrado en el origen y tiene radio x. Su area es x2 . Por lo tanto
F (x) = P (X x) =
x2
x2
= 2,
2
R
R
Ademas, si x < 0 entonces P (X x) = 0 y si x > R
0,
F (x) = x2 /R2 ,
1,
0 x R.
entonces P (X x) = 1. Por lo tanto

si x < 0,
si 0 x R,
si x > R,
que es una funcion continua, de modo que X es una variable aleatoria continua. La grafica de F es
......
..........
F (x) ........
...
..
1 ..........
......................................
..
..
..
...
..
.
...
.
..
...
...
...
...
...
..
...
.
.
...
...
...
...
....
...
....
.
.
...
.
...
...
....
.....
...
.....
...
.....
.
... .................
........................ ..............................................................................................................
.
....
.
4.6. DENSIDADES.
107
Figura 4.18
N
Es importante observar que, de acuerdo a las definiciones que hemos dado, hay variables aleatorias
que no son discretas ni continuas, es decir, hay variables aleatorias que ni toman u
nicamente valores en
un conjunto numerable, ni tienen funciones de distribucion continuas. Por ejemplo, la variable aleatoria
correspondiente a la funcion de distribucion que representamos en la figura 4.19 esta en esta clase.
.......
.........
..
...
...
.
......
................
..
............................
...
................
...
...........
........
...
...
...
............
...
.........
.......
...
......
... ..........
..
...
...
... ...
......
.....
.... ..
.... ..
.... ....
.
.
.
......
....
......
...........
...
.
.
.............................................................................................................................................................................
.
....
..
...
.
F (x)
1
Figura 4.19
4.6.
Densidades.
Definici
on 4.8 Sea X una variable aleatoria con funcion de distribucion F . Decimos que F tiene densidad o es absolutamente continua, si existe una funcion f no negativa tal que
Z x
F (x) =
f (t) dt,
para todo x R.
(4.13)
La funcion f se llama la densidad de la funcion de distribucion o de la distribucion de probabilidad o de

la variable aleatoria X.
De la propiedad 2 de la proposicion 4.3 resulta que
Z
f (t) dt = 1.
(4.14)
Ademas, si f es continua en un punto x0 , F es derivable en x0 y

F 0 (x0 ) = f (x0 ).
En efecto,
1
F (x0 + h) F (x0 )
f (x0 ) =
h
h
=
=
1
h
1
h
x0 +h
f (t) dt
Z
x0
f (t) dt
x0 +h
f (t) dt f (x0 )
x0
Z x0 +h
(f (t) f (x0 )) dt.

x0
Dado > 0, como f es continua, existe > 0 tal que

|t x0 | < |f (t) f (x0 ))| <
f (x0 )
CAP
108
y en consecuencia, si |h| < entonces
Z x0 +h
F (x0 + h) F (x0 )
f (x0 )
|f (t) f (x0 )| dt
h
|h| x0
Z x0 +h
1
dt =
|h| x0
y esto demuestra el resultado.
Tambien se tiene que
Z
P (a < X b) = P (X b) P (X a) = F (b) F (a) =
f (t) dt.
a
Geometricamente, por lo tanto, la probabilidad de que la variable aleatoria X pertenezca al intervalo

(a, b] es el area comprendida entre la grafica de la funcion f , el eje x y las verticales por a y b.
...
........
y . ........ .
.
...
....
...
...
...
...........
...
...
....... . ..........
...
...
......................
... ................. ...........
..
..
.
.
.......
.
.
.
.
. . .........
..
......
..
.... ..................
.....
..
....
... ..................
..
....
...
.......................
......
.
.
.
.
.
.
.
.
.
...
.
......
.
......................
.....
...
.
.
....
....
.........................
.
.
.
.
.....
......... ....................................................
......... . . . . ... . . . . . . . .
..............................
.
..............................
...............................
.
.
................................................................................................................................................................................................................................................
.
....
..
....
..
Figura 4.20
La funcion f puede, en general, ser bastante complicada. A lo largo del curso nos limitaremos a
considerar funciones suficientemente regulares como para poder manejarlas con las nociones basicas de
calculo diferencial e integral. Estas funciones f seran continuas, salvo a lo sumo en un n
umero finito de
puntos. En cualquier caso, admitimos como resultado que si F tiene densidad, entonces F es una funcion
continua en todo punto, y por lo tanto X es una variable aleatoria continua.
Recprocamente, si f es una funcion no-negativa que verifica la condicion (4.14), la funcion F definida
por (4.13) es una funcion de distribucion, es decir, que satisface las condiciones 1, 2 y 3 de la proposicion
4.3. En efecto, sea x < y, entonces
Z y
Z x
Z y
F (y) F (x) =
f (t) dt
f (t) dt =
f (t) dt 0
porque f es no-negativa. Esto muestra que F (x) F (y) y la condicion 1 es valida. La condicion 2 es
inmediata y en cuanto a la continuidad por la derecha consideremos
Z
F (x + 1/n) F (x) =
1
x+ n
f (t) dt
y esto tiende a cero cuando n ya que f es integrable.

De modo que decir que f es una densidad de probabilidad no es otra cosa que decir que f es no-negativa
y verifica (4.14).
4.6.1.
La Distribuci
on Uniforme.
Definici
on 4.9 Una variable aleatoria X tiene distribucion uniforme en el intervalo [a, b] si para cualquier
intervalo I contenido en [a, b] se tiene que P (X I) es proporcional a la longitud de I. Usaremos la
notacion X U[a, b] en este caso.
4.6. DENSIDADES.
109
Hemos considerado anteriormente esta distribucion de probabilidad cuando estudiamos el problema

del error de redondeo al truncar un n
umero en su parte entera.
Podemos calcular la funcion de distribucion de X,
FX (x) = P (X [a, x]) = K(x a)
donde K es la constante de proporcionalidad. Como
FX (b) = P (X [a, b]) = 1
obtenemos
K(b a) = 1
de donde
K=
1
.
ba
En consecuencia la distribucion de probabilidad de X es la siguiente
si x < a,
0,
xa
FX (x) = ba ,
si a x b,
1,
si x > b.
Esta distribucion tiene como densidad la funcion fX definida por
si x < a,
0,
1
fX (x) = ba ,
si a x b,
0,
si x > b,
ya que se verifica inmediatamente que
Z
FX (x) =
fX (t) dt
para todo x R.
En la figura 4.21 representamos las graficas de estas funciones. Usaremos la notacion X U[a, b]
.
......
..........
....
...
...
...
.
..........
..
...
...
...
...
...
...
...
...
...
...
...
...
.
.
....................................................................................................................................................
.
....
...
F (x)
...
f (x) ........
.
...
..
...
...
..
..
1
..
..
ba
..
..
..
..
..
.
......................................................................................................................................
.
a ...
x
b
.....
.....
.....
.
.
.
.
.....
.....
.....
.
.
.
.
.
.....
.....
.....
.
.
.
.
.
.....
......
..
Figura 4.21
Ejemplo.
Entre las 7 y las 8 de la ma
nana los trenes salen de cierta estacion de metro cada 10 minutos a
partir de las 7:03. Calcule la probabilidad de que una persona que llega a la estacion tenga que
esperar menos de 2 minutos por el tren si la llegada de la persona a la estacion tiene distribucion
uniforme en el intervalo:
i. de 7 a 8 a.m.
ii. de 7:15 a 7:30 a.m.
CAP
110
I Para que una persona espere menos de dos minutos tiene que llegar a la estacion en uno de los
intervalos de la forma (t 2, t) donde t es uno de los instantes en los cuales parte un tren.
En el primer caso los intervalos de interes son
(7 : 01, 7 : 03)
(7 : 31, 7 : 33)
(7 : 11, 7 : 13)
(7 : 41, 7 : 43)
(7 : 21, 7 : 23)
(7 : 51, 7 : 53)
Sea B la union de estos intervalos. Sabemos que la distribucion del tiempo de llegada es uniforme
en [7 : 00, 8 : 00] y deseamos calcular la probabilidad de que X B. Como la longitud total de B
es 12 minutos tenemos
12
1
longitud de B
=
= .
P (X B) =
60
60
5
En el segundo caso, usando una notacion similar tenemos
B = (7 : 21, 7 : 23),
de modo que
P (X B) =
2
.
15
N
4.6.2.
La Distribuci
on Triangular.
Una distribucion que se presenta con frecuencia en las aplicaciones es aquella que tiene densidad
triangular simetrica, como la que se representa en la figura 4.22. Hay un punto a de maxima densidad y
puntos a , a + equidistantes de a, entre los cuales toma su valor la variable aleatoria en cuestion.
Entre el punto medio y los extremos, la densidad f vara linealmente.
.......
.......
.....
...
..
.......
...
..
... ...
... .....
...
...
...
.
...
.
...
.
...
...
...
...
...
...
...
...
.
...
.
...
..
.
...
...
.
..
...
.
...
.
...
....
.
...
.
...
...............
...
...
.
.............
...
.
.
...
.
...
......................
.
...
.
...
. .....
...
... .......................................
.
.................
.
.
.
.
.
...........................................................................................................................................................................................................
.
. ..
..
..
..
f (t)
1/
a x
a+
Figura 4.22
El valor f (a) tiene que ser tal que el area del triangulo sea 1, es decir
Z
1
f (t) dt = f (a) = 1 f (a) = .
Por lo tanto la funcion de distribucion es

F (x) = 0,
F (x) = 1,
y si a x < a
si x < a
si x > a + ,
Z
F (x) =
f (t) dt =
f (t) dt
a
4.6. DENSIDADES.
111
que es al area del triangulo peque

no indicado en la figura 4.17, es decir
1
F (x) = (x (a ))f (x)
2
1
(x (a ))
= (x (a ))
f (a)
2
1 (x a + )2
=
.
2
2
Si a x < a + , usando la simetra del triangulo,
1
F (x) = 1 (a + x)f (x)
2
1 (a + x)2
=1
.
2
2
Resumiendo
0,
si x < a ,
(xa+)2
,
si a x < a,
2 2
F (x) =
(a+x)2
,
si a x < a + ,
2 2
1,
si x a + .
cuya grafica es
.......
........
....
...
...
...
.......
............................................
..
.......
....
......
.....
..
.....
.
.
.
...
.
....
...
....
...
...
...
...
...
.
...
.
..
...
...
...
.....
.....
...
.....
.
.
...
.
.
...
...
......
.
.
.......
...........................................................................................................................................................................................................
.
. ..
..
..
.
.
.
F (x)
a+
Figura 4.18
4.6.3.
La Distribuci
on Exponencial.
Definici
on 4.10 Decimos que la variable aleatoria X tiene distribucion exponencial si
P (X > x) = ex
(x 0)
donde > 0. Por lo tanto, la funcion de distribucion respectiva es

(
0,
FX (x) = P (X x) = 1 P (X > x) =
1 ex ,
.......
.......
.....
...
..
...
.
.......
...............................
....
.................
...
...........
..........
.
.
.
.
.
...
.
.
.......
...
......
...
......
.....
...
....
.
...
.
..
...
....
...
....
... .....
... ....
... ....
...
.
................................................................................................................................................................................................
.
...
F (x)
si x < 0
si x 0.
CAP
112
Figura 4.23
y la densidad de esta distribucion es
(
0,
fX (x) =
ex ,
si x < 0
si x 0.
Usaremos la notacion X E(). Una propiedad importante de la distribucion exponencial es la siguiente:

para a y b no negativos
P (X > a + b) = P (X > a)P (X > b).
(4.15)
La verificacion de esta propiedad es inmediata a partir de la definicion. Una forma equivalente de escribir
esta propiedad es
P (X > a + b|X > a) = P (X > b), a 0, b 0,
(4.16)
que ha sido interpretada en ocasiones anteriores como una formulacion precisa de la distribucion del
tiempo de vida de un objeto que no envejece con el paso del tiempo, o de la falta de memoria de
esta distribucion. Mas a
un, en el ejemplo 3.1.3 vimos que si (4.16), o equivalentemente (4.15), es cierto
entonces se deduce que
P (X > x) = ex , (x 0)
para alg
un positivo. Por lo tanto cualquiera de las relaciones (4.15) o (4.16) caracteriza a la distribucion
exponencial.
Ejemplos.
1. La distribucion exponencial surge, por ejemplo, en el estudio del tiempo de vida de un material
radioactivo. Si suponemos que la tasa a la cual decae una masa m de material radioactivo es
proporcional a la cantidad de material presente en el instante t, entonces m satisface la ecuacion
dm
= m
dt
donde es una constante que depende del material. La solucion de esta ecuacion es
m = m0 et .
En efecto, la derivada de esta funcion es
dm
= m0 et () = m,
dt
donde m0 es la cantidad de material en el instante t = 0. La proporcion de material original que
ha decado en t unidades de tiempo esta dada por (m0 m)/m0 , que puede ser interpretada como
la probabilidad de que un atomo seleccionado al azar entre el material original decaiga durante un
perodo de tiempo t. Si X representa la vida de este atomo,
FX (x) = P (X t) =
m0 m
= 1 et
m0
de modo que X tiene distribucion exponencial.
2. Sea X una variable aleatoria con distribucion uniforme en (0, 1). Hallar la densidad de
Y =
1
ln(1 X)
para > 0.
4.6. DENSIDADES.
113
I Sea G la funcion de distribucion de Y , como esta variable solo toma valores positivos tenemos que
G(y) = 0 para y 0. Para y > 0
1
G(y) = P (Y y) = P
ln(1 X) y
= P (ln(1 X) y) = P (1 X ey )
= P (X 1 ey ) = 1 ey
y por lo tanto G0 (y) = ey para y 0 y G0 (y) = 0 para y 0. En consecuencia, la densidad de
Y est
a dada por
(
ey
si y > 0
g(y) =
0
si y 0
es decir, Y tiene distribucion exponencial con parametro .
4.6.4.
La Distribuci
on Normal.
La funcion de distribucion normal con parametros y 2 (cuyo significado veremos mas adelante), es
aquella que tiene densidad
1
(y )2
n(y; , 2 ) =
exp
.
2 2
2
Dado que esta funcion nunca es negativa, para ver que es efectivamente una densidad de probabilidad
debemos probar que
Z
n(y; , 2 ) dy = 1,
haciendo el cambio de variables z = (x )/ 2 resulta

Z
Z
1 z2
n(y; , 2 ) dy =
e 2 dz
2
Z
2
1
=
ez dz.

(4.17)
Una manera de calcular esta u

ltima integral es
la siguiente. Sea Cr el disco con centro en el origen y
radio r y Cr0 el disco con el mismo centro y radio 2r. Sea Dr el cuadrado con centro en el origen y lado
2r (ver figura 4.24).
.........................................
........
......
......
......
.....
.....
.
.
.
.
....
...........................
..
........ ........... .............
...
....
.....
...
.
.
.
...
.
.
.
.
.
.
....
.
...
...
.
..
.
.
.
.
.
.
...
...
..
...
.
....
.
...
...
..
..
.
.
.
...
..
...
....
....
....
. . ...
...
...
..................................................................
...
...
... . ...
...
...
..
..
...
...
...
...
...
...
..
..
...
...
..
...
.....
.
.
.
.
...
.
r........
......
...
...
........
.....
...
..............................
.....
.....
......
.....
.....
.......
.
.
.
.
.
.
...........
.
...............................
2r
2r
C0
- r
Dr
Figura 4.24
Dado que el integrando com
un en las integrales siguientes no es negativo, tenemos que
ZZ
ZZ
ZZ
2
2
2
2
2
2
e(u +v ) du dv
e(u +v ) du dv
e(u +v ) du dv
Cr
y ademas
ZZ
Z
e
Dr
Cr0
Dr
(u2 +v 2 )
du dv =
e
r
u2
du
e
r
v 2
dv =
e
r
u2
2
du
(4.18)
CAP
114
Consideremos ahora la integral de la izquierda en (4.18). Pasando a coordenadas polares , por

medio de la transformacion u = cos , v = sen , obtenemos
ZZ
Z 2 Z r
2
2
2
e(u +v ) du dv =
d
e d
Cr
0
0
r
1 2
= 2 e
2
0
1
r 2
= 2 (1 e )
2
2
= (1 er ).
De forma analoga, cambiando r por 2r resulta

ZZ
2
2
2
e(u +v ) du dv = (1 e2r ).
Cr0
Reemplazando en (4.18)
(1 er )
2
2
2
eu du (1 e2r ),
haciendo r
2
2
eu du
y por lo tanto
2
eu du = .
Sustituyendo en (4.17) resulta
n(y; , 2 ) dy = 1.
Si X tiene distribucion normal de parametros y 2 usaremos la notacion X N (, 2 ). En el caso

= 0 y 2 = 1, la densidad n(y; 0, 1) se conoce como la densidad normal estandar o tpica, y se denota
usualmente por , de modo que
(x) =
1 x2 /2
e
,
2
< x < .
En la Figura 4.25 representamos la densidad normal para = 0 y tres valores de : 0.5, 1 y 2. Estas
densidades son claramente simetricas respecto al origen. La funcion de distribucion correspondiente a
la densidad se denota usualmente por . Esta distribucion no tiene una formula sencilla y debe ser
calculada numericamente. Es posible calcular los valores de esta funcion en R usando la funcion dnorm
cuyos parametros son x, = 0, = 1.
Como es simetrica respecto al origen tenemos que
Z x
Z
(x) =
(y) dy =
(y) dy
x
Z
Z x
=
(y) dy
(y) dy
= 1 (x)
de modo que para cualquier valor de x se tiene (x) = 1 (x) y esta formula nos permite obtener el
valor de (x) a partir del valor de (x). Por lo tanto bastaconocer los valores de (x) para x 0.
4.7. CAMBIO DE VARIABLE.
115
......
.........
...
....
..
...
..
.................
.. ... ...
.
.. ... ....
.
.
... ... ....
... ... ...
... ... ...
.... ... .....
.. .......... ...
...
...
...
...
...
...
...
....
...
...
...
...
...
...
...
...
...
..
....
... .......................... ....
...... ...
... ........
...
..... ..
.
.
.
.
.
.
.
......
......
.....
....
...
.........
........
...
... .....
..... ..
...
... ......
.... ....
.
.
.
.
.
.. ...
.. ...
..........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
......................... .........
.
...........................................
.
.
.......................
.
.
.
....... ...
.
...............
.
.
.
...
.
.
.
.
.
.
.
.
.
.
.
.
.
..
..... .............
...
..
........... .....
..
.....
....
...
........... ..........
..
.
...... ......................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.
............
.
......
...
.
.
.
.
.
.
.............
.
.
.
.......
.
.
.
.
.....
..
.
.....
.
..........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.....
.
...
.
.......
.........................................................................................................................................................................................................................................................................................................................................................
.
.
.
.
.
.
.
...
..
.....
f (x)
0, 8
. = 0, 5
.=1
.=2
-3
-2
-1
Figura 4.25
Sea X una variable aleatoria con densidad y consideremos Y = + X, donde > 0. En la proxima
seccion demostraremos que Y tiene como densidad a la funcion
1
(y )2
exp
= n(y; , 2 )
(4.19)
2 2
2
y este hecho nos permite calcular cualquier distribucion normal a partir de ya que
y
y
P (Y y) = P ( + X y) = P X
=
.
Por lo tanto, si Y tiene una distribucion con densidad n(y; , 2 ) y a b entonces
b
a
P (a Y b) =
Por ejemplo, supongamos que Y tiene una distribucion normal con parametros = 0.5 y = 4 y
queremos calcular la probabilidad de que 0.5 Y 2.4:

1
1
P (0.5 Y 2.5) =
= 0.6915 0.4013 = 0.2902.

2
4
4.7.
Cambio de Variable.
Sea X una variable aleatoria con funcion de distribucion continua y g : R (a, b) una funcion
biyectiva con derivada continua y que no se anula (es decir, g 0 (x) 6= 0, para todo x R). En estas
condiciones g es una funcion estrictamente monotona cuyo rango es justamente (a, b). El intervalo (a, b)
puede ser tambien una semirecta o la recta entera. Consideremos la nueva variable aleatoria Y = g(X)
en el caso particular cuando g es creciente.
Proposici
on de distribuci
on FX y sea g una funci
on
estrictamente creciente. Definimos Y = g(X) y sea FY la funci
on de distribuci
on de esta variable.
Entonces
FY (y) = FX (g 1 (y)).
(4.20)
Demostracion. Como g es estrctamente creciente los eventos {X g 1 (y)} y {g(X) y} son iguales.
Por lo tanto,
FY (y) = P (Y y) = P (g(Y ) y) = P (X g 1 (y)) = FX (g 1 (y))
Si g es estrctamente decreciente entonces FY (y) = 1 FX (g 1 (y)).
CAP
116
Corolario 4.1 Sea F una funci

on de distribuci
on estrctamente creciente para los y tales que 0 < F (y) <
1 y sea U U[0, 1]. Entonces la variable Z = F 1 (U ) tiene distribuci
on F .
Demostracion. La funcion de distribucion de U es FU (u) = u para u [0, 1]. Entonces
FZ (z) = FU (F (z)) = F (z)
(4.21)
de modo que Z tiene funcion de distribucion F .
Observaci
on 4.2 El resultado anterior es cierto en general si utilizamos la inversa generalizada F de
la funcion F cuando esta no sea estrictamente creciente, que se define por la siguiente expresion:
F (y) = inf{x : F (x) y}
Por lo tanto, para cualquier funcion de distribucion F , la variable aleatoria Z = F (U ) tiene funcion de
distribucion F .
Proposici
on de distribuci
on continua cuya distribuci
on
de probabilidad tiene densidad fX y g : R (a, b) una funci
on biyectiva con derivada continua y que no
se anula (es decir, g 0 (x) 6= 0, para todo x R). Definimos Y = g(X) y sea FY la funci
on de distribuci
on
de esta variable. Entonces Y tiene densidad
(
1
fX (g 1 (y)) g0 (g1
si y (a, b),
(y)) ,
fY (y) =
0,
si y
/ (a, b),
donde g 1 denota la funci
on inversa de g.
Demostracion. En efecto, sea a < y0 < b y supongamos que g es creciente,
Z
P (Y y0 ) = P (X g
g 1 (y0 )
(y0 )) =
fX (x) dx.
......
..........
.......
....
.......
...
.....
.....
...
....
.
...
.
.
...
...
......
.
0 .....................................................................................
.
.
.
.
.
.
.
.
.
.
...
.....
....
...
......
.....
...
...
......
...
... ........
...
... .......
...
......
.
...
.
.
... ....
...
.
. ..
.
...
.
.. ...
.
...
.
. ..
.
.
...
.
.
.
...
.
.
.
.
.
.
.
.
.......................................................................................................................................................................................................
.
.
........
.
.
.
.
.
.
...
.
.
.
.
.....
.
.
.
.
.
.
..
1
...
y = g(x)
(y0 )
Figura 4.26
Haciendo el cambio de variables y = g(x) en esta integral, obtenemos
Z y0
1
P (Y y0 )) =
fX (g 1 (y)) 0 1
dy.
g
(g
(y))
a
Ademas, es inmediato que
(
P (Y y0 ) =
En cualquier caso resulta
0,
1,
si y0 a,
si y0 b.
y0
P (Y y0 ) =
fY (y) dy,
DE VARIABLES ALEATORIAS.
4.8. SIMULACION
117
donde fY (y) es la funcion indicada anteriormente.
Por ejemplo, si y = g(x) = mx + c donde m y c son constantes tales que m 6= 0 entonces la variable
Y = g(X) = mX + c
tiene densidad
1
fY (y) = fX
m
yc
m
< y < .
En el caso particular de la distribucion normal, si X N (0, 1) con densidad (x), la variable Y = +X

tiene como densidad
1
y
(y )2
1
= exp
= n(y; , 2 )
2 2
1
como afirmamos en (4.19).
4.8.
Simulaci
on de Variables Aleatorias.
Los generadores de n
umeros aleatorios simulan valores de la distribucion U [0, 1]. El Corolario 4.1 y la
Observacion 4.2 nos dan un metodo para simular una variable aleatoria con funcion de distribucion F :
Generamos el valor u de una variable uniforme en [0, 1] y evaluamos la inversa generalizada en u: F (u).
Sin embargo, dependiendo de la naturaleza de la funcion de distribucion F , es posible que la inversa
generalizada tenga una expresion complicada o incluso no sea posible escribirla en terminos de funciones
elementales, como ocurre en el caso de las variables Gaussianas. Por esta razon hay metodos ad hoc que
resultan mas eficientes en muchos casos.
4.8.1.
Variables Discretas
Si queremos simular una variable aleatoria finita X con valores x1 , . . . , xn y probabilidades respectivas
p1 , . . . , pn , podemos dividir el intervalo [0, 1] en subintervalos usando las probabilidades pi :
X
[0, p1 );
[p1 , p1 + p2 );
[p1 + p2 , p1 + p2 + p3 );
[
pj , 1].
j<n
Ahora generamos una variable U con distribucion uniforme en [0, 1] y si el valor cae en el i-esimo intervalo
le asignamos a X el valor xi . Como la probabilidad de que U caiga en el intervalo i es igual a la longitud
del intervalo, que es pi , vemos que
P (X = xi ) = pi ,
para 1 i n.
Este metodo se conoce como el metodo de la transformada inversa. Desde el punto de vista computacional es conveniente ordenar los valores seg
un el tama
no de las pi , colocando estas probabilidades de
mayor a menor, porque para identificar el intervalo en cual cae U tenemos que comparar con p1 , luego
con p1 + p2 , y as sucesivamente hasta obtener el primer valor menor que U . Ordenar las probabilidad
hace que se maximice la probabilidad de que U este en los primeros intervalos, y esto reduce el n
umero
de comparaciones que hay que hacer en promedio para obtener el valor de X.
Este metodo tambien funciona para variables discretas con una cantidad infinita de valores. La misma
observacion sobre el ordenamiento de los valores de las probabilidades es valida.
Distribuci
on de Bernoulli
Un caso particular sencillo es el de la distribucion de Bernoulli con probabilidad de exito p. Para
generar un valor de la variable X con esta distribucion, generamos U y si U < p, X = 1 y si no, X = 0.
CAP
118
Distribuci
on Uniforme Discreta
Sea X una variable aleatoria que toma valores {x1 , x2 , . . . , xn } con igual probabilidad. Para simular
esta distribucion generamos un n
umero aleatorio U (0, 1], dividimos el intervalo [0, 1] en n intervalos
iguales y le asignamos a la variables el valor xk si
k
k1
<U
n
n
es decir, el valor de la variable es Xk con k = dU ne, donde dae es la funcion techo y representa el menor
entero que es mayor o igual a a.
Distribuci
on Binomial
Una manera sencilla de simular una variable con distribucion binomial de parametros n y p es generar
n variables de Bernoulli con probabilidad de exito p y sumarlas. Esto resulta un poco pesado si n es
grande, pero en este caso podemos usar el Teorema Central del Lmite, que estudiaremos mas adelante.
Otra posibilidad es usar el metodo de la transformada inversa junto con la relacion (4.8) que demostramos anteriormente. Para esto generamos una variable uniforme U y comparamos con P (X = 0) =
(1 p)n . Si U es menor que este valor ponemos X = 0, en caso contrario multiplicamos P (X = 0) por
pn/(1 p) para obtener P (X = 1) y comparamos. Si U es menor que este valor ponemos X = 1, en caso
contrario repetimos el procedimiento hasta conseguir el valor de X. El algoritmo se puede describir como
sigue:
Paso
Paso
Paso
Paso
Paso
1:
2:
3:
4:
5:
Generamos una variable uniforme U .

Ponemos a = p/(1 p); b = (1 p)n ; c = b; i = 0.
Si U < c ponemos X = i y paramos.
b = ab(n i)/(i + 1); c = c + b; i = i + 1.
Vamos al paso 3.
Distribuci
on de Poisson
Al igual que para la distribucion binomial, la relacion (4.10) permite aplicar el metodo de la transformada inversa para generar la distribucion de Poisson. El algoritmo es el siguiente:
Paso
Paso
Paso
Paso
Paso
1:
2:
3:
4:
5:
Generamos una variable uniforme U .

Ponemos a = e ; b = a; i = 0.
Si U < b ponemos X = i y paramos.
a = a/(i + 1); b = b + a; i = i + 1.
Vamos al paso 3.
Distribuci
on Geom
etrica
Una manera de generar variables con distribucion geometrica es generar una sucesion de variables
de Bernoulli hasta obtener el primer exito, es decir, generamos una sucesion de n
umeros aleatorios en
[0, 1] hasta obtener el primero que sea menor que p. Sin embargo, si p es peque
no esto puede ser lento
(toma en promedio 1/p pasos). Para evitar esto podemos seguir el metodo alternativo que describimos a
continuacion. Sea X una v.a. con distribucion geometrica de parametro p, 0 < p < 1 y sea u un n
umero
aleatorio en [0, 1]. Definimos Y como el menor entero que satisface la desigualdad 1 q Y u. Entonces
P (Y = j) = P (1 q j u > 1 q j1 )
= q j1 q j = q j1 (1 q) = q j1 p,
DE VARIABLES ALEATORIAS.
4.8. SIMULACION
119
de modo que Y tambien tiene una distribucion geometrica de parametro p. Por lo tanto, para generar Y
basta resolver la ecuacion que la define, es decir,
log(1 u)
Y =
log q
pero como 1 u y u tienen la misma distribucion, podemos usar
log(u)
Y =
.
log q
Distribuci
on Binomial Negativa
Observamos que una variable con distribucion binomial negativa de parametros k y p es la suma de k
variables geometricas con parametro p: una por cada exito en la sucesion de ensayos. Esto lo veremos con
mayor detalle en el proximo capitulo. Esta observacion es u
til para generar variables con esta distribucion:
si uj , j = 1, . . . , k son n
umeros aleatorios en [0, 1], la siguiente expresion produce el valor de una variable
con distribucion binomial negativa:
k
X
log(uj )
.
log q
j=1
4.8.2.
Variables Continuas
Si X es una variable continua con funcion de distribucion F invertible, para simular X basta generar
una variable uniforme U y poner X = F 1 (U ). Esto es consecuencia del corolario 4.1. Sin embargo, con
frecuencia las funciones de distribucion continuas no son invertibles o si lo son, es posible que las inversas
no tengan una expresion en terminos de funciones elementales. Por esta razon estudiamos a continuacion
algunas de las distribuciones continuas que hemos considerado anteriormente.
Distribuci
on Uniforme
Si queremos simular la distribucion U[a, b] generamos u uniforme en [0, 1] y usamos la transformacion
u 7 a + u(b a).
Distribuci
on Exponencial
Para simular variables con distribucion exponencial usamos la relacion que obtuvimos en la seccion
4.6.3: Si U U (0, 1) entonces X = ln(1 U )/ E(). Observamos ahora que si U tiene distribucion
uniforme en (0, 1), 1 U tambien. Por lo tanto, para simular esta distribucion a partir de una variable
U U(0, 1) hacemos la transformacion ln(U )/.
Distribuci
on Normal
La funcion de distribucion normal no se puede escribir en terminos de funciones simples, y lo mismo
ocurre con su inversa, lo que dificulta la aplicacion del metodo de la transformada inversa. Sin embargo
existen otros metodos y uno de los mas populares es el de Box-Muller, tambien conocido como el metodo
polar.
A
un cuando la justificacion del metodo no es complicada, requiere algunos conceptos que no hemos
introducido, as que vamos a describir el metodo sin demostrar que efectivamente lo que obtenemos es el
valor de una variable normal. El algoritmo es el siguiente:
Paso
Paso
Paso
Paso
1:
2:
3:
4:
Generamos variables uniformes U1 y U2 .

Ponemos V1 = 2U1 1; V2 = 2U2 1; S = V12 + V22 .
Si S > 1 regresamos al paso 1.
X y Y son variables normales tpicas independientes:
CAP
120
r
X=
4.8.3.
2 log S
V1 ,
S
r
Y =
2 log S
V1 .
S
Generaci
on de Variables Aleatorias en R
El lenguaje R tiene incorporadas una serie de rutinas para generar variables aleatorias. La sintaxis
precisa de la instruccion correspondiente depende de la distribucion, pero todas tienen el formato com
un
rdist, donde dist designa la distribucion; por ejemplo, para generar valores a partir de la distribucion
normal usamos rnorm. Seg
un la distribucion, puede ser necesario especificar uno o varios parametros. La
tabla que presentamos a continuacion presenta las distribuciones mas comunes, los parametros requeridos
y sus valores por defecto. n representa siempre el tama
no de la muestra.
Distribuci
on
Binomial
Poisson
Geometrica
Hipergeometrica
Binomial Negativa
Multinomial
Uniforme
Exponencial
Gaussiana
Gamma
Weibull
Cauchy
Beta
t
Fisher
2
Logstica
Lognormal
Funci
on en R
rbinom(n, size, prob)
rpois(n, lambda)
rgeom(n, prob)
rhyper(nn, m, n, k)
rnbinom(n, size, prob)
rmultinom(n, size, prob)
runif(,n min=0, max=1)
rexp(n, rate=1)
rnorm(n, mean=0, sd=1)
rgamma(n, shape, scale=1)
rweibull(n, shape, scale=1)
rcauchy(n, location=0, scale=1)
rbeta(n, shape1, shape2)
rt(n, df)
rf(n, df1, df2)
rchisq(n, df)
rlogis(n, location=0, scale=1)
rlnorm(n, meanlog=0, sdlog=1)
Ademas, R tiene la funcion sample que permite obtener muestras con o sin reposicion de conjuntos
finitos de valores. La sintaxis es
sample(x, size, replace = FALSE, prob = NULL)
donde
x es el conjunto a partir del cual queremos obtener la muestra, escrito como un vector,
size es el tama
no de la muestra,
replace permite indicar si se permiten repeticiones (replace = TRUE) o no y finalmente
prob es un vector de probabilidades si se desea hacer un muestreo pesado y no uniforme.
4.9.
Ejemplos.
1. Sea X una variable aleatoria continua con densidad f . Hallar la densidad de la variable aleatoria
Y = X 2.
I Observamos que como la funcion g(x) = x2 no es biyectiva, no es posible aplicar los resultados de
la seccion 4.7. Sean F y G las funciones de distribucion de las variables X, Y respectivamente. Es
4.9. EJEMPLOS.
121
inmediato que G(y) = 0 para y 0. Para y > 0
G(y) = P (Y y) = P (X 2 y) = P ( y X y)
Z y
= F ( y) F ( y) =
f (t) dt
f (t) dt +
0
f (t) dt
0
(f (t) + f (t)) dt
0
y haciendo el cambio de variable t = s obtenemos, para y > 0

Z y
1
(f ( s) + f ( s)) ds.
G(y) =
2
s
0
Por lo tanto, la densidad g de Y es
(
g(y) =
y (f (
y) + f ( y)),
0,
para y > 0
para y 0
Observamos que si la densidad f de X es continua, entonces F es diferenciable y por lo tanto

tambien lo es G, de modo que podemos obtener g directamente, derivando G:
g(y) = G0 (y) =
d
1
(F ( y) F ( y)) = (f ( y) + f ( y))
dy
2 y
para y > 0.
2. Sea X una variable aleatoria con densidad continua f que no se anula. Si F es la distribucion de
X, definimos la variable aleatoria Y por Y = F (X), es decir, usando la notacion de la seccion 4.7,
g = F . Hallar la densidad de Y .
I De nuevo, con la notacion de la seccion 4.7, tenemos que (a, b) = (0, 1), g(x) = F (x) y g 0 (x) = f (x).
Por lo tanto, la densidad de Y es 0 fuera de (0, 1), y si y (0, 1) entonces la densidad es
f (F 1 (y))
1
= 1.
f (F 1 (y))
Es decir, Y tiene una distribucion uniforme en (0, 1).
3. Decimos que una densidad es simetrica si f (x) = f (x) para todo x. Una variable aleatoria X es
simetrica si X y X tienen la misma funcion de distribucion. Demuestre que una variable aleatoria
X con densidad es simetrica si y solo si su densidad f es simetrica.
I Supongamos primero que X tiene densidad simetrica f , entonces
Z
P (X x) = P (X x) =
f (t) dt
x
Z x
Z x
=
f (t) dt =
f (t) dt
= P (X x)
CAP
122
de modo que X y X tienen la misma distribucion. Supongamos ahora que X y X tienen la

misma funcion de distribucion y por lo tanto la misma densidad g. Definimos
f (x) =
1
(g(x) + g(x))
2
Es facil verificar que esta funcion es una densidad simetrica. Ademas

Z x
Z
Z
1 x
1 x
f (t) dt =
g(t) dt +
g(t)dt
2
2
Z
Z
1 x
1
=
g(t) dt +
g(t) dt
2
2 x
1
1
= P (X x) + P (X x)
2
2
= P (X x)
de donde se obtiene que f es la densidad de X.
Ejercicios
1. Sea X una variable aleatoria con funcion de probabilidad dada por la siguiente tabla:
xi : 2
pi : 0.1
1
0.2
0
0.15
1
0.2
2
0.1
3
0.15
4
0.05
5
0.05
Calcule las probabilidades de los siguientes eventos:

a. X es negativa.
b. X es par.
d. P (X = 2|X 0).
c. X toma valores entre 1 y 5, ambos inclusive.
e. P (X 2|X > 0).
2. Determine el valor de la constante A para que las siguientes sean funciones de probabilidad.
(
Ai
i = 1, 2, . . . , n
a. P (X = i) =
.
0
en otro caso.
(
A/2i
i = 1, 2, . . . , n
b. P (X = i) =
.
0
en otro caso.
i = 1, 3, 5, 7, . . . , 2n 1
A/3
i
c. P (X = i) = A/4
.
i = 2, 4, 6, 8, . . . , 2n
0
en otro caso.
3. Sea (, F, P ) un espacio de probabilidad con = {1, 2, 3, 4, 5, 6}, F = {, {2, 4, 6}, {1, 3, 5}, }, y
sean U, V, W funciones definidas en por
(
1 si es par,
U () = 5 + 32,
V () =
W () = 2 .
0 si es impar,
Determine cuales de estas funciones son variables aleatorias sobre el espacio de probabilidad .
4. Determine el valor de la constante C para que la siguiente sea una funcion de probabilidad.
P (X = n) =
C
,
n(n + 1)
n N.
4.9. EJEMPLOS.
123
5. Para que valores de C y es la funcion p definida por p(n) = Cn para n N una funcion de
probabilidad?
6. Sea X una variable con distribucion uniforme en el conjunto {1, 2, . . . , 50}. Calcule
a. P (X 15),
b. P (2.5 < X 43.2),
c. P (X > 20|X > 10),
d. P (X 435.6|X > 15).
7. Sea X una variable aleatoria discreta con funcion de probabilidad p dada por:
xi : 2
pi : 0.1
1
0.2
0
0.15
1
0.25
2
0.15
3
0.15
Sea Y la variable aleatoria definida por Y = X 2 . Halle la funcion de probabilidad de Y . Calcule el

valor de la funcion de distribucion de X y de Y en los puntos 1, 3/4 y 3.
8. Sea X una variable aleatoria con funcion de distribucion F dada por
0 para x < 0,
1 para 0 x < 1
4
F (x) = 23
1
3
para
x
<
4
4
4
3
1 para 4 x
Determine la funcion de probabilidad de X.
9. En un grupo grande de objetos una fraccion son defectuosos. Si el n
umero de extracciones (con
reposicion) necesarias para obtener el primer objeto defectuoso es una variable aleatoria X con
funci
on de probabilidad P (X = j) = A(0.95)j1 ,
j = 1, 2, . . .
a. Calcule el valor de A.
b. Cual es la proporcion de defectuosos?
c. Cual es la probabilidad de que sea necesario examinar mas de 20 objetos antes de obtener el
primer defectuoso?
10. Una caja tiene 10 bolas numeradas del 1 al 10. Seleccionamos dos bolas al azar con reposicion de
la caja. Sea X el mayor de los dos n
umeros, calcule la funcion de probabilidad de X.
11. Resuelva el problema anterior para el caso de muestreo sin reposicion.
12. Para determinar la efectividad de una nueva vacuna contra la gripe se vacunan 10 personas que son
observadas por un perodo de un a
no. De ellas, 8 no tuvieron gripe durante este lapso. Si se sabe
que la probabilidad de no tener gripe en un perodo de un a
no es 0.5 cual es la probabilidad de
que 8 o mas personas del grupo no hayan sufrido la enfermedad si la vacuna no es efectiva?
13. Considere un cierto defecto en el metabolismo que ocurre en aproximadamente 1 de cada 100
nacimientos. Si cuatro ni
nos nacen en cierto hospital el mismo da, calcule la probabilidad de que
a. ninguno tenga el defecto.
b. no mas de uno tenga el defecto.
14. El n
umero de carros que cruzan un puente durante un perodo fijo de tiempo es una variable
aleatoria con distribucion de Poisson. Si la probabilidad de que ning
un carro cruce el puente en este
perodo es 1/4, halle una expresion para la probabilidad de que al menos dos carros lo crucen.
15. Lanzamos un dado hasta que la suma de los resultados sea mayor que 6 y sea X el n
umero de
lanzamientos necesarios para conseguir esto. Sea F la funcion de distribucion de esta variable.
Determine la funcion de probabilidad de X y el valor de F para x = 1, 3 y 7.
CAP
124
16. En una caja tenemos tres bolas numeradas 1, 2 y 3. Sacamos tres bolas con reposicion y llamamos
Xi , i = 1, 2, 3 al resultado de la i-esima extraccion. Sea X el promedio de estas variables:
X = (X1 + X2 + X3 )/3.
Determine la funcion de probabilidad de X. Calcule la probabilidad de que exactamente dos extracciones sean iguales a 3.
17. Un amigo te propone el siguiente juego: Lanzan una moneda hasta que salga sol. Si el n
umero de
lanzamientos es par, t
u ganas, si es impar, pierdes. Jugaras este juego?
18. Un vendedor de periodicos compra cada periodico por 1.50 y lo vende por 2.50. Los que no vende
los regresa al distribuidor y recibe 1.25 por ellos. Supongamos que la distribucion de la demanda
D es
e10 10k
P (D = k) =
k!
Describa la variable aleatoria X que representa su ganancia diaria si compra 10 periodicos cada da.
19. Un llavero tiene cuatro llaves de apariencia similar pero solo una de ellas abre la puerta de cierta
oficina. Se selecciona al azar una llave y se prueba, si no funciona se selecciona al azar una de las
restantes y se prueba de nuevo. Sea X el n
umero de llaves que se prueban antes de encontrar la que
abre la puerta. Halle su distribucion de probabilidad.
20. Sea X una variable aleatoria con distribucion de Poisson de parametro . cual es la probabilidad
de que X tome valor par (considerando a cero como par)?
21. Verifique que las siguientes funciones son densidades y obtenga la funcion de distribucion correspondiente.
(
(
3
(1 x2 )
para |x| < 1
cos x
para 0 < x < /2
.
b. f (x) = 4
a. f (x) =
0
en otro caso
0
en otro caso
22. Sea X una variable aleatoria con valores en [0, 1] y funcion de distribucion F (x) = x2 . Cual es la
densidad de X? Calcule las siguientes probabilidades:
a. P ( 41 X 34 ),
b. P (X > 1/2),
c. P (X 3/4|X > 1/2).
23. Sea X una variable aleatoria con distribucion normal de parametros = 12, 2 = 9. Use R para
calcular
a. P (X > 3).
b. P (|X 12| < 4).
c. P (|X 10| > 2).
24. Determine el valor que debe tomar la constante A en cada caso para que las siguientes funciones
sean densidad de una funcion de distribucion.
a. f (x) = Ae|x| , < x < , y constantes.
b. f (x) = Ax+1 , x > x0 > 0, constante.
c. f (x) = Ax(1 x), 0 x 1.
d. f (x) =
A
1+x2 ,
< x < .
25. Sea f (x) = Cxex , x > 0 una densidad.

a. Determine el valor de C.
b. Calcule P (X < 2).
c. Calcule P (2 < X < 3).
26. Halle la funcion de distribucion F y su grafica si la densidad es

(
x,
si 0 x 1
a. f (x) = 1/2, 0 x 2.
b. f (x) =
2 x,
si 1 x 2.
4.9. EJEMPLOS.
125
27. Si f (x) = 12 ex/2 , x > 0, halle un n

umero x0 tal que P (X > x0 ) = 1/2.
28. Sea X una variable aleatoria con distribucion exponencial de parametro = 0.5. Calcule
a. P (X > 1),
b. P (0.5 < X < 1.5),
c. P (X > 2|X > 1).
29. La vida de una maquina, medida en horas, tiene densidad f (x) = C/x2 , x > 100.
a. Calcule C.
b. Halle la funcion de distribucion.
c. Calcule P (X > 500).
30. La temperatura T de cierto objeto, medida en grados Fahrenheit, tiene una distribucion normal con
parametros = 98.6 y 2 = 2. La temperatura medida en grados centgrados esta relacionada
con T por la formula
5
= (T 32).
9
Obtenga la distribucion de .
31. La magnitud v de la velocidad de una molecula con masa m en un gas de temperatura absoluta T
es una variable aleatoria que, de acuerdo a la teora cinetica de los gases, posee una distribucion de
Maxwell con parametro = (2kT /m)1/2 , donde k es la constante de Boltzman. La distribucion de
Maxwell de parametro tiene densidad
2
(
4 13 x2 exp x2
si x > 0
k
f (x) =
0
si x 0
Cu
al es la densidad de la energa cinetica E = mv 2 /2 de una molecula?
32. Halle la densidad de Y = eX donde X tiene distribucion normal con parametros y 2 . (Se dice
que la variable Y tiene distribucion lognormal con parametros y 2 ).
33. Una se
nal se codifica como una sucesion de ceros y unos para transmitirla digitalmente. Debido a
imperfecciones en el canal de transmision cualquiera de estos dgitos se recibe erroneamente (uno
se recibe como cero o cero se recibe como uno) con probabilidad p.
a. Cual es la probabilidad de tener al menos un error en una sucesion de n dgitos?
b. Para reducir la probabilidad de error cada dgito se repite tres veces. cada dgito en el tro puede
trasmitirse erroneamente con probabilidad p y tomamos como valor de cada tro al entero que se
repita mas veces: 001 lo interpretamos como 0.Cual es la probabilidad de que cualquier dgito se
reciba erroneamente? Cual es la probabilidad de tener al menos un error en una sucesion de n
dgitos?
34. Dos jugadores A y B llevan a cabo una serie de juegos de manera independiente. La probabilidad
de que A gane es p, la de B es q y la probabilidad de un empate es 1 p q. La serie termina
una vez que alguno de los dos gana una partida. Este es un formato com
un para eliminatorias de
muerte s
ubita.
a. Cual es la probabilidad de que A gane en el n-esimo juego?
b. Cual es la probabilidad de que A gane la serie?
c. Cual es la probabilidad de que la serie dure n partidas?
35. Lanzamos un dado repetidamente hasta obtener un seis. Sea An el evento que ocurre si el primer
seis aparece en el n-esimo lanzamiento y B el evento que el n
umero de lanzamientos requeridos sea
par. Hallar P (B) y P (An |B).
36. Sea X b(n, p). Demuestre que (P (X = k))2 P (X = k + 1)P (X = k 1) para todo k.
126
CAP
37. Sea X b(n, p) y Y b(n, 1 p), demuestre que P (X = k) = P (Y = n k). De una interpretacion
para este resultado.
38. Una fabrica recibe un lote de componentes y los prueba para verificar su funcionamiento. Por cada
100 componentes se prueban 10 y se acepta el lote si a lo sumo un componente falla. Cual es la
probabilidad de aceptar un lote de tama
no 100 que contiene 7 defectuosos?
39. Lanzamos un dado hasta obtener el primer seis y sea T el lanzamiento en el cual esto ocurre. (a)
Cual es la distribucion de probabilidad de T ? (b) Calcule P (T > 6). (c) Calcule P (T > 6|T > 3).
40. En una sucesion de ensayos de Bernoulli Cual es la probabilidad de que el primer exito ocurra
luego del quinto ensayo dado que no ha ocurrido en los dos primeros ensayos?
41. Sea X una variable con distribucion de Poisson de parametro = 0.3. Calcule P (X = 0), P (X = 1)
y P (X > 1).
42. En promedio 1 persona en 1,000 tiene un tipo particular de sangre. (a) Hallar la probabilidad de
que en una ciudad de 10,000 personas ninguna tenga este tipo de sangre. (b) Cuantas personas
hay que examinar para tener una probabilidad mayor a 1/2 de encontrar al menos una persona con
este tipo de sangre.
43. Escriba un programa de computacion que tenga como entradas n, p, j y si X b(n, p) calcule el
valor de P (X = j) y la aproximacion de Poisson para este valor.
44. Considere la distribucion de Poisson con parametro . Demuestre que el resultado mas probable es
el entero k tal que 1 k . Bajo que condiciones hay dos valores mas probables?
45. Suponga que la probabilidad de haya un accidente importante en una planta electrica es de 0.005
en un a
no. Si un pas tiene 100 plantas de este tipo, cual es la probabilidad de que hay al menos
un accidente en un a
no?
46. Una linea aerea ha determinado que 4 % de los pasajeros que reservan pasajes en una ruta dada no
se aparecen al momento del vuelo. En consecuencia han adoptado la poltica de vender 100 pasajes
en un avion que solo tiene 98 asientos. Si para un vuelo dado hay 100 asientos reservados, halle la
probabilidad de que todos los pasajeros que se presentan tengan un asiento disponible.
47. Sea X una variable aleatoria con distribucion uniforme en 1 k m Cuanto vale P (X = k|a
X b)? En particular halle P (X > n + k|X > n).
48. Se capturan a miembros de una poblacion de N animales y luego de marcarlos se liberan. Los
animales luego son recapturados uno a uno hasta obtener m a animales marcados. Sea X el
n
umero de animales capturados hasta obtener m marcados, demuestre que la distribucion de esta
variable aleatoria esta dada por
1
N a N 1
a a1
P (X = n) =
N m1 nm
n1
Esta se conoce como la distribucion hipergeometrica negativa.
49. Sea X una variable aleatoria discreta con distribucion de Poisson de parametro . Demuestre que
la probabilidad de que X sea par es e cosh . Cuanto vale la probabilidad de que X sea impar?
50. Si X es una variable aleatoria discreta con distribucion geometrica de parametro p, demuestre que
P (X > k) = (1 p)k .
4.9. EJEMPLOS.
127
51. Sea X una variable aleatoria con distribucion geometrica de parametro p. Sea M un entero positivo
y definimos
(
X si X < M,
Y =
M si X M,
es decir, Y = min(X, M ). Calcule la funcion de probabilidad de Y .
52. Sea X una variable aleatoria con distribucion geometrica de parametro p. Calcule la funcion de
probabilidad de X 2 .
53. Una caja contiene k bolas numeradas del 1 a k. Seleccionamos una muestra aleatoria de tama
no n
sin reposicion. Sea Y el mayor de los n
umeros obtenidos y Z el menor. (a) Calcule la probabilidad
P (Y y). (b) Calcule la probabilidad P (Z z).
54. Un grupo de m personas espera por el ascensor en un edificio de 10 pisos. Supongamos que cada
una de estas personas escoge su piso de manera independiente de las otras y al azar, de modo que
cada persona selecciona un piso con probabilidad 1/10. Sea Sm el n
umero de veces que el ascensor
se detiene. Para estudiar esta variable aleatoria introducimos las variables Zi para i = 1, . . . , 10,
donde Zi vale 1 si el ascensor se detiene en el piso i y 0 si no.
a. Cada
9 mRi tiene una distribucion de Bernoulli. Demuestre que la probabilidad de exito p vale
.
1 10
b. Tenemos que Sm = R1 + R2 + + R10 Es cierto que Sm b(10, p)?
c. Si m = 1 tenemos P (S1 = 1) = 1. Halle las funciones de probabilidad para m = 2 y 3.
55. El fabricante de monedas del rey entrega las monedas que manufactura en cajas de 500 monedas y
coloca una moneda falsa en cada caja. El rey tiene por costumbre revisar 1 moneda seleccionada al
azar en cada caja y revisa 500 cajas cada vez. Cual es la probabilidad de que encuentre al menos
una moneda falsa? Cual sera si revisa dos monedas de cada caja?
56. Sacamos una mano de trece cartas de un juego de 52. Calcule la probabilidad de que
a. las pintas se distribuyan 4, 4, 3 y 2 (por ejemplo, cuatro diamantes, cuatro treboles, tres corazones
y dos picas).
b. las pintas se distribuyan 5, 3, 3 y 2.
57. Tienes un juego de cuatro dados especiales. El primero tiene dos lados con 0 y cuatro lados con 4.
El segundo tiene 3 en todos los lados. El tercero tiene cuatro lados iguales a 2 y 6 en los dos lados
restantes. El cuarto tiene 1 en tres lados y 5 en los otros tres. Para el juego entre dos personas
una escoge el dado que quiere y luego la otra hace lo mismo con los tres restantes. Ambos lanzan
su dado y el que saque el mayor resultado gana. Demuestre que no importa cual dado escoja la
primera persona, la segunda siempre puede escoger de modo de tener probabilidad 2/3 de ganar.
58. Escriba un programa de computacion para simular n valores de una variable de Bernoulli con
p = 1/3. Corra el programa para n = 100; 1000; 10000 y en cada caso determine la proporcion de
los valores que son iguales a 1.
59. Escriba un programa de computacion que tenga como entrada la funcion de probabilidad pi , i =
1, . . . n y como resultado produzca un valor de la variable con esta funcion de probabilidad y valores
en {1, 2, . . . , n}.
60. Considere la distribucion binomial negativa con parametros p y k. Verifique la relacion
P (X = j + 1) =
j(1 p)
P (X = j).
j+1k
Use esta relacion para dar un nuevo algoritmo para generar esta distribucion.
CAP
128
61. De un metodo para generar una variable aleatoria tal que

e i /i!
P (X = i) = Pk
,
i /i!
i=0 e
i = 0, . . . , k.
62. De un metodo para generar una variable aleatoria con distribucion triangular.
63. De un metodo para generar una variable aleatoria con funcion de densidad
f (x) =
ex
,
e1
0 x 1.
64. De un metodo para generar una variable aleatoria con funcion de densidad
(
x2
si 2 x 3,
2 ,
f (x) = 2x/3
,
si 3 x 6.
2
65. Use el metodo de la transformada inversa para generar una variable aleatoria con funcion de distribuci
on
x2 + x
F (x) =
,
0 x 1.
2

Cap4v1 5

Cargado por

Copyright:

Formatos disponibles

Cap4v1 5

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cap4v1 5

Cargado por

Copyright:

Formatos disponibles

Captulo 4

A la realizacion de un experimento aleatorio le hemos asociado un modelo matematico representado

que asocia a cada evento elemental el n

F = {, {1, 3, 5}, {2, 4, 6}, }

y la funcion X() = . X no es una variable aleatoria, porque, por ejemplo,

Operaciones con Variables Aleatorias.

donde B denota la familia de conjuntos de Borel.

4.2. OPERACIONES CON VARIABLES ALEATORIAS.

Consideremos ahora la siguiente situacion

Lema 4.3 Las siguientes condiciones son equivalentes

para todo intervalo I R.

y por lo tanto cualquiera de estas condiciones puede ser utilizada en la definici

es inmediato que 2 5 y 3 4. Veamos que 2 3. Supongamos que 2 es cierto, como

se obtiene que 2 es cierto.

4.2. OPERACIONES CON VARIABLES ALEATORIAS.

es cierta si y solo si existe alg

por lo tanto, si Q es el conjunto de los numeros racionales, podemos escribir

{ : X1 () < r} { : X2 () < c r}.

3. F es continua por la derecha.

2. Sea {xn } una sucesion decreciente de n

Esto prueba que limn F (xn ) = 1.

y puesto que {X xn } es una sucesion decreciente de eventos, resulta

Recprocamente, si una funcion F : R [0, 1] satisface las propiedades 1, 2 y 3 se puede demostrar

el lmite por la izquierda de F en a. Tenemos que P (X < x) = F (x ) y en consecuencia la siguiente

P (X [a, b]) = F (b) F (a )

P (X (a, b)) = F (b ) F (a)

Si ponemos ahora a = b = x en (4.4) obtenemos que

de modo que la funcion de distribucion es continua en x si y solo si P (X = x) = 0.

Variables Aleatorias Discretas.

4.4. VARIABLES ALEATORIAS DISCRETAS.

y su representacion grafica se presenta en la figura 4.8.

y su representacion grafica es:

4.4. VARIABLES ALEATORIAS DISCRETAS.

la variable aleatoria X es discreta y toma valores sobre el conjunto numerable {1, 2, 3, . . . }.

4. Consideremos ahora la situacion en la que elegimos al azar un n

La grafica de la funcion de probabilidad es:

Para un dado convencional tenemos xi = i, 1 i 6.

Dist. Binomial con p=0.8, n=20

Dist. Binomial con p=0.5, n=20

Dist. Binomial con p=0.1, n=20

Figura 4.11 Distribucion binomial para n = 20 y tres valores de p.

0.00 0.02 0.04 0.06 0.08 0.10 0.12

Dist. Binomial con p=0.5, n=20

Dist. Binomial con p=0.5, n=10

Figura 4.12 Distribucion binomial para p = 0.5 y tres valores de n.

4.4. VARIABLES ALEATORIAS DISCRETAS.

multiplicando numerador y denominador por nk y llamando a np obtenemos

Ahora bien, podemos escribir

Por lo tanto, si ponemos z = p obtenemos

Hemos demostrado el siguiente resultado.

4.4. VARIABLES ALEATORIAS DISCRETAS.

Dist. Poisson con lambda=2

Dist. Poisson con lambda=5

Dist. Poisson con lambda=1

Figura 4.13 Distribucion de Poisson para tres valores de .

Hemos visto que el problema relativo al n

de tipo II. Los de

Usando propiedades de los n