1.1.

Distribuciones de probabilidad continua

Función de probabilidad y densidad conjunta

[Link] X y Y dos variables aleatorias discretas con función de probabilidad conjunta dada por la
siguiente tabla:

Encuentre:

a) 𝑃(𝑋 > 0, 𝑌 ≥ 1)
6 4 5 15 1
𝑃(𝑋 > 0, 𝑌 ≥ 1) = 0 + + + = =
30 30 30 30 2
b) 𝑃(𝑋 ≤ 1, 𝑌 ≥ 1)
2 3 6
𝑃(𝑋 ≤ 1, 𝑌 ≥ 1) = + +0+ = 11/30
30 30 30
c) 𝑃(𝑋 = 1)
4 6 10 1
𝑃(𝑋 = 1) = + = =
30 30 30 3
d) 𝑃(𝑌 = 2)
3 6 5 14 7
𝑃(𝑌 = 2) = + + = =
30 30 30 30 15
e) 𝑃(𝑋 = 0|𝑌 = 2)
3 1
𝑃(𝑋 = 0|𝑌 = 2) = =
30 10

f) 𝑃(𝑌 ≤ 1|𝑋 = 1)
6 1
𝑃(𝑌 ≤ 1|𝑋 = 1) = 0 + =
30 5

g) 𝑃(𝑋𝑌 = 0)
1 2 3 4 5 15 1
𝑃(𝑋𝑌 = 0) = + + + + = =
30 30 30 30 30 30 2

h) 𝑃(𝑋𝑌 ≥ 2)
6 5 4 15 1
𝑃(𝑋𝑌 ≥ 2) = + + = =
30 30 30 30 2
 i) 𝑃(𝑌 ≥ 2𝑋)

1 2 3 6 12 2
𝑃(𝑌 ≥ 2𝑋) = + + + = =
30 30 30 30 30 5

449. Sean X y Y dos variables aleatorias continuas con función de densidad conjunta dada por la
siguiente expresión:
2
𝑓(𝑥, 𝑦) = {6𝑥 𝑦 𝑠𝑖 0 ≤ 𝑥, 𝑦 ≤ 1
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Encuentre:

1 1
a) 𝑃 (𝑋 ≤ , 𝑌 ≥ )
2 2

𝑥 𝑦 1 1
Se tiene que 𝑃(𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦) = ∫−∞ ∫−∞ 𝑓(𝑢, 𝑣)𝑑𝑢𝑑𝑣. Como se pide encontrar 𝑃 (𝑋 ≤ , 𝑌 ≥ ),
2 2
y de acuerdo con la función de densidad, X toma valores entre 0 y ½ y Y toma valores entre ½ y
1, entonces:
1
1
1 1 2
𝑃 (𝑋 ≤ , 𝑌 ≥ ) = ∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑦𝑑𝑥
2 2 0
1
2

1 1
1 1 2
1
2
2
2
1 1/2
2
1 2 1
𝑃 (𝑋 ≤ , 𝑌 ≥ ) = ∫ ∫ 6𝑥 𝑦𝑑𝑦𝑑𝑥 = ∫ 6𝑥 ∫ 𝑦𝑑𝑥𝑑𝑦 = ∫ 6𝑥 [ 𝑦 ] 𝑑𝑥
2 2 0
1
0
1
0 2 1/2
2 2
1/2 1/2 1/2
1 1 1 1 3
=∫ 6𝑥 2 [ (12 ) − (1/2)2 ] 𝑑𝑥 = ∫ 6𝑥 2 [ − ] 𝑑𝑥 = ∫ 6𝑥 2 [ ] 𝑑𝑥
0 2 2 0 2 8 0 8
1/2
9 1/2 9 1 9 1 1 3 9 1 3
= ∫ 𝑥 2 𝑑𝑥 = [ 𝑥 3 ] = [ ( ) ] = ( ) =
4 0 4 3 0 4 3 2 4 24 32

1 1 3
∴ 𝑃 (𝑋 ≤ ,𝑌 ≥ ) =
2 2 32
1
b) 𝑃 (𝑌 ≥ 2)

1 1
1 1
Se tiene que ∫02 ∫1 3𝑥 2 (2𝑦)𝑑𝑦𝑑𝑥 = ∫02 3𝑥 2 ∫1 2𝑦𝑑𝑦𝑑𝑥 , entonces:
2 2

1 1 1
1 1 1 1 1 1 3
𝑃 (𝑌 ≥ ) = ∫ 𝑓(𝑦)𝑑𝑦 = ∫ 2𝑦𝑑𝑦 = 2 [ 𝑦 2 ] = 2 [ (12 ) − (1/2)2 ] = 2 [ − ] = 2 ( )
2 1 1 2 1/2 2 2 2 8 8
2 2
3
=
4
 1 3
∴ 𝑃 (𝑌 ≥ ) =
2 4

450. Demuestre que las siguientes funciones son de probabilidad.

−(𝑥+𝑦)
a) 𝑓(𝑥, 𝑦) = {2 𝑠𝑖 𝑥, 𝑦 = 1,2, …
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Toda función de probabilidad debe cumplir las siguientes propiedades:

I. 𝑓(𝑥, 𝑦) ≥ 0
II. ∑𝑥 ∑𝑦 𝑓(𝑥, 𝑦) = 1

Observamos que 𝑓(𝑥, 𝑦) es una función no negativa, es decir, que se cumple la primera
propiedad.

Ahora comprobamos que se cumple la segunda propiedad ∑𝑥 ∑𝑦 𝑓(𝑥, 𝑦) = 1

∞ ∞ ∞ ∞
−𝑥
1 1
∑ ∑ 𝑓(𝑥, 𝑦) = (∑ 2 ) (∑ 2 − 𝑦) = (∑ 𝑥 ) (∑ 𝑦 ) = (1)(1) = 1
2 2
𝑥 𝑦 𝑥=1 𝑦=1 𝑥=1 𝑦=1

Por lo tanto, como nuestra función cumple con las dos propiedades, es una función de
probabilidad.

1 (𝑥+2𝑦)
b) 𝑓(𝑥, 𝑦) = {16 (3) 𝑠𝑖 𝑥, 𝑦 = 1,2, …
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Toda función de probabilidad debe cumplir las siguientes propiedades:

1. 𝑓(𝑥, 𝑦) ≥ 0
2. ∑𝑥 ∑𝑦 𝑓(𝑥, 𝑦) = 1

Observamos que 𝑓(𝑥, 𝑦) es una función no negativa, es decir, que se cumple la primera
propiedad.

Ahora comprobamos que se cumple la segunda propiedad ∑𝑥 ∑𝑦 𝑓(𝑥, 𝑦) = 1

∞ ∞ ∞ ∞
1 (𝑥) 1 (2𝑦) 1 (𝑥) 1 (𝑦)
∑ ∑ 𝑓(𝑥, 𝑦) = 16 ((∑ ( ) ) (∑ ( ) )) = 16 ((∑ ( ) ) (∑ ( ) ))
3 3 3 9
𝑥 𝑦 𝑥=1 𝑦=1 𝑥=1 𝑦=1

1 1
= 16 ( ) ( ) = 16
2 8

Por lo tanto, como nuestra función cumple con las dos propiedades, es una función de
probabilidad.
451. Demuestre que las siguientes funciones son de densidad.

−(𝑥+𝑦)
a) 𝑓(𝑥, 𝑦) = {𝑒 𝑠𝑖 𝑥, 𝑦 > 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Toda función de densidad debe cumplir las siguientes propiedades:

I. 𝑓(𝑥, 𝑦) ≥ 0
∞ ∞
II. ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = 1

Observamos que 𝑓(𝑥, 𝑦) es no negativa. Los valores de 𝑥, 𝑦 son mayores que cero, ahora
comprobamos que se cumple la segunda propiedad:
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞
∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑦𝑑𝑥 = ∫ ∫ 𝑒 −(𝑥+𝑦) 𝑑𝑦𝑑𝑥 = ∫ ∫ 𝑒 −𝑥 𝑒 −𝑦 𝑑𝑦𝑑𝑥 = ∫ 𝑒 −𝑥 ∫ 𝑒 −𝑦 𝑑𝑦𝑑𝑥
−∞ −∞ 0 0 0 0 0 0
∞ ∞ ∞
= ∫ 𝑒 −𝑥 [−𝑒 −𝑦 ]∞
0 𝑑𝑥 = ∫ 𝑒
−𝑥 [−𝑒 −∞
− (−𝑒 0 )]𝑑𝑥 = ∫ 𝑒 −𝑥 [0 + 1]𝑑𝑥
0 0 0
∞
= ∫ 𝑒 −𝑥 𝑑𝑥 = [−𝑒 −𝑥 ]∞
0 = [−𝑒
−∞
− (−𝑒 0 )] = 0 + 1 = 1
0

Por lo tanto, como se cumplen las dos propiedades, 𝑓(𝑥, 𝑦) es una función de densidad.

2 −2𝑥
b) 𝑓(𝑥, 𝑦) = {6𝑦 𝑒 𝑠𝑖 0 < 𝑦 < 1, 𝑥 > 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Toda función de densidad debe cumplir las siguientes propiedades:

I. 𝑓(𝑥, 𝑦) ≥ 0
∞ ∞
II. ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = 1

Observamos que 𝑓(𝑥, 𝑦) es no negativa. Los valores de 𝑥 son mayores que cero y los de y van de
cero a uno, ahora comprobamos que se cumple la segunda propiedad:
∞ ∞ ∞ 1 ∞ ∞ ∞ ∞
1
∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∫ ∫ 6𝑦 2 𝑒 −2𝑥 𝑑𝑥𝑑𝑦 = ∫ 6𝑦 2 ∫ 𝑒 −2𝑥 𝑑𝑥𝑑𝑦 = ∫ 6𝑦 2 [− 𝑒 −2𝑥 ] 𝑑𝑦
−∞ −∞ 0 0 0 0 0 2 0
∞ ∞ ∞ 1
1 1 1 1
= ∫ 6𝑦 2 [ ] 𝑑𝑦 = ∫ 6𝑦 2 = 3 ∫ 𝑦 2 = 3 [ 𝑦 3 ] = 3 ( ) = 1
0 2 2 0 0 3 0 3

Por lo tanto, como se cumplen las dos propiedades, 𝑓(𝑥, 𝑦) es una función de densidad.
 3𝑥𝑦(1 − 𝑥) 𝑠𝑖 0 < 𝑥 < 1,0 < 𝑦 < 2
c) 𝑓(𝑥, 𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Toda función de densidad debe cumplir las siguientes propiedades:

I. 𝑓(𝑥, 𝑦) ≥ 0
∞ ∞
II. ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = 1

Observamos que 𝑓(𝑥, 𝑦) es no negativa. Los valores de 𝑥 están entre cero y uno, y los de y van de
cero a dos, ahora comprobamos que se cumple la segunda propiedad:
∞ ∞ 1 2 1 2
∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑦𝑑𝑥 = ∫ ∫ 3𝑥𝑦(1 − 𝑥)𝑑𝑦𝑑𝑥 = ∫ 3𝑥(1 − 𝑥) ∫ 𝑦 𝑑𝑦𝑑𝑥
−∞ −∞ 0 0 0 0
1
2
2 1
2
1 2 2
= ∫ (3𝑥 − 3𝑥 ) ∫ 𝑦 𝑑𝑦𝑑𝑥 = ∫ (3𝑥 − 3𝑥 ) [ 𝑦 ] 𝑑𝑥
0 0 0 2 0
1 1 1
2
1 2
3 2 3
1
= ∫ (3𝑥 − 3𝑥 ) [ (4) − 0] 𝑑𝑥 = ∫ (3𝑥 − 3𝑥 ) 2𝑑𝑥 = 2 [ 𝑥 − 𝑥 ] = 2 [ ]
0 2 0 2 0 2
=1

Por lo tanto, como se cumplen las dos propiedades, 𝑓(𝑥, 𝑦) es una función de densidad.

452. encuentre el valor de la constante c en cada caso, para que la siguiente función sea de
probabilidad:

𝑐𝑥𝑦 𝑠𝑖 0 < 𝑥, 𝑦 < 1

b) 𝑓(𝑥, 𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
∞ ∞ 1 1 1 1 1
1 𝑥 𝑐 1
∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑦𝑑𝑥 = 𝑐 ∫ ∫ (𝑥𝑦)𝑑𝑦𝑑𝑥 = 𝑐 (∫ [𝑥 ( 𝑦 2 )] 𝑑𝑥) = 𝑐 (∫ 𝑑𝑥) = ∫ 𝑥 𝑑𝑥
−∞ −∞ 0 0 0 2 0 0 2 2 0
1
𝑐 1 𝑐 1 𝑐 𝑐
= ([ 𝑥 2 ] ) = ( ) = → =0 →𝑐=4
2 2 0 2 2 4 4

Por lo tanto, la constante 𝑐 = 4.

𝑐𝑥(𝑥 − 𝑦) 𝑠𝑖 0 < 𝑥, 𝑦 < 1

c) 𝑓(𝑥, 𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
∞ ∞ 1 𝑥
∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑦𝑑𝑥 = 𝑐 ∫ ∫ (𝑥 2 − 𝑥𝑦)𝑑𝑦𝑑𝑥
−∞ −∞ 0 −𝑥

𝑥 𝑥 𝑥 𝑥
1
∫ (𝑥 2 − 𝑥𝑦)𝑑𝑦 = ∫ 𝑥 2 𝑑𝑦 − ∫ 𝑥𝑦 𝑑𝑦 = 𝑥 2 [𝑦]−𝑥𝑥
− 𝑥 [ 𝑦2]
−𝑥 −𝑥 −𝑥 2 −𝑥
1 1
= 𝑥 2 (𝑥 − (−𝑥)) − 𝑥 ( 𝑥 2 − 𝑥 2 ) = 𝑥 2 (2𝑥) − 0 = 2𝑥 3
2 2
 1 1
1 1 1
∫ 2𝑥 3 𝑑𝑦 = 2 [ 𝑥 4 ] = 2 ( − 0) =
0 4 0 4 2
1 𝑥
1 𝑐
𝑐 ∫ ∫ (𝑥 2 − 𝑥𝑦)𝑑𝑦𝑑𝑥 = 𝑐 → =0 →𝑐=2
0 −𝑥 2 2

Por lo tanto, la constante 𝑐 = 2.

461. Sea (X,Y) un vector aleatorio discreto con función de probabilidad como indica la tabla,
encuentre y grafique la función de distribución.

a)

x/y 0 1
0 0 1/2
1 1/2 0

La gráfica de la función es:

Entonces la función de distribución es:

0 𝑠𝑖 𝑥 ≤ 0 y 𝑦 ≤ 0, 𝑥 = 1 y 𝑦 = 1
1
𝑠𝑖 0 ≤ 𝑥 ≤ 1 y 𝑦 < 1,
𝐹(𝑥, 𝑦) = 2
1
𝑠𝑖 0 ≤ 𝑦 ≤ 1 y 𝑥 < 1 ,
2
{ 1 𝑠𝑖 𝑥 > 1 y 𝑦 > 1.

b)

x/y 0 1 2
0 1/9 1/9 1/9
1 1/9 1/9 1/9
2 1/9 1/9 1/9
La gráfica de la función es:
Entonces la función de distribución es:

0 𝑠𝑖 𝑥 < 0, 𝑦 < 0
1
𝑠𝑖 0 ≤ 𝑥 ≤ 2, 𝑦 < 1
3
2
𝑠𝑖 0 ≤ 𝑥 ≤ 2, 0 ≤ 𝑦 ≤ 1
3
2
𝐹(𝑥, 𝑦) = 𝑠𝑖 0 ≤ 𝑦 ≤ 2,0 ≤ 𝑥 ≤ 1
3
1
𝑠𝑖 0 ≤ 𝑦 ≤ 2, 𝑥 < 1
3
1
𝑠𝑖 1 ≤ 𝑥 ≤ 2, 1 ≤ 𝑦 ≤ 2
4
{ 1 𝑠𝑖 𝑥 < 2, 𝑦 < 2

462. Sea (X,Y) un vector aleatorio continuo con función de probabilidad como se indica abajo.
Encuentre y grafique la correspondiente función.

1 𝑠𝑖 0 < 𝑥, 𝑦 < 1,
a) 𝑓(𝑥, 𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑥 𝑦 𝑥 𝑦 𝑥 𝑥
𝑦
𝐹(𝑥, 𝑦) = ∫ ∫ 𝑓(𝑢, 𝑣)𝑑𝑣𝑑𝑢 = ∫ ∫ 1𝑑𝑣𝑑𝑢 = ∫ [𝑣]0 𝑑𝑦 = ∫ 𝑦 𝑑𝑢 = [𝑦𝑢]0𝑥 = 𝑥𝑦
−∞ −∞ 0 0 0 0

Entonces su función de distribución es

0 𝑠𝑖 𝑥 ≤ 0 𝑜 𝑦 ≤ 0
𝑥𝑦 𝑠𝑖 0 < 𝑥, 𝑦 < 1
𝐹(𝑥, 𝑦) = 𝑥 𝑠𝑖 0 < 𝑥 < 1, 𝑦 ≥ 1
𝑦 𝑠𝑖 0 < 𝑦 < 1, 𝑥 ≥ 1
{ 1 𝑠𝑖 𝑥, 𝑦 ≥ 1

2(1 − 𝑥 ) 𝑠𝑖 0 < 𝑥, 𝑦 < 1,

b) 𝑓(𝑥, 𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
 𝑥 𝑦
𝐹(𝑥, 𝑦) = ∫ ∫ 𝑓(𝑢, 𝑣)𝑑𝑣𝑑𝑢
−∞ −∞
𝑦 𝑥 𝑦 𝑥 𝑦
= ∫ ∫ 2(1 − 𝑢)𝑑𝑢𝑑𝑣 = ∫ ∫ (2 − 2𝑢 )𝑑𝑢𝑑𝑣 = ∫ [2𝑢 − 𝑢2 ]0𝑥 𝑑𝑣
0 0 0 0 0
𝑦
𝑦
= ∫ 2𝑥 − 𝑥 2 𝑑𝑣 = [2𝑥𝑣 − 𝑥 2 𝑣]0 = 2𝑥𝑦 − 𝑥 2 𝑦
0

Entonces su función de distribución es

0 𝑠𝑖 𝑥 ≤ 0 𝑜 𝑦 ≤ 0
2
2𝑥𝑦 − 𝑥 𝑦 𝑠𝑖 0 < 𝑥, 𝑦 < 1
𝐹(𝑥, 𝑦) = 2𝑥 − 𝑥 2 𝑠𝑖 0 < 𝑥 < 1, 𝑦 ≥ 1
𝑦 𝑠𝑖 0 < 𝑦 < 1, 𝑥 ≥ 1
{ 1 𝑠𝑖 𝑥, 𝑦 ≥ 1

2𝑦𝑒 −𝑥 𝑠𝑖 0 < 𝑥, 𝑦 < 1,

c) 𝑓(𝑥, 𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑥 𝑦 𝑦 𝑥 𝑦
𝐹(𝑥, 𝑦) = ∫ ∫ 𝑓(𝑢, 𝑣)𝑑𝑣𝑑𝑢 = ∫ ∫ 2𝑣𝑒 −𝑢 𝑑𝑢𝑑𝑣 = 2𝑣 ∫ [−𝑒 −𝑢 ]0𝑥 𝑑𝑣
−∞ −∞ 0 0 0
𝑦
= 2𝑣 ∫ [−𝑒 −𝑥 + 1] 𝑑𝑣 = [−𝑣 2 𝑒 −𝑥 + 𝑣 2 ]0𝑦 = −𝑦 2 𝑒 −𝑥 + 𝑦 2 = 𝑦 2 (1 − 𝑒 −𝑥 )
0

Entonces su función de distribución es

0 𝑠𝑖 𝑥 ≤ 0 𝑜 𝑦 ≤ 0
2 (1
𝐹(𝑥, 𝑦) = {𝑦 − 𝑒 −𝑥 ) 𝑠𝑖 0 < 𝑦 < 1, 𝑥>0
1 − 𝑒 −𝑥 𝑠𝑖 𝑦 ≥ 1, 𝑥 > 0

463. Sea (X,Y) un vector aleatorio discreto con función de probabilidad dada por la siguiente tabla:

x/y 0 1 2 3
0 1/12 1/4 1/8 1/120
1 1/6 1/4 1/20 0
2 1/24 1/40 0 0

Encuentre:

a) 𝑃(𝑋 = 1, 𝑌 = 2)
𝑃(𝑋 = 1, 𝑌 = 2) = 1/20

b) 𝑃(𝑋 = 0,1 ≤ 𝑌 < 3)

 1 1 2+1 3
𝑃(𝑋 = 0,1 ≤ 𝑌 < 3) = + = =
4 8 8 8

c) 𝑃(𝑋 + 𝑌 ≤ 1)
1 1 1 1+2+3 6 1
𝑃(𝑋 + 𝑌 ≤ 1) = + + = = =
12 6 4 12 12 2

d) 𝑃(𝑋 > 𝑌)
1 1 1 20 + 5 + 3 28 7
𝑃(𝑋 > 𝑌) = + + = = =
6 24 40 120 120 30

e) 𝐹𝑋,𝑌 (1.2,0.9)

1 1 2+1 3 1
𝐹𝑋,𝑌 (1,2,0.9) = + = = =
12 6 12 12 4

f) 𝐹𝑋,𝑌 (−3,1.5)

De acuerdo a la función de probabilidad X toma valores 0 ≤ 𝑥 ≤ 2 y Y toma valores 0 ≤ 𝑥 ≤ 3, se

nos pide encontrar 𝐹𝑋,𝑌 (−3,1.5) pero x no toma valores negativos, por lo que:

𝐹𝑋,𝑌 (−3,1.5) = 0

g) 𝐹𝑋,𝑌 (2,0)

1 1 1 2+4+1 7
𝐹𝑋,𝑌 (2,0) = + + = =
12 6 24 24 24

h) 𝐹𝑋,𝑌 (4,2.7)

1 1 1 1 1 1 1 1 119
𝐹𝑋,𝑌 (4,2.7) = + + + + + + + =
2 4 8 6 4 20 24 40 120
468. Sean X y Y un vector aleatorio con función de probabilidad como aparece abajo. Encontrar las
funciones de probabilidad marginales 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑦).

a)

x\y 0 1
0 1/16 5/16
1 4/16 6/16

1 1 5 6
𝑓𝑋 (0) = ∑ 𝑓(𝑥, 𝑦) = + =
𝑦=0 16 16 16
1 4 6 10
𝑓𝑋 (1) = ∑ 𝑓(𝑥, 𝑦) = + =
𝑦=0 16 16 16

6
𝑠𝑖 𝑥 = 0
16
∴ 𝑓𝑋 (𝑥) = 10
𝑠𝑖 𝑥 = 1
16
{0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
1 1 4 5
𝑓𝑌 (0) = ∑ 𝑓(𝑥, 𝑦) = + =
𝑥=0 16 16 16
1 5 6 11
𝑓𝑌 (1) = ∑ 𝑓(𝑥, 𝑦) = + =
𝑥=0 16 16 16

5
𝑠𝑖 𝑦 = 0
16
∴ 𝑓𝑌 (𝑦) = 11
𝑠𝑖 𝑦 = 1
16
{ 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

𝑒 −𝑥 𝑠𝑖 0 < 𝑥, 𝑦 < 1,
𝑏) 𝑓(𝑥, 𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑥
∞ 𝑥
∫ 𝑒 −𝑥 𝑑𝑦 𝑠𝑖 0 < 𝑥
𝑓𝑋 (𝑥) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑦 = { 0
→ ∫ 𝑒 −𝑥 𝑑𝑦 = [𝑦𝑒 −𝑥 ]0𝑥 = 𝑥𝑒 −𝑥
−∞ 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

∴ 𝑓𝑋 (𝑥) = 𝑥𝑒 −𝑥
𝑦
∞ 𝑦
∫ 𝑒 −𝑥 𝑑𝑥 𝑠𝑖 0 < 𝑦 𝑦
𝑓𝑌 (𝑦) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥 = { 0 → ∫ 𝑒 −𝑥 𝑑𝑥 = [−𝑒 −𝑥 ]0 = −𝑒 −𝑦
−∞ 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

∴ 𝑓𝑌 (𝑦) = −𝑒 −𝑦
 2𝑒 −𝑥−𝑦 𝑠𝑖 0 < 𝑥, 𝑦 < 1,
𝑐) 𝑓(𝑥, 𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑥
∞ 𝑥
∫ 2𝑒 −𝑥−𝑦 𝑑𝑦 𝑠𝑖 0 < 𝑥
𝑓𝑋 (𝑥) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑦 = { 0
→ 2 ∫ 𝑒 −𝑥−𝑦 𝑑𝑦 = 2[−𝑒 −𝑥−𝑦 ]0𝑥
−∞ 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
−2𝑥 −𝑥 )
= 2(−𝑒 +𝑒

∴ 𝑓𝑋 (𝑥) = 2(−𝑒 −2𝑥 + 𝑒 −𝑥 )

𝑦
∞ 𝑦
∫ 2𝑒 −𝑥−𝑦 𝑑𝑥 𝑠𝑖 0 < 𝑦 𝑦
𝑓𝑌 (𝑦) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥 = { 0
→ 2 ∫ 𝑒 −𝑥−𝑦 𝑑𝑥 = [−𝑒 −𝑥−𝑦 ]0
−∞ 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
= 2(−𝑒 −2𝑦 + 𝑒 −𝑦 )

∴ 𝑓𝑌 (𝑦) = 2(−𝑒 −2𝑦 + 𝑒 −𝑦 )

471. Sean X y Y dos variables aleatorias discretas con función de probabilidad conjunta dada por la
tabla de abajo. Encuentre la función de distribución conjunta 𝐹𝑋,𝑌 (𝑥, 𝑦) y apartir de ellas
encuentre las funciones de distribución marginales 𝐹𝑋 (𝑥) y 𝐹𝑌 (𝑦).

x/y 0 1
0 1/8 1/4
1 1/4 3/8

De acuerdo la tabla, la función de distribución conjunta es:

0 𝑠𝑖 𝑥 < 0, 𝑦 < 0
1
𝑠𝑖 0 ≤ 𝑥 < 1,0 ≤ 𝑦 < 1
8
3
𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝑠𝑖 0 ≤ 𝑥 < 1 , 𝑦 ≥ 1
8
3
𝑠𝑖 0 ≤ 𝑦 < 1 , 𝑥 ≥ 1
8
{1 𝑠𝑖 𝑥 ≥ 1, 𝑦 ≥ 1

Ahora, las funciones de distribución marginal son:

0 𝑠𝑖 𝑥 < 0
3
𝐹𝑋 (𝑥) = lim 𝐹𝑋,𝑌 (𝑥, 𝑦) = { 𝑠𝑖 0 ≤ 𝑥 < 1
𝑦→∞ 8
1 𝑠𝑖 𝑥 ≥ 1
 0 𝑠𝑖 𝑦 < 0
3
𝐹𝑌 (𝑌) = lim 𝐹𝑋,𝑌 (𝑥, 𝑦) = { 𝑠𝑖 0 ≤ 𝑦 < 1
𝑥→∞ 8
1 𝑠𝑖 𝑦 ≥ 1

483. Seaq (X,Y) un vector aleatorio discreto con función de probabilidad

x/y 0 1 2
0 0.1 0.05 0.1
1 0.05 0.2 0.1
2 0.05 0.05 0.3

Calcule las siguientes funciones:

a) 𝑓𝑋\𝑌 (𝑥\0)

𝑓𝑋,𝑌 (𝑥,𝑦)
Se tiene que 𝑓𝑋\𝑌 (𝑥\𝑦) = 𝑓𝑌 (𝑦)
, entonces:

𝑓𝑌 (0) = 0.2 𝑓𝑋,𝑌 (0,0) = 0.1 𝑓𝑋,𝑌 (1,0) = 0.05 𝑓𝑋,𝑌 (2,0) = 0.05

𝑓𝑋,𝑌 (0,0) 0.1 𝑓𝑋,𝑌 (1,0) 0.05 𝑓𝑋,𝑌 (2,0) 0.05

= = 0.5 = = 0.25 = = 0.25
𝑓𝑌 (0) 0.2 𝑓𝑌 (0) 0.2 𝑓𝑌 (0) 0.2

𝑓𝑋,𝑌 (𝑥, 0) 0.5 𝑠𝑖 𝑥 = 0

𝑓𝑋\𝑌 (𝑥\0) = = {0.25 𝑠𝑖 𝑥 = 1
𝑓𝑌 (0)
0.25 𝑠𝑖 𝑥 = 2

1/2 𝑠𝑖 𝑥 = 0
∴ 𝑓𝑋\𝑌 (𝑥\0) = {1/4 𝑠𝑖 𝑥 = 1
1/4 𝑠𝑖 𝑥 = 2

b) 𝑓𝑋\𝑌 (𝑥\1)

𝑓𝑋,𝑌 (𝑥,𝑦)
Se tiene que 𝑓𝑋\𝑌 (𝑥\𝑦) = 𝑓𝑌 (𝑦)
, entonces:

𝑓𝑌 (1) = 0.3 𝑓𝑋,𝑌 (0,1) = 0.05 𝑓𝑋,𝑌 (1,1) = 0.2 𝑓𝑋,𝑌 (2,1) = 0.05

𝑓𝑋,𝑌 (0,1) 0.05 𝑓𝑋,𝑌 (1,1) 0.2 𝑓𝑋,𝑌 (2,0) 0.05

= = 0.17 = = 0.67 = = 0.17
𝑓𝑌 (0) 0.3 𝑓𝑌 (0) 0.3 𝑓𝑌 (0) 0.3

𝑓𝑋,𝑌 (𝑥, 0) 0.17 𝑠𝑖 𝑥 = 0

𝑓𝑋\𝑌 (𝑥\0) = = {0.67 𝑠𝑖 𝑥 = 1
𝑓𝑌 (0)
0.17 𝑠𝑖 𝑥 = 2
 1/6 𝑠𝑖 𝑥 = 0
∴ 𝑓𝑋\𝑌 (𝑥\0) = {2/3 𝑠𝑖 𝑥 = 1
1/6 𝑠𝑖 𝑥 = 2

1.2. Momentos

496. calcule la covarianza entre X y Y cuando estas variables tienen distribución conjunta como se
indica:

x/y 0 1
0 1/4 1/4
1 1/4 1/4
Primero calculamos la esperanza:

1 1 1
𝐸(𝑋) = (0 ∙ ) + (1 ∙ ) =
4 4 4
1 1 1
𝐸(𝑌) = (0 ∙ ) + (1 ∙ ) =
4 4 4

Entonces 𝐶𝑂𝑉(𝑋, 𝑌) = ∑𝑥,𝑦(𝑥 − 𝐸(𝑋))(𝑦 − 𝐸(𝑌)) 𝑓(𝑥, 𝑦)

1 1 1 1 1 1 1 1
𝐶𝑂𝑉(𝑋, 𝑌) = (( − ) + ( − )) (( − ) + ( − )) = 0
4 4 4 4 4 4 4 4

Por lo tanto, la COV(X,Y)=0, es decir, que son variables independientes.

497. Propiedades de la covarianza. Demuestre con detalle las siguientes propiedades:

a) 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌)

La covarianza se define como 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸[(𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌))], desarrollamos el lado

derecho de la igualdad:

𝐸[(𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌))] = 𝐸[𝑋𝑌 − 𝑋𝐸(𝑌) − 𝑌𝐸(𝑋) + 𝐸(𝑋)𝐸(𝑌)]

= 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌) − 𝐸(𝑌)𝐸(𝑋) + 𝐸(𝑋)𝐸(𝑌) = 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌)

∴ 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋, 𝑌) − 𝐸(𝑋)𝐸(𝑌)

 b) 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐶𝑜𝑣(𝑌, 𝑋)

La covarianza se define como 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸[(𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌))], lo que se nos pide es
demostrar que 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐶𝑜𝑣(𝑌, 𝑋), esto sería:

𝐸[(𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌))] = 𝐸[(𝑌 − 𝐸(𝑌))(𝑋 − 𝐸(𝑋))]

Del inciso anterior tenemos que

𝐸[(𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌))] = 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌)

Ahora desarrollamos el lado derecho de la igualdad:

𝐸[(𝑌 − 𝐸(𝑌))(𝑋 − 𝐸(𝑋))] = 𝐸[𝑌𝑋 − 𝑌𝐸(𝑋) − 𝑋𝐸(𝑌) + 𝐸(𝑌)𝐸(𝑋)]

= 𝐸(𝑌𝑋) − 𝐸(𝑌)𝐸(𝑋) − 𝐸(𝑋)𝐸(𝑌) + 𝐸(𝑌)𝐸(𝑋) = 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌)

Igualando ambos lados se tiene:

𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌) = 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌)

∴ 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐶𝑜𝑣(𝑋, 𝑌)

c) 𝐶𝑜𝑣(𝑋, 𝑐) = 𝐶𝑜𝑣(𝑐, 𝑋) = 0, c constante.

Siguiendo la definición de covarianza se tiene:

𝐶𝑜𝑣(𝑋, 𝑐) = 𝐸[(𝑋 − 𝐸(𝑋))(𝑐 − 𝐸(𝑐))] = 𝐸(𝑋𝑐) − 𝐸(𝑋)𝐸(𝑐)

Pero sabemos que 𝐸(𝑐) = 0 por lo que:

𝐶𝑜𝑣(𝑋, 𝑐) = 𝐸[(𝑋 − 𝐸(𝑋))(𝑐 − 𝐸(𝑐))] = 𝐸(𝑋𝑐) − 𝐸(𝑋)𝐸(𝑐) = 0

Ahora para 𝐶𝑜𝑣(𝑐, 𝑋) se tiene que:

𝐶𝑜𝑣(𝑐, 𝑋) = 𝐸[(𝑐 − 𝐸(𝑐))(𝑋 − 𝐸(𝑋))] = 𝐸[𝑐𝑋 − 𝑐𝐸(𝑋) − 𝐸(𝑐)𝑋 + 𝐸(𝑐)𝐸(𝑋)]

= 𝐸(𝑐𝑋) − 𝐸(𝑐)𝐸(𝑋) − 𝐸(𝑐)𝐸(𝑥) + 𝐸(𝑐)𝐸(𝑋) = 𝐸(𝑐𝑋) − 𝐸(𝑐)𝐸(𝑋) = 0

∴ 𝐶𝑜𝑣(𝑋, 𝑐) = 𝐶𝑜𝑣(𝑐, 𝑋) = 0

500. Calcule el coeficiente de correlación entre X y Y cuando estas variables tiene distribución
conjunta como se indica en cada inciso:

a) 𝑓(𝑥, 𝑦) esta dada por la siguiente tabla:

 x/y 0 1
0 1/4 1/4
1 1/4 1/4

Primero calculamos la esperanza:

1 1 1
𝐸(𝑋) = (0 ∙ ) + (1 ∙ ) =
4 4 4
1 1 1
𝐸(𝑌) = (0 ∙ ) + (1 ∙ ) =
4 4 4

Entonces 𝐶𝑂𝑉(𝑋, 𝑌) = ∑𝑥,𝑦(𝑥 − 𝐸(𝑋))(𝑦 − 𝐸(𝑌)) 𝑓(𝑥, 𝑦)

1 1 1 1 1 1 1 1
𝐶𝑂𝑉(𝑋, 𝑌) = (( − ) + ( − )) (( − ) + ( − )) = 0
4 4 4 4 4 4 4 4

𝐶𝑜𝑣(𝑋,𝑌)
El coeficiente de correlación esta dado por 𝜌 = , pero como la covarianza es cero se
√𝑉𝑎𝑟(𝑋)𝑉𝑎𝑟(𝑌)
tiene que el coeficiente de correlación es cero ya que las variables son independientes.

∴𝜌=0

289. f.g.m. Sea X una v.a. con distribución 𝐵𝑒𝑟(𝑝). Demuestre que la [Link]. de X está dada por la
expresión que aparece abajo. A través de esta función encuentre nuevamente la esperanza y la
varianza de de esta distribución.

𝑀(𝑡) = 1 − 𝑝 + 𝑝𝑒 𝑡

Se tiene que la función de probabilidad de la distribución de Bernoulli es:

𝑥 (1
𝑓(𝑥) = {𝑝 − 𝑝)1−𝑥 𝑠𝑖 𝑥 = 0,1
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

La f.g.m. esta dada por 𝑀(𝑡) = ∑𝑥 𝑒 𝑡𝑥 𝑃(𝑋 = 𝑥), entonces:

𝑀(𝑡) = ∑ 𝑒 𝑡𝑥 (𝑝 𝑥 (1 − 𝑝)1−𝑥 ) = 𝑒 𝑡(0) (𝑝(0) (1 − 𝑝)1−(0) ) + 𝑒 𝑡(1) (𝑝(1) (1 − 𝑝)1−1 )

𝑥
= 1(1(1 − 𝑝)) + 𝑒 𝑡 (𝑝(1)) = 1 − 𝑝 + 𝑒 𝑡 𝑝

∴ 𝑀(𝑡) = 1 − 𝑝 + 𝑒 𝑡 𝑝
299. f.g.m. Sea X una v.a. con distribución 𝑏𝑖𝑛(𝑛, 𝑝), demuestre que la f.g.m. de X está dada por la
expresión de abajo. A través de esta función encuentre nuevamente la esperanza y la varianza de
de esta distribución.

𝑀(𝑡) = (1 − 𝑝 + 𝑝𝑒 𝑡 )𝑛

Se tiene que la función de probabilidad de la distribución binomial es:

𝑛 𝑥
(1 − 𝑝)1−𝑥
𝑓(𝑥) = {(𝑥 ) 𝑝 𝑠𝑖 𝑥 = 0,1, … , 𝑛
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

La f.g.m. esta dada por 𝑀(𝑡) = ∑𝑥 𝑒 𝑡𝑥 𝑃(𝑋 = 𝑥), entonces:

𝑛
𝑡𝑥 𝑛 𝑛
𝑀(𝑡) = ∑ 𝑒 ( ) (𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 ) = ∑ ( ) 𝑒 𝑡𝑥 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = (𝑒 𝑡 𝑝)𝑥 (1 − 𝑝)𝑛−𝑥
𝑥 𝑥
𝑥 𝑥=0
= (1 − 𝑝)𝑛 + (𝑒 𝑡 𝑝)𝑛 = (1 − 𝑝 + 𝑝𝑒 𝑡 )𝑛

∴ 𝑀(𝑡) = (1 − 𝑝 + 𝑝𝑒 𝑡 )𝑛

349. f.g.m. Sea X una variable con distribución 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆). Demuestre que la función generadora
𝑡 −1)
de momentos es 𝑀(𝑡) = 𝑒 𝜆(𝑒 . Encuentre nuevamente la esperanza y la varianza de de esta
distribución.

Se tiene que la función de probabilidad de la distribución Poisson es:

−𝜆
𝜆𝑥
𝑓(𝑥) = { 𝑒 𝑥!
𝑠𝑖 𝑥 = 0,1, …
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

La f.g.m. esta dada por 𝑀(𝑡) = ∑𝑥 𝑒 𝑡𝑥 𝑃(𝑋 = 𝑥), entonces:

∞ 𝜆𝑥
𝑡𝑥 −𝜆
−𝜆
∞
𝑡𝑥
𝜆𝑥 −𝜆
∞ (𝑒 𝑡 𝜆)𝑥
𝑀(𝑡) = ∑ 𝑒 𝑒 =𝑒 ∑ 𝑒 =𝑒 ∑
𝑥=0 𝑥! 𝑥=0 𝑥! 𝑥=0 𝑥!
𝑡 1 𝑡 2
(𝑒 𝜆) (𝑒 𝜆)
= 𝑒 −𝜆 (1 + + + ⋯)
1! 2!

𝑥𝑘 𝑥1 𝑥2 (𝑒 𝑡 𝜆)1 (𝑒 𝑡 𝜆)2 𝑡 𝜆)
Sabemos que 𝑒 𝑥 = ∑∞
𝑘=0 𝑘! = 1 + 1!
+ 2!
+ ⋯, por lo que 1 + 1!
+ 2!
= 𝑒 (𝑒 ,
 ∞ 𝜆𝑥 ∞ 𝜆𝑥 ∞ (𝑒 𝑡 𝜆)𝑥
𝑀(𝑡) = ∑ 𝑒 𝑡𝑥 𝑒 −𝜆 = 𝑒 −𝜆 ∑ 𝑒 𝑡𝑥 = 𝑒 −𝜆 ∑
𝑥=0 𝑥! 𝑥=0 𝑥! 𝑥=0 𝑥!
𝑡 1 𝑡 2
(𝑒 𝜆) (𝑒 𝜆) 𝑡 𝑡 𝑡
= 𝑒 −𝜆 (1 + + + ⋯ ) = 𝑒 −𝜆 ∗ 𝑒 (𝑒 𝜆) = 𝑒 𝜆𝑒 −𝜆 = 𝑒 𝜆(𝑒 −1)
1! 2!
𝑡 −1)
∴ 𝑀(𝑡) = 𝑒 𝜆(𝑒