Apuntes 

de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 1 
Rafael A. Díaz Chacón
 
 
VECTORES ALEATORIOS E INFERENCIA ESTADÍSTICA 
 
Capítulo 2: Transformaciones de Vectores Aleatorios. 
 
2.1  Una Transformación de un Vector Aleatorio. Método de la Función de Distribución 
Acumulativa. Transformación de la Suma, Producto, Cociente, Máximo, Mínimo y otras de 
dos variables aleatorias. 
 
Sea Z = g(X, Y) una función de las variables aleatorias X e Y, tales que se conoce la función de 
densidad conjunta entre estas variables. 
 
¿Cuáles son las características aleatorias de la nueva variable? 
 
Esta pregunta  se va a responder en esta sección del capítulo 2. El orden de presentación de estas 
respuestas será el siguiente 
 
1. Curvas de nivel. 
2. Regiones de interés en R2. 
3. Cálculo de la función de distribución acumulativa de Z. 
4. Cálculo de la función de densidad de Z. 
 
2.1.1) Curvas de nivel. 
 
La representación de Z = g(X, Y) es el de una función en R3 cuyo dominio está en R2.  Entendemos 
por curva de nivel a la intersección de un plano paralelo al plano XY con la superficie g(X, Y). Estas 
intersecciones se proyectan sobre el plano XY para diferentes valores de k, siendo k = g(X Y). 
 
Como ejemplos de curvas de nivel veamos las funciones siguientes: 
 
Ejemplo 2.1.1) Sean las siguientes funciones g(X, Y). Hallar las curvas de nivel en cada caso. 
 
a) , . 
b) , . 
c) , . 
d) , . 
e) , min  , . 
f) , max  , . 
 
a) , . 
 
En este caso, g(X, Y) = k genera rectas paralelas de la forma     . En la gráfica se 
presentan las curvas de nivel para el caso específico  a = b = 1. Observe el sentido en el cual crece 
el parámetro k. 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 2 
Rafael A. Díaz Chacón
 

Y = ‐X + k 
2

k = 2 
1

k = 1

X 
k = 0
‐1
k = ‐1 

 
 
b) , . 
 
En este caso las curvas de nivel serán hipérbolas equiláteras de dos ramas de la forma 
 
 
 
El centro de las hipérbolas será el punto   , , . Una curva de nivel está 
representada por dos ramas simétricas y opuestas por el vértice donde las curvas en los 
cuadrantes I y III son del mismo signo; igual ocurre con las curvas en los cuadrantes II y IV, pero 
con el signo opuesto al de los otros cuadrantes. Los niveles negativos crecen acercándose al centro 
y los niveles positivos crecen alejándose del centro. En las gráficas siguientes se muestran dos 
ejemplos. Se destaca en cada caso el sentido de crecimiento con las flechas. 
 
(2X + 4)(Y – 2) = k  (1 ‐ 2X)(Y + 5) = k 
Y 
Nivel  Nivel 
Y  Positivo Positivo

1/2
X 

2 
‐5 

‐2  X 

              
 
 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 3 
Rafael A. Díaz Chacón
 
c) , . 
 
Este es un caso particular del ejemplo b). Aquí las hipérbolas tienen como centro el origen de 
coordenadas. Nuevamente, cada curva de nivel tiene dos ramas o las de los cuadrantes I y III o las 
de los cuadrantes II y IV. La curva de nivel en los cuadrantes I y III crece alejándose del origen. 
 
XY = k 
Nivel 
Y Positivo

X 

 
 
d) , . 
 
Aquí las curvas de nivel son rectas de la forma Y = kX,  que pasan por el origen de coordenadas con 
diferentes pendientes iguales a k. Nuevamente note el sentido de crecimiento de k. 
 

Y = kX

k = 1
k = 1/2 
1 

k = 0 
‐1
X 

k = ‐1

 
 
e) , min  , . 
 
La función Mínimo requiere de una definición por partes ya que toma distintos valores 
dependiendo de la región considerada. La frontera que separa las dos posibles regiones es Y = X, 
es decir, 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 4 
Rafael A. Díaz Chacón
 
,     
min ,  
,     
 
En la gráfica siguiente se presentan distintas curvas de nivel k = min(X, Y). Nótese el sentido de 
crecimiento de k. 

k = min(X, Y)
Y = X

k = 1
1
k = 1/2 

‐1  k = 0
1  X 

k = ‐1
‐1

 
f) , max  , . 
 
La función Máximo también requiere de una definición por partes. Nuevamente, Y = X es la 
frontera que separa las dos posibles regiones. 
 
,     
max ,  
,     
 
En la gráfica siguiente se presentan distintas curvas de nivel k = max(X, Y). Nótese el sentido de 
crecimiento de k. 
k = max(X, Y)
Y = X

1 k = 1

k = 

‐1  k = 0 
1  X

k = ‐1 
‐1 

 
ЮЮ 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 5 
Rafael A. Díaz Chacón
 
 
2.1.2) Regiones de interés en R2. 
 
Cada curva de nivel divide el plano XY en dos regiones que denominaremos, región interior y 
región exterior, con las características siguientes: 
 
⁄ ,              ⁄ ,     
 
Nuestra región de interés será la Región Interior Z. 
 
Ejemplo 2.1.2) Hallar la región interior para las curvas de nivel de las funciones Z = g(X, Y) del 
ejemplo anterior. 
 
En cada caso la región interior se destaca como la región sombreada. 
 
a) , . 
 
Y = ‐X + k 

1 
k = 1 

X 

‐1 

 
 
 
b) , . 
 
(2X + 4)(Y – 2) = k
Nivel 
Y  Positivo

2 

‐2  X 

             
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 6 
Rafael A. Díaz Chacón
 
 
c) , . 
 
XY = k 
Nivel 
Y  Positivo

X 

 
d) , . 

Y = kX 

k = 1

‐1 X 

 
 
e) , min  , . 

k = min(X, Y)
Y = X

k = 1
1 

1 X 

 
  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 7 
Rafael A. Díaz Chacón
 
 
f) , max  , . 

k = max(X, Y) 
Y = X 

1 k = 1 

1  X 

 
ЮЮ 
 
2.1.3) Cálculo de la función de distribución acumulativa de Z. 
 
Una vez que se conocen las curvas de nivel y se ha determinado cuál es la región interior, el 
cálculo de la función de distribución acumulativa de Z es muy sencillo. Sea fXY(x,y) la función de 
densidad conjunta de X e Y, entonces 
 

, , ,  

 
Ejemplo 2.1.3) a) Hallar la función de distribución acumulativa de Z = X + Y. b) Sean X e Y 
uniformes continuas en (0, 1) e independientes; hallar la función de distribución de su suma. 
 
Parte a) 
 

, ,  

 
Parte b) Ya que X e Y son uniformes continuas en (0, 1) e independientes se puede escribir 
 
1;           ,
,  
0;        
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 8 
Rafael A. Díaz Chacón
 
Donde la región DXY es la región sombreada en la figura siguiente, allí se destacan varias curvas de 
nivel de Z = X + Y (para z = 0, 1 y  2). Nótese que en distintos casos la región resultante de 
interceptar RI(z) y DXY cambia por lo que el resultado final cambia. 
Y

2 

1 
DXY 

X
1  2 

 
Entonces, 
0;                   0

;      0 1
,  
1 ;       1 2

1;                        2
 
0;                   0

;      0 1
2  
2
1 ;       1 2
2
1;                        2
Gráficamente, 
FZ(z) 

1 

1/2 

Z
1  2 

 
ЮЮ 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 9 
Rafael A. Díaz Chacón
 
 
2.1.4) Cálculo de la función de densidad de Z. 
 
Para el cálculo de la función de densidad de Z conocida la función de distribución de Z solo hay que 
tomar la derivada respecto de Z de la función de distribución, es decir, 
 

,  

 
Ahora bien, para tomar esta derivada hay que tener  en cuenta que la variable Z está presente en 
los límites de integración en ambas integrales por lo que es conveniente recordar la expresión 
siguiente 
 

, , , ,  

 
 
Ejemplo 2.1.4) a) Hallar la función de densidad de Z = X + Y cuando ambos sumandos son 
independientes. b) Sean X e Y ambas uniformes continuas en (0, 1) e independientes; hallar la 
función de densidad de su suma. 
 
Parte a) 
 

, ,  

 
 

, ,  

 
 
Esta última integral es la definición de convolución. Lo que lleva a emitir un resultado de gran 
utilidad en aplicaciones: 
 
“La función de densidad de la suma de variables aleatorias 
independientes es igual a la convolución de las funciones de 
densidad marginal de cada sumando” 
 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 10 
Rafael A. Díaz Chacón
 
Parte b) Del ejercicio anterior se obtuvo 
 
0;                   0
0;                   0
;      0 1
2 ;              0 1
 
2 2 ;       1 2
1 ;       1 2 0;                        2
2
1;                       
2
 
Pensando en el resultado general de la parte a) de este problema vamos a resolver la integral de 
convolución con base en un método gráfico que se explicará con las funciones uniformes de este 
ejemplo. La expresión de la integral de convolución es 
 

 
Para realizar la convolución es de mucha ayuda graficar las funciones que se multiplican en el 
integrando. Una de ellas se describirá tal cual está dada y la otra debe pasar por dos procesos 
consecutivos, el primero de ellos es un rebatimiento respecto al eje vertical y luego un 
desplazamiento de magnitud z. Las gráficas resultantes serán 
 

fY(y) 

1 Y 

fX(z ‐ y) 

z ‐ 1  z  Y 
 
 
Nótese que para el valor actual de z (z < 0) el producto de las dos funciones es cero por lo que la 
integral y la función de densidad valen cero. La idea es ir dándole valores a z y verificando el 
intervalo donde ambas funciones toman valores distintos de cero, a este intervalo se le llamará 
intervalo de solapamiento. Cuando z = 0 se inicia el solapamiento.  
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 11 
Rafael A. Díaz Chacón
 
Sea 0 < z < 1, la gráfica de ambas funciones será 

fY(y) 

1 Y 

fX(z ‐ y) 

z ‐ 1 z Y 
 
El intervalo de solapamiento va desde y = 0 hasta y = z, por tanto, 
 

 
Sea 1 < z < 2, la gráfica de ambas funciones será 

fY(y) 

1 Y 

fX(z ‐ y) 

z ‐ 1 z Y 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 12 
Rafael A. Díaz Chacón
 
El intervalo de solapamiento va desde y = z ‐ 1 hasta y = 1, por tanto, 
 

2  

 
Finalmente, cuando z > 2, ya no existe solapamiento 
 
0 
 
En resumen, 
 
0;                   0
;              0 1
 
2 ;       1 2
0;                        2
 
Es interesante, observar la gráfica resultante de fZ(z) 
 
fZ(z) 

1 

z 
1  2 
 
La variable Z resulta ser una triangular simétrica. Este ejemplo permite demostrar la aseveración 
hecha en la primera clase y que se transcribe a continuación. 
 
“Si X1 y X2 son dos variables aleatorias independientes e idénticamente distribuidas según 
una distribución uniforme en (a, b), entonces la variable Y = X1 + X2 tiene una distribución 
de tipo triangular simétrica en el intervalo (2a, 2b)” 
 ЮЮ 
 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 13 
Rafael A. Díaz Chacón
 
 
Como consecuencia de las conclusiones logradas en este ejemplo, el lector puede realizar la 
convolución correspondiente cuando los sumandos independientes tienen las distribuciones 
siguientes: (Trate de identificar, en cada caso, el tipo de modelo probabilístico que corresponda al 
resultado obtenido) 
 
i) X e Y son Exponenciales con igual parámetro λ. 
ii) X e Y son Exponenciales con distinto parámetro λ. 
iii) X e Y son Normales con iguales parámetros (μ, σ2). 
iv) X e Y son Normales con distintos parámetros (μ, σ2). 
v) X e Y son Gamma con igual parámetro α y distinto parámetro r. 
 
El resultado del ejemplo 2.1.4 permite hacer una generalización a más de dos variables que deriva 
en unos resultados de aplicación práctica de mucho interés, como son los siguientes: 
 
• La suma de n variables Bernoulli de igual parámetro p e independientes es una variable 
Binomial con parámetros n y p. 
• La suma de r variables Geométricas de igual parámetro p e independientes es una variable 
Binomial Negativa con parámetros r y p. 
• La suma de n variables Binomiales Negativas con igual parámetro p y distintos parámetros 
ri, i = 1, …,n e independientes, es una variable Binomial Negativa con parámetro p y 
∑ ) 
• La suma de n variables Poisson con parámetros λi , i = 1, …, n, respectivamente, definidas 
en el mismo intervalo t, es una variable Poisson con parámetros  ∑ ) y t. 
• La suma de n variables Exponenciales con igual parámetro λ e independientes es una 
variable Erlang con parámetros (λ, n). 
• La suma de n variables Chi‐Cuadrado con ri, i = 1, …,n grados de libertad e independientes 
es una variable Chi‐Cuadrado con grados de libertad la suma de los grados de libertad de 
cada Chi‐Cuadrado. 
• La suma de n variables Gamma con parámetro α común y parámetro r distinto e 
independientes es una variable Gamma con parámetros, α y, r igual a la suma de los 
parámetros r de cada sumando. 
• La suma de n variables normales con parámetros (μi, σi2), i = 1, …, n,  e independientes es 
una variable normal con parámetros   ∑ , ∑ . 
 
Está de más indicarle al lector que tiene que demostrar estas aseveraciones. La mejor manera de 
hacerlo es a través de la relación entre la función generadora de momentos n‐dimensional y las 
funciones generadoras de momentos marginales.  ¿La recuerda Usted? 
 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 14 
Rafael A. Díaz Chacón
 
Ejemplo 2.1.5) Hallar la función de densidad de Z = min(X, Y) cuando ambas variables son 
independientes. 
 
Recordando la región interior para Z = min(X, Y) 

k = min(X, Y)
Y = X

k = z
z

z X 

 
Entonces, 
 

,  

 
La expresión entre corchetes en cada integral no depende del diferencial correspondiente por lo 
que puede escribirse fuera de la integral correspondiente 
 

 
Sustituyendo las integrales por las definiciones correspondientes 
 
1  
 
Finalmente, al tomar la derivada respecto de z, se obtiene 
 
1 1  
ЮЮ 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 15 
Rafael A. Díaz Chacón
 
Ejemplo 2.1.6) Hallar la función de densidad de W = max(X, Y) cuando ambas variables son 
independientes. 
 
Recordando la región interior para W = max(X, Y) 

k = max(X, Y)
Y = X

w k = w

w X 

 
Entonces, 

,  

 
La expresión entre corchetes en cada integral no depende del diferencial correspondiente por lo 
que puede escribirse fuera de la integral correspondiente 
 

 
Sustituyendo las integrales por las definiciones correspondientes 
 
 
 
Finalmente, al tomar la derivada respecto de w, se obtiene 
 
 
ЮЮ 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 16 
Rafael A. Díaz Chacón
 
Ejemplo 2.1.7) Hallar la función de densidad del máximo y el mínimo de dos variables 
exponenciales independientes con parámetros λ1 y λ2, respectivamente.   
 
Sean X e Y las variables exponenciales del enunciado, entonces, 
 
         1  
 
         1  
 
Sean Z = min(X, Y)  y W = max(X, Y) entonces, de los resultados de los ejemplos 2.1.5 y 2.1.6 se 
tiene que 
 
 
Nótese que Z también es Exponencial pero con parámetro igual a la suma de los parámetros. 
 
En el caso del máximo, 
 
1 1  
 
 
ЮЮ 
 
Ejemplo 2.1.8) Hallar la función de densidad de Z = X2 + Y2, donde X e Y son normales estándar e 
independientes.   
 
Al plantear las curvas de nivel se consiguen circunferencias centradas en el origen de radio √   y al 
buscar la región interior se consigue la región de la figura siguiente 

X2 + Y2 = Z
√

√ X

 
Entonces la función de densidad de Z será 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 17 
Rafael A. Díaz Chacón
 
√

, ,  
√
 
Para resolver esta integral es conveniente hacer un cambio de variable de la forma 
 
         
 
Obteniendo, (solo para valores de z > 0) 
 
√ √

,  
2
 
Resolviendo las integrales y tomando la derivada se obtiene, (solo para valores de z > 0) 
 
1
 
2
 
Nótese que Z sigue una distribución Exponencial con parámetro     o, lo que es igual, una Chi‐
Cuadrado con dos grados de libertad. 
ЮЮ 
 
 
Ejemplo 2.1.9) Se desea comercializar una nueva infusión que contiene  X gramos de café de alta 
calidad e Y gramos de café de calidad baja en los envases de 10 gramos de infusión. Tanto X como 
Y son variables aleatorias con una función de densidad conjunta dada por la expresión siguiente. 
Sea Z la proporción de café de alta calidad respecto al total de café en la mezcla. 
 
2
;              0 1, 2,     1
5
, 6  
;         0 1, 2, 1 
5
0;                                                      
 
a) Determinar la función de distribución acumulativa de probabilidades de Z. b) Calcular el valor 
esperado del café de alta calidad si se conoce que la cantidad de café es a lo sumo de 2 gramos. c) 
¿Cuántos gramos, en promedio, se espera del café de baja calidad en un envase de infusión que 
tiene 0,75 gramos de café de alta calidad?  
 
Primero vamos a determinar la función de distribución acumulativa de probabilidades de Z. 
 
Entonces, 
 
1
 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 18 
Rafael A. Díaz Chacón
 
Las curvas de nivel son rectas que pasan por el origen en el primer cuadrante, como las mostradas 
en línea punteada gruesa en el dibujo siguiente.  
 
Allí se destaca que los valores de Z van desde Z = 0 hasta Z = 1. Nótese el sentido ascendente de Z 
en rojo, por lo que la Región Interior Z (RI(z)) va quedando atrás, según ese sentido ascendente. 
 

Y  Y = 2X Y = X 
2 
Z = 1/3

Z = 0  Z = 1/2
Y = X/2
1 

Z = 2/3
1/2 

X + Y = 1
Z = 1 
X
1/2 1 2

 
Por tanto, la función de distribución acumulativa de Z tiene la forma 
 
0;                      0
1
;      0
3
1 1
;     
3 2 
1 2
;     
2 3
2
;      1
3
1;                      1
 
Las funciones Fi(z) y las evaluaciones en los bordes de los intervalos serán 
 

2 2 7 2 0 0                          
1 17  
5 5 15 1 0,12593
3 135
 
1 17
2 2 8 2 0,12593
3 135  
5 5 15 1 1
                           
2 4
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 19 
Rafael A. Díaz Chacón
 
1 1
1 6 6 3 2 4  
4 5 5 5 1 2 28
0,62222
3 45
 

6 6
1  
5 5

 
2 28
2 2 16 8 0,62222
3 45  
5
1 1
 
Para contestar la parte b, el valor esperado solicitado es E(X / X + Y ≤ 2). Primero se debe conocer   
P(X + Y ≤ 2). 
 
2 6 7
2 1 2 1  
5 5 15
 
La región condicionada será 
 
Y 
2 

Y = X 

1 

X + Y = 2 
1/2 

X + Y = 1 

X
1/2  1  2 

 
 
Entonces, la función de densidad conjunta condicionada será 
 
6
;              0 1, 2 ,     1
7
, ⁄ 2 18  
;         0 1, 2 , 1 
7
0;                                                      
 
Entonces, el valor esperado condicionado solicitado será 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 20 
Rafael A. Díaz Chacón
 
 

⁄ 2   , ⁄ 2  

6 6 18 18
⁄ 2  
7 7 7 7

 
15
⁄ 2 0,9375 
16
 
Se espera 0,9375 gramos de café de alta calidad cuando el total de café en la mezcla es a lo sumo 
de 2 gramos. 
 
Para responder la pregunta c, ¿Cuántos gramos, en promedio, se espera del café de baja calidad 
en un envase de infusión que tiene 0,75 gramos de café de alta calidad?, hay que obtener el valor 
esperado E(Y / X = 0,75). Por tanto se necesita conocer primero  fX(0,75) y luego  fY(y / X = 0,75). De 
la gráfica siguiente se puede escribir 
 
Y 
2 

Y = X 

1 
X + Y = 1 
3/4 

1/2 

1/4 

X 
1/2  3/4 1  2 

 
 
6 2 27
| ,  
5 5 40
,
 
40 6 1 3
;       
0,75; 40 27 5 4 4
⁄ 0,75 0,75; 40 2 3  
0,75 27 ;         2 
27 5 4
0;                  
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 21 
Rafael A. Díaz Chacón
 
16 1 3
;         
9 4 4
⁄ 0,75 4 3  
;               2 
9 4
0;         
Entonces, 

16 4 217
⁄ 0,75 ⁄ 0,75 1,0046 
9 9 216

 
Finalmente, en promedio, si hay 0,75 gramos de café de alta calidad, debe haber  1,0046 gramos 
de café de baja calidad. 
ЮЮ 
  
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 22 
Rafael A. Díaz Chacón
 
2.2  Teorema Central del Límite. 
 
Este teorema estudia el comportamiento de la suma de variables aleatorias cuando crece el 
número de sumandos. Este comportamiento, para un número de sumandos grande, se aproxima a 
una variable aleatoria normal. En la literatura se presenta este teorema de diversas maneras. 
 
Teorema Central del Límite: Sean n variables aleatorias X1, X2, …, Xn independientes y con valores 
esperados μi, i= 1, 2,….n y varianzas σ2i, i = 1, 2, …., n, respectivamente. Sean b, a1, a2,  …, an, 
constantes reales arbitrarias.   Sea otra variable aleatoria Y definida como 
 

 
Entonces, para un n lo suficientemente  grande, la variable Y tiene una distribución 
aproximadamente NORMAL con parámetros  
 

               

 
De acuerdo con los valores de las constantes b, a1, a2,  …, an, el teorema se puede escribir de otras 
maneras. 
 
Versión 2: Sean n variables aleatorias X1, X2, …, Xn independientes y con valores esperados μi, i= 1, 
2,….n y varianzas σ2i, i = 1, 2, …., n, respectivamente. Sean S la suma y    el promedio de estas 
variables. Entonces 

,  

 
1 1 1
,  

 
Versión 3: Sean n variables aleatorias X1, X2, …, Xn independientes e idénticamente distribuidas con 
valor esperado y varianzas comunes e iguales a μ y σ2, respectivamente. Sean S la suma y    el 
promedio de estas variables. Entonces 
 

,  

 
1
,  

 
Nota: en las expresiones anteriores el símbolo  ≈  quiere decir que “está aproximadamente 
distribuida como”. 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 23 
Rafael A. Díaz Chacón
 
 
Es interesante observar el comportamiento de la variable   en la versión 3 del Teorema Central 
del Límite cuando n tiende a infinito. Se comporta como una normal donde su valor esperado es 
igual al valor esperado de cada Xi pero su varianza tiende a cero. !!! 
 
Ejemplo 2.2.1) Se colocan 12 resistencias en serie extraídas de una caja donde hay un gran lote de 
ellas con igual valor nominal y tolerancia. De los datos del fabricante se sabe que el valor nominal 
es de 1 KΩ y que están distribuidas uniformemente en un intervalo de 10% alrededor del valor 
nominal. Calcular de forma aproximada la probabilidad de que el valor de la resistencia total en 
serie difiera de su valor nominal en menos del 1%. 
 
Para cada resistencia en la conexión en serie, su valor esperado es el nominal (1 KΩ) y su varianza 
viene dada por 
 
1,1 KΩ 0,9 KΩ 0,04
 KΩ  
12 12 12
 
Por tanto, la resistencia total en serie será 
 

 
Por tanto R tiene una distribución aproximadamente normal con parámetros 
 
12 12KΩ;         12 0,04 KΩ  
 
En consecuencia la probabilidad solicitada, apoyándose en el Teorema Central del Límite será 
 
12 0,12 12 0,12 0,6 0,6 Φ 0,6 Φ 0,6 2Φ 0,6 1 
 
De una tabla de áreas bajo la normal estándar se tiene que Φ 0,6 0,72575, entonces 
 
12 0,12 12 0,12 2 0,72575 1 0,4515 
Ю Ю 
 
Ejemplo 2.2.2) En la fabricación de un artículo se toman en cuenta tres costos: un costo fijo de 
producción de 12 unidades monetarias (um), un costo debido a insumos de 4 um/Kg y un costo 
debido al número de operarios utilizados de 8 um/operario . Se tienen disponibles para la 
producción un monto de 2600 um. Si se sabe que cada unidad producida consume una cantidad 
aleatoria de insumos X y necesita un número de operarios también aleatorio Y, ¿Cuántas unidades 
deben planificarse producir para tener una probabilidad de 0,9 de tener éxito, es decir, de que el 
costo total no exceda el monto disponible?. Las variables X e Y tiene distribuciones dadas por las 
expresiones siguientes 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 24 
Rafael A. Díaz Chacón
 
;                    2 3 0;        1
19
5 0,60;     1 2
;                   3 4                    0,80;     2 3 
12
2 1 0,95;     3 4
;     4 5 1;            4
409
0;              
 
Nótese que la variable X es continua mientras que la variable Y es discreta. 
 
Si definimos como C el costo total de la producción de las n unidades, Xi el insumo en Kg que utiliza 
la i‐ésima unidad producida y por Yi el número de operarios utilizados en la i‐ésima unidad 
producida, se tiene que 

12 4 8  

 
Donde n es la incógnita. Por el Teorema Central del Límite, C tiene una distribución 
aproximadamente normal con parámetros dados por 
 
12 4 8n ;                 16 64  
 
De las distribuciones dadas para X e Y se pueden calcular sus valores esperados y varianzas, 
obteniendo 
 
3,4514;         0,6466;       1,65;         0,8275 
 
En consecuencia, 
12 27,006 ;                 63,306  
 
El valor de n se consigue al considerar que P{C < 2600} = 0,90;   es decir, que 2600 es el percentil 
90 de C.  En una tabla de áreas bajo la normal estándar se puede leer que el percentil 90 de Z es 
1,2816, por tanto 
 
2600 12 27,006 1,2816 63,306 92,205 92 
Ю Ю 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 25 
Rafael A. Díaz Chacón
 
 
CORRECIÓN POR CONTINUIDAD AL USAR EL TEOREMA CENTRAL DEL LÍMITE 
 
En el caso en el cual las variables Xi son de tipo discreto la variable Y definida en el Teorema 
Central del Límite también será de tipo discreto. Ahora bien, la variable Y se aproxima por una 
Normal que es una variable de tipo continuo. Este hecho incorpora un error que se corrige al 
aplicar la llamada Corrección por Continuidad que se define a continuación. 
 
Versión de Corrección por Continuidad del TCL: 
 
Sean n variables aleatorias DISCRETAS X1, X2, …, Xn independientes y con valores esperados μi, i= 1, 
2,….n y varianzas σ2i, i = 1, 2, …., n, respectivamente. Sean b, a1, a2,  …, an, constantes reales 
arbitrarias.   Sea otra variable aleatoria Y DISCRETA definida como 
 

 
Entonces, para un n lo suficientemente  grande, la variable Y se aproxima por N, una distribución 
NORMAL con parámetros  

               

 
Para calcular probabilidades asociadas con esta variable Y se calculan las probabilidades 
correspondientes en términos de la variable N, es decir, 
 
i) P{Y = y} = P{y – 0,5 ≤ N ≤ y + 0,5} 
ii) P{Y ≤ a} = P{N ≤ a + 0,5} 
iii) P{Y ≥ b} = P{N ≥ b – 0,5} 
iv) P{a ≤ Y ≤ b} = P{a – 0,5 ≤ N ≤ b + 0,5} 
 
 
Ejemplo 2.2.3) Se realiza un muestreo en un proceso de producción en el cual se conoce que el 
20% de los artículos producidos es defectuoso. Cada hora se realiza la revisión de 100 unidades 
para determinar si se acepta o no el lote de producción de esa hora. Se define como X la variable 
aleatoria número de artículos defectuosos en la muestra de tamaño 100. Calcular las siguientes 
probabilidades, a) P{X = 15}, b) P{X ≤ 15}, c) P{X < 18}, d) P{X ≥ 22}, e) P{ 18 < X < 21}. 
 
 
Nótese que X es discreta y sigue una distribución Binomial con parámetros n = 100 y p = 0,2. 
Mientras que la revisión de un artículo i es una variable Yi, con i = 1, .. 100, entonces Yi sigue una 
distribución  Bernoulli con parámetro p = 0,2. Entonces, 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 26 
Rafael A. Díaz Chacón
 
Por el Teorema Central del Límite, X tiene una distribución aproximadamente normal con 
parámetros dados por 
 
20;                 1 16  4 
 
Pero X mantiene su carácter de variable discreta por lo que se debe usar la corrección por 
continuidad para el cálculo de las probabilidades de X por medio de la normal equivalente. 
 
Parte a) 
 
14,5 20 15,5 20
15 14,5 15,5 Φ 1,125 Φ 1,375  
4 4
 
15 0,04573 
 
Parte b) 
 
15,5 20
15 15,5 Φ 1,125  
4
 
15 0,1303 
 
Parte c) 
 
17,5 20
18 17,5 Φ 0,625  
4
 
18 0,26599 
 
Parte d) 
 
21,5 20
22 21,5 1 Φ 0,375  
4
 
22 0,35383 
 
Parte e) 
 
18,5 20 20,5 20
18 21 18,5 20,5 Φ 0,125 Φ 0,375  
4 4
 
18 21 0,19591 
Ю Ю 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 27 
Rafael A. Díaz Chacón
 
2.3  Dos Transformaciones de un Vector Aleatorio. Función de Distribución Conjunta de las dos 
nuevas variables. Función de Densidad Conjunta de las dos nuevas variables. 
 
 
Sean  Z = g(X, Y) y  W = h(X, Y) dos funciones de dos variables aleatorias X e Y cuya función de 
densidad conjunta fXY(x, y) es conocida. 
 
¿Cuáles son las características aleatorias de las nuevas variables? 
 
Esta pregunta  se va a responder en esta clase. El orden de presentación de estas respuestas será 
el siguiente 
1. Curvas de nivel y Región Interior ZW en R2. 
2. Cálculo de la función de distribución acumulativa conjunta de ZW. 
3. Cálculo de la función de densidad conjunta de ZW. 
 
2.3.1) Curvas de nivel y Región Interior ZW en R2. 
 
En este caso existen dos tipos curvas de nivel a considerar g(X, Y) = k1 y h(X, Y) = k2. Esto hace que 
debamos tomar en cuenta dos regiones interiores, a saber, 
 
. ;    .  
 
Pero estas regiones interiores hay que considerarlas simultáneamente por lo que se define una 
región interior conjunta, 
 
, . ;  .  
 
Ejemplo 2.3.1) Sea Z = X + Y  y W = Y – X. Definir la región interior conjunta. 
 
En la gráfica siguiente se modelan las fronteras correspondientes a  (Z = X + Y)  y  a  (W = Y – X) y la 
intersección entre ellas, el par ordenado  ((k1 – k2)/2, (k1 + k2)/2). Adicionalmente, la región 
sombreada es la región interior conjunta solicitada. 

Y = (k1 + k2)/2 

Y = X + k2  Y = ‐X + k1

‐k2  X = (k1 – k2)/2  k1 X

 
Ю Ю 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 28 
Rafael A. Díaz Chacón
 
 
2.3.2) Cálculo de la función de distribución acumulativa conjunta de ZW. 
 
Conocida la región interior conjunta, la función de distribución conjunta de Z y W se consigue 
calculando la probabilidad de que un par ordenado pertenezca a esa región interior conjunta. 
 

, , , , ,  
,
 
Ejemplo 2.3.2) Sea Z = X + Y  y W = Y – X. Calcular la función de distribución conjunta de Z y W y la 
función de densidad conjunta de Z y W. 
 
En la gráfica del ejemplo anterior la región sombreada es la región interior conjunta. Por tanto, 
 

, , ,  
,
 
La función de densidad conjunta se obtiene al tomar la doble derivada respecto a Z y W, 
 

1
, , , ,  
2 2 2

Ю Ю 
 
2.3.3) Cálculo de la función de densidad conjunta de ZW. 
 
En el ejemplo anterior se obtuvo la función de densidad conjunta una vez que se conoció la 
función de distribución conjunta. Es posible conocer directamente la función de densidad conjunta 
de ZW a partir de conocer la función de densidad conjunta de XY y las relaciones de 
transformación  Z = g(X, Y) y W = h(X, Y). 
 
Al resolver el sistema de ecuaciones se obtienen varios posibles pares ordenados de respuesta, 
 
, ,
;     1, … ,  
, ,
 
Ahora vamos a calcular el Jacobiano de la Transformación Ji,  
 

;     1, … ,  

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 29 
Rafael A. Díaz Chacón
 
En definitiva, 
 

, , | | 

 
Ejemplo 2.3.3) Sea Z = X + Y  y W = Y – X. Calcular la función de densidad conjunta de Z y W. 
 
Resolviendo el sistema de ecuaciones se consigue una única solución; además el Jacobiano será 
 
1 1
2 2 2 1
 
1 1 2
  
2 2 2
 
La función de densidad conjunta será, 
 
1
, , | | , | | ,  
2 2 2
Ю Ю 
 
 
Ejemplo 2.3.4) Sean X e Y uniformes continuas e independientes ambas en el intervalo (0, 1).  
Sea Z = X + Y  y W = Y – X. Calcular la función de densidad conjunta de Z y W. Calcular además, las 
funciones de densidad marginales de Z y W, respectivamente. 
 
Del enunciado se tiene que  
 
1;        ,
,  
0;        
 
Donde DXY es la región de la figura siguiente 
 
Y

1 

DXY

1 X
 
 
Del ejemplo anterior se tiene que la función de densidad conjunta será, 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 30 
Rafael A. Díaz Chacón
 
 
1
, ,  
2 2 2
 
En vista de que la región donde está definida la conjunta de XY, como distinta de cero, es una 
región restringida no es sencillo deducir cuál es la región en la cual la conjunta de ZW es distinta 
de cero. Para ello se procede a transformar la región del plano XY según la transformación ZW. 
 
De la figura anterior se tiene que 
 
0 1 0 1 0 2 
2
 
0 1 0 1 0 2 
2
 
Graficando las regiones resultantes en el plano ZW se consigue la región donde la conjunta de ZW 
toma valores distintos de cero, 
 

1
W = Z ‐ 2

DZW 2 Z 
‐1 W = 2 ‐ Z

‐2

   
   
En definitiva, 
 
1
, ;        ,  
2
0;        
 
Para conocer las marginales de Z y W se integra su conjunta respecto a la otra variable, 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 31 
Rafael A. Díaz Chacón
 
1
;       0 1
2
;       0 1
, 2 ;       1 2 
1
;       1 2 0;        
2
0;        
 
1
;       1 0
2
1;       1 0
, 1 ;       0 1  
1
;       0 1 0;        
2
0;        
 
Nótese que tanto Z como W siguen una distribución triangular simétrica pero con parámetros 
distintos. 
Ю Ю 
 
Ejemplo 2.3.5) Calcular la función de densidad conjunta de Z y W definidas de la forma siguiente  
 

2
 

2
 
Note que Z es el promedio y W es la varianza muestral de X e Y.  Resolviendo el sistema de 
ecuaciones se consiguen dos soluciones; además el Jacobiano será 
 
1
1
√ 2√ 1
√ 1 √
1  
2 2√
 
1
1
2 √ 2√ 1
√ 1 √
1  
2√
 
La función de densidad conjunta será, 
 
1
, , | | √ , √ √ , √  
√
 
El dominio de esta conjunta es el semiplano superior. 
Ю Ю 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 32 
Rafael A. Díaz Chacón
 
 
Ejemplo 2.3.6) Considere que X e Y son normales independientes con parámetros (0, σ2). Calcular 
las funciones de densidad marginales de Z y W del ejemplo anterior  
 
Del enunciado se tiene que 
 
1
,  
2
 
La función de densidad conjunta resultante del ejemplo anterior es, 
 
1
, , | | √ , √ √ , √  
√
 
El dominio de esta conjunta es el semiplano superior. Sustituyendo 
 
1
,  
√
 
Para conocer las marginales de Z y W se integra la conjunta respecto a la otra variable, 
 
1 1
, ~ 0,  
√ √ 2
 
1 1 1 1
, ~ ,  
√ √ 2
Ю Ю 
 
Ejemplo 2.3.7) Considere dos variables aleatorias X e Y con función de densidad conjunta fXY(x, y). 
Calcular la función de densidad conjunta de Z = min(X, Y) y W = max(X, Y).  
 
Resolviendo el sistema de ecuaciones se consiguen dos soluciones; además el Jacobiano será 
 
1 0
;      1
min  , 0  1
 
max  , 0 1
;      1
1  0
 
Para determinar el dominio de la conjunta de ZW solo hay que tomar en cuenta la definición de 
las funciones máximo y mínimo para concluir que ese dominio es {Z < W}. Sustituyendo 
 
, , ;     
, , | |  
0;                 
Ю Ю 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 33 
Rafael A. Díaz Chacón
 
 
2.4  Estadísticos de Orden Bidimensionales. 
 
Se define como Estadísticos de Orden a un grupo de variables aleatorias que siguen un 
comportamiento muy particular entre ellas. El comportamiento es que ellas deben ser 
ORDENADAS de menor a mayor entre ellas. Así si se consideran n variables aleatorias X1, X2, …, Xn 
tendremos n estadísticos ordenados que llamaremos Y1, Y2, … Yn, tales que ellos cumplen con la 
condición 
Y1 < Y2 < … < Yn 
 
Nótese que las variables Yi son las mismas variables Xi pero ordenadas de la menor a la mayor. 
 
En el caso particular de dos dimensiones, los estadísticos de orden serán Y1 y Y2 que se 
corresponden, respectivamente, con el mínimo y el máximo entre las variables X1 y X2. Esto es, 
 
min ,               max ,  
 
Del ejemplo 2.3.7 se tiene que la función de densidad conjunta de Y1 y Y2 viene dada por  
 
, , ;      
,  
0;                 
 
Mientras que las funciones de distribución y de densidad marginales de cada estadístico de orden, 
respectivamente, vienen dadas por 
 
,  
 
, ,  
 
 
 
,  
 
, ,  
 
De mucha aplicación práctica son los resultados de la función de densidad marginal para estos 
estadísticos de orden si las variables X1 y X2 son independientes. Estos resultados se consiguieron 
en los ejemplos 2.1.5 y 2.1.6 de la sección 2.1. 
 
1 1  
 
 
 
Veamos algunos ejemplos para clarificar el uso de las ecuaciones obtenidas 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 34 
Rafael A. Díaz Chacón
 
Ejemplo 2.4.1) Considere dos variables aleatorias X1 y X2 discretas con función de masa conjunta  
dada en la tabla siguiente. Calcular la función de masa conjunta de los estadísticos de orden y sus 
funciones de masa marginales.  
 
X1  ↓       X2  →  1  2  3  pX1(x1) ↓ 
0  1/20  2/20  1/20  4/20 
1  1/20  3/20  2/20  6/20 
2  2/20  1/20  3/20  6/20 
3  1/20  2/20  1/20  4/20 
pX2(x2)  →  5/20  8/20  7/20  1 
 
En el caso particular de que ambas variables son discretas es aconsejable reformular la tabla 
anterior de la forma siguiente donde es más sencillo deducir la función de masa conjunta del 
mínimo y el máximo. 
 
X1  X2  pX1X2  (Y1, Y2) 
0  1  1/20  (0, 1) 
0  2  2/20  (0, 2) 
0  3  1/20  (0, 3) 
1  1  1/20  (1, 1) 
1  2  3/20  (1, 2) 
1  3  2/20  (1, 3) 
2  1  2/20  (1, 2) 
2  2  1/20  (2, 2) 
2  3  3/20  (2, 3) 
3  1  1/20  (1, 3) 
3  2  2/20  (2, 3) 
3  3  1/20  (3, 3) 
 
Nótese que en la última columna aparecen los mismos elementos que en las dos primeras pero 
ordenados entre sí de menor a mayor. Particularmente, note que en esa columna, algunos valores 
de alguna fila se repiten en otra fila posterior, por ejemplo, el par (1, 2) y otros. Para estos valores 
que se repiten la probabilidad de ocurrencia será la suma de las probabilidades respectivas. Ahora 
estamos en condiciones de reproducir la tabla correspondiente a las probabilidades de los 
estadísticos ordenados en forma conjunta. OJO: Las últimas fila y columna representan a las 
marginales correspondientes. 
 
Y1  ↓       Y2  →  1  2  3  PY1(y1) ↓ 
0  1/20  2/20  1/20  4/20 
1  1/20  5/20  3/20  9/20 
2  0  1/20  5/20  6/20 
3  0  0  1/20  1/20 
pY2(y2)  →  2/20  8/20  10/20  1 
Ю Ю 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 35 
Rafael A. Díaz Chacón
 
Ejemplo 2.4.2) Considere dos variables aleatorias X1 y X2 ambas con distribución Poisson con 
parámetro común λ e independientes. Calcular la función de masa conjunta de los estadísticos de 
orden y sus funciones de masa marginales.  
 
En el caso particular de que ambas variables son discretas pero con dominio no restringido, como 
es la Poisson, no podemos proceder como en el ejemplo anterior. 
 
En este caso, 
 

;    0,1, …
!
, ;   , 0,1, … 
! !
;    0,1, …
!
 
Del ejemplo 2.3.7 se tiene que la función de densidad conjunta de Y1Y2 viene dada por  
 
, , ;      
,  
0;                 
 
Adecuando este resultado a variables discretas hay que considerar el caso en el cual Y1 = Y2, 
 
, , ;      
, , ;                                 
0;                 
 
En definitiva,  
 

2 ;                 0 ∞
! !
,  
;                               
! !
0;                 
 
Se deja al lector la deducción de las funciones de masa marginales tanto del mínimo como del 
máximo. 
Ю Ю 
 
Ejemplo 2.4.3) Considere dos variables aleatorias X1 y X2 cuya función de densidad conjunta viene 
dada por la expresión siguiente. Calcular la función de densidad conjunta de los estadísticos de 
orden y sus funciones de densidad marginales.  
 
2
, ;        0 5   0 5 15 3
15  
0;                            
 
En la gráfica siguiente se muestra la región en la cual esta conjunta es distinta de cero. 
Evidentemente estas variables aleatorias NO son independientes. 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 36 
Rafael A. Díaz Chacón
 

X2  

5  X2 = X1

3 

15/8 
5X2 = 15 ‐ 3X1 

15/8  3  5  X1  

 
En el caso particular de que ambas variables son continuas pero con dominio restringido se debe 
usar la expresión general del ejemplo 2.3.7 para obtener la función de densidad conjunta de Y1Y2, 
es decir, 
 
, , ;      
,  
0;                 
 
En las 2 gráficas siguientes se muestran los dominios resultantes de interceptar   con el 
dominio de  ,  y de  , , respectivamente. 
 
Y 2  Y2

5  Y2 = Y1  5 Y2 = Y1 

3Y2 = 15 – 5Y1

3  3

15/8  15/8 
5Y2 = 15 – 3Y1 

15/8  3  5  Y 1  15/8  3  5  Y 1 

          
 
Nótese que existe una región de solapamiento (la región de la izquierda) en la cual las funciones, 
efectivamente, se suman. En la región donde no se solapan solo prevalece un sumando, en este 
caso,    , . 
 
En definitiva la función de densidad conjunta solicitada es  
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 37 
Rafael A. Díaz Chacón
 
2
;       ,
15
, 2  
;                       ,
15
0;                          
 
Donde D1 y D2 son las regiones destacadas en la figura siguiente 
 
 

Y2 

5  Y2 = Y1 

D2  3Y2 = 15 – 5Y1 

3 

15/8 
D1 
5Y2 = 15 – 3Y1 

15/8  3  5  Y1 

 
Para conocer las marginales de Y1  y Y2,  se integra la conjunta respecto a la otra variable, 
 

,  

2 2 15
;     0
15 15 8 

0;                                      
 
448 32 3 15
;     0
1125 75 5 8 
0;                                  
 

,  

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 38 
Rafael A. Díaz Chacón
 
2 15
;     0
15 8

2 2 15
;      3
15 15 8  

2
;     3 5
15
0;       
 
15
;                                             0
5 8
223 32 3 15
;         3 
1125 75 5 8
3
5 ;                         3 5
125
0;                             
Ю Ю 
 
Ejemplo 2.4.4) Considere dos variables aleatorias X1 y X2 ambas con distribución Exponencial con 
parámetro común λ e independientes. Calcular la función de densidad conjunta de los estadísticos 
de orden y sus funciones de densidad marginales.  
 
Del enunciado se pude escribir que 
 
;        0 1 ;        0
 
0;         0;        
 
;        0 1 ;        0
 
0;         0;        
 
;        0   0
,  
0;                            
 
Del ejemplo 2.3.7 se tiene que la función de densidad conjunta de Y1Y2 viene dada por  
 
, , ;      
,  
0;                 
 
Sustituyendo se tiene 
 
2 ;      0
,  
0;                 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 39 
Rafael A. Díaz Chacón
 
Para el caso de las marginales se puede aprovechar el hecho de que, por ser independientes, en 
los ejemplos 2.1.5 y 2.1.6 de la sección 2.1, se consiguieron los resultados siguientes 
 
1 1  
 
 
 
Sustituyendo, 
 
;        0 2 ;        0
~ 2  
0;         0;        
 
 
1 1 ;        0 2 1 ;        0
 
0;                   0;                 
Ю Ю 
 
 
Ejemplo 2.4.5) Considere dos variables aleatorias X1 y X2 ambas con distribución Uniforme en (0, 1) 
e independientes. Calcular la función de densidad conjunta de los estadísticos de orden, sus 
funciones de densidad marginales y  P{Y1 + Y2 ≤ 0,25}.  
 
Del enunciado se pude escribir que 
 
0;                  0
1;       0 1
;       0 1 
0;        
1;                   1
 
0;                  0
1;       0 1
;       0 1 
0;        
1;                   1
 
Entonces, la función de densidad conjunta  de X1 y X2 viene dada por 
 
1;       0 1, 0 1
,  
0;                                    
 
Del ejemplo 2.3.7 se tiene que la función de densidad conjunta de Y1Y2 viene dada por  
 
, , ;      
,  
0;                 
 
Sustituyendo se tiene 
 
2;        0 1
,  
0;                 
 
Graficando el dominio donde esta conjunta es distinta de cero, 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 40 
Rafael A. Díaz Chacón
 

Y2 

1 

Y2 = Y1 

Y2 = ‐Y1 + 1/4 

Y1 
1 
 
 
Para el caso de las marginales se podrían aprovechar los resultados de los ejemplos 2.1.5 y 2.1.6 
de la sección 2.1, por ser independientes, pero se procederá integrando la conjunta respecto a la 
otra variable, es decir, (el lector debe verificar que el resultado es igual al usar los dos caminos) 
 
0;            0
0;                       0
,   2 ;      0 1  2 1 ;     0 1 
0;                      1
0;          1
 
 
0;            0
0;                    0
,   2 ;     0 1  2 ;          0 1 
0;                   1
0;          1
 
Para calcular la probabilidad mencionada, (ver gráfico anterior) 
 

1 1
2  
4 32
Ю Ю 
 
 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 41 
Rafael A. Díaz Chacón
 
 
2.5  Estadísticos de Orden N‐Dimensionales. Confiabilidad de Sistemas con componentes en 
serie, paralelo y r de n. 
 
Se definen como Estadísticos de Orden a un grupo de variables aleatorias que siguen un 
comportamiento muy particular entre ellas. El comportamiento es que ellas deben ser 
ORDENADAS de menor a mayor entre ellas. Así, si se consideran n variables aleatorias X1, X2, …, Xn 
tendremos n estadísticos ordenados que llamaremos Y1, Y2, … Yn, tales que ellos cumplen con la 
condición 
Y1 < Y2 < … < Yn 
 
Nótese que las variables Yi son las mismas variables Xi pero ordenadas de la menor a la mayor. 
 
En este caso n‐dimensional solo se analizaran variables continuas e independientes. Por otro lado, 
es interesante observar que dispondremos de tantos estadísticos de orden como variables 
tengamos. 
 
Para definir el Estadístico de Orden j, sean X1, X2, …, Xn, n variables aleatorias, que consideraremos 
independientes a los fines del alcance de este curso, entonces Yj es el estadístico de orden j; j = 1, 
…, n si cumple con la condición 
Y1 < Y2 < … < Yj < ….< Yn 
 
2.5.1  Función de Distribución Acumulativa del Estadístico de Orden j de Variables no idénticas. 
 
Para conocer la función de distribución del estadístico de orden j, consideremos un número real 
cualquiera yj;  al analizar el evento {Yj ≤ yj} entenderemos que ocurre cuando por lo menos j de las 
variables X1, X2, …, Xn cumplen la condición de ser menores o iguales a yj o, dicho de otra manera, 
cuando a lo sumo (n ‐ j) de las variables X1, X2, …, Xn cumplen la condición de ser mayores que yj. Por 
otra parte, al analizar el evento {Yj > yj} entenderemos que ocurre cuando por lo menos (n – j + 1) de 
las variables X1, X2, …, Xn cumplen la condición de ser mayores que yj o, dicho de otra manera, cuando 
a lo sumo (j ‐ 1) de las variables X1, X2, …, Xn cumplen la condición de ser menores o iguales a yj. 
 
Esto hace que dependiendo de la ubicación de j respecto a 1 y a n, será preferible deducir la 
función de distribución acumulativa de Yj o deducir (1 – FYj(yj)). Veamos un ejemplo para analizar 
cuántos casos se deben considerar en cada oportunidad. 
 
Ejemplo 2.5.1) Sea un grupo de 7 variables aleatorias independientes.  Para conocer la función de 
distribución acumulativa de los estadísticos de orden 2 y 5, ¿es preferible analizar el evento  
{Yj ≤ yj} o el evento { Yj > yj}? 
 
Para el Estadístico de Orden 2, se tiene que  j = 2,  n = 7. 
 
Calcular P{Y2 ≤ y2}  implica analizar los casos siguientes: 
 
i) Todas las variables (7) cumplen con {Xi ≤ y2}; esto genera un solo caso a analizar. 
7
ii) 6 variables cumplen con {Xi  ≤ y2} y una no; esto genera  7  casos a analizar. 
1

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 42 
Rafael A. Díaz Chacón
 
7
iii) 5 variables cumplen con {Xi ≤ y2} y dos no; esto genera  21  casos a analizar. 
2
7
iv) 4 variables cumplen con {Xi ≤ y2} y tres no; esto genera  35  casos a analizar. 
3
7
v) 3 variables cumplen con { Xi ≤ y2} y cuatro no; esto genera  35  casos a analizar. 
4
7
vi) 2 variables cumplen con {Xi  ≤ y2} y cinco no; esto genera  21  casos a analizar. 
5
 
En total, hay que analizar 120 casos. 
 
Calcular P{Y2 > y2}  implica analizar los casos siguientes: 
 
i) Todas las variables (7) cumplen con {Xi  > y2}; esto genera un solo caso a analizar. 
7
ii) 6 variables cumplen con {Xi > y2} y una no; esto genera  7  casos a analizar. 
1
 
En total, hay que analizar 8 casos. 
 
Conclusión:  Para conocer la función de distribución del estadístico de orden 2 cuando se estudian 
7 variables aleatorias es preferible calcular P{Y2 > y2}.   
 
Para calcular el Estadístico de Orden 5 se tiene que  j = 5,  n = 7. 
 
Calcular P{Y5 ≤ y5}  implica analizar los casos siguientes: 
 
i) Todas las variables (7) cumplen con {Xi  ≤ y5}; esto genera un solo caso a analizar. 
7
ii) 6 variables cumplen con {Xi ≤ y5} y una no; esto genera  7  casos a analizar. 
1
7
iii) 5 variables cumplen con {Xi  ≤ y5} y dos no; esto genera  21  casos a analizar. 
2
 
En total, hay que analizar 29 casos. 
 
Calcular P{Y5 > y5}  implica analizar los casos siguientes: 
 
i) Todas las variables (7) cumplen con {Xi > y5}; esto genera un solo caso a analizar. 
7
ii) 6 variables cumplen con {Xi  > y5} y una no; esto genera  7  casos a analizar. 
1
7
iii) 5 variables cumplen con {Xi  > y5}  y dos no; esto genera  21  casos a analizar. 
2
7
iv) 4 variables cumplen con {Xi  > y5} y tres no; esto genera  35  casos a analizar. 
3
7
v) 3 variables cumplen con {Xi  > x5} y cuatro no; esto genera  35  casos a analizar. 
4
 
En total, hay que analizar 99 casos. 
 
Conclusión:  Para conocer la función de distribución del estadístico de orden 5 cuando se estudian 
7 variables aleatorias es preferible calcular P{Y5 ≤ y5}. 
Ю Ю 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 43 
Rafael A. Díaz Chacón
 
Del ejemplo anterior se puede sacar una regla general como función de la cercanía de j respecto a 
1 ó respecto a n. 
 
Regla General: 
 
i) Si n es par, calcular  1       y calcular          . 

ii) Si n es impar, calcular  1      , calcular             y usar 

cualquiera de los dos si    . 
 
Ejemplo 2.5.2) Considere tres variables aleatorias independientes X1, X2 y X3 tales que   ~ 0,5 , 
~ 3     ~ 3,5 . Determinar la función de distribución de Y2. 
 
Dado que  j = 2,  n = 3,  es indiferente calcular   o  1 . Procederemos a calcular  
. Calcular P{Y2 ≤ y2}  implica analizar los casos siguientes: 
 
i) Todas las variables (3) cumplen con {Xi  ≤ y2}; esto genera un solo caso a analizar. 
3
ii) 2 variables cumplen con {Xi  ≤ y2} y una no; esto genera  3  casos a analizar. 
1
 
En total, hay que analizar 4 casos. La tabla siguiente resume los cálculos a realizar en los 4 casos. 
 
Caso  {X1  ≤ y2}  {X2  ≤ y2}  {X3  ≤ y2}  pi 
1  *  *  *   
2  *  *  NO  1  
3  *  NO  *  1  
4  NO  *  *  1  
 
Como puede observarse, el factor pi se define como el producto de los factores indicados en vista 
de la independencia de las variables Xi. 
 
Dado que las variables Xi están definidas en el enunciado del ejemplo, se puede escribir la tabla 
siguiente: 
 
Variable  FXi(y2)  1 ‐ FXi(y2) 
X1  0;   0 1;   0
; 0 5  1 ;  0 5 
5 5
1;    5 0;     5
X2  0; 0 1;   0
   
1 ; 0 ;   0
X3  0;   3 1;   3
3 1
; 3 5  ;  3 5 
2 2
1;    5 0;     5

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 44 
Rafael A. Díaz Chacón
 
 
En definitiva, 

 
Dado que cada variable tiene una función de distribución definida en intervalos diferentes, el 
cálculo de cada pi debe hacerse en cada intervalo donde los tres factores respectivos estén 
definidos; estos intervalos serán (‐∞, 0), (0, 3), (3, 5), (5, ∞), veamos, 
 
Determinación de p1:  En cada intervalo el aporte de cada variable viene dado en la tabla y el valor 
de p1 se destaca debajo de línea gruesa. 
 
VAR ↓   INT →  (‐∞, 0)  (0, 3)  (3, 5)  (5, ∞) 
X1  0      1 
5 5
X2  0  1 1 1
X3  0  0  3 1 
 
2
p1  0  0  1 3 1  
 
10
 
Determinación de p2:  En cada intervalo el aporte de cada variable viene dado en la tabla y el valor 
de p2 se destaca debajo de línea gruesa. 
 
VAR ↓   INT →  (‐∞, 0)  (0, 3)  (3, 5)  (5, ∞) 
X1  0      1 
5 5
X2  0  1 1 1
X3  1  1  1 0 
 
2
p2  0  1 1 1 0 
 
5 10
 
Determinación de p3:  En cada intervalo el aporte de cada variable viene dado en la tabla y el valor 
de p3 se destaca debajo de línea gruesa. 
 
VAR ↓   INT →  (‐∞, 0)  (0, 3)  (3, 5)  (5, ∞) 
X1  0      1 
5 5
X2  1   
X3  0  0  1 1 
 
2
p3  0  0  1  
 
10
 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 45 
Rafael A. Díaz Chacón
 
 
Determinación de p4:  En cada intervalo el aporte de cada variable viene dado en la tabla y el valor 
de p4 se destaca debajo de línea gruesa. 
 
VAR ↓   INT →  (‐∞, 0)  (0, 3)  (3, 5)  (5, ∞) 
X1  1  1   1   0 
5 5
X2  0  1 1 1
X3  0  0  3 1 
 
2
p4  0  0  5 1 3 0 
 
10
 
Finalmente, 
 
0;                                   0
1
;                                           0 3
5  
1 5 3 1
;       3 5
10
1;                                             5
Ю Ю 
 
Ejemplo 2.5.3) Considere tres variables aleatorias independientes X1, X2 y X3 tales que   ~ 0,5 , 
~ 3     ~ 2,1,3,5 . Determinar la función de distribución de Y2. 
 
Dado que  j = 2,  n = 3,  es indiferente calcular   o  1 . Procederemos a calcular  
. Calcular P{X(2) ≤ x2}  implica analizar los casos siguientes: 
 
i) Todas las variables (3) cumplen con {Xi  ≤ y2}; esto genera un solo caso a analizar. 
3
ii) 2 variables cumplen con {Xi  ≤ y2} y una no; esto genera  3  casos a analizar. 
1
 
En total, hay que analizar 4 casos. La tabla siguiente resume los cálculos a realizar en los 4 casos. 
 
Caso  {X1  ≤ y2}  {X2  ≤ y2}  {X3  ≤ y2}  pi 
1  *  *  *   
2  *  *  NO  1  
3  *  NO  *  1  
4  NO  *  *  1  
 
Como puede observarse, el factor pi se define como el producto de los factores indicados en vista 
de la independencia de las variables Xi. 
 
Dado que las variables Xi están definidas en el enunciado del ejemplo, se puede escribir la tabla 
siguiente: 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 46 
Rafael A. Díaz Chacón
 
 
Variable  FXi(y2)  1 ‐ FXi(y2) 
X1  0;   0 1;   0
; 0 5  1 ;  0 5 
5 5
1;    5 0;     5
X2  0; 0 1;   0
   
1 ; 0 ;   0
X3  0;   3 1;   3
3 3
; 3 5  1 ;       3 5
4 4
1;    5 0;     5
 
En definitiva, 

 
Dado que cada variable tiene una función de distribución definida en intervalos diferentes, el 
cálculo de cada pi debe hacerse en cada intervalo donde los tres factores respectivos estén 
definidos; estos intervalos serán (‐∞, 0), (0, 3), (3, 5), (5, ∞), veamos, 
 
Determinación de p1:  En cada intervalo el aporte de cada variable viene dado en la tabla y el valor 
de p1 se destaca debajo de línea gruesa. 
 
VAR ↓   INT →  (‐∞, 0)  (0, 3)  (3, 5)  (5, ∞) 
X1  0      1 
5 5
X2  0  1 1 1
X3  0  0  3 1 
 
4
p1  0  0  1 3 1  
 
20
 
Determinación de p2:  En cada intervalo el aporte de cada variable viene dado en la tabla y el valor 
de p2 se destaca debajo de línea gruesa. 
 
VAR ↓   INT →  (‐∞, 0)  (0, 3)  (3, 5)  (5, ∞) 
X1  0      1 
5 5
X2  0  1 1 1
X3  1  1  3 0 
1  
4
p2  0  1 1 4 3 0 
 
5 20
 
Determinación de p3:  En cada intervalo el aporte de cada variable viene dado en la tabla y el valor 
de p3 se destaca debajo de línea gruesa. 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 47 
Rafael A. Díaz Chacón
 
 
VAR ↓   INT →  (‐∞, 0)  (0, 3)  (3, 5)  (5, ∞) 
X1  0      1 
5 5
X2  1   
X3  0  0  3 1 
 
4
p3  0  0  3  
 
20
 
Determinación de p4:  En cada intervalo el aporte de cada variable viene dado en la tabla y el valor 
de p4 se destaca debajo de línea gruesa. 
 
VAR ↓   INT →  (‐∞, 0)  (0, 3)  (3, 5)  (5, ∞) 
X1  1  1   1   0 
5 5
X2  0  1 1 1
X3  0  0  3 1 
 
4
p4  0  0  5 1 3 0 
 
20
 
Finalmente, 
 
0;                                   0
1
;                                           0 3
5  
3 5 1 4 1
;       3 5
20
1;                                             5
Ю Ю 
 
 
2.5.2  Estadísticos de Orden de Variables Continuas, Independientes e Idénticamente 
Distribuidas. 
 
En el caso particular de que todas las variables Xi tengan la misma distribución probabilística el 
tratamiento para deducir la función de densidad de cada estadístico de orden es más expedita 
llegando a resultados relativamente sencillos de aplicar. A continuación se da la conclusión de este 
tipo de estudio. El lector interesado puede realizar una investigación en la literatura para ver las 
demostraciones de las conclusiones siguientes. 
 
• Función de distribución y de densidad del Estadístico de Orden j de n variables aleatorias 
continuas e independientes con igual distribución: 
 
Sean n variables aleatorias continuas X1, X2, …, Xn, independientes y con funciones de 
distribución y de densidad comunes dadas por FX(x) y  fX(x).  

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 48 
Rafael A. Díaz Chacón
 
Sea j un entero tal que  1 ≤ j ≤ n, entonces, la función de distribución y de densidad del 
Estadístico de Orden j vienen dadas por las expresiones siguientes 
 

1  

 
!
1  
1 ! !
 
 
• Función de densidad conjunta de dos Estadísticos de Orden para n variables aleatorias 
continuas e independientes con igual distribución: 
 
Sean n variables aleatorias continuas X1, X2, …, Xn, independientes y con funciones de 
distribución y de densidad comunes dadas por FX(x) y  fX(x).  
Sean j y k dos números enteros tal que  1 ≤ j < k ≤ n.  
Sean    y  , los Estadísticos de Orden j‐ésimo y k‐ésimo, respectivamente, entonces, la 
función de densidad conjunta de estos Estadísticos de Orden viene dada por  
 

, 1 ;        
0;                                       
 
Donde  
!
 
1 ! 1 ! !
 
 
Ejemplo 2.5.4) Considere tres variables aleatorias independientes X1, X2 y X3 con igual distribución. 
Determinar la función de distribución y de densidad de todos los estadísticos de orden y las 
funciones de densidad conjunta entre cada dos de ellos. 
 
Dado que las variables Xi tienen igual función de distribución y de densidad las llamaremos, 
respectivamente,         . Entonces, las funciones de distribución de los tres estadísticos 
de orden serán 
 
3
1  

 
3 1 3 1  
 
 
3
1  

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 49 
Rafael A. Díaz Chacón
 
3 1  
 
 
3
1  

 
Las funciones de densidad de los tres estadísticos de orden serán 
 
3!
1 31  
1 1 ! 3 1 !
 
3!
1 6 1  
2 1 ! 3 2 !
 
3!
1 3  
3 1 ! 3 3 !
 
Ya que son tres Estadísticos de Orden existirán tres funciones de densidad conjunta entre cada dos 
de ellos, 
 
6 1 ;      
,  
0;                                       
 
61 ;      
,  
0;                                       
 
 
 
6 1 ;      
,  
0;                                       
 
6 ;      
,  
0;                                       
 
 
6 1 ;      
,  
0;                                       
 
6 ;      
,  
0;                                       
Ю Ю 
 
 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 50 
Rafael A. Díaz Chacón
 
El conocimiento de estas funciones de distribución, de densidad y de densidad conjunta de los 
Estadísticos de Orden es de mucha utilidad a la hora de estudiar algunas variables que pueden 
expresarse en términos de Estadísticos de Orden, por ejemplo, los percentiles asociados con el 
conjunto de n variables continuas, independientes e igualmente distribuidas. 
 
• Percentil 100p: Dado un conjunto de n variables aleatorias X1, X2, …, Xn y un número real p en el 
intervalo (0, 1), se conocerá como Percentil 100p y lo denotaremos como Pp, a la variable 
aleatoria definida por 
 
;                                 
;        
1 ;          
 
Por supuesto, algunos percentiles especiales pertenecen a este grupo como la mediana, los 
cuartiles, los deciles, etc. 
 
 
Ejemplo 2.5.5) Considere siete variables aleatorias independientes X1, X2, …, y X7 con igual 
distribución exponencial con parámetro 2. Determinar la función de densidad del mínimo, del 
primer cuartil, de la mediana, del máximo, del tercer septil y del rango I. 
 
Dado que las variables Xi tienen distribución Exponencial con parámetro 2, la tabla siguiente 
resume los valores de   , 1        en los distintos intervalos donde toman 
diversos valores. 
 
Función ↓   Intervalo  →  (‐∞, 0)  (0, ∞) 
  0  1  
1   1 
  0  2
 
Es fácil observar de la definición de Pp que 
 
Mín = Y1,   Q1 = P0,25 = Y2,    , ,  Máx = Y7,    ,     
 
Entonces, las funciones de densidad de las variables que son directamente un Estadístico de Orden 
serán (para  n = 7) 
 
7!
1 71  
1 1 ! 7 1 !
 
7!
1 42 1  
2 1 ! 7 2 !
 
7!
1 140 1  
4 1 ! 7 4 !
 
7!
1 7  
7 1 ! 7 7 !

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 51 
Rafael A. Díaz Chacón
 
 
En resumen, 
 
Función ↓   Intervalo  →  (‐∞, 0)  (0, ∞)  Tipo de Percentil 
  0  14   Mínimo 
  0  84 1   Primer Cuartil 
  0  280 1   Mediana 
  0  14 1   Máximo 
 
Para el caso del tercer septil y del rango es necesario construir primero la función de densidad 
conjunta entre aquellos Estadísticos de Orden que definen dichas variables. Estas serán, 
respectivamente, 
 
420 1 ;      
,  
0;                                       
 
420 1 ;      
,  
0;                                       
 
1680 1 ;      0
,  
0;                                       
 
 
 
42 1 ;      
,  
0;                                       
 
42 ;      
,  
0;                                       
 
168 ;      0
,  
0;                                       
 
Se deja al estudiante deducir las funciones de densidad marginal de cada una de las variables de 
cada conjunta. 
Ю Ю 
 
Ejemplo 2.5.6) En la época de carnaval se realizan muchos juegos de playa para los temporadistas; 
uno de esos juegos es el de correr con una cuchara en la boca llevando un huevo y sin dejarlo caer. 
Hoy es la gran final y están clasificados 6 competidores, Usted entre ellos. De las experiencias 
anteriores se conoce que todos los competidores hacen el recorrido en un tiempo aleatorio según 
una distribución de tipo uniforme entre 5 y 10 minutos. 
 
Se quiere saber a) ¿En cuánto tiempo se estima, en promedio, que concluirá la gran final?, b) ¿Cuál 
es el tiempo promedio que hará el ganador de esta gran final? y c) Los 3 primeros en llegar tienen 
un premio asegurado pero el que llega cuarto tendrá un premio de consolación solo si llega a lo 
sumo 1 minuto después del tercer lugar, calcule la probabilidad de que esto ocurra. 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 52 
Rafael A. Díaz Chacón
 
Las funciones de densidad y distribución del tiempo X que va a emplear cada competidor en hacer 
el recorrido serán 
 
0;                5
1
;           5 10 ;                   5
5 ;      5 10 
0;       5
1;                10
 
Sea Xi, el tiempo empleado por el competidor i en hacer el recorrido, con i = 1, 2, 3, 4, 5, 6. 
 
Definimos los estadísticos ordenados   Yi, con i = 1, 2, 3, 4, 5, 6    tales que     Y1 < Y2 < Y3 < Y4 < Y5 < Y6 
 
Para conocer las funciones de distribución y de densidad de los estadísticos de orden es necesaria 
la información de la tabla siguiente 
 
Función ↓   Intervalo  →  (‐∞, 5)  (5, 10)  (10, ∞) 
5
  0    1 
5
10
1   1    0 
5
1
  0    0 
5
 
a) ¿En cuánto tiempo se estima, en promedio, que concluirá la gran final? 
 
La duración de la competencia depende del valor del tiempo que tardó el último competidor en 
realizar el recorrido, esto es, la variable Y6. Lo que se solicita es E(Y6). Entonces interesa conocer la 
función de densidad marginal de Y6. 
 
6!
1 6  
6 1 ! 6 6 !
 
6 5
;    5 10 
5 5
0;                 
 
Por tanto, 
 
6 5 65
9,2857 
5 5 7
 
Se estima que, en promedio, la gran final durará 9,2857 minutos. 
 
b) ¿Cuál es el tiempo promedio que hará el ganador de esta gran final? 
 
El tiempo del ganador de la gran final se modela con la variable Y1. Lo que se solicita es E(Y1). 
Entonces interesa conocer la función de densidad marginal de Y1. 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 53 
Rafael A. Díaz Chacón
 
 
6!
1 61  
1 1 ! 6 1 !
 
6 10
;    5 10 
5 5
0;                 
 
Por tanto, 
 
6 10 40
5,7143 
5 5 7
 
En promedio, el ganador empleará  5,7143 minutos en hacer el recorrido. 
 
c) Los 3 primeros en llegar tienen un premio asegurado pero el que llega cuarto tendrá un premio 
de consolación solo si llega a lo sumo 1 minuto después del tercer lugar, calcule la probabilidad 
de que esto ocurra. 
 
La probabilidad solicitada es P{Y4 – Y3 ≤ 1}. Para ello se debe conocer primero la función de 
densidad conjunta entre Y3 y Y4. 
 
1 ;      
,  
0;                                       
 
Donde  
 
! 6!
180 
1 ! 1 ! ! 3 1 ! 4 3 1 ! 6 4 !
 
Es decir 
 
180 1 ;      
,  
0;                                       
 
 
 
36 5 10
, ;       , 5 10, 5 10  
5 5 5
0;                                                                      
 
La región donde esta conjunta es distinta de cero se muestra a continuación. 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 54 
Rafael A. Díaz Chacón
 

Y4 
Y4 = Y3 + 1 
Y4 = Y3 
10 

5 

Y3 
5  9  10 
 
 
La probabilidad solicitada será 
 
36 5 10 36 5 10
1  
5 5 5 5 5 5
 
11264 53 11529
1 0,73786 
15625 3125 15625
 
El competidor que ocupe el cuarto lugar tiene una probabilidad de 0,73786 de quedarse con el 
premio de consolación. 
Ю Ю 
 
 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 55 
Rafael A. Díaz Chacón
 
 
2.5.3  Confiabilidad de Sistemas con componentes en serie, paralelo, r de n y otros. 
 
Una aplicación interesante de los Estadísticos Ordenados es en la Confiabilidad de Sistemas. 
 
Para ello consideremos un sistema cuyo tiempo de vida útil viene dado por una variable aleatoria T, 
tal que su función de distribución acumulativa viene dada por FT(t). 
 
Definición 2.5.1: La Confiabilidad RT(t) de un sistema es la probabilidad de que el sistema funcione 
luego de un instante dado t. Es decir,  RT(t) = P{T > t}. 
 
‐ La Confiabilidad está relacionada con la función de distribución 
acumulativa del tiempo de vida útil del sistema, →   1 . 
‐ La Confiabilidad está relacionada con la función de densidad del tiempo 
de vida útil del sistema,  →  . 
 
Definición 2.5.2: La Tasa de Fallas λT(t) de un sistema es la probabilidad de que el sistema falle dado 
que estaba funcionando hasta el instante t. Es decir,   . 
 
‐ La Tasa de Fallas está relacionada con la función de distribución 
acumulativa del tiempo de vida útil del sistema, →   . 
 
 
Ejemplo 2.5.7: El tiempo de vida útil de un sistema es una variable aleatoria de tipo Exponencial 
con parámetro λ. Deduzca la Confiabilidad y la Tasa de Fallas de ese sistema. 
 
Sea T el tiempo de vida útil del sistema, luego 
 
0;             0 0;                  0
                           
;     0 1 ;     0
 
Entonces, 
 
0;           0
1          
;     0
 
La Confiabilidad desciende en forma exponencial y la tasa de fallas es constante e igual al 
parámetro de la Exponencial. 
Ю Ю 
 
Ejemplo 2.5.8: El tiempo de vida útil de un sistema es una variable aleatoria de tipo Weibull con 
parámetros α y β. Deduzca la Confiabilidad y la Tasa de Fallas de ese sistema. 
 
Sea T el tiempo de vida útil del sistema, luego 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 56 
Rafael A. Díaz Chacón
 
;      0                           1 ;      0 
0;        0;       
 
Entonces, 
 
0;             0
1          
;     0
 
Finalmente, 
 
0;             0
 
;     0
 
 
Ю Ю 
 
 
Caso 1: Sistemas cuyos componentes están conectados en serie. 
 
Consideremos un sistema como el de la figura en el cual la vida útil de cada elemento es una 
variable aleatoria Ti, i = 1, 2. Consideremos, además, que Ti siguen la misma distribución 
probabilística y que el instante de falla de cada uno es independiente de la del otro elemento. A 
este tipo de sistema se le conoce como Sistema Serie de 2 elementos con tiempo de vida según la 
misma distribución. 
 

A  B 
Elemento 1 Elemento 2

 
 
El sistema funciona solo si ambos elementos funcionan; de fallar al menos uno de ellos, falla el 
sistema. Entonces, si se define una variable TS como el tiempo de vida útil del sistema, TS será igual 
al menor de los tiempos Ti, es decir al Estadístico de orden 1: el mínimo entre T1 y T2. 
 
En consecuencia, la confiabilidad del sistema será 
 
,  
 
1  
 
Por tanto, la función de densidad de la vida útil del sistema será 
 
1 2 1  
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 57 
Rafael A. Díaz Chacón
 
Este resultado es similar al conseguido en el ejemplo 2.1.5 de la sección 2.1 para la variable Mínimo 
entre dos variables cuando ambas tienen igual distribución y son independientes. 
 
Estos resultados llevan a emitir las siguientes definiciones. 
 
Definición 2.5.3: Sea un Sistema Serie de n elementos con igual función de densidad de 
probabilidades e independientes, entonces, la Confiabilidad del Sistema, RT(t), viene dada por la 
Confiabilidad de un Elemento, RTi(t), elevada a la n. 
 
Definición 2.5.4: Sea un Sistema Serie de n elementos con igual función de densidad de 
probabilidades e independientes, entonces, la variable tiempo de vida útil del sistema es el 
Estadístico de orden 1 o mínimo de las n variables. 
 
 
Ejemplo 2.5.9: El tiempo de vida útil de un elemento es una variable aleatoria de tipo Exponencial 
con parámetro λ = 1. Cuatro de estos elementos están conectados en un sistema serie. Deduzca la 
Confiabilidad y la función de densidad de probabilidades de este sistema. 
 
Sea Ti; i = 1, 2, 3, 4  el tiempo de vida útil de un elemento, luego 
 
0;             0 0;                  0 0;           0
                           
;     0 1 ;     0 ;     0
 
Entonces, 
 
0;           0
  
;     0
 
Por tanto, la función de densidad de la vida útil del sistema será 
 
;     0 4 ;     0          ~ 4  
 
O bien, si T es el mínimo de las variables Ti, entonces, 
 
4 1 4 ;      0  4 ;     0 
Ю Ю 
 
Caso 2: Sistemas cuyos componentes están conectados en paralelo. 
 
Consideremos un sistema como el de la figura en el cual la vida útil de cada elemento es una 
variable aleatoria Ti, i = 1, 2. Consideremos, además, que Ti siguen la misma distribución 
probabilística y que el instante de falla de cada uno es independiente de la del otro elemento. A 
este tipo de sistema se le conoce como Sistema Paralelo de 2 elementos con tiempo de vida según 
la misma distribución. 
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 58 
Rafael A. Díaz Chacón
 

Elemento 1
A  B 

Elemento 2

 
 
El sistema funciona si al menos uno de los elementos funciona; para que falle el sistema tienen que 
fallar todos los elementos. Entonces, si se define una variable TP como el tiempo de vida útil del 
sistema, TP será igual al mayor de los tiempos Ti, es decir al Estadístico de orden 2: el máximo entre 
T1 y T2. 
 
En consecuencia, la confiabilidad del sistema será 
 
1 1 , 1  
 
1 1  
 
Por tanto, la función de densidad de la vida útil del sistema será 
 
1 2  
 
Este resultado es similar al conseguido en el ejemplo 2.1.6 de la sección 2.1 para la variable 
Máximo entre dos variables cuando ambas tienen igual distribución y son independientes. 
 
Estos resultados llevan a emitir las siguientes definiciones. 
 
Definición 2.5.5: Sea un Sistema Paralelo de n elementos con igual función de densidad de 
probabilidades e independientes, entonces, la Confiabilidad del Sistema, RTP(t), viene dada por 1 
menos la Función de distribución de un Elemento, FTi(t), elevada a la n. 
 
Definición 2.5.6: Sea un Sistema Paralelo de n elementos con igual función de densidad de 
probabilidades e independientes, entonces, la variable tiempo de vida útil del sistema es el 
Estadístico de orden n o máximo de las n variables. 
 
Ejemplo 2.5.10: El tiempo de vida útil de un elemento es una variable aleatoria de tipo Exponencial 
con parámetro λ = 1. Seis de estos elementos están conectados en un sistema paralelo. Deduzca la 
Confiabilidad y la función de densidad de probabilidades del tiempo de vida útil de este sistema. 
 
Sea Ti; i = 1, 2, 3, 4, 5, 6  el tiempo de vida útil de un elemento, luego 
 
0;             0 0;                  0 0;           0
                           
;     0 1 ;     0 ;     0
 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 59 
Rafael A. Díaz Chacón
 
Entonces, 
 
0;           0
1   
1 1 ;     0
 
Por tanto, la función de densidad de la vida útil del sistema será 
 
1 1 ;     0 6 1 ;     0 
 
O bien, si TP es el máximo de las variables Ti, entonces, 
 
!
1 6 1 ;      0 
1 ! !
Ю Ю 
 
 
Caso 3: Sistemas que funcionan mientras funcionan r de los n componentes. 
 
Veamos un ejemplo para clarificar este tipo de sistema. 
 
Ejemplo 2.5.11: Consideremos un sistema que funciona si funcionan al menos 2 de los 3 
componentes que lo conforman donde la vida útil o tiempo de falla de cada elemento es una 
variable aleatoria Ti, i = 1, 2, 3. Consideremos, además, que Ti siguen la misma distribución 
probabilística y que el instante de falla de cada uno es independiente del de los otros elementos. 
Obtenga la función de Confiabilidad y la función de densidad de probabilidades de la vida útil del 
sistema. 
 
Entonces, para que funcione el sistema deben funcionar  2, ó los 3 elementos. Si funcionan dos, 
estos serán el 1 y el 2, el 1 y el 3 ó el 2 y el 3 (3 casos); si funcionan 3, será un solo caso. En total, 
hay 4 opciones posibles para que el sistema funcione. Este número se obtiene en forma genérica 
como 
3 3 3
3 1 4 
2 3
 
Por otro lado, el sistema falla si funciona a lo sumo un componente, es decir, o ninguno funciona (1 
caso) ó funciona uno solo (3 casos). Este número se obtiene en forma genérica como 
 
3 3 3
1 3 4 
0 1
 
Sea T el tiempo de vida útil del sistema. Entonces, la Confiabilidad del sistema viene dada por 
 
3
1 1  

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 60 
Rafael A. Díaz Chacón
 
 
Por tanto, la función de densidad de la vida útil del sistema será 
 
3
1  

 
6 1  
 
Por otro lado, si se evalúa la expresión que ya conocemos para la función de densidad del 
estadístico de orden 2 para n = 3, se tiene 
 
!
1 6 1  
1 ! !
 
Como conclusión, la variable aleatoria tiempo de vida útil de un sistema 2 de 3 es el Estadístico de 
Orden 2 para n = 3. Adicionalmente, ese Estadístico es la variable Mediana. 
Ю Ю 
 
Este resultado nos ayuda a emitir las siguientes definiciones respecto a un sistema r de n. 
 
Definición 2.5.7: Sea un Sistema r de n que funciona si funcionan r de los n elementos con igual 
función de densidad de probabilidades e independientes, entonces, la Confiabilidad del Sistema, 
RT(t), viene dada por la expresión siguiente 
 

1 1  

 
Definición 2.5.8: Sea un Sistema r de n que funciona si funcionan r de los n elementos con igual 
función de densidad de probabilidades e independientes, entonces, la variable tiempo de vida útil 
del sistema es el Estadístico de orden (n – r + 1) de las n variables. 
 
‐ El caso particular r = n, en el cual tienen que funcionar los n elementos para 
que el sistema funcione es equivalente a la definición de un sistema serie. 
‐ El caso particular r = 1, en el cual tiene que funcionar un elemento para que 
el sistema funcione es equivalente a la definición de un sistema paralelo. 
‐ El caso general para 1 < r < n, no se corresponde con ninguna disposición 
física de los n elementos que lo conforman. 
 
Como consecuencia de esta definición, se recuerda a continuación que la función de distribución y 
la función de densidad de probabilidades del estadístico de orden (n – r +1) son, respectivamente 
 

1  

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 61 
Rafael A. Díaz Chacón
 
1  
 
 
Ejemplo 2.5.12: Un avión de 4 motores podría mantenerse en vuelo si funcionan al menos dos de 
los cuatro motores. Consideremos a este avión como un sistema 2 de 4, en el cual la vida útil o 
tiempo de falla de cada elemento es una variable aleatoria Ti, i = 1, 2, 3, 4. Consideremos, además, 
que Ti siguen una distribución probabilística Exponencial con parámetro λ y que el instante de falla 
de cada uno es independiente del de los otros motores. Obtenga la función de Confiabilidad y la 
función de densidad de probabilidades de la vida útil del sistema. 
 
Sea Ti; i = 1, 2, 3, 4  el tiempo de vida útil de cada motor, luego 
 
0;             0 0;                  0 0;           0
                           
;     0 1 ;     0 ;     0
 
Sea T el tiempo de vida útil del sistema. De las definiciones 2.5.7 y 2.5.8 se tiene que 
 
La Confiabilidad del sistema viene dada por 
 
4
1 1  

 
Por tanto, la función de densidad de la vida útil del sistema será 
 
4
1 12 1  

 
O bien, aplicando directamente la Definición 2.5.8, 
 
1 12 1  

 
Para el caso específico de componentes de vida útil Exponencial del ejemplo, 
 
12 1 12 1 ;      0 
Ю Ю 
 
Ejemplo 2.5.13: Consideremos un sistema que posee 6 elementos que funciona si funcionan r de 
ellos, donde r es 4, 5 ó 6.  Se sabe que la vida útil o tiempo de falla de cada elemento es una 
variable aleatoria Ti, i = 1, 2, 3, 4, 5, 6. Consideremos, además, que los Ti siguen la misma 
distribución probabilística y que son independientes entre sí. Obtenga la función de Confiabilidad, 
la función de distribución acumulativa y la función de densidad de probabilidades de la vida útil del 
sistema para los distintos valores posibles de r. 
 
Sea T el tiempo de vida útil del sistema. De las definiciones 2.5.7 y 2.5.8 se tiene que 

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 62 
Rafael A. Díaz Chacón
 
 
La función de Distribución del tiempo de vida útil del sistema viene dada por 
 
r 
6
4  1  

6
5  1  

6
6  1  

 
La Confiabilidad del sistema viene dada por 
 
r 
6
4  1  

6
5  1  

6
6  1 1  

 
Por tanto, la función de densidad de la vida útil del sistema será 
 
r 
4  60 1  

5  30 1  
6  61  
Ю Ю 
 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 63 
Rafael A. Díaz Chacón
 
 
 
Caso 4: Sistemas que combinan componentes conectados en serie y en paralelo. 
 
Veamos dos ejemplos para clarificar este tipo de sistema. 
 
Ejemplo 2.5.14: Consideremos un sistema como el de la figura en el cual la vida útil o tiempo de 
falla de cada elemento es una variable aleatoria Ti, i = 1, 2, 3. Consideremos, además, que Ti siguen 
la misma distribución probabilística y que el instante de falla de cada uno es independiente del de 
los otros elementos.  
 

Elemento 2
A  B  C 
Elemento 1 

Elemento 3

 
 
El sistema funciona si funciona el elemento 1 y al menos uno de los otros 2 elementos, es decir, 
funciona si funcionan 2 de 3, pero siempre incluyendo al elemento 1. 
 
Para que falle el sistema debemos dividir el análisis observando los puntos A, B y C de la gráfica 
anterior.  Observando AB, tiene que fallar el elemento 1, o, observando BC, tienen que fallar los 
elementos 2 y 3. Es decir, tienen que fallar a lo sumo 2 de los 3 elementos, pero siempre 
incluyendo al elemento 1. 
 
Ahora bien, si tomamos en cuenta que tenemos la conexión en paralelo de los elementos 2 y 3 y 
esa conexión en serie con el elemento 1, el tiempo de falla T del sistema viene dado por 
 
, , , ,
 
 
Por tanto, la Confiabilidad del sistema será 
 
1 1  
 
Por tanto, la función de densidad de la vida útil del sistema será 
 
1 1 1 2 3  
Ю Ю 
   

  Revisado por: Adelmo Fernández 
 
 Apuntes de Vectores Aleatorios e Inferencia Estadística. Ingeniería Industrial. UCAB. Marzo 2016 64 
Rafael A. Díaz Chacón
 
 
Ejemplo 2.5.15: Consideremos un sistema como el de la figura en el cual la vida útil o tiempo de 
falla de cada elemento es una variable aleatoria Ti, i = 1, 2, 3. Consideremos, además, que Ti siguen 
la misma distribución probabilística y que el instante de falla de cada uno es independiente del de 
los otros elementos.  
 

B 
Elemento 1 Elemento 2
A  C 

Elemento 3

 
 
Ahora bien, si tomamos en cuenta que tenemos la conexión en serie de los elementos 1 y 2 y esa 
conexión en paralelo con el elemento 3, el tiempo de falla T del sistema viene dado por 
 
, , , ,
 
 
Por tanto, la Confiabilidad del sistema será 
 
1 1 1 1 2  
 
Por tanto, la función de densidad de la vida útil del sistema será 
 
1 2 4 3  
Ю Ю 
 
Al comparar los resultados obtenidos en los ejemplos 2.5.14 y 2.5.15 vemos que son distintos, claro 
que debe ser así ya que los sistemas analizados son distintos. 
 
Esto lleva a pensar que no existe una metodología generalizada como consecuencia de la topología 
de la red de componentes que conforman el sistema. Hay que analizar cada sistema, como se 
realizó en los ejemplos 2.5.14 y 2.5.15 anteriormente. 
 
 

  Revisado por: Adelmo Fernández