Taller: Capítulos 5 y 6

Probabilidad y estadística

Sofía Delgado Ramos

Laura Daniela Herrera Rodríguez

Julián Gil González

Universidad Tecnológica de Pereira

Facultad de ingenierías

Programa de ingeniería eléctrica

Noviembre de 2017
 1. Considere la siguiente función:

𝟏 − 𝒆−(𝒙+𝒚) , 𝟎≤𝒙<∞; 𝟎≤𝒚<∞

𝑭𝑿𝒀 (𝒙, 𝒚) = {
𝟎, 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

Determinar si 𝐹(𝑥, 𝑦) cumple con las condiciones para ser una función de
probabilidad acumulada.

Se debe cumplir que 0 ≤ 𝐹𝑋𝑌 (𝑥, 𝑦) ≤ 1 entonces se evalúan los valores límite.

lim 1 − 𝑒 −(𝑥+𝑦)
𝑥,𝑦→0

1
lim 1 − =1−1=0
𝑥,𝑦→0 𝑒 (𝑥+𝑦)

lim 1 − 𝑒 −(𝑥+𝑦)
𝑥,𝑦→∞

1
lim 1 − =1−0=1
𝑥,𝑦→∞ 𝑒 (𝑥+𝑦)

Se analiza desde la gráfica de la función exponencial con exponente negativo, de la

siguiente forma:

Se puede evidenciar que para números muy grandes la función tiende a números muy
pequeños, pero siempre mayores que 0, por lo que al 1 de la función dada 1 − 𝑒 −(𝑥+𝑦)
nunca se le va a restar un número menor que 0 (de ser así se encontraría con que la función
tomaría valores mayores que 1 y con esto no se cumpliría la propiedad).

Además, el número que se le va a restar a 1 nunca va a ser mayor que 1 porque de la forma
en que está acotada la función [0, ∞) se puede ver que el valor máximo que tomaría la
exponencial es 1 (intercepto) y de esta forma siempre se encontrarán números mayores
que 0, garantizando finalmente que esta sea una función de probabilidad acumulada y que
sí está en el intervalo [0,1].

2. El vector aleatorio (𝑋, 𝑌) está descrito por la siguiente función de probabilidad

acumulada.
(𝟏 − 𝒆−𝜶𝒙 )(𝟏 − 𝒆−𝜷𝒚 ), 𝒙, 𝒚 ≥ 𝟎 ; 𝜶, 𝜷 > 𝟎
𝑭𝑿𝒀 (𝒙, 𝒚) = {
𝟎, 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

a. Encuentre las funciones de probabilidad acumulada 𝐹𝑋 (𝑥) y 𝐹𝑌 (𝑦).

b. Muestre que 𝑋 y 𝑌 son independientes.

a. 𝐹𝑋 (𝑥)

𝐹𝑋 (𝑥) = lim (1 − 𝑒 −𝛼𝑥 )(1 − 𝑒 −𝛽𝑦 ) = 0

𝑦→∞

𝐹𝑋 (𝑥) = (1 − 𝑒 −𝛼𝑥 )(1 − 𝑒 −∞ ) = 0

𝐹𝑋 (𝑥) = (1 − 𝑒 −𝛼𝑥 )(1 − 0) = 0

𝑭𝑿 (𝒙) = (𝟏 − 𝒆−𝜶𝒙 )

𝐹𝑌 (𝑦)

𝐹𝑌 (𝑦) = lim (1 − 𝑒 −𝛼𝑥 )(1 − 𝑒 −𝛽𝑦 ) = 0

𝑥→∞

𝐹𝑌 (𝑦) = (1 − 𝑒 −∞ )(1 − 𝑒 −𝛽𝑦 ) = 0

𝐹𝑌 (𝑦) = (1 − 0)(1 − 𝑒 −𝛽𝑦 ) = 0

𝑭𝒀 (𝒚) = (𝟏 − 𝒆−𝜷𝒚 )

b. 𝑋 y 𝑌 son independientes porque:

𝐹𝑋 (𝑥) ∗ 𝐹𝑌 (𝑦) = 𝐹𝑋𝑌 (𝑥, 𝑦)

(1 − 𝑒 −𝛼𝑥 ) ∗ (1 − 𝑒 −𝛽𝑦 ) = (1 − 𝑒 −𝛼𝑥 )(1 − 𝑒 −𝛽𝑦 )
3. Considerar un experimento de escoger aleatoriamente tres pelotas de una
urna que contiene dos rojas, tres blancas, y cuatro azules. Sea (𝑋, 𝑌) un
vector aleatorio que denota respectivamente el número de pelotas rojas y
blancas elegidas.

a. Encuentre el rango de (𝑋, 𝑌).

b. Encuentre la función de probabilidad de masa conjunta de (𝑋, 𝑌).
c. Encuentre 𝑝𝑋 (𝑥𝑖 ) y 𝑝𝑌 (𝑦𝑗 ).
d. 𝑋 y 𝑌 son independientes?
e. Determine 𝜇𝑋 , 𝜇𝑌 , 𝜎𝑋 , 𝜎𝑌 .

a. Rango de (𝑿, 𝒀)

𝑅𝑎𝑛𝑔𝑜 (𝑋, 𝑌) = {(0,0), (0,1), (1,0), (1,1), (0,2), (2,0), (2,1), (1,2), (0,3)}
b.

(𝑿, 𝒀) 𝑷(𝑿, 𝒀)
0,0 4/84
0,1 18/84
1,0 12/84
1,1 24/84
0,2 12/84
2,0 4/84
2,1 3/84
1,2 6/84
0,3 1/84
Total 84/84=1

c. Para hallar 𝑝𝑋 (𝑥𝑖 ) debemos sumar las filas de la siguiente tabla, para hallar
𝑝𝑌 (𝑦𝑗 ) debemos sumar las columnas de la tabla.

I j
0 1 2 3
 0 4/84 18/84 12/84 1/84
1 12/84 24/84 6/84 0
2 4/84 3/84 0 0

𝟑𝟓 𝟒𝟐 𝟕
𝒑𝑿 (𝟎) = 𝟖𝟒 𝒑𝑿 (𝟏) = 𝟖𝟒 𝒑𝑿 (𝟐) = 𝟖𝟒

𝟐𝟎 𝟒𝟓 𝟏𝟖 𝟏
𝒑𝒀 (𝟎) = 𝟖𝟒 𝒑𝒀 (𝟏) = 𝟖𝟒 𝒑𝒀 (𝟐) = 𝟖𝟒 𝒑𝒀 (𝟑) = 𝟖𝟒

d. Ya que
𝒑𝑿𝒀 (𝟎, 𝟎) ≠ 𝒑𝑿 (𝟎)𝒑𝒀 (𝟎)
𝟒 𝟑𝟓 𝟐𝟎
≠ ( )( )
𝟖𝟒 𝟖𝟒 𝟖𝟒

𝑿 y 𝒀 no son independientes.

4. La función de probabilidad de masa conjunta de un vector aleatorio (𝑋, 𝑌)

está dada por:
𝒌(𝟐𝒙𝒊 + 𝒚𝒋 ), 𝒙𝒊 = 𝟏, 𝟐 ; 𝒚𝒋 = 𝟏, 𝟐
𝒑𝑿𝒀 (𝒙𝒊 , 𝒚𝒋 ) = {
𝟎, 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

a. Encuentre el valor de k.
b. Encuentre 𝑝𝑋 (𝑥𝑖 ) y 𝑝𝑌 (𝑦𝑗 ).
c. 𝑋 y 𝑌 son independientes?
d. Determine 𝜇𝑋 , 𝜇𝑌 , 𝜎𝑋 , 𝜎𝑌 .

a.
2 2

𝑘 ∑ ∑ 2𝑥𝑖 + 𝑦𝑗 = 1
𝑥𝑖 =1 𝑦𝑗 =1

𝑘((2 ∗ 1 + 1) + (2 ∗ 1 + 2) + (2 ∗ 2 + 1) + (2 ∗ 2 + 2) = 1
 𝑘(3 + 4 + 5 + 6) = 1
𝟏
𝒌=
𝟏𝟖
b. 𝑝𝑋 (𝑥𝑖 )
2

𝑝𝑋 (𝑥𝑖 ) = ∑ 𝑘 (2𝑥𝑖 + 𝑦𝑗 )
𝑗=1
2
1
𝑝𝑋 (𝑥𝑖 ) = ∑ (2𝑥𝑖 + 𝑦𝑗 )
18
𝑗=1
2
1
𝑝𝑋 (𝑥𝑖 ) = ∑(2𝑥𝑖 + 𝑦𝑗 )
18
𝑗=1

1
𝑝𝑋 (𝑥𝑖 ) = [(2𝑥𝑖 + 1) + (2𝑥𝑖 + 2)]
18
𝟏 𝟐
𝒑𝑿 (𝒙𝒊 ) = ( + 𝒙𝒊 )
𝟔 𝟗

𝑝𝑌 (𝑦𝑗 )

𝑝𝑌 (𝑦𝑗 ) = ∑ 𝑘 (2𝑥𝑖 + 𝑦𝑗 )
𝑖=1
2
1
𝑝𝑌 (𝑦𝑗 ) = ∑ (2𝑥𝑖 + 𝑦𝑗 )
18
𝑖=1
2
1
𝑝𝑌 (𝑦𝑗 ) = ∑(2𝑥𝑖 + 𝑦𝑗 )
18
𝑖=1
1
𝑝𝑌 (𝑦𝑗 ) = [(2 ∗ 1 + 𝑦𝑗 ) + (2 ∗ 2 + 𝑦𝑗 )]
18
𝟏 𝟏
𝒑𝒀 (𝒚𝒋 ) = ( + 𝒚𝒋 )
𝟑 𝟗

c. ¿Son independientes?
𝑝𝑋 (𝑥𝑖 ) ∗ 𝑝𝑌 (𝑦𝑗 ) = 𝑝𝑋𝑌 (𝑥𝑖 , 𝑦𝑗 )
 1 2 1 1 1
( + 𝑥𝑖 ) ∗ ( + 𝑦𝑗 ) = (2𝑥𝑖 + 𝑦𝑗 )
6 9 3 9 18
𝟏 𝟏 𝟐 𝟐 𝟏
+ 𝒚𝒋 + 𝒙𝒊 + 𝒙 𝒊 𝒚𝒋 ≠ (𝟐𝒙𝒊 + 𝒚𝒋 )
𝟏𝟖 𝟓𝟒 𝟐𝟕 𝟖𝟏 𝟏𝟖

No, no son independientes.

d. 𝜇𝑋
2

𝜇𝑋 = ∑ 𝑥𝑖 𝑝𝑋 (𝑥𝑖 )
𝑥𝑖 =1
2
1 2
𝜇𝑋 = ∑ 𝑥𝑖 ( + 𝑥𝑖 )
6 9
𝑥𝑖 =1
2
1 2
𝜇𝑋 = ∑ ( 𝑥𝑖 + 𝑥𝑖 2 )
6 9
𝑥𝑖 =1

1 2 1 8
𝜇𝑋 = + + +
6 9 3 9
𝟐𝟗
𝝁𝑿 =
𝟏𝟖
𝜇𝑌
2

𝜇𝑌 = ∑ 𝑦𝑗 𝑝𝑌 (𝑦𝑗 )
𝑦𝑗 =1

2
1 1
𝜇𝑌 = ∑ 𝑦𝑗 ( + 𝑦𝑗 )
3 9
𝑦𝑗 =1

2
1 1
𝜇𝑌 = ∑ ( 𝑦𝑗 + 𝑦𝑗 2 )
3 9
𝑦𝑗 =1

1 1 2 4
𝜇𝑌 = + + +
3 9 3 9
𝟏𝟒
𝝁𝒀 =
𝟗
𝜎𝑋
2

𝜎𝑋 = ∑ ( 𝜇𝑋 − 𝑥𝑖 )2 𝑝𝑋 (𝑥𝑖 )
𝑥𝑖 =1
 2 2
29 1 2
𝜎𝑋 = ∑ ( − 𝑥𝑖 ) ( + 𝑥𝑖 )
18 6 9
𝑥𝑖 =1
2 2
29 1 2 29 1 2
𝜎𝑋 = [( − 1) ( + ∗ 1) + ( − 2) ( + ∗ 2)]
18 6 9 18 6 9
121 7 49 11
𝜎𝑋 = [( )( ) + ( ) ( )]
324 18 324 18
𝟕𝟕
𝝈𝑿 =
𝟑𝟐𝟒
𝜎𝑌
2

𝜎𝑌 = ∑ ( 𝜇𝑌 − 𝑦𝑗 )2 𝑝𝑌 (𝑦𝑗 )
𝑦𝑗 =1

2 2
14 1 1
𝜎𝑌 = ∑ ( − 𝑦𝑗 ) ( + 𝑦𝑗 )
9 3 9
𝑦𝑗 =1

2 2
14 1 1 14 1 1
𝜎𝑌 = [( − 1) ( + ∗ 1) + ( − 2) ( + ∗ 2)]
9 3 9 9 3 9
25 4 16 5
𝜎𝑌 = [( ) ( ) + ( ) ( )]
81 9 81 9
𝟐𝟎
𝝈𝒀 =
𝟖𝟏

5. La función de probabilidad de masa conjunta de un vector aleatorio (𝑋, 𝑌)

está dada por:
𝒌𝒙𝒊 𝟐 𝒚𝒋 , 𝒙𝒊 = 𝟏, 𝟐 ; 𝒚𝒋 = 𝟏, 𝟐, 𝟑
𝒑𝑿𝒀 (𝒙𝒊 , 𝒚𝒋 ) = {
𝟎, 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

a. Encuentre el valor de k.
b. Encuentre 𝑝𝑋 (𝑥𝑖 ) y 𝑝𝑌 (𝑦𝑗 ).
c. 𝑋 y 𝑌 son independientes?
d. Determine 𝜇𝑋 , 𝜇𝑌 , 𝜎𝑋 , 𝜎𝑌 .

a. Se usa siguiente propiedad ∑2𝑖=1 ∑3𝑗=1 𝑘(𝑥𝑖 2 𝑦𝑗 ) = 1

 2 3

𝑘 ∑ ∑(𝑥𝑖 2 𝑦𝑗 ) = 1
𝑖=1 𝑗=1

𝑘(1 + 2 + 3 + 4 + 8 + 12) = 1
𝟏
𝒌=
𝟑𝟎

b.
1
𝑝𝑋 (𝑥𝑖 ) = ∑ (𝑥 2 𝑦 )
30 𝑖 𝑗
∀𝑦
3
1
𝑝𝑋 (𝑥𝑖 ) = ∑ (𝑥 2 𝑦 )
30 𝑖 𝑗
𝑦=1
1
𝑝𝑋 (𝑥𝑖 ) = (𝑥 2 + 2𝑥𝑖 2 + 3𝑥𝑖 2 )
30 𝑖
1
𝑝𝑋 (𝑥𝑖 ) = (6𝑥𝑖 2 )
30
𝟏
𝒑𝑿 (𝒙𝒊 ) = (𝒙𝒊 𝟐 )
𝟓

1
𝑝𝑌 (𝑦𝑗 ) = ∑ (𝑥𝑖 2 𝑦𝑗 )
30
∀𝑥

2
1
𝑝𝑌 (𝑦𝑗 ) = ∑ (𝑥 2 𝑦 )
30 𝑖 𝑗
𝑥=1

1
𝑝𝑌 (𝑦𝑗 ) = (𝑦 + 4𝑦𝑗 )
30 𝑗
1
𝑝𝑌 (𝑦𝑗 ) = (5𝑦𝑗 )
30
𝟏
𝒑𝒀 (𝒚𝒋 ) = (𝒚 )
𝟔 𝒋

c. Si 𝑝𝑋 (𝑥𝑖) ∗ 𝑝𝑌 (𝑦𝑗) = 𝑝𝑋𝑌 (𝑥, 𝑦) entonces X y Y son independientes.

1 2 1
(𝑥 ) ∗ (𝑦𝑗 ) = 𝑝𝑋𝑌 (𝑥, 𝑦)
5 𝑖 6
 𝟏
(𝒙 𝟐 𝒚 ) = 𝒑𝑿𝒀 (𝒙, 𝒚)
𝟑𝟎 𝒊 𝒋
Entonces las variables sí son independientes.

d.

𝜇𝑋 = ∑ 𝑥𝑖 𝑃𝑋 (𝑥𝑖 )
∀𝑥𝑖

𝜇𝑋 = 1𝑃𝑋 (1) + 2𝑃𝑋 (2)

𝟏 𝟒 𝟗
𝝁𝑿 = 𝟏 ∗ +𝟐∗ =
𝟓 𝟓 𝟓

𝜇𝑌 = ∑ 𝑦𝑗 𝑃𝑌 (𝑦𝑗 )
∀𝑦𝑗

𝜇𝑌 = 1𝑃𝑌 (1) + 2𝑃𝑌 (2) + 3𝑃𝑌 (3)

𝟏 𝟐 𝟑 𝟕
𝝁𝒀 = 𝟏 ∗ +𝟐∗ +𝟑∗ =
𝟔 𝟔 𝟔 𝟑

𝜎𝑋 = ∑(𝜇𝑋 − 𝑥𝑖 )2 𝑃𝑋 (𝑥𝑖 )
∀𝑥𝑖

𝟐 𝟐
𝟗 𝟏 𝟗 𝟒
𝝈𝑿 = ( − 𝟏) ∗ + ( − 𝟐) ∗ = 𝟎. 𝟏𝟔
𝟓 𝟓 𝟓 𝟓

𝜎𝑌 = ∑(𝜇𝑌 − 𝑦𝑗 )2 𝑃𝑌 (𝑦𝑗 )
∀𝑦𝑗

𝟐 𝟐 𝟐
𝟕 𝟏 𝟕 𝟐 𝟕 𝟑
𝝈𝒀 = ( − 𝟏) ∗ + ( − 𝟐) ∗ + ( − 𝟑) ∗ = 𝟎. 𝟓𝟓
𝟑 𝟔 𝟑 𝟔 𝟑 𝟔

6. La función de densidad de probabilidad conjunta de un vector aleatorio (𝑋, 𝑌)

está dada por:
 𝒌(𝒙 + 𝒚), 𝟎<𝒙<𝟐; 𝟎<𝒚<𝟐
𝒇𝑿𝒀 (𝒙, 𝒚) = {
𝟎, 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

a. Encuentre el valor de k.
b. Encuentre 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑦).
c. 𝑋 y 𝑌 son independientes?
d. Determine 𝜇𝑋 , 𝜇𝑌 , 𝜎𝑋 , 𝜎𝑌 .

a. Se usa la siguiente propiedad:

2 2

𝑘 ∫ ∫(𝑥 + 𝑦)𝑑𝑥𝑑𝑦 = 1
0 0

2
𝑥2 2
𝑘 ∫ ( + 𝑦𝑥) | 𝑑𝑦 = 1
2 0
0

𝑘 ∫(2 + 2𝑦)𝑑𝑦 = 1
0

2
𝑘(2𝑦 + 𝑦 2 )| = 1
0
𝑘(4 + 4) = 1
𝟏
𝒌=
𝟖

b.
2
1
𝑓𝑋 (𝑥𝑖 ) = ∫(𝑥 + 𝑦)𝑑𝑦
8
0

1 𝑦2 2
𝑓𝑋 (𝑥𝑖 ) = (𝑥𝑦 + ) |
8 2 0
1
𝑓𝑋 (𝑥𝑖 ) = (2𝑥 + 2)
8
𝟏
𝒇𝑿 (𝒙𝒊 ) = (𝒙 + 𝟏)
𝟒
 2
1
𝑓𝑌 (𝑦𝑗 ) = ∫(𝑥 + 𝑦)𝑑𝑥
8
0

𝑥2 2
𝑓𝑌 (𝑦𝑗 ) = ( + 𝑥𝑦) |
2 0

1
𝑓𝑌 (𝑦𝑗 ) = (2𝑦 + 2)
8
𝟏
𝒇𝒀 (𝒚𝒋 ) = (𝒚 + 𝟏)
𝟒

c. Si 𝑓𝑋 (𝑥𝑖) ∗ 𝑓𝑌 (𝑦𝑗) = 𝑓𝑋𝑌 (𝑥, 𝑦) entonces X y Y son independientes.

1 1
(𝑥 + 1) ∗ (𝑦 + 1) = 𝑓𝑋𝑌 (𝑥, 𝑦)
4 4
𝟏
(𝒙𝒚 + 𝒙 + 𝒚 + 𝟏) ≠ 𝒇𝑿𝒀 (𝒙, 𝒚)
𝟏𝟔
Las variables no son independientes.
d.
2

𝜇𝑋 = ∫ 𝑥𝑓𝑋 (𝑥𝑖 )𝑑𝑥

0

2
1
𝜇𝑋 = ∫ (𝑥 + 1)𝑥𝑑𝑥
4
0

2
1
𝜇𝑋 = ∫ (𝑥 2 + 𝑥)𝑑𝑥
4
0

1 𝑥3 𝑥2 2
𝜇𝑋 = ( + ) |
4 3 2 0
𝟏 𝟖 𝟒 𝟕
𝝁𝑿 = ( + )=
𝟒 𝟑 𝟐 𝟔
 2

𝜇𝑌 = ∫ 𝑦𝑓𝑌 (𝑦𝑗 )𝑑𝑦

0

2
1
𝜇𝑌 = ∫ (𝑦 + 1)𝑦𝑑𝑦
4
0

2
1
𝜇𝑌 = ∫ (𝑦 2 + 𝑦)𝑑𝑦
4
0

1 𝑦3 𝑦2 2
𝜇𝑌 = ( + ) |
4 3 2 0
𝟏 𝟖 𝟒 𝟕
𝝁𝒀 = ( + )=
𝟒 𝟑 𝟐 𝟔

𝜎𝑋 = ∫(𝑥 − 𝜇𝑋 )2 𝑓𝑋 (𝑥𝑖 )𝑑𝑥

0

2
7 1
𝜎𝑋 = ∫(𝑥 − )2 (𝑥 + 1)𝑑𝑥
6 4
0

2
1 14𝑥 49
𝜎𝑋 = ∫(𝑥 2 − + )(𝑥 + 1)𝑑𝑥
4 6 36
0

2
1 3
14𝑥 2 49𝑥 14𝑥 49
𝜎𝑋 = ∫(𝑥 − + + 𝑥2 − + )𝑑𝑥
4 6 36 6 36
0

𝟏 𝒙𝟒 𝟏𝟒𝒙𝟑 𝟒𝟗𝒙𝟐 𝒙𝟑 𝟏𝟒𝒙𝟐 𝟒𝟗𝒙 𝟐

𝝈𝑿 = ( − + + − + )| = 𝟎. 𝟑𝟏
𝟒 𝟒 𝟔 ∗ 𝟑 𝟑𝟔 ∗ 𝟐 𝟑 𝟔 ∗ 𝟐 𝟑𝟔 𝟎

𝜎𝑌 = ∫(𝑦 − 𝜇𝑋 )2 𝑓𝑌 (𝑦𝑗 )𝑑𝑦

0

2
7 1
𝜎𝑌 = ∫(𝑦 − )2 (𝑦 + 1)𝑑𝑦
6 4
0
 2
1 14𝑦 49
𝜎𝑌 = ∫(𝑦 2 − + )(𝑦 + 1)𝑑𝑦
4 6 36
0

2
1 14𝑦 2 49𝑦 14𝑦 49
𝜎𝑌 = ∫(𝑦 3 − + + 𝑦2 − + )𝑑𝑥
4 6 36 6 36
0

𝟏 𝒚𝟒 𝟏𝟒𝒚𝟑 𝟒𝟗𝒚𝟐 𝒚𝟑 𝟏𝟒𝒚𝟐 𝟒𝟗𝒚 𝟐

𝝈𝒀 = ( − + + − + )| = 𝟎. 𝟑𝟏
𝟒 𝟒 𝟔 ∗ 𝟑 𝟑𝟔 ∗ 𝟐 𝟑 𝟔∗𝟐 𝟑𝟔 𝟎

7. La función de densidad de probabilidad conjunta de un vector aleatorio (𝑋, 𝑌)

está dada por:
𝒌𝒙𝒚, 𝟎<𝒙<𝒚<𝟏
𝒇𝑿𝒀 (𝒙, 𝒚) = {
𝟎, 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

a. Encuentre el valor de k.
b. Encuentre 𝑓𝑋 (𝑥) y 𝑓𝑌 (𝑦).
c. 𝑋 y 𝑌 son independientes?
d. Determine 𝑝(𝑋 + 𝑌 < 1).
e. Determine 𝜇𝑋 , 𝜇𝑌 , 𝜎𝑋 , 𝜎𝑌 .

a.
∞ ∞
∫ ∫ 𝑓𝑋𝑌 (𝑥, 𝑦) 𝑑𝑥 𝑑𝑦
−∞ −∞
1 1 1 1 1
𝑥2 𝑦
= 𝑘 ∫ ∫ 𝑥𝑦 𝑑𝑥 𝑑𝑦 = 𝑘 ∫ 𝑦 ( | ) 𝑑𝑦 = 𝑘 ∫ 𝑑𝑦 = 1
0 0 0 2 0 0 2

𝒌=𝟒
 b.

1
𝑓𝑋 (𝑥) = ∫ 4𝑥𝑦 𝑑𝑦
0

𝒇𝑿 (𝒙) = 𝟐𝒙

1
𝑓𝑌 (𝑦) = ∫ 4𝑥𝑦 𝑑𝑥
0

𝒇𝒀 (𝒚) = 𝟐𝒚

c.

𝑓𝑋 (𝑥)𝑓𝑌 (𝑦) = 𝑓𝑋𝑌 (𝑥, 𝑦)

2𝑥 ∗ 2𝑦 = 4𝑥𝑦

𝟒𝒙𝒚 = 𝟒𝒙𝒚

Sí, son independientes.

d.

1 1−𝑦 1 1−𝑦
𝑥2
𝑝(𝑥 + 𝑦 < 1) = ∫ ∫ 4𝑥𝑦 𝑑𝑥 𝑑𝑦 = 4 ∫ 𝑦 ( | ) 𝑑𝑦
0 0 0 2 0

𝟏
𝟏 𝟏
𝒑(𝒙 + 𝒚 < 𝟏) = 𝟒 ∫ 𝒚 ( (𝟏 − 𝒚)𝟐 ) 𝒅𝒚 =
𝟎 𝟐 𝟔

e.

1
µ𝒙 = ∫ 𝑥 ∗ 𝑓𝑋 (𝑥)𝑑𝑥
0
1
µ𝒙 = ∫ (2𝑥 2 )𝑑𝑥
0

µ𝒙 = 𝟐/𝟑
1
µ𝒚 = ∫ 𝑦 ∗ 𝑓𝑌 (𝑦)𝑑𝑦
0
 1
µ𝒚 = ∫ (2𝑦 2 )𝑑𝑦
0

𝟐
µ𝒚 =
𝟑
1
𝝈𝒙 = ∫ (𝑥 − µ𝑥)2 ∗ 𝑓𝑋 (𝑥)𝑑𝑥
0
1
2
𝝈𝒙 = ∫ ((𝑥 − )2 ∗ 2𝑥)𝑑𝑥
0 3
𝟖
𝝈𝒙 =
𝟑
1
𝝈𝒚 = ∫ (𝑦 − µ𝑦)2 ∗ 𝑓𝑦 (𝑦)𝑑𝑦
0

𝟐
2 2
𝝈𝒚 = ∫ ((𝑦 − ) ∗ (2𝑦)) 𝑑𝑦
0 3

𝟖
𝝈𝒚 =
𝟑

8. La función de densidad de probabilidad conjunta de un vector aleatorio (𝑋, 𝑌)

está dada por:
𝒌𝒙𝒚, 𝟎<𝒙<𝟏; 𝟎<𝒚<𝟏
𝒇𝑿𝒀 (𝒙, 𝒚) = {
𝟎, 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
a. Encuentre el valor de k.
b. 𝑋 y 𝑌 son independientes?

a.

1 𝑥
∫ ∫ 𝑘𝑥𝑦𝑑𝑥𝑑𝑦
0 0
1
𝑦2 𝑥
𝑘∫ 𝑥[ ] 𝑑𝑥 = 1
0 2 𝑜
1
𝑥2
𝑘 ∫ 𝑥 ( ) 𝑑𝑥 = 1
0 2
 1
𝐾( ) = 1
8
𝑲=𝟖
b.
𝑥
𝑓𝑋 (𝑥) = ∫ 8𝑥𝑦𝑑𝑦
0
𝑥
𝑓𝑋 (𝑥) = [4𝑥𝑦 2 ]
0
𝑓𝑋 (𝑥) = 𝟒𝒙𝟑
1
𝑓𝑌 (𝑦) = ∫ 8𝑥𝑦𝑑𝑥
0

1
𝑓𝑌 (𝑦) = [4𝑥 2 𝑦]
0
𝒇𝒀 (𝒚) = 𝟒𝒚
𝑓𝑋 (𝑥) ∗ 𝑓𝑌 (𝑦) = 𝑓𝑋𝑌 (𝑥, 𝑦)
4𝑥 3 ∗ 4𝑦 = 4𝑥𝑦
𝟏𝟔𝒙𝟑 𝒚 ≠ 𝟒𝒙𝒚
𝑿 𝒚 𝒀 𝒏𝒐 𝒔𝒐𝒏 𝒊𝒏𝒅𝒆𝒑𝒆𝒏𝒅𝒊𝒆𝒏𝒕𝒆𝒔.

9. Sea (𝑋, 𝑌) un vector aleatorio continuo, donde 𝑋 sigue una distribución

uniforme en el intervalo (0,0,2) y 𝑌 sigue una distribución exponencial con
parámetro 𝜆 = 5. Además, 𝑋 y 𝑌 son independientes.

a. Determine 𝑓𝑋𝑌 (𝑥, 𝑦).

b. Calcule 𝑝(𝑌 ≤ 𝑋).
c. Determine 𝜇𝑋 , 𝜇𝑌 , 𝜎𝑋 , 𝜎𝑌 .

1
= 5, 0 < 𝑥 < 0,2
𝑓𝑋 (𝑥) = {0,2
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
 5𝑒 −5𝑦 , 𝑦>0
𝑓𝑌 (𝑦) = {
0, 𝑦<0

Se puede evidenciar que en la función de probabilidad de x para los valores de 𝑥 en

el intervalo [0,0,2] la función toma el valor de 5, el cual no es un valor que cumpla
con la teoría de la probabilidad y por esto no se realiza el ejercicio propuesto.

10. La función de densidad de probabilidad conjunta de (𝑋, 𝑌) está dada por:

𝒆−𝒚 , 𝟎<𝒙≤𝒚
𝒇𝑿𝒀 (𝒙, 𝒚) = {
𝟎, 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

a. Determine 𝑓𝑌|𝑋 (𝑦|𝑥).

b. Determine 𝐹𝑌|𝑋 (𝑦|𝑥).
c. Determine 𝜇𝑋 , 𝜇𝑌 , 𝜎𝑋 , 𝜎𝑌 .

a.
𝑓𝑋𝑌 (𝑥, 𝑦)
𝑓𝑌|𝑋 (𝑦|𝑥) =
𝑓𝑋 (𝑥)
∞
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋𝑌 (𝑥, 𝑦) 𝑑𝑦
−∞
∞
∞
𝑓𝑋 (𝑥) = ∫ 𝑒 −𝑦 𝑑𝑦 = −𝑒 −𝑦 |
𝑥
𝑥
𝑓𝑋 (𝑥) = 𝑒 −𝑥
𝒆−𝒚
𝒇𝒀|𝑿 (𝒚|𝒙) = = 𝒆𝒙−𝒚 𝒚≥𝒙
𝒆−𝒙

b.
𝑦
𝐹𝑌|𝑋 (𝑦|𝑥) = ∫ 𝑓𝑌|𝑋 (𝜏|𝑥) 𝑑𝜏
−∞
0 𝑦
𝐹𝑌|𝑋 (𝑦|𝑥) = ∫ 𝑜 𝑑𝜏 + ∫ 𝑒 𝑥−𝜏 𝑑𝜏
−∞ 0
𝒙 (𝟏 −𝒚 )
𝑭𝒀|𝑿 (𝒚|𝒙) = 𝒆 −𝒆 𝒚≥𝒙
 11. Sea (𝑋1 , . . . , 𝑋𝑁 ) una muestra aleatoria de una variable aleatoria binomial con
parámetros (𝑚, 𝑝), donde se asume que 𝑚 es conocida y 𝑝 debe
determinarse. Determine el estimador de máxima verosimilitud para 𝑝.

La función de distribución está dada por:

𝑚 𝑚
𝐿(𝑝) = 𝑓(𝑥1 , … , 𝑥𝑁 ; 𝑝) = ( ) 𝑝 𝑥1 (1 − 𝑝)𝑚−𝑥1 … ( ) 𝑝 𝑥𝑁 (1 − 𝑝)𝑚−𝑥𝑁
𝑥1 𝑥𝑁

𝑚 𝑚 𝑁 𝑁
𝐿(𝑝) = ( ) … ( ) 𝑝∑𝑖=1 𝑥𝑖 (1 − 𝑝)(𝑛𝑚−∑𝑖=1 𝑥𝑖 )
𝑥1 𝑥𝑁

Tomando logaritmo a ambos lados de la expresión obtenemos:

𝑁 𝑁

ln 𝐿(𝑝) = ln(𝑐) + (∑ 𝑥𝑖 ) ln(𝑝) + (𝑛𝑚 − ∑ 𝑥𝑖 ) ln(1 − 𝑝)

𝑖=1 𝑖=1

Donde,

𝑁
𝑚
𝑐 = ∏( )
𝑥𝑖
𝑖=1

Derivando respecto a p

𝑁 𝑁
𝑑 1 1
ln 𝐿(𝑝) = ∑ 𝑥𝑖 − (𝑛𝑚 − ∑ 𝑥𝑖 )
𝑑𝑝 𝑝 1−𝑝
𝑖=1 𝑖=1

𝑑
Conociendo que ln 𝐿(𝑝) = 0, el estimador de máxima verosimilitud 𝑝̂𝑀𝐿 de 𝑝 es
𝑑𝑝

obtenido como:

𝑁 𝑁
1 1
∑ 𝑥𝑖 = (𝑛𝑚 − ∑ 𝑥𝑖 )
𝑝̂ 𝑀𝐿 1 − 𝑝̂𝑀𝐿
𝑖=1 𝑖=1

𝑁
1
𝑝̂𝑀𝐿 = ∑ 𝑥𝑖
𝑛𝑚
𝑖=1

Por lo tanto, el estimador de máxima verosimilitud de p está dado por:

 𝑵
𝟏 𝟏
𝒑𝑴𝑳 = ∑ 𝑿𝒊 = 𝑿̅
𝒏𝒎 𝒎
𝒊=𝟏

12. Sea (𝑋1 , . . . , 𝑋𝑁 ) una muestra aleatoria de una variable aleatoria Bernoulli con
parámetro 𝑝, donde 𝑝, 0 ≤ 𝑝 ≤ 1 es desconocida. Asuma que 𝑝 sigue una
distribución uniforme en el intervalo (0,1). Determine el estimador de Bayes
para 𝑝.

La función de densidad de probabilidad anterior de 𝑝 es la función de distribución

uniforme, así:

𝑓(𝑝) = 1 0<𝑝<1

La función de densidad de probabilidad posterior de 𝑝 está dada por:

𝑓(𝑥1 , … , 𝑥𝑁 , 𝑝)
𝑓(𝑝|𝑥1 , … , 𝑥𝑁 ) =
𝑓(𝑥1 , … , 𝑥𝑁 )

Luego,

𝑓(𝑥1 , … , 𝑥𝑁 , 𝑝) = 𝑓(𝑥1 , … , 𝑥𝑁 |𝑝)𝑓(𝑝)

𝑁 𝑁
𝑓(𝑥1 , … , 𝑥𝑁 , 𝑝) = 𝑝∑𝑖=1 𝑥𝑖 (1 − 𝑝)𝑁−∑𝑖=1 𝑥𝑖 = 𝑝𝑚 (1 − 𝑝)𝑛−𝑚

Donde 𝑚 = ∑𝑁
𝑖=1 𝑥𝑖 , entonces:

1 1
𝑓(𝑥1 , … , 𝑥𝑁 ) = ∫ 𝑓(𝑥1 , … , 𝑥𝑁 , 𝑝)𝑑𝑝 = ∫ 𝑝𝑚 (1 − 𝑝)𝑛−𝑚 𝑑𝑝
0 0

1
𝑚! 𝑘!
𝑓(𝑥1 , … , 𝑥𝑁 ) = ∫ 𝑝𝑚 (1 − 𝑝)𝑘 𝑑𝑝 =
0 (𝑚 + 𝑘 + 1)!

La función de densidad de probabilidad posterior de 𝑝 es:

𝑓(𝑥1 , … , 𝑥𝑁 , 𝑝) (𝑛 + 1)! 𝑝𝑚 (1 − 𝑝)𝑛−𝑚

𝑓(𝑝|𝑥1 , … , 𝑥𝑁 ) = =
𝑓(𝑥1 , … , 𝑥𝑁 ) 𝑚! (𝑛 − 𝑚)!
 1
𝐸(𝑝|𝑥1 , … , 𝑥𝑁 ) = ∫ 𝑝 𝑓(𝑝|𝑥1 , … , 𝑥𝑁 ) 𝑑𝑝
0

(𝑛 + 1)! 1
𝐸(𝑝|𝑥1 , … , 𝑥𝑁 ) = ∫ 𝑝𝑚+1 (1 − 𝑝)𝑛−𝑚 𝑑𝑝
𝑚! (𝑛 − 𝑚)! 0

(𝑛 + 1)! (𝑚 + 1)! (𝑛 − 𝑚)!

𝐸(𝑝|𝑥1 , … , 𝑥𝑁 ) =
𝑚! (𝑛 − 𝑚)! (𝑛 + 2)!

𝑁
𝑚+1 1
𝐸(𝑝|𝑥1 , … , 𝑥𝑁 ) = = (∑ 𝑥𝑖 + 1)
𝑛+2 𝑛+2
𝑖=1

Por lo tanto, el estimador de Bayes de 𝑝 es:

𝑵
𝟏
𝑷𝑩 = 𝑬(𝒑|𝑿𝟏 , … , 𝑿𝑵 ) = (∑ 𝑿𝒊 + 𝟏)
𝒏+𝟐
𝒊=𝟏