Actividad 1

Jose David Paredes Garcia

March 28, 2024

Problema 1:
Para qué valor de k la función,
(
kx2 para 0 < x < 3
f (x) =
0 otro caso

es una función de densidad de probabilidad. Calcular media y varianza de

dicha variable aleatoria

a) Calcular la media:
Para que f (x) sea una función de densidad de probabilidad, debe de cumplir
dos condiciones:
1.-La función f (x) debe de ser no negativa para todos los valores de x.
2.-La integral de la función f (x) sobre todo el dominio debe de ser igual a 1.
Primero, veamos la condición 1: f (x) debe de ser no negativa para todos los
valores de x, lo cual cumple con la condición. Ahora, veamos la condición
2: La integral de f (x) sobre todo el dominio debe ser igual a 1. Con ello,
calculamos la integral definida para obtener k:
Z 3
f (x) = k · x2 dx
0

k · x3 3
f (x) = |
3 0
k 3 k
(3 − 0) = (27)
3 3
Para que la función de densidad de probabilidad cumpla con la condición de
integral igual a 1, procedemos a realizar los calculos correspondientes:

1
 k
(27) = 1
3
Resolviendo para k:
3
k=
27
1
k=
9
Ahora, para calcular la media (µ), se calculan como:
Z ∞
µ= x · f (x) dx
−∞

En este caso, como f (x) es cero fuera del intervalo 0 menor a x menor a 3,
la integral se evalúa solo en ese intervalo:
Z 3
x2
µ= x· dx
0 9
1 3 3 1 x4 0
Z
x dx = · | 3
9 0 9 4
1 9
· (34 − 0) =
36 4

b) Calcular la varianza:
La varianza (σ 2 ) de X se calculan como:
Z ∞
2
σ = (x − µ)2 · f (x) dx
−∞

Sustituyendo f (x) con la función dada, (µ), calculamos la integral para

obtener la varianza:
Z 3
2 9 x2
σ = (x − )2 · dx
0 4 9
1 3 4 9 · x3 81 · x2
Z
x − + dx
9 0 2 16
1 3 4 1 3 9x3 1 3 81x2
Z Z Z
x dx − dx + dx
9 0 9 0 2 9 0 16

2
Dividimos las integrales para mayor facilidad:
Z 3
x5 243
x4 dx = |30 =
0 5 5
Z 3 3
9x 9x4 3 729
dx = | =
0 2 8 0 8
Z 3
81x2 81x3 3 729
dx = | =
0 16 48 0 16
Obteniendo los resultados anteriores, podemos obtener la varianza:
1 243 729 729
·( − + )
9 5 8 16
27
σ2 =
80

3
Problema 2:
Calcular las siguientes probabilidades:

2.1 X→N (1, 4)hallarP [X < 3] :

Si X es una variable continua N(1,4), siendo
X −µ
Z=
σ2
Sustituimos nuestros valores de µ = 1, σ 2 = 4 :
3−1 1
Z= =
4 2
Ahora sustituimos P (X < 3), conP (Z < 0.5)

P (Z < 0.5) = 1 − P (Z < 0.6) = 1 − 0.6915 = 0.3085

2
2.2 X→X10 hallarP [X > 18.31] :
La función de densidad de probabilidad para una distribución χ2 con k = 10
grados de libertad es dada por:
1
f (x; k) = k/2
xk/2−1 e−x/2
2 Γ(k/2)
1
f (x; 10) = x4 e−x/2
25 Γ(5)
Donde Γ(·5) es la función gamma.
La probabilidad P [X > 18.31] se puede obtener integrando la PDF desde
18.31 hasta ∞:
Z ∞
P [X > 18.31] = f (x; 10) dx
18.31
El resultado numérico de la integral se obtendrá mediante cálculos numéricos
en R.
l i b ra ry ( k n i t r )

pdf c h i 2 <− function ( x , df ) {

return ( ( 1 / ( 2 ˆ ( df/ 2 ) ∗ gamma( df/ 2 ) ) ) ∗ x ˆ ( df/2 − 1 ) ∗ exp(−x/ 2 ) )
}

4
prob <− i n t e g r a t e ( pdf c h i 2 , lower = 1 8 . 3 1 , upper = I n f , df = 1 0) $ v a l u e

prob
P [X > 18.31] = 0.04995417

2.3 X→F10,∞ hallarP [X > 1.83] :

Para calcular P (X > 1.83) para una variable aleatoria X que sigue una
distribución F con 10 y ∞ grados de libertad, puedes utilizar la función de
distribución acumulativa inversa de la distribución F, que en R se llama pf.
El cálculo se puede realizar de la siguiente manera:

P (X > 1.83) = 1 − P (X ≤ 1.83)

Usando la función de distribución acumulativa inversa de la distribución F:

P (X > 1.83) = 1 − pf(1.83, df 1 = 10, df 2 = ∞)

El código en R serı́a:

if (!requireNamespace("MASS", quietly = TRUE)) {

install.packages("MASS")
}
library(MASS)

# Definir los grados de libertad

df1 <- 10
df2 <- Inf

# Calcular la probabilidad P(X > 1.83)

probabilidad <- 1 - pf(1.83, df1, df2)

# Imprimir el resultado
cat("La probabilidad P(X > 1.83) es:", probabilidad, "\n")

P (X > 1.83) = 0.05010906

5
Pregunta 3:
Sean X y Y variables aleatorias continuas con función de densidad conjunta
de probabilidad,
(
1·(3X−Y )
5
para 1 < X < 2, 1 < Y < 3
f (X, Y ) =
0 otro caso

3.1 Calcular f [x < 23 , y < 2]

ZZ
P (x, y) = f (x, y) = f (x, y)dxdy
3 Z 3Z
2
1 2 2
Z Z
21
P (x, y) = · (3x − y)dxdy = ·(3x − y)dydx
1 1 5 5 1 1
Z 3 Z 3
1 2 y2 2 1 2 3 1 3 3 3
P (x, y) = (3xy − )|1 dx = (3x − )dx = · ( x2 − x)|21 =
5 1 2 5 1 2 5 2 2 5

3.2 Calcular marginales de x y y

2 3
1 2 y2
Z Z Z
1
P (x, y) = (3x − y)dydx = (3xy − )|31 dx
1 1 5 5 1 2
Z 2
1 3x2 − 4x 2
P (x, y) = (6x − 4)dx = |1
5 1 5
1
P (x, y) = ((12 − 8) − (3 − 4)) = 1
5
1
P (x) = (6x − 4)
5
1 9
P (y) = ( − y)
5 2

3.3 Comprobar si x y y independientes

2 3
1 2 2
Z Z Z
1 1
E(x) = x(3x − y)dydx = (3x y − y 2 x)|31 dx
1 1 5 5 1 2
Z 2 Z 2
1 9 1 1 1 8
(9x2 − x) − (3x2 − x)|31 dx = (6x2 − 4x)dx = (2x3 − 2x2 )|21 =
5 1 2 2 5 1 5 5
Z 2Z 3 Z 2
1 1 3 1
E(y) = y(3x − y)dydx = ( y 2 x − y 3 )|31 dx
1 1 5 5 1 2 3

6
 Z 2
1 26 1 26 1 52 26 28
)dx = (6x2 − x)|21 = ((24 − ) − (6 − )) =
(12x −
5 1 3 5 3 5 3 3 15
Z 2Z 3 Z 2
1 1 3 1
E(xy) = xy(3x − y)dydx = ( x2 y 2 − y 3 x)|31 dx
1 1 5 5 1 2 3
Z 2
1 26 1 13 1 52 13
(12x2 − x)dx = (4x3 − x2 )|21 = ((32 − ) − (4 − )) = 3
5 1 3 5 3 5 3 3

E(x)E(y) = E(xy)

3.4 Calcular cov(X, Y ) y p(X, Y )

Como X y Y son independientes, el valor de la covarianza es 0

7
Pregunta 4:
Suponer que X y Y son variables aleatorias continuas con función de densidad
conjunta de probabilidad,
(
2Xe( − Y ) para 0 ≤ X ≤ 2, 0 < Y < ∞
f (X, Y ) =
0 otro caso
¿Son independientes X y Y?
Z 2 Z ∞
E(x) = 2x2 e−y dydx
0 0
Z ∞
2x2 e−y dy = 2x2
0
Z 2
16
2x2 dx =
0 3
Z 2 Z ∞
E(y) = 2xye−y dydx
0 0
Z ∞
2xye−y dy = 2x
0
Z 2
2xdx = 4
0
Z 2 Z ∞
E(xy) = 2x2 ye−y dydx
0 0
Z ∞
2x2 ye−y dy = 2x2
0
Z 2
16
2x2 dx =
0 3
No son independientes X y Y ya que E(x)E(y) = E(xy) no se cumple

8
Pregunta 5:
La tabla siguiente proporciona la distribución de probabilidad conjunta entre
situación laboral y titulación universitaria entre los que se encuentran tanto
empleados como buscando trabajo (desempleados) dentro la población en
edad de trabajar de EE.UU en 2008.
- Desempleados Y=0 Empleados Y=1 Total
Titulados no Universitarios (X=0) 0.037 0.622 0.659
Titulados Universitarios (X=1) 0.009 0.332 0.341
Total 0.046 0.954 1

5.1 Calcular E(Y):

La esperanza matemática E(Y ) se calcula utilizando la fórmula:
X
E(Y ) = P (Y = yi ) · yi
i=0

En este caso, como Y toma valores 0 y 1:

E(Y ) = P (Y = 0) · 0 + P (Y = 1) · 1
Sustituyendo los valores de la tabla:

E(Y ) = 0.046 · 0 + 0.954 · 1 = 0.954

Por lo tanto, E(Y ) = 0.954.

5.2 Tasa de desempleo es la proporción de la fuerza lab-

oral que se encuentra desempleada. Demostrar que tasa
de desempleo es 1 − E(Y )
La esperanza matemática de la variable aleatoria Y (situación laboral) se
calcula como:

E(Y ) = 0 · P (Y = 0) + 1 · P (Y = 1) = 0.954
La tasa de desempleo (T asa Desempleo) se define como 1 − E(Y ):

T asa Desempleo = 1 − 0.954 = 0.046

Por lo tanto, la tasa de desempleo es 0.046

9
5.3 Calcular E[Y |X = 1]yE[Y |X = 0]
Para calcular E[Y |X = 1], utilizamos la fórmula:
X
E[Y |X = 1] = y · P (Y = y|X = 1)
y

Sustituimos los valores:

E[Y |X = 1] = 0 · 0.009 + 1 · 0.332 = 0.332

De manera similar, para calcular E[Y |X = 0], utilizamos la fórmula:
X
E[Y |X = 0] = y · P (Y = y|X = 0)
y

Sustituimos los valores:

E[Y |X = 0] = 0 · 0.037 + 1 · 0.622 = 0.622

5.4 Calcular tasa de desempleo para (i) titulados uni-

versitarios y (ii) titulados no universitarios
0.009
T asa de Desempleo para T itulados U niversitarios = ×100% = 0.026
0.341

0.037
T asa de Desempleo para T itulados N o U niversitarios = ×100% = 0.056
0.659

5.5 Un miembro de esta población seleccionado aleato-

riamente dice estar desempleado. ¿Cuál es la probabil-
idad que este trabajador sea titulado universitario? ¿Y
titulado no universitario?
La probabilidad de que un trabajador desempleado sea titulado universitario
es:

P (X = 1 ∩ Y = 0) 0.009
P (X = 1|Y = 0) = = = 0.196
P (Y = 0) 0.046
La probabilidad de que un trabajador desempleado sea titulado no universi-
tario es:

P (X = 0 ∩ Y = 0) 0.037
P (X = 0|Y = 0) = = = 0.804
P (Y = 0) 0.046

10
5.6 ¿Son independientes los logros educativos y la situación
laboral?
No, porque según el cuadro los titulados universitarios tienen menos prob-
abilidades de estar desempleados que los titulados no universitarios, esto es
de 0,009 a 0,37 en la tasa de desempleo

Pregunta 6
Suponer que X y Y son variables aleatorias continuas con función de densidad
conjunta de probabilidad,
(
X + Y para 0 ≤ X ≤ 1, 0 ≤ Y ≤ 1
f (X, Y ) =
0 otro caso
Calcular E[Y |X]y var[Y |X]

Cálculo de E[Y |X]

La esperanza condicional de Y dado X se calcula como:
Z 1
E[Y |X = x] = y · f (y|x) dy
0

f (x,y)
Sustituimos f (y|x) = fX (x)
, donde fX (x) es la marginal de X.
Z 1 Z 1
x+y x+y
E[Y |X = x] = y · R1 dy = y· dy
0 0
(x + y) dy 0 x + 21
Z 1 Z 1
1 2
1 · y(x + y) dy = (xy + y 2 ) dy
2
+x 0 1 + 2x 0
Z 1 Z 1
2 2 x 1
( xy dy + y 2 dy) = ·( + )
1 + 2x 0 0 1 + 2x 2 3

Cálculo de V ar[Y |X]

La varianza condicional Var[Y |X] se calcula como:

Var[Y |X] = E[Y 2 |X] − (E[Y |X])2

11
Para calcular E[Y 2 |X], necesitamos la expresión para E[Y 2 |X = x], que se
obtiene a partir de la función de densidad conjunta:
Z ∞
2
E[Y |X = x] = y 2 f (y|x) dy
−∞

Como ya hemos obtenido f (y|x):

Z ∞ Z ∞ Z ∞
2 2 2y 3 2xy 2
y (x + y) dy = dy + dy
1 + 2x −∞ −∞ 2x + 1 −∞ 2x + 1

Para resolver estas integrales, las dividimos en partes utilizando la simetrı́a

par de las funciones integradas:
Z ∞
2y 3
dy = 0
−∞ 2x + 1

ya que la función es impar.

Z ∞ ∞
2xy 2 2xy 2
Z
dy = 2 dy
−∞ 2x + 1 0 2x + 1
Diverge la función
Con ello, la varianza seria:

(3x + 2)2
V ar[Y |X] = −(E[Y |X])2 = −
9(1 + 2x)2

12
Pregunta 7
Este ejercicio muestra un ejemplo de un par de variables aleatorias X y Y
donde media condicional E(Y |X) depende de X pero p(X, Y ) = 0. Sean
X y Z dos variables aleatorias normales estándar e independientemente dis-
tribuidas, y sea Y = X 2 + Z

7.1 Demostrar que E[Y |X] = X 2

Para demostrar que E(Y |X) = X 2 , comenzamos calculando la esperanza
condicional:

E(Y |X) = E(X 2 + Z|X)

= E(X 2 |X) + E(Z|X)

Dado que X y Z son independientes, E(Z|X) = E(Z) = 0. Entonces,

tenemos:

E(Y |X) = E(X 2 |X) + 0

= X2

Por lo tanto, hemos demostrado que E(Y |X) = X 2 .

7.2 E(Y)=1
Considera las variables aleatorias X y Z, ambas distribuidas normal estándar
e independientes. Definimos la variable aleatoria Y como Y = X 2 + Z.
Parte 1: Media condicional
La media condicional de Y dado X se denota como E(Y |X) y depende de
X. En este caso, podemos expresarla como:

E(Y |X) = X 2 + E(Z|X)

Parte 2: Propiedades conjuntas

La función de densidad conjunta p(X, Y ) se define como el producto de las
densidades marginales de X y Y :

p(X, Y ) = p(X) · p(Y |X)

13
En este caso, dado que X y Z son independientes, la densidad condicional
p(Y |X) es independiente de X.
Valor esperado de Y
El valor esperado de Y , denotado como E(Y ), se puede calcular como:

E(Y ) = E(X 2 + Z)
= E(X 2 ) + E(Z)
Dado que X es una variable aleatoria normal estándar, E(X 2 ) = Var(X) +
[E(X)]2 = 1 y E(Z) = 0 (ya que Z es una variable normal estándar con
media cero).
Por lo tanto, E(Y ) = 1.

7.3 Demostrar que E(XY ) = 0. (Pista: utilizar el he-

cho que los momentos impares de una variable aleatoria
normal estándar son iguales a 0)
Dada la variable aleatoria Y = X 2 + Z, demostraremos que E(XY ) = 0.

E(XY ) = E(E(XY |X))

= E(X · E(Y |X))
= E(X · X 2 )
= E(X 3 )
Dado que X es una variable aleatoria normal estándar, sus momentos impares
son iguales a cero. En particular, E(X 3 ) = 0. Por lo tanto, E(XY ) = 0.

7.4 Demostrar que cov(X, Y ) = 0 y por tanto p(X, Y ) = 0

Para demostrar que cov(X, Y ) = 0 y, por lo tanto, p(X, Y ) = 0, utilizamos
las propiedades de la covarianza y la independencia entre X e Y .
La covarianza entre dos variables aleatorias X e Y se define como:
cov(X, Y ) = E[(X − µX )(Y − µY )]
Donde E es el operador de esperanza y µX y µY son las medias de X e Y
respectivamente.
Dado que X e Z son independientes, la esperanza condicional de Y dado X
es simplemente la esperanza de X 2 :
E(Y |X) = E(X 2 ) = Var(X) + (E(X))2

14
Dado que X es una variable aleatoria estándar normal, su media es 0 y su
varianza es 1. Por lo tanto, E(Y |X) = 1.
Ahora, calcularemos la covarianza entre X e Y :

cov(X, Y ) = E[X(Y − µY )] = E[X(X 2 + Z)] = E(X 3 ) + E(XZ)

Dado que X e Z son independientes y E(XZ) = E(X)E(Z) = 0, la covari-

anza se reduce a E(X 3 ).
Dado que X es simétrica alrededor de cero, E(X 3 ) = 0, ya que el producto
de una función impar y una función par en un intervalo simétrico es cero.
En resumen, hemos demostrado que cov(X, Y ) = 0, lo que implica que
p(X, Y ) = 0

15