Hoja 1 – Introducción al

Cálculo de Probabilidades

1.- Dados el conjunto B ⊂ Ω y las sucesiones {An : n ≥ 1} ⊂ P(Ω) y {Bn : n ≥

1} ⊂ P(Ω), se pide
(1.a) Demostar la igualdad lim sup An = ∩∞ ∞
k=1 ∪n=k An .

(1.b) Si An ↓, demostrar que existe limn→∞ An y que limn→∞ An = ∩∞

n=1 An .

(1.c) Demostrar que lim sup An = lim sup A2n ∪ lim sup A2n−1 y lim inf An =
lim inf A2n ∩ lim inf A2n−1 .
(1.d) Demostrar que lim sup(B − An ) = B − lim inf An y lim inf(B − An ) =
B − lim sup An .
c c
(1.e) Demostrar que (lim sup An ) = lim inf Acn y (lim inf An ) = lim sup Acn .
(1.f ) Demostrar que lim sup(An ∪ Bn ) = lim sup An ∪ lim sup Bn y lim inf(An ∩
Bn ) = lim inf An ∩ lim inf Bn .
2.- Determinar los lı́mites inferiores y superiores de {An : n ≥ 1} cuando:
h i ¡ ¤
(2.a) A2n−1 = QI ∩ n1 , 2n+2
5n
y A2n = (IR − Q I ) ∩ − n2 , 7n+3
9n .
³ i ³ ´ h ´
n−1 2n−1 3n 2n2 +1
(2.b) A3n−2 = 5n+3 , n , A3n−1 = 5n+1 , 3n+2
n y A 3n = 1, n+2 .
© ± ª
(2.c) An = x ∈ IR n1 ≤ x ≤ 3 − 1
n .

3.- Supongamos Ω = IR2 . Calcular los conjuntos limn→∞ En , limn→∞ Enc ,

limn→∞ Fn , limn→∞ Fnc y limn→∞ (En ∩ Fnc ), donde
½ ¾
2 2 2 1
En = (x, y) ∈ IR : x + y < 1 + ,
n
½ ¾
n
Fn = (x, y) ∈ IR2 : x2 + y 2 ≤ .
n+1

4.- Calcular limn→∞ An en los siguientes casos:

1
(4.a) An = {(x, y) ∈ IR2 : 1
n ≤ x2 + y 2 ≤ 4 − n1 }.

(4.b) An = {(x, y) ∈ IR2 : 0 ≤ x2 + y 2 ≤ 1

n }.

5.- Estudiar la convergencia de la sucesión {An : n ≥ 1} ⊂ P(Ω) en los siguientes

casos:
¡ ¤ ¡ ¤
(5.a) An = − n1 , 1 si n es par, y −1, n1 si n es impar.
¡ ¤ £ ¢
(5.b) An = 0, 1 − n1 si n es impar, y n1 , 1 si n es par.
6.- (6.a) Supongamos un alfabeto de n letras. Determinar cuántas iniciales
diferentes se pueden formar con dos letras.
(6.b) Determinar cuántas letras deberı́a tener el alfabeto para que un millón
de personas puedan ser identificadas mediante tres iniciales.

7.- Determinar cuántos números de tres cifras pueden tenerse si se emplean

sólo cifras impares. Calcular cuántos de estos números son menores que 500.

8.- Se eligen cinco bolas entre diez disponibles, siendo ordenadas en cinco cajas.
Determinar de cuántas maneras distintas pueden colocarse.

9.- Calcular en cuántos subconjuntos de tres elementos de cinco posibles aparece

un elemento especı́fico.

10.- Se dispone de dos mesas para tres y seis personas. Calcular de cuántas
formas pueden distribuirse nueve invitados.
Pn ¡n¢
11.- Demostrar la identidad 2n = i=0 i .

12.- Calcular de cuántas formas pueden ordenarse las letras de la palabra

’catarata’.

13.- Calcular cuántas señales diferentes, cada una de seis banderas colocadas
en una lı́nea vertical, pueden formarse con cuatro banderas rojas idénticas y dos
banderas azules idénticas.

14.- Si se dispone de cuatro grupos de individuos (tres americanos, cuatro

franceses, cuatro daneses y dos italianos), calcular de cuántas formas posibles
pueden sentarse en una fila de sillas cuando aquellos de igual nacionalidad se
sientan correlativamente.

15.- Calcular cómo pueden distribuirse nueve juguetes entre cuatro niños cuando
el menor de éstos recibe tres juguetes y cada uno de los restantes recibe dos
juguetes.

16.- Con las vocales ’a, e, i, o, u’ y las consonantes ’b, c, d, f’, calcular el

2
número de palabras de nueve letras distintas que pueden formarse. Calcular
este número cuando no hay vocales juntas.

17.- Se rellena un test de doce items, donde las respuestas son ’verdadero’
y ’falso’. Se ha decidido contestar a seis items de forma aleatoria. Determinar
el número de formas en que puede hacerse.

18.- Calcular cuántos números naturales de cuatro cifras hay con todas las
cifras diferentes.

19.- Calcular cuántos números de tres cifras pueden formarse con los dı́gitos
’1, 3, 5, 7 y 9’. Calcular cuánto suman todos ellos.

20.- Supongamos el conjunto de dı́gitos {1, 2, 3, 4, 5, 6}.

(20.a) Calcular en cuántas ordenaciones de los elementos del conjunto aparecen
el ’1’ y el ’2’ seguidos.
(20.b) Calcular en cuántas ordenaciones de los elementos del conjunto aparecen
el ’1’ y el ’2’ ordenados.

21.- (21.a) Calcular la cantidad de números de tres cifras que son capicúas.
(21.b) Análogo en el caso de números de cinco cifras.

22.- Determinar cuántas soluciones tiene la ecuación x + y + z = 8 con x,

y, z enteros mayores que cero. Generalizar el resultado para x1 + ... + xk = n.

23.- Para transmitir señales desde una isla a la costa, se dispone de 6 luces
blancas y 6 luces rojas colocadas en el vértice de un hexágono. En cada vértice
no puede haber encendida más que una luz (blanca o roja) y el número mı́nimo
de luces encendidas es tres. Determinar cuántas señales se pueden realizar.

3
 Hoja 2 – Probabilidad

1.- Sean Ω un espacio muestral y A ⊂ P(Ω) una σ-álgebra. Para A ∈ A fijado,

se define

AA = {B ⊂ Ω : B = A ∩ C con C ∈ A}.

Demostrar que AA ⊂ P(A) es σ-álgebra.

2.- Sea {An : n ≥ 1} ⊂ A una sucesión monótona decreciente, donde A ⊂ P(Ω)

es σ-álgebra. Demostrar que existe limn→∞ P (An ) y que limn→∞ P (An ) =
P (limn→∞ An ).

3.- Sea {An : n ≥ 1} ⊂ A una sucesión convergente, donde A ⊂ P(Ω)

es σ-álgebra. Demostrar que existe limn→∞ P (An ) y que limn→∞ P (An ) =
P (limn→∞ An ).

4.- Sean A1 ⊂ P(Ω1 ) y A2 ⊂ P(Ω2 ) dos σ-álgebras, y sea E ∈ A1 ⊗ A2 .

Demostrar que Eω1 ∈ A2 , para cada ω1 ∈ Ω1 , y que E ω2 ∈ A1 , para cada
ω2 ∈ Ω2 .

5.- Sean A ⊂ P(Ω) una σ-álgebra y {An : n ≥ 1} ⊂ A una sucesión. De-

mostrar las siguientes desigualdades:
(5.a) P (lim inf An ) ≤ lim inf P (An ).
(5.b) lim sup P (An ) ≤ P (lim sup An ).

Además, resolver el ejercicio 3 desde (5.a) y (5.b).

6.- Sean (Ω, A) un espacio probabilizable y {Pn : n ≥ 1} una sucesión de

medidas de probabilidad sobre (Ω, A). Se define P : A −→ [0, 1] por
∞
X
P (A) = an Pn (A),
n=1
P∞
donde an ≥ 0 y n=1 an = 1. Demostrar que P es una medida de probabilidad
sobre (Ω, A).

4
 7.- Sea (Ω, A) el espacio probabilizable con Ω = {0, 1, 2, ...} y A = P(Ω).
Demostrar que las funciones de conjunto P dadas en (7.a) y (7.b) son medidas
de probabilidad sobre (Ω, A) y determinar las probabilidades de los conjuntos
de (7.c).
P
(7.a) P (A) = x∈A e−λ λx /x!, siendo λ > 0.
P
(7.b) P (A) = x∈A p(1 − p)x , siendo p ∈ (0, 1).
(7.c) A = {x > 2}, B = {x < 3}, C = {3 < x < 6}, A ∩ B, A ∪ B, B ∩ C,
A ∩ C c y B ∩ C c.
8.- Sean INp y INi los conjuntos de números naturales pares e impares, respec-
tivamente. Se define la familia de subconjuntos

C = {A ∪ INi : A ⊂ INp }.

Estudiar si C ⊂ P(IN) tiene estructura de álgebra.

9.- Demostrar que C = {A ⊂ IN : A finito o Ac finito} tiene estructura de

álgebra, pero no es una σ-álgebra de P(IN).

10.- Sean Ω = {0, 1, 2, ...} y C = {A ⊂ Ω : 2n ∈ A si y sólo si 2n + 1 ∈ A}.

Demostrar que C ⊂ P(Ω) es σ-álgebra.

11.- Sean Ω un conjunto no-numerable y C = {A ⊂ Ω : A o Ac es numerable}.

Estudiar si C ⊂ P(Ω) es σ-álgebra.

12.- De los 30 temas de un examen, un alumno conoce 18 temas. Se proponen

dos tipos de examen:
1. Se eligen 3 temas al azar y el alumno debe contestar 2.
2. Se eligen 5 temas al azar y el alumno debe contestar 3.
Determinar el tipo de examen más favorable al alumno.

13.- Calcular la probabilidad de que, al tirar una moneda n veces, obtengamos

la k-ésima cara en la n-ésima tirada.

14.- Se tiene un manojo de N llaves donde sólo una de ellas abre una puerta.
Suponiendo que cada llave probada es retirada del manojo, determinar la proba-
bilidad de que la puerta se abra en el k-ésimo intento. (Nota: todas las llaves
deben ser probadas, por lo que es necesario hacer N intentos.) Determinar la
probabilidad de este suceso cuando las llaves no se retiran del manojo.

15.- En una urna se introducen n bolas, cada una de ellas de color blanco
o negro con igual probabilidad. Se extraen k bolas con reemplazamiento desde

5
la urna. Determinar la probabilidad de que la urna sólo contenga bolas blancas
si las k bolas extraı́das han sido blancas.

16.- Se consideran N + 1 urnas idénticas numeradas desde 0 hasta N , con-

teniendo N bolas. En concreto, la i-ésima urna contiene i bolas negras y N − i
bolas blancas, para 0 ≤ i ≤ N . Se escoge una urna al azar y se extraen n bolas
una-a-una con reemplazamiento. Si las n bolas extraı́das resultan ser negras,
determinar la probabilidad de que, al extraer la (n + 1)-ésima bola, ésta sea de
color negro.

17.- De una urna con a bolas blancas y b bolas negras se extraen k bolas
al azar. ¿Cuál es la probabilidad de que entre las k bolas haya exáctamente r
bolas blancas?

18.- Se lanzan 2 dados n veces. ¿Cuál es la probabilidad de obtener al menos

un 6 doble?

19.- Una urna contiene 5 bolas rojas, 3 verdes, 2 amarillas y 4 blancas. Se

extraen 8 bolas al azar. Calcular la probabilidad de que:
(19.a) Exactamente sean 2 rojas, 2 verdes, 1 amarilla y 3 blancas.
(19.b) Estén todas las bolas blancas.
(19.c) Haya, al menos, una bola roja.
20.- Con una moneda se juega a cara o cruz. Se suspenden los lanzamientos
cuando por primera vez la diferencia entre el número de caras y el número de
cruces es, en valor absoluto, igual a 3. Calcular la probabilidad de que los lan-
zamientos se suspendan en la sexta tirada o antes.

21.- Los jugadores A, B y C participan en el siguiente juego: se lanza un dado

y A gana si sale 1 ó 3; B gana si sale 4 ó 5; C gana si sale 6; y si sale 2 se vuelve
a lanzar el dado. Calcular la probabilidad de que gane A, de que gane C y de
que gane B.

22.- Una urna contiene 5 bolas negras y 4 blancas, otra urna contiene 4 bo-
las negras y 5 blancas. Supongamos que se trasladan 2 bolas de la primera a la
segunda urna y, a continuación se extrae una bola de la segunda urna. ¿Cuál
es la probabilidad de que la bola extraı́da sea blanca?

23.- Se sabe que al lanzar cinco monedas aperecieron al menos dos caras. ¿Cuál
es la probabildad de que el número de caras exacto fuese tres?

24.- Disponemos de una moneda y dos dados A y B. A tiene 4 caras rojas

y 2 blancas, y B tiene 2 caras rojas y 4 blancas. Se lanza una moneda, si sale
cara se lanza repetidas veces el dado A y si sale cruz se hace lo mismo con el
dado B.

6
(24.a) Calcular la probabilidad de que en el primer lanzamiento la cara obser-
vada sea roja.

(24.b) Sabiendo que en los dos primeros lanzamientos hemos observado dos
caras rojas, ¿cuál es la probabilidad de que el dado lanzado sea el A?

25.- Se lanzan dos monedas, si el resultado es CC se extraen dos bolas de una

urna U1 que contiene 3 bolas rojas, 2 blancas y 4 negras. Si el resultado es CX
se extraen de U2 que contiene 2 rojas, 1 blanca y 5 negras, y si sale XX o XC
las bolas se extraen de U3 que contiene 6 rojas, 4 blancas y 6 negras. Si las dos
bolas extraı́das resultaron ser una blanca y otra roja, ¿cuál es la probabilidad
de que sean de U1 ? ¿y de U2 ?

26.- Determinada baterı́a antiaérea disparaba sobre un avión. Para derribar

el aparato bastaba con alcanzar ambos reactores o la cabina del piloto. Sean
p1 la probabilidad de alcanzar el primer reactor, p2 la probabilidad de alcanzar
el segundo y p3 la probabilidad de dar en la cabina del piloto. Se supone que
estos tres puntos sensibles eran tocados uno independientemente del otro. De-
terminar la probabilidad de que dicho avión hubiese sido derribado.

27.- El volumen diario de producción de 3 plantas diferentes de una fábrica

es de 500 unidades en la primera, 1000 en la segunda y 2000 en la tercera. Sa-
biendo que el porcentaje de unidades defectuosas producidas en cada planta es
del 1%, 0.8% y 2% respectivamente, determinar la probabilidad de que
(27.a) Extraı́da una unidad al azar resulte ser no defectuosa.

(27.b) Habiendo sido extraı́da una unidad defectuosa, haya sido producida en
la primera planta.

28.- Se supone que n bolas se colocan al azar en n cajas numeradas. Calcular

las probabilidades de que:

(28.a) La caja 1 esté vacı́a.

(28.b) Alguna caja esté vacı́a.
(28.c) La caja 1 sea la única vacı́a.
(28.d) Hay una única caja vacı́a.
29.- En un colegio electoral de 42 electores, 15 han votado la lista A y el resto la
B. Se seleccionan 10 electores, calcúlese la probabilidad de que, como máximo,
tres de ellos hayan votado la lista A.

30.- De una baraja española (40 cartas) repartida en su totalidad entre 4 ju-
gadores, hallar la probabilidad de que haya como mı́nimo un jugador cuya mano
sean cartas todas del mismo palo.

7
31.- Se tiene una moneda y una urna. Se lanza la moneda al aire. Si sale
cara, se introduce una bola negra en la urna. El proceso se repite 10 veces. A
continuación, se extrae una bola de la urna, se mira su color y se devuelve a la
urna. El procedimiento se repite 10 veces. Finalizado éste se ha observado que
las 10 bolas extraı́das eran de color blanco. ¿Cuál es la probabilidad de que la
urna contenga sólo bolas blancas?

32.- Dos de las cuatro válvulas de un aparato, que funcionan independien-

temente, han fallado. Calcular la probabilidad de que hayan sido la 1 y la 2, si
la probabilidad de que falle la válvula i es i/10.

8
Hoja 3 – Variables
aleatorias unidimensionales

1.- Sean C ⊂ P(Ω2 ) y f : Ω1 −→ Ω2 una aplicación.

(1.a) Demostrar que f −1 (Ac ) = (f −1 (A))c , f −1 (∪i∈I Ai ) = ∪i∈I f −1 (Ai ) y
f −1 (∩i∈I Ai ) = ∩i∈I f −1 (Ai ).
(1.b) Demostrar que σ(f −1 (C)) = f −1 (σ(C)).
2.- Sea una urna con 3 bolas blancas, 2 negras y 1 verde. Se extraen 3 bolas
al azar y se considera ξ definida como el ”número de bolas blancas extraı́das”.
Construir la función de probabilidad inducida por ξ y su función de distribución.

3.- Sea Ω el espacio muestral asociado al lanzamiento de una moneda equilibrada

en tres ocasiones, con puntos muestrales denotados por ωijk con i, j, k ∈ {C, X}.
Sea

A = {φ, A1 , A2 , A3 , A1 ∪ A2 , A1 ∪ A3 , A2 ∪ A3 , A1 ∪ A2 ∪ A3 }

una σ-álgebra sobre P(Ω), donde A1 = {ωccx , ωcxc }, A2 = Ω − (A1 ∪ A3 ) y

A3 = {ωxxx }. Sea X(ω) el ”número de caras obtenidas en el resultado ω”.
Estudiar si X es una variable aleatoria.

4.- Sean Ω = ZZ+ , A = P(Ω) y P ({ω}) = 2−ω , ∀ω ∈ Ω. Se define ξ(ω)

como el ”resto de ω (módulo k)”. Demostrar que ξ es una variable aleatoria y
determinar los valores P (ξ = r), para r ∈ {0, 1, ..., k − 1}.
+
5.-
R ∞ Sea f : IR −→ IR = [0, ∞) una función Rx Riemann-integrable tal que
−∞
f (u)du = 1. Demostrar que F (x) = −∞
f (u)du define una función de
distribución absolutamente continua.

6.- La duración T de las conferencias telefónicas en una central es una variable

aleatoria con función de densidad
½
αe−kt , si t > 0,
f (t) = (k > 0)
0, si t ≤ 0.

9
(6.a) Calcular α para que f sea función de densidad.
(6.b) Si 1/k = 2 minutos, calcular la probabilidad de que una conversación
dure más de 3 minutos.
(6.c) Probabilidad de que una conversación dure entre 3 y 6 minutos.

7.- Sea F la función definida por


 0, si x < 1/3,
F (x) = x2α−1 , si 1/3 ≤ x < α,

1, si α ≤ x.

(7.a) Determinar los valores de α para que F sea función de distribución.

(7.b) Determinar α para que F sea discreta. Análogo para el caso absoluta-
mente continuo.
£ ¢
(7.c) Calcular P (lim inf An ) y P (lim sup An ) cuando An = 13 + 3n+1
1
,α .

8.- Sea


 0, si x < 1,

(x + 1)/10, si 1 ≤ x < 3/2,
F (x) =

 1/3 + (x − 3/2)/3, si 3/2 ≤ x < 5/2,

1, si 5/2 ≤ x.

(8.a) Comprobar que F es función de distribución. Determinar las funciones

de distribución F1 discreta y F2 absolutamente continua tales que F (x) =
λF1 (x) + (1 − λ)F2 (x), ∀x ∈ IR.

(8.b) Evaluar PF (Q
I ) y PF (IR − Q
I ).
(8.c) Dada la sucesión de subconjuntos
µ ¶
1 5n + 2
A2n−1 = , ,
n+1 n+1
µ ¶
4n + 3 8n + 1
A2n = , ,
n n+1

se pide evaluar P (lim inf An ) y P (lim sup An ).

9.- Demostrar que la función
½
0, si x < 0,
F (x) =
1 − 2−x−1 − 2−[x]−1 , si x ≥ 0,

es una función de distribución de tipo mixto, donde [x] denota la parte entera
de x.

10
10.- Sea la función de densidad de una variable aleatoria X con distribución
Cauchy
1 1
fX (x) = , x ∈ IR.
π 1 + x2
Determinar la distribución de la variable aleatoria Y = 3X + 1.

11.- Sea X una variable aleatoria con función de distribución



 0, si x < −1,



 0.2(x + 1), si − 1 ≤ x < 0,

0.3, si 0 ≤ x < 1/2,
F (x) =

 0.3 + 2(x − 0.5)2 , si 1/2 ≤ x < 1,



 0.9 + 0.2(x − 1), si 1 ≤ x < 3/2,

1, si 3/2 ≤ x.

(11.a) Comprobar que F es función de distribución. Determinar las funciones

de distribución F1 discreta y F2 absolutamente continua tales que F (x) =
λF1 (x) + (1 − λ)F2 (x), ∀x ∈ IR.
(11.b) Determinar la distribución de Y = |X|.
12.- Sea X una variable aleatoria exponencial de tasa λ = 1. Se define Y = X 2
si 0 ≤ X < 2, Y = 4 si 2 ≤ X < 3, Y = −4(X − 4) si 3 ≤ X < 4, e Y = 0 si
4 ≤ X. Determinar la distribución de Y .

13.- Sea X una variable aleatoria discreta con soporte DX y función de masa
pX . Sean g : IR −→ IR una función medible e Y = g(X) la variable aleatoria
transformada. Demostrar que Y es una variable aleatoria discreta con soporte
DY = g(DX ) y función de masa
X
pY (y) = pX (x), si y ∈ DY .
{x∈IR:g(x)=y}∩DX

14.- Sea (IR, β, P ) un espacio de probabilidad, siendo P la medida de probabi-

lidad relativa a la función de distribución

 0, si x < −3,
x+3
F (x) = , si − 3 ≤ x < 1,
 4
1, si x ≥ 1.

Sean las variables aleatorias ξ1 = X 2 , ξ2 = X 3 y ξ3 = e−X , supuesto que X es

una variable aleatoria con función de distribución F . Calcular las funciones de
distribución inducidas por cada una de ellas.

15.- Sea X una variable aleatoria con función de densidad

½
kx + 12 , si x ∈ [−1, 1] ,
f (x) =
0, en caso contrario.

11
(15.a) Determinar los valores de k tales que f es una función de densidad.
(15.b) Calcular la esperanza, la moda y la mediana de X.
(15.c) ¿Para qué valores de k es máxima la varianza de X?
16.- Sea X una variable aleatoria con función de distribución

 0, si x < 0,
F (x) = 1+2x2
, si 0 ≤ x < 1,
 6
1, si x ≥ 1.

Calcular E[X] y V ar(X).

17.- Sea
½
1, si 0 < x < 1,
f (x) =
0, en caso contrario.

la función de densidad de una variable aleatoria X y sea Y = −2 ln X. Calcular

la distribución de Y .

18.-
(18.a) Determinar la función generatriz de momentos de una variable aleatoria
1
X discreta con momentos E[X n ] = n+1 .
(18.b) Determinar la función generatriz de momentos de una variable aleatoria
X uniforme sobre el intervalo (a, b).
(18.c) Se sabe que la función generatriz de momentos de una variable aleatoria
X discreta viene dada por
1−α
M (t) = , α ∈ (0, 1).
1 − αet
Determinar la función de masa de X.
19.- Dada la función
1
ϕ(t) = ,
2 − eit
se pide:
(19.a) Comprobar que ϕ es la función caracterı́stica de una variable aleatoria
X discreta y hallar la función de masa, la media y la varianza de X.
(19.b) Escribir la función caracterı́stica de Y = 1 + 2X, ası́ como su media y
su varianza.
(19.c) Si Y1 = (Y +2)2 e Y2 = X 2 +5, calcular P (Y1 ∈ [10, 50]) y P (Y2 ∈ [6, 10]).

12
20.- Determinar la función caracterı́stica de las variables aleatorias que cumplen:
(20.a) Toda la probabilidad está concentrada en un punto.
(20.b) Toda la probabilidad está concentrada en n puntos.
sent
21.- Demostrar que ϕ(t) = t es la función caracterı́stica de una variable
aleatoria.

22.- El porcentaje de piezas defectuosas fabricadas por una máquina es el 4%.

Las piezas se empaquetan en lotes de 100. El cliente rechaza el lote si contiene
más de dos piezas defectuosas. Calcular el porcentaje de lotes rechazados que
puede esperar el fabricante si el proceso de fabricación no ha sufrido modifica-
ciones.

23.- En dos grupos de segundo año de carrera se ha medido el coeficiente de

inteligencia de los alumnos. En el grupo A la media fue 100 y la desviación
tı́pica 10, mientras que en el grupo B estas medidas fueron 105 y 12, respecti-
vamente. Supongamos que ambos grupos tienen el mismo número de alumnos.
Se escoge un alumno al azar y se comprueba que su coeficiente es mayor que
120. Calcular, suponiendo normalidad, la probabilidad de que el citado alumno
pertenezca al grupo B.

13
Hoja 4 – Variables
aleatorias
multidimensionales

1.- Estudiar si
½
1, si x + 2y ≥ 1,
F (x, y) =
0, si x + 2y < 1,

es una función de distribución en IR2 .

2.- Dada la variable aleatoria 2-dimensional (X, Y ) tal que

1
P (X = 1, Y = 0) = P (X = 0, Y = 1) = P (X = 1, Y = 1) = ,
3
calcular la función de distribución conjunta de (X, Y ) y las funciones de dis-
tribución marginales de X e Y .

3.- Sea (X, Y ) una variable aleatoria 2-dimensional con distribución uniforme
sobre el recinto
n x o
C = (x, y) ∈ IR2 : y ≤ , x ≤ 3, y ≥ 0 .
3
Calcular la función de densidad conjunta de (X, Y ), la función de distribución
conjunta de (X, Y ) y las distribuciones marginales de X e Y .

4.- Dada la variable aleatoria 2-dimensional (X, Y ) con función de densidad

conjunta
½ −1
2 sen(x + y), si 0 ≤ x ≤ π/2, 0 ≤ y ≤ π/2,
f (x, y) =
0, en caso contrario,

calcular:
(4.a) Las esperanzas de X e Y .

14
(4.b) La matriz de varianza-covarianzas de (X, Y ).
5.- Sea (X, Y ) una variable aleatoria 2-dimensional con función de densidad
f (x, y) = 24y(1 − x − y) sobre el recinto C = {(x, y) ∈ IR2 : x + y ≤ 1, x ≥ 0, y ≥
0}. Calcular:
(5.a) La función de distribución conjunta.
(5.b) Las funciones de densidad marginales.
(5.c) Las funciones de densidad condicionadas.
6.- Se sitúan de forma aleatoria e independiente N puntos en el intervalo (0, T ).
Si X representa la distancia de 0 al primer punto e Y denota la distancia de 0 al
segundo punto, entonces calcular la distribución conjunta y las correspondientes
marginales de (X, Y ).

7.- La probabilidad de que desde un huevo nazca un insecto es p. En una flor,

el número de huevos puestos por estos insectos sigue una distribución Poisson
de media λ.
(7.a) Calcular la distribución del número de insectos que nace en una flor.
(7.b) Se ha observado una flor y se ha constatado que el número de insectos
que han nacido en ella ha sido n. Calcular la distribución del número de
huevos que habı́a en la flor.
8.- Sea ξ una variable aleatoria discreta con función de masa
1
p(x) = , x = 1, 2, ...
2x
Supongamos que η/ξ = x es una variable aleatoria con función de densidad

f (y/x) = x(1 − y)x−1 , 0 < y < 1.

Determinar la distribución de η.

9.- Sea X una variable aleatoria con distribución Exponencial de parámetro

λ = 1. Supongamos que Y /X = x es una variable aleatoria con función de
densidad
½
xy −(x+1) , si y > 1,
f (y/x) =
0, en caso contrario.

Calcular:
(9.a) La función de densidad conjunta.
(9.b) La función de densidad marginal de Y .
(9.c) La función de densidad de X/Y = y.

15
10.- Se considera la variable aleatoria 2-dimensional (ξ, η), donde ξ sigue una
distribución Poisson de parámetro λ y η/ξ = x sigue una distribución Normal
de media x2 − 2x y varianza σ 2 . Calcular la esperanza de η y la matriz de
varianza-covarianzas.

11.- Calcular la matriz de varianza-covarianzas de la variable aleatoria 2-dimen-

sional con función caracterı́stica
2 2
9e3i(t+2u)−(t +4u )/2
φ(t, u) = .
(3 − it)2
12.- Se considera la variable aleatoria 2-dimensional (ξ, η) con función de masa
1 3
P (−1, −1) = , P (−1, 0) = , P (−1, 1) = 0,
16 16
1 1 3
P (0, −1) = , P (0, 0) = , P (0, 1) = ,
16 4 16
1 1 1
P (1, −1) = , P (1, 0) = , P (1, 1) = .
8 16 16
Demostrar que φξ+η (t) = φξ (t)φη (t) y mostrar que, sin embargo, ξ y η no son
independientes.

13.- Sea (X1 , X2 ) una variable aleatoria 2-dimensional con función de densi-
dad
½
1, si 0 ≤ x1 ≤ 1, 0 ≤ x2 ≤ 1,
f (x1 , x2 ) =
0, en caso contrario.
Se considera la transformación (Y1 , Y2 ), donde Y1 = max{X1 , X2 } e Y2 =
min{X1 , X2 }. Calcular la función de densidad de (Y1 , Y2 ).

14.- Sea (X, Y ) una variable aleatoria 2-dimensional con función de densidad
uniforme en el recinto
© ª
C = (x, y) ∈ IR2 : 0 ≤ x ≤ 1, 0 ≤ y ≤ 1 .
Calcular las distribuciones de Z y (Z, T ), donde Z = X + Y y T = X − Y .

15.- Sea (ξ1 , ξ2 ) una variable aleatoria 2-dimensional con función de densidad
½
4xy, si 0 < x < 1, 0 < y < 1,
f (x, y) =
0, en caso contrario.
Hallar la distribución conjunta de (η1 , η2 ), donde η1 = ξ1 +ξ2 y η2 = max{ξ1 , ξ2 }.

16.- Se consideran las variables aleatorias X e Y independientes, donde X ∼

U nif orme(1, 3) e Y tiene función de densidad
½ −1 2−y
2 e , si y > 2,
fY (y) =
0, en caso contrario.
Calcular:

16
(16.a) La distribución conjunta de (Z, W ), donde Z = X/Y y W = XY .
(16.b) La distribución marginal de Z.
17.- Sean X1 , ..., Xn+1 variables aleatorias independientes e idénticamente dis-
tribuidas según una distribución Bernoulli de parámetro p. Sean
n
Y n+1
Y
Vn = Xi y Vn+1 = Xi .
i=1 i=1

Calcular la distribución conjunta de (Vn , Vn+1 ), su función caracterı́stica y de-

ducir si Vn y Vn+1 son o no independientes.

18.- Sean X e Y variables aleatorias independientes e idénticamente distribuidas

con distribución Exponencial de parámetro λ = 1. Calcular la distribución de
T = |X − Y |.

19.- Sea (ξ1 , ξ2 ) una variable aleatoria con función de densidad

½ −1 −x
2 e 1 , si x1 > 0, −1 < x2 < 1,
f (x1 , x2 ) =
0, en caso contrario.

Hallar la distribución de la variable aleatoria η = |ξ1 + ξ2 |.

20.- Sea (X, Y ) una variable aleatoria 2-dimensional con función de densidad
½ 2 −ky
k e , si 0 < x < y,
f (x, y) =
0, en caso contrario.

(20.a) Hallar la probabilidad del recinto [0, 1] × [0, 1].

(20.b) Determinar los valores de k para que f sea una función de densidad.
(20.c) Demostrar que X e Y − X son independientes.
(20.d) Escribir la curva (general) de regresión y la recta de regresión de Y
sobre X.
21.- Consideremos la variable aleatoria 2-dimensional (X, Y ) con distribución
uniforme en el recinto limitado por las rectas y = x, x = −y, y = 1 e y = −1;
es decir, f (x, y) = 1/2 para (x, y) ∈ C = {(x, y) ∈ IR2 : |x| < |y| < 1}.
(21.a) Calcular la curva (general) de regresión de Y sobre X.
(21.b) Estudiar si X e Y con independientes y/o incorreladas.
22.- Consideremos las variables aleatorias X e Y , con rectas de regresión
½
3x + 2y − 26 = 0,
6x + y − 31 = 0.

17
Calcular las medias marginales y el coeficiente de correlación. Identificar cuál
es la recta de regresión de Y sobre X.

23.- Se considera una variable aleatoria (X, Y ) con distribución N ormal2 . Se

sabe que las rectas de regresión tienen por ecuaciones x − y + 2 = 0, 3x −
10y + 40 = 0; y que la suma de las varianzas de X e Y es 1.3. Determinar la
correspondiente función de densidad.

18
Hoja 5 – Convergencias
estocásticas

1.- Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e

idénticamente distribuidas Normales de media 0 y varianza 1. EstudiarPnla con-
vergencia en probabilidad de la sucesión {Yn : n ≥ 1}, donde Yn = n−1 i=1 Xi2 .

2.- Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e

idénticamente distribuidas Bernoulli(p), con 0 < p < 1. Sea la variable aleatoria
Vn = X1 X2 ...Xn . Estudiar la convergencia en ley, la convergencia en probabili-
dad y la convergencia casi segura de la sucesión {Vn : n ≥ 1}.

3.- Sea (X, Y ) una variable aleatoria con función de densidad conjunta
½ −1
4 exp{−x/2}, si x > 0, −1 < y < 1,
f (x, y) =
0, en caso contrario.
Se pide:
(3.a) Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e
idénticamente distribuidas con ley L(X). Hallar la distribución de
n
X
Yn = Xi .
i=1

Estudiar la convergencia en ley de la sucesión {Vn : n ≥ 1}, donde Vn =

n−2 Yn .
(3.b) Sea Zn una variable aleatoria tal que Zn /X = x es Poisson de parámetro
nx. Calcular la distribución de Zn y estudiar la convergencia en ley de la
sucesión {Zn : n ≥ 1}.
4.- Demostrar que si {Xn : n ≥ 1} es una sucesión de variables aleatorias
independientes e idénticamente distribuidas que converge en ley a la constante
c, entonces la sucesión {eXn : n ≥ 1} converge en ley hacia ec . Usar este
resultado para estudiar la convergencia en ley y en probabilidad de
à n !1/n
Y
Yn = Xi ,
i=1

19
donde {Xn : n ≥ 1} es una sucesión de variables aleatorias independientes e
idénticamente distribuidas Uniformes sobre el intervalo (0, 1).

5.- Sea {Xn : n ≥ 0} una sucesión de variables aleatorias independientes e

idénticamente distribuidas y definamos
n
X Xi
Yn = n+1−i
.
i=0
2

Estudiar la convergencia en ley de {Yn : n ≥ 0} cuando:

(5.a) Xi ∼ Normal (0, σ 2 ), i ≥ 0.
(5.b) Xi ∼ Cauchy (0, 1), i ≥ 0.
6.- Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes con
funciones de densidad
1 n
fXn (x) = .
π 1 + (nx)2
Estudiar la convergencia en probabilidad y la convergencia en media de orden
2 de {Xn : n ≥ 1}.

7.- Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes con

distribuciones Poisson de parámetro n. Demostrar que
Xn − n
√
n
converge en ley a X, donde X es una variable aleatoria Normal (0, 1).

8.- Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e

idénticamente distribuidas Uniforme sobre (0, 1). Consideremos
Yn = max(X1 , ..., Xn ),
Zn = nYn ,
Tn = nα (1 − Yn ).
Estudiar la convergencia en ley de las sucesiones {Yn : n ≥ 1}, {Zn : n ≥ 1} y
{Tn : n ≥ 1}.

9.- Estudiar si las siguientes sucesiones de variables aleatorias independientes

cumplen la ley débil y/o la ley fuerte de los grandes números:
(9.a) {Xn : n ≥ 1}, donde
1
P (Xn = 2n ) = P (Xn = −2n ) = ,
22n+1
1
P (Xn = 0) = 1− .
22n

20
(9.b) {Xn : n ≥ 1}, donde
³ p ´ ³ p ´ 1
P Xn = ln(n + α) = P Xn = − ln(n + α) = , α ∈ IN.
2

10.-
Pn Estudiar la convergencia en ley de la sucesión {Yn : n ≥ 1}, donde Yn =
i=1 Xi y {Xn : n ≥ 1} es una sucesión de variables aleatorias independientes
con función de masa
µ ¶ µ ¶
1 1 1
P Xi = i = P Xi = − i = .
2 2 2
11.- Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes e
idénticamente distribuidas Exponenciales de tasa λ. Sea

 0, si Xn (ω) ∈ [0, 1 − 1/n),
Yn (ω) = 1, si Xn (ω) ∈ [1 − 1/n, n),

n, si Xn (ω) ∈ [n, ∞).
Estudiar la convergencia en ley, en probabilidad, en media de orden 2 y casi
segura de la sucesión {Yn : n ≥ 1}.

12.- Una empresa está especializada en la producción de tuercas. La expe-

riencia en los últimos años muestra que la probabilidad de producir una tuerca
defectuosa es 0.035. Las tuercas se empaquetan en cajas de 100 unidades. De-
terminar el porcentaje de cajas sin más de dos tuercas defectuosas.

13.- Una urna contiene diez bolas numeradas del cero al nueve. De la urna
se extraen n bolas con reemplazamiento.
(13.a) Señalar qué dice la ley de los grandes números sobre la aparición de
ceros.
(13.b) Determinar cuántas extracciones será preciso efectuar para que, con
probabilidad 0.95, la frecuencia relativa de aparición de ceros esté com-
prendida entre 0.09 y 0.11.
(13.c) Utilizar el teorema central del lı́mite para calcular la probabilidad
√ de
que, entre
√ los n números elegidos, el ’cinco’ aparezca entre (n − 3 n)/10
y n + 3 n. Particularizar para n = 25 y n = 100.
14.- Sea {Xn : n ≥ 1} una sucesión de variables aleatorias independientes donde
Xi tiene función de masa
1
P (Xi = −2) = P (Xi = −1) = P (Xi = 1) = P (Xi = 2) = ,
4i
1
P (Xi = 0) = 1− .
i
Estudiar la convergencia en ley, en probabilidad, en media cuadrática y casi
seguro. Analizar si se cumple la ley fuerte de los grandes números.

21
15.- Sea ξ una variable aleatoria Uniforme sobre el intervalo (−1/θ, 1/θ). Se
definen las variables aleatorias η = θξ y

 −1, si η(ω) ∈ [−1, −1/i),
Xi (ω) = 0, si η(ω) ∈ [−1/i, 1/i),

1, si η(ω) ∈ [1/i, 1).

Estudiar la convergencia en probabilidad, casi segura y en media cuadrática de

la sucesión {Xn : n ≥ 1}.

16.- La duración de una bombilla se distribuye Exponencial con media 1 mes.

Cada vez que una bombilla se estropea es reemplazada inmediatamente por otra
nueva. Determinar cuál es el número mı́nimo de bombillas que deben tenerse
para que, con probabilidad 0.95, tengamos luz durante un intervalo de tiempo
de dos años.

22