5 V.A. Bidimensionales

Variables aleatorias bidimensionales Prof. Mara B.
Pintarelli
105
4- VARIABLES ALEATORIAS BIDIMENSIONALES

4.1 Generalidades

Hasta ahora hemos considerado el caso de variables aleatorias unidimensionales. Esto es, el resultado
del exerimento de inter!s se re"istra como un #nico n#mero real.
En muchos casos, sin embar"o, nos uede interesar asociar a cada resultado de un exerimento aleatorio,
dos o m$s caractersticas num!ricas. Por e%emlo, de los remaches &ue salen de una lnea de roducci'n
nos uede interesar el di$metro X ( la lon"itud Y. )eniendo en cuenta la inevitable variabilidad en las
dimensiones de los remaches debido a las numerosas causas resentes en el roceso de fabricaci'n, los
odemos reresentar asoci$ndoles dos variables aleatorias X e Y &ue ueden ensarse como una variable
aleatoria bidimensional* ( ) Y X, .

+ea un exerimento aleatorio ( S un esacio muestral asociado a !l. +ean R S X * , R S Y * , &ue
a cada resultado S s le asi"nan el ar de n#meros reales ( ) y x,
,lamaremos a ( ) Y X, variable aleatoria bidimensional.
+i en lu"ar de dos variables aleatorias, tenemos n variables aleatorias
n
X X X ,..., ,
- 1
, llamaremos a
( )
n
X ,..., X , X
- 1
variable aleatoria n-dimensional

En lo &ue si"ue nos referiremos en articular a variables aleatorias n.dimensionales con n/-, es decir
nos concentraremos en variables aleatorias bidimensionales or cuanto son las m$s simles de descri.
bir, fundamentalmente en relaci'n a la notaci'n. Pero debemos tener resente &ue las roiedades &ue
estudiemos ara ellas se ueden extender sin demasiada dificultad al caso "eneral.

0l con%unto de valores &ue toma la variable aleatoria bidimensional 1X,Y2 lo llamaremos recorrido de la
v.a. 1X,Y2 ( lo indicaremos
XY
R . En otras alabras ( ) ( ) ( )
)
`
= = = S s con s Y y e s X x : y , x R
XY
, es
decir, es la ima"en or ( ) Y , X del esacio muestral S.
3otar &ue el recorrido de 1X,Y2 es un subcon%unto del esacio Euclidiano*
-
R R
XY
. 4omo antes,
uede considerarse al recorrido
XY
R como un esacio muestral cu(os elementos son ahora ares de n#.
meros reales.

4omo con cual&uier esacio muestral, se"#n el n#mero de elementos &ue lo constitu(en, odemos cla.
sificar a los recorridos
XY
R en numerables 1finitos o infinitos2 ( no.numerables.
,os recorridos numerables son, en "eneral, de la forma
( ) ( ) ( ) ( ) { }
m n j i XY
y , x ,..., y , x , y , x m ,.. , j y n ,..., , i con y , x R
- 1 1 1
- 1 - 1 =
)
`
= = = 1finito2
( ) ( ) ( ) { } ,... y , x , y , x ,.. , j y ,... , i con y , x R
j i XY - 1 1 1
- 1 - 1 =
)
`
= = = 1infinito numerable2

,os recorridos no numerables son re"iones o subcon%untos no numerables del lano Euclidiano. Por
e%emlo*

( )
)
`
= d y c ; b x a : y , x R
XY
1no numerable2
Variables aleatorias bidimensionales Prof. Mara B. Pintarelli
105
( ) { } 1 * ,
- -
+ = y x y x R
XY
1no numerable2

( )
)
`
= =
6 - 1
c , c , c y , b x a : y , x R
j j XY
1no numerable 7mixto82

cu(as "r$ficas se ueden areciar en la fi"ura si"uiente. 3otar en el #ltimo recorrido, X es v.a. continua
e Y discreta.

4lasificaremos a las variables aleatorias bidimensionales de la si"uiente manera*
( ) Y , X es v.a. bidimensional discreta si X e Y son discretas
( ) Y , X es v.a. bidimensional continua si X e Y son continuas
El caso 9 continua, : discreta 1o viceversa2 no lo consideramos.

+ea ( ) Y , X una variable aleatoria bidimensional discreta ( sea
XY
R su recorrido 1numerable2. +ea
R R : p
XY
una funci'n &ue a cada elemento ( )
j i
y , x le asi"na un n#mero real ( )
j i
y , x p tal &ue
( ) ( )
XY j i j i j i
R y , x y , x p y Y , x X P = |
\
|
= = ( &ue verifica.
a2 ( ) ( )
XY j i j i
R y , x y , x p 0
b2 ( ) ( )
( )

= =
XY j i
R y x
j i
i j
j i
y x p y x p
,
1 , ,
0 esta funci'n la llamaremos funcin de probabilidad puntual conjunta de la variable aleatoria bidi.
mensional ( ) Y , X . En forma abreviada la desi"naremos fdp conjunta.

+ea ( ) Y , X una variable aleatoria bidimensional continua ( sea
XY
R su recorrido 1no numerable2. +ea
R R : f
XY
una funci'n &ue, a cada unto ( ) y , x de
XY
R le asi"na un n#mero real ( ) y , x f tal &ue
( ) ( ) R B dxdy y x f B P
B
=
, ( &ue verifica.
a2 ( ) ( )
-
, 0 , R y x y x f
b2 ( ) 1 ,
-
=
R
dxdy y x f .
0 esta funci'n la llamaremos funcin de densidad de probabilidad conjunta de la variable aleatoria
bidimensional ( ) Y , X . En forma abreviada la desi"naremos tambi!n fdp conjunta.

0
0
0
0
0
a b x
c
d
y y y
1
-
6
1 - a b x
R
XY
c
1

c
-

c
6

.1
.1
10;
E%emlos*
1.<os lneas de roducci'n, se=aladas > ( >>, manufacturan cierto tio de artculo a e&ue=a escala. +u.
'n"ase &ue la caacidad m$xima de roducci'n de la lnea > es cinco artculos or da, mientras &ue
ara la lnea >> es 6 artculos?da. <ebido a los innumerables factores resentes en todo roceso de ro.
ducci'n, el n#mero de artculos realmente roducido or cada lnea uede ensarse como una variable
aleatoria. En con%unto odemos ensar en una variable aleatoria bidimensional ( ) Y , X discreta, donde la
rimera comonente X corresonde a la roducci'n de la lnea > ( la se"unda comonente Y a los art.
culos &ue salen de la lnea >>. ,a fdp con%unta corresondiente a variables aleatorias bidimensionales
suele resentarse, or comodidad, como una tabla. +uon"amos &ue la ara la v.a. ( ) Y , X &ue nos inter.
esa a&u la tabla corresondiente a ( )
j i
y , x p es

X Y
0 1 - 6 @ 5
0 0 0.01 0.06 0.05 0.0; 0.0A
1 0.01 0.0- 0.0@ 0.05 0.05 0.0B
- 0.01 0.06 0.05 0.05 0.05 0.05
6 0.01 0.0- 0.0@ 0.05 0.05 0.05

C4u$l es la robabilidad de &u! sal"an m$s artculos de la lnea > &ue de la lnea >>D

0ntes de calcular la robabilidad &ue nos ide el roblema, ha"amos al"unas consideraciones sobre la
tabla &ue reresenta a ( )
j i
y , x p .
+e trata de una tabla a doble entrada donde en la rimera fila se indican los valores &ue uede tomar la
v.a. X 1en este caso X=0,1,-,6,@,52 ( la rimera columna indica los valores &ue uede tomar la variable Y
1 0,1,-,62. Para determinar el valor de la ( )
j i
y , x p cuando la v.a. ( ) Y , X toma el valor ( )
j i
y , x considera.
mos el n#mero &ue se encuentra en la columna corresondiente a
i
x X = ( la fila corresondiente a
j
y Y = . Por e%emlo* ( ) ( ) 05 0 - @ - @ . Y , X P , p = = = = .
Podemos verificar f$cilmente &ue la fdp con%unta definida or esta bien definida. En efecto verifica las
condiciones a2 ( ) ( )
XY j i j i
R y , x y , x p 0 ( b2 ( )
( )
=
XY j i
R y , x
j i
y , x p 1.
Para contestar la re"unta del enunciado, consideremos el suceso
XY
R B definido

B* 7es el suceso &ue ocurre cuando la lnea > roduce m$s artculos &ue la lnea >>8 o,
{ } Y X B > = . ,ue"o*
( ) ( ) ( )

= >
= = > =
6
0
j j i
y y x
j i
y , x p Y X P B P 0.01E0.06E0.05E0.0;E0.0AE0.0@E0.05E0.05E0.0BE
E0.05E0.05E0.05E0.05E0.05/0.;5.

-. Ha( tres ca%as re"istradoras a la salida de un suermercado. <os clientes lle"an a las ca%as en diferen.
tes momentos cuando no ha( otros clientes ante a&uellas. 4ada cliente esco"e una ca%a al aFar e indeen.
dientemente del otro.
+ean las variables aleatorias 9* 7 nG de clientes &ue esco"en la ca%a 18 e :* 7nG de clientes &ue esco"en la
ca%a -8. Hallar la fdp con%unta de (X,Y

Podemos suoner &ue el esacio muestral ori"inal S es el con%unto de ares ordenados
{ } 2 6 , 6 1 2H - , 6 1 2H 1 , 6 1 2H 6 , - 1 2H - , - 1 2H 1 , - 1 2H 6 , 1 1 2H - , 1 1 2H 1 , 1 1 = S donde la rimera comonente del ar indica la
ca%a ele"ida or el cliente 1 ( la se"unda comonente del ar indica la ca%a ele"ida or el cliente -.
10B
0dem$s notar &ue X como Y ueden tomar los valores 0, 1, -
El unto muestral 16,62 es el #nico unto muestral &ue corresonde al evento { } 0 , 0 = = Y X
Entonces
A
1
2 0 , 0 1 = = = Y X P
H ensando de forma an$lo"a los otros casos*
A
-
2 0 , 1 1 = = = Y X P
H
A
1
2 0 , - 1 = = = Y X P
H
A
-
2 1 , 0 1 = = = Y X P
,
A
-
2 1 , 1 1 = = = Y X P
,
A
1
2 - , 0 1 = = = Y X P
H 0 2 - , - 1 2 - , 1 1 = = = = = = Y X P Y X P
<isonemos estas robabilidades en una tabla de la si"uiente forma

6. +uon"amos &ue una artcula radiactiva se localiFa aleatoriamente en un cuadrado con lados de lon.
"itud unitaria. Es decir, si se consideran dos re"iones de la misma $rea, la artcula tendr$ i"ual robabi.
lidad de estar en cual&uiera de ellas. +ean X e Y las coordenadas &ue localiFan la artcula. In modelo
adecuado ara la distribuci'n con%unta de X e Y sera considerar a (X, Y continua con fdp dada or

=
contrario caso 0
1 0 H 1 0 si 1
2 , 1
y x
y x f

Es conveniente hacer un "r$fico en el lano del dominio de la fdp

3os re"untamos cu$l es la robabilidad de &ue la
coordenada en x sea menor &ue 0.- ( la coordena.
da en y menor &ue 0.@ , es decir, cu$l es la
2 @ . 0 , - . 0 1 Y X P . Para calcularla, "raficamos
en el lano xy la regin que corresponde al evento
interseccin la regin que es dominio de la fdp

Por lo tanto

= = =
@ . 0
0
- . 0
0
0B . 0 @ . 0 - . 0 1 2 @ . 0 , - . 0 1 dxdy Y X P

Y \ X 0 1 2
0 1?A -?A 1?A
1 -?A -?A 0
2 1?A 0 0

{ } @ . 0 , - . 0 Y X

10A
En este e%emlo la fdp es un caso articular de v.a. bidimensional uniformemente distribuida
<iremos &ue una variable aleatoria bidimensional continua est$ uniformemente distribuida en la re"i'n
XY
R del lano Euclidiano R si su funci'n de densidad de robabilidad es
( )
( )
( )
=
XY
XY
R y x pa!a
R y x pa!a c
y x f
, 0
,
,

Puesto &ue la condici'n de normaliFaci'n exi"e ( )

= =
-
1 ,
R R
XY
cdxdy dxdy y x f debe ser

( )
XY
R "!ea
c
1
=

0 una v.a. ( ) Y , X bidimensional continua uniformemente distribuida en su recorrido
XY
R la indicaremos
X~ | |
XY
R # .
Por e%emlo, suon"amos &ue la v.a. ( ) Y , X est$ distribuida uniformemente en el recorrido
XY
R &ue se
muestra en la fi"ura. C4u$l es su fdp con%untaD

<e la fi"ura calculamos el $rea del recorrido*

( ) ( )

= = =
1
0
1
0
-
5
1
-
dx x x dy dx R "!ea
x
x
XY
. Por lo tanto

( )
( )

=
puntos dem"s $os pa!a
x y x x %ue ta$ y x pa!a
y x f
0
, 1 0 , 5
,
-

4.2 - Funciones de distribucin marginales de una v.a. (XY! discreta

En el e%emlo 1, suon"amos &ue &ueremos saber cu$l es la robabilidad de &ue el n#mero de artculos
roducidos or la lnea > sea -, o sea 2 - 1 = X P
4omo el evento { } - = X es i"ual a { } { } { } { } { } ( ) 6 - 1 0 - = = = = = Y Y Y Y X , ( a su veF
0
0
1
-
y
1 - 6 x
y / x
y = x
&

110
{ } { } { } { } { } ( )
{ } { } ( ) { } { } ( ) { } { } ( ) { } { } ( ) 6 - - - 1 - 0 -
6 - 1 0 -
= = = = = = = = =
= = = = = =
Y X Y X Y X Y X
Y Y Y Y X

Entonces

( )
{ } { } ( ) { } { } ( ) { } { } ( ) { } { } ( )
=
= = = = = + = = + = = + = = =
= = = + = = + = = + = = =
= =
6
0
2 , - 1 2 6 , - 1 2 - , - 1 2 1 , - 1 2 0 , - 1
6 - - - 1 - 0 -
-
j
j Y X P Y X P Y X P Y X P Y X P
Y X P Y X P Y X P Y X P
X P

JaFonando de la misma forma odemos escribir
( ) 5 ,..., 1 , 0 2 , 1
6
0
= = = = =

=
i j Y i X P i X P
j

Es decir obtenemos la funcin de distribucin de probabilidad de X

0n$lo"amente obtenemos
( ) 6 , - , 1 , 0 2 , 1
5
0
= = = = =

=
j j Y i X P j Y P
i

Kue es la funcin de distribucin de probabilidad de Y

En "eneral se las denomina distribuciones marginales de X e Y, ( su definici'n sera la si"uiente

+ea 1X,Y2 discreta ( sea ( )
j i
y , x p 1i/1,-,Ln, j=1,-,L,m2 su funci'n de robabilidad con%unta 1Even.
tualmente n (?o m ueden ser 2.

,a funci'n de robabilidad mar"inal de X es

( ) ( ) ( )
=
= = =
m
j
j i i i
y x p x X P x p
1
, 1i/1,-,L,n2

,a funci'n de robabilidad mar"inal de Y es

( ) ( ) ( )
=
= = =
n
i
j i j j
y x p y Y P y %
1
, 1j/1,-,L,m2

Mbservaci'n* Jemarcamos &ue la funci'n de robabilidad mar"inal de X, es decir ( )
i
x p calculada a
artir de ( )
j i
y , x p en la forma indicada, coincide con la funci'n de robabilidad de la variable aleatoria
unidimensional X considerada en forma aislada. 0n$lo"amente la funci'n de robabilidad mar"inal de
Y, es decir ( )
j
y % calculada a artir de ( )
j i
y , x p en la forma indicada, coincide con la funci'n de robabi.
lidad de variable aleatoria unidimensional Y considerada en forma aislada.

E%emlo*
+i"uiendo con el e%emlo 1,

( ) ( ) ( ) ( ) ( ) ( )
-B 0
05 0 05 0 0B 0 0A 0 6 5 - 5 1 5 0 5 5 5
.
. . . . , p , p , p , p X P p
=
+ + + = + + + = = =

111
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
-5 0
05 0 05 0 0@ 0 0- 0 01 0 1 5 1 @ 1 6 1 - 1 1 1 0 1 1
.
. . . . . , p , p , p , p , p , p Y P %
=
+ + + + = + + + + + = = =

Mbservemos &ue se verifica la condici'n de normaliFaci'n ara cada una de las mar"inales*
( )
=
= + + + + + =
5
0
1 -B 0 -@ 0 -1 0 15 0 0B 0 06 0
i
x
i
. . . . . . x p
( )
=
= + + + =
6
0
1 -@ 0 -5 0 -5 0 -5 0
j
y
j
. . . . y %

4." - Funciones de distribucin marginales de una v.a. (XY! continua

En el e%emlo 6 suon"amos &ue &ueremos hallar la robabilidad de &ue la coordenada x de la artcula
sea menor o i"ual a 0.-, es decir 2 - . 0 1 X P . Podemos escribir

- . 0 1 2 , 1 2 , - . 0 1 2 - . 0 1
- . 0
0
1
0
- . 0
0
= = = < < =

dydx dydx y x f Y X P X P
En "eneral si &ueremos hallar 2 1 x X P odemos lantear

= = < < =
x x
dx x ' dydx y x f Y x X P x X P 2 1 2 , 1 2 , 1 2 1
donde

= 2 1 2 , 1 x ' dy y x f
Por definicin de fdp debe ser 2 1x ' la fdp de la v.a. X

0n$lo"amente

= = < < =
y y
dx x ( dxdy y x f y Y X P y Y P 2 1 2 , 1 2 , 1 2 1
donde

= 2 1 2 , 1 x ( dy y x f
Por definicin de fdp debe ser 2 1x ( la fdp de la v.a. Y

En "eneral*
+ea 1X,Y2 continua ( sea ( ) y , x f su funci'n de densidad de robabilidad con%unta.
,a funcin de densidad de probabilidad marginal de X es*

( ) ( )dy y , x f x '

=

,a funcin de densidad de probabilidad marginal de Y es*

( ) ( )dx y , x f y (

=

11-
Mbservaci'n* Jemarcamos a&u tambi!n &ue la funci'n de de densidad de robabilidad mar"inal de X,
es decir ( ) x ' , calculada a artir de ( ) y , x f en la forma indicada, coincide con la funci'n de densidad de
robabilidad de variable aleatoria unidimensional X considerada en forma aislada. 0n$lo"amente la fun.
ci'n de densidad de robabilidad mar"inal de Y, es decir ( ) y ( calculada a artir de ( ) y , x f en la forma
indicada, coincide con la funci'n de densidad de robabilidad de variable aleatoria unidimensional Y
considerada en forma aislada. <e manera &ue odemos calcular robabilidades como, or e%emlo

( ) ( )
( )

=
= = |
\
|
< < =

b
a
b
a
dx x '
dydx y , x f Y , b X a P b X a P

E%emlo* 4onsideremos nuevamente la v.a. continua 1X,Y2 uniformemente distribuida cu(o recorrido
XY
R dibu%amos otra veF

:a vimos &ue la fdp est$ dada or

( )
( )

=
puntos dem"s $os pa!a
x y x x %ue ta$ y x pa!a
y x f
0
, 1 0 , 5
,
-

Entonces las funciones de densidad de robabilidad de X e Y son

( )
( ) ( )
= =
=

)a$o!es dem"s $os pa!a
x x x dy dy y , x f
x '
x
x
0
1 0 5 5
-
-

( )
( ) ( )
= =
=

y y y dx dx y x f
y (
y
y
0
1 0 5 5 ,

0
0
1
-
y
1 - 6 x
y / x
y = x
&

116
4.4 - Funciones de #robabilidades condicionales

4aso discreto
4onsideremos nuevamente el e%emlo de las dos lneas > ( >> &ue roducen cierto artculo a e&ue=a
escala. <efinimos la v.a. ( ) Y , X cu(a funci'n de robabilidad con%unta ( )
j i
y , x p est$ dada or la tabla
anterior &ue reetimos
X Y
0 1 - 6 @ 5 %1y
j
2
0 0 0.01 0.06 0.05 0.0; 0.0A 0.-5
1 0.01 0.0- 0.0@ 0.05 0.05 0.0B 0.-5
- 0.01 0.06 0.05 0.05 0.05 0.05 0.-5
6 0.01 0.0- 0.0@ 0.05 0.05 0.05 0.-@
p1x
i
2 0.06 0.0B 0.15 0.-1 0.-@ 0.-B 1

+uon"amos &ue deseamos conocer la robabilidad de &ue la lnea > roduFca tres artculos sabiendo
&ue la lnea >> ha fabricado dos. )enemos &ue calcular una robabilidad condicional. Entonces
( )
( )
( )
( )
- . 0
-5 . 0
05 . 0
-
- , 6
-
- , 6
- 6 = = =
=
|
\
|
= =
= = =
%
p
Y P
Y X P
Y X P

En "eneral definimos la funcin de probabilidad puntual de X condicional a Y como si"ue*
( ) ( )
( )
( )
j
j i
j i j i
y %
y , x p
y Y x X P y x p = = = = , es decir como el cociente de la funci'n de robabilidad con%un.
ta de ( ) Y , X ( la funci'n de robabilidad untual mar"inal de Y.

0n$lo"amente, definimos la funcin de probabilidad puntual de Y condicional a X *
( ) ( )
( )
( )
i
j i
i j i j
x p
y , x p
x X y Y P x y % = = = = , es decir como el cociente de la funci'n de robabilidad untual
con%unta de ( ) Y , X ( la funci'n de robabilidad untual mar"inal de X.

b2 4aso continuo
4omo ocurre con la variables aleatoria continuas en "eneral, el definir la robabilidad condicional de
ocurrencia de un valor dado de una de las variables aleatorias del ar ( ) Y , X suuesto &ue ocurri' la
otra, resenta las dificultades conocidas relacionadas con el hecho de &ue la robabilidad de un unto es
cero. Entonces robabilidades tales como ( )
j i
y Y x X P = = tienen el roblema &ue ( ) 0 = =
j
y Y P .

+ea ( ) Y , X una variable aleatoria bidimensional continua cu(a fdp con%unta es ( ) y , x f . +ean ( ) x ' (
( ) y ( la fdp mar"inales de X e Y, resectivamente. <efinimos la funcin de densidad de probabilidad de
X condicional a que Y=y, a la &ue denotaremos ( ) y x ' , de la si"uiente manera*

( )
( )
( )
( ) 0 > = y ( con
y (
y , x f
y x ' .
11@
0n$lo"amente, la funcin de densidad de probabilidad de Y condicional a que X=x, a la &ue denota.
remos ( ) x y ( , se define*

( )
( )
( )
( ) 0 > = x ' con
x '
y , x f
x y ( .

<e acuerdo con estas definiciones, odemos calcular, or e%emlo,

( ) ( )
( )
( ) c (
dx c , x f
dx c x ' c Y b X a P
b
a
b
a
= = =

Mbservemos &ue si &uisi!ramos calcular esta robabilidad usando la fdp con%unta, es decir, refiri!ndonos
al recorrido comleto, lle"aramos a una indeterminaci'n*

( )
( ) ( ) | |
( )
( )
( )
0
0
= =
=
=
= =

+

c
c
b
a
c
c
y , x dyf dx
y , x dyf dx
c Y P
c Y b X a P
c Y b X a P
I
.

3otar la diferencia entre la funci'n de densidad de robabilidad condicional ( ) y x ' ( la funci'n de den.
sidad de robabilidad mar"inal ( ) x ' *

( ) ( ) b X a P dx x '
b
a
=
, mientras &ue

( ) ( )
= =
b
a
y Y b X a P dx y x ' .

E%emlo*
Ina m$&uina vendedora de refrescos se llena al rinciio de un da dado con una cantidad aleatoria Y, (
se desacha durante el da una cantidad aleatoria X 1medida en "alones2. 3o se le vuelve a surtir durante
el da ( entonces Y X
+e ha observado &ue (X,Y tienen la densidad con%unta

C4u$l es la robabilidad de &ue se venda menos de N
"al'n, dado &ue la m$&uina contiene 1 "al'n al inicio del
daD

+oluci'n* Primero es conveniente hacer un "r$fico de la
re"i'n del lano donde la densidad con%unta
est$ definida

=
contrario caso 0
- 0 H 0 si - ? 1
2 , 1
y y x
y x f
115

Hallamos la densidad condicional de X dado Y. Para esto rimero encontramos la fdp mar"inal de Y

= =

contrario caso 0
- ( 0 si 2 - ? 1 1

contrario caso 0
- 0 si 2 - ? 1 1
2 , 1 2 1
0
y
y dx
dx y x f y (
y

Entonces la densidad condicional es

<
=
<
= =
contrario caso 0
- 0 si
1

contrario caso 0
- 0 si
2 - ? 1 1
- ? 1
2 1
2 , 1
2 O 1
y x
y
y x
y
y (
y x f
y x (

,a robabilidad &ue interesa es

( )
-
1
1 2 1 O 1 2 1 O - ? 1 1
- ? 1
0
- ? 1

= = = = =

dx dx y x f Y X P

3otar &ue si la m$&uina hubiera contenido - "alones al rinciio del da, entonces

@
1
2 1 O 1 2 - O - ? 1 1
- ? 1
0
-
1
- ? 1

= = = = =

dx dx y x f Y X P

0s la robabilidad condicional &ue - ? 1 X deende de la elecci'n de Y

4.$ %ariables aleatorias inde#endientes

:a se discuti' el conceto de indeendencia entre dos eventos * ( B. Esas mismas ideas odemos tras.
ladarlas en relaci'n a dos variables aleatorias X e Y &ue, eventualmente, odemos considerarlas como las
comonentes de una variable aleatoria bidimensional ( ) Y , X .
<e acuerdo con esto, intuitivamente decimos &ue dos variables, X e Y, son indeendientes si el valor &ue
toma una de ellas no influ(e de nin"una manera sobre el valor &ue toma la otra. Esto lo establecemos
m$s formalmente*

a2 +ea ( ) Y , X una variable aleatoria bidimensional discreta. +ea ( )
j i
y , x p su fdp con%unta ( ( )
i
x p (
( )
j
y % las corresondientes fdp mar"inales de X e Y. <ecimos &ue X e Y son variables aleatorias inde-
pendientes si ( s'lo si

( ) ( ) ( ) ( )
XY j i j i j i
R y , x y % x p y , x p =
b2 +ea ( ) Y , X una variable aleatoria bidimensional continua. +ea ( ) y , x f su fdp con%unta ( ( ) x ' ( ( ) y (
las corresondientes fdp mar"inales de X e Y. <ecimos &ue X e Y son variables aleatorias independien-
tes si ( s'lo si

( ) ( ) ( ) ( )
-
R y , x y ( x ' y , x f =
115

Mbservaci'n* 3otar &ue ara oder afirmar la indeendencia de X e Y debe cumlirse la factoriFaci'n
de la fdp con%unta como roducto de las fdp mar"inales ara todos los ares de valores de la v.a. ( ) Y , X .
Por lo tanto, ara verificar la indeendencia es necesario demostrar la valideF de la factoriFaci'n ara
todos los ares. En cambio, es suficiente encontrar un solo ar &ue no la verifica, ara afirmar, de acuer.
do con la definici'n, &ue las variables X e Y son no indeendientes, es decir, &ue son deendientes. Esto
es, ara demostrar la deendencia es suficiente con encontrar un solo ar &ue no verifi&ue la factoriFa.
ci'n se=alada.

Vimos &ue dos sucesos * ( B son indeendientes si ( s'lo si ( ) ( ) * P B * P = ( ( ) ( ) B P * B P = 1donde
or suuesto deba ser ( ) 0 = * P ( ( ) 0 = B P 2. En t!rminos de variables aleatorias, esta forma de ver la
indeendencia se manifiesta en la i"ualdad entre las fdp condicionales ( las corresondientes fdp mar"i.
nales, como demostramos en este

)eorema
a2 +ea ( ) Y , X una variable aleatoria bidimensional discreta cu(as fdp con%unta, condicionales ( mar"ina.
les son, resectivamente, ( )
j i
y , x p H ( )
j i
y x p , ( )
i j
x y % ( ( )
i
x p , ( )
j
y % .
Entonces, X e Y son variables aleatorias indeendientes si ( s'lo si

a
1
2 ( ) ( ) ( )
XY j i i j i
R y , x x p y x p = , o
a
-
2 ( ) ( ) ( )
XY j i j i j
R y , x y % x y % = , &ue es e&uivalente a lo anterior

b2 +ea ( ) Y , X una variable aleatoria bidimensional continua cu(as fdp con%unta, condicionales ( mar"i.
nales son, resectivamente, ( ) y , x f H ( ) y x ' , ( ) x y ( ( ( ) x ' , ( ) y ( .
Entonces, X e Y son variables aleatorias indeendientes si ( s'lo si

b
1
2 ( ) ( ) ( )
-
R y , x x ' y x ' = , o
b
-
2 ( ) ( ) ( )
-
R y , x y ( x y ( = , &ue es e&uivalente al anterior.

<em.2
a2 <emostraremos solamente a
1
2. ,a e&uivalencia entre a
1
2 ( a
-
2 la de%amos como e%ercicio.
Para demostrar a
1
2 verificaremos la doble e&uivalencia entre !sta ( la definici'n de v.a. indeendientes.
2
+ean X e Y variables aleatorias indeendientes. Entonces ( )
XY j i
R y , x
( )
( )
( )
( ) ( )
( )
( )
i
j
j i
j
j i
j i
x p
y %
y % x p
y %
y , x p
y x p = = =
0&u la rimera i"ualdad es la definici'n de fdp condicional ( la se"unda sale de la definici'n de inde.
endencia al suoner &ue X e Y son indeendientes.
:2
+uon"amos &ue se verifica a
1
2. Entonces ( )
XY j i
R y , x
( ) ( )
( )
( )
( ) ( ) ( ) ( )
j i j i i
j
j i
i j i
y % x p y , x p x p
y %
y , x p
x p y x p = = = X e Y indeendientes
11;
0&u, la rimera imlicaci'n se debe a la definici'n de fdp condicional ( la tercera a la definici'n de v.a.
indeendientes.

b2 )ambi!n demostramos s'lo b
1
2 ( de%amos como e%ercicio demostrar la e&uivalencia entre b
1
2 ( b
-
2.

2
+ean X e Y variables aleatorias indeendientes. Entonces ( )
-
R y , x
( )
( )
( )
( ) ( )
( )
( ) x '
y (
y ( x '
y (
y , x f
y x ' = = =
0&u la rimera i"ualdad es la definici'n de fdp condicional ( la se"unda sale de la definici'n de inde.
endencia al suoner &ue X e Y son indeendientes.
:2
+uon"amos &ue se verifica b12. Entonces ( )
-
R y , x
( ) ( )
( )
( )
( ) ( ) ( ) ( ) y ( x ' y , x f x '
y (
y , x '
x ' y x ' = = = X e Y indeendientes.
0&u, la rimera imlicaci'n se debe a la definici'n de fdp condicional ( la tercera a la definici'n de v.a.
indeendientes.

E%emlos*
1. +uon"amos &ue una m$&uina se usa ara un traba%o esecfico a la ma=ana ( ara uno diferente en
la tarde. Jeresentemos or X e Y el n#mero de veces &ue la m$&uina falla en la ma=ana ( en la tarde
resectivamente. +uon"amos &ue la tabla si"uiente da la funci'n de robabilidad con%unta ( )
j i
y , x p de
la variable aleatoria bidimensional discreta ( ) Y , X .

Y+X 0 1 - %1y
j
2
0 0.1 0.- 0.- 0.5
1 0.0@ 0.0B 0.0B 0.-
- 0.05 0.1- 0.1- 0.6
P1x
i
2 0.- 0.@ 0.@ 1

<eseamos saber si las variables aleatorias X e Y son indeendientes o deendientes.
Para demostrar &ue son indeendientes debemos robar &ue se verifica ( )
XY j i
R y , x
( ) ( ) ( )
j i j i
y % x p y , x p = Verificamos directamente &ue

( ) ( ) ( ) 5 0 - 0 0 0 1 0 0 0 . . % p . , p = = =
( ) ( ) ( ) - 0 - 0 1 0 0@ 0 1 0 . . % p . , p = = =
( ) ( ) ( ) 6 0 - 0 - 0 05 0 - 0 . . % p . , p = = =
( ) ( ) ( ) 5 0 @ 0 0 1 - 0 0 1 . . % p . , p = = =
( ) ( ) ( ) - 0 @ 0 1 1 0B 0 1 1 . . % p . , p = = =
( ) ( ) ( ) 6 0 @ 0 - 1 1- 0 - 1 . . % p . , p = = =
( ) ( ) ( ) 5 0 @ 0 0 - - 0 0 - . . % p . , p = = =
( ) ( ) ( ) - 0 @ 0 1 - 0B 0 1 - . . % p . , p = = =
( ) ( ) ( ) 6 0 @ 0 - - 1- 0 - - . . % p . , p = = =

,ue"o X e Y son indeendientes.
11B

Podramos haber usado las condiciones a12 ( ) ( ) ( )
XY j i i j i
R y , x x p y x p = , o su e&uivalente
a
-
2 ( ) ( ) ( )
XY j i j i j
R y , x y % x y % = . Veamos, como muestra ara un solo valor, &ue se verifica
( )
( )
( )
( ) - @ 0
- 0
0B 0
1
1 -
1 - p .
.
.
%
, p
p = = = = . Para demostrar la indeendencia or este camino habra &ue de.
mostrar &ue se cumle la condici'n ara el resto de los ares de valores. +e de%a este c$lculo como e%er.
cicio otativo.

-. +ean X e Y v.a. continuas &ue reresentan el tiemo de vida de dos disositivos electr'nicos. +uon.
"amos &ue la fdp con%unta de la v.a. continua ( ) Y , X es*

( )
( )
< <
=
+
valores dem$s los ara 0
0 , 0
,
y x e
y x f
y x

<eseamos saber si X e Y son variables aleatorias indeendientes.
4alculamos las fdp mar"inales de X e Y *

( ) ( )
( ) x y x
e dy e dy y , x f x '

+
+
+

= = =
0

( ) ( )
( ) y y x
e dx e dx y , x f y (

+
+
+

= = =
0

,ue"o las mar"inales son*

( )
<
=

x e
x '
x
0
0

( )
<
=

y e
y (
y
0
0

Vemos &ue efectivamente
( ) ( ) ( )
( )
< < =
= =
+
0 , 0
,
y x e e e
y ( x ' y x f
y x y x

Es decir X e Y son v.a. indeendientes.

)ambi!n odemos verificar la condici'n b
1
2*

( )
( )
( )
( )
( ) x '
x e
e
e
y (
y x f
y x '
x
y
y x
=
< =
= =

+
0
,
( )
-
R y . x

11A
6. 4onsideremos un e%emlo donde no se verifica la indeendencia.

+ea una v.a.b cu(a fdp con%unta es

( )

=
1 0 B
,
y x xy
y x f

En la fi"ura si"uiente mostramos el recorrido

4alculamos las fdp mar"inales de X e Y *

( )
( )
=
=

1 0 1 @ B
1
-
x
x x x xydy
x '
( )
=
=

1 0 @ B
0
6
y
y y xydx
y (
( odemos areciar &ue ara 1 0 y x en "eneral es

( ) ( ) ( ) ( ) y ( x ' y x x xy y , x f = = =
6 -
1 15 B .

,ue"o X e Y son variables aleatorias deendientes.

Mbservaciones
1. <e la definici'n de las fdp mar"inales, vemos &ue tanto en el caso discreto como en el continuo, la
fdp con%unta determina unvocamente las fdp mar"inales. Es decir, si ( ) Y , X es discreta del conocimien.
to de la funci'n de robabilidad con%unta ( )
j i
y , x p odemos determinar unvocamente las funciones de
robabilidad ( )
i
x p ( ( )
j
y % . 0n$lo"amente, si ( ) Y , X es continua del conocimiento de la funci'n de
0
0
1
-
y
1 - 6
x
y / x
R
XY
1-0
densidad de robabilidad con%unta ( ) y , x f odemos determinar unvocamente las funciones de densidad
( ) x ' ( ( ) y ( . +in embar"o la inversa no se cumle en "eneral. Es decir del conocimiento de ( )
i
x p (
( )
j
y % no se uede, en "eneral, reconstruir ( )
j i
y , x p a menos &ue X e Y sean variables indeendientes en
cu(o caso es ( ) ( ) ( )
j i j i
y % x p y , x p = (, an$lo"amente, en el caso continuo, del conocimiento de ( ) x ' (
( ) y ( no se uede construir en "eneral ( ) y , x f exceto cuando X e Y son indeendientes en cu(o caso
uedo escribir ( ) ( ) ( ) y ( x ' y , x f =

-. Podemos observar del #ltimo e%emlo, &ue uede ocurrir &ue a#n cuando la funci'n ( ) y , x f (a est!
escrita en forma factoriFada como una funci'n s'lo de x or una funci'n s'lo de y, las variables X e Y
no sean indeendientes uesto &ue el dominio es tal &ue hace &ue las variables sean deendientes. 0s,
en el e%emlo anterior, el recorrido ( ) { } 1 0 = y x : Y , X R
XY
condiciona los valores &ue toma x a
los valores &ue toma y.

6. El conceto de indeendencia entre dos variables aleatorias se uede "eneraliFar a n variables aleato.
rias
n
X X X ,..., ,
- 1

4.& - Funcin de una variable aleatoria bidimensional

Existen muchas situaciones en las &ue dado una variable aleatoria bidimensional nos interesa considerar
otra variable aleatoria &ue es funci'n de a&u!lla. Por e%emlo, suon"amos &ue las variables aleatorias X
e Y denotan la lon"itud ( el ancho, resectivamente, de una ieFa, entonces Y X , - - + = es una v.a. &ue
reresenta el ermetro de la ieFa, o la v.a. Y X - . = reresenta el $rea de la ieFa. )anto , como -
son variables aleatorias.

En "eneral, sea S un esacio muestral asociado a un exerimento robabilstico , sean R S : X e
R S : Y dos variables aleatorias &ue definen una variable aleatoria bidimensional ( ) Y , X cu(o reco.
rrido es
XY
R , ( sea una funci'n de dos variables reales R R : .
XY
&ue a cada elemento( ) y , x del re.
corrido
XY
R le hace corresonder un n#mero real ( ) y , x . / = , entonces la funci'n comuesta
( ) R S Y X . , = * , es una variable aleatoria, uesto &ue a cada elemento S s le hace corresonder
un n#mero real ( ) ( ) | | s Y , s X . / = . <iremos &ue la variable aleatoria , es funcin de la variable aleato-
ria bidimensional X!Y".

0l"unas variables aleatorias &ue son funci'n de variables aleatorias bidimensionales son Y X , + = ,
Y . X , = , Y + X , = , ( ) Y , X m0n , = , ( ) Y , X m"x , = , etc.

,o anterior se uede "eneraliFar si en lu"ar de dos variables aleatorias tenemos n variables aleatorias
n
X X X ,..., ,
- 1
, ( ( )
n
x x x . / ,... ,
- 1
= es una funci'n de n variables a valores reales.

E%emlos*
1. +ea 2 , 1 P p n B ,
Podemos escribir a , como suma de variables aleatorias de la si"uiente forma.
Jecordar &ue , cuenta el n#mero de !xitos en n reeticiones o ensa(os del exerimento c
+i definimos
1-1

=
cont!a!io caso
1xito ocu!!e de !epetici2n 1sima 0 $a en si
X
i
0
1 c
n i ,..., - , 1 =
3otar &ue a cada
i
X se la uede considerar 2 , 1 1 p B , ( adem$s
n
X X X ,..., ,
- 1
son indeendientes
Podemos escribir
n
X X X , + + + = ...
- 1

-. +ea , v.a. binomial ne"ativa con ar$metros ! ( p, es decir 2 , 1 P p ! B3 ,
+i definimos
1
X * 7n#mero de reeticiones del exerimento re&ueridos hasta el 1G !xito8
-
X * 7n#mero de reeticiones del exerimento adicionales re&ueridos hasta el -G !xito8
6
X * 7n#mero de reeticiones del exerimento adicionales re&ueridos hasta el 6G !xito8
: en "eneral
i
X * 7n#mero de reeticiones del exerimento adicionales desu!s del (i45Q!simo !xito re&ueridos hasta
el i.!simo !xito8
Entonces cada variable tiene distribucin geom#trica con par$metro p (
!
X X X , + + + = ...
- 1

3otar adem$s &ue
!
X X X ,..., ,
- 1
son indeendientes

's#eran(a de una v.a. )ue es *uncin de una v.a. bidimensional

+ea una variable aleatoria bidimensional ( ) Y , X cu(a fdp con%unta es la funci'n de robabilidad con%un.
ta ( )
j i
y , x p si es discreta o la funci'n de densidad de robabilidad con%unta ( ) y , x f si es continua ( sea
una funci'n real de dos variables ( ) y , x . / = de manera &ue odemos definir una variable aleatoria ,
&ue es funci'n de la variable aleatoria bidimensional ( ) Y , X de la forma ( ) Y , X . , = . +i la fdp de , es
( )
i
/ % , si , es discreta, o ( ) / % si es continua, entonces la eseranFa matem$tica de , es, de acuerdo con
la definici'n "eneral,

( ) ( )
=
X i
R x
i i
/ % . / , 6 1ara , discreta2
( ) ( )

= d/ / /% , 6 1ara , continua2
3uevamente lo interesante es considerar la osibilidad de evaluar ( ) , 6 sin tener &ue calcular revia.
mente la fdp de ,. El si"uiente teorema nos muestra c'mo hacerlo.

)eorema +ea 1X,Y2 una variable aleatoria bidimensional ( sea ,=.1X,Y2 una variable aleatoria &ue es
funci'n de 1X,Y2.

a2 +i , es variable aleatoria discreta &ue roviene de la variable aleatoria bidimensional discreta 1X,Y2
cu(o recorrido es
XY
R ( su fdp con%unta es ( )
j i
y , x p , entonces*

( ) ( ) | | ( ) ( )
( )
= =
XY j i
R y , x
j i j i
y , x p y , x . Y , X . 6 , 6

b2 +i , es variable aleatoria continua &ue roviene de la variable aleatoria continua bidimensional 1X,Y2
cu(a fdp con%unta es ( ) y , x f , entonces*
1--

( ) ( ) | | ( ) ( )

= = dxdy y , x f y , x . Y , X . 6 , 6 .
<em.2 sin demostraci'n

E%emlo*
+uon"amos &ue debido a innumerables causas incontrolables la corriente i ( la resistencia ! de un cir.
cuito varan aleatoriamente de forma tal &ue ueden considerarse como variables aleatorias 7 ( R inde.
endientes. +uon"amos &ue las corresondientes fdp son*

( )

=
)a$o!es dem"s
i i
i '
0
1 0 -
( )

=
)a$o!es dem"s
!
!
! (
0
6 0
A
-

3os interesa considerar el volta%e ! . i ) = de manera &ue odemos definir la variable aleatoria R . 7 8 = .
Esecficamente deseamos conocer el valor eserado o eseranFa matem$tica del volta%e* ( ) 8 6 .
Isando la roiedad establecida en el teorema anterior*

( ) ( ) ( )did! ! , i f . ! , i . 8 6

= . 0hora bien, uesto &ue consideramos &ue 7 ( R son variables aleatorias
indeendientes, la fdp con%unta de la v.a. bidimensional 17,R2 es simlemete el roducto de las mar"ina.
les o sea de las fdp de las variables aleatorias 7 ( R tomadas como variables aleatorias unidimensionales*
( ) ( ) ( ) ! ( . i ' ! , i f = , es decir*

( )

=
)a$o!es dem"s
! y i si ! . i
! , i f
0
6 0 1 0
A
-
-

Entonces

( ) ( )
-
6
A
-
A
-
1
0
-
6
0
6 -
1
0
6
0
= = =

di i d! ! ! . i . ! . i di d! 8 6

's#eran(a de una suma de variables aleatorias

<em.2 en el teorema anterior consideramos y x y x . + = 2 , 1
+i (X,Y es discreta

( ) ( ) | | ( ) ( )
( )
= + = = =

2 , 1 2 1 , , ,
2 , 1 ,
j
R y x
i j i
R y x
j i j i
y x p y x y x p y x . Y X . 6 , 6
XY j i XY j i

0licando la roiedad distributiva ( searando en dos sumas

( ) = + = + =

2 , 1 2 , 1 2 , 1 2 1
2 , 1 2 , 1 2 , 1
j
R y x
i j j i
R y x
i j
R y x
i j i
y x p y y x p x y x p y x , 6
XY j i XY j i XY j i

+ean X e Y dos variables aleatorias arbitrarias. Entonces ( ) ( ) ( ) Y 6 X 6 Y X 6 + = + .
1-6

= + = + =
j i
j i j
i j
j i i j i
i j
j j i
i j
i
y x p y y x p x y x p y y x p x 2 , 1 2 , 1 2 , 1 2 , 1

Pero 2 1 2 , 1
=
j
i j i
x p y x p ( 2 1 2 , 1
=
i
j j i
y % y x p , or lo tanto
2 1 2 1 2 1 2 1 Y 6 X 6 y % y x p x
j
j j i
i
i
+ = + =

Para el caso continuo la demostraci'n es an$lo"a, cambiando sumatorias or inte"rales.

Podemos "eneraliFar la roiedad anterior a un n#mero finito cual&uiera de variables aleatorias*

1leeremos* 7la eseranFa de la suma es la suma de las eseranFas82

<em.2 +e deduce or inducci'n comleta sobre el n#mero n de variables aleatorias.

Mbservaci'n* se deduce &ue la eseranFa verifica la propiedad lineal*

( )

= =
= |
\
|
n
i
i i
n
i
i i
X 6 a X a 6
1 1
.

E%emlos*
1. Vamos a alicar al"unas de las roiedades anteriores ara calcular de una manera alternativa la ese.
ranFa matem$tica de una variable aleatoria X distribuida binomialmente.
+ea entonces una v.a. X~B1n,p2.
:a vimos &ue odemos escribir
n
X X X X + + + = ...
- 1
donde cada
i
X se la uede considerar 2 , 1 1 p B ,
( adem$s
n
X X X ,..., ,
- 1
son indeendientes
Entonces
p X P X P X P X 6
i i i i
= = = = + = = 2 1 1 2 0 1 0 2 1 1 1 2 1 ara cual&uier i
Por lo tanto
( ) ( ) ( ) ( ) np p p p X 6 X 6 X 6 X X X 6 X 6
)eces n
n n
= + + + = + + + = + + + =
4 43 4 42 1
... ... ... 2 1
- 1 - 1

-. El esesor X de una cu=a de madera 1en milmetros2 tiene una funci'n de densidad de robabilidad

a! <etermine E1X2
b! +i : denota el esesor de una cu=a en ul"adas 11mm / 0.06A@ ul"adas2, determine E1Y2
c! +i se seleccionan tres cu=as de manera indeendiente ( las ailamos una encima de otra, encuentre la me.
+ean
n
X ,..., X , X
- 1
n variables aleatorias arbitrarias. Entonces*

( ) ( ) ( ) ( )
n n
X 6 ... X 6 X 6 X ... X X 6 + + + = + + +
- 1 - 1
o, en notaci'n m$s concentrada,*

( )

= =
= |
\
|
n
i
i
n
i
X 6 X 6
1 1
1

( )
=
lado otro en 0
5 @
@
5 6
@
6
2 1
-
x
x
x f
1-@
dia ( la varianFa del esesor total.

a! Verifi&ue el lector &ue

5 2 5 1
@
6
@
6
2 1
5
@
-
=
|
|
\
|
=
dx x x X 6

b! X Y 06A@ . 0 = entonces 1A; . 0 2 1 06A@ . 0 2 06A@ . 0 1 2 1 = = = X 6 X 6 Y 6
c! 3otar &ue si
i
X * 7esesor de cu=a i8 , i / 1, -, 6 entonces
X X X X 6 - 1
+ + = es el esesor total
Por lo tanto 15 5 5 5 2 1 2 1 2 1 2 1 2 1
6 -
1
6 -
1
= + + = + + = + + =
X
6
X
6 X 6
X X
X 6 X 6

Mbservaci'n* muchas veces es conveniente descomoner una variable aleatoria como suma de otras m$s
simles ara facilitar los c$lculos

6. %speran&a de una v.a. binomial negativa (o#tativo!
4uando se trat' la v.a. binomial ne"ativa se di%o cu$l era su eseranFa. 0hora damos una demostraci'n
+ea X v.a. binomial ne"ativa con ar$metros ! ( p, es decir 2 , 1 P p ! B3 X
+i definimos
1
X * 7n#mero de reeticiones del exerimento re&ueridos hasta el 1G !xito8
-
X * 7n#mero de reeticiones del exerimento adicionales re&ueridos hasta el -G !xito8
6
X * 7n#mero de reeticiones del exerimento adicionales re&ueridos hasta el 6G !xito8
: en "eneral
i
X * 7n#mero de reeticiones del exerimento adicionales desu!s del (i45Q!simo !xito re&ueridos hasta
el i.!simo !xito8
Entonces cada variable tiene distribucin geom#trica con par$metro p (
!
X X X X + + + = ...
- 1

Por lo tanto
( ) ( ) ( ) ( )
p
!
p
!
p p p
X 6 X 6 X 6 X X X 6 X 6
)eces !
! !
= = + + + = + + + = + + + =
1 1
...
1 1
... ... 2 1
- 1 - 1
4 4 3 4 4 2 1

@. %speran&a de una v.a. 'ipergeom#trica (o#tativo!
2 1 entonces 2 , 1 P +i
3
n9
X 6 3 9, n . X =
Para facilitar la demostraci'n suon"amos &ue tenemos 3 bolillas en una urna de las cuales 9 son ro%as
( 349 son blancas. Kueremos hallar el n#mero eserado de bolillas ro%as extradas
<efinimos las variables

=
cont!a!io caso
ext!a0da es !oja bo$i$$a 1sima i $a si
X
i
0
1

,as variables
9
X X X ,... ,
- 1
no son independientes
+e uede escribir
9
X X X X + + + = ...
- 1
, adem$s

3
n
n
3
n
3
X P X 6
i i
=
|
|
\
|
|
|
\
|
|
|
\
|
= = =
1
1
1
1
2 1 1 2 1
Por lo tanto
1-5

( ) ( ) ( ) ( )
3
n9
3
n
9
3
n
3
n
3
n
X 6 X 6 X 6 X X X 6 X 6
)eces 9
9! 9
= = + + + = + + + = + + + =
4 4 3 4 4 2 1
... ... ... 2 1
- 1 - 1

En "eneral la esperan&a de un producto de variables aleatorias no es igual al producto de las esperan-
&as

1leeremos*8 la eseranFa del roducto es el roducto de las eseranFas82.

<em.2 1caso continuo2
+ea ( ) Y . X Y , X . , = = ( sea ( ) y , x f la fdp con%unta de la v.a. ( ) Y , X . Entonces, usando el teo!ema
&ue establece &ue ( ) ( ) | | ( ) ( )

= = dxdy y , x f y , x . Y , X . 6 , 6 , tenemos*

( ) ( ) ( )

= dxdy y , x f y . x Y . X 6 . Pero siendo X e Y variables aleatorias indeendientes es
( ) ( ) ( ) y ( x ' y , x f = , donde ( ) x ' ( ( ) y ( son las fdp mar"inales de X e Y &ue sabemos coinciden con las
fdp de X e Y tomadas como variables aleatorias unidimensionales. ,ue"o*

( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) , Y 6 . X 6
dy y y( dx x x' dxdy y ( x ' y . x Y . X 6
=
= =

donde en la #ltima i"ualdad tuvimos en cuenta la definici'n de eseranFa de v.a. unidimensionales.

E%emlo*
3uevamente consideramos el si"uiente e%emlo
+uon"amos &ue debido a innumerables causas incontrolables la corriente i ( la resistencia ! de un cir.
cuito varan aleatoriamente de forma tal &ue ueden considerarse como variables aleatorias 7 ( R inde.
endientes. +uon"amos &ue las corresondientes fdp son*

( )

=
)a$o!es dem"s
i i
i '
0
1 0 -
( )

=
)a$o!es dem"s
!
!
! (
0
6 0
A
-

3os interesa considerar el volta%e ! . i ) = de manera &ue odemos definir la variable aleatoria R . 7 8 = .
Hallar el valor eserado o eseranFa matem$tica del volta%e* ( ) 8 6 .
4omo > ( J son indeendientes, usando la roiedad anterior

( ) 2 1 2 1 R 6 7 6 8 6 =
+i ( ) Y , X es una variable aleatoria bidimensional tal &ue X e Y son variables aleatorias independien-
tes, entonces* ( ) ( ) ( ) Y 6 . X 6 Y . X 6 =
1-5

6
-
6
- 2 - 1 2 1
1
0
6 1
0
= = =
i
di i i 7 6 1
A
6
A
1
@ A
1
A
2 1
@
6
0
@ 6
0
-
= = =
|
|
\
|
=
!
d!
!
! R 6

6
-
1
6
-
2 1 = = 8 6

%arian(a de una suma de variables aleatorias

.

<em.2 Escribimos la varianFa en su forma alternativa

( ) | | ( ) ( ) | |
- -
Y X 6 Y X 6 Y X 8 + + = + . <esarrollamos los cuadrados ( alicamos la roiedad lineal de
la eseranFa*

( ) ( ) ( ) ( ) | |
( ) ( ) ( ) ( ) | | ( ) ( ) ( ) | | { }
- - - -
- - -
- -
-
Y 6 Y 6 X 6 X 6 Y 6 Y . X 6 X 6
Y 6 X 6 Y Y . X . X 6 Y X 8
+ + + + =
+ + + = +

0"ruando convenientemente*

( ) ( ) ( ) | | { } ( ) ( ) | | { } ( ) ( ) ( ) { }
( ) ( ) ( ) ( ) ( ) { } Y 6 X 6 Y . X 6 Y 8 X 8
Y 6 X 6 Y . X 6 Y 6 Y 6 X 6 X 6 Y X 8
+ + =
+ + = +
-
-
- - - -
, es decir

( ) ( ) ( )
XY
: Y 8 X 8 Y X 8 - + + = +

Mbservaciones*
1. )eniendo resente la definici'n de la desviaci'n est$ndar de una v.a. X: ( ) X 8 :
X
= , vemos &ue a la
roiedad anterior la odemos escribir*

( )
XY Y X
: : : Y X 8 -
- -
+ + = +

-. 0n$lo"amente se rueba &ue ( )
XY Y X
Y X 8 o o o -
- -
+ =

6. X e Y son indeendientes, entonces ( ) ( ) ( ) Y 8 X 8 Y X 8 Y X 8 + = = + 2 1
Esto es or&ue si las variables aleatorias X e Y son indeendientes, entonces ( ) ( ) ( ) Y 6 . X 6 Y . X 6 = .
Por lo tanto la covarianFa vale cero * ( ) ( ) ( ) 0 = = Y 6 . X 6 Y . X 6 :
XY
.

( ) ( ) ( )
XY
Y 8 X 8 Y X 8 o - + + = + con ( ) ( ) ( ) Y 6 . X 6 Y . X 6 :
XY
=
( ) ( ) ( ) Y 6 . X 6 Y . X 6 :
XY
= se la llama la covarian&a de X e Y.
1-;
@. Podemos "eneraliFar, usando el rinciio de inducci'n comleta, al caso de n variables aleatorias
indeendientes*
+i
n
X ,..., X , X
- 1
son n variables aleatorias indeendientes entonces*
( ) ( ) ( ) ( )
n n
X 8 ... X 8 X 8 X ... X X 8 + + + = + + +
- 1 - 1
o, en forma m$s comacta, ( )

= =
= |
\
|
n
i
i
n
i
i
X 8 X 8
1 1
.
5. Vemos &ue la eseranFa de la suma de dos variables aleatorias X e Y es i"ual a la suma de las ese.
ranFas ( ) ( ) ( ) Y 6 X 6 Y X 6 + = + cuales&uiera sean X e Y . En cambio la varianFa de la suma de las va.
riables aleatorias X e Y es, en "eneral, i"ual a la suma de las varianFas, ( ) ( ) ( ) Y 8 X 8 Y X 8 + = + , s'lo si
X e Y son variables indeendientes.

E%emlos*
1. Podemos e%emlificar la alicaci'n de las roiedades de la varianFa, calculando nuevamente la va.
rianFa de una v.a. X distribuida binomialmente con ar$metros n ( p.
+ea entonces una v.a. X~B1n,p2. Vimos &ue se uede escribir*
n
X X X X + + + = ...
- 1
, donde las n variables aleatorias son indeendientes entre s ( tienen todas la
misma distribuci'n*
( ) p B X
i
, 1 ~ n ,..., , i - 1 =
Entonces, trat$ndose de n variables aleatorias indeendientes
( ) ( ) ( ) ( )
n
X 8 X 8 X 8 X 8 + + + = ...
- 1
todas la varianFas son i"uales ( odemos escribir la suma como n
veces una cual&uiera de ellas*
( ) ( )
i
X n8 X 8 = . Pero
( ) ( ) ( ) | |
- -
i i i
X 6 X 6 X 8 = .
:a vimos &ue ( ) ( ) 0 1 0 . 1 = + = p p X 6
i

0dem$s es* ( ) ( ) p p p X 6
i
= + = 1 0 . 1
- - -

Entonces* ( ) ( ) ( ) | | ( ) p p p p X 6 X 6 X 8
i i i
= = = 1
- - -
.
,ue"o*
( ) ( ) ( ) p np X n8 X 8
i
= = 1
&ue es el resultado &ue habamos obtenido a artir de la definici'n ( llevando las sumas involucradas a
la forma del desarrollo de un binomio de 3eRton.

-. (arian&a de una v.a. binomial negativa
:a vimos &ue odemos escribir
!
X X X X + + + = ...
- 1
, donde cada variable
i
X tiene distribucin
geom#trica con par$metro p
Por lo tanto
( ) ( ) ( ) ( )
-
- 1
1
...
p
p
! X 8 X 8 X 8 X 8
!

= + + + =

4.+ - ,ovarian(a

+ean X e Y dos variables aleatorias. ,a covarian&a de X e Y se define*

( ) | | ( ) | | { } ( ) ( ) ( ) Y 6 X 6 Y X 6 Y 6 Y X 6 X 6 Y X ;o) . . . 2 , 1 = =
1-B

3otaci'n* la notaci'n usual ara la covarianFa de X e Y es
XY
: o 2 , 1 Y X ;o)

,a #ltima i"ualdad sur"e de desarrollar el roducto ( alicar las roiedades de la eseranFa*
( ) | | ( ) | | { } ( ) ( ) ( ) ( ) { } Y 6 X 6 Y . X 6 Y 6 . X Y . X 6 Y 6 Y . X 6 X 6 + =

)eniendo resente &ue ( ) X 6 ( ( ) Y 6 son constantes*
( ) | | ( ) | | { } ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Y 6 . X 6 Y . X 6 Y 6 X 6 Y 6 X 6 Y 6 . X 6 Y . X 6 Y 6 Y . X 6 X 6 = + = .

,a eseranFa en la definici'n debe ensarse de la si"uiente manera 1suoniendo &ue la v.a. ( ) Y , X es
continua2*
( ) { } ( ) ( )

= = dxdy y x f y x . Y X . 6 Y X ;o) , , , 2 , 1 con ( ) ( ) | | ( ) | | Y 6 y . X 6 x y , x . =

:a vimos la si"uiente roiedad

<em. 2
+e"#n vimos, si X e Y son variables aleatorias indeendientes, entonces ( ) ( ) ( ) Y 6 . X 6 Y . X 6 = , de donde
se si"ue la roiedad.

-ro#iedades de la covarian(a

,as si"uientes roiedades son #tiles ( su verificaci'n se de%a como e%ercicio
1. 2 , 1 2 , 1 Y X bd;o) dY c bX a ;o) = + +
-. 2 , 1 2 , 1 2 , 1 , Y ;o) , X ;o) , Y X ;o) + = +
6.

= = = =
=
|
|
\
|
n
i
m
j
j i
m
j
j
n
i
i
Y X ;o) Y X ;o)
1 1 1 1
2 , 1 ,
@. 2 1 2 , 1 X 8 X X ;o) =

E%emlo*
<e una ca%a con frutas &ue contiene 6 naran%as, - manFanas ( 6 l$tanos se selecciona una muestra de
@ frutas. +ean las variables aleatorias
X* 7 nG de naran%as extradas8
Y* 7nG de manFanas extradas8
3otar &ue la f.d.p. con%unta de (X,Y es
@ 1 H - , 1 , 0 H 6 , - , 1 , 0
@
B
@
6 - 6
2 , 1 + = =
|
|
\
|
|
|
\
|

|
|
\
|
|
|
\
|
= = = y x y x
y x y x
y Y x X P
Es un e%emlo de v.a. 'ipergeom#trica bidimensional.
)ambi!n se odra haber resentado la f.d.p. con%unta en una tabla, donde tambi!n fi"uran las distri.
buciones mar"inales de X e Y.

+i X e Y son variables aleatorias indeendientes, entonces 0 2 , 1 = Y X ;o) .
1-A

a2 C4uales son 6(X , 8(X, 6(Y ( 8(Y<

-
6
;0
105

;0
5
6
;0
60
-
;0
60
1
;0
5
0 2 1
= =
= + + + = X 6

1
;0
15
-
;0
@0
1
;0
15
0 2 1 = + + = Y 6
Verifi&ue el lector &ue
-B
15
2 1 = X 8 (
;
6
2 1 = Y 8

b2 C+on X e Y indeendientesD
0 2 0 , 0 1 = = = Y X P ero 0
;0
15
;0
5
2 0 1 2 0 1 = = = = Y P X P
Por lo tanto X e Y son deendientes, lo &ue imlica &ue 0 2 , 1 = Y X ;o)

c2 C4u$l es la ;o)(X,Y<

2 1 2 1 2 1 2 , 1 Y 6 X 6 XY 6 Y X ;o) =

;0
A0
0 - 6
;0
-
1 6
;0
6
0 6
;0
6
- -
;0
1B
1 -
;0
A
0 -
;0
A
- 1
;0
1B
1 1
;0
6
0 1
;0
6
- 0
;0
-
1 0 0 0 0 2 1
= + + +
+ + + +
+ + + +
+ + + = XY 6

Entonces
1@
6
1
-
6
;
A
2 1 2 1 2 1 2 , 1 = = = Y 6 X 6 XY 6 Y X ;o)

d2 S / XEY simboliFa el total de naran%as ( manFanas extradas

C4u$l es la 6(, ( 8(, D

5 . - 1
-
6
2 1 2 1 2 1 2 1 = + = + = + = Y 6 X 6 Y X 6 , 6

-B
15
1@
6
-
;
6
1B
15
2 , 1 - 2 1 2 1 2 1 =
|
|
\
|
+ + = + + = Y X ;o) Y 8 X 8 , 8

e2 +uon"amos &ue cada naran%a cuesta -T ( cada manFana cuesta 1.5T entonces

Y X - 5 . 1 - + = es el costo del total de frutas extradas. Hallar 6(- ( 8(-

T 5 . @ 2 1 5 . 1 2 1 - 2 5 . 1 - 1 2 1 = + = + = Y 6 X 6 Y X 6 - 6
X?Y 0 1 2
0 0 -?;0 6?;0 5?;0
1 6?;0 1B?;0 A?;0 60?;0
2 A?;0 1B?;0 6?;0 60?;0
" 6?;0 -?;0 0 5?;0
15?;0 @0?;0 15?;0
160

-B
51
2 , 1 5 . 1 - - 2 1
5 . 1
2 1
-
2 5 . 1 - 1 2 1
- -
= + + = + = Y X ;o) Y 8 X 8 Y X 8 - 8

4.. - ,oe*iciente de correlacin lineal.

En realidad m$s &ue la covarianFa a&u nos interesa considerar una cantidad relacionada con
XY
: ( &ue
se"#n veremos nos dar$ informaci'n sobre el "rado de asociaci'n &ue existe entre X e Y . M$s concre.
tamente nos contar$ si existe al"#n "rado de relaci'n lineal entre X e Y . Esa cantidad es el coeficiente de
correlaci'n lineal.
En el mismo sentido en &ue odemos tener una idea aroximada sobre la robabilidad de un suceso * si
reetimos el exerimento ( consideramos las ocurrencias de * en las n reeticiones,
as odemos tener tambi!n una rimera idea sobre la existencia de una relaci'n funcional, esecfica.
mente una relaci'n lineal, entre X e Y si consideramos un diagrama de dispersin. 4onsiste en dibu%ar
ares de valores ( )
j i
y , x medidos de la variable aleatoria ( ) Y , X en un sistema de coordenadas. En la
fi"ura mostramos diversas situaciones osibles.

<e la fi"ura a se deducira &ue entre X e Y no ha( nin"#n tio de relaci'n funcional. ,a fi"ura b su"iere
la osibilidad de &ue exista una relaci'n funcional &ue corresonde a una ar$bola. ,a fi"ura c, or su
arte, su"iere una relaci'n lineal entre X e Y . Este #ltimo es el comortamiento &ue nos interesa caracte.
riFar. 4on ese fin definimos el coeficiente de correlaci'n lineal como si"ue*

En consecuencia*

( ) | | ( ) | | { }
( ) ( )
( ) ( ) ( )
( ) ( ) Y 8 . X 8
Y 6 . X 6 Y . X 6
Y 8 . X 8
Y 6 Y . X 6 X 6
=
XY

=

= .
0
0
a b c
x x
y y y
(x
i
y
i

x
+ea ( ) Y , X una variable aleatoria bidimensional. <efinimos el coeficiente de correlacin lineal entre
X e Y como
Y X
XY
Y X ;o)
o o
2 , 1
=
161

<aremos una serie de roiedades de
XY
= &ue nos ermitir$n establecer m$s concretamente su si"nifi.
cado.

-ro#iedad 1

<em.2 inmediata a artir del hecho &ue si 9 e : son indeendientes entonces 2 1 2 1 2 1 Y 6 X 6 XY 6 =

Mbservaci'n* ,a inversa no es necesariamente cierta. Puede ser &ue 0 =
XY
= ( sin embar"o X e Y no
sean variables aleatorias indeendientes. En efecto si tenemos una v.a. bidimensional ( ) Y , X &ue da
lu"ar a un dia"rama de disersi'n como el &ue se muestra en la fi"ura, veremos &ue corresondera a un
coeficiente de correlaci'n lineal 0 =
XY
= ( sin embar"o la fi"ura su"iere &ue entre X e Y existe la rela.
ci'n funcional 1
- -
= +Y X , es decir X e Y son v.a. deendientes. En realidad, como veremos,
XY
= es
una medida de la existencia de una relaci'n lineal entre X e Y ( una circunferencia se ale%a mucho de
una lnea recta.

-ro#iedad 2 *

<em.2
+i consideramos la v.a.
Y X
Y X
o o
+ entonces
( )
XY
Y X Y X Y X
Y X ;o) Y 8 X 8 Y X
8
o o
o o
o o
+ = + + =
|
|
\
|
+ 1 -
2 , 1 - 2 1 2 1
0
- -

>mlicando &ue
XY
1

Por otro lado* ( )
XY
Y X Y X Y X
Y X ;o) Y 8 X 8 Y X
8
o o
o o
o o
= + =
|
|
\
|
1 -
2 , 1 - 2 1 2 1
0
- -

y
x
0
1 - 6 .1 .-
.1
1
+i X e Y son variables aleatorias indeendientes entonces 0 =
XY
= .
1 1
XY
=
16-
>mlicando &ue 1
XY

1 1
XY

-ro#iedad " *

<em.2 +i 1
-
=
XY
= entonces 1 =
XY
o 1 =
XY

+i 1 =
XY
entonces de la demostraci'n anterior se deduce &ue

( ) 0 1 - = + =
|
|
\
|
+
XY
Y X
Y X
8
o o
, lo &ue imlica &ue la v.a.
Y X
Y X
,
o o
+ = tiene varianFa cero. +e"#n la
interretaci'n de varianFa odemos deducir 1en forma intuitiva2 &ue la v.a. no tiene dispersin con res-
pecto a su esperan&a, es decir la v.a. ) es una constante con probabilidad *
Por lo tanto esto imlica &ue B X . * Y + = con 0 < =
X
Y
*
o
o

0n$lo"amente 1 =
XY
imlica &ue B X . * Y + = con 0 > =
X
Y
*
o
o

-ro#iedad 4 *

<em.2 se de%a como e%ercicio

Mbservaci'n* 4laramente las roiedades anteriores establecen &ue el coeficiente de correlaci'n lineal
es una medida del "rado de linealidad entre X e Y.

+i 1
-
=
XY
= , entonces con robabilidad 1 es B X . * Y + = donde * ( B son constantes.
+i X e Y son dos variables aleatorias tales &ue B X . * Y + = , donde * ( B son constantes,
entonces 1
-
=
XY
= . +i 0 > * es 1 =
XY
= ( si 0 < * es 1 =
XY
= .
166
-r/ctica
%ariable aleatoria bidimensional
Funciones de variables aleatorias bidimensionales

12 4ierto suermercado tiene una ca%a de salida com#n ( una ca%a r$ida. <enote or 9
1
el n#mero de
clientes &ue est$n en esera en la ca%a com#n en un momento en articular del da, ( or 9
-
el n#me.
ro de clientes en esera en la ca%a r$ida al mismo tiemo. +uon"a &ue la fd con%unta de 9
1
( 9
-

es como se indica en la tabla si"uiente*

9
1

0 1 - 6
0 0.0B 0.0; 0.0@ 0.00
1 0.05 0.15 0.05 0.0@
- 0.05 0.0@ 0.10 0.05
6 0.00 0.06 0.0@ 0.0;

9
-

@ 0.00 0.01 0.05 0.05

a2 C4u$l es P19
1
/ 1, 9
-
/ 12, esto es, la robabilidad de &ue ha(a exactamente un cliente en cada
lnea de eseraD.
b2 C4u$l es P19
1
/ 9
-
2, esto es, la robabilidad de &ue los n#meros de clientes de las dos lneas de
esera sean i"ualesD
c2 +ea 0 el evento de &ue ha(a or lo menos dos clientes m$s en una lnea de esera &ue en la otra.
Exrese 0 en t!rminos de 9
1
( 9
-
( calcule la robabilidad de este evento.
d2 C4u$l es la robabilidad de &ue el n#mero total de clientes de las dos lneas de esera sea exac.
tamente cuatroD. C: or lo menos cuatroD.
e2 <etermine la fd. mar"inal de 9
1
( la fd mar"inal de 9
-
.
f2 Por insecci'n de las robabilidades P19
1
/ @2, P19
-
/02 ( P19
1
/ @, 9
-
/02, Cson 9
1
( 9
-
varia.
bles aleatorias indeendientesD

-2 +e asi"nan aleatoriamente los contratos ara dos construcciones a una o m$s de tres emresas 0, B (
4. +ea :
1
el numero de contratos asi"nados a la emresa 0, e :
-
el numero de contratos asi"nados a
la emresa B. Jecu!rdese &ue cada emresa uede recibir 0, 1 o - contratos.
a2 Encuentre la funci'n de robabilidad con%unta ara :
1
e :
-
.
b2 Mbten"a U11,02.
c2 <etermine la distribuci'n de robabilidad mar"inal de :
1
( de :
-
.
d2 C +on :
1
e :
-
indeendientes D.

62 In in"eniero mide la cantidad , 1or eso2, de un contaminante articular en unas muestras de aire de
cierto volumen reco"idas sobre la chimenea de una central de ener"a el!ctrica &ue funciona a carb'n.
+ea 9 la cantidad del contaminante or muestra reco"ida cuando no est$ funcionando cierto disositi.
vo de limieFa en la chimenea, ( sea : la cantidad de contaminante or muestra reco"ida ba%o las
mismas condiciones ambientales cuando el disositivo est$ traba%ando. +e observa &ue el comorta.
miento de la frecuencia relativa de 9 e : uede tener el modelo *

a2 <etermine el valor de V.
f1x,(2 /
V si 0 x 0 ( 1 H -( x
0 en otro lado

- H

16@
b2 4alcule P19 6:2 , es decir encuentre la robabilidad de &ue el disositivo de limieFa reduFca la
cantidad de contaminante en un tercio o m$s.
c2 +i est$ funcionando el disositivo limiador, calcule la robabilidad de &ue la cantidad de contami.
nante en una muestra sea ma(or &ue 0.5.
d2 <ado &ue la cantidad de contaminante en una muestra obtenida cuando funciona el limiador es
ma0or de 0.5, calcule la robabilidad de &ue la cantidad de contaminante, si no hubiera funcionado
el disositivo limiador, hubiera sido ma(or &ue 1.5
e2 <ado &ue la cantidad de contaminante en una muestra obtenida cuando funciona el limiador es
igual a 0.5, calcule la robabilidad de &ue la cantidad de contaminante, si no hubiera funcionado el
disositivo limiador, hubiera sido ma(or &ue 1.5
f2 C+on indeendientes las cantidades de contaminantes or muestra reco"ida con ( sin el disositivo
de limieFaD.

@2 +ean 9 e : las roorciones de dos tios diferentes de comonentes de una muestra
de una meFcla de roductos &umicos utiliFada como insecticida.. +uon"a &ue 9 e :
tienen la funci'n de densidad con%unta dada or *

a2 Encuentre P19 W ,: W2
b2 4alcular P19 N,: N2
c2 4alcule P19 N O : X2
d2 4alcule P19 N O : / X2
e2 C+on 9 e : indeendientes D

52 ,a duraci'n : ara los fusibles de cierto tio se reresenta or la fd*

( )
>
=

contrario caso 0
0 ( ,
6
1
f1(2
(?6
e

1,as mediciones se indican en cientos de horas2.
a2 +i dos de estos fusibles tienen duraciones indeendientes :
1
e :
-
, encuentre la fd con%unta ara
:
1
e :
-
.
b2 In fusible de a2 se encuentra en un sistema rincial ( el otro en un sistema de emer"encia &ue
entra en funci'n solamente si falla el sistema rincial. ,a duraci'n efectiva total de los dos fusi.
bles es entonces :
1
E :
-
. 4alcule P1:
1
E :
-
12.

52 En un autom'vil seleccionado al aFar, se revisa el des"aste de cada neum$tico, ( cada faro delantero
se verifica ara ver si est$ correctamente alineado. <enotemos or 9 el n#mero de faros delanteros
&ue necesitan a%uste ( or : el n#mero de neum$ticos defectuosos.
a2 +i 9 e : son indeendientes con las si"uientes fd

x 0 1 -
1x2 0.5 0.6 0.-

Presente la fd con%unta de 9 e : en una tabla de robabilidad con%unta.

f1x,(2 /

unto otro cual&uier en 0
1 ( E x 0 H 1 ( 0 H 1 x 0 si -

( 0 1 - 6 @
1(2 0.5 0.1 0.05 0.05 0.-
165
b2 4alcule P19 1, : 12
c2 C4u$l es la P1 9E: /02, 1la robabilidad de no defectos2D
d2 4alcule P19E: 12

;2 ,a diferencia entre el n#mero de clientes en la lnea de esera com#n ( el n#mero de ellos en la lnea
de esera de la ca%a r$ida del e%ercicio 12 es 9
1
.9
-
. 4alcular la diferencia eserada.

B2 4onsidere un e&ue=o bote transbordador &ue tiene caacidad ara autom'viles ( autobuses. ,a cuo.
ta ara autom'viles es T6 ( la de autobuses es T10. <enotamos or 9 e : el n#mero de autom'viles
( autobuses, resectivamente, transortados en un solo via%e, ( suon"a &ue la distribuci'n con%unta
de 9 e : est$ dada or*
Y

0 1 2
0 0.0-5 0.015 0.010
1 0.050 0.060 0.0-0
X 2 0.1-5 0.0;5 0.050
" 0.150 0.0A0 0.050
4 0.100 0.050 0.0@0
$ 0.050 0.060 0.0-0
4alcular el in"reso eserado de un solo via%e.

A2 In to'"rafo desea traFar una re"i'n cuadrada con cada lado de lon"itud >. +in embar"o, debido a
un error de medici'n, traFa un rect$n"ulo en el &ue los lados norte.sur tienen ambos una lon"itud 9
( los lados este.oeste tienen lon"itud :. +uon"a &ue 9 e : son indeendientes ( &ue cada uno tiene
fd*

+
=
c c
* > x * >
*
x f
. , 0
,
-
1
2 1
+
=
c c
* > y * >
*
y f
. , 0
,
-
1
2 1
donde 0Y*Y>. C4u$l es el $rea eserada del rect$n"ulo resultanteD

102 a2 <etermine la covarianFa ( la correlaci'n de las variables :
1
e :
-
del e%ercicio -2
b2 <etermine la covarianFa ( la correlaci'n de las variables 9 e : del e%ercicio @2

5 V.A. Bidimensionales

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

5 V.A. Bidimensionales

Uploaded by

Copyright:

Available Formats

Variables aleatorias bidimensionales Prof. Mara B.

You might also like