Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variables aleatorias
Ejemplo 21 Si queremos estudiar “la suma de dos dados lanzados uno tras otro”, de los 36 resultados
(a, b), estudiaremos los 11 posibles resultados a + b. Si ninguno de los dados está trucado, nuestro
modelo de probabilidad será:
1
36
si a + b = 2
2 si a + b = 3
36
P ( Suma sea ω) = ..
.
1
36
si a + b = 12
Para ambas características estamos utilizando el mismo modelo de probabilidad sobre el espacio
muestral de 36 sucesos elementales: Ω = {(1, 1), (1, 2), . . . , (6, 5), (6, 6)}. Y este modelo de probabili-
dad nos permite modelar ambas características (o cualquier otra asociada al experimento).
Definición 3.1.1. Una variable aleatoria X es una “función” X : Ω −→ R, que a cada elemento del
espacio muestral le hace corresponder un número real.
La idea recogida en esta definición es que para cada suceso elemental, ω ∈ Ω, el valor X(ω)
representa la característica que queremos estudiar.
41
Densidad y distribución
Ejemplo 22 En el experimento del lanzamiento sucesivo de dos dados, estamos considerando las
siguientes variables aleatorias:
X = suma de los dados ;
Y = diferencia (en valor absoluto) de ambos dados .
A partir de ellas podemos definir distintos sucesos aleatorios. Por ejemplo:
A1 = {ω ∈ Ω : X(ω) = 5} ; A2 = {ω ∈ Ω : X(ω) > 7} ;
A3 = {ω ∈ Ω : Y (ω) ≤ 4} ; A4 = {ω ∈ Ω : (X − Y )(ω) = 6} .
Y nos interesará conocer la probabilidad de los diferentes sucesos correspondientes a una variable
aleatoria, es decir, su modelo o función de probabilidad.
Definición 3.1.2. Sea X : Ω −→ R una variable aleatoria. Si A es un subconjunto de R, definimos:
P (A) = P (X ∈ A) := P ({ω ∈ Ω : X(ω) ∈ A}) .
Ejemplo 23 De los tres primeros sucesos del ejemplo anterior, considerando que los dados no están
trucados, tenemos que:
4 1 5+4+3+2+1 15 5 2 17 7
P (A1 ) = = ; P (A2 ) = = = ; P (A3 ) = 1 − = ; P (A4 ) =
36 9 36 36 12 36 18 36
que hemos calculado con las siguientes evidentes igualdades:
¢
P (A2 ) = P (X > 7)) = P (X = 8) + P (X = 9) + P (X = 10) + P (X = 11) + P (X = 12)
P (A3 ) = P ((Y ≤ 4)) = 1 − P ((Y = 5)) .
Obsérvese el abuso de notación, P (X > x) en lugar de P (X(ω) > x) por ejemplo, que utilizaremos,
para simplificar, siempre que esté claro lo que queremos decir. Por último, los casos ω = (a, b) en que
se verifica (X − Y )(ω) = 6 son siete: (3, 3), (3, 4), (4, 3), (3, 5), (5, 3), (3, 6) y (6, 3).
2. lı́m F (x) = 1;
x→∞
42
Variables aleatorias
Es fácil, dada una función de distribución, calcular la probabilidad de diferentes tipos de inter-
valos de la recta real. Basta tomar la definición, P ((−∞, x]) = F (x) y las propiedades generales de
cualquier función de distribución. Denotaremos por
La última de ellas nos dice que si la función de distribución, F , tiene un salto en un punto, la
probabilidad de ese punto es positiva.
Ya hemos dicho que al estudiar una variable aleatoria nos interesará conocer su función de proba-
bilidad. La función de distribución caracteriza completamente la de probabilidad. Ahora bien, para
los casos más interesantes de variables aleatorias que trataremos, hay herramientas más sencillas que
la función de distribución para conocer el reparto de probabilidad. Éstas son: la función de masa,
para una variable aleatoria discreta; la función de densidad, si la variable aleatoria es continua.
F (x)
•
•
x1 x2 x3 x
Obsérvese que la función de distribución, F (x), es no decreciente (¿por qué?).
43
Densidad y distribución
La variable aleatoria X, es una función del espacio muestral Ω en R que sólo toma los 11 valores en-
teros: 2, 3, . . . , 12. Puesto que los dados no están trucados, los sucesos elementales son equiprobables,
y así:
1
P ({(a, b)}) = , para cualquier (a, b) ∈ Ω .
36
Puesto que podemos contar cuántos elementos de Ω hay en cada uno de los sucesos X = 2, X = 3,
. . . , X = 12, conocemos la función de masa de la variable X. La siguiente tabla de valores, determina
completamente la función de masa de X:
xi 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
P (X = xi )
36 36 36 36 36 36 36 36 36 36 36
Obsévese que
1+2+3+4+5+6+5+4+3+2+1
= 1.
36
Por su parte la función de distribución, F : R −→ [0, 1], viene dada por:
y para 2 ≤ x < 12, va subiendo de 0 a 1 paulatinamente creando una gráfica con escalones horizontales
entre cada dos enteros consecutivos, con los saltos en cada entero determinados por la función de
masa (dibujar la gráfica).
44
Variables aleatorias
Conviene resaltar que para una variable aleatoria continua X, los sucesos unitarios, A = {t}, tienen
probabilidad 0 pues: Z
P ({t}) = f (x) dx = 0 .
{t}
Este hecho viene a decir que si X es una variable aleatoria continua, la probabilidad de que X tome
un valor particular es nula: P (X = t) = P ({t}) = 0. Como consecuencia, la función de distribución
no tiene saltos, es decir, es continua.
La función de distribución se obtiene a partir de la función de densidad:
Z x
F (x) = P ((−∞, x]) = f (t) dt .
−∞
f (x) = F 0 (x) .
ª U q
• ◦ ◦ •
O=0 C D A=5
Puesto que el punto B se sitúa al azar en el intervalo OA, la distribución es uniforme sobre OA, es
decir, la función de densidad es constante, y así:
(
0 si x < 0
0 si x ∈ / [0, 5] Z x1 x
f (x) = 1 =⇒ F (x) = dt = si x ∈ [0, 5]
si x ∈ [0, 5]
0 5 5
5 1 si x ≥ 5 .
f (x) F (x)
1
5
x x
45
Esperanza: media y varianza
Definición 3.3.1. Dada una variable aleatoria discreta, X, con función de masa P (xi ), i = 1, 2, . . . ,
se define su media o esperanza como:
X
µ = E[X] = xi P (xi ) .
i
De manera análoga, si X es una variable aleatoria continua, con función de densidad f (x), se
define su media o esperanza como:
Z
µ = E[X] = xf (x) dx .
R
Pasemos a las medidas de dispersión (en el capítulo de Estadística vimos la utilidad de estas
medidas).
Definición 3.3.2. La varianza de una variable aleatoria discreta, X, con función de masa P (xi )
y media µ se define como:
X
σ 2 = V [X] = E[(X − µ)2 ] = (xi − µ)2 P (xi ) .
i
Análogamente, la varianza de una variable aleatoria continua, X, con función de densidad f (x)
media µ se define como:
Z
σ = V [X] = E[(X − µ) ] = (x − µ)2 f (x) dx .
2 2
R
La desviación típica, σ, de una variable aleatoria se define como la raíz cuadrada positiva de
su varianza.
Ejercicio 1 Demostrar, en los casos discreto y continuo, la siguiente identidad para la varianza de
una variable aleatoria:
σ 2 = E[X 2 ] − µ2
46
Variables aleatorias
Solución: Si X es una variable aleatoria discreta con función de masa P (xi ), desarrollando el
cuadrado y simplificando, se obtiene:
X
σ2 = (xi − µ)2 P (xi )
i
X
= (x2i − 2xi µ + µ2 )P (xi )
i
X ¡X ¢ ¡X ¢
= x2i P (xi ) − 2µ · xi P (xi ) + µ2 · P (xi )
i i i
2 2 2 2 2
= E[X ] − 2µ + µ = E[X ] − µ .
Ejemplos
Ejemplo 26 Una persona participa en un concurso de televisión con las siguientes reglas:
• Si contesta correctamente a una pregunta con cinco respuestas posibles (sólo una correcta) gana
10 000e.
• En caso contrario se le propone una segunda pregunta con tres respuestas posibles (sólo una
correcta). Si acierta gana 1 000e.
• Si tampoco acierta la segunda respuesta, se le propone una tercera con dos respuestas posibles
(sólo una correcta). Si acierta no gana nada, pero si falla debe pagar 500e.
El juego termina cuando la persona acierta o tras fallar la tercera pregunta. Si un concursante contesta
al azar, calcúlese:
b) la ganancia esperada;
1 1 4 1 4 2 11
P (A1 ) + P (A2 )P (Ac1 ) + P (A3 )P (Ac1 )P (Ac2 ) = + · + · · = .
5 3 5 2 5 3 15
47
Esperanza: media y varianza
b) Sea Y la variable aleatoria “ganancia”. Es claro que esta variable toma los valores:
1
y1 = 10 000 con P (y1 ) = ;
5
4 1 4
y2 = 1 000 con P (y2 ) = · = ;
5 3 15
4 2 1 4
y3 = 0 con P (y3 ) = · · = ;
5 3 2 15
4 2 1 4
y3 = −500 con P (y3 ) = · · = .
5 3 2 15
Por tanto, la ganancia esperada es:
1 4 4 4
E[Y ] = 10 000 · + 1 000 · +0· − 500 · = 2 133.33e .
5 15 15 15
1
x1 = 1 con P (X = 1) = P (A1 ) = ,
5
1 4 4
x2 = 2 con P (X = 2) = P (A2 )P (Ac1 ) = · = ,
3 5 15
2 4 8
x3 = 3 con P (X = 3) = P (Ac2 )P (Ac1 ) = · = .
3 5 15
Así:
3
X 1 4 8 35
µ = E[X] = xi P (xi ) = 1 · +2· +3· = = 2.33 ;
i=1
5 15 15 15
3
X
2 2
V [X] = E[X ] − µ = x2i P (xi ) − µ2
i=1
µ ¶2
1 4 8 35
= 1· +4· +9· −
5 15 15 15
91 1225 1365 − 1225 140 28
= − = = = = 0.622 .
15 225 225 225 45
ii) Si los tornillos son válidos sólo si su longitud está entre 1.7 y 2.4 cm., calcúlese la probabilidad
de que un tornillo sea válido.
48
Variables aleatorias
Solución: i) Aplicamos directamente las fórmulas a la variable aleatoria continua X =longitud del
tornillo, que tiene función de densidad f (x):
Z 3 Z
3 3 3
E[X] = x(x − 1)(3 − x) dx = (−3x + 4x2 − x3 ) dx
1 4 4 1
3³ 3 4 1 ´
= − (9 − 1) + (27 − 1) − (81 − 1)
4 2 3 4
3³ 104 ´ 3 8
= − 12 + − 20 = · = 2 ;
4 3 4 3
Z 3
3 3³ 1 ´
E[X 2 ] = (−3x2 + 4x3 − x4 ) dx = − (27 − 1) + (81 − 1) − (243 − 1)
4 1 4 5
3 ³ 242 ´ 3 28 21
= − 26 + 80 − = · =
4 5 4 5 5
21 1
σ 2 [X] = E[X 2 ] − µ2 = −4=
5 5
r √
1 5
σ[X] = = = 0.447 .
5 5
ii) Nos piden calcular P (1.7 < x < 2.4), que, por definición, es:
Z 2.4 Z 2.4
3
P (1.7 < x < 2.4) = f (x) dx = (−3 + 4x − x2 ) dx
1.7 4 1.7
3 ³ 1 ´
= · − 3(2.4 − 1.7) + 2(2.42 − 1.72 ) − (2.43 − 1.73 )
4 3
3 ³ 1 ´ 1 ³ ´
= · − 2.1 + 5.74 − 8.911 = · 10.92 − 8.911
4 3 4
2.009
= = 0.50225 .
4
49
Varias variables
En lo que sigue definiremos los conceptos análogos al caso de una variable aleatoria para vectores
aleatorios de dimensión 2. El caso n–dimensional es la generalización natural del de dimensión 2.
Además, al considerar vectores aleatorios de la forma:
(X, Y ) : Ω −→ R2
podremos hacer representaciones sobre el plano, ganando en claridad a la hora de asimilar los con-
ceptos.
Definición 3.4.2. Si A es un subconjunto de R2 descrito como conjunto de posibles valores del vector
aleatorio (X, Y ) : Ω −→ R2 , definimos:
P (A) = P ((X, Y ) ∈ A) = P ({ω ∈ Ω : (X(ω), Y (ω)) ∈ A}) .
Las propiedades de las funciones de distribución de un vector aleatorio son, en cierto modo,
parecidas al caso de una variable. Sin embargo son menos manejables, de manera que utilizaremos
las funciones de masa conjunta o de densidad conjunta, para el cálculo de probabilidades.
50
Variables aleatorias
Ejemplo 29 Para el concurso televisivo descrito en el Ejemplo 26, calcular la función de masa del
vector aleatorio determinado por:
(X, Y )(ω) = ( preguntas propuestas al concursante , ganancia del concursante ).
Solución: Este vector aleatorio puede tomar 3 × 4 = 12 valores, tomando la primera componente
3 posibles valores, y 4 la segunda. La siguiente tabla nos representa la función de masa conjunta:
Y
X −500 0 1 000 10 000
1
1 0 0 0
5
4
2 0 0 0
15
4 4
3 0 0
15 15
En el caso de vectores aleatorios, aparte de la distribución conjunta, hay otras distribuciones
también muy interesantes: las distribuciones marginales y las condicionadas.
Definición 3.4.5. Las distribuciones marginales de un vector aleatorio (X, Y ) son las que se
obtienen al considerar cada característica por separado. Así tenemos:
Distribución marginal de X: es de tipo discreto y su función de masa marginal viene
dada por:
n
X
P (X = xi ) = P (X = xi , Y = yj ) , i = 1, . . . , m .
j=1
51
Varias variables
Obsérvese que, de la definición, es fácil obtener cada distribución marginal si la función de masa
conjunta viene representada por una tabla de doble entrada: basta en cada caso sumar por filas o
por columnas.
Ejemplo 30 Las distribuciones marginales del ejemplo anterior se obtienen a partir de la tabla como
se indica:
Y
X −500 0 1 000 10 00 P (X = xi ) FX (xi )
1 1 1
1 0 0 0
5 5 5
4 4 7
2 0 0 0
15 15 15
4 4 8
3 0 0 1
15 15 15
4 4 4 1
P (Y = yj )
15 15 15 5
4 8 4
FY (yj ) 1
15 15 5
3.4.2 Covarianza
Antes de pasar a las distribuciones condicionadas conviene definir: covarianza e independencia.
Definición 3.4.6. La covarianza entre dos variables aleatorias discretas X e Y se define como:
£ ¤
Cov(X, Y ) = E (X − E[X])(Y − E[Y ])
Xm Xn
= (xi − E[X])(yj − E[Y ])P (X = xi , Y = yj ) .
i=1 j=1
Cov(X, Y )
r= .
σ[X]σ[Y ]
Este coeficiente verifica que −1 ≤ r ≤ 1, y sirve para estudiar la existencia de una posible relación
lineal entre X e Y : digamos Y = aX + b para ciertos coeficientes a, b ∈ R. Si r = 1 ó r = −1, existe
tal relación lineal. Su utilidad quedó más clara en los capítulos sobre Estadística.
52
Variables aleatorias
3.4.3 Independencia
Definimos a continuación la independencia de variables aleatorias discretas, de manera análoga a la
definición de independencia de sucesos.
Definición 3.4.7. Dos variables aleatorias discretas, X e Y , se dicen independientes cuando:
P (X = xi , Y = yj ) = P (X = xi ) · P (Y = yj ) para i = 1, . . . , m ; j = 1, . . . , n .
Surge, de manera directa, la siguiente propiedad:
“Si X e Y son variables aleatorias discretas independientes entonces
53
Varias variables
Y, análogamente, para Y : P (Y = yj | X = xi ) = P (Y = yj ), j = 1, . . . , n.
54
Variables aleatorias
ZZ
2. f (x, y) dx dy = 1.
R2
Definición 3.4.10. Las distribuciones marginales de un vector aleatorio (X, Y ) son las que
se obtienen al considerar cada característica por separado. Así tenemos:
Distribución marginal de X: es de tipo continuo y su función de densidad marginal
viene dada por: Z
f (x) = f (x, y) dy , para todo x ∈ R .
R
Definición 3.4.11. La covarianza entre dos variables aleatorias continuas X e Y se define como:
ZZ
£ ¤
Cov(X, Y ) = E (X − E[X])(Y − E[Y ]) = (x − E[X])(y − E[Y ])f (x, y) dx dy .
R2
55
Varias variables
1) ¿Cuál es el valor de k?
4) Calcular la covarianza.
Solución: 1) Puesto que es una función de densidad hemos de tener integral total 1. Integrando
tenemos:
ZZ Z 1Z 1
f (x, y) dx dy = k (x + xy) dx dy
R2 0 0
Z 1 ³Z 1 ´ Z 1 ³ ´
1
= k x (1 + y) dy dx = k x (1 − 0) + ( − 0) dx
0 2
Z 1 0 0
3k 3k ¡ 1 ¢ 3k 4
= x dx = −0 = =⇒ k = .
2 0 2 2 4 3
56
Variables aleatorias
Con las densidades marginales calculamos los parámetros pedidos de cada variable:
Z 1 ³1 ´ 2
µX = E[X] = x · 2x dx = 2 −0 =
0 3 3
Z 1
1 1
E[X 2 ] = x2 · 2x dx = (1 − 0) =
0 2 2
2 1 4 1
σX = E[X 2 ] − µ2X = − =
2 9 18
Z 1
2 2³1 1´ 5
µY = E[Y ] = y · (1 + y) dy = + =
0 3 3 2 3 9
Z
2 1 2 2³1 1´ 7
E[Y 2 ] = y (1 + y) dy = + =
3 0 3 3 4 18
7 25 13
σY2 = E[Y 2 ] − µ2Y = − =
18 81 162
57
Problemas
Podemos, por último, tratar el caso más general de combinaciones lineales de variables aleato-
rias independientes. Basta enunciar los resultados para dos variables. Los presentamos en forma de
ejercicio:
Cerramos la sección con la observación de que si no se tiene independencia (ni tan siquiera
incorrelación) entre las variables, la covarianza juega un papel importante en la fórmula de la varianza
de la combinación (ver el problema 1).
Problemas
1. Demuestra las siguientes propiedades de esperanzas y varianzas de variables aleatorias:
calcula:
i) E[X + Y ];
ii) E[2X − 3Y + 5];
iii) E[2XY ];
iv) V [4X − 2Y − 3];
v) V [2X + 3Y ].
58
Variables aleatorias
4. La variable aleatoria X está distribuida de tal forma que su función de densidad determina con
los ejes un triángulo rectángulo con ángulo recto en el origen y base sobre el intervalo (0, 1).
Calcula sus funciones de densidad y distribución, la esperanza, µ, la desviación típica, σ, y la
probabilidad de que X ∈ (µ − σ, µ + σ).
5. Un semáforo está verde para los coches durante un minuto y medio, y rojo durante 15 segundos.
Suponiendo que un automovilista llega al semáforo con igual probabilidad en cualquier instante,
calcúlese el tiempo medio de espera.
6. Una diana está formada por tres círculos concéntricos de radios 10, 20 y 30 cm. respectivamente.
Si se cae en el círculo central se obtienen 5 puntos, 3 puntos si se cae en la primera corona
y 1 punto al caer en la tercera corona. La probabilidad de que un tiro caiga en cada zona es
proporcional al área de la misma (y ningún tiro cae fuera de la diana). Si se efectúan cuatro
disparos, calcúlese:
7. Un examen consta de 5 temas numerados. Para elegir un tema al azar, se propone lanzar un
dado; si sale de 1 a 5, el número del tema es el resultado del dado; si sale 6 se vuelve a tirar
hasta que sale de 1 a 5. Sabemos que el dado está trucado de tal manera que la probabilidad
de que salga el número 2 es 2/7 y la probabilidad de cualquier otro número es 1/7. Sea X la
variable aleatoria que representa el tema seleccionado finalmente. Halla la probabilidad de que
X valga 1 (que nos interesa especialmente ya que el tema 1 es el único que hemos estudiado).
Calcúlese:
59
Problemas
9. La vida útil de cierto producto perecedero es una variable aleatoria con función de densidad
½ −x
e si x > 0
f (x) =
0 en otro caso.
Si X1 y X2 representan la vida útil de dos unidades de dicho producto, seleccionadas al azar,
calcúlese P (X1 ≤ 2, 1 ≤ X2 ≤ 3).
10. Dado el vector aleatorio (X, Y ) y la función
½
k(x + y) si 0 ≤ x ≤ 2 0 ≤ y ≤ 2x − x2
f (x, y)
0 en otro caso.
(a) Determínese k para que f (x, y) sea su función de densidad.
(b) Calcular P (0 ≤ X ≤ 1).
11. Las etiquetas de cierta bebida pueden tener un premio de forma que en cada 1000 etiquetas
hay 500 correspondientes a “inténtelo otra vez”, 300 con premio de 5 euros, 150 con premios de
10 euros, 40 con premios de 50 euros y 10 con premios de 100 euros. Una persona compra una
botella que cuesta 10 euros.
(a) Si X es la variable aleatoria correspondiente al beneficio obtenido por el comprador, ¿cuál
es la distribución de X?
(b) ¿Cuál es el beneficio esperado del comprador?
(c) ¿Cuál es la probabilidad de perder dinero?
(d) Si se sabe que el comprador ha ganado dinero, ¿cuál es la probabilidad de que le haya
tocado una etiqueta de 100 euros?
12. En una ciudad hay una proporción p de personas que fuman. Se define una variable aleatoria
X que toma el valor 1 si al preguntar a una persona seleccionada aleatoriamente responde que
es fumador, y toma el valor 0 si responde que no lo es.
(a) En función de p calcula la esperanza de X e interpreta el valor obtenido.
(b) Calcula la varianza de X en función de p. ¿Para qué valor de p es máxima la varianza?
(c) Si se pregunta a n personas seleccionadas aleatoriamente con reemplazamiento, y la variable
aleatoria Y representa el número de fumadores entre los n seleccionados, calcula la esperanza
y la varianza de Y .
13. Sea X una variable aleatoria continua con función de densidad
½
k(1 + x), si x ∈ (0, 2)
f (x) =
0, si x ∈
/ (0, 2)
(a) Calcula la constante k.
(b) Calcula la probabilidad de que X tome valores entre 0 y 1.
(c) Sabiendo que X es mayor que 1, ¿cuál es la probabilidad de que sea menor que 1.5?
(d) Calcula P{|X − E(X)| > 0.2}
14. El tiempo de vida activa de un plaguicida (en días) es una variable aleatoria X con función de
densidad ½ 1 − 1 x
e 500 , si x ≥ 0
f (x) = 500
0, si x < 0
60
Variables aleatorias
(a) Calcula el valor m tal que la probabilidad de que X sea menor o igual que m es 0.5.
Interpreta el resultado obtenido.
(b) Si al cabo de 800 días el plaguicida ya no estaba activo, ¿cuál es la probabilidad de que
tras 600 días todavía lo estuviera?
15. El vector aleatorio (X, Y ) tiene una distribución uniforme en el cuarto de círculo de centro
(0, 0) y radio r correspondiente al primer cuadrante. Obténganse las densidades conjunta y
marginales de X e Y , y estudiar si son variables independientes.
16. Una pareja decide encontrarse en un lugar prefijado entre las tres y las cuatro de la tarde, de
forma que el primero que llegue sólo esperará al otro durante 15 minutos. Suponiendo que los
momentos de llegada de ambos al lugar son independientes y se distribuyen uniformemente
entre las tres y las cuatro, calcúlese la probabilidad de que no se encuentren.
17. Una fábrica produce una pieza en dos calidades diferentes: el 60 % de la producción es de
calidad A. La duración (en años) de una pieza de esta calidad viene dada por la función de
densidad ½ −x
e si x > 0
fA (x) =
0 en el resto.
El 40 % restante es de calidad B. La duración viene dada, en este caso, por la función de
densidad ½ −2x
2e si x > 0
fB (x) =
0 en el resto.
(a) Calcula la probabilidad de que una pieza de calidad A dure más de 1 año.
(b) Si tomamos una pieza al azar de toda la producción, ¿cuál es la probabilidad de que dure
más de 1 año?
(c) Si tomamos una pieza al azar de toda la producción, y observamos que dura más de 1 año,
¿cuál es la probabilidad de que sea de calidad A?
18. Una empresa suministra energía eléctrica a través de dos líneas de alta tensión A y B. En la
siguiente tabla se muestran las probabilidades conjuntas pij = P {X = xi , Y = yj }, para las
variables X ≡ número de fallos mensuales en la línea A e Y ≡ número de fallos mensuales en
la línea B.
Y
X 0 1 2 3 4
0 0.20 0.15 0.05 0.04 0.02
1 0.20 0.06 0.08 0.03 0.01
2 0.06 0.02 0.02 0 0
3 0.04 0.02 0 0 0
61
Problemas
19. Dos características, X e Y , son variables aleatorias con función de densidad conjunta:
½
kye−2x e−y si x > 0, y > 0
f (x, y) =
0 en el resto.
Calcúlese:
62