Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROCESOS ESTOCASTICOS
Docente: Ing. Marcos Salas
CAPÍTULO II: VARIABLES ALEATORIAS
Introducción.
La Función de Distribución
Variables aleatorias discretas
Variables Aleatorias Continuas
Características de las distribuciones
Funciones de una Variable Aleatoria y Esperanza.
Introducción
Los resultados de un experimento pueden ser causa de
múltiples variables, En estas situaciones se requiere de tener
una función de probabilidad que describa la variación de la
probabilidad de ocurrencia con respecto a la variación de
estas variables.
Se denomina a : DISTRIBUCION DE PROBABILIDAD
CONJUNTA a la función de probabilidad que tiene en cuenta
al efecto de múltiples variables aleatorias.
Una Distribución de probabilidad conjunta puede ser discreta
o continua dependiendo del tipo de variables que se
describen.
Definición
Ω = Espacio Muestral; S =Suceso o experimento;
X(s) y Y(s) Funciones que asignan un numero real a cada
resultado s del experimento, Entonces (X,Y) es una variable
aleatoria
Ejemplos de VA Múltiples
Para el caso de probar “n” Circuitos Integrados ( caso Discreto)
podemos definir:
X= Numero de circuitos en buen estado
Y= Numero de pruebas realizadas antes de la primera falla
Ejemplos de VA Múltiples
La relación que existe entre la oferta de demanda de
alimentos
X= Oferta de Alimentos
Y= Demanda de Alimentos
Para saber cuantos alimentos preparar debemos saber el
comportamientos de la demanda
Ejemplos de VA Múltiples
Clasificación de señales emitidas y recibidas, cada señal se
clasifica en:
- Baja Calidad
- Media Calidad
- Alta Calidad
Entonces:
X= Numero de señales de Baja Calidad Recibida
Y= Numero de señales de Alta Calidad Recibida
Distribución de Probabilidad Conjunta
Se define:
PX,Y( x, y) = Probabilidad {X = x,Y = y}
El espacio del rango se expresa mediante:
RX,Y = { ( x, y) / PX,Y( x, y) > 0 }
La FUNCION DE DISTRIBUCION DE PROBABILIDAD
CONJUNTA, para el caso de dos variables aleatoria, puede
expresarse mediante una lista, una matriz o un grafico
Distribución de Probabilidad Conjunta
Sea (X,Y) una variable aleatoria bidimensional discreta, con
RX,Y su espacio rango. Si p(𝑥𝑖 , 𝑦𝑗 ) es una función tal que a
cada par (𝑥𝑖 , 𝑦𝑗 ) le asigna el numero real P(X = 𝑥𝑖 ,Y =𝑦𝑗 )
diremos entonces que p(𝑥𝑖 , 𝑦𝑗 ) es función de probabilidad
conjunta de (X,Y), siempre que cumpla las siguientes
condiciones:
Distribución de Probabilidad Conjunta
Consideraciones:
1. p(𝑥𝑖 , 𝑦𝑗 ) = P(X = 𝑥𝑖 ,Y =𝑦𝑗 ) es la probabilidad de que ocurra
el evento compuesto {X = 𝑥𝑖 ,Y =𝑦𝑗 } i=1,2,3,….n………..;
j=1,2,3,……m,…
2. p(𝑥𝑖 , 𝑦𝑗 ) es conocida también como la distribución conjunta de
probabilidades de (X,Y)
3. Si (X,Y) es una variable aleatoria bidimensional, diremos que F
es la función de DISTRIBUCION ACUMULADA de (X,Y) y se
define por:
𝐹 𝑥, 𝑦 = 𝑃 𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦 = 𝑃(𝑥𝑖 , 𝑦𝑗 )
∀𝑥𝑖 ≤𝑥 ∀𝑦𝑗 ≤𝑦
Distribución de Probabilidad Conjunta
Consideraciones:
1. La Grafica de la función de probabilidad de (X,Y), se
muestra en la siguiente figura
Distribución de Probabilidad Conjunta
Consideraciones:
1. La Tabla: La suma de todos los p(x,y)
∀𝑥 𝑦 ∀ 𝑦 𝑑𝑒𝑏𝑒 𝑠𝑒𝑟 𝑖𝑔𝑢𝑎𝑙 𝑎 1. También se puede
sumar cada fila y colocar el resultado en la
ultima columna pero de la misma fila y se
puede sumar cada columna y obtener el
resultado en la ultima disponible
Ejemplo 1 Distribución de probabilidad
de la Variable aleatoria
Si se lanza al aire dos dados y definimos a X como “El número
obtenido con el primer dado” y definimos a Y como “El
número obtenido con el segundo dado”, obtenga la
distribución de probabilidad de la variable aleatoria (X,Y).
Ejemplo 1 Distribución de probabilidad
de la Variable aleatoria
Solución:
Sea X: El dado numero 1: Valores de X: ={1,2,3,4,5,6}
Sea Y: El dado numero 2: Valores de Y: ={1,2,3,4,5,6}
Cómo define a (X,Y)?: V.A. dos dados
Cuál es el espacio rango de (X,Y)? := {(1,1); (1,2); (1,3); (1,4);
(1,5); (1,6);. (2,1); (2,2); (2,3); (2,4); (2,5); (2,6); (3,1); (3,2);
(3,3); (3,4); (3,5); (3,6); (4,1); (4,2); (4,3); (4,4); (4,5); (4,6);
(5,1); (5,2); (5,3); (5,4); (5,5); (5,6); (6,1); (6,2); (6,3); (6,4);
(6,5); (6,6)
Qué significa p(1,1) = P(X = 1,Y = 1)?. A qué es igual p(1,1)?
p(1,1) = 1/36
Encuentre p(1,2) = 1/36 p(1,3) = 1/36 p(3, 4) = 1/36
p(6,3) = 1/36
Ejemplo 1 Distribución de probabilidad
de la Variable aleatoria
Construya la tabla de distribución para esta variable (X,Y):
X\Y 1 2 3 4 5 6
1 1/36 1/36 1/36 1/36 1/36 1/36
Y 0 1 2 3
q(y) 8/27 12/27 6/27 1/27
VARIABLE ALEATORIA CONTINUA: Función de
Densidad de Probabilidad Conjunta
DEFINICIÓN
Sea (X,Y) una variable aleatoria bidimensional continua, con
𝑅(𝑥,𝑦) R² su espacio rango. Diremos que f(x, y) es una
función de densidad de probabilidad conjunta de (X,Y)
siempre que f cumpla las siguientes condiciones:
1) f(x , y) 0 (xi, yj) 𝑅(𝑥,𝑦)
+∞ +∞
2)−∞ −∞ 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦 = 1
VARIABLE ALEATORIA CONTINUA: Función de
Densidad de Probabilidad Conjunta
Observaciones:
De manera simplificada fdpc significará “función de densidad
de probabilidad conjunta”.
Sin duda el intervalo al que correspondan X e Y serán -∞ < X
< + ∞ y - ∞ < Y < + ∞ . En particular, X pertenecerá al
intervalo (a, b) tal que a X b. Del mismo modo,Y
pertenecerá al intervalo (c, d) tal que c Y d. La gráfica de
la función f determina una superficie en el espacio
tridimensional, como se muestra en la figura
FDPC
FDPC
Si B = {(x, y)/a x b, c y d } es un evento en el espacio rango
de (X,Y), la probabilidad de que ocurra este evento, es igual a:
b d
P(a X b, c Y d ) f ( x, y )dydx
a c
0 0
1
1
𝑐 න න(𝑥 2 + 𝑦 2 )𝑑𝑦𝑑𝑥 = 1
0
0
3
𝑐=
2
Distribución Marginal de VA Continua
Múltiple
DEFINICIÓN
Sea (X,Y) una variable aleatoria bidimensional continua
donde f es su función de densidad de probabilidad conjunta.
Diremos que g es la función de distribución marginal de
X y la definiremos como:
g ( x) f ( x, y )dy
h( y )
f ( x, y )dx
Distribución Marginal de VA Continua
Múltiple
Observaciones
Siendo g y h son funciones de distribución de probabilidad,
debe suponerse que ambas satisfacen las condiciones para ser
funciones de densidad de probabilidad; es decir:
g ( x)dx 1
y del mismo modo
h( y )dy 1
Ejemplo: Distribución Marginal de VA
Continua
Suponga que (X,Y) es una variable aleatoria bidimensional
continua con función de densidad de probabilidad conjunta
dada por:
x² xy
0 X 1, 0 Y 2
f ( x, y ) 3
0 otros
Calcule lo siguiente:
P(X > ½ )
P( Y < ½ / X < ½ )
Ejemplo: Distribución Marginal de VA
Continua
Se debe calcular la Distribución Marginal de X:Integramos a f
respecto de y, en todo el recorrido de Y:
0
2
g ( x) ( x ² )dy x ² y
xy
3 6 0
xy ² 2
2
2x x2
3
Ejemplo: Distribución Marginal de VA
Continua
Distribución Marginal de Y:Integramos a f respecto de x, en
todo el recorrido de X:
1
3
1
x
h( y ) ( x ² 3 )dx
xy x ² y
0 3 6
0
1 y
3 6
Ejemplo: Distribución Marginal de VA
Continua
A) P(X > ½ ) = 1 – P(X ½) =
3 2
1/ 2 x 2 x 1/ 2
1 (2 x ² x)dx 1 (2
2
3 )0
0 3 3 2
1 5
1
6 6
Ejemplo: Distribución Marginal de VA
Continua
P(Y< ½ / X < ½ ) =
=
P( X 1 / 2, Y 1 / 2)
P( X 1 / 2)
1/ 2 1/ 2
( x ² )dydx
xy
3 5 / 192
0 0
5
32
1/ 6 1/ 6
DISTRIBUCIONES CONDICIONALES:
CASO DISCRETO
Sea (X,Y) una variable aleatoria bidimensional discreta, cuya
función de probabilidad conjunta es p(xi, yj).
Sea p(xi) y q(yj) , i =1, 2, ..., n, ...; j = 1, 2, ..., m, ... , las
distribuciones de probabilidad marginal de X e Y,
respectivamente.
Diremos que pX/Y(xi/Y = yj) es la función de probabilidad
condicional de X, dado Y = yj, si
p ( xi , y j )
p X Y ( xi / Y y j ) ,
q( y y j )
q ( y y j ) 0, i 1, 2, ..., n,
DISTRIBUCIONES CONDICIONALES:
CASO DISCRETO
Del mismo modo, diremos que pY/X(yj/X = xi) es la función
de probabilidad condicional de Y, dado X = xi , si
p ( xi , y j )
pY X ( y j / X xi ) ,
p ( X xi )
p ( X xi ) 0, j 1, 2, ..., m, .
DISTRIBUCIONES CONDICIONALES:
CASO DISCRETO
Observaciones
La notación simplificada que usaremos es p(x/Y=y) para la función
de probabilidad condicional de X, dado Y, y q(y/X=x) para la función
de probabilidad de Y, dado X.
Observe con cuidado la definición: En el caso de p(x/y), el evento
que ha ocurrido es { y / Y = yj }; es decir, deberemos encontrar la
función de probabilidad condicional de X dado Y, para un valor
particular de Y; mientras que en el caso de la función de probabilidad
de Y dado X, el evento que ha ocurrido es {x / X = xi }.
Igualmente observe que las funciones de probabilidad se definen
simplemente como un cociente entre la conjunta y la probabilidad del
evento que ha ocurrido.
DISTRIBUCIONES CONDICIONALES:
CASO DISCRETO
Por lo expuesto, para obtener una de las distribuciones
condicionales debemos usar el siguiente procedimiento:
Paso 1: Disponer de, o calcular, la distribución de
probabilidad conjunta
Paso 2: Obtener la(s) distribución(es) marginal(es)
respectiva(s)
Paso 3: Obtener la(s) distribución(es) condicional(es)
respectiva(s)
Paso 4: Dividir a cada probabilidad conjunta entre el valor de
probabilidad puntual de la marginal correspondiente.
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO DISCRETO
La función de probabilidad conjunta de (X,Y) está dada por
x² y ²
p ( x, y )
32
x = 0, 1, 2, 3 ; y = 0, 1
Encuentre las distribuciones condicionales X dado Y=1e Y
dado X=2.
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO DISCRETO
Para obtener la distribución de probabilidad condicional de X
dado Y = 1, debemos encontrar primero la distribución
marginal de Y, de ella extraemos q(y = 1).
2 x² 1
p( x) , x 0, 1, 2, 3
32
y2 1 y2 4 y2 9 y2
q( y)
32 32 32 32
14 4 y ²
, y 0, 1
32
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO DISCRETO
Distribución Condicional de X, dado Y = 1:
Hemos reemplazado y = 1 en q(y)
x² 1
32 x 2
1
p ( x / y 1) , x 0 ,1, 2 , 3
18 18
32
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO DISCRETO
Distribución Condicional de Y, dado X = 2:
Hemos reemplazado x = 2 en p(x)
4 y²
32 4 y2
p ( y / x 2) , y 0 ,1
9 9
32
DISTRIBUCIONES CONDICIONALES:
CASO CONTINUO
Sea (X,Y) una variable aleatoria bidimensional continua. Si
f(x, y) es su función de densidad conjunta, y g(x) y h(y) sus
distribuciones marginales correspondientes, definimos con
gX/Y(x/y) o g(x/y) como la función de densidad
condicional de X, dado Y = y, tal que
f ( x, y )
g ( x / y) , h( y ) 0
h( y )
DISTRIBUCIONES CONDICIONALES:
CASO CONTINUO
Del mismo modo, diremos que hY/X(y/x) o h(y/x) es la
función de densidad condicional de Y, dado X, tal
que:
f ( x, y )
h( y / x ) , g ( x) 0
g ( x)
DISTRIBUCIONES CONDICIONALES:
CASO CONTINUO
Observaciones
Usaremos g(x/y) y h(y/x) para representar las funciones
condicionales respectivas.
Para obtener dichas condicionales es suficiente dividir la
distribución conjunta entre la distribución marginal que le
corresponda. Es decir, para g(x/y), es suficiente la división de la
probabilidad conjunta f entre la marginal de Y, h(y). Del mismo
modo, para obtener h(y/x) es suficiente dividir la probabilidad
conjunta entre la marginal de X, g(x).
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO CONTINUO
Sea (X,Y) una variable aleatoria bidimensional continua cuya
función de densidad de probabilidad conjunta viene dada por:
xy
x ² , 0 x 1, 0 y 2
f ( x, y ) 3
0 otros
2 xy
g ( x) ( x ² )dy 2 x ² 23 x
0 3
Distribución Marginal de Y:
1 xy 1 1
h( y ) ( x ² )dx y
0 3 3 6
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO CONTINUO
Obtención de la Distribución condicional de X, dado Y:
x ² xy
g ( x / y)
f ( x, y )
3 6 x ² 2 xy
h( y ) 1 1
y 2 y
3 6
6 x ² 2 xy
, 0 x 1, 0 y 2
g ( x / y) 2 y
0
otros
Ejemplo: DISTRIBUCIONES
CONDICIONALES: CASO CONTINUO
Obtención de la Distribución condicional de Y, dado X:
f ( x, y ) x ² xy 3x y
h( y / x ) 3
g ( x) 2 x² 3 x 6 x 2
2
3x y
, 0 x 1, 0 y 2
h( y / x ) 6 x 2
0 otros
ESPERANZA CONDICIONAL: Caso
Discreto
Sea (X,Y) una variable aleatoria bidimensional discreta con
p(xi, yj) , i = 1, 2, ..., n, ...; j = 1, 2, ..., m, ... su función de
probabilidad conjunta. Sea p(xi) y q(yj) las funciones de
distribución marginal de X e Y, respectivamente.
Diremos que E[X/Y = yj] es la esperanza condicional
de X, dado Y = yj, tal que:
E[ X / Y y ] x p( x / Y y )
j i i j
i 1
ESPERANZA CONDICIONAL: Caso
Discreto
Del mismo modo, E[Y/X = xi] es la esperanza
condicional de Y, dado X = xi, tal que
E[Y / X xi ] y q ( y / X xi )
j i
j 1
Ejemplo: ESPERANZA CONDICIONAL:
Caso Discreto
Sea (X,Y) una variable aleatoria bidimensional discreta cuya
función de probabilidad conjunta es
2x y
p ( x, y ) , x 1, 2, 3; y 2, 3, 4
63
p ( x, y 4) x2
p ( x / Y 4) ........... , x 1, 2, 3
q (4) 12
Ejemplo: ESPERANZA CONDICIONAL:
Caso Discreto
Distribución condicional de Y, dado X:
p ( x 1, y ) 2 y
p ( y / X 1) .............. , y 2, 3, 4
p (1) 15
p ( x 2, y ) 4 y
p ( y / X 2) ........... , y 2, 3, 4
p (2) 21
p ( x 3, y ) 6 y
p ( y / X 3) .............. , y 2, 3, 4
p (3) 27
Ejemplo: ESPERANZA CONDICIONAL:
Caso Discreto
3
11 2 1 3 1 20
E[ X / Y 2] xp( x / y 2) 1 2 3
x 1 9 9 9 9
3
23 43 6 3 46
E[ X / Y 3] xp( x / y 3) 1 2 3
x 1 21 21 21 21
3
1 2 22 3 2 26
E[ X / Y 4] xp( x / y 4) 1 2 3
x 1 12 12 12 12
Ejemplo: ESPERANZA CONDICIONAL:
Caso Discreto
4
22 23 2 4 47
E[Y / X 1] yq( y / x 1) 2 3 4
y2 15 15 15 15
4
42 43 4 4 65
E[Y / X 2] yq( y / x 2) 2 3 4
y2 21 21 21 21
4
62 63 6 4 83
E[Y / X 3] yq( y / x 3) 2 3 4
y2 27 27 27 27
ESPERANZA CONDICIONAL: Caso
Continuo
Sea (X,Y) una variable aleatoria bidimensional continua con f
su función de densidad de probabilidad conjunta y sean
también g(x) y h(y) las funciones de densidad marginales de
X e Y, respectivamente.
Diremos que E[X/Y] es la esperanza condicional de X, dado
Y tal que
E[ X / Y ] xg ( x / y )dx
ESPERANZA CONDICIONAL: Caso
Continuo
Del mismo modo, E[Y/X] es la esperanza condicional de Y,
dado X tal que
E[Y / X ] yh( y / x)dy
Ejemplo ESPERANZA CONDICIONAL:
Caso Continuo
Sea (X,Y) una variable aleatoria bidimensional continua cuya
función de densidad de probabilidad conjunta viene dada por
1
(3x 2 y ) 0 x 1, 0 y2
2
f ( x, y ) 6
0 otros
Encuentre E[X/Y = ½ ]
Evalúe P(Y < ½ / X = ½ )
Ejemplo ESPERANZA CONDICIONAL:
Caso Continuo
Encontraremos primero las marginales y luego las
condicionales.
Marginal de X:
2 6 x 2
4
g ( x) 1
6
(3x 2 y )dy
2
0 6
Marginal de Y:
1 1 2y
h( y ) 1
(3 x 2 y )dx
2
06 6
Ejemplo ESPERANZA CONDICIONAL:
Caso Continuo
Distribución condicional de X, dado Y:
f ( x, y ) 3x 2 2 y
g ( x / y) ............
h( y ) 1 2y
f ( x, y ) 3x 2 2 y
h( y / x ) ..........
g ( x) 6x2 4
Ejemplo ESPERANZA CONDICIONAL:
Caso Continuo
1 3x x 5 1
3
E[X/Y ] xg(x/y )dx
1
dx 1
2 0 0 11 8 2
b) P(X < ½ / Y = ½ ]
f ( x, y 1 2 )
2
P( X 2 , Y 2)
1 1 5
0
dx ................
h(Y 2 )
1 1 2( 12 ) 16
INDEPENDECIA DE VARIABLES
DEFINCIÓN
Sea (X,Y) una variable aleatoria bidimensional. Diremos que
X e Y son variables aleatorias independientes si:
Caso discreto: Si distribución condicional es igual a la marginal de
la variable
p(xi, / Y = yj) = p(xi) para todo i = 1, 2, ....., n ; j = 1, 2,
...... m o
p(yj / X = xi,) = q(yj) para todo i = 1, 2, ....., n ; j = 1, 2,
...... m
Caso continuo: Si la distribución condicional es igual a la marginal
de la variable
f(x / Y = y) = g(x)
f(y / X = x ) = h(y)
INDEPENDENCIA DE VARIABLES
Teorema
Las variables X e Y son independientes si y sólo si la
distribución conjunta es igual al producto de sus
distribuciones marginales; es decir,
Caso discreto : p(xi, , yj) = p(xi) q(yj); para todo i = 1, 2,
....., n ; j = 1, 2, ...... m
Caso continuo: f(x, y) = g(x) h(y) para todo (x, y) en el
espacio rango de (X,Y).
Teorema
Si X e Y son dos variables aleatorias independientes entonces
E(XY) = E(X)E(Y)
V(X Y) = V(X) + V(Y)
Ejemplo: INDEPENDENCIA DE
VARIABLES
Las variables aleatorias X e Y representan las proporciones de
los mercados correspondientes a dos productos distintos
fabricados por la misma compañía y cuya función de densidad
de probabilidad conjunta está dada por:
x y 0 x 1; 0 y 1
f ( x, y )
0 otros
g(x)h(y) = 1 1
( y )( x )
2 2
NO son independientes
Ejemplo: INDEPENDENCIA DE
VARIABLES
Para inciso b)
f ( x 0.2, y ) 0.2 y
g ( x 0.2) 0.2 0.5
COEFICIENTE DE VARIACION
DEFINICIÓN
Sea X e Y dos variables aleatorias. Diremos que COV(X,Y) es
la Covarianza de X e Y tal que
COV(X,Y) = E [(X – E[X])(Y-E[Y]) ]
Teorema
COV(X,Y) = E(XY) – E(X)E(Y)
Teorema
Si X e Y son variables aleatorias independientes entonces
COV(X,Y) = 0
COEFICIENTE DE VARIACION
Interpretación
La covarianza de dos variables mide la co-variabilidad de
dichas variables. Cómo varía una respecto a la otra. Si
Covar(X,Y) es positiva entonces ambas aumentan o
disminuyen; mientras que si Cov(X,Y) es negativa, una
variable aumenta y la otra disminuye. Si Cov(X,Y) es 0, una
no depende de la otra.
COEFICIENTE DE VARIACION
Propiedades
COV(X,βY) = βCOV(X,Y)
COV(X+c,βY+d) = βCOV(X,Y)
Si X e Y son dos variables cualquiera:
V(X + Y) = V(X) + V(Y) +2COV(X,Y)
Si X e Y son dos variables cualquiera:
V(X + βY) = ²V(X) + β²V(Y)
+2βCOV(X,Y)
COEFICIENTE DE CORRELACION
DEFINCIÓN
Sea X e Y dos variables aleatorias. Diremos que (X, Y) es el
Coeficiente de Correlación de X e Y tal que
COV ( X , Y ) E ( XY ) E ( X ) E (Y )
X Y
V ( X )V (Y )
COEFICIENTE DE CORRELACION
Observaciones
El coeficiente de correlación representa el grado de
correlación que hay entre las variables
Por la forma cómo está definido, puede ser positivo o
negativo
-1 ≤ ≤ 1
Si 1 entre X eY existe una correlación casi perfecta
(aX + b, cY + d) = (X,Y)
COEFICIENTE DE CORRELACION
Teorema
Si X e Y son dos variables aleatorias independientes entonces
=0
Interpretación
El coeficiente de correlación mide el grado de asociación que
hay entre dos variables. Es la cuantificación porcentual de
cuán relacionadas están las dos variables,
COEFICIENTE DE CORRELACION
Ejemplos completos
Un experimento consiste en lanzar tres veces una moneda. Sean
las Variables aleatorias: X= numero de caras en las tres tiradas e Y
= diferencia en valor absoluto entre el numero de caras y el de
escudos en las tres tiradas. Se pide:
A) Distribución de probabilidad de (X,Y)
B) Media y desviación típica de las distribuciones marginales de X
eY
C) Covarianza y Coeficiente de Correlación
D) Son X e Y independientes?
E) Distribución condicionada de X a Y=3
F) Distribución condicionada de Y a X=2
G) P[X≤1;Y>0] ; P[X≥2] ; P[Y<3]
Solución
Solución B)
Solución B)
Solución C)
Solución c)
Solución D)
Solución E)
Solución F)
Solución G)