Cap 8

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera
Rafael Daz Pgina 8-1 12/05/04

CAPTULO 8
Variable Aleatoria en Dos Dimensiones
Contenido del Captulo
8.1) INTRODUCCIN.
8.2) ESPACIO MUESTRAL EN DOS DIMENSIONES.
8.3) FUNCIN DE DISTRIBUCIN ACUMULATIVA DE PROBABILIDADES
CONJUNTA.
8.3.1) Definiciones.
8.3.2) Propiedades.
8.3.3) Ejemplos.
8.4) FUNCIN DE DENSIDAD DE PROBABILIDADES CONJUNTA.
8.4.2) Propiedades.
8.4.3) Ejemplos.
8.5) FUNCIONES DE DISTRIBUCIN Y DE DENSIDAD CONDICIONALES.
8.5.2) Ejemplos.
8.6) VARIABLES ALEATORIAS INDEPENDIENTES.
8.6.2) Ejemplos.
8.7) PROBLEMAS PROPUESTOS.
8.1) INTRODUCCIN.
En el Captulo 3 se presentaron las definiciones asociadas al concepto de una
variable aleatoria. En este Captulo se extienden esas definiciones a dos variables
aleatorias que existen en forma conjunta en el espacio muestral. Muchas de aquellas
definiciones pueden verse en forma generalizada no slo para dos sino para ms
variables pero hay un concepto adicional de mucha importancia, terica y prctica,
que justifica la presentacin por separado de los conceptos asociados a dos variables
aleatorias. Este concepto es el de relacin entre las dos variables, el anlisis de esa
relacin puede permitir llegar a la conclusin de que las variables bajo estudio son
independientes.
Muchos pueden ser los ejemplos de estudiar en forma conjunta eventos asociados
con dos variables aleatorias. La vida diaria nos lleva a estar pendientes de nuestro
peso y, cuando nos enfrentamos a una balanza, surgen modelos que explican cul
debe ser el peso adecuado a una persona que tiene nuestra altura. El estudio
conjunto de las variables altura y peso de las personas puede ayudarnos a mantener
una figura acorde a lo que se espera tenga una persona saludable. En un circuito
elctrico puede ser importante estudiar la relacin entre las variables corriente en el
instante
1
y corriente en el instante
2
para entender mejor el funcionamiento de ese
circuito. En un sistema de comunicaciones sujeto a interferencias de seales no
deseadas (ruido) es importante conocer el grado de relacin que tienen las variables
mensajes enviados y mensajes recibidos para definir la confiabilidad del sistema.
8.2) ESPACIO MUESTRAL EN DOS DIMENSIONES.
Considere un experimento aleatorio en el cual se definen dos variables aleatorias, X
e Y, mediante dos relaciones cualesquiera, segn el Procedimiento 3.1 y la
Definicin 3.1. Para la variable aleatoria X considere entonces un conjunto S
X
de los
posibles valores que toma esa variable. De igual forma considere un conjunto S
Y
de
los posibles valores que toma la variable Y.
Definicin 8.1: El espacio muestral en dos dimensiones es el resultado de tomar
el producto cartesiano de los conjuntos S
X
y S
Y
.
Notas: - El espacio muestral en dos dimensiones se denotar por S

XY
.
- La operacin producto cartesiano se presenta en la Definicin
2.1.10 del Apndice 2.1 del Captulo 2.
- Tanto la variable X como la variable Y pueden ser discretas o
continuas.
- La Ecuacin 8.1 define el conjunto S
XY
a partir de los conjuntos
S
X
y S
Y
.
( ) { }
Y X XY
S y S x y x S = / , (ec. 8.1)
La Figura 8.1 presenta el espacio muestral en dos dimensiones para dos variables
aleatorias X e Y, definidas en los intervalos (x
1
, x
2
) y (y
1
, y
2
), respectivamente. Otro
ejemplo sera todo el plano XY, en este caso cada una de las variables puede tomar
cualquier valor real.
Y
y
2
y
1
x
1
x
2
X
Figura 8.1:Ejemplo de un Espacio Muestral en Dos Dimensiones.
Dentro del espacio muestral se definen eventos que involucran a ambas variables
aleatorias o a una de ellas. El siguiente ejemplo muestra distintos tipos de eventos
que se pueden definir en dos dimensiones.
Ejemplo 8.1: Describa grficamente los siguientes eventos.
( ) ( ) { }
{ }
{ }
( ) ( ) { }
1 1
1
1
2 1 1
y Y x X D
y Y C
x X B
y Y y x X A
=
=
=
< < = =
La Figura 8.2 presenta una grfica para cada uno de los eventos. El evento A se
representa por un trazo de recta vertical, el evento B es el semiplano a la izquierda
del valor x
1
, el evento C es el semiplano por encima del valor y
1
y, por ltimo, el
evento D es el tercer cuadrante de unos ejes de coordenadas centrados en el punto
(x
1
, y
1
). Los eventos B y C, que involucran a una sola de las variables, se pueden
representar perfectamente en el espacio muestral en dos dimensiones.

y
2
y
1
x
1
x
1
(a) (b)
y
1
y
1
x
1
(c) (d)
Figura 8.2:Eventos en el Espacio Muestral en Dos Dimensiones.
Eventos similares al evento D del Ejemplo 8.1 tienen una connotacin muy
importante en el anlisis de dos variables aleatorias en forma conjunta por lo que la
siguiente definicin facilitar la presentacin de varios conceptos posteriormente.
Definicin 8.2: Sea un evento de la forma {(X x) (Y y)}. A este tipo de
evento, que representa el tercer cuadrante de unos ejes de coordenadas centrados en
el punto (x, y), se le conocer como evento TC(x, y).
Notas: - El evento TC(, ) es el espacio muestral.

- Los eventos TC(-, -), TC(-, y) y TC(x, -) son eventos
imposibles.
- El evento TC(x, ) representa un evento dentro del espacio
muestral de la variable X.
- El evento TC(, y) representa un evento dentro del espacio
muestral de la variable Y.
Ejemplo 8.2: Describa los siguientes eventos en trminos de eventos del tipo TC.
( ) { }
{ }
{ }
( ) ( ) { }
1 1 1
1
1
2 1
y Y y x X D
y Y C
x X B
y Y y A
=
=
=
< < =
El evento A es una franja horizontal entre y
1
y y
2
la cual se puede representar como
) , ( ) , ( } {
1 2 2 1
y TC y TC y Y y A = =
El evento B es el semiplano a la izquierda del valor x
1
el cual se puede representar
como
) , ( } {
1 1
= = x TC x X B
El evento C es el semiplano por encima del valor y
1
el cual se puede representar
como
) , ( ) , ( } {
1 1
y TC TC y Y C = =
El evento D es una semifranja horizontal que se puede representar como
( ) ( ) { } ) , ( ) , (
1 1 2 1 2 1 1
y x TC y x TC y Y y x X D = =

8.3) FUNCIN DE DISTRIBUCIN ACUMULATIVA DE PROBABILIDADES
CONJUNTA.
El clculo de probabilidades en el espacio muestral en dos dimensiones se asocia
con la definicin de eventos en ese espacio. Para ello juegan un papel muy
importante los eventos del tipo TC. El Ejemplo 8.2 permite ver que cualquier evento
puede expresarse en trminos de eventos del tipo TC lo que indica que sus
probabilidades se podrn expresar en trminos de las probabilidades de eventos del
tipo TC. Las siguientes definiciones son una extensin de los conceptos de variable
aleatoria y de funcin de distribucin acumulativa de una variable a dos variables
aleatorias.
Definicin 8.3: Una variable aleatoria en dos dimensiones es la manera de
expresar los resultados del experimento aleatorio en trminos de un vector de
resultados numricos de dos componentes.
Notas: - La variable en dos dimensiones se denotar por un par de letras

generalmente al final del alfabeto, en maysculas, como por
ejemplo XY, ZW, UT.
- Cada componente es, a su vez, una variable aleatoria en una
dimensin.
- Estas dos variables existen en forma conjunta para el
experimento dado.
Definicin 8.4: Una variable aleatoria en dos dimensiones es discreta-discreta
(DD) si cada una de las componentes del vector es una variable aleatoria discreta.
Definicin 8.5: Una variable aleatoria en dos dimensiones es continua-continua

(CC) si cada una de las componentes del vector es una variable aleatoria continua.
Definicin 8.6: Una variable aleatoria en dos dimensiones es discreta-continua

(DC) si una de las componentes del vector es una variable aleatoria discreta y la otra
es una variable aleatoria continua.
Definicin 8.7: La Funcin de Distribucin Acumulativa de Probabilidades

Conjunta de la variable aleatoria en dos dimensiones es la forma como varan los
valores de un evento del tipo TC con respecto a ambas variables.

Notas: - La Funcin de Distribucin Acumulativa de Probabilidades
Conjunta de la variable aleatoria en dos dimensiones se denotar
por F
XY
(x, y). Se colocar como subndice el nombre de la
variable aleatoria en dos dimensiones y entre parntesis el vector
de dos dimensiones.
- F
XY
(x, y) es una probabilidad.
- F
XY
(x, y) es una funcin de distribucin y para diferenciarla de
la funcin de distribucin de una variable aleatoria se nombrar
a F
X
(x) y a F
Y
(y) como funciones de distribucin Marginales.
- La Funcin de Distribucin Acumulativa de Probabilidades
Conjunta de la variable aleatoria en dos dimensiones se calcula
mediante la Ecuacin 8.2.
- El Dominio de la funcin F
XY
(x, y) es R
2
mientras que su Rango
es el intervalo [0, 1].
( ) { } ( ) ( )} { , ) , ( y Y x X P y x TC P y x F
XY
= = (ec. 8.2)
Ejemplo 8.3: Considere el experimento aleatorio de lanzar dos monedas honestas.
Sea X una variable aleatoria definida con base en el resultado de la primera moneda
segn el Ejemplo 3.1 y sea Y otra variable aleatoria definida con base en el
resultado de la segunda moneda tambin segn el Ejemplo 3.1. Entonces XY
conforma una variable aleatoria en dos dimensiones. Defina el espacio muestral en
dos dimensiones, el dominio de la variable aleatoria en dos dimensiones y la
funcin de distribucin acumulativa de probabilidades conjunta correspondiente.
El espacio muestral en dos dimensiones tiene la forma siguiente
Sello} es y Cara es donde ), , ( ), , ( ), , ( ), , {( S C S S C S S C C C S
XY
=
La variable bidimensional es, en consecuencia, discreta en ambos ejes (DD) y su
dominio ser
( ) )} 1 , 1 ( ), 0 , 1 ( ), 1 , 0 ( ), 0 , 0 {( } 1 , 0 1 , 0 / , { = = = = y x y x D
XY
Para conocer la funcin de distribucin conjunta se debe primero conocer los
eventos del tipo TC de inters. Los parmetros de los eventos TC coinciden con los
puntos de D
XY
, es decir, el conjunto de eventos TC de inters ser
{ } ) 1 , 1 ( ), 0 , 1 ( ), 1 , 0 ( ), 0 , 0 ( TC TC TC TC TC =
Evaluando las probabilidades de los eventos tipo TC de inters se puede construir la
funcin de distribucin conjunta, es decir
( ) { } ( ) { }
( ) { } ( ) { } 1 1 , 1 5 . 0 0 , 1
5 . 0 1 , 0 25 . 0 0 , 0
= =
= =
TC P TC P
TC P TC P
En consecuencia, la funcin de distribucin acumulativa de probabilidades conjunta
ser

<
<
< <
<
<
=
1 y 1 si , 1
1 0 y 1 si , 5 . 0
1 y 1 0 si , 5 . 0
1 0 y 1 0 si , 25 . 0
0 si , 0
0 si , 0
) , (
y x
y x
y x
y x
y
x
y x F
XY
8.3.2) Propiedades.
El anlisis del Ejemplo 8.3 muestra una metodologa general que tiene base en un
conjunto de propiedades generales de la funcin de distribucin acumulativa
conjunta que ayudaran al analista a deducir esta funcin. Estas propiedades son las
siguientes:
Propiedad 8.3.2.1: La Funcin de Distribucin Acumulativa de Probabilidades
Conjunta evaluada en (-) en al menos una de las dimensiones, vale cero.
A partir de la Ecuacin 8.2 se puede escribir
( ) { } ( ) ( )
( ) { } ( ) ( )
( ) { } ( ) ( ) 0 } { } { , ) , (
0 } { } { , ) , (
0 } { } { , ) , (
= = = =
= = = =
= = = =
P Y X P TC P F
P y Y X P y TC P y F
P Y x X P x TC P x F
XY
XY
XY

Conjunta evaluada en () en ambas dimensiones vale uno.
( ) { } ( ) ( ) 1 } { } { , ) , ( = = = = S P Y X P TC P F
XY

Conjunta evaluada en () en una sola de las variables es igual a la Funcin de
Distribucin Marginal de la otra variable.
( ) { } ( ) ( )
( ) { } ( ) ( ) ) ( } { } { , ) , (
) ( } { } { , ) , (
x F x X P Y x X P x TC P x F
y F y Y P y Y X P y TC P y F
X XY
Y XY
= = = =
= = = =
La Propiedad 8.3.2.3 tiene una gran aplicacin ya que relaciona la funcin de

distribucin conjunta con las distribuciones marginales.
Conjunta es una probabilidad por lo que slo toma valores entre cero y uno, ambos
inclusive.
La prueba de esta propiedad est en la propia definicin de la funcin y en los
axiomas del probabilidades del Captulo 2.
Propiedad 8.3.2.5: El clculo de probabilidades de eventos representados como

regiones en R
2
se realiza por diferencia de valores de la Funcin de Distribucin
Acumulativa de Probabilidades Conjunta.
La prueba de esta propiedad est en expresar el evento de inters en trminos de
eventos del tipo TC.
) , ( ) , ( ) , ( ) , ( } , {
)} , ( { )} , ( { )} , ( { )} , ( { } , {
) , ( ) , ( )} , ( { )} , ( { } , {
) , ( ) , ( )} , ( { )} , ( { } , {
1 1 1 2 2 1 2 2 2 1 2 1
1 1 1 2 2 1 2 2 2 1 2 1
1 2 1 2 2 1
1 2 1 2 2 1
y x F y x F y x F y x F y Y y x X x P
y x TC P y x TC P y x TC P y x TC P y Y y x X x P
y x F y x F y x TC P y x TC P y Y y x X P
y x F y x F y x TC P y x TC P y Y x X x P
XY XY XY XY
XY XY
XY XY
+ = < <
+ = < <
= = <
= = <

Conjunta es no decreciente en ambos ejes de coordenadas. Es decir, para dos valores
de x tales que x
1
< x
2
y para un valor fijo de y, se cumple que F
XY
(x
2
, y) F
XY
(x
1
, y)
y para dos valores de y tales que y
1
< y
2
y un valor fijo de x, se cumple que
F
XY
(x, y
2
) F
XY
(x, y
1
).
La prueba de esta propiedad es consecuencia de la demostracin de la propiedad
anterior y del axioma 1 de probabilidades.

8.3.3) Ejemplos.
Ejemplo 8.4: Considere dos variables aleatorias cuya funcin de distribucin
conjunta viene dada por
( )( )

=

casos otros en , 0
0 , 0 si , 1 1
) , (
y x e e
y x F
y x
XY
. Calcular las
funciones de distribucin marginal, la probabilidad del evento TC(1,1) y la
probabilidad del evento {0 < X 1}.
Para calcular las funciones de distribucin marginal de X y de Y se utiliza la
Propiedad 8.3.2.3

<
= =

<
= =
0 , 1
0 , 0
) , ( ) (
0 , 1
0 , 0
) , ( ) (
x e
x
x F x F
y e
y
y F y F
x
XY X
y
XY Y
Para calcular P{TC(1,1)} se utiliza la Ecuacin 8.2
( ) { } ( )( ) ( )
( )
2
2
2
1 1 1
1
1 1 1 ) 1 , 1 ( 1 , 1
e
e
e e e F TC P
XY

= = = =

Para calcular P{0 < X 1} se pueden seguir uno de dos caminos. El primero de
ellos es a partir de conocer la funcin de distribucin marginal de X, es decir
{ } ( ) ( )
1 0 1
1 1 1 ) 0 ( ) 1 ( 1 0

= = = < e e e F F X P
X X
El segundo camino es a partir de expresar el evento de inters en trminos de
eventos del tipo TC como lo indica la Propiedad 8.3.2.5, es decir
{ } ( )( )
1 1
1 1 1 ) , 1 ( )} , 1 ( { 1 0

= = = = < e e e F TC P X P
XY

conjunta viene dada por la expresin

<
<
< <
< <
=
1 , 1 si , 1
1 0 , 1 si ,
1 , 1 0 si ,
1 0 , 1 0 si ,
ambas 0 0 si , 0
) , (
y x
y x y
y x x
y x xy
y x
y x F
XY
Calcular las funciones de distribucin marginal y la probabilidad del evento
TC(0.5,0.5).
Para calcular las funciones de distribucin marginal de X y de Y se utiliza la
Propiedad 8.3.2.3
<
<
= =
<
<
= =
1 x , 1
1 0 ,
0 , 0
) , ( ) (
1 y , 1
1 0 ,
0 , 0
) , ( ) (
x x
x
x F x F
y y
y
y F y F
XY X
XY Y
Para calcular P{TC(0.5,0.5)} se utiliza la Ecuacin 8.2
( ) { } 25 . 0 5 . 0 5 . 0 ) 5 . 0 , 5 . 0 ( 5 . 0 , 5 . 0 = = = x
XY
F TC P

8.4) FUNCIN DE DENSIDAD DE PROBABILIDADES CONJUNTA.
En analoga con el concepto de la tasa de cambio de la funcin de distribucin
marginal que se defini como la funcin de densidad de densidad de probabilidades,
se definir en esta Seccin la tasa de cambio bidimensional de la funcin de
distribucin conjunta. El resultado es una funcin con un carcter prctico muy
grande que facilita enormemente el clculo de probabilidades y de algunos otros
parmetros probabilsticos de inters.
Definicin 8.8: La Funcin de Densidad de Probabilidades Conjunta de la
variable aleatoria en dos dimensiones es la derivada de la funcin de distribucin
acumulativa de probabilidades conjunta respecto a ambas variables.
Notas: - La Funcin de Densidad de Probabilidades Conjunta de la

variable aleatoria en dos dimensiones se denotar por f
XY
(x, y).
Se colocar como subndice el nombre de la variable aleatoria
en dos dimensiones y entre parntesis el vector de dos
dimensiones.
- f
XY
(x, y) es una funcin de densidad y para diferenciarla de la
funcin de densidad de una variable aleatoria se nombrar a
f
X
(x) y a f
Y
(y) como funciones de densidad Marginales.
- La Funcin de Densidad de Probabilidades Conjunta de la
variable aleatoria en dos dimensiones se calcula mediante la
Ecuacin 8.3.
- El Dominio de la funcin f
XY
(x, y) es R
2
.
( ) ) , ( ) , (
2
y x F
y x
y x f
XY XY

= (ec. 8.3)
En este punto es conveniente realizar un anlisis de la Ecuacin 8.3 en referencia a
la naturaleza de las variables aleatorias X e Y. En el caso en el cual ambas variables
son continuas (CC) las dos derivadas parciales en la Ecuacin 8.3 se pueden tomar
sin inconvenientes. Para el caso en el cual una de las variables es continua y la otra
es discreta (CD) se debe tomar en cuenta la definicin de la funcin impulso para la
derivada parcial respecto a la variable discreta, como se utiliz en el Ejemplo 3.13
del Captulo 3. Pero, en el caso de que ambas variables sean discretas (DD) se debe
recurrir a la definicin de la funcin impulso bidimensional o delta de Kronecker.
Definicin 8.9: La Funcin Impulso Bidimensional o Delta de Kronecker es
una funcin que se define, en el sentido generalizado, mediante la propiedad integral
y la derivada dadas en la Ecuacin 8.4.
( ) ) , ( ) , (
casos otros en , 0
y si ), , (
) , ( ) , (
2
y
2 1 2 1
x
x
2
1
2
1
b y a x EUB
y x
b y a x
y b y x a x b a g
dxdy b y a x y x g
y

< < < <

=

(ec. 8.4)
La funcin g(x, y) es una funcin cualquiera que es continua en el vector (a, b). La
funcin EUB(x-a, y-b) en la Ecuacin 8.4 es la funcin escaln unitario
bidimensional que se define por la Ecuacin 8.5.
< >
=
casos otros en , 0
y si , 1
) , (
b y a x
b y a x EUB (ec. 8.5)
Es interesante notar que para una funcin g(x, y) = 1 se obtiene que el volumen total
bajo la funcin impulso bidimensional es uno. La funcin impulso bidimensional se
representa en la Figura 8.3 y su magnitud igual a uno es para indicar que se est
hablando de un volumen puntual unitario.
La grfica de la funcin de distribucin conjunta correspondiente a una variable
bidimensional (DD) se puede expresar en trminos de funciones escaln unitario
bidimensional por lo que su derivada respecto a ambas variables ser una funcin
que contiene funciones impulso bidimensional.
(x a, y b)
Y
1
b
a X
Figura 8.3:Representacin Grfica de la Funcin Impulso Bidimensional.

<
<
< <
< <
=
1 , 1 si , 1
1 0 , 1 si ,
1 , 1 0 si ,
1 0 , 1 0 si ,
ambas 0 0 si , 0
) , (
y x
y x y
y x x
y x xy
y x
y x F
XY
Calcular la funcin de densidad conjunta.
Para calcular la funcin de densidad conjunta se utiliza la Ecuacin 8.3.
( )
=
casos otros en , 0
1 0 , 1 0 si , 1
) , ( ) , (
2
y x
y x F
y x
y x f
XY XY

( )( )

=

casos otros en , 0
0 , 0 si , 1 1
) , (
y x e e
y x F
y x
XY
Para calcular la funcin de densidad conjunta se utiliza la Ecuacin 8.3.
( )
=
+
casos otros en , 0
0 , 0 si ,
) , ( ) , (
) ( 2
y x e
y x F
y x
y x f
y x
XY XY
Ejemplo 8.8: Considere las dos variables aleatorias del Ejemplo 8.3 cuya funcin
de distribucin conjunta resulto ser

<
<
< <
<
<
=
1 y 1 si , 1
1 0 y 1 si , 5 . 0
1 y 1 0 si , 5 . 0
1 0 y 1 0 si , 25 . 0
0 si , 0
0 si , 0
) , (
y x
y x
y x
y x
y
x
y x F
XY
En este caso ambas variables son discretas por lo que la funcin de densidad
conjunta est formada por funciones impulso bidimensional. Para calcular la
funcin de densidad conjunta igualmente se utiliza la Ecuacin 8.3, resultando
( ) ) 1 , 1 ( ) 1 , ( ) , 1 ( ) , ( 25 . 0 ) , ( + + + = y x y x y x y x y x f
XY
La Figura 8.4 muestra la funcin de densidad conjunta para este ejemplo. Otra
manera de representar esta funcin es mediante una vista desde una posicin
superior como se muestra en la Figura 8.5.
f
XY
(x,y)
Y
0.25
1
1 X
Figura 8.4:Funcin de Densidad Conjunta del Ejemplo 8.8.
Y
El smbolo representa
una altura de 0.25
(0,1) (1,1)
(0,0) (1,0) X
Figura 8.5:Otra Forma de Representar la Funcin de
Densidad Conjunta del Ejemplo 8.8.
La representacin de la funcin de densidad conjunta del Ejemplo 8.8 mediante la
Figura 8.5 siguiere otra manera de analizar la funcin de densidad conjunta para
variables aleatorias tipo DD. Esa forma se resume en la definicin siguiente.
Definicin 8.9: La Funcin de Probabilidad Conjunta de una variable aleatoria
en dos dimensiones del tipo DD se define como la probabilidad de que la variable
bidimensional tome cada uno de sus pares de valores.
Notas: - La Funcin de Probabilidad Conjunta de la variable aleatoria

discreta en ambas dimensiones se denotar por p
XY
(i, j). Se
colocar como subndice el nombre de la variable aleatoria en
dos dimensiones y entre parntesis el vector de dos dimensiones.
- p
XY
(i, j) es una funcin de probabilidad y para diferenciarla de la
funcin de probabilidad de una variable aleatoria se nombrar a
p
X
(i) y a p
Y
(j) como funciones de probabilidad Marginales.
- La Funcin de Probabilidad Conjunta se calcula mediante la
Ecuacin 8.6.
- El Dominio de la funcin p
XY
(i, j) es Z
2
.
{ } Z j Z i j Y i X P j i p
XY
= = = , , , ) , ( (ec. 8.6)
La Figura 8.5 es una manera de representar la funcin de probabilidad conjunta;
cada altura distinta ser representada por un smbolo distinto. Esta forma de
representacin grfica evita el tener que manipular grficas en tres dimensiones.
Ejemplo 8.9: Considere dos variables aleatorias que se definen en el experimento
aleatorio de lanzar sobre una mesa dos dados honestos. Calcular la funcin de
probabilidad conjunta de estas variables.
Considere la variable X como el resultado del primer dado y la variable Y como el
resultado del segundo dado, entonces ambas variables son discretas por lo que la
funcin de probabilidad conjunta viene dada por la expresin siguiente a partir de la
Ecuacin 8.6.
= =
=
caso otro cualquier en , 0
6 ,..., 2 , 1 y 6 ,..., 2 , 1 para ,
36
1
) , (
j i
j i p
XY
La Figura 8.6 muestra la funcin de probabilidad conjunta para este ejemplo.

Y
6
El smbolo
representa una
altura de 1/36
1
1 2 3 4 5 6 X
Figura 8.6: Funcin de Probabilidad Conjunta del Ejemplo 8.9.
Conjunta de una variable aleatoria en dos dimensiones del tipo DD se define como
la doble sumatoria de la funcin de probabilidad conjunta en una regin definida por
un evento del tipo TC(x, y).

Conjunta de la variable aleatoria discreta en ambas dimensiones
es exactamente la misma funcin dada por la Definicin 8.7,
por lo que se denotar por F
XY
(x, y). Se colocar como
subndice el nombre de la variable aleatoria en dos dimensiones
y entre parntesis el vector de dos dimensiones.
Conjunta para la variable bidimensional del tipo DD se calcula
- La Funcin [.] en la Ecuacin 8.7 es la funcin parte entera.
XY
(x, y) es R
2
.
| | | |
= =
=
y
j
x
i
XY XY
j i p y x F ) , ( ) , ( (ec. 8.7)
8.4.2) Propiedades.
Al igual que para una variable aleatoria, las propiedades de la funcin de densidad
de probabilidades conjunta son una consecuencia de las propiedades de la funcin
de distribucin conjunta.
Estas propiedades son las siguientes:
Propiedad 8.4.2.1: La Funcin de Densidad de Probabilidades Conjunta es una
funcin no negativa. Es decir, f
XY
(x, y) 0.
En vista de que la funcin de distribucin conjunta es no decreciente en ambos ejes
de coordenadas (Propiedad 8.3.2.6) su derivada total no admite signos negativos.

Conjunta es el volumen bajo la funcin de densidad conjunta en una regin definida
por un evento del tipo TC(x, y).
A partir de la Ecuacin 8.3 se debe tomar una doble integral a ambos miembros de
la ecuacin. Los lmites de integracin coinciden con la frontera de un evento del
tipo TC(x, y). Es decir
( )

=
=
=

=
y x
XY XY
XY
XY XY
y x
XY
y x
XY
dy dx y x f y x F
F
F y x F dy dx y x F
y x
dy dx y x f
' ' ) ' , ' ( ) , (
tanto lo por , 0 ) , ( que tiene se 8.3.2.1 Propiedad la por
) , ( ) , ( ' ' ) ' , ' (
' '
' ' ) ' , ' (
2
Propiedad 8.4.2.3: El volumen total bajo la funcin de densidad de probabilidades

conjunta es uno.
En vista de las Propiedades 8.3.2.1 y 8.4.2.2 se tiene que
1 ) , (
luego
' ' ) ' , ' ( 1 ) , (
=
= =

=
=
dxdy y x f
dy dx y x f y x F
XY
XY
y
x
XY

Propiedad 8.4.2.4: Las funciones de densidad marginal de cada variable se
consiguen integrando la funcin de densidad conjunta respecto a la otra variable.

= = = =
=
= = = =
=
dx y x f dy dx y x f
dy
d
y F
dy
d
y F
dy
d
y f
y F y F
dy y x f dy dx y x f
dx
d
x F
dx
d
x F
dx
d
x f
x F x F
XY
y
XY XY Y Y
XY Y
XY
x
XY XY X X
XY X
) , ( ' ' ) ' , ' ( ) , ( ) ( ) (
escribir puede se ), , ( ) ( de partir a manera, igual de
) , ( ' ' ) ' , ' ( ) , ( ) ( ) (
luego
) , ( ) (
Propiedad 8.4.2.5: El clculo de probabilidades de un evento representado como

una regin A en R
2
se realiza como el volumen bajo la funcin de densidad conjunta
en esa regin A.
=
A
XY
dxdy y x f A y x P ) , ( } ) , {(
La regin A se podr expresar, en cada caso, como los lmites de integracin
respecto a cada una de las variables. La Figura 8.7 muestra una regin A genrica
para el clculo del volumen bajo la funcin de densidad conjunta.
Y
(x, y) A
X
Figura 8.7: Regin Genrica A para el Clculo de la Probabilidad
de un Evento en el Espacio Bidimensional.
Propiedad 8.4.2.6: La suma total de los valores de la funcin de probabilidad
conjunta es uno.
En vista de la Propiedad 8.3.2.1 y de la Ecuacin 8.7 se tiene que
1 ) , (
luego
) , ( 1 ) , (
=
= =

=
=
=
i j
XY
i j
XY
y
x
XY
j i p
j i p y x F
Propiedad 8.4.2.7: Las funciones de probabilidad marginal de cada variable se

consiguen sumando los valores de la funcin de probabilidad conjunta respecto a la
otra variable.
La funcin de distribucin acumulativa de probabilidades marginal de cada variable
se define por
=
=
=
=
] [
] [
) ( ) (
) ( ) (
y
j
Y Y
x
i
X X
j p y F
i p x F
A partir de la Propiedad 8.3.2.3 y la Ecuacin 8.7 se puede escribir
( )
( )

= = =
= = =
=
= = |
.
|
\
|
= =
= =
|
|
.
|
\
|
= =
i
XY Y
y
j
Y
y
j i
XY XY Y
j
XY X
x
i
X
x
i j
XY XY X
j i p j p j p j i p y F y F
j i p i p i p j i p x F x F
) , ( ) ( ) ( ) , ( ) , ( ) (
) , ( ) ( ) ( ) , ( ) , ( ) (
] [ ] [
] [ ] [
Es interesante observar que utilizando las Propiedades 8.4.2.4 y 8.4.2.7 se pueden

conocer las funciones de densidad y de probabilidad marginales a partir de las
correspondientes conjuntas pero el conocimiento de las marginales no es
informacin suficiente para conocer la conjunta.
8.4.3) Ejemplos.
Ejemplo 8.10:Considere las dos variables aleatorias discretas analizadas en el
Ejemplo 8.9 cuya funcin de probabilidad conjunta result ser igual a
= =
=
caso otro cualquier en , 0
6 ,..., 2 , 1 y 6 ,..., 2 , 1 para ,
36
1
) , (
j i
j i p
XY
Calcule las funciones de probabilidad marginal de cada variable.
Aplicando la Propiedad 8.4.2.7 se tiene que
6 ,..., 2 , 1 ,
6
1
36
1
) , ( ) , ( ) (
6 ,..., 2 , 1 ,
6
1
36
1
) , ( ) , ( ) (
6
1
6
1
6
1
6
1
= = |
.
|
\
|
= = =
= = |
.
|
\
|
= = =

= =
=
= =
=
j j i p j i p j p
i j i p j i p i p
i i
XY
i
XY Y
j j
XY
j
XY X
Ambas variables se corresponden con el modelo uniforme discreto para n=6.
Ejemplo 8.11:Considere las dos variables aleatorias continuas analizadas en el

Ejemplo 8.7 cuya funcin de densidad conjunta result ser igual a

=
+
casos otros en , 0
0 , 0 si ,
) , (
) (
y x e
y x f
y x
XY
Calcule las funciones de densidad marginal de cada variable.
Aplicando la Propiedad 8.4.2.4 se tiene que
) (
0 si ,
0 si , 0
0 si ,
0 si , 0
) , ( ) (
manera, igual de
) (
0 si ,
0 si , 0
0 si ,
0 si , 0
) , ( ) (
0 0
) (
0 0
) (
y u e
y dx e e
y
y dx e
y
dx y x f y f
x u e
x dy e e
x
x dy e
x
dy y x f x f
y
x y y x XY Y
x
y x y x XY X

<
=
<
= =
=
<
=
<
= =

Ambas variables aleatorias se corresponden con el modelo exponencial con

parmetro =1.

Ejemplo 8.12:Considere dos variables aleatorias cuya funcin de densidad conjunta
viene dada por
=
XY
XY
XY
D (x,y)
D (x,y) C
y x f
si , 0
si ,
) , (
Calcule el valor de C para cada uno de los tres dominios D
XY
(D
1
, D
2
, D
3
) dados en
la Figura 8.8.
Para conocer el valor de la constante C se aplica la Propiedad 8.4.2.3 que indica que
el volumen total bajo la funcin de densidad conjunta debe ser uno. Para calcular el
volumen se debe tomar en cuenta la variacin de cada variable dentro del dominio
de la conjunta. Para definir los lmites de integracin de cada integral hay que tomar
en cuenta que la otra variable permanece constante y eso se traduce en integrar a lo
largo de una recta horizontal o vertical, segn sea el caso. Por otro lado, es
indiferente el orden de integracin. La explicacin general siguiente se hace en
trminos de que la integral interna es respecto a la variable X. En este caso, se debe
colocar la variable Y como constante, es decir, la integracin ser a lo largo de una
recta horizontal que, al intersectarse con el dominio, proporciona los lmites de
integracin, digamos, desde x = x
0
hasta x = x
1
. A continuacin, se definen los
lmites de integracin de la integral externa; para ello se debe verificar entre que
valores se puede mover la recta horizontal antes mencionada para que los lmites de
integracin de la integral interna se mantengan. La respuesta a esta interrogante
proporciona los lmites de integracin para la variable Y.
Y
Y z
z
D
1
D
2
z X z X
Y
z
y = x + z y = z - x
D
3
-z z X
Figura 8.8: Distintas Regiones D
XY
para la Funcin de
Densidad Conjunta del Ejemplo 8.12.
Caso 1: D
XY
= D
1
. De la Figura 8.8 se pueden ver los lmites de integracin
adecuados segn la explicacin del prrafo anterior, entonces
2
0 0
0 0
1 1
1
z
dxdy
C Cdxdy
z z
z z
= = =

Caso 2: D
XY
= D
2
. En este caso los lmites de integracin adecuados sern
2
0
0
2 1
1
z
dxdy
C Cdxdy
z z
y
z z
y
= = =

Caso 3: D
XY
= D
3
. De la Figura 8.8 se pueden ver las ecuaciones de las dos rectas
involucradas por lo que los lmites de integracin sern
2
0
0
1 1
1
z
dxdy
C Cdxdy
z y z
z y
z y z
z y
= = =


viene dada por

=
+
casos otros en , 0
0 si ,
) , (
) (
x y Ce
y x f
y x
XY
Antes de calcular las funciones de densidad marginal se debe conocer el valor de la
constante C. Para ello se procede como en el Ejemplo 8.12. La Figura 8.9 muestra el
dominio de la conjunta como la regin sombreada; all se destacan una recta vertical
y una recta horizontal. En este caso, al plantear la integral interna respecto de X se
obtiene que los lmites de integracin van desde x = 0 hasta x = y. A continuacin se
definen los lmites de integracin de la integral externa que resultan desde y = 0
hasta y = . En consecuencia, el clculo del valor de C ser
Y
x = constante
y x 0
y = constante
X
Figura 8.9: Dominio de la Funcin de Densidad
Conjunta del Ejemplo 8.13.
2
1
1
0 0
0 0
) (
= = =

+
y
x y
y
y x
dxdy e e
C dxdy Ce
Para conocer las marginales se aplica la Propiedad 8.4.2.4. Para calcular la funcin
de densidad marginal de X, se debe integrar la conjunta respecto a Y; en esa
integracin la variable X permanece constante y este hecho se representa como
una recta vertical que se intersecta con el dominio (ver Figura 8.9). Como resultado,
los lmites de integracin respecto a la variable Y sern desde y = x hasta y = . De
igual manera, para calcular la funcin de densidad marginal de Y, se debe integrar la
conjunta respecto a X; en esa integracin la variable Y permanece constante y este
hecho se representa como una recta horizontal que se intersecta con el dominio (ver
Figura 8.9). Como resultado, los lmites de integracin respecto a la variable X, van
desde x = 0 hasta x = y.
En definitiva, las marginales sern
( ) ) ( 1 2
0 si , 2
0 si , 0
0 si , 2
0 si , 0
) , ( ) (
manera, igual de
) ( 2
0 si , 2
0 si , 0
0 si , 2
0 si , 0
) , ( ) (
0 0
) (
2
) (
y u e e
y dx e e
y
y dx e
y
dx y x f y f
x u e
x dy e e
x
x dy e
x
dy y x f x f
y y y
x y
y
y x XY Y
x
x
y x
x
y x XY X

+
<
=
<
= =
=
<
=
<
= =


Ejemplo 8.14:Considere dos variables aleatorias definidas en todo el plano XY
cuya funcin de densidad conjunta viene dada por
( )( )
|
|
.
|
\
|
|
|
.
|
\
|
+

|
|
.
|
\
|
=
2
2
2
2 1
2 1
2
1
1
2
2
2 1
2
) 1 ( 2
1
exp
1 2
1
) , (

y y x x
y x f
XY
El modelo de este ejemplo se conoce como variable aleatoria normal bivariada y
se le puede denotar como N
XY
(
1
,
2
,
1
,
2
, ).
Para el clculo de las marginales se aplica la Propiedad 8.4.2.4. En el caso de X
( )( )

|
|
|
.
|
\
|
|
|
.
|
\
|
+

|
|
.
|
\
|

= = dy e dy y x f x f
y y x x
XY X
2
2
2
2 1
2 1
2
1
1
2
2
) 1 ( 2
1
2
2 1
1 2
1
) , ( ) (

Como primer paso para solucionar la integral se realiza un doble cambio de variable
para simplificar un poco la notacin;
El cambio es de la forma
2
2
2
1
1
1
y
=
y
z
x
z de tal manera que dy =
2
dz
2
,
mientras que z
1
es constante respecto a Y, al sustituir queda
( )
( )
( )

|
|
.
|
\
|
=
2
1
2
1
2
1
2
2
) 1 ( 2
2
1
2
2
) 1 ( 2
) 1 (
2
1
2
2
) 1 ( 2
1
2
1
2
2
1 2
2
1
2
2
1 2
2
1
2
2
1 2
2 2
1 2
2 2 1
2
1
2
1 2
1
2
1 2
) (
1 2
1
1 2
1
) (
dz e
e
dz e
e
x f
dz e dz e x f
z z
z
z z
z
X
z z z
z z z z
X

El integrando de la integral anterior es una funcin de densidad de una variable
normal con parmetros = z
2
y
2
1 = por lo que el valor de la integral es
uno. Devolviendo el cambio de variable
1
1
1

=
x
z resulta que la variable X se
corresponde con el modelo normal con parmetros =
1
y =
1
. Es decir
|
|
.
|
\
|
=
1
1
2
1
1
2
1
) (

x
X
e x f
Para la variable aleatoria Y se procede de idntica manera obteniendo que
|
|
.
|
\
|
=
2
2
2
1
2
2
1
) (

y
Y
e y f
Como resultado general se puede concluir que las marginales del modelo normal
bivariado son variables aleatorias normales.

viene dada por

=
casos otros en , 0
) , ( si ,
) , (
XY
XY
D y x Cy
y x f
Donde D
XY
viene dado por la Figura 8.10. Calcule el valor de C y las funciones de
densidad marginal de cada variable.
Para calcular el valor de la constante C se procede como en el Ejemplo 8.12. En
consecuencia, el valor de C ser
3
) 1 ( 2
1 1
1
1
0
1
0
1
1
1
0
1
1
=
= = =

dy y y dxdy y
C Cydxdy
y
y
y
y
Y
1
y = x + 1 y = 1 - x
D
XY
-1 1 X
Para conocer las marginales se aplica la Propiedad 8.4.2.4. La funcin de densidad
marginal de X ser
( )
( )

1 si , 0
1 0 si , 1
2
3
0 1 - si , 1
2
3
1 si , 0

1 si , 0
1 0 si , 3
0 1 - si , 3
1 si , 0
) , ( ) (
2
2
1
0
1
0
>
< <
< < +
<
=
>
< <
< <
<
= =

x
x x
x x
x
x
x ydy
x ydy
x
dy y x f x f
x
x
XY X
De igual manera, la funcin de densidad marginal de Y ser
< <
=
< <
= =

casos otros en , 0
1 0 si ), 1 ( 6

casos otros en , 0
1 0 si , 3
) , ( ) (
1
1
y y y y ydx
dx y x f y f
y
y XY Y
La Figura 8. 11 muestra las marginales resultantes en este ejemplo.
f
X
(x) f
Y
(y)
3/2 3/2
-1 1 X 0.5 1 Y
Figura 8.11: Funciones de Densidad Marginales
Resultantes en el Ejemplo 8.15.
8.5) FUNCIONES DE DISTRIBUCIN Y DE DENSIDAD CONDICIONALES.
Al igual que en una variable aleatoria, la ocurrencia de un cierto evento puede
alterar el espacio muestral en dos dimensiones y en consecuencia, alterar la
descripcin de las funciones de distribucin y de densidad conjuntas. Las nuevas
funciones se podrn expresar en trminos de las anteriores pero estarn definidas en
el dominio condicionado resultante. El evento condicionante se podr expresar en
trminos de la variable X, de la variable Y o de ambas. Este tipo de funciones abre
el camino para conocer las funciones conjuntas a partir de las funciones marginales.
Conjunta Condicionada de la variable aleatoria bidimensional se define como la
relacin entre la funcin de distribucin conjunta y la probabilidad del evento
condicionante, pero slo para aquellos pares de valores (x, y) que pertenecen al
evento condicionante.

Conjunta Condicionada de la variable bidimensional se denotar
por F
XY
(x, y/A). Se colocar como subndice el nombre de la
de dos dimensiones y el evento condicionante A.
Conjunta Condicionada es una funcin de distribucin conjunta.
Conjunta Condicionada se calcula mediante la Ecuacin 8.8.
XY
(x, y/A) es {(x,y) / (x,y) D
A
}.
( )
A
XY
XY
XY
D y x
A P
y x F
A y x F
A P
A y Y x X P
A y Y x X P A y x F
=

= =
) , ( ,
} {
) , (
) / , (
} {
} , {
} / , { ) / , (
(ec. 8.8)
Ejemplo 8.16:Considere las dos variables aleatorias del Ejemplo 8.4 cuya funcin
de distribucin conjunta viene dada por
( )( )

=

casos otros en , 0
0 , 0 si , 1 1
) , (
y x e e
y x F
y x
XY
Considere un evento condicionante A = TC(1,1). Calcule la funcin de distribucin
conjunta condicionada por el evento A.
Para resolver el problema planteado se utiliza la Ecuacin 8.8
( ) ( ) ( )
} {
} 1 , 1 , {
} {
} , {
) / , (
A P
Y X y Y x X P
A P
A y Y x X P
A y x F
XY

=

=
Para analizar la interseccin en la probabilidad anterior hay que observar la Figura
8.12; all se destacan el dominio de la variable bidimensional (D
XY
), el evento
condicionante A (TC(1,1)) y la interseccin para valores de (x, y) mayores que (1, 1).
Hay que considerar la posicin relativa entre los valores de (x, y) y el punto (1, 1),
resultando lo siguiente
( ) ( )
> >
< < >
< < >
< < < <
< <
=
1 1, si ), 1 , 1 (
1 0 1, si ), 1 , (
1 0 1, si ), , 1 (
1 0 , 1 0 si ), , (
ambos 0 y 0 x si , 0
} 1 , 1 , {
y x F
y x x F
x y y F
y x y x F
Y X y Y x X P
XY
XY
XY
XY
Por otro lado, ) 1 , 1 ( } {
XY
F A P = , entonces la funcin buscada ser igual a
( ) ( )
> >
< < >
< < >
< < < <
< <
=

=
1 1, si , 1
1 0 1, si ,
) 1 , 1 (
) 1 , (
1 0 1, si ,
) 1 , 1 (
) , 1 (
1 0 , 1 0 si ,
) 1 , 1 (
) , (
} {
} 1 , 1 , {
) / , (
y x
y x
F
x F
x y
F
y F
y x
F
y x F
A P
Y X y Y x X P
A y x F
XY
XY
XY
XY
XY
XY
XY
Y
1
D
XY
= {X0, Y0}
A = TC(1,1) AD
XY
1 X
Figura 8.12: Dominio de F
XY
(x,y), Evento Condicionante A y
Conjunto Interseccin entre Ellos para el Ejemplo 8.16.
Definicin 8.12: La Funcin de Densidad de Probabilidades Conjunta
Condicionada de la variable aleatoria bidimensional se define como la derivada
respecto a ambas variables de la funcin de distribucin conjunta condicionada.
Notas: - La Funcin de Densidad de Probabilidades Conjunta

Condicionada de la variable bidimensional se denotar por
f
XY
(x, y/A). Se colocar como subndice el nombre de la
de dos dimensiones y el evento condicionante A.
- La Funcin de Densidad de Probabilidades Conjunta
Condicionada es una funcin de densidad conjunta.
- La Funcin de Densidad de Probabilidades Conjunta
Condicionada se calcula mediante la Ecuacin 8.9.
=
A
A
XY
XY XY
D y x
D y x
A P
y x f
A y x F
y x
A y x f
) , ( si , 0
) , ( si ,
} {
) , (
) / , ( ) / , (
2
(ec. 8.9)
Ejemplo 8.17:Calcular la funcin de densidad conjunta condicionada por el evento
A correspondiente a la funcin de distribucin conjunta condicionada resultante en
el Ejemplo 8.16.
A partir de la Ecuacin 8.9 y de conocer F
XY
(x,y/A) hay que tomar la doble derivada
de la distribucin condicionada resultando que
> >
> >
< < < <
< <
=

=
0 1, si , 0
0 1, si , 0
1 0 , 1 0 si ,
) 1 , 1 (
) , (
) / , ( ) / , (
2
y x
x y
y x
F
y x f
A y x F
y x
A y x f
XY
XY
XY XY
A partir de la Ecuacin 8.9 y del resultado del Ejemplo 8.7 se puede escribir que
< < < <

=
=
+
casos otros en , 0
1 0 , 1 0 si ,
) 1 , 1 (
) , ( si , 0
) , ( si ,
} {
) , (
) / , (
) (
y x
F
e
D y x
D y x
A P
y x f
A y x f
XY
y x
A
A
XY
XY
Los dos resultados logrados son iguales, como era de esperarse. El valor numrico
de F
XY
(1,1) es (1 e
-1
)
2
.

En el Captulo 3 se analizaron funciones de distribucin y de densidad de una
variable pero cuando el condicionante era un evento expresado nicamente en
trminos de esa variable. Este evento condicionante se puede generalizar al poder
expresarlo en trminos de ambas variables. Las definiciones siguientes se refieren a
funciones marginales condicionadas por eventos que tienen una estructura muy
particular.
Marginal de la Variable Aleatoria X Condicionada por el evento {Y y}, se
define como el cociente entre la funcin de distribucin conjunta y la funcin de
distribucin marginal de Y.

Marginal de X Condicionada por el evento {Y y} se denotar
por F
X
(x / Y y). Se colocar como subndice el nombre de la
variable X y entre parntesis el valor numrico x y el evento
condicionante {Y y}.
- Esta Funcin de Distribucin de Probabilidades Condicionada
es, en definitiva, una funcin de las dos variables X e Y.
Marginal de X Condicionada por el evento {Y y} se calcula
) (
) , (
) / (
y F
y x F
y Y x F
Y
XY
X
= (ec. 8.10)
Definicin 8.14: La Funcin de Densidad de Probabilidades Marginal de la
Variable Aleatoria X Condicionada por el evento {Y y}, se define como el
cociente entre la derivada parcial respecto a X de la funcin de distribucin conjunta
y la funcin de distribucin marginal de Y.
Notas: - La Funcin de Densidad de Probabilidades Marginal de X

Condicionada por el evento del tipo {Y y} se denotar por
f
X
(x / Y y). Se colocar como subndice el nombre de la
condicionante {Y y}.
- Esta Funcin de Densidad de Probabilidades Condicionada es,
en definitiva, una funcin de las dos variables X e Y.
- La Funcin de Densidad de Probabilidades Marginal de X
Condicionada por el evento {Y y} se calcula mediante la
Ecuacin 8.11.
( )
( )
) (
) , (
) / ( ) / (
y F
y x F
x
y Y x F
x
y Y x f
Y
XY
X X

= (ec. 8.11)
Marginal de la Variable Aleatoria Y Condicionada por el evento {X x}, se
define como el cociente entre la funcin de distribucin conjunta y la funcin de
distribucin marginal de X.

Marginal de Y Condicionada por el evento {X x} se denotar
por F
Y
(y / X x). Se colocar como subndice el nombre de la
variable Y y entre parntesis el valor numrico y y el evento
condicionante {X x}.
- Esta Funcin de Distribucin de Probabilidades Condicionada
es, en definitiva, una funcin de las dos variables X e Y.
Marginal de Y Condicionada por el evento {X x} se calcula
) (
) , (
) / (
x F
y x F
x X y F
X
XY
Y
= (ec. 8.12)
Variable Aleatoria Y Condicionada por el evento {X x}, se define como el
cociente entre la derivada parcial respecto a Y de la funcin de distribucin conjunta
y la funcin de distribucin marginal de X.
Notas: - La Funcin de Densidad de Probabilidades Marginal de Y

Condicionada por el evento del tipo {X x} se denotar por
f
Y
(y / X x). Se colocar como subndice el nombre de la
condicionante {X x}.
- Esta Funcin de Densidad de Probabilidades Condicionada es,
en definitiva, una funcin de las dos variables X e Y.
- La Funcin de Densidad de Probabilidades Marginal de Y
Condicionada por el evento {X x} se calcula mediante la
Ecuacin 8.13.
( )
( )
) (
) , (
) / ( ) / (
x F
y x F
y
x X y F
y
x X y f
X
XY
Y Y

= (ec. 8.13)
Marginal de la Variable Aleatoria Y Condicionada por el evento {x
1
X x
2
},
se define como el cociente entre el volumen bajo la funcin de densidad conjunta en
la regin {TC(x
2
,y) - TC(x
1
,y)} y el rea bajo la funcin de distribucin marginal de
X entre x
1
y x
2
.

Marginal de Y Condicionada por el evento {x
1
X x
2
} se
denotar por F
Y
(y / x
1
X x
2
). Se colocar como subndice el
nombre de la variable Y y entre parntesis el valor numrico y y
el evento condicionante {x
1
X x
2
}.
- Esta Funcin de Distribucin de Probabilidades Condicionada es
una funcin de la variable Y.
Marginal de Y Condicionada por el evento {x
1
X x
2
} se
calcula mediante la Ecuacin 8.14.
( ) ( )

= =
=

=
2
1
2
1
2
1
2
1
) (
' ) ' , (
) , (
' ) ' , (
) / (
) ( ) (
) , ( ) , (
} {
} {
) / (
2 1
1 2
1 2
2 1
2 1
2 1
x
x
X
y x
x
XY
x
x
XY
y x
x
XY
Y
X X
XY XY
Y
dx x f
dxdy y x f
dxdy y x f
dxdy y x f
x X x y F
x F x F
y x F y x F
x X x P
x X x y Y P
x X x y F
(ec. 8.14)
Variable Aleatoria Y Condicionada por el evento {x
1
X x
2
}, se define como
la derivada respecto a Y de la funcin de Distribucin de Probabilidades Marginal
de la Variable Aleatoria Y Condicionada por el evento {x
1
X x
2
}.

Condicionada por el evento del tipo {x
1
X x
2
} se denotar
por f
Y
(y / x
1
X x
2
). Se colocar como subndice el nombre de
la variable Y y entre parntesis el valor numrico y y el evento
condicionante {x
1
X x
2
}.
- Esta Funcin de Densidad de Probabilidades Condicionada es
una funcin de la variable Y.
Condicionada por el evento {x
1
X x
2
} se calcula mediante la
Ecuacin 8.15.
( )

=
|
|
.
|
\
|
= =

2
1
2
1
2
1
2
1
) (
) , (
) / (
) (
' ) ' , (
) / ( ) / (
2 1
2 1 2 1
x
x
X
x
x
XY
Y
x
x
X
y x
x
XY
Y Y
dx x f
dx y x f
x X x y f
dx x f
dxdy y x f
dy
d
x X x y F
dy
d
x X x y f
(ec. 8.15)
Marginal de la Variable Aleatoria X Condicionada por el evento {y
1
Y y
2
},
se define como el cociente entre el volumen bajo la funcin de densidad conjunta en
la regin {TC(x,y
2
) - TC(x,y
1
)} y el rea bajo la funcin de distribucin marginal de
Y entre y
1
y y
2
.

Marginal de X Condicionada por el evento {y
1
Y y
2
} se
denotar por F
X
(x / y
1
Y y
2
). Se colocar como subndice el
nombre de la variable X y entre parntesis el valor numrico x y
el evento condicionante { y
1
Y y
2
}.
- Esta Funcin de Distribucin de Probabilidades Condicionada es
una funcin de la variable X.
Marginal de X Condicionada por el evento { y
1
Y y
2
} se
( ) ( )

= =
=

=
2
1
2
1
2
1
2
1
) (
' ) , (
) , (
' ) , (
) / (
) ( ) (
) , ( ) , (
} {
} {
) / (
2 1
1 2
1 2
2 1
2 1
2 1
y
y
Y
x y
XY
y
y
XY
x y
XY
X
Y Y
XY XY
X
dy y f
dydx y x f
dydx y x f
dydx y x f
y Y y x F
y F y F
y x F y x F
y Y y P
y Y y x X P
y Y y x F
(ec. 8.16)
Variable Aleatoria X Condicionada por el evento {y
1
Y y
2
}, se define como
la derivada respecto a X de la funcin de Distribucin de Probabilidades Marginal
de la Variable Aleatoria X Condicionada por el evento {y
1
Y y
2
}.

Condicionada por el evento del tipo {y
1
Y y
2
} se denotar
por f
X
(x / y
1
Y y
2
). Se colocar como subndice el nombre de
la variable X y entre parntesis el valor numrico x y el evento
condicionante {y
1
Y y
2
}.
una funcin de la variable X.
Condicionada por el evento {y
1
Y y
2
} se calcula mediante la
Ecuacin 8.17.
( )

=
|
|
.
|
\
|
= =

2
1
2
1
2
1
2
1
) (
) , (
) / (
) (
) , ' (
) / ( ) / (
2 1
2 1 2 1
y
y
Y
y
y
XY
X
y
y
Y
x y
y
XY
X X
dy y f
dy y x f
y Y y x f
dy y f
dydx y x f
dy
d
y Y y x F
dx
d
y Y y x f
(ec. 8.17)
Variable X, Condicionada por el evento {Y = y}, se define como el cociente entre
la funcin de densidad conjunta y la funcin de densidad marginal de Y.

Condicionada por un evento del tipo {Y = y} se denotar por
f
X
(x / Y = y). Se colocar como subndice el nombre de la
condicionante {Y = y}.
- Una manera ms sencilla de denotar a esta funcin de densidad
condicionada es f
X
(x/y).
una funcin de las variables X e Y.
Condicionada por el evento {Y = y} se calcula mediante la
Ecuacin 8.18.
) (
) , (
) / ( ) / (
y f
y x f
y x f y Y x f
Y
XY
X X
= = = (ec. 8.18)
Variable Y, Condicionada por el evento {X = x}, se define como el cociente entre
la funcin de densidad conjunta y la funcin de densidad marginal de X.

Condicionada por un evento del tipo {X = x} se denotar por
f
Y
(y / X = x). Se colocar como subndice el nombre de la
condicionante {X = x}.
- Una manera ms sencilla de denotar a esta funcin de densidad
condicionada es f
Y
(y/x).
una funcin de las variables X e Y.
Condicionada por el evento {X = x} se calcula mediante la
Ecuacin 8.19.
) (
) , (
) / ( ) / (
x f
y x f
x y f x X y f
X
XY
Y Y
= = = (ec. 8.19)
Definicin 8.23: El Teorema de Probabilidad Total para la variable Y, en
trminos de funciones de densidad, define a la funcin marginal de Y como el
rea total de un integrando formado por el producto de la funcin de densidad
condicional de Y dado X y la funcin de densidad marginal de X, respecto a la
variable X.
Notas: - El Teorema de Probabilidad Total para la variable Y se


= dx x f x y f y f
X Y Y
) ( ) / ( ) ( (ec. 8.20)
Definicin 8.24: El Teorema de Probabilidad Total para la variable X, en
trminos de funciones de densidad, define a la funcin marginal de X como el
rea total de un integrando formado por el producto de la funcin de densidad
condicional de X dado Y y la funcin de densidad marginal de Y, respecto a la
variable Y.
Notas: - El Teorema de Probabilidad Total para la variable X se


= dy y f y x f x f
Y X X
) ( ) / ( ) ( (ec. 8.21)
Definicin 8.25: El Teorema de Bayes, en trminos de funciones de densidad,
define a la funcin de densidad condicional de X dado Y en trminos de la funcin
de densidad condicional de Y dado X y la relacin entre las funciones de densidad
marginal de X y de Y, respectivamente.
Notas: - Para usar el Teorema de Bayes se utiliza la Ecuacin 8.22.

- La Ecuacin 8.22 es la versin en trminos de funciones
de densidad de la Ecuacin2.9 del Captulo 2.
) (
) (
) / ( ) / (
y f
x f
x y f y x f
Y
X
Y X
= (ec. 8.22)
Es interesante observar que las Ecuaciones 8.18 y 8.19 permiten conocer la funcin
de densidad conjunta en trminos de funciones de densidad marginales. En la
prctica, para conocer la funcin de densidad de X dado Y, por ejemplo, se debe
realizar el experimento aleatorio fijando el valor de Y (eliminando su naturaleza
aleatoria) para estudiar las variaciones estocsticas de la variable X; se cambia luego
el valor de Y a otro valor fijo y se vuelve a estudiar la variable X; este proceso se
repite para todos los valores de Y.
8.5.2) Ejemplos.
Ejemplo 8.18: La funcin de densidad conjunta de dos variables aleatorias viene
dada por

=
+
casos otros en , 0
0 si ,
) , (
) (
x y Ce
y x f
y x
XY
. Calcular las funciones de densidad de
Y dado X y de X dado Y.
El valor de C se calcul en el Ejemplo 8.13 resultando C = 2. De igual manera, all
se calcularon las marginales de cada variable
( ) ) ( 1 2 ) ( y ) ( 2 ) (
2
y u e e y f x u e x f
y y
Y
x
X

= =
A partir de las Ecuaciones 8.18 y 8.19 se puede escribir que
( )

= =

+
casos otros en , 0
0 si ,
1
casos otros en , 0
0 si ,
1 2
2
) (
) , (
) / (
) (
x y
e
e
x y
e e
e
y f
y x f
y x f
y
x
y y
y x
Y
XY
X

= =

+
casos otros en , 0
0 si ,
casos otros en , 0
0 si ,
2
2
) (
) , (
) / (
) (
2
) (
x y e x y
e
e
x f
y x f
x y f
x y
x
y x
X
XY
Y
Ejemplo 8.19: La funcin de densidad conjunta de dos variables aleatorias viene

dada por

=
casos otros en , 0
) , ( si ,
) , (
XY
XY
D y x Cy
y x f . Calcular la funcin de densidad de X
dado Y.
La Figura 8.13 muestra el Dominio D
XY
para la funcin de densidad conjunta. En el
Ejemplo 8.15 se calcularon el valor de C (C = 3) y la marginal de Y:
< <
=
casos otros en , 0
1 0 si ), 1 ( 6
) (
y y y
y f
Y
Y
1
y = x + 1 y = 1 - x
y = constante
D
XY
-1 x
1
=y-1 x
2
=1-y 1 X
Para usar adecuadamente la Ecuacin 8.18 hay que tomar en cuenta la interseccin
de una recta para Y constante y el dominio D
XY
, como se muestra en la Figura 8.13;
all se destaca que los valores de x varan desde x
1
= y - 1 hasta x
2
= 1 - y.
Entonces, la funcin de X dado Y ser
( )
( )

= =
casos otros en , 0
1 0 , 1 1 si ,
1 2
1
) / (
casos otros en , 0
1 0 , 1 1 si ,
1 6
3
) (
) , (
) / (
y y x y
y y x f
y y x y
y y
y
y f
y x f
y x f
X
Y
XY
X
Al identificar la funcin de densidad de X/Y con los modelos probabilsticos del
Captulo 6 se encuentra que es uniforme en el intervalo (-(1 y), 1 y).
Ejemplo 8.20: Considere una variable aleatoria normal bivariada cuya funcin de
densidad conjunta viene dada por
( )( )
|
|
.
|
\
|
|
|
.
|
\
|
+

|
|
.
|
\
|
=
2
2
2
2 1
2 1
2
1
1
2
2
2 1
2
) 1 ( 2
1
exp
1 2
1
) , (

y y x x
y x f
XY
Calcular la funcin de densidad de Y dado X.
En el Ejemplo 8.14 se calcul la marginal de X resultando que X es normal con
parmetros
1
,
1
.
|
|
.
|
\
|
=
1
1
2
1
1
2
1
) (

x
X
e x f
Entonces, al aplicar la Ecuacin 8.19, la funcin de densidad de Y/X ser
( )
( )
( )
( )
( )
( )
2
2
2
1
1
2
2
2
1
1
2
2
2
2
2
2
2
2
1
1
2
1
1 2
2
2
1
1
2
2
2
2
2
1
1
2
1
1
2
1
2
1
2
2
1 2
1
2
2
2
1 2
1
2
2
2
1
1
2
1 2
1
2
2 1
2 1
1
) / (
1 2
1
) / (
1 2
1
) / (
2
1
1 2
1
) (
) , (
) / (
(
(
(
(
(
|
|
|
|
|
.
|
\
|
|
|
.
|
\
|
+
(
(
|
|
.
|
\
|
|
|
.
|
\
|
(
(
|
|
.
|
\
|
+
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
(
(
|
|
.
|
\
|
+
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =

x y
Y
x y
Y
y y x x
Y
x
y y x x
X
XY
Y
e x y f
e x y f
e x y f
e
e
x f
y x f
x y f
Aqu puede verse que f
y
(y/x) corresponde a una variable aleatoria normal con
parmetros ( )
1
1
2
2

+ = x y
2
2
1 = .

8.6) VARIABLES ALEATORIAS INDEPENDIENTES.
En el Captulo 2, Seccin 2.9, se defini la independencia de eventos mediante la
Ecuacin 2.10. La forma prctica de verificar si dos eventos son independientes es
comprobando que la probabilidad de su interseccin es igual al producto de sus
probabilidades. En esta Seccin se va a extender esa definicin a las variables
aleatorias.
La independencia de variables aleatorias se puede ver desde varios puntos de vista,
todos ellos equivalentes entre s, pero que encierran propiedades distintas de las
variables aleatorias. Las tres definiciones siguientes expresan el concepto de
independencia de variables aleatorias y permiten demostrar la idea general de que en
la independencia de variables aleatorias no existe ninguna relacin entre los valores
que toma una variable y los valores que toma la otra.
Definicin 8.26: Dos variables aleatorias son independientes si los eventos del tipo
{X x} y {Y y} son independientes.
Nota: - Esta definicin es una aplicacin directa de la

Definicin 2.10 de independencia de eventos y se
reproduce en la Ecuacin 8.23.
{ } { } ( ) { } { } y Y P x X P y Y x X P = (ec. 8.23)
Definicin 8.27: Dos variables aleatorias son independientes si la funcin de
distribucin acumulativa conjunta es igual al producto de las funciones de
distribucin marginales.
Nota: - En la Ecuacin 8.23 se pueden identificar

claramente las funciones de distribucin conjunta y
marginales para escribir la Ecuacin 8.24.
) ( ) ( ) , ( y F x F y x F
Y X XY
= (ec. 8.24)
Definicin 8.28: Dos variables aleatorias son independientes si la funcin de
densidad conjunta es igual al producto de las funciones de densidad marginales.
Nota: - Derivando la Ecuacin 8.24 respecto a ambas

variables se puede escribir la Ecuacin 8.25.
) ( ) ( ) , ( y f x f y x f
Y X XY
= (ec. 8.25)
Es interesante observar que la Ecuacin 8.25 permite conocer la funcin de
densidad conjunta a partir de las funciones de densidad marginales. Esto
complementa a las Ecuaciones 8.18 y 8.19 como las posibles maneras de conocer la
funcin de densidad conjunta a partir de marginales. De all lo interesante de poder
demostrar si las variables aleatorias bajo estudio son independientes o no.
8.6.2) Ejemplos.
Ejemplo 8.21: Sean dos variables aleatorias independientes. Calcular la funcin de
densidad de Y dado X y la de X dado Y.
La funcin de densidad de Y/X, al aplicar la Ecuacin 8.19, ser
) (
) , (
) / (
x f
y x f
x y f
X
XY
Y
=
Pero como las variables son independientes, al aplicar 8.25, se tiene
) (
) (
) ( ) (
) (
) , (
) / ( y f
x f
y f x f
x f
y x f
x y f
Y
X
Y X
X
XY
Y
= = =
Como conclusin, el evento {X = x} no condiciona a la variable Y. De igual manera
se puede escribir que ) ( ) / ( x f y x f
X X
= .
Ejemplo 8.22: Considere la variable aleatoria normal bivariada del Ejemplo 8.20
donde se consigui que la funcin de densidad de Y dado X corresponda a una
variable aleatoria normal con parmetros ( )
1
1
2
2

+ = x y
2
2
1 = . Bajo que condiciones estas variables aleatorias son
independientes?
Del Ejemplo 8.21 se puede destacar que para variables aleatorias independientes se
cumple que ) ( ) / ( y f x y f
Y Y
= y del Ejemplo 8.14 se conoci que la variable Y era
una normal con parmetros =
2
y =
2
. Por tanto, la nica manera de que se
verifique la independencia es para = 0.
Ejemplo 8.23: Considere dos variables aleatorias independientes y

exponencialmente distribuidas ambas con parmetro = 1. Calcular la probabilidad
de que ambas variables sean menores que 1.
Lo que se est solicitando es P{X 1, Y 1}. Para cada variable se tiene que su
funcin de densidad vienen dada por ) ( ) ( y ) ( ) ( y u e y f x u e x f
y
Y
x
X

= = ,
respectivamente. Entonces, por ser independientes, la funcin de densidad conjunta
ser
) ( ) ( ) ( ) ( ) , (
) (
y u x u e y f x f y x f
y x
Y X XY
+
= =
Entonces la probabilidad solicitada ser
( )( )
( )
2
2
1 1
1
0
1
0
1
0
1
0
) (
1
1 1 ] 1 , 1 {
e
e
e e dx e dy e dxdy e Y X P
x y y x

= = = =
+

Ejemplo 8.24: Dos variables aleatorias tienen una funcin de densidad conjunta
constante en la regin D
XY
de la Figura 8.14 y vale cero fuera de esa regin.
Verificar si estas variables son independientes o no.
Y
1
D
XY
1 X
El valor de la constante es uno ya que el volumen total debe ser uno. Entonces la
funcin de densidad conjunta ser
=
XY
XY
XY
D y x
D y x
y x f
) , ( si , 0
) , ( si , 1
) , (
Para demostrar la independencia se deben conocer las funciones de densidad
marginal de cada variable. Las marginales son
>
< <
<
=
>
< <
<
=
>
< <
<
=
>
< <
<
=
1 si , 0
1 0 si , 1
0 si , 0
1 si , 0
1 0 si ,
0 si , 0
) (
1 si , 0
1 0 si , 1
0 si , 0
1 si , 0
1 0 si ,
0 si , 0
) (
1
0
1
0
y
y
y
y
y dx
y
y f
x
x
x
x
x dy
x
x f
Y
X
Entonces, se verifica la Definicin 8.28 por lo que X e Y son independientes.
Ejemplo 8.25: Dos variables aleatorias tienen una funcin de densidad conjunta
dada por la expresin

=
+
casos otros en , 0
0 si , 2
) , (
) (
x y e
y x f
y x
XY
. Verificar si estas
variables son independientes o no.
En el Ejemplo 8.13 se calcularon las marginales con el siguiente resultado
( ) ) ( 1 2 ) (
) ( 2 ) (
2
y u e e y f
x u e x f
y y
Y
x
X

=
=
Entonces, no se verifica la Definicin 8.28 por lo que X e Y no son independientes.
8.7) PROBLEMAS PROPUESTOS.

Cap 8

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cap 8

Încărcat de

Drepturi de autor:

Formate disponibile

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Rafael Daz Pgina 8-1 12/05/04

Notas: - El espacio muestral en dos dimensiones se denotar por S

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Notas: - El evento TC(, ) es el espacio muestral.

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Notas: - La variable en dos dimensiones se denotar por un par de letras

Definicin 8.5: Una variable aleatoria en dos dimensiones es continua-continua

Definicin 8.6: Una variable aleatoria en dos dimensiones es discreta-continua

Definicin 8.7: La Funcin de Distribucin Acumulativa de Probabilidades

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Propiedad 8.3.2.2: La Funcin de Distribucin Acumulativa de Probabilidades

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

La Propiedad 8.3.2.3 tiene una gran aplicacin ya que relaciona la funcin de

Propiedad 8.3.2.5: El clculo de probabilidades de eventos representados como

Propiedad 8.3.2.6: La Funcin de Distribucin Acumulativa de Probabilidades

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Ejemplo 8.5: Considere dos variables aleatorias cuya funcin de distribucin

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Notas: - La Funcin de Densidad de Probabilidades Conjunta de la

< < < <

Ejemplo 8.7: Considere dos variables aleatorias cuya funcin de distribucin

Notas: - La Funcin de Probabilidad Conjunta de la variable aleatoria

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Notas: - La Funcin de Distribucin Acumulativa de Probabilidades

Propiedad 8.4.2.2: La Funcin de Distribucin Acumulativa de Probabilidades

Propiedad 8.4.2.3: El volumen total bajo la funcin de densidad de probabilidades

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Propiedad 8.4.2.5: El clculo de probabilidades de un evento representado como

Propiedad 8.4.2.7: Las funciones de probabilidad marginal de cada variable se

Es interesante observar que utilizando las Propiedades 8.4.2.4 y 8.4.2.7 se pueden

Ejemplo 8.11:Considere las dos variables aleatorias continuas analizadas en el

Ambas variables aleatorias se corresponden con el modelo exponencial con

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Ejemplo 8.13:Considere dos variables aleatorias cuya funcin de densidad conjunta

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Ejemplo 8.15:Considere dos variables aleatorias cuya funcin de densidad conjunta

Notas: - La Funcin de Distribucin Acumulativa de Probabilidades

Notas: - La Funcin de Densidad de Probabilidades Conjunta

< < < <

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Notas: - La Funcin de Distribucin Acumulativa de Probabilidades

Notas: - La Funcin de Densidad de Probabilidades Marginal de X

Notas: - La Funcin de Distribucin Acumulativa de Probabilidades

Notas: - La Funcin de Densidad de Probabilidades Marginal de Y

Notas: - La Funcin de Distribucin Acumulativa de Probabilidades

Notas: - La Funcin de Densidad de Probabilidades Marginal de Y

Notas: - La Funcin de Distribucin Acumulativa de Probabilidades

Notas: - La Funcin de Densidad de Probabilidades Marginal de X

Notas: - La Funcin de Densidad de Probabilidades Marginal de X

Notas: - La Funcin de Densidad de Probabilidades Marginal de Y

Notas: - El Teorema de Probabilidad Total para la variable Y se

Notas: - El Teorema de Probabilidad Total para la variable X se

Notas: - Para usar el Teorema de Bayes se utiliza la Ecuacin 8.22.

Ejemplo 8.19: La funcin de densidad conjunta de dos variables aleatorias viene

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Nota: - Esta definicin es una aplicacin directa de la

Nota: - En la Ecuacin 8.23 se pueden identificar

Nota: - Derivando la Ecuacin 8.24 respecto a ambas

Ejemplo 8.23: Considere dos variables aleatorias independientes y

8.7) PROBLEMAS PROPUESTOS.

S-ar putea să vă placă și