Documente Academic
Documente Profesional
Documente Cultură
Introduccion
Cuando realizamos un experimento nos interesan los numeros asociados a él. Por ejemplo, cuando lanzamos un par de dados nos interesa saber la suma de
los resultados de cada dado, no tanto com se formo ese número. Por ejemplo un siete pude ser obtenido de las siguientes maneras
{(1,6),(2,5),(3,4),(4,3),(5,2),(6,1)}. Esto es nuestra variable aleatoria no representa a cada uno de ellos sino al subconjunto de resultados que satisfacen la
variable aleatoria, en este caso la probabilidad de que el resultado sea siete. Formalmente:
Si S es un espacio muestral con una medida de probabilidad y X es una funcion de valor real definida sobre los elementos de S i.e. X:S®R,
entonces X es llamada variable aleatoria
Entonces para nuestro ejemplo anterior podemos decir que X es una variable aleatoria que representa la probabilidad de que el resultado sea siete.
Necesitamos una notación compacta para expresar esto, formalizamoslo
La probabilidad de que una variable aleatoria tome el valor x es denotada como P(X=x)
Entonces, el experimento antes descrito puede ser enunciado de forma compacta como P(X=7). Graficamente
ListPlot3D@Table@d1+d2+1, 8d1, 1,7<, 8d2, 1,7<D,ColorFunction -> "Rainbow", Mesh -> None, InterpolationOrder -> 0D
En forma de tabla:
6 7 8 9 10 11 12
5 6 7 8 9 10 11
4 5 6 7 8 9 10
3 4 5 6 7 8 9
2 3 4 5 6 7 8
1 2 3 4 5 6 7
1 2 3 4 5 6
Distribución de probabilidades
Si elaboramos una tabla con el numero de ocurrencias de los diferentes valores que constituyen S, y lo dividimos entre todos las posibles combinaciones
de resultados i.e. 36 obtenemos la siguiente tabla:
x P HX = xL
1
2
36
2
3
36
3
4
36
4
5
36
5
6
36
6
7
36
5
8
36
4
9
36
3
10
36
2
11
36
1
12
36
Observa que la sumatoria de todos los elementos de la segunda columna es uno, y cada uno de los valores son no negativos. El representar los valores de
las variables mediante tablas consume mucho tiempo, y se prefiere definir una función f:S®R, tal que su valor son iguales a P (X = x), i.e. f(x) = P(X = x).
Formalicemoslo:
Si X es una variable aleatoria discreta, la función dada por f(x) = P(X = x) para cada xÎX se llama función de probabilidad de X.
T.1 Una función f puede servir como la distribución de probabilidad de una variable discreta X sii sus valores f(x) satisfacen las siguientes condiciones:
1. f(x)≥0 "xÎX
2. ÚxÎX f HxL = 1
A veces es útil presentar la distribución de forma grá ficallamada histograma de probabilidad. La figura siguiente presenta el histograma de probabilidad de
nuestro experimento.
Un concepto importante es el de la funcion de distribución acumulativa(CDF por sus siglas en ingles), la cual nos sirve para expresar la probabilidad de
que ocurra un evento con en el cual X asume un valor menor o igual a x y la denotaremos como F(x)=P(X≤ x). Formalmente
Si X es una variable aleatoria discreta, la función dada por F(x)=P(X≤ x)=Út£X f HtL = 1, -¥≤x≤¥
T.2 Los valores de F(x) de la funcion de distribucion de una variable aleatoria discreta X satisface las condiciones
1. F(-¥)=0 y F(¥)=1
2. Si a < b, entonces F(a) < F(b) a, b Î R
Ejemplo: Encontrar la función de distribución del numero total de caras obtenidas en cuatro lanzamientos de una moneda balanceada.
x f HxL F HxL
1 1
0
16 16
4 5
1
16 16
6 11
2
16 16
4 15
3
16 16
1
4 1
16
0 para x < 0
1
para 0 £ x < 1
16
5
para 1 £ x < 2
16
F(x)= 11
para 2 £ x < 3
16
15
para 3 £ x < 4
16
1 para x ³ 4
T.3 Si el intervalo de la variable aleatoria discreta X consta de los valores x1 < x2 < x3 < .. < xn , entonces f Hx1 L = FHx1 L y
f Hxi L = FHxi L - FHxi-1 L, i = 2, 3, .. n
0 x<2 f HxL
1 1
para 2 £ x < 3 f H2L =
36 36
3 3 1 2
para 3 £ x < 4 f H3L = - =
36 36 36 36
6 6 3 3
para 4 £ x < 5 f H4L = - =
36 36 36 36
10 10 6 4
para 5 £ x < 6 f H5L = - =
36 36 36 36
15 15 10 5
para 6 £ x < 7 f H6L = - =
36 36 36 36
F HxL = 21 21 15 6
para 7 £ x < 8 f H7L = - =
36 36 36 36
26 26 21 5
para 8 £ x < 9 f H8L = - =
36 36 36 36
30 30 26 4
para 9 £ x < 10 f H9L = - =
36 36 36 36
33 33 30 3
para 10 £ x < 11 f H10L = - =
36 36 36 36
35 35 33 2
para 11 £ x < 12 f H11L = - =
36 36 36 36
36 35 1
para x ³ 12 f H12L = 1 - =
36 36 36
Ejercicio 2: La urna 1
Ejercicio 1: La urna 2
140
120
100
80
Out[16]=
60
40
20
0
2000 2001
heightData=RandomReal@NormalDistribution@170,10D,20D
8155.725, 166.526, 177.723, 151.918, 175.725, 164.743, 162.367, 170.957, 152.954, 169.564,
153.4, 189.796, 164.98, 174.815, 171.706, 163.501, 165.659, 163.093, 159.686, 184.602<
Una función de valores f(x), definida sobre el conjunto de todos los numeros reales se llama función de densidad de probabilidad (fdp) de la
variable aleatoria continua X sii
b
P(a ≤ X ≤ b)=Ùa f HxL â x, " a, b Î R, a £ b
T. 5. Una función puede servir como fdp de una variable aleatoria continua X si sus valores, f(x), satisfacen las condiciones:
1. f(x) ≥ 0
¥
2. Ù-¥ f HxL â x = 1
Ejemplo 1. Asuma que X tiene una densidad de probabilidad descrita por la siguiente funcion
c 0£x£a
f HxL=∂
0 de otra manera
c 0£x£a
∂
0 True
Primero necesitamos encontrar el valor de c para el cual esta funcion es una densidad de probabilidad. Podemos manipular el valor de c hasta que esta
integral nos regrese un 1.
a
SolveBà c âx1,cF
0
1
::c ® >>
a
de donde se sigue que para b=1, entonces c=1.
b
SolveBà c âx1,cF
a
1
::c ® >>
-a + b
Veamoslo graficamente:
3_DistribucionYDensidadProbabilidad.nb 7
1.5
1.0
0.5
0.0
0.5 1.0 1.5 2.0
Ejemplo 2. Asuma que X tiene una densidad de probabilidad descrita por la siguiente ecuación
cx a £ x £ b
f HxL =
0 de otra manera
encuentre k y P(0 ≤ X ≤ 0.5).
Primero necesitamos encontrar el valor de c para el cual esta funcion es una densidad de probabilidad. Podemos manipular el valor de c hasta que esta
integral nos regrese un 1.
81, 2, 0, 0<
b
à c x âx
a
a2 c b2 c
- +
2 2
Necesitamos resolver esta ecuacion para c
b
SolveBà c x âx1,cF
a
2
::c ® - >>
a - b2
2
b 2
à - x âx
a a -b2
2
a2 b2
-
a2 - b2 a2 - b2
a2 b2
- . 8a ® 1, b ® 2<
a2 - b2 a2 - b2
1
Veamoslo graficamente:
2.0
1.5
1.0
0.5
0.0
0.5 1.0 1.5 2.0
Ejemplo 3. Asuma que X tiene una densidad de probabilidad descrita por la siguiente ecuación
k ã-3x x > 0
f HxL=
0 de otra manera
encuentre k y P(0.5 ≤ X ≤ 1).
Primero necesitamos encontrar el valor de k para el cual esta funcion es una densidad de probabilidad. Podemos manipular el valor de k hasta que esta
integral nos regrese un 1.
83.02, 1.00667<
¥
-3x
à k ã âx
0
k
3
lo cual arroja el valor
k
3
de donde se sigue que k=3.
1
:0, 10, 1 - >
ã30
0.506 1. 0.169363
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.5 1.0 1.5 2.0
10 3_DistribucionYDensidadProbabilidad.nb
0.5 0.666667
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0.2 0.4 0.6 0.8 1.0
Si X es una variable aleatoria continua y el valor de su densidad de probabilidad en t es f(t), entonces la función dada por
x
F(x)=P(X ≤ x)=Ù-¥ f HtL â t para -¥ < x < ¥
se llama funcion de distribución acumulativa de X (fda). En particular F(-¥)=0, F(¥)=1 y F(a)≤F(b) cuando a≤b.
Si f(x) y F(x) son valores de las funciónes de densidad y acumulativa de probabilidad respectivamente de X en x, entonces
P(a ≤ X ≤ b)=F(b)-F(a ) " a, b Î R, a ≤ b
y
â FHxL
f(x)= si existe la derivada en x.
âx
Distribuciones multivariadas
Previamente hemos estado discutiendo el lanzamiento de dos dados y las probabilidades asociadas al resultado de su suma. Esto es ilustrado en la siguiente
figura. En particular, este ha sido un experimento en el cual se tomo esa interpretación del resultado, pero este es uno de los muchos que pudiesen haber
encontrado. En efecto, pudiesemos haber asociado al experimento la resta de los numeros, la multiplicación de los numeros y cualquiero otra funcion que
se les ocurra.
3_DistribucionYDensidadProbabilidad.nb 11
El caso multvariado son experimentos en los cuales se involucran mas de una variable aleatoria cada una de las cuales tiene un espacio muestral asociado.
Si tenemos n variables aleatorias, la probabilidad de que ocurran X1 = x1 , X2 = x2 , .. , Xn = xn , es denotada como P(X1 = x1 , X2 = x2 , .. , Xn = xn ). En
particular, para el caso bivariado tenemos P(X = x, Y = y), denota la probabilidad de que la variable X tomara el valor x y la variable Y tomara el valor Y.
Hagamos un ejemplo.
Ej.1. Suponga que en una urna hay tres bolas rojas, dos azules y tres verdes. Se extraen dos bolas. Si X y Y son la probabilidad de extraer una bola roja y
una bola azul respectivamente. Defina la funcion de probabilidad para P(X = x, Y = y).
8
Sol. Los posibles pares son: (0,1), (0,2), (1,0), (1,1), (2,0). EL numero de maneras en que se pueden seleccionar 2 de 8 pelotas es = 28. La probabili-
2
dad asociada con cada uno de estos pares en el espacion muestral sera:
x y P HX = x, Y = yL
3 2 3
0 0 2 1´1´3 3
0 0 8
= =
28 28
2
3 2 3
0 1 1 1´2´3 6
0 1 8
= =
28 28
2
3 2 3
0 2 0 1´1´1 1
0 2 8
= =
28 28
2
3 2 3
1 0 1 3´1´3 9
1 0 8
= =
28 28
2
3 2 3
1 1 0 3´2´1 6
1 1 8
= =
28 28
2
3 2 3
2 0 0 3´1´1 3
2 0 8
= =
28 28
2
3 2 3
x y 2-x- y
f Hx, yL = , x = 0, 1, 2 y = 0, 1, 2, 0 £ x+ y £ 2
8
2
Los valores arrojados por esta funcion son:
12 3_DistribucionYDensidadProbabilidad.nb
3 3 1
28 14 28
9 3
0
28 14
3
0 0
28
Graficamente
D.6 Si X y Y son variables aeatorias discretas, la funcion f Hx, yL = PHX = x, Y = y) para cada par de valores Hx, y) dentro del intervalo de HX, YL se llama
distribucion de probabilidad conjunta de X y Y.
T.7 Una función bivariada puede servir como la distribucion de la probabilidad conjunta de las variables aleatorias X y Y sii sus valores f (x, y) satisfacen
las siguientes condiciones:
1. f Hx, yL ³ 0 " x Î X, y Î Y
Ej.2. Determine el valor de k para el que la siguiente funcion puede servir como distribucion de probabilidad conjunta
f Hx, yL = k x y x = 1, 2, 3 y = 1, 2, 3
donde f Hs, tL es el valor de la distribución de probabilidad conjunta de X y Y en (s,t) se le llama función de distribución conjunta o la distribucion
acumulativa conjunta de X y Y.
Ej.3. Con respecto al ejemplo 1, determine F(1,2).
Una funcion bivariada con valores f(x,y) definida sobre el plano xy, se llama funcion de densidad de probabilidad conjunta de las variables aleatorias
continuas X y Y sii P@HX, YL Î AD = ÙA Ù f Hx, yL â x â y, para cualquier region A en el plano XY
T.8 Una función bivariada puede servir como la distribucion de la probabilidad conjunta de las variables aleatorias continuas X y Y sii sus valores f (x, y)
satisfacen las siguientes condiciones:
1. f Hx, yL ³ 0 - ¥ £ x £ ¥, -¥ £ y £ ¥
¥ ¥
2. Ù-¥ Ù-¥ f Hx, yL â x â y = 1
Ej. Dada la funcion de densidad de probabilidad conjunta
3
x Hy + xL para 0 < x < 1, 0 < y < 2
f Hx, yL = 5
0 de otra manera
3_DistribucionYDensidadProbabilidad.nb 13
3
x Hy + xL para 0 < x < 1, 0 < y < 2
f Hx, yL = 5
0 de otra manera
1
encuentre P[(X, Y) Î A] en donde A es la region :Hx, yL 0 < x < , 1 < y < 2>. Esta funcion sirve para la distribución conjunta de las variables aleatorias
2
X, Y?
Module@8<,
Manipulate@Plot3D@x+y,8x,0,1.1<,8y,0,1.1<,
AxesLabel -> Automatic,
Filling -> Bottom,
PlotRange -> 80, 2<,
RegionFunction -> Function@8x, y, z<, a< x<b && c<y < dD
D,
88a,0<,0,1<,88b,1<,0,1<,88c,0<,0,1<,88d,1<,0,1<D
D
d
3_DistribucionYDensidadProbabilidad.nb 15
Out[18]=
y x 1
Ù0 Ù0 Hs + tL â s â t = 2
x y Hx + yL para 0 < x < 1, 0 < y < 1
y 1 1
Ù0 Ù0 Hs + tL â s â t = y H1 + yL para x ³ 1, 0 < y < 1
2
f Hx, yL = 1 x 1
Ù0 Ù0 Hs + tL â s â t = x H1 + xL para 0 < x < 1, y ³ 1
2
1 1
Ù0 Ù0 Hs + tL â s â t = 1 para x ³ 1, y ³ 1
0 de otra manera
Graficamente:
16 3_DistribucionYDensidadProbabilidad.nb
Finalmente, analogo a la distribución de probabilidad univariada, la distribución de probabilidad bivariada es expresado como:
¶2
f Hx, yL = FHx, yL
¶x ¶y
Ej. 5. Encuentre la funcion de densidad de probabilidad conjunta de dos variables aleatorias X y Y cuya funcion acumulada de distribucion conjunta esta
dada por:
H1 - ã-x L H1 - ã-y L para x > 0, y > 0
FHx, yL =
0 de otra manera
y use la densidad de probabilidad conjunta para determinar P(1<X<3,1<Y<2).
IntegrateAIntegrateAã-Ix+yM , 8x,1,3<E,8y,1,2<E
H- 1 + ãL2 H1 + ãL
ã5
1 1
-Ix+yM
à à ã âxây
0 0
H- 1 + ãL2
ã2
H-1+ãL2
NB F
ã2
0.399576
1 - ã2 - ã + ã3
NB F
ã5
0.0739705
H-1 + ãL2 H1 + ãL
ã5
Los conceptos de las funciones conjuntas bivariadas pueden ser facilmente extendibles a caso multivariado, por ejmplo la distribucion de probabilidad
conjunta de n variables aleatorias discretas X1 , X2 , ... , Xn esta dada por
f Hx1 , x2 , .. , xn L = PHX1 = x1 , X2 = x2 , ... , Xn = xn L
FHx1 , x2 , .. , xn L = PHX1 £ x1 , X2 £ x2 , ... , Xn £ xn L - ¥ < x1 < ¥ - ¥ < x2 < ¥, .., -¥ < xn < ¥
Ej. 6. La funcion de probabilidad de tres variables aleatorias discretas esta dada por
Hx + yL z
f Hx, yL = , x = 1, 2 y = 1, 2, 3 z = 1, 2
63
a). Encuentre P(X=2, Y+Z≤3)
En el caso continuo, se obtienen las probabilidades al integrar la densidad de probabilidad conjunta, la cual esta dada por:
xn x2 x1
FHx1 , x2 , .., xn L = PHX1 £ x1 , X2 £ x2 , ... , Xn £ xn L = à ... à à f Ht1 , t2 , .. , tn L â t1 â t2 .. â tn
-¥ -¥ -¥
1 1
a). Encuentre P@HX1 , X2 , X3 )ÎA] en donde A es la region :Hx1 , x2 , x3 L 0 < x1 < , < x2 < 1, x3 < 1>.
2 2
a).
1
IntegrateBHx1 +x2 Lã-x3 ,:x1 ,0, >F
2
ã-x3 1
+ ã-x3 x2
8 2
ã-x3 1 1
IntegrateB + ã-x3 x2 ,:x2 , ,1>F
8 2 2
ã-x3
4
ã-x3
IntegrateB ,9x3 ,0,1=F
4
-1 + ã
4ã
-1+ã
NB F
4 ã
0.15803
b).
ã-x3
+ ã-x3 x2
2
ã-x3
IntegrateB +ã-x3 x2 ,8x2 ,0,1<F
2
ã-x3
Finalmente, analogo a la distribución de probabilidad bivariada, la distribución de probabilidad multivariada es expresado como:
¶n
f Hx1 , x2 , .. , xn L = FHx1 , x2 , .. , xn L
¶x1 ¶x2 .. ¶xn
Distribuciones marginales
Recordando el primer ejemplo de las bolas, en el cual se obtuvo la distribucion de probabilidad conjuntade la variables X y Y , el numero de bolas rojas y
azules respectivamente que se obtuvieron de extraer dos bolas de un frasco con tres bolas rojas, dos bolas azules y tres bolas verdes. Encontrar la distribu-
cion de probabilidad de X sola y Y sola:
Los valores arrojados por esta funcion son:
3_DistribucionYDensidadProbabilidad.nb 19
x
0 1 2
3 3 1 10
0
28 14 28 28
9 3 15
y 1 0
28 14 28
3 3
2 0 0
28 28
15 12 1
1
28 28 28
Nota que los valores inferiores de las columnas son las sumatorias para cada x de todos los valores de y, esto es:
2
g HxL = âf Hx, yL, x = 0, 1, 2
y=0
2
h HyL = âf Hx, yL, y = 0, 1, 2
x=0
2 2
âg HxL = âh HyL = 1
x=0 y=0
D.10 Si X y Y son variables aleatorias discretas y f(x,y) es el valor de la distribución conjunta en (x,y), la funcion dada por
g(x)= Úy f Hx, yL,
para cada x dentro del intervalo X es llamada distribución marginal de X. Correspondientemente, la función
h(y)= Úx f Hx, yL,
para cada y dentro del intervalo Y es llamada distribución marginal de Y.
Para el caso continuo, las sumatorias son remplazadas por integrales y llegamos a la siguiente definicion:
D.11 Si X y Y son variables aleatorias continuas y f(x,y) es el valor de la densidad de probabilidad conjunta en (x,y), la funcion dada por
¥
g(x)= Ù-¥ f Hx, yL â y, para -¥ < x < ¥
es llamada distribución marginal de X. Correspondientemente, la función
¥
h(y)= Ù-¥ f Hx, yL â x, para para -¥ < y < ¥
es llamada distribución marginal de Y.
2 13
FHx,yL=à à xHy+xLâxây
0 0 5
3 2 1
NB à à x Hx + yL â x â yF
5 0 0
1 ,
¥ 23 6
g(x)= Ù-¥ f Hx, yL â y)=Ù0 x * Hx + yL â y = x H1 + xL
5 5
¥ 13 1
h(y)= Ù-¥ f Hx, yL â x)=Ù0 x * Hx + yL â x = H2 + 3 yL
5 10
Cuando tenemos mas de dos variables aleatorias podemos extender el concepto de distribucion marginal al de distribuciones marginales conjuntas. Si la
fdpc de las variables discretas X1 , X2 , .., Xn tiene los valores f Hx1 , x2 , .. , xn L la distribucion marginal de X1 sola esta dada por
gHx1 L = Ú2 Ú3 .. Ún f Hx1 , x2 , .. , xn L
para todos los valores del intervalo X1 . La distribucion marginal conjunta de las variables, dado Á = 81, 2, 3, .. n<, Xi , X j , .. , Xm , i, j, .., m Î Á esta dada
por
mIxi , x j , .. , xm M = Úr Ús .. Úz f Hx1 , x2 , .. , xn L, i, j, .., m Î Á ^ r, s, .., t Ï Á
20 3_DistribucionYDensidadProbabilidad.nb
1
SimplifyBà Hx1 +x2 Lã-x3 âx2 F
0
1
ã-x3 H1 + 2 x1 L
2
¥ 1 ¥1 1
b). gHx1 L = Ù 0 Ù 0 Hx1 + x2 L ã-x3 â x2 â x3 = Ù 0 ã-x3 H1 + 2 x1 L â x3 = + x1 , 0 < x1 < 1
2 2
¥1
à ã-x3 H1+2 x1 Lâx3
0 2
1
+ x1
2
¥ 1 1-x2
à à à 6ã-x1-2x2-3x3 âx1âx2âx3
1 0 0
Distribuciones condicionales
Recordemos la definicion de probabilidad condicional del evento A dado el evento B
PHAÝBL
PHA BL = , PHBL > 0
PHBL
Si A y B son los eventos A y B tales que X=x y Y=y, de modo que podemos escribir
PHX = x, Y = yL f Hx, yL
PHX = x Y = yL = = , PHY = yL = hHyL > 0
PHY = yL hHyL
Denotemos la probabilidad condicional como f Hx yL para indicar que x es una variable y y esta fija, entonces
D12. Si f(x,y) es el valor de la probabilidad conjunta de las variables aleatorias discretas X y Y en (x,y), y h(y) es el valor de la distribución
marginal de Y en y, la funcion dada por
f Ix,yM
f(x | y)= , h(y)<0
hIyM
para cada x en el intervalo X, se llama distribucion condicional de X, dado Y=y. De la misma manera, si g(x) es el valor de la distribucion
marginal de X en x, la funcion dad por
f Ix,yM
w(y | x)=
gHxL
para cada y en el intervalo Y, se llama distribucion condicional de Y, dado X=x.
3_DistribucionYDensidadProbabilidad.nb 21
D12. Si f(x,y) es el valor de la probabilidad conjunta de las variables aleatorias discretas X y Y en (x,y), y h(y) es el valor de la distribución
marginal de Y en y, la funcion dada por
f Ix,yM
f(x | y)= , h(y)<0
hIyM
para cada x en el intervalo X, se llama distribucion condicional de X, dado Y=y. De la misma manera, si g(x) es el valor de la distribucion
marginal de X en x, la funcion dad por
f Ix,yM
w(y | x)=
gHxL
para cada y en el intervalo Y, se llama distribucion condicional de Y, dado X=x.
Ej. 10. Con respecto al ejemplo 9 y 7, encuentre la distribucion condicional de X dada Y=1
x
0 1 2
3 3 1 10
0
28 14 28 28
9 3 15
y 1 0
28 14 28
3 3
2 0 0
28 28
15 12 1
1
28 28 28
9
28 3
f H0, 1L = 15
=
5
28
3
14 2
f H1, 1L = 15
=
5
28
0
f H2, 1L = 15
=0
28
D13. Si f(x,y) es el valor de la probabilidad conjunta de las variables aleatorias continuas X y Y en (x,y), y h(y) es el valor de la distribución
marginal de Y en y, la funcion dada por
f Ix,yM
f(x | y)= , h(y)<0, -¥ < x < ¥
hIyM
se llama densidad condicional de X, dado Y=y. De la misma manera, si g(x) es el valor de la densidad marginal de X en x, la funcion dada por
f Ix,yM
w(y | x)= -¥ < y < ¥
gHxL
se llama densidad condicional de Y, dado X=x.
1 1
Con respecto al ejemplo 8, encuentre la densidad condicional de X dado Y=y y usela para evaluar PJX £ Y= N
2 2
3
xHy + xL para 0 < x < 1, 0 < y < 2
f Hx, yL = 5
o de otra manera
I2+3 yM
hHyL =
10
Tenemos
3
f Ix,yM xIy+xM 6 xAx+yE
5
f Hx yL = = = , 0 < x < 1 y f Hx, yL = 0 en cualquier otra parte
hIyM I2+3 yM10 I2+3 yM
1
1 6 xBx+ F 12 1
2
f Jx N= 1
= xB + xF
2 J2+3 ´ N 7 2
2
1
1 1 12 1 5
PJX £ Y = N = Ù02 xB + xF â x=
2 2 7 2 28