Unidad 6. Distribuciones Conjuntas de Probabilidad (Parte II)

Estadística Matemática
Unidad 6. Distribuciones Conjuntas de Probabilidad (Parte II)
Diego Alejandro Castro

Asignatura: Estadística Matemática
Facultad Ciencias Sociales y Económicas
Universidad del Valle, Cali
Distribuciones Conjuntas de Probabilidad
Función de distribución acumulada en variables continuas

Definición: sean y variables aleatorias continuas con función de distribución conjunta .
Si existe una función no negativa llamada función de densidad conjunta, tal que:
𝑦1 𝑦2
𝐹 ( 𝑦1 , 𝑦 2)=∫ ∫ 𝑓 (𝑡 ¿ ¿1 , 𝑡 2) 𝑑 𝑡2 𝑑𝑡 1 ¿
−∞ −∞
Recordemos que para el caso de una variable aleatoria continua, la distribución acumulada es:
𝑦
𝐹 ( 𝑦)= ∫ 𝑓 ( 𝑡 ) 𝑑𝑡
−∞ 𝑦2 𝑦1

Para dos variables aleatorias es: 𝐹 ( 𝑦1 , 𝑦 2)=∫ ∫ 𝑓 (𝑡 ¿ ¿1 , 𝑡 2) 𝑑 𝑡1 𝑑𝑡 2 ¿
−∞ −∞
Definiciones en variables continuas

Definición: si y son variables con función de distribución conjunta , entonces:

Definición: sean y variables aleatorias continuas con función de probabilidad conjunta
entonces las funciones de densidad marginal de y , vienen dadas por:
∞ ∞

𝑓 ( 𝑦 1 ) =∫ 𝑓 ( 𝑦 1 , 𝑦2 ) 𝑑 𝑦 2 ; 𝑓 ( 𝑦 2 ) =∫ 𝑓 ( 𝑦 1 , 𝑦 2 ) 𝑑 𝑦 1
−∞ −∞
Eltérmino marginal, como se aplica a las funciones de probabilidad univariante de y tiene

un significado intuitivo. Recordemos que en el caso discreto, para hallar sumamos para
todos los valores de y por tanto acumulamos las probabilidades en el eje .
Definiciones en variables continuas
𝑎 𝑏
𝐹 ( 𝑎 ,𝑏 )=𝑃 ( 𝑦 1 ≤ 𝑎 , 𝑦 2 ≤ 𝑏 ) =∫ ∫ 𝑓 ( 𝑦 ¿ ¿ 1, 𝑦 2 )𝑑 𝑡 2 𝑑𝑡 1 ¿
−∞ −∞
Algunosejemplos

5 ∞
𝑃 ( 𝑦 1 ≤ 5 , 𝑦 2 ≥ 3 )= ∫ ∫ 𝑓 ( 𝑦 ¿ ¿ 1 , 𝑦 2) 𝑑 𝑡 2 𝑑𝑡 1 ¿
−∞ 3
∞ ∞
𝑃 ( 𝑦 1 ≥ 3 , 𝑦 2 ≥ 10 )=∫ ∫ 𝑓 ( 𝑦 ¿ ¿ 1 , 𝑦 2) 𝑑 𝑡 1 𝑑𝑡 2 ¿
10 3
Función de densidad marginal
La función de densidad marginal de es:
∞

𝑓 ( 𝒚 𝟏 ) = ∫ 𝒇 ( 𝒚 𝟏 , 𝒚𝟐 ) 𝒅 𝒚 𝟐
−∞
La función de densidad marginal de es:

∞

𝑓 ( 𝒚 𝟐 ) = ∫ 𝒇 ( 𝒚 𝟏 , 𝒚𝟐 ) 𝒅 𝒚 𝟏
−∞
Probabilidad condicional en variables continuas
Definición:
sean y variables aleatorias continuas con función de probabilidad conjunta y
funciones de probabilidad marginal y , respectivamente. Para cualquier tal que , la
densidad condicional de dado , está dada por:

𝑓 ¿
y, para cualquier tal que , la función densidad condicional de dado , está dada por:

𝑓 ¿
Ejemplo de aplicación en economía
Una máquina automática expendedora de bebidas tiene una cantidad aleatoria de debida en
existencia al principio de un día determinado y dosifica una cantidad aleatoria durante el
día (ambas variables con cantidades expresadas en galones). La máquina no se reabastece
durante el día y, en consecuencia, . Se ha observado que y tienen una densidad conjunta
dada por:
1
𝑓 ( 𝑦 1 , 𝑦 2)=
{ 2
; 0 ≤ 𝑦1 ≤ 𝑦2 ≤ 2
0; 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
a) Encuentre la función de densidad marginal para cada una de las variables

La función de densidad conjunta del ejercicio es:
1
𝑓 ( 𝑦 1 , 𝑦 2)=
{ 2
; 0 ≤ 𝒚𝟏 ≤ 𝒚𝟐 ≤ 2
Primero se gráfica los límites de cada una de las variables en el plano cartesiano.
1
𝑓 ( 𝑦 1 , 𝑦 2)=
{2
; 0 ≤ 𝑦1 ≤ 𝑦2 ≤ 2
Sabemos que: ∞

𝑓 ( 𝑦 1 ) =∫ 𝑓 ( 𝑦 1 , 𝑦2 ) 𝑑 𝑦 2
−∞
2 2
1
1 1 2 1
𝑓 ( 𝑦 1 ) =∫ 𝑑 𝑦2 𝑓 ( 𝑦 1 ) = ∫ 𝑑 𝑦2 𝑓 ( 𝑦 1 ) = ( 𝑦2 )|𝑦 = (2− 𝑦 1)
𝑦 2 2 𝑦 2 21
1 1
No se puede colocar como límite puesto que la función debe estar en términos de
1
𝑓 ( 𝑦 1 , 𝑦 2)=
{2
; 0 ≤ 𝑦1 ≤ 𝑦2 ≤ 2
Sabemos que:
∞

𝑓 ( 𝑦 2 ) =∫ 𝑓 ( 𝑦 1 , 𝑦2 ) 𝑑 𝑦 1
−∞
𝑦2 𝑦2
1 1 1 𝑦 1
𝑓 ( 𝑦 2 ) =∫ 𝑑 𝑦1 𝑓 ( 𝑦 2 ) = ∫ 𝑑 𝑦1 𝑓 ( 𝑦 2 ) = ( 𝑦1 )|0 = ( 𝑦 2 −0)
2
0
2 2 0 2 2
No se puede colocar como límite puesto que la función debe estar en términos de
b) ¿Cuál es la función de distribución acumulada conjunta de las dos variables?
Recordemos que para calcular las probabilidades

menores o iguales a un determinado valor , se debe
obtener la función de distribución acumulada, que
para el caso de una variable viene dada por:
𝑦
𝑃 ( 𝑌 ≤ 𝑦 ) = 𝑃 (𝑌 < 𝑦 )= ∫ 𝑓 ( 𝑡 ) 𝑑𝑡
−∞
La función de distribución acumulada en el caso de dos variables conjuntas será:

𝑦2 𝑦1
𝑃 ( 𝑌 2 ≤ 𝑦 2 ,𝑌 1 ≤ 𝑦1 ) = 𝐹 ( 𝑦 2 , 𝑦1 ) = ∫ ∫ 𝑓 ( 𝑦1, 𝑦2 ) 𝑑 𝑡 1 𝑑 𝑡 2
−∞ −∞
𝑦2 𝑦1
𝑃 ( 𝑌 2 ≤ 𝑦 2 ,𝑌 1 ≤ 𝑦1 ) = 𝐹 ( 𝑦 2 , 𝑦1 ) = ∫ ∫ 𝑓 ( 𝑦1 , 𝑦2 ) 𝑑 𝑡 1 𝑑 𝑡 2
−∞ −∞
Aplicado al ejercicio, la función de distribución acumulada

es: 𝑦2 𝑦1

1
𝐹 ( 𝑦 2 , 𝑦 1 ) =∫ ∫ 𝑑 𝑡 1 𝑑 𝑡 2
0 𝑡
2
2
𝑦2 𝑦1
1
𝐹 ( 𝑦 2 , 𝑦 1 ) = ∫∫ 𝑑 𝑡 1 𝑑 𝑡 2
2 0 𝑡 2
𝑦2 𝑦2
1 𝑦
1
𝐹 ( 𝑦 2 , 𝑦 1 ) = ∫ ( 𝑡 1 )|𝑡 𝑑 𝑡 2
1
𝐹 ( 𝑦 2 , 𝑦 1 ) = ∫ ( 𝑦 ¿ ¿ 1 −𝑡 2) 𝑑 𝑡 2 ¿
2 0 2
2 0
𝑦2
𝑦2 2
1 𝑡
)|

1
𝐹 ( 𝑦 2 , 𝑦 1 ) = ∫ ( 𝑦 ¿ ¿ 1 −𝑡 2) 𝑑 𝑡 2 ¿
2 0
𝐹 ( 𝑦2 , 𝑦1 )=(2
𝑦1𝑡 2−
2
2 0
2
1 𝑦
𝐹 ( 𝑦2 , 𝑦1 )=
2 (
𝑦 1 𝑦2 −
2
2
) ; 0 ≤ 𝑦1 , 𝑦 2 ≤ 2
Recordemos que para determinar que la función de distribución acumulada se encuentra

de manera correcta se evalúa en el límite superior y el resultado debe ser igual al valor
unitario.
2

1 2
𝐹 ( 2 , 2 )= 2 ∗2 −
2 (2
=1 )
Jóvenes, por favor no olvidar realizar la comprobación para el próximo Taller. Si hay
una manera de comprobar que el ejercicio está de manera correcta ¿Por qué no
c) ¿Cuál es la probabilidad de que la máquina automática tenga una cantidad de bebida

menor a 1,5 galones y se dosifique una cantidad menor a 1,3 galones en un día?
Recordemos que:
= “Cantidad de debida en existencia al principio de un día determinado”
= “Cantidad que dosifica la maquina durante el día”
Sabemos que:
2
1 𝑦
𝐹 ( 𝑦2 , 𝑦1 )=
2 (
𝑦 1 𝑦2 −
2
2
) ; 0 ≤ 𝑦1 , 𝑦 2 ≤ 2
Se debe calcular:𝑃(𝑌 ¿ ¿1 ≤ 1,3 , 𝑌 2 ≤ 1,5)=? ¿

2

1 1,5
2 (
𝑃(𝑌 ¿ ¿1 ≤ 1,3 , 𝑌 2 ≤ 1,5)= ( 1,3 )( 1,5 ) −
2 )
=0,4125 ¿
c) ¿Cuál es la probabilidad de que la máquina automática tenga una cantidad de bebida

menor a 1,5 galones y se dosifique una cantidad menor a 1,3 galones en un día?
Recordemos que:
Sabemos que:
2
1 𝑦
𝐹 ( 𝑦2 , 𝑦1 )=
2 (
𝑦 1 𝑦2 −
2
2
) ; 0 ≤ 𝑦1 , 𝑦 2 ≤ 2
Se debe calcular:𝑃(𝑌 ¿ ¿1 ≤ 1,3 , 𝑌 2 ≤ 1,5)=? ¿

2

1 1,5
2 (
𝑃(𝑌 ¿ ¿1 ≤ 1,3 , 𝑌 2 ≤ 1,5)= ( 1,3 )( 1,5 ) −
2 )
=0,4125 ¿
d) ¿Cuál es la probabilidad de que la máquina automática tenga una cantidad de
bebida superior a 1,5 galones y se dosifique una cantidad superior a 1,3 galones en
un
día?
e) ¿Cuál es la probabilidad de que la máquina automática tenga una cantidad de

bebida inferior a 1,5 galones y se dosifique una cantidad superior a 1,3 galones en
un día?
1,5 2
1
𝑃(𝑌 1 ≥1,3 , 𝑌 2 ≤1,5)=∫ ∫ 𝑑 𝑡 1𝑑 𝑡 2
0 1,3 2
1,5 2
1
𝑃(𝑌 1 ≥1,3 , 𝑌 2 ≤1,5)= ∫ ∫ 𝑑 𝑡 1 𝑑 𝑡 2
2 0 1,3
1,5 2 1,5
1 2
𝑃(𝑌 1 ≥1,3 , 𝑌 2 ≤1,5)= ∫ ∫ 𝑑 𝑡 1 𝑑 𝑡 2=∫ ( 𝑡 1 )|1,3 𝑑𝑡 2
2 0 1,3 0
1,5 2 1,5
1 2
𝑃 (𝑌 1 ≥1,3 , 𝑌 2 ≤1,5)= ∫ ∫ 𝑑 𝑡 1 𝑑 𝑡 2=∫ ( 2 −1,3 )|1,3 𝑑𝑡 2
2 0 1,3 0
1,5 2 1,5 1,5

1
𝑃 ( 𝑌 1 ≥ 1,3 , 𝑌 2 ≤ 1,5 ) = ∫ ∫ 𝑑 𝑡 1 𝑑 𝑡 2=∫ 0 ,7 𝑑𝑡 2 =0,7 ∫ 𝑑𝑡 2
2 0 1,3 0 0
2
𝑃 ( 𝑌 1 ≥ 1,3 , 𝑌 2 ≤ 1,5 ) =0,8 ( 𝑡1 )|1,3=0,8 ( 2 −1,3 )=0,56
f) ¿Las dos variables son independientes?
Para que las dos variables sean independientes, se debe cumplir con la siguiente
condición: 𝑓 ( 𝑦 , 𝑦 ) =𝑓 ( 𝑦 ) ∗ 𝑓 ( 𝑦 )
1 2 1 2
1 1
{
𝑓 ( 𝑦 1 , 𝑦 2)= 2
; 0 ≤ 𝑦1 ≤ 𝑦2 ≤ 2

𝑓 ( 𝑦 1 ) = (2 − 𝑦 1 )

2
1 1
≠ (2 − 𝑦1 ) 𝑦2
2 4
Como la igualdad no se cumple, se concluye que las variables no son independientes.

Otra manera, es calcular la covarianza entre las dos variables y debe ser diferente de
g) Si la maquina automática tiene una bebida menor a 1,5 galones. ¿Cuál es la
probabilidad de que la máquina dosifique una cantidad menor a 1,3 galones en un
día?
Recordemos que:
𝑃 ( 𝑦 1 ≤ 1,3 , 𝑦2 <1,5)
𝑃 ( 𝑦 1 ≤ 1,3¿ 𝑦 2 <1,5 ) =
𝑃( 𝑦 2 ≤ 1,5)
De un ejercicio anterior, sabemos

1 1,52
2(
𝑃(𝑌 ¿ ¿1 ≤ 1,3 , 𝑌 2 ≤ 1,5)= ( 1,3 )( 1,5 ) − )
2
=0,4125 ¿
Paracalcular se puede calcular la función de distribución acumulada y posteriormente
evaluar en 1,5 o calcular directamente la probabilidad. Se realizará de la segunda
manera:

1,5
1,5 2
( )|
2 2
1 1 𝑦 1 1,5 0
𝑃 ( 𝑦 2 ≤ 1,5 )=∫ ( 𝑦 2 ) 𝑑 𝑦 2=
0 2
2
2 2 0
= ∗
2 (2
−
2 )
=0,5625
De esta manera:
𝑃( 𝑦 1 ≤ 1,3 , 𝑦2 <1,5) 0,4125

𝑃 ( 𝑦 1 ≤ 1,3¿ 𝑦 2 <1,5 ) = = =0,7333
𝑃( 𝑦 2 ≤ 1,5) 0,5625
Covarianza en variables continuas

Definición: si y son variables aleatorias continuas, entonces el valor esperado de es:
∞ ∞

E(𝑌 ¿ ¿1 ∗ 𝑌 2)=∫ ∫ 𝑦 1 ∗ 𝑦 2 𝑓 ( 𝑦 ¿ ¿ 1 , 𝑦 2)𝑑 y 2 𝑑 y1 ¿ ¿
−∞ −∞
Al
igual que en variables discretas, la covarianza de dos variables continuas y se define
como:
Cov(𝑌
¿ ¿1,𝑌 2)= E(𝑌 ¿ ¿1∗𝑌 2)− 𝜇1 ∗ 𝜇2 ¿¿
En caso que las variables y sean independientes, entonces:

E(𝑌
¿ ¿1∗ 𝑌 2)=E(𝑌 ¿¿1)∗𝐸(𝑌 2)=𝜇 1 ∗ 𝜇 2 ¿¿
Cov(𝑌
¿ ¿ 1 ,𝑌 2)=𝜇 1 ∗ 𝜇 2 − 𝜇1 ∗ 𝜇2 =0 ¿
Ejemplo de covarianza en variables continuas
Para el ejemplo, calcular la covarianza. Recordemos que la función de densidad conjunta

es: 1
{
𝑓 ( 𝑦 1 , 𝑦 2)= 2
; 0 ≤ 𝒚𝟏 ≤ 𝒚𝟐 ≤ 2
Recordemos que el área de interés es: ∞ ∞
E(𝑌 ¿ ¿1 ∗ 𝑌 2)=∫ ∫ 𝑦 1 ∗ 𝑦 2 𝑓 ( 𝑦 ¿ ¿ 1 , 𝑦 2)𝑑 y 2 𝑑 y1 ¿ ¿
−∞ −∞
2 𝑦1
1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)=∫ ∫ 𝑦 1 ∗ 𝑦2 𝑑 y 2 𝑑 y 1 ¿
0 0
2
2 𝑦1
1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ ∫ 𝑦 1 ∗ 𝑦 2 𝑑 y 2 𝑑 y 1 ¿
20 0
Los límites de la segunda integral siempre se deben acotar
a valores numéricos, de tal manera que el valor esperado
sea un número.
2 𝑦1
1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ ∫ 𝑦 1 ∗ 𝑦 2 𝑑 y 2 𝑑 y 1 ¿
2𝑦 0 1
𝑦1
2 2 2 2
𝑦
( )| 𝑦1

1 1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ 𝑦 1 ∗
2𝑦 1
2
2
0
𝑑 𝑦1¿ E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ 𝑦 1 ∗
2𝑦 1
2 ( )
𝑑 𝑦1¿
2 2

1 3

1 3
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ 𝑦1 𝑑 𝑦 2 ¿ E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ 𝑦1 𝑑 𝑦2 ¿
4𝑦 1
4𝑦 1
2
3
( )| ( )
3
1 𝑦 2 1 2
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= = =1 ¿
4 4 0 4 2
Otra manera para calcular el valor esperado de es:
2 2

1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)=∫∫ 𝑦 1 ∗ 𝑦2 𝑑 y 1 𝑑 y 2 ¿
0 𝑦 2
2
2 2

1
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ ∫ 𝑦1 ∗ 𝑦2 𝑑 y1 𝑑 y2 ¿
20 𝑦 2
2
2 2
1
()
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫
𝑦
20 2
𝑦2 𝑑 𝑦2 ¿
𝑦
1
| 2
2
2 2 2 3 2 4
1 4 𝑦
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= ∫ −
20 2 2 ( 21
)
𝑦2 𝑑 𝑦2 = ∫ 2 𝑦2−
2 0
𝑦
2
𝑑𝑦 2=¿
1 2𝑦 𝑦
2 2
−(8
2
) ( 2 2
)|
0
¿¿
2
2 4 1 16
E(𝑌 ¿ ¿1 ∗ 𝑌 2)=
1 2𝑦 𝑦
(
2 2
−
2
8
2
)|
0
¿ 2 (
E(𝑌 ¿ ¿1 ∗ 𝑌 2)= 4 − =1¿
8 )
Por lo que se llega al mismo resultado.
Cov(𝑌
¿ ¿ 1 ,𝑌 2)=1 − 𝜇1 ∗ 𝜇 2 ¿
Se debe calcular el valor esperado de cada una de las variables:
1
𝑓 ( 𝑦 1 ) = ( 2− 𝑦 1 ) ; 0< 𝑦 1< 2
2
Recordemos que
∞ 2 2
1 1 2 2
𝐸 ( 𝑦 1 )= ∫ 𝑦 1 𝑓 ( 𝑦 1 ) 𝑑 𝑦1 =¿ ∫ 𝑦 1( 2 − 𝑦 1) 𝑑 𝑦1 =¿ ∫ ( 2 𝑦1 − 𝑦 1) 𝑑 𝑦 1 = ¿¿
−∞ 2 0 2 0 3
1
𝑓 ( 𝑦 2 ) = ( 𝑦 2 ) ; 0< 𝑦2 < 2
2
2
∞ 2 3
𝐸 ( 𝑦 2 )= ∫ 𝑦 2 𝑓 ( 𝑦 2 ) 𝑑 𝑦2 =¿∫
−∞ 0
1
𝑦2 ( 𝑦2 ) 𝑑 𝑦2 =
2 ( )|
1 𝑦
2
2 3 0
4
= ¿
3
2 4 1
De esta manera: Cov(𝑌 ¿ ¿ 1 ,𝑌 2)=1 − ∗ = =0,1111>0 ¿
3 3 3
Por lo anterior, la relación entre las dos variables es positiva, lo que tiene sentido
para el ejemplo aplicado.
ó
Para el ejemplo, calcular el coeficiente de correlación lineal entre las dos variables
𝐶𝑜𝑣 (𝑌 1 , 𝑌 2)
𝜌=
𝜎1∗ 𝜎2
∞ 2 2
2 21 4 2
2 2 2
−∞
2
𝜎 1 =𝐸 ( 𝑦 1) − 𝜇1= ∫ 𝑦 1 𝑓 ( 𝑦 1 ) 𝑑 𝑦1 − ( )
3
=∫ 𝑦 1 ( 2 − 𝑦 1 ) 𝑑 𝑦1 − =
0 2 9 9
∞ 2 2
4 2 1 16 2
2 2 2
−∞
2
𝜎 2 = 𝐸 ( 𝑦 2) − 𝜇2= ∫ 𝑦 2 𝑓 ( 𝑦 2 ) 𝑑 𝑦2 − ( )
3
=∫ 𝑦2 ( 𝑦 2 ) 𝑑 𝑦 1 −
0 2 9
=
9
0,1111
𝜌= =0,49995 ≅ 50 %
√2 /9∗ √ 2/9
Valor esperado y varianza de funciones lineales
Parael ejemplo, supongamos que deseamos calcular el valor esperado y la varianza de la
siguiente función lineal:
2 4
Antes de resolver el ejercicio, recordemos que: 𝐸 ( 𝑦 1 )= 3 ; 𝐸 ( 𝑦 2 )=
3
2 2 2
𝜎 1 =𝜎 2 =
9
;Cov(𝑌
¿ ¿ 1, 𝑌 2 )=0,1111 ¿
Si entonces ,

Unidad 6. Distribuciones Conjuntas de Probabilidad (Parte II)

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Unidad 6. Distribuciones Conjuntas de Probabilidad (Parte II)

Hochgeladen von

Copyright:

Verfügbare Formate

Estadística Matemática

Unidad 6. Distribuciones Conjuntas de Probabilidad (Parte II)

Diego Alejandro Castro

Eltérmino marginal, como se aplica a las funciones de probabilidad univariante de y tiene

La función de densidad marginal de es:

a) Encuentre la función de densidad marginal para cada una de las variables

b) ¿Cuál es la función de distribución acumulada conjunta de las dos variables?

Recordemos que para calcular las probabilidades

La función de distribución acumulada en el caso de dos variables conjuntas será:

Aplicado al ejercicio, la función de distribución acumulada

Recordemos que para determinar que la función de distribución acumulada se encuentra

c) ¿Cuál es la probabilidad de que la máquina automática tenga una cantidad de bebida

Se debe calcular:𝑃(𝑌 ¿ ¿1 ≤ 1,3 , 𝑌 2 ≤ 1,5)=? ¿

c) ¿Cuál es la probabilidad de que la máquina automática tenga una cantidad de bebida

Se debe calcular:𝑃(𝑌 ¿ ¿1 ≤ 1,3 , 𝑌 2 ≤ 1,5)=? ¿

e) ¿Cuál es la probabilidad de que la máquina automática tenga una cantidad de

1,5 2 1,5 1,5

Como la igualdad no se cumple, se concluye que las variables no son independientes.

De un ejercicio anterior, sabemos

𝑃( 𝑦 1 ≤ 1,3 , 𝑦2 <1,5) 0,4125

En caso que las variables y sean independientes, entonces:

Para el ejemplo, calcular la covarianza. Recordemos que la función de densidad conjunta

Das könnte Ihnen auch gefallen