Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
5. 5. VARIABLES ALEATORIAS DE MAS DIMENSIONES CONTENIDO 5 VARIABLES ALEATORIAS DE MAS DIMENSIONES.......................................111 5.1 VARIABLE ALEATORIA BIDIMENSIONAL DISCRETA.......................111 5.1.1 DISTRIBUCION DE PROBABILIDAD PUNTUAL CONJUNTA.111 5.1.2 DISTRIBUCIONES MARGINALES...............................................112 5.2 VARIABLE ALEATORIA BIDIMENSIONAL CONTINUA..................... 113 5.2.1 DISTRIBUCION DE PROBABILIDAD CONJUNTA................... 113 5.2.2 DISTRIBUCIONES MARGINALES...............................................113 5.3 VARIABLES ALEATORIAS INDEPENDIENTES......................................114 5.4 COVARIANZA Y CORRELACION DE VARIABLES ALEATORIAS....115 5.4.1 COVARIANZA............................................................................... 115 5.4.2 COEFICIENTE DE CORRELACION........................................... 115 5.5.1 SUMA DE VARIABLES ALEATORIAS......................................... 117 5.5.2 DIFERENCIA DE VARIABLES ALEATORIAS.............................120 5.6 PROPIEDADES REPRODUCTIVAS............................................................ 120 5.7 TEOREMA CENTRAL DEL LIMITE...........................................................122 5.8 EJERCICIOS PROPUESTOS........................................................................124 VARIABLES ALEATORIAS DE MAS DIMENSIONES 5 VARIABLES ALEATORIAS DE MAS DIMENSIONES El capítulo anterior trató distribuciones de probabilidad para una única variable. Sin embargo frecuentemente es útil definir en un experimento aleatorio más de una variable aleatoria. Por ejemplo, en la clasificación de señales transmitidas, puede definirse una variable aleatoria X como el número de señales de alta calidad recibidas y otra variable Y número de señales de baja calidad recibidas. En otro ejemplo, la variable X puede denotar la longitud de una pieza moldeada por inyección y la variable aleatoria Y puede ser el ancho de la pieza. En ambos casos el interés recae en probabilidades que pueden expresarse en términos de X e Y y por lo tanto, el resultado de la experiencia queda definida con dos valores. Tales situaciones son modelizadas a través del vector aleatorio o variable aleatoria bidimensional (X , Y). En el caso de que el resultado de la experiencia quede definido por una n-upla de valores el modelo será un vector o variable aleatoria n - dimensional. En general, si (X , Y) es una variable aleatoria bidimensional, el espacio muestral asociado se indica como Rxy y la distribución de probabilidad que define su comportamiento se conoce como distribución de probabilidad conjunta. 5.1 VARIABLE ALEATORIA BIDIMENSIONAL DISCRETA ( X , Y ) es una variable bidimensional discreta si R xy es finito o infinito numerable. 5.1.1 DISTRIBUCION DE PROBABILIDAD PUNTUAL CONJUNTA Ejemplo : Dos líneas de producción manufacturan un tipo de artículo. La producción, en cualquier día dado, es de a lo sumo 3 artículos para la línea A y 2 artículos para la línea B. Sean las variables aleatorias: X : número de artículos producidos por la línea A Y : número de artículos producidos por la línea B. La siguiente tabla da la distribución de probabilidad conjunta de la variable ( X , Y ) : G.Carnevali-E.Franchelli-G.Gervasoni 111 VARIABLES ALEATORIAS DE MAS DIMENSIONES X Y 0 1 2 3 0 0,00 0,04 0,06 0, 09 1 0,01 0,04 0,09 0,19 2 0,02 0,08 0,11 0,27 Por ejemplo, 0,27 da la probabilidad de que la línea A produzca 3 artículos y la línea B 2 artículos. Esto se puede escribir de la siguiente forma: P3 , 2 = P (3 , 2) = P (X = 3 ∩ Y = 2) = P (X = 3 , Y = 2) = 0,27 Probabilidad puntual conjunta En general: Pi j = P ( xi , yj ) = P ( X = xi ∩ Y = yj ) = P ( X = xi , Y = yj ) Los valores pij son tales que: p i j ≥ 0 ∀ i , j 1pij i j =∑ ∑ ( condición de cierre ) 5.1.2 DISTRIBUCIONES MARGINALES Volviendo al ejemplo, puede interesar conocer la probabilidad de que en la línea B se produzcan dos artículos: P ( Y = 2 ). Para calcularlo se deben sumar las probabilidades de la fila Y = 2 , es decir : P ( Y = 2 ) = 0,02 + 0,08 + 0,11 + 0,27 = 0,48 . De igual forma se puede obtener la probabilidad de Y = 0 , Y = 1 que junto con la P ( Y = 2 ) constituyen la distribución de probabilidad marginal de la variable aleatoria Y. La tabla siguiente da (junto con la distribución de probabilidad conjunta) las distribuciones marginales de las variables X e Y: X Y 0 1 2 3 Probabilidad marginal de Y p. j 0 0,00 0,04 0,06 0,09 0,19 1 0,01 0,04 0,09 0,19 0,33 2 0,02 0,08 0,11 0,27 0,48 Probabilidad marginal de X p i . 0,03 0,16 0,26 0,55 1,00 G.Carnevali-E.Franchelli-G.Gervasoni 112 VARIABLES ALEATORIAS DE MAS DIMENSIONES En general .pp ) x X ( P i j iji === ∑ Distribución de probabilidad marginal de X j i ijj p.p ) y Y ( P === ∑ Distribución de probabilidad marginal de Y 5.2 VARIABLE ALEATORIA BIDIMENSIONAL CONTINUA ( X , Y ) es una variable bidimensional continua si R xy es infinito no numerable. 5.2.1 DISTRIBUCION DE PROBABILIDAD CONJUNTA Sea ( X , Y ) una variable aleatoria bidimensional continua que toma todos los valores R del plano. La función de densidad de probabilidad conjunta f ( x , y ) es una función que satisface las siguientes condiciones : f ( x , y ) ≥ 0 ∀ x , y ε Rxy ∫ ∫ + ∞ ∞− + ∞ ∞− = 1dy dx y)(x, f ( condición de cierre ) 5.2.2 DISTRIBUCIONES MARGINALES Al igual que en caso discreto a cada una de las variables que forman el vector se le puede asociar una función que modelice el comportamiento probabilístico de la variable. Así se obtienen: ∫ + ∞ ∞− = dy y)(x, f ) x ( f1 función de densidad de probabilidad marginal de la variable X ∫ + ∞ ∞− = dx y)(x, f ) y ( f2 función de densidad de probabilidad marginal de la variable Y G.Carnevali-E.Franchelli-G.Gervasoni 113 VARIABLES ALEATORIAS DE MAS DIMENSIONES Ejemplo : Sea la variable aleatoria bidimensional continua (X,Y) con función de densidad de probabilidad f ( x, y ) = 1 / 4 x y 0 < x < 2 0 < y < 2 Se verifica la condición de cierre ya que: ∫ ∫ = 2 0 2 0 1dy dx x y 4 1 Además las funciones de densidad de probabilidad marginales resultan: ( ) ∫ == 2 0 1 x2 1 dy x y 4 1 xf 0 ( ) ∫ == 2 0 2 y2 1 dx x y 4 1 yf 5.3 VARIABLES ALEATORIAS INDEPENDIENTES En el capítulo 3 se trabajó con el concepto de independencia entre dos sucesos A y B. De igual forma, en este capítulo se dará la definición de variables aleatorias independientes. Dos variables aleatorias, X e Y son independientes si el resultado de una no modifica el resultado de la otra. Para hacer más precisa la anterior noción de independencia se dice que dos variables aleatorias son independientes si: P ( X = xi , Y = yj ) = P ( X = xi ) . P ( Y = yj ) (caso discreto) f ( x , y ) = f 1 ( x ) . f 2 ( y ) (caso continuo) La definición anterior lleva a la siguiente conclusión: • si la distribución de probabilidad conjunta es conocida siempre se pueden obtener las marginales • si se conocen las distribuciones de probabilidad marginales solamente se puede conocer la conjunta si las variables son independientes. Ejemplo : En los dos ejemplos trabajados, uno para variable bidimensional discreta y otro para el caso continuo. Se analizará si las variables X e Y son o no independientes. G.Carnevali-E.Franchelli-G.Gervasoni 114 VARIABLES ALEATORIAS DE MAS DIMENSIONES En el caso discreto: P (X = 3 , Y = 2) = 0,27 P (X = 3) . P (Y = 2) = 0,55 . 0,48 = 0,264Al ser 0,27 ≠ 0,264 ⇒ X e Y no son independientes. En el caso continuo: f ( x , y ) = 1/4 x y f1 ( x ) . f2 ( y ) = 1/2 x . 1/2 y = 1/4 x y Al coincidir ambas igualdades ⇒ X e Y son independientes 5.4 COVARIANZA Y CORRELACION DE VARIABLES ALEATORIAS En la sección anterior se definió la independencia de dos variables aleatorias. En este punto se considerará los distintos tipos de dependencia que puede haber entre ellas y cómo se pueden medir. Son muchos los tipos de dependencia que pueden tener dos variables y muchas las medidas que se pueden utilizar. Dos de ellas: la covarianza y el coeficiente de correlación, son particularmente importantes porque están íntimamente relacionadas con el concepto de varianza de una variable aleatoria. Ejemplo : Con respecto al ejemplo de las dos líneas de producción ( A y B ) que manufacturan un tipo de artículo, en la tabla se observa que existe relación entre X e Y: cuando el número de unidades producidas por la línea A es mayor, hay más probabilidad de que la línea B produzca más unidades. En general, los resultados X e Y tienden a variar juntos. 5.4.1 COVARIANZA Dadas dos variables aleatorias X e Y , la covarianza entre X e Y denotada por Cov ( X , Y ) se define como : Cov ( X , Y ) = E { [ ( X - E ( X ) ] [ ( Y - E ( Y )] } Trabajando algebraicamente resulta : Cov ( X , Y ) = E ( X . Y ) - E ( X ) . E ( Y ) Se demuestra fácilmente (queda propuesto para el alumno) que si las variables X e Y son independientes, E ( X . Y ) = E ( X ) . E ( Y ) , en consecuencia la covarianza se anula. G.Carnevali-E.Franchelli-G.Gervasoni 115 VARIABLES ALEATORIAS DE MAS DIMENSIONES 5.4.2 COEFICIENTE DE CORRELACION Dadas dos variables aleatorias X e Y, el coeficiente ce correlación entre X e Y denotado por ρ xy se define como : D(Y) D(X) Y)X, ( Cov ρ xy = Se demuestra : - 1 ≤ ρ xy ≤ + 1 El coeficiente de correlación es a menudo, de más fácil interpretación que la covarianza. Al no expresarse en unidades es útil para comparar las relaciones lineales entre pares de variables que tienen unidades distintas. Si los puntos en la distribución de probabilidad conjunta de X e Y tienden a caer a lo largo de una recta con pendiente positiva ( o negativa ) entonces ρ xy es próximo a + 1 ( ó -1 ) . Si ρ xy es igual a +1 o a -1, entonces puede demostrarse que los puntos en la distribución de probabilidad conjunta caen exactamente a lo largo de una recta. Demostración : Sea Y = AX + B - E ( Y ) = A E ( X ) + B - V ( Y ) = A2 V ( X ) - D ( Y ) = | A | D ( X ) - Cov ( X , Y ) = E { [ X - E ( X ) ] [ Y - E ( Y )] } = E { A [ X - E ( X ) ]2} = = A E [ X - E ( X ) ]2 = A V ( X ) Recordando que: D(Y) D(X) Y)Cov(X, ρ xy = y reemplazando resulta : V(X)A A V(X) ρ xy = = Si X e Y son independientes ⇒ ρ xy = 0 G.Carnevali-E.Franchelli-G.Gervasoni 116 + 1 si A > 0 - 1 si A < 0 VARIABLES ALEATORIAS DE MAS DIMENSIONES La recíproca no es válida, si ρ xy = 0 ⇒ ausencia de relación lineal entre las variables. Gráficamente : 5.5 FUNCIONES DEL VECTOR ALEATORIO Hay situaciones en las que puede interesar el estudio de una variable aleatoria Z, que sea función de la variable aleatoria bidimensional ( X , Y ), por ejemplo : Z = X + Y ; Z = X - Y ; Z = X . Y ; Z = mín ( X , Y ) ; etc. Para el ejemplo del caso discreto, la variable Z = X + Y está representando el número total de artículos producidos en ambas líneas o Z = mín (X,Y) será el menor número de artículos producidos por ambas líneas. Encontrar la distribución de probabilidad de la variable Z es bastante sencillo si el vector aleatorio es discreto, siendo más complicado en el caso del vector aleatorio continuo. 5.5.1 SUMA DE VARIABLES ALEATORIAS Dada la variable aleatoria Z = X + Y se desarrollarán los parámetros estadísticos que caracterizan la distribución de probabilidad de dicha variable: G.Carnevali-E.Franchelli-G.Gervasoni 117 VARIABLES ALEATORIAS DE MAS DIMENSIONES ♦ ESPERANZA MATEMATICA E(Y) E(X) dy (y) fy dx (x) fx dy dx y)(x, f y dx dy y)(x, f x dydx y)(x, f y)(x )Y X ( E (Z) E 21 +=∫+∫= =∫ ∫+∫ ∫= =+=+= ∞+ ∞− ∞+ ∞− ∞+ ∞− ∞+ ∞− ∞+ ∞− ∞+ ∞− + ∞ ∞− + ∞ ∞− ∫ ∫ Así como se demostró para el caso continuo se puede demostrar para el discreto. Generalizando: si )(X E (Z) E resulta X Z n 1i i n 1i i ∑∑ == == ♦ VARIANZA V ( X + Y ) = E [ X + Y - E ( X ) - E ( Y ) ]2 = E {[ X - E ( X ) ] + [ Y - E ( Y ) ] }2 = E [ X - E ( X )]2 + E [ Y - E ( Y ) ]2 + 2 E { [ ( X - E ( X ) ] [ ( Y - E ( Y )] } Recordando lo visto en el punto anterior, el último término del desarrollo de la V (X + Y) es la covarianza entre X e Y, de donde: V ( X + Y ) = V ( X ) + V ( Y ) + 2 Cov ( X , Y ) En el caso de variables independientes: V ( X + Y ) = V ( X ) + V ( Y ) Generalizando: )(X V (Z) V :ntesindependie X variables las siendo X Z si n 1i i n 1i ii ∑∑ == == ♦ DESVIO ESTANDAR D ( X + Y ) = [ V ( X ) + V ( Y ) + 2 Cov ( X , Y ) ]½ D ( X + Y ) = [ V ( X ) + V ( Y ) ]½ si X e Y son independientes Ejemplo : G.Carnevali-E.Franchelli-G.Gervasoni 118 VARIABLES ALEATORIAS DE MAS DIMENSIONES En el ejemplo de los artículos producidos por dos líneas se definieron las variables: X : número de artículos producidos por la línea A Y : número de artículos producidos por la línea B Z = X + Y: número de artículos producidos por ambas líneas. La distribución de probabilidad de la variable Z es la que se muestra en la siguiente tabla: zi Probabilidad 0 0,00 1 0,05 2 0,12 3 0,26 4 0,30 5 0,27 1,00 Las probabilidades que figuran en la última columna surgen de la distribución de probabilidad conjunta del vector (X , Y), por ejemplo: P ( Z = 2 ) = P ( X = 2 , Y = 0 ) + P ( X = 1 , Y = 1 ) + P ( X = 0 , Y = 2 ) = 0,06 + 0,04 + 0,02 = 0,12 Además E ( Z ) = 1 . 0,05 + 2 . 0,12 + 3 . 0,26 + 4 . 0,30 + 5 . 0,27 = 3,62 V ( Z ) = E ( Z2 ) - [ E ( Z )] 2 = 14,42 - ( 3,62)2 = 1,3156 A través del ejemplo verificaremos las relaciones vistas con respecto a la esperanza y varianza de la suma: E ( X + Y ) = E ( X ) + E ( Y ) V ( X + Y ) = V ( X ) + V ( Y ) + 2 Cov ( X , Y ) E ( X ) = 1 . 0,16 + 2 . 0,26 + 3 . 0,55 = 2,33 E ( Y ) = 1 . 0,33 + 2 . 0,48 = 1,29 de donde E ( X + Y ) = 2,33 + 1,29 = 3,62 E ( X2 ) = 12 . 0,16 + 22 . 0,26 + 32 . 0,55 = 6,15 V ( X ) = 6,15 - 2,332 = 0,7211 D ( X ) = 0,8492 G.Carnevali-E.Franchelli-G.Gervasoni 119 VARIABLES ALEATORIAS DE MAS DIMENSIONES E ( Y2 ) = 12 . 0,33 + 22 . 0,48 = 2,25 V ( Y ) = 2,25 - 1,292 = 0,5859 D ( Y ) = 0,7654 E ( X . Y ) = 1 . 1 . 0,04 + 1 . 2 . 0,09 + 1 . 3 . 0,19 + 2 . 1 . 0,08 + 2 . 2 . 0,11 + 2 . 3 . 0,27 = 3,01 Cov ( X , Y ) = 3,01 - 2,33 . 1,29 = 0,0043 de donde V ( X + Y ) = 0,7211 + 0,5859 + 2 . ( 0,0043 ) = 1,3156 Se puede también calcular el coeficiente de correlación 0,007 0,7654 0,8492 0,0043 ρxy == 5.5.2 DIFERENCIA DE VARIABLES ALEATORIAS Sea una variable Z = X - Y Se demuestra fácilmente que: E ( X - Y ) = E ( X ) - E ( Y ) V ( X - Y ) = V ( X ) + V ( Y ) - 2 Cov ( X , Y ) y en caso de ser las variables X e Y independientes : V ( X - Y ) = V ( X ) + V ( Y ) D ( X - Y ) = [ V ( X) + V ( Y ) ] ½ 5.6 PROPIEDADES REPRODUCTIVAS Hay algunas distribuciones de probabilidad que tienen la siguiente propiedad de mucha utilidad: “si dos (o más) variables aleatorias independientes se suman, la variable aleatoria que resulta tiene una distribución del mismo tipo que la de los sumandos”. Esta propiedad recibe el nombre de propiedad reproductiva y se establece para algunas distribuciones importantes que se enuncian a continuación: Sean X1, X2……… Xn n variables aleatorias independientes con distribución N ( µi , σi2 ) , i = 1,2,…..n G.Carnevali-E.Franchelli-G.Gervasoni 120 VARIABLES ALEATORIAS DE MAS DIMENSIONES Sea Z = X1 + X2 +……… + Xn. Se demuestra que : Z ∼ ∑ ∑ = = n 1i n 1i 2 ii σ,μ N Sean X1, X2……… Xn , n variables aleatorias independientes con distribución de Poisson de parámetro λi , i = 1,2,…..n. Sea Z = X1 + X2 +……… + Xn. Se demuestra que : Z ∼ ∑ = n 1i io λ P Sean X1, X2……… Xk , k variables aleatorias independientes con distribución binomial Xi ∼ Bi ( ni , p ) , i = 1,2,…..k. Sea Z = X1 + X2 +……… + Xk. Se demuestra que : Z ∼ Bi (n, p ) con n = n1 + n2 + ……+ nk Sean X1, X2……… Xk , k variables aleatorias independientes con distribución χ2ni , i = 1,2,…..k. Sea Z = X1 + X2 +……… + Xk. Se demuestra que : Z ∼ χ2n con n = n1 + n2 + ……+ nk Ejemplo : Un aparato de televisión puede tener dos tipos de roturas: debido a falla de transistores o debido a la falla de condensadores. Ambas fuentes de rotura son independientes. El número de roturas debido a la falla de transistores durante los dos primeros años de utilización del aparato es una variable aleatoria que sigue una ley de Poisson con promedio 1. El número de roturas debido a la falla de condensadores durante el mismo período sigue una ley de Poisson con promedio 2. Calcule la probabilidad de que en el primer año de utilización del aparato, éste tenga exactamente dos roturas. Sean las variables: Xt : número de roturas debido a fallas de transistores en un período de t años G.Carnevali-E.Franchelli-G.Gervasoni 121 VARIABLES ALEATORIAS DE MAS DIMENSIONES Yt : número de roturas debido a fallas de condensadores en un período de t años Xt ∼ Po ( λ1t ) ⇒ X2 ∼ Po ( 1 ) ⇒ X1 ∼ Po ( 0,5 ) Yt ∼ Po ( λ2t ) ⇒ Y2 ∼ Po ( 2 ) ⇒ Y1 ∼ Po ( 1 ) Sea Zt : Número de roturas en un período de t años Zt = Xt + Yt Por la propiedad reproductiva de la distribución de Poisson : Zt ∼ Po ( λt ) ⇒ Z1 ∼ Po ( 0,5 + 1 = 1,5 ) Entonces : P ( Z1 = 2 ) = 0,2510 5.7 TEOREMA CENTRAL DEL LIMITE Sean X1 , X2 , ….. Xn , …… una sucesión de variables aleatorias independientes con : E ( Xi ) = µ i y V ( Xi ) = σ2i i = 1, 2,……, n Sea Y = X1 + X2 + ……... + Xn Sea Z = 2 1 n 1i 2 i n 1i y σ μ Y − ∑ ∑ = = Se demuestra que, bajo ciertas condiciones generales, en el límite cuando n tiende a infinito: Z ∼ N ( 0 , 1 ) con lo cual Y ∼ ∑ ∑ = = n 1i n 1i 2 ii σ,μ N En la práctica el número de variables aleatorias independientes necesarias depende de la forma de la distribución de las variables que integran la suma. Cuando no se conoce la forma de las mismas o éstas son asimétricas, el criterio general es sumar al menos 30 variables aleatorias independientes. Sin embargo, si la distribución es uniforme, sumando al menos 6 variables aleatorias independientes alcanza para que la suma sea aproximadamente normal. La aplicación de este importante teorema se verá en el desarrollo de la Unidad 3: Inferencia Estadística. G.Carnevali-E.Franchelli-G.Gervasoni 122 VARIABLES ALEATORIAS DE MAS DIMENSIONES Ejemplo : Una construcción consta de 80 etapas. El tiempo de ejecución de cada etapa (en días) es una variable aleatoria distribuida uniformemente en el intervalo (1 , 5). Calcule la probabilidad de que la construcción tarde en su ejecución más de 260 días. Se supone que los tiempos de ejecución de cada etapa son variables aleatorias independientes. Ti : tiempo de ejecución ( en días ) de la etapa i Ti ∼ U ( 1 , 5 ) , donde E (Ti ) = 2 15 + = 3 días V (Ti ) = 3 4 12 ) 1-5 ( 2 = días2 D (Ti ) = 1,15 días T : tiempo de ejecución de la construcción ∑ = 80 1i iT E ( T ) = días 240 3 . 80 )E(T )T ( E 80 1i i 80 1i i === ∑∑ == V ( T ) = 2 80 1i i 80 1i i días 106,6 4/3 . 80 ) V(T )T (V === ∑∑ == D ( T ) = 10,33 días por el teorema central del límite : T ∼ N ( 240 ; 10,33 ) y en consecuencia : Z = 10,33 240T − ∼ N ( 0 , 1 ) P ( T > 260 ) = 1 - P ( T < 260 ) = 1 - P ( Z < 1,94 ) = 1 - 0,9738 = 0,0262 Observación: La aproximación normal a la distribución binomial y de Poisson vistas en el capítulo 4, son casos especiales de la aplicación del Teorema Central del Límite. G.Carnevali-E.Franchelli-G.Gervasoni 123 VARIABLES ALEATORIAS DE MAS DIMENSIONES 5.8 EJERCICIOS PROPUESTOS 1.- El número de camiones que llegan a un establecimiento durante la mañana de un día es una variable aleatoria X con la siguiente distribución de probabilidad: x 0 1 2 3 Probabilidad 0,2 0,1 0,3 0,4 El número de camiones que llega en un día durante la tarde es una variable aleatoria Y con la siguiente distribución de probabilidad : y 0 1 2 Probabilidad 0,5 0,2 0,3 Calcule la probabilidad de que un día determinado lleguen a lo sumo tres camiones. Se supone que las variables X e Y son independientes. 2.- El siguiente cuadro muestra la distribución conjunta de ( X , Y ) a ) Calcule el coeficiente de correlación. b ) ¿ Son X e Y independientes ? Justifique su respuesta. 3.- La entrada de un sistema de comunicación binario es una variable aleatoria X que toma los valores 0 ó 1 con probabilidades 3 / 4 y 1 / 4 respectivamente. En algunas ocasiones, debido a errores causados por ruidos en el sistema, la salida Y difiere de la entrada X. El comportamiento del sistema está dado por las siguientes probabilidades : P ( Y = 1 / X = 1 ) = 3 / 4 P ( Y = 0 / X = 0 ) = 7 / 8 a ) Halle la distribución de probabilidad conjunta del vector ( X , Y ) : X Y 0 1 0 1 b) Halle la distribución de probabilidad de Y. c) Calcule ρ xy . ¿Son X e Y independientes? Justifique. G.Carnevali-E.Franchelli-G.Gervasoni X Y - 1 0 1 0 0 1/3 0 1 1/3 0 1/3 124 VARIABLES ALEATORIAS DE MAS DIMENSIONES 4.- La longitud de un artículo se distribuye normalmente con esperanza matemática 13 cm y desvío estándar 0,15 cm. Este artículo se envasa en cajas de plástico cuya longitud interior está distribuida normalmente con desvío estándar 0,12 cm. ¿Cuánto debe valer la esperanza matemática de la longitud interior de las cajas para que la probabilidad de que la longitud de un artículo supere la de la caja sea del 1%? 5.- Al sumar números una computadora aproxima cada uno de ellos al entero más próximo. Se supone que todos los errores de aproximación ( Xi ) son independientes y se distribuyen uniformemente en el intervalo ( - 0,5 ; 0,5 ). a) Si se suman 500 números, ¿cuál es la probabilidad de que la magnitud del error total exceda 15? b) ¿Cuántos números deben sumarse para que la magnitud del error total sea menor que 10 con probabilidad 0,9? 6.- Una empresa dedicada a la venta de repuestos para un sistema electrónico conoce que la demanda diaria del mismo es 0, 1 o 2 repuestos con probabilidad 0,25 ; 0,5 y 0,25 respectivamente. Se conoce que desde el momento en que se hace elpedido hasta que el mismo ingresa al stock transcurren 90 días. Determine cuántas unidades deben tenerse en existencia en el momento de hacer el pedido si se quiere que la probabilidad de que la demanda durante los 90 días supere la existencia sea igual a 0,05 7.- Un conmutador recibe llamadas dirigidas hacia dos oficinas A y B. El número de llamadas que llegan al conmutador sigue un proceso de Poisson con promedio 2 llamadas por minuto. a) Si el promedio de llamadas dirigidas a la oficina A por hora es de 90 llamadas, ¿cuál es el promedio de llamadas dirigidas a la oficina B por hora? b) Se consideran 200 períodos de 4 minutos cada uno. Halle la probabilidad de que a lo sumo en 20 de ellos el número de llamadas dirigidas a la oficina A sea superior a 9 (Llegar al resultado numérico). 8.- El diámetro (en mm) de una pieza es una variable aleatoria (X) con función de densidad: 1/7 (4x + 1) 1 ≤ x ≤ 2 f (x ) = 0 en otro caso Una pieza es considerada buena si 1,05 ≤ X ≤ 1,95. El costo de fabricación es de $ 15. El precio de venta depende del diámetro. Si éste cumple con la especificación, el precio de venta será de $ 40, si el diámetro supera 1,95 queda reducido a $30 y si no alcanza 1,05 se descarta la pieza. a) Halle la distribución de probabilidad de la variable aleatoria: ganancia neta por pieza. b) Halle su esperanza matemática y varianza. c) ¿Cuál es la probabilidad de que se obtenga una ganancia superior a $2.300 de la venta de un lote de 100 piezas? G.Carnevali-E.Franchelli-G.Gervasoni 125
Compartir