FUNDAMENTOS DE PROBABILIDAD

LISTA DE EJERCICIOS 3
Profesor Jose Flores D.
Ejercicio 1
Como se ha visto en clase, el modelo probabilstico, f , de una variable aleatoria, X,
queda determinado unvocamente por su funcion de distribucion acumulada, F . Si X es
una variable aleatoria su funcion generadora de momentos se denota por MX y se define
mediante MX (t) = E(etX ), para todo t donde el valor esperado anterior sea finito. Una
de las propiedades mas importantes de la funcion generadora es que tambien determina
unvocamente el modelo probabilstico.
a) Si Y = a + bX, demuestre que MY (t) = e a t MX (bt).
b) Sea X exp().
b1 ) Deducir la funcion generadora de momentos de X, a partir de la definicion. Emplee
la tecnica de reconocer modelos probabilsticos para facilitar el calculo de series
e integrales.
b2 ) Si Y = cX, donde c > 0, deducir su modelo probabilstico, a partir de su funcion
generadora de momentos.
c) Sea X G(; ).
c1 ) Deducir la funcion generadora de momentos de X, a partir de la definicion. Emplee
la tecnica de reconocer modelos probabilsticos para facilitar el calculo de series
e integrales.
c2 ) Si Y = cX, donde c > 0, deducir su modelo probabilstico, a partir de su funcion
generadora de momentos.
d) Sea X N (; 2 ).
d1 ) Deducir la funcion generadora de momentos de X, a partir de la definicion. Emplee
la tecnica de reconocer modelos probabilsticos para facilitar el calculo de series
e integrales.
d2 ) Si Y = a + bX, donde a y b son constantes, deducir su modelo probabilstico, a
partir de su funcion generadora de momentos.
e) Sea X b(n; p).
e1 ) Deducir la funcion generadora de momentos de X, a partir de la definicion. Emplee
la tecnica de reconocer modelos probabilsticos para facilitar el calculo de series
e integrales.
e2 ) Si Y = n X, deducir su modelo probabilstico, a partir de su funcion generadora
de momentos.
1

f) Si X P (), deducir su funcion generadora de momentos, a partir de la definicion.

Emplee la tecnica de reconocer modelos probabilsticos para facilitar el calculo de series
e integrales.
n
P
g) Si X1 , . . . ,Xn son variables aleatorias independientes y T =
Xj , demuestre que
j=1

MT (t) =

n
Q
j=1

MXj (t).

h) Sean X1 , . . . ,Xn variables aleatorias, independientes y cada una con modelo proban
P
bilstico P (j ), j = 1, . . . ,n. Deducir el modelo probabilstico de T =
Xj , a partir
j=1

de su funcion generadora de momentos.

i) Sean X1 , . . . ,Xn variables aleatorias, independientes y cada una con modelo proban
P
bilstico exp(). Deducir el modelo probabilstico de T =
Xj , a partir de su funcion
j=1

generadora de momentos.
j) Sean X1 , . . . ,Xn variables aleatorias independientes y Xj G(j ; ), j = 1, . . . ,n.
n
P
Deducir el modelo probabilstico de T =
Xj , a partir de su funcion generadora de
j=1

momentos.
k) Sean X1 , . . . ,Xn variables aleatorias independientes y Xj N (j ; j2 ), j = 1, . . . ,n.
n
P
Deducir el modelo probabilstico de T =
Xj , a partir de su funcion generadora de
j=1

momentos.
l) Sean X1 , . . . ,Xn variables aleatorias independientes y Xj g(pj ), j = 1, . . . ,n. Deducir
n
P
el modelo probabilstico de T =
Xj , a partir de su funcion generadora de momentos.
j=1

m) Sean X1 , . . . ,Xn variables aleatorias independientes y Xj P s(rj ; p), j = 1, . . . ,n.

n
P
Deducir el modelo probabilstico de T =
Xj , a partir de su funcion generadora de
j=1

momentos.
n) Sean X1 , . . . ,Xn variables aleatorias independientes y Xj b(1; p), j = 1, . . . ,n.
n
P
Deducir el modelo probabilstico de T =
Xj , a partir de su funcion generadora
j=1

de momentos.
o) Sean X1 , . . . ,Xn variables aleatorias independientes y Xj b(nj ; p), j = 1, . . . ,n.
n
P
Deducir el modelo probabilstico de T =
Xj , a partir de su funcion generadora de
j=1

momentos.
Ejercicio 2
Sean X e Y tales que Y B(2; 1) y y (0; 1) : X/Y = y U (0; y).
a) Halle E(XY ), empleando fX,Y.
b) Obtenga E(X) empleando la propiedad E(X) = E(E(X/Y )).
c) Halle E(X 2 ) empleando la propiedad E(X) = E(E(X/Y )).
d) Halle E(XY ), empleando la propiedad E(X) = E(E(X/Y )).
2

Ejercicio 3
Sean X e Y tales que Y exp(1/10) y y > 0 : X/Y = y b(1/y).
a) Halle E(XY ), empleando fX,Y.
b) Obtenga E(X) empleando la propiedad E(X) = E(E(X/Y )).
c) Halle E(X 2 ) empleando la propiedad E(X) = E(E(X/Y )).
d) Halle E(XY ), empleando la propiedad E(X) = E(E(X/Y )).
Ejercicio 4
Sean X e Y tales que Y B(; ) y y (0; 1) : X/Y = y b(n; y).
a) Halle E(XY ), empleando fX,Y.
b) Obtenga E(X) empleando la propiedad E(X) = E(E(X/Y )).
c) Halle E(X 2 ) empleando la propiedad E(X) = E(E(X/Y )).
d) Halle E(XY ), empleando la propiedad E(X) = E(E(X/Y )).
Ejercicio 5
Sean X e Y tales que Y N (1 ; 12 ) y y (0; 1) : X/Y = y N (2 ; 22 ).
a) Halle E(XY ), empleando fX,Y.
b) Obtenga E(X) empleando la propiedad E(X) = E(E(X/Y )).
c) Halle E(X 2 ) empleando la propiedad E(X) = E(E(X/Y )).
d) Halle E(XY ), empleando la propiedad E(X) = E(E(X/Y )).
Ejercicio 6
El n
umero de unidades vendidas es una variable aleatoria X con valores posibles { 1; 2; 3 }
y modelo probabilstico f (x) = x/6. La ganancia promedio es de 6 u.m., cuando se venden
X
tres unidades, 5 u.m., si se venden solo dos unidades y 1 u.m., si se vende solo una unidad.
Halle la ganancia promedio. Tenga presente el ejemplo 4.14 del texto del curso y el ejercicio
4.20 resuelto en clase.
Distribuci
on de ejercicios
Lily Choy Zambrano
1a, 1b, 2a
Lizbeth Del Pilar Salas Ruiz
1a, 1c, 2b
Jorge Enrique Barba Escudero
1a, 1d, 2c
Luis Leonardo Mullisaca Gomez
1a, 1e, 2d
Francisco German Calderon Pozo 1g, 1h, 3a
Maryla Paola Cruz Sarmiento
1g, 1i, 3b
Angel Salomon Rodriguez Naola
1g, 1j, 3c
Raquel Poblete Cisneros
1g, 1k, 3d
Elio Javier Peralta Roque
1g, 1l, 4a
Ruben Espinoza Rojas
1g, 1m, 4b
Nestor Quispe Mamani
1g, 1n, 4c
Cesar Augusto Masgo Acha
1g, 1o, 4d
Ernesto Ze
na Raya
1f, 5a
Juan Angello Barzola Estrella
5b, 5c
Rolf Erland Ruiz Casapia
5d, 6
J.F. San Miguel, junio de 2014.
3