Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Recopilacion Ayudantias Mat042 PDF
Recopilacion Ayudantias Mat042 PDF
Departamento de Matemática a
Campus Santiago
Recopilación de Ayudantı́as
Probabilidad y Estadı́stica
MAT042
Primer Semestre de 2010
a
a
Profesores : Francisca González
Enzo Hernández
2. Ayudantı́a 2 11
2.1. Estadı́stica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Teorı́a de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3. Ayudantı́a 3 19
3.1. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Extras (Cadenas de Markov) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4. Ayudantı́a 4 27
4.1. Ejercicios Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5. Ayudantı́a 5 33
5.1. Variables Aleatorias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5.2. Extras (Convergencia) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.3. Anexos (Variables Aleatorias Discretas) . . . . . . . . . . . . . . . . . . . . . . . . . 42
6. Ayudantı́a 6 45
6.1. Variables Aleatorias Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.2. Anexos (Variables Aleatorias Continuas) . . . . . . . . . . . . . . . . . . . . . . . . 56
7. Ayudantı́a 7 61
7.1. Distribución Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
7.2. Extras (Demostración VAD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8. Ayudantı́a 8 66
8.1. Cambio de Variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2. Función Generadora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
9. Ayudantı́a 9 77
9.1. Ejercicios Certamen 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
10.Ayudantı́a 10 90
10.1. Vectores aleatorios Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
10.2. Vectores Aleatorios Continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
10.3. Extras, Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
11.Ayudantı́a 11 101
11.1. Vectores Aleatorios Continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
11.2. Cambio de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
12.Ayudantı́a 12 108
12.1. Estimación Puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
12.1.1. Método de los Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
12.1.2. Máxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
13.Ayudantı́a 13 115
13.1. Intervalos de Confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
13.2. Test de Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
14.Ayudantı́a 14 124
14.1. Ejercicios Certamen 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
15.Controles 138
15.1. Control 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
15.2. Control 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
15.3. Control 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
16.Certamenes 151
16.1. Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
16.2. Certamen 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
16.3. Certamen 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1. Ayudantı́a 1
1.1. Estadı́stica Descriptiva Univariada
1. El promedio global de cierta asignatura es de 80. Los 60 hombres que tomaron el ramo,
obtuvieron un promedio de 84, en cambio las mujeres solo consiguieron una media de 70.
Desarrollo:
X h nh + X m nm
X=
nh + nm
Donde:
X h : Promedio asociado a los hombres.
nh : Cantidad de hombres que cursaron el ramo.
X m : Promedio asociado a las mujeres.
nm : Cantidad de mujeres que cursaron el ramo.
X: Promedio global de la asignatura.
84 · 60 + 70 · nm
80 = =⇒ nm = 24
60 + nm
Por lo tanto 24 mujeres cursaron el ramo.
b) Se define el coeficiente de variación (CV ) como: Xσ . Por lo tanto el grupo que posea un
coeficiente de variación mas pequeño, será el mas homogéneo.
σm 7
CVm = = = 0, 1
Xm 70
MAT042 HSR 4
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Para calcular CVh , primero es necesario calcular la desviación estandar asociada a los
hombres, con la información dada:
v
u n
u1 X 2 p
S=t x2i − X h = 7225 − (84)2 = 13
n i=1
σh 13
CVh = = = 0, 155
Xh 84
Por lo tanto el grupo más homogéneo es el de las mujeres.
2. Se poseen los siguientes datos de altura (en pulgadas) de una muestra de 100 alumnos
Altura 59, 5 − 62, 5 62, 5 − 65, 5 65, 5 − 68, 5 68, 5 − 71, 5 71, 5 − 74, 5
Frecuencia 5 18 42 27 8
Desarrollo:
Clase M Ci Lı́mites ni Ni fi Fi di
C1 61 59, 5 − 62, 5 5 5 0, 05 0, 05 −2
C2 64 62, 5 − 65, 5 18 23 0, 18 0, 23 −1
C3 67 65, 5 − 68, 5 42 65 0, 42 0, 65 0
C4 70 68, 5 − 71, 5 27 92 0, 27 0, 92 1
C5 73 71, 5 − 74, 5 8 100 0, 08 1 2
Altura media:
k
1 X 1
X = M0 + I ni di = 67 + · 3 · 15 = 67, 45
n i=1 100
MAT042 HSR 5
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Moda:
∆1
lm0 + I; con ∆1 = nm0 − n− +
m0 y ∆2 = nm0 − nm0
∆1 + ∆2
24
=⇒ M oda = 65, 5 + 24+15
· 3 = 67, 35
Mediana: Fi ≥ 0, 5 ⇒ C3 : F3 = 0, 65
Fórmula a usar:
n − 100
2
− NM 2
− 23
lMe + e
I = 65, 5 + · 3 = 67, 43
nMe 42
b) Varianza:
!2 "
k k 2 #
2 1 1X 97 15
X
2
S =I ni d2i − ni di = 32 − = 8, 5275
n i=1 n i=1 100 100
Desviación estandar: S = 2, 92
Q3 : Clase cuantil 3, F3 ≥ 0, 75 ⇒ C4 : F4 = 0, 92
Fórmula a usar:
ni −
4
− NCQ
li + I;
nCQ
con: CQ: Clase cuantil y i= Cuantil
( 100·3
4
− 65)
=⇒ 68, 5 + · 3 = 69, 61
27
Q1 : Clase cuantil 1, F1 ≥ 0, 25 ⇒ C3 : F3 = 0, 65
( 100·1
4
− 23)
=⇒ 65, 5 + · 3 = 65, 64
42
MAT042 HSR 6
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
69,61−65,64
Luego RSQ = 2
= 1, 99
Rango percentil:
nq
100
− Ni−1
P90 − P10 ⇒ Pi = li + I
ni
( 100·90
100
− 65)
=⇒ 68, 5 + · 3 = 71, 28
27
( 100·10 − 5)
=⇒ 62, 5 + 100 · 3 = 63, 33
18
( 100·70
100
− 65)
=⇒ 68, 5 + · 3 = 69, 05
27
Coeficiente de variación:
σ 2, 92
= = 0, 0433 = 4, 33 %
X 67, 45
MAT042 HSR 7
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
a)
3
X
ni P i
i=1 200 · 40 + 260 · 60 + 300 · 70
Xt = = = 58, 68
T otaltrabajadores 40 + 60 + 70
b) Vintra = Variabilidad al interior de los grupos
3
X
ni s2i
2 i=1 200 · (7)2 + 260 · (5)2 + 300 · (4)2
Sintra = = = 27, 76
T otaltrabajadores 40 + 60 + 70
MAT042 HSR 8
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
c)
2
Sinter 143, 49
2
= = 0, 8379 = 83, 79 %
St 171, 25
Por lo tanto la variabilidad observada, para los 760 trabajadores, se puede explicar en
un 83, 79 % por la diferencia de edad entre las distintas categorias.
d)
σ1 7
CV1 = = = 0, 175
X1 40
σ2 5
CV2 = = = 0, 083
X2 60
σ3 4
CV3 = = = 0, 057
X3 70
De acuerdo a los principios termodinámicos, deberı́a existir una relación entre las variables
de la forma P V β = C, donde β y C son constantes.
Desarrollo:
MAT042 HSR 9
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
a)
PV β = C / ln(·)
β
ln(P V ) = ln(C)
ln(|P |) + β ln(|V |) = ln(|C|)
V P ln(V ) ln(P )
54, 3 61, 2 3, 99 4, 11
61, 8 49, 5 4, 12 3, 90
72, 4 37, 6 4, 28 3, 63
88, 7 28, 4 4, 49 3, 35
118, 6 19, 2 4, 78 2, 95
194, 0 10, 1 5, 27 2, 31
Luego los datos de las dos últimas columnas se ingresan a la calculadora en el formato
de regresión lineal y se obtienen los valores para las constantes β y b, los cúales son:
1, 52 y 10, 19, respectivamente.
Recordar que:
ln(|C|) = b =⇒ C = e10,19
P V 1,52 = 26635, 5
P V 1,52 = 26635, 5
(5)V 1,52 = 26635, 5
1
26635, 5 1,52
V =
5
=⇒ V = 282, 90
MAT042 HSR 10
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
2. Ayudantı́a 2
2.1. Estadı́stica Descriptiva Bivariada
1. En el prestigioso hospital de La Florida, a 50 pacientes se les administra una sustancia que
se identifica con la letra C en miligramos, considerando como segunda variable la edad E
medida en años, tal como se muestra en la siguiente tabla de contingencia:
M CE \MCC 15 20 25 30 35 ni·
20 4 2 2 8
30 2 6 3 1 12
40 2 5 4 3 14
50 2 3 6 11
60 2 2 1 5
n·j 6 12 15 13 4 50
Desarrollo:
MAT042 HSR 11
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
a)
k 5
1 X 1 X
C = M C0 + IC dj n·j = 25 + ·5· dj n·j = 24, 94
n j=1 50 j=1
k 5
1 X 1 X
E = M C0 + IE di ni· = 40 + · 10 · di ni· = 38, 6
n i=1 50 i=1
b)
!2
k k
2 1 1X
X
Sn 2C = I nj d2j − nj dj
n j=1 n j=1
!2
5 5
2 1 1 X
X
= 5 nj d2j − nj dj
50 j=1 50 j=1
" 2 #
2 65 −3
= 5 −
50 50
∴ Sn 2C = 32, 41
!2
k k
1 X 1 X
Sn 2E = I 2 ni d2i − ni di
n i=1 n i=1
!2
5 5
1 X 1 X
= 102 ni d2i − ni di
50 i=1 50 i=1
" 2 #
75 −7
= 102 −
50 50
∴ Sn 2E = 148, 04
c) Coeficiente de correlación muestral
cov(E, C)
ρ=
sE sC
r X
s
!
1 X
cov(E, C) = nij M Ci M Cj − (E · C)
n i=1 j=1
5 X
5
!
1 X
= nij M Ci M Cj − (24, 94 · 38, 6)
50 i=1 j=1
1
= · 49700 − 962, 684
50
= 31, 316
MAT042 HSR 12
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
31, 316
=⇒ ρ = = 0, 45
5, 69 · 12, 17
d)
k
1 X
X Ej = M CEi nij
n·j i=1
1
X E1 = · (20 · 4 + 30 · 2) = 23, 3
6
1
X E2 = · (20 · 2 + 30 · 6 + 40 · 2 + 50 · 2) = 33, 3
12
X E3 = 40
X E4 = 46, 92
X E5 = 45
k
1 X
X Ci = M CCj nij
ni· j=1
1
X C1 = · (15 · 4 + 20 · 2 + 25 · 2) = 18, 75
8
1
X C2 = · (15 · 2 + 20 · 6 + 25 · 3 + 30 · 1) = 21, 25
12
X C3 = 27, 85
X C4 = 26, 81
X C5 = 29
e)
k
1 X
Sn2 Ej = nij (M CEi − X Ej )2
n·j i=1
1
Sn2 E1 = · (4 · (20 − 23, 3)2 + 2 · (30 − 23, 3)2 ) = 22, 2
6
1
Sn2 E2 = · (2 · (20 − 33, 3)2 + 6 · (30 − 33, 3)2 + 2 · (40 − 33, 3)2 + 2 · (50 − 33, 3)2 ) = 88, 8
12
Sn2 E3 = 146, 6
Sn2 E4 = 67, 45
Sn2 E5 = 75
MAT042 HSR 13
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
k
1 X
Sn2 Ci = nij (M CEj − X Ei )2
ni· j=1
1
Sn2 C1 = · (4 · (15 − 18, 75)2 + 2 · (20 − 18, 75)2 + 2 · (25 − 18, 75)2 ) = 17, 18
8
1
Sn2 C2 = · (2 · (15 − 21, 25)2 + 6 · (20 − 21, 25)2 + 3 · (25 − 21, 25)2 + 1 · (30 − 21, 25)2 ) = 17, 18
12
Sn2 C3 = 23, 98
Sn2 C4 = 14, 87
Sn2 C5 = 22
f ) Sea:
ni·
fi· =
n
n·j
f·j =
n
nij
fij =
n
3 11 15
¿ = · ? =⇒ 0, 06 6= 0, 66
50 50 50
Por lo tanto las variables E y C no son independientes.
MAT042 HSR 14
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
a)
Aparte:
20 30 70
1 1 1
P(C1 ) = = 0, 149
120
3
20 100
2 1
P(C2 ) = = 0, 068
120
3
P(C3 ) = 1 − P (C1 ) − P (C2 ) = 0, 783
MAT042 HSR 15
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
b)
P(B|C2 ) · P(C2 ) 0, 7 · 0, 068
P(C2 |B) = = = 6, 2 %
P(B) 0, 7634
2. En una caja con fichas rojas y blancas, se sabe hay 30 fichas rojas y el 20 % de ellas son
blancas. Se extraen simultáneamente 5 fichas. Encontrar la probabilidad de que:
Desarrollo:
a)
8 30
3 2
P(2 Rojas) = = 4, 85 %
38
5
b)
30 8 7 6 29
P(A) = · · · · = 0, 48 %
38 37 36 35 34
c)
8
4 30
P(A) = · = 0, 08 %
38 34
4
d)
8 30
3 1 29
P(A) = · = 1, 9 %
38 34
4
MAT042 HSR 16
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
La proposición es verdadera.
Demostración:
P(A ∩ C) P(B ∩ C)
P(A|C) ≥ P(B|C) ⇒ ≥
P(C) P(C)
⇒ P(A ∩ C) ≥ P(B ∩ C)
P(A ∩ C { ) P(B ∩ C { )
P(A|C { ) ≥ P(B|C { ) ⇒ ≥
P(C { ) P(C { )
⇒ P(A ∩ C { ) ≥ P(B ∩ C { )
Sumando se tiene:
MAT042 HSR 17
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
a)
P(C|S) · P(S)
P(S|C) =
P(C|S) · P(S) + P C|S { · P S {
1·p
=
1 · p + m1 · (1 − p)
b) con p = 0, 75 y m = 5 se tiene:
0, 75
P(S|C) = 1
0, 75 + · (1 − 0, 75)
5
∴ P (S|C) = 93, 75 %
MAT042 HSR 18
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
3. Ayudantı́a 3
3.1. Probabilidad Condicional
1. Una Isapre clasifica a sus afiliados en tres estratos socioeconómicos: Alto, Medio, Bajo. Se
sabe que la cantidad de afiliados de clase alta es igual a la de la clase media, mientras que la
cantidad de afiliados de la clase alta es la tercera parte de los de clase baja. Sus estadı́sticas
indican que el porcentaje de licencias medicas otorgadas a sus afiliados de clase alta, es el
triple de las de la clase media, por otro lado, a la clase baja se le otorga el doble de licencias
que a la clase media. El pocentaje de licencias otrogadas por la Isapre a sus afiliados, en
total, es de un 20 %. Se seleccionan dos afiliados al azar.
Desarrollo:
Sea:
X : cantidad de afiliados.
Clase Alta = X
Clase Media = X
Clase Baja = 3X
Total = 5X
Sea P(Xi ) con i = {A, M, B}, probabilidad de pertenecer a clase Alta, Media o Baja
X
P(XA ) = = 0, 2
5X
X
P(XM ) = = 0, 2
5X
3X
P(XB ) = = 0, 6
5X
MAT042 HSR 19
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Sea P(Yi ) con i = {A, B, C}, probabilidad de obtener licenca médica en la clase i.
Luego:
Reemplazando tenemos:
a) Sea P(A) = Probabilidad de que uno no esté con licencia =⇒ P(A)2 = Probabilidad de
que ninguno de los dos esté con licencia.
h i2
P(A)2 = P XA | YA{ + P XM | YM{ + P XB | YB{
h i2
= P YA{ | XA · P(XA ) + P YM{ | XM · P(XM ) + P YB{ | XB · P(XB )
= [0, 7 · 0, 2 + 0, 9 · 0, 2 + 0, 8 · 0, 6]2
= [0, 8]2
∴ P(A)2 = 0, 64 (Probabilidad de que ninguno esté con licencia)
b) Sea P(B) = Probabilidad de tener licencia.
Por lo que la probabilidad pedida es: P(A) · P(B).
Además:
P(B) = 1 − P(A)
Por lo que se tiene:
MAT042 HSR 20
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
P(XA | YA )
con P(B)= Probabilidad de tener licencia
P(B)
Esto se puede calcular de dos formas:
0, 3 · 0, 2
=
1 − 0, 8
P(XA | YA )
∴ = 0, 3
P(B)
2. Un avión lanza tres cohetes a una nave con las siguientes probabilidades de dar en el blanco:
para el primer cohete 1/3 y para los siguientes cohetes, 1/2 si el anterior dio en el blanco y
1/4 si el anterior no dio en el blanco. Se pide determinar la probabilidad de que al menos dos
tiros den en el blanco dado que el primer tiro no dio en el blanco. Suponga que: P(Ai ), es la
probabilidad de dar en el blanco el tiro i y P(Bi ) es la probabilidad de no dar en el blanco
el tiro i, con i = {1, 2, 3}.
Desarrollo:
Dado que no dio en el blanco el primer tiro, necesariamente debe acertar en los siguientes
dos, por lo que la probabilidad pedida es:
MAT042 HSR 21
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
3. Un inversionista estima que la probabilidad de que un proyecto sea rentable es de 0,65. Para
asegurarse contrata los servicios de dos analistas externos que evalúan el proyecto de forma
independiente. El historial del analista I permite suponer que evaluará el proyecto como
rentable, cuando en realidad lo es, con probabilidad 0,9, mientras que la probabilidad de que
lo evalúe como rentable, cuando en realidad no lo es, es de 0,05. El historial del analista II
garantiza que evalúa como rentables proyectos que si lo sean un 85 % de las veces y evalúa
como rentables aquellos que no lo son en un 10 % de las veces.
Desarrollo:
a) La probabilidad pedida es: P ERAnalista 1 · P ERAnalista 2
Donde:
h i
= · P2 (ER|R) · P2 (R) + P2 ER|R{ · P2 R{
= [0, 9 · 0, 65 + 0, 05 · 0, 35] · [0, 85 · 0, 65 + 0, 1 · 0, 35]
= 0, 3539
∴ P (A) · P (B) = 35, 39 %
b) La probabilidad pedida es: P R|ERAnalista 1 · P R|ERAnalista 2 = P(R|ER)
Donde:
i) P R|ERAnalista 1 = Probabilidad de que el proyecto sea rentable dado que el
analista 1 evaluó el proyecto como rentable
MAT042 HSR 22
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
ii) P R|ERAnalista 2 = Probabilidad de que el proyecto sea rentable dado que el
analista 2 evaluó el proyecto como rentable
b) ¿Cuál es la probabilidad que si este martes hay buen tiempo vuelva a darse nuevamente
buen tiempo el viernes?
Desarrollo:
B: Buen Clima.
LL: Lluvia.
N : Nieve.
MAT042 HSR 23
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
LL → B
LL
% &
B N → B
& LL → B
&
N → B
MAT042 HSR 24
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
A → A = 0, 80 B → A = 0, 14 C → A = 0, 21
A → B = 0, 12 B → B = 0, 74 C → B = 0
A → C = 0, 08 B → C = 0, 12 C → C = 0, 79
0, 80 0, 12 0, 08
P = 0, 14 0, 74 0, 12
0, 12 0 0, 79
b) Para este punto debemos saber que para cualquier distribución variable en el tiempo;
en el tiempo n está será igual a:
Donde:
(n)
PT : matriz traspuesta elevada a n.
(0)
f : matriz de distribucion inicial.
MAT042 HSR 25
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
0, 80 0, 14 0, 21 0, 45
P T = 0, 12 0, 74 0 f (0) = 0, 35
0, 08 0, 12 0, 79 0, 20
(2)
Ahora necesitamos calcular f (2) = P T f (0)
(2)
Pero primero calcularemos P T :
0, 80 0, 14 0, 21 0, 80 0, 14 0, 21 0, 6736 0, 2408 0, 3339
= 0, 12 0, 74 0 · 0, 12 0, 74 0 = 0, 1848 0, 5644 0, 0252
0, 08 0, 12 0, 79 0, 08 0, 12 0, 79 0, 1416 0, 1948 0, 6409
0, 6736 0, 2408 0, 3339 0, 45
T (2)
f (0)
=⇒ P = 0, 1848 0, 5644 0, 0252 · 0, 35
0, 1416 0, 1948 0, 6409 0, 20
0, 45418
= 0, 28574
0, 26008
A = 45, 4 %
B = 28, 5 %
C = 26, 0 %
MAT042 HSR 26
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
4. Ayudantı́a 4
4.1. Ejercicios Certamen 1
1. Una caja contiene 4 ampolletas malas y 6 buenas. Las ampolletas se verifican sacando una al
azar, se prueba y se repite el proceso hasta que se encuentran las cuatro ampolletas malas.
¿Cuál es la probabilidad de encontrar la cuarta ampolleta mala...
Desarrollo:
Desarrollo:
MAT042 HSR 27
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
0 1 2 3 4 5 6 7 8 9 10
El estudiante asevera que las monedas que usó tenı́an una medida de 1/2 salir cara. De
acuerdo con sus resultados y la información que dio el estudiante, ¿es posible asegurar que
él hizo la experiencia y no inventó los datos? Explique y argumente su afirmación.
Desarrollo:
Para desarrollar este ejercicios se deben comparar las frecuencias relativas con la medida
teórica. Por lo que tenemos:
Número de experiencias: 874
10
k
P(Y = k) = Probabilidad Teórica
210
fk
f (k) = Medida Experimental
874
10
0
P(Y = 0) = = 0, 00097656
210
30
f (0) = = 0, 03432
874
10
5
P(Y = 5) = = 0, 246
210
126
f (5) = = 0, 14
874
Con esto se observa que exı́ste una diferencia notoria entre los valores experimentales y
teóricos, por lo que el estudiante inventó los datos.
MAT042 HSR 28
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
Sabemos que:
P N1{ | R1 = 1 − α1 ⇒ P (N1 | R1 ) = α1
P (N1 | R2 ) = 1
P (N1 | R3 ) = 1
Se pide calcular:
P (N1 | R1 ) · P (R1 )
P (R1 | N1 ) =
P (N1 )
P (N1 | R1 ) · P (R1 )
=
P (N1 | R1 ) · P (R1 ) + P (N1 | R2 ) · P (R2 ) + P (N1 | R3 ) · P (R3 )
α1 · 31
=
α1 · 13 + 1 · 31 + 1 · 13
α1
∴ P (R1 | N1 ) =
α1 + 2
P (N1 | R2 ) · P (R2 )
P (R2 | N1 ) =
P (N1 )
P (N1 | R2 ) · P (R2 )
=
P (N1 | R1 ) · P (R1 ) + P (N1 | R2 ) · P (R2 ) + P (N1 | R3 ) · P (R3 )
1 · 31
=
α1 · 13 + 1 · 31 + 1 · 13
1
∴ P (R2 | N1 ) =
α1 + 2
MAT042 HSR 29
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
P (N1 | R3 ) · P (R3 )
P (R3 | N1 ) =
P (N1 )
P (N1 | R3 ) · P (R3 )
=
P (N1 | R1 ) · P (R1 ) + P (N1 | R2 ) · P (R2 ) + P (N1 | R3 ) · P (R3 )
1 · 31
=
α1 · 13 + 1 · 31 + 1 · 13
1
∴ P (R3 | N1 ) =
α1 + 2
Desarrollo:
4. Se ha nominado a tres miembros de un club privado para ocupar la presidencia del mismo.La
probabilidad de que se elija al señor A es de 0,3; la que se haga lo propio con el señor B, de
0,5, y la de que gane la señora C, de 0,2. En caso que se elija al señor A, la probabilidad de que
la cuota de ingreso incremente en 0,8, si se elije al señor B o la señora C, las correspondientes
probabilidades de que haya un incremento en la cuota son de 0,1 y 0,4 respectivamente.
Desarrollo:
MAT042 HSR 30
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Por lo tanto,
P(E) = P(E | A) · P(A) + P(E | B) · P(B) + P(E | C) · P(C)
= 0, 3 · 0, 8 + 0, 5 · 0, 1 + 0, 2 · 0, 4
= 0, 37
P(E | B) · P(B)
P(B | E) =
P(E)
0, 1 · 0, 5
=
0, 37
= 0, 14
P(E | C) · P(C)
P(C | E) =
P(E)
0, 4 · 0, 2
=
0, 37
= 0, 21
Dado que la cuota se incrementa, el candidato con mayor probabilidad de ser electo es
el señor A, aun cuando a priori sabı́amos que el señor B tenı́a mayor probabilidad de
ser electo, el aumento de la cuota resulta ser un beneficio para la candidatura del señor
A.
5. Con base en varios estudios una compañia ha clasificado, de acuerdo con la posibilidad de
descrubrir petróleo, las formaciones gelógicas en tres tipos. La compañia pretende perforar
un pozo en un determinado sitio al que se le asignan probabilidades 0, 35, 0, 40 y 0, 25 para
los tres tipos de formaciones, respectivamente. De acuerdo con la experiencia se sabe que el
petróleo se encuentra en un 40 % de formaciones del tipo I, en un 20 % del tipo II y en un
30 % de formaciones del tipo III.
MAT042 HSR 31
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
Sean:
Fi : La formación geológica es del i−ésimo tipo. i = I, II, III.
D: Se descubre petróleo.
Se pide:
P (D) = P (D | FI ) · P (FI ) + P (D | FII ) · P (FII ) + P (D | FIII ) · P (FIII )
= 0, 4 · 0, 35 + 0, 2 · 0, 4 + 0, 3 · 0, 25
= 0, 295
Desarrollo:
P (D ∩ FI ) = P (D | FI )·P (FI )
= 0, 4 · 0, 35
= 0, 14
Desarrollo:
P D{ | FII · P (FII )
P FII | D{ =
P D{
0, 8 · 0, 4
=
0, 705
= 0, 4539
MAT042 HSR 32
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
5. Ayudantı́a 5
5.1. Variables Aleatorias Discretas
1. Suponga que X es una variable aleatoria discreta con función de cuantı́a:
x −2 −1 0 1 2 4
f (x) 0, 1C 0, 2C 0, 6C 0, 5C 0, 4C 0, 2C
b) Obtenga:
B P (x < 1),
B P (−2 < x < 2) y
B P (x ≥ 2 | x > 0)
Desarrollo:
1
0, 1C + 0, 2C + 0, 6C + 0, 5C + 0, 4C + 0, 2C = 1 =⇒ ∴ C = 2
P (x = 2) + P (x = 4) 0, 2 + 0, 1
B P (x ≥ 2 | x > 0) = =
P (x = 1) + P (x = 2) + P (x = 4) 0, 25 + 0, 2 + 0, 1
0, 3
= = 0, 545
0, 55
MAT042 HSR 33
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
Sea X: ”Árboles plantados que sobreviven”, y además X ∼ Bin(n = 10, p = 0, 9). Por lo
tanto la probabilidad pedida es:
10
X 10
P (X ≥ 8) = 0, 9x (1 − 0, 9)10−x
x
x=8
= 92 %
3. Se tendieron 1000 trampas para langostas, en las que se atraparon 1200 langostas. Con-
siderando que el número de langostas por trampa es una V.A.D. se pide determinar la
probabilidad que una trampa contenga dos o más langostas.
Desarrollo:
1200
Sea X: ”Número de langostas por trampa ”. Y ∼ P (λ) con λ = 1000
= 1, 2
P (X ≥ 2) = 1 − P (X ≤ 1)
= 1 − [P (X = 0) + P (X = 1)]
1
X λx e−λ
= 1−
x=0
x!
1
X (1, 2)x e−1,2
= 1−
x=0
x!
= 1 − 0, 6626
∴ P (X ≥ 2) = 0, 337
4. En una encuesta hecha para averiguar los errores de ortografı́a que cometen los estudiantes
en sus apuntes, se detectó que en 500 páginas cometı́an aproximadamente 1000 errores. Si
consideramos 5 páginas, encuentre la probabilidad de que en 2 o más de ellas haya más de 3
errores en cada una.
Desarrollo:
Sea:
MAT042 HSR 34
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
P (X > 3) = 1 − P (X ≤ 3)
3
X 2x e−2
= 1−
x=0
x!
= 1 − 0, 86
= 0, 14
Sea:
Y : Número de páginas.
Y ∼ Bin(n, p) con n = 5 y p = 0, 14.
P (Y ≥ 2) = 1 − P (Y < 2)
1
X 5
= 1− 0, 14y (1 − 0, 14)5−y
y
y=0
= 1 − 0, 85
= 0, 15
∴ la probabilidad de que en 2 o más de ellas haya más de 3 errores en cada una es 15 %
Desarrollo:
a) Sea:
X: Número de demandas por dı́a.
X ∼ P (λ), con λ = 3.
Se pide calcular P (2 ≤ X ≤ 4)
4
X 3x e−3
P (2 ≤ X ≤ 4) =
x=2
x!
= 0, 6163
Sea:
MAT042 HSR 35
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
7
X 7
P (Y ≥ 5) = 0, 6163y (1 − 0, 6163)7−y
y
y=5
= 0, 4554
b) Sea:
X: Número de demandas diarias.
X ∼ P (λ) con λ = 3.
5
X 3x e−3
P (3 < X < 6) =
x=4
x!
= 0, 26885
Sea:
Y : Número de dı́as al mes.
Y ∼ Bin (n, p) con n = 30 y p = 0, 26885
22
X 30
P (15 ≤ Y ≤ 22) = 0, 26885y (1 − 0, 26885)30−y
y
y=15
= 0, 00584
∴ la probabilidad que en una mes, a lo menos 15 dı́as y a los más 22 dı́as, el número
de demandas esté entre 3 y 6 es 0, 584 %
6. Un fabricante de automóviles compra sus motores a un proveedor que recibe estrictas es-
pecificaciones de él. Cada mes recibe un lote de 40 motores. Para asegurarse de la calidad
de ellos, el fabricante toma una muestra de 8 motores y acepta el lote solo si ningún motor
presenta serias faltas a la especificación. Si existen 3 motores con falta en el lote. Calcule la
probabilidad de que el lote sea aceptado.
Desarrollo:
Sea:
MAT042 HSR 36
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
- N = 40 (total de motores).
- M = 3 (motores con falla).
- n = 8 (muestra de motores).
Desarrollo:
a) Sea:
MAT042 HSR 37
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
- N = 15 (total de tabletas).
- M = 6 (tabletas de narcóticos).
- n = 3 (tamaño de la muestra).
15 − 6
6
3−3
3
P (X = 3) =
15
3
6 9
3 0
=
15
3
= 0, 0439
b) Sea:
MAT042 HSR 38
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Sea:
P (X = 1): Probabilidad de ser arrestado (basta que una de las 25 cajas, sin importar
el orden, contenga frascos de narcóticos)
25
P (X = 1) = 0, 69361 (1 − 0, 6936)25−1
1
= 8, 12 · 10−12
∴ la probabilidad de que el viajero sea arrestado, si éste pasa 25 cajas por la aduana,
es 8, 12 · 10−10 %
MAT042 HSR 39
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
lı́m Xn = P (λ)
n→∞
Desarrollo:
λ n λ
λ n−k
Xn ∼ Bin(n, p), haciendo p = n
se tiene: Xn ∼ n
1− n
. Luego:
k
k n−k
λ
n λ
= lı́m 1−
n→∞ k
n n
k n −k
n λ λ
λ
= lı́m 1− 1−
n→∞ k n n
n
k n
0−k
n λ λ λ
= lı́m 1− · lı́m 1 −
n→∞ k n n n→∞ n
| {z }
1
n
λk
n! λ
= lı́m · k 1−
n→∞ (n − k)! · k! n n
k
n
n! λ λ
= lı́m · 1−
n→∞ (n − k)! · nk k! n
k n
λ n(n − 1)(n − 2) . . . (n − (k + 1))(n − k)! λ
= · lı́m · 1−
k! n→∞ nk (n − k)! n
k n
λ n(n − 1)(n − 2) . . . (n − (k + 1)) (n − k)! λ
= · lı́m · 1−
k! n→∞ nk (n − k)! n
| {z }
1
k n
λ n n−1 n−2 n − (k + 1) λ
= · lı́m · · ··· 1−
k! n→∞ n n n n n
k
0
0
0 0
n
λ 1
2
k
1
λ
= · lı́m 1 − · 1 − · · · 1 − − · 1 −
k! n→∞ n
n
n
n
n
| {z } | {z } | {z }
1 1 1
k n
λ (−λ)
= · lı́m 1 +
k! n→∞ n
k
λ −λ
= e
k!
MAT042 HSR 40
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
∴ lı́m Xn = P (λ)
n→∞
λ
Por lo tanto se demuestra que Xn ∼ Bin(n, p) cuando n −→ ∞ y haciendo p = n
tiene
función densidad de Poisson de parámetro λ (Xn ∼ P (λ))
MAT042 HSR 41
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
i)
FX (x) ≥ 0 ∀x ∈ Rec(x)
ii) X
FX (x) = 1
x∈Rec(x)
B Bernoulli:
B Binomial:
MAT042 HSR 42
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
n n
py
X n y n−y
X n n
=⇒ p (1 − p) = y (1 − p)
y y (1 − p)
y=0 y=0
n y
n
X n p
= (1 − p)
y (1 − p)
y=0
n
p
= (1 − p)n +1
1−p
n
n p + (1 − p)
= (1 − p)
1−p
n
n 1
= (1 − p)
1−p
= 1
B Poisson:
λx e−λ
FX (x) = ; x ∈ {0, 1, 2, . . . , n} y λ : representa un promedio
x!
Demostración de función de cuantı́a:
n n
X λx e−λ −λ
X λx
=⇒ = e
x=0
x! x!
|x=0{z }
Serie de eλ
−λ λ
= e e
= e(−λ+λ)
= 1
MAT042 HSR 43
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
B Geométrica:
B BinomialNegativa:
x−1
FX (x) = pr (1 − p)x−r con x ∈ {r, r + 1, . . . , n}
r−1
B Hipergeométrica:
M N −M
x n−x
FX (x) = con x ∈ {0, 1, 2, . . . , mı́n (n, M )}
N
n
MAT042 HSR 44
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
6. Ayudantı́a 6
1. Sea la función: x
e− 2
fX (x) = k √ I[0,∞[ (x)
x
Calcule la constante k para que sea función densidad.
Hint: Z t
1 −x2 1
√ e 2 dx = Φ (t) −
2π 0 2
Desarrollo:
Luego:
Z ∞ − x2
e
k √ dx = 1
0 x
1
∴k = Z ∞ − x2
e
√ dx
0 x
Aparte: Z ∞ − x2 √
Z ∞√
e x x=∞ x
√ dx = 2 xe− 2 x=0 + xe− 2 dx
0 x 0
MAT042 HSR 45
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
√ x
notar que cuando x = 0 no hay problemas en ver que el término 2 xe− 2 = 0, pero
√ cuan-
x
do x = ∞ tenemos algo de la forma ∞ ∞
, por lo que es necesario calcular lı́m 2 xe− 2 .
x→∞
√
√ x 2 x
lı́m 2 xe− 2 = lı́m x aplicando L’H se tiene:
x→∞ x→∞ e 2
√1
x
= lı́m x
x→∞ 1 e 2
2
0
1
= 2 lı́m √ x
x→∞ xe 2
= 0
Aparte:
Z ∞ 2 2
z=∞ Z ∞
z2
2 − z2 − z2
z e dz = −ze + e− 2 dz
0 z=0 0
z2
notar que cuando z = 0 no hay problemas en ver que el término −ze− 2 = 0, pero
2
− z2
cuando z = ∞ tenemos algo de la forma ∞
∞
, por lo que es necesario calcular lı́m −ze .
z→∞
z2 z
lı́m −ze− 2 = − lı́m z2
aplicando L’H se tiene:
z→∞ z→∞
e2
1
= − lı́m z2
z→∞
ze 2
0
1
= (−1) lı́m z2
z→∞
ze 2
= 0
MAT042 HSR 46
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1
k=√
2π
y la función queda: x
e− 2
fX (x) = √ I[0,∞[ (x)
2πx
Desarrollo:
a) Sea:
X: Vida del marcapasos.
1 1
X ∼ exp (λ) con λ = E(x) ⇒λ= 16
MAT042 HSR 47
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Z 20
1 −1x
P (X < 20) = e 16 dx
0 16
1 x=20
= −e− 16 x
x=0
!
− 20 1
* 0
− 16
= − e 16 −
e
1
= 1− 5
e4
= 0, 7135
0, 8e−x + 0, 4e−2x , x ≥ 0
fXi (x) =
0 , e.o.c.
para cualquier i = 1, 2, . . . , 10
MAT042 HSR 48
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
0, 8e−x + 0, 4e−2x dx , x ≥ 0
FX3 (x) =
0
0 , e.o.c.
Z X Z X3
3
0, 8e−x dx + 0, 4e−2x dx , x ≥ 0
=
0 0
0 , e.o.c.
Z X3 Z X3
0, 8 e−x dx + 0, 4 e−2x dx , x ≥ 0
= 0 0
0 , e.o.c.
( −2x x=X3
x=X
0, 8 (−e−x )|x=0 3 + 0, 4 −e2 , x≥0
=
x=0
0 , e.o.c.
( −2X
0, 8 1 − e−X3 + 0, 4 1−e 2 3
, x≥0
=
0 , e.o.c.
0, 8 − 0, 8e−X3 + 0, 2 − 0, 2e−2X3 , x ≥ 0
=
0 , e.o.c.
1 − 0, 8e−X3 − 0, 2e−2X3 , x ≥ 0
=
0 , e.o.c.
1 − 0, 8e−X3 − 0, 2e−2X3 , x ≥ 0
∴ FX3 (x) =
0 , e.o.c.
b) La probabilidad de que una componente cualquiera falle antes de 1.5 horas, viene
dada por:
Sea ahora:
Y : Número de componentes que fallan antes de 1, 5 horas.
Y ∼ Bin (10; 0, 8115).
y lo que se pide es:
3
X 10
P (Y ≤ 3) = 0, 8115y (1 − 0, 8115)10−y
y
y=0
= 0, 000591241
MAT042 HSR 49
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
∴ P (Y ≤ 3) = 0, 059 %
Desarrollo:
FY (y) = P (Y ≤ y) = P X 2 ≤ y
√
= P (|X| ≤ y)
√
= P (X ≤ ± y)
√ √
= P (− y ≤ X ≤ y)
+
√ √ : X ∈ R0
= P (X ≤ y) − P (X ≤ − y)
√
= FX ( y)
√
∴ FY (y) = FX y , por lo que al derivar encontraremos la función densidad de
y.
dFY (y) √ 1
= FX0 ( y) √
dy 2 y
√
fX y
= √
2 y
√ −(√y)2
2 ye
=
√ I[0,∞[ (y)
2 y
= e−y I[0,∞[ (y)
MAT042 HSR 50
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1
!
Z ∞ Z ∞
y=∞ 0
e−y IR+0 (y) dy = e−y dy = −e−y y=0 = −
e−∞
− e−0 = 1
*
>
−∞ 0
y
lı́m −ye−y = − lı́m aplicando L’H se tiene:
y→∞ y→∞ ey
0
1
= − lı́m y
y→∞ e
= 0
∴ E (y) = 1
MAT042 HSR 51
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
• V (y), se define la varianza como: V (y) = E (y 2 )−(E (y))2 . Por lo que debemos
calcular E (y 2 ).
Z ∞
2
y 2 e−y dy
E y =
0
haciendo:
se tiene: Z ∞
y=∞
−y 2 e−y y=0 ye−y dy
= +2
|0 {z }
1
y2
lı́m −y 2 e−y = − lı́m aplicando L’H se tiene:
y→∞ y→∞ ey
2y
= − lı́m y aplicando L’H se tiene:
y→∞ e
0
1
= −2 lı́m y
y→∞ e
= 0
∴ V (y) = 1
a) ¿Cuál es la probabilidad de que transcurran más de seis horas sin que arribe
ninguno?
b) Si el costo de operación ”C” es una función del tiempo ocioso X (entre llegadas),
donde C = 1 − e−5x , encuentre el costo medio, donde C se mide en millones de
pesos.
Desarrollo:
MAT042 HSR 52
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Se pide calcular P (X > 0, 25) (un dı́a tiene 24 horas, por lo que si queremos
calcular la probabilidad que no lleguen barcos en más de seis horas debemos hacer
6
24
= 0, 25)
Z ∞
P (X > 0, 25) = 5e−5x dx
0,25
= −e−5x |x=∞
x=0,25
−5·∞: 0 −5·0,25
= − −e
e
= 0, 2865
E (C) = E 1 − e−5x
Z ∞
1 − e−5x 5e−5x dx
=
Z0 ∞
1 ∞ −10x
Z
−5x
= 5e dx − 10e dx
0 2 0
| {z } | {z }
1 1
1
= 1−
2
1
=
2
MAT042 HSR 53
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
X−µ
6. Demuestre que Z = σ
tiene distribución N (0, 1) si X ∼ N (µ, σ 2 )
Desarrollo:
Sea FZ (z) = P (Z ≤ z)
X −µ
P (Z ≤ z) = P ≤z
σ
= P (X ≤ σz + µ)
= FX (σz + µ)
dFZ (z) 0
= FX σ
dz
= fX (σz + µ) σ
1 1 (σz+µ)−µ 2
= √ e− 2 ( σ ) σIR (z)
2πσ
1 z2
fZ (z) = √ e− 2 IR (z)
2π
∴ Z ∼ N (0, 1)
◦ Segundo método, Función generadora de momentos:
definición de f.g.m.
Z ∞
xt
ext fX (x) dx
ϕX (t) = E e =
−∞
MAT042 HSR 54
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
µt t2 µt
= eσ+2−σ
t2
= e2
∴ Z ∼ N (0, 1)
7. Sea x una V.A.C con función distribución FX . Demostrar que Y = F ◦ X tiene función
densidad U [0, 1]
Desarrollo:
Sea:
FY (y) = P (Y ≤ y)
= P (F ◦ X ≤ y)
= P (FX (X) ≤ y)
P FX−1 (FX (X)) ≤ FX−1 (y)
=
P X ≤ FX−1 (y)
=
FX FX−1 (y)
=
∴ FY (y) = y
Derivando se tiene:
dFY (y)
= 1 =⇒ fY (y) = 1
dy
∴ Y ∼ U [0, 1]
Nota: F debe ser creciente en [0, 1] para que exista FX FX−1 (X) = X
MAT042 HSR 55
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
• Uniforme: X ∼ U [a, b]
1
fX (x) = I[a,b] (x)
b−a
Por Demostar:
Con los dos puntos anteriores se demuestra que fX (x) es función densidad.
MAT042 HSR 56
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Por Demostar:
= − (−1)
= 1
Con los dos puntos anteriores se demuestra que fX (x) es función densidad.
• Normal: X ∼ N (µ, σ 2 )
1 − 12 ( x−µ )
2
fX (x) = √ e σ IR (x)
2πσ
Por Demostrar:
MAT042 HSR 57
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Z ∞
B fX (x) dx = 1. Es decir:
−∞
Z ∞ Z ∞
1 1 x−µ 2
fX (x) dx = e− 2 ( σ ) IR (x) dx
√
−∞ 2πσ
Z−∞
∞
1 1 x−µ 2
= √ e− 2 ( σ ) dx Haciendo z = x−µ
σ
→ dz = σ1 dx
2πσ
Z−∞
∞
1 − z2
= √ e 2 dz
−∞ 2π
Z ∞
1 z2
= √ e− 2 dz
2π −∞
| {z }
Aparte
Aparte, sea: 2
Z ∞ 2
Z ∞ 2
− z2 − z2
e dz = I =⇒ e dz = I2
−∞ −∞
2
Resolvamos I :
Z ∞ 2 Z ∞ Z ∞
2 2 2
− z2 − z2 − z2
e dz = e dz · e dz
−∞
Z−∞
∞
−∞
Z ∞ 2
z2
− y2
= e− 2 dz · e dy
−∞ −∞
Z ∞ Z ∞ 2 2
− z2 − y2
= e e dz dy
Z−∞
∞ Z−∞
∞
z2 y2
= e− 2 − 2 dz dy
Z−∞ −∞
∞ Z ∞
1
e − 2 (z ) dz dy
2 +y 2
=
−∞ −∞
Donde:
∂x ∂x
x, y
∂v = ∂x · ∂y − ∂x · ∂y
J = ∂u
u, v ∂y ∂y ∂u ∂v ∂v ∂u
∂u ∂v
Haciendo el siguiente cambio de variables:
MAT042 HSR 58
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
y calculando:
∂z ∂z
z, y
∂r ∂θ
J =
r, θ ∂y ∂y
∂r ∂θ
cos θ −r sin θ
=
sin θ r cos θ
= r cos2 θ − −r sin2 θ
= r sin2 θ + cos2 θ
= r
por lo que:
Z ∞Z ∞ Z 2π Z ∞
2
− 21 (z 2 +y 2 ) 1
+(r sin θ)2 ]
e dz dy = e− 2 [(r cos θ) r dr dθ
−∞ −∞ 0 0
Z 2π Z ∞
1 2
e− 2 [r (cos θ+sin θ)] r dr dθ
2 2
=
Z0 2π Z0 ∞
r2
= e− 2 r dr dθ
0 0
Z 2π r=∞
2
− r2
= −e dθ
0 r=0
1
Z 2π 2
0 2
∞ *
0>
− −
= − e 2 −
e 2
dθ
0
Z 2π
= − (−1) dθ
0
Z 2π
= dθ
0
= θ|2π
0
= 2π
√
∴ I 2 = 2π =⇒ I = 2π, es decir:
1 √
Z ∞
1 1 x−µ 2
√ e− 2 ( σ ) IR (x) dx = √ 2π
−∞ 2πσ 2π
= 1
MAT042 HSR 59
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
• Gamma: X ∼ Gamma (α, λ) con X = {Tiempo que transcurre hasta la α − ésima ocurrencia.}
λα α−1 −λx
fX (x) = x e si x > 0 y λ, α > 0
Γ (α)
con Z ∞
xα−1 e−x dx si α∈R
Γ (α) =
(α0 − 1) · Γ (α − 1) = (α − 1)! si α∈N
Γ (α + β) α−1
fX (x) = x (1 − x)β−1 si x ∈ [0, 1] y α, β > 0
Γ (α) Γ (β)
con
∞
Z
x(α+β)−1 e−x dx si α, β ∈ R
Γ (α + β) = 0
((α + β) − 1) · Γ ((α + β) − 1) = ((α + β) − 1)! si α, β ∈ N
Z ∞
xα−1 e−x dx si α ∈ R
Γ (α) = 0
(α − 1) · Γ (α − 1) = (α − 1)! si α ∈ N
∞
Z
xβ−1 e−x dx si β∈R
Γ (β) = 0
(β − 1) · Γ (β − 1) = (β − 1)! si β∈N
MAT042 HSR 60
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
7. Ayudantı́a 7
Desarrollo:
Sea X: Peso de los niños españoles al momento de nacer. X ∼ N (3, 25; 0, 822 ). Se pide
calcular:
2. El diámetro de cierto eje se distribuye N (2, 79; 0, 012 ) medidos en centı́metros. Si las
medidas del diámetro se encuentran dentro del rango 2, 77 ± 0, 03 cm. entonces se dice
que están en buen estado.
Desarrollo:
MAT042 HSR 61
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
2, 77 − 0, 03 < X < 2, 77 + 0, 03
el eje estará correcto. Por lo que la probabilidad de defecto viene dada por:
X − 2, 79 2, 74 − 2, 79
P (X ≤ 2, 74) + P (X ≥ 2, 80) = P ≤
0, 01 0, 01
X − 2, 79 2, 80 − 2, 79
= +P ≥
0, 01 0, 01
:
0
= P(Z≤ −5) + P (Z ≥ 1)
= P (Z ≥ 1)
= Φ (1)
= 0, 1587
b) X: diámetro de los ejes. X ∼ N (2, 79; 0, 012 ). Nueva especificación:
2, 79 − 0, 02 < X < 2, 79 + 0, 02
∴ P(A) = 4, 56 %
MAT042 HSR 62
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
∴ P(Y ≤ 2) = 99, 1 %
3. Se sabe que una fábrica produce cierto tipo de ampolletas cuya vida útil se distribuye
normal. Se sabe que el 6,68 % de las veces duran más de 9200 horas y un 97,72 % de
las veces duran más de 6400 horas.
Desarrollo:
a) Se sabe que:
P(X > 9200) = 0, 0668
P(X > 6400) = 0, 9772
MAT042 HSR 63
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
µ = 8000 y σ = 800
∴ X ∼ N (8000, 8002 )
b) Sea: Y : vida útil de la ampolleta. Y ∼ N (8000, 8002 )
9600 − 8000
P(Y > 9600) = P Z >
800
= P(Z > 2)
= Φ(2)
= 0, 0228
MAT042 HSR 64
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
P (X > n + k, X > n)
P (X > n + k | X > n) =
P (X > n)
P (X > n + k)
=
P (X > n)
X∞
p (1 − p)x−1
x=n+k+1
= ∞
X
p (1 − p)x−1
x=n+1
Aparte:
∞
X
ax = ak + ak+1 + ak+2 + . . . (1)
x=k
∞
X
a ax = ak+1 + ak+2 + ak+3 . . . (2)
x=k
MAT042 HSR 65
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
8. Ayudantı́a 8
Desarrollo:
Sea:
FY (y) = P (Y ≤ y)
= P (3X + 4 ≤ y)
y−4
= P X≤
3
y−4
= FX
3
1 1 y−4 2
∴ fY (y) = √ e− 2 ( 3 ) IR (y)
2π3
es decir, Y ∼ N (4, 32 )
2. Sea X una variable aleatoria continua con función densidad uniforme U [1, 2]. Se define
la variable Y = 20X 2 , encontrar E(Y ) y V(Y )
Desarrollo:
MAT042 HSR 66
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
• Sea:
FY (y) = P (Y ≤ y)
= P 20X 2 ≤ y
y
= P X2 ≤
20
r
y
= P | X |≤
20
r r
y y
= P − ≤X≤
20 20
r r : X ∼ U [1, 2] (positivo)
y y
= P X≤ − P X ≤−
20 20
r
y
= P X≤
20
r
y
= FX
20
derivando tenemos:
r
dFY (y) y 1 1
= FX0 · py ·
dy 202 20 20
r *1 √
y
5
= fX · √ I[20,80] (y)
20 20 y
√
5
∴ fY (y) = √ I[20,80] (y)
20 y
Z ∞
√
5
• E(Y ) = y √ I[20,80] (y) dy
−∞ 20 y
Z ∞ √ Z 80 √
5 5
y √ I[20,80] (y) dy = y √ dy
−∞ 20 y 20 20 y
√ Z 80
5 √
= y dy
20 20
√ y=80
5 2 3
= y2
20 3
y=20
√
2 5
803/2 − 203/2
=
60
140
=
3
MAT042 HSR 67
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
140
∴ E(Y ) =
3
2
• V(Y ) = E(Y 2 ) − (E(Y )) Sea:
Z ∞
√
2 2 5
E(Y ) = y √ I[20,80] (y) dy
−∞ 20 y
Z 80 √
5
= y 2 √ dy
20 20 y
√ Z 80
5
= y 3/2 dy
20 20
√ y=80
5 2 5/2
= y
20 5
y=20
√
2 5
805/2 − 205/2
=
100
= 2480
∴ E(Y 2 ) = 2480
Por lo que la varianza será:
2
140
V(Y ) = 2480 −
3
∴ V(Y ) = 299, 11
3. Sea X ∼ θe−θx IR+0 (x). Se define T = Iβ (x)
Desarrollo:
Sea:
Z ∞
E(T ) = E (Iβ (x)) = Iβ (x)θe−θx IR+0 (x) dx
Z−∞∞
= θe−θx dx
k
x=∞
= −e−θx x=k
: 0 −θ·k
−θ·∞
= −
e −e
= e−θk
MAT042 HSR 68
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1
∴ E(T ) =
eθ·k
4. Una partı́cula de masa m tiene velocidad aleatoria que se distribuye de forma normal,
con velocidad media 0 y desviación estándar σ. Encuentre la función densidad de la
energı́a cinética,
1
E = mV 2
2
Desarrollo:
Sea:
FE (e) = P(E ≤ e)
1 2
= P mV ≤ e
2
e
= P V2 ≤2
m
r
e
= P | V |≤ 2
m
r r
e e
= P − 2 ≤V ≤ 2
m m
r r
e e
= P V ≤ 2 +P V ≤− 2
m m
r r
e e
∴ FE (e) = FV 2 − FV − 2
m m
Derivando se tenemos que:
r r
dFE (e) e 1 2 e −1 2
= FV0 2 · r · 0
− FV − 2 · r ·
de m e m m e m
2 2 2 2
m m
r r
e 1 e 1
= fV 2 ·√ + fV − 2 ·√
m 2em m 2em
√ 2 √ 2
1 − 2e 1 1 1 − − 2e 1 1
= √ e m σ2 · √ +√ e m σ2 · √
2πσ 2em 2πσ 2em
1 2e 1 1 2e 1
= √ e− mσ2 · √ +√ e− mσ2 · √
2πσ 2em 2πσ 2em
1 2e
= √ e− mσ2
emπσ
MAT042 HSR 69
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1 2e
∴ fE (e) = √ e− mσ2 I]0,∞[ (e)
emπσ
1
5. Sea X una variable aleatoria continua con función densidad fX (x) y sea W =
X
demuestre que:
1 1
fW (w) = 2 fX con w ∈ R − {0}
w w
Desarrollo:
Sea:
FW (w) = P (W ≤ w)
1
= P ≤w
X
1
= P ≤X
w
1
= 1−P X ≤
w
1
∴ FW (w) = 1 − FX
w
MAT042 HSR 70
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
a) Poisson
b) Uniforme
c) Exponencial
Desarrollo:
a)
n
xt
X λx e−λ
ext
E e =
x=0
x!
n x
−λ
X (et λ)
= e
x=0
x!
−λ et λ
= e e
b)
Z b
xt 1
ext
E e = dx
a b−a
xt x=b
1 e
=
b−a t x=a
1
ebt − eat
=
(b − a)t
ebt − eat
∴ ϕX (t) = t 6= 0
(b − a)t
MAT042 HSR 71
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
c)
Z ∞
xt
E(e ) = ext λe−λx dx
0
Z ∞
= λ ex(t−λ) dx (notar que converge sólo si t < λ)
0
Z ∞
= λ e−x(λ−t) dx
0 −x(λ−t) x=∞
e
= λ
−(λ − t) x=0
: 0 −0(λ−t)
:1
−λ
−∞(λ−t)
= e
−
e
λ−t
λ
=
λ−t
λ
∴ ϕX (t) = t<λ
λ−t
2. Sea X una V.A. con función generadora de momentos ϕX (t), entonces si Y = aX + b,
demostrar que ϕY (t) = ebt ϕX (at)
Desarrollo:
Sea:
ϕY (t) = E(eY t )
= E(e(aX+b)t )
= E(eaXt · ebt )
= E(ebt )E(eaXt )
= ebt E(eXat )
Desarrollo:
MAT042 HSR 72
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
n
X Xi
• Sea: X =
i=1
n
ϕX = E eXt
Pn Xi
= E e( i=1 n )t
n
!
Y Xi
= E ent
i=1
n
Y t
= E eXi n (por independencia de las variables)
i=1
n
Y 1 1− nt
= e +
i=1
2 2
n
1 −t 1
∴ ϕX = e n+
2 2
0
• E X = ϕX (t)t=0 , por lo que calcularemos:
n−1
1 −t 1 1 −t 1
ϕ0X (t)t=0 = n
e n+ e n −
2 2 2 n
t=0
1 !n−1 1
!
1 −0
>
1 1 −0
>
1
= n e n+ e n −
2 2 2 n
1
= −
2
1
∴ E X =−
2
2
2
• V X =E X − E X
2
= ϕ00X (t)t=0
E X
MAT042 HSR 73
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
n−2 2
00
1 −t 1 1 −t 1
ϕX (t)t=0 = n(n − 1) e n+ e n −
2 2 2 n
t=0
n−1
1 −t 1 1 −t 1
= +n e n+ e n
2 2 2 n2
t=0
= evaluando
en t = 0 se
tiene
1 1
= n(n − 1) +n
4n2 2n2
n2 − n + 2n
=
4n2
n+1
=
4n
Luego la varianza es:
2
n+1 1
V X = − −
4n 2
1 1 1
= + −
4 4n 4
1
∴ V X =
4n
MAT042 HSR 74
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
λXi
Pn
E e Tt
= E e ( i=1
n ) t
n
!
λXi
e( n )
Y
t
= E
i=1
n
Y λt
= E eXi n (por independencia de las variables)
i=1
n
!
Y λ
=
i=1
λ − λt
n
n
Y n
=
i=1
n−t
n
n
=
n−t
n
n
∴ ϕT (t) =
n−t
Desarrollo:
MAT042 HSR 75
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
ϕY (t) = E eY t
P n Xi
= E e( i=1 n )t
n
!
t
Y
= E eXi n
i=1
n
Y t
= E eXi n (por independencia de las variables)
i=1
n 2 2
µ nt + σ2 ( nt )
Y
= e
i=1
1
!n
2 σ2
µt+ t2 n
= e n
2 σ2
µt+ t2
= e n
σ2
∴ Y ∼ N µ,
n
MAT042 HSR 76
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
9. Ayudantı́a 9
Desarrollo:
Dado que Y es una función medible, definida en cierto espacio de probabiliadd Ω y con
valores en R, se tiene que dado ω ∈ Ω la ecuación queda de la forma:
b2 − 4ac ≥ 0
Es decir:
es decir:
A = {ω ∈ Ω : Y (ω) [Y (ω) − 1] ≥ 0}
= {ω ∈ Ω : Y (ω) ≥ 0 ∧ Y (ω) ≥ 1} ∪ {ω ∈ Ω : Y (ω) ≤ 0 ∧ Y (ω) ≤ 1}
MAT042 HSR 77
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Notar que:
∴ P(A) = 80 %
a) Calcular la constante k.
b) ¿Qué cantidad C deberá tener dispuesta a la venta, al comienzo de cada semana,
para poder satisfacer la demanda en dicho periodo con una probabilidad de 0,5?
Desarrollo:
MAT042 HSR 78
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
a)
Z 2
4x − 2x2 dx
k = 1
0
2 !
2
k 2x2 − x3 = 1
3 0
2 2 3
k 2(2) − (2) = 1
3
8
k = 1
3
3
∴ k=
8
b) se pide: P (X ≤ C) ≥ 0, 5.
Z C
3 1
4x − 2x2 dx
≥
0 8 2
C
2 2 3 4
2x − x ≥
3 0 3
2 2 3 4
2C − C ≥
3 3
6C 2 − 2C 3 − 4 ≥ 0
2C 2 − C 3 − 2 ≥ 0
⇐⇒ (C − 1) C 2 − 2C − 2
≤ 0
MAT042 HSR 79
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
i ) X: fusible defectuoso.
ii ) X ∼ Bin (n, p), con n = 1000 y p = 1 − 0, 98 = 0, 02
Se pide calcular P (X ≥ 27). Dado que n es muy grande, podemos hacer una aproxi-
mación a la distribución normal.
Dicho esto, obtenemos:
µ = n · p = 1000 · 0, 02 = 20
y
p p
σ= n · p · (1 − p) = 1000 · 0, 02 · 0, 98 = 4, 427
27 − 20
P (X ≥ 27) = P Z ≥
4, 427
= P (Z ≥ 1, 58)
= 0, 0571 (por tabla)
∴ P (X ≥ 27) = 5, 71 %
Desarrollo:
sea:
FY (y) = P (Y ≤ y)
P X2 ≤ y
=
√
= P (| X |≤ y)
√ √
= P (− y ≤ X ≤ y)
√ √
= P (X ≤ y) − P (X ≤ − y)
√ √
= FX ( y) − FX (− y)
MAT042 HSR 80
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
derivando tenemos
dFY (y) √ √
= FX0 ( y) − FX0 (− y)
dy
√ 1 √ 1
= fX ( y) √ − fX (− y) − √
2 y 2 y
√ 1 √ 1
= fX ( y) √ + fX (− y) √
2 y 2 y
1 1 √ 2 1 1 1 √ 2 1
= √ e− 2 ( y) √ + √ e− 2 (− y) √
2π 2 y 2π 2 y
1 y 1 y
= √ e− 2 + √ e− 2
2 2πy 2 2πy
1 y
= √ √ e− 2 IR+ (y)
2π y
1 y
∴ fY (y) = √ √ e− 2 IR+ (y)
2π y
función Gamma es de la forma:
λα α−1 −λx
fX (x) = x e si x > 0 y λ, α > 0
Γ (α)
1
12
1 1
fY (y) = √ y 2 −1 e− 2 y IR+ (y)
2
π
1
12
1 1
∴ fY (y) = √ y 2 −1 e− 2 y IR+ (y)
2
π
1 1 √
con: α = , λ= y Γ(α) = π
2 2
MAT042 HSR 81
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
NOTA:
Z ∞
1
Γ (α) = tα−1 e−t dt α=
2
Z0 ∞
1
= t 2 −1 e−t dt
Z0 ∞
1
= t− 2 e−t dt
0
= haciendo:
Z ∞ u2 = t −→ 2u du = dt
2
= 2 e−u du
| 0 {z }
Aparte
Aparte, sea: 2
Z ∞ Z ∞
−u2 −u2
e du = I =⇒ e du = I 2
0 0
Resolvamos I 2 :
Z ∞ 2 Z ∞ Z ∞
−u2 −u2 −u2
e du = e du · e du
0 0 0
Z ∞ Z ∞
−u2 −z 2
= e du · e dz
0 0
Z ∞Z ∞
2 2
= e−u e−z du dz
Z0 ∞ Z0 ∞
2 2
= e−u −z du dz
Z0 ∞ Z0 ∞
e−(u +z ) du dz
2 2
=
0 0
= r sin2 θ + cos2 θ
= r
MAT042 HSR 82
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
por lo que:
π
Z ∞ Z ∞ Z
2
Z ∞
2
−(u2 +z 2 ) +(r sin θ)2 ]
e du dz = e−[(r cos θ) r dr dθ
0 0 0 0
π
Z
2
Z ∞
e−[r (cos θ+sin θ)] r dr dθ
2 2 2
=
0 0
π
Z
2
Z ∞
2
= e−r r dr dθ
0 0
Z π −r2 r=∞
2 −e
= dθ
2
0
r=0
0
Z π !
1 2 −∞ 2 2
1
e−0
*
*
= − e −
dθ
2 0
Z π
1 2
= − (−1) dθ
2 0
Z π
1 2
= dθ
2 0
π
1 2
= θ
2 0
π
=
4
√
2 π π
∴ I = =⇒ I = , es decir:
4 2
Z ∞ √ √
−u2 π 1 π
e du = =⇒ Γ =2
0 2 2 2
√
1
∴Γ = π
2
Desarrollo:
MAT042 HSR 83
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
derivando se tiene:
dFY (y) y−b
= FX0
dy a
y−b 1
= fX
a a
∴ Y ∼ N (aµ + b, a2 σ 2 )
MAT042 HSR 84
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
( )
β−1 β
β t t
exp − , si t ≥ 0 , α > 0 y β > 0
α α α
f (t) =
0 , en otro caso
FT (t) = P (T ≤ t)
= P (máx {Ti } ≤ t) (∀i ∈ {1, 2, 3, 4})
= P (T1 ≤ t, T2 ≤ t, T3 ≤ t, T4 ≤ t)
Y4
= P (Ti ≤ t) (por independencia de los Ti )
i=1
Y4
= FTi (t)
i=1
= [FT (t)]4
" ( )#4
β
t
= 1 − exp −
α
" ( )#4
β
t
∴ FT (t) = 1 − exp −
α
MAT042 HSR 85
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
b) Determine la función de distribución de probabilidad acumulada y la función de
densidad del Tiempo de funcionamiento del sistema según el siguiente circuito.
Desarrollo:
MAT042 HSR 86
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
obtiene:
FT (t) = P (T ≤ t)
= P (mı́n {máx {T1 , mı́n {T2 , T3 }} , T4 })
= 1 − P (mı́n {máx {T1 , mı́n {T2 , T3 }} , T4 } > t)
= 1 − P (máx {T1 , mı́n {T2 , T3 }} , T4 > t)
= 1 − P (máx {T1 , mı́n {T2 , T3 }} > t) P (T4 > t)
= 1 − [1 − P (máx {T1 , mı́n {T2 , T3 }} ≤ t)] P (T4 > t)
= 1 − [1 − P (T1 ≤ t, mı́n {T2 , T3 } ≤ t)] P (T4 > t)
= 1 − [1 − P (T1 ≤ t) P (mı́n {T2 , T3 } ≤ t)] P (T4 > t)
= 1 − [1 − P (T1 ≤ t) [1 − P (mı́n {T2 , T3 } > t)]] P (T4 > t)
= 1 − [1 − P (T1 ≤ t) [1 − P (T2 > t, T3 > t)]] P (T4 > t)
= 1 − [1 − P (T1 ≤ t) [1 − P (T2 > t) P (T3 > t)]] P (T4 > t)
= 1 − [1 − F (t) [1 − (1 − F (t))(1 − F (t))]] (1 − F (t))
1 − 1 − F (t) 1 − (1 − F (t))2 (1 − F (t))
=
1 − 1 − F (t)(1 − 1 + 2F (t) − F (t)2 ) (1 − F (t))
=
1 − 1 − 2F (t)2 + F (t)3 (1 − F (t))
=
= 1 − (1 − F (t) − 2F (t)2 + 2F (t)3 + F (t)3 − F (t)4 )
= F (t) + 2F (t)2 − 3F (t)3 + F (t)4
y ( )
β−1 β
β t t
f (t) = exp −
α α α
MAT042 HSR 87
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
∴ c=β
b) Por definición:
Z ∞
E(Z) = zfZ (z) dz
−∞
Z β
βαβ
= zβ+1
dz
α z
Z ∞ β
βα
= dz
α zβ
∞
β 1
= α β −
(β − 1) z β−1 α
β 1
= 0−α β −
(β − 1) αβ−1
αβ
=
β−1
αβ
∴ E(Z) =
β−1
MAT042 HSR 88
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
c) Ocuparemos la definición de cambio de variable:
FX (x) = P (X ≤ x)
= P (ln Z ≤ x)
= P (Z ≤ ex )
= FZ (ex )
MAT042 HSR 89
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
10. Ayudantı́a 10
10.1. Vectores aleatorios Discretos
1. En un experimento se necesitan dos Scanners. De los cinco disponibles, dos tienen
desperfectos electrónicos, otro tiene un defecto de memoria y dos se hallan en buenas
condiciones de operación. Si se seleccionan dos unidades al azar, determinar:
a) La función de cuantı́a conjunta de las variables aleatorias X e Y , en donde:
• X: Número de unidades con defectos electrónicos.
• Y : Número de unidades con defecto de memoria.
b) Determine la probabilidad de que entre las dos unidades seleccionadas, se produz-
can 0 ó 1 defectos en total.
c) Determine la esperanza y la varianza condicional de X dado Y = 0.
d ) ¿Son X e Y variables aleatorias independientes? ¡Justifique!.
Desarrollo:
a) Sea:
• X: Número de unidades con defectos electrónicos; x = 0, 1, 2.
• Y : Número de unidades con un defecto en la memoria; y = 0, 1.
Se pide calcular:
2 1 2
x y 2−x−y
∴ fXY (x, y) = ; x+y ≤2
5
2
Y 0 1
X
1 2 3
0
10 10 10
4 2 3
1
10 10 5
1 1
2 0
10 5
3 2
1
5 5
MAT042 HSR 90
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1 4 2 7
b) Se pide calcular: fXY (0, 0) + fXY (1, 0) + fXY (0, 1) = + + =
10 10 10 10
7
∴ P(0, 1 ó 2 defectos) =
10
c)
2
X
E (X | Y = 0) = xfX|Y =0 (x, y)
x=0
2
X fXY (x,0)
= x
x=0
fY (0)
1 4 1
10 10 10
= 0· 3 +1· 3 +2· 3
5 5 5
2 1
= 0+ +
3 3
∴ E (X | Y = 0) = 1
2
X
E X2 | Y = 0 = x2 fX|Y =0 (x, y)
x=0
2
X fXY (x,0)
= x2
x=0
fY (0)
1 4 1
= 02 · 10
3 + 12 · 10
3 + 22 · 10
3
5 5 5
2 2
= 0+ +
3 3
4
=
3
finalmente la varianza será:
V(X | Y = 0) = E X 2 | Y = 0 − [E (X | Y = 0)]2
4
= − (1)2
3
1
∴ V (X | Y = 0) =
3
MAT042 HSR 91
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
R = (x, y) ∈ R2 : 0 ≤ 2x ≤ y , y ≤ 3x ≤ 6
Desarrollo:
Para tener una mejor visión de los lı́mites de integración, primero, gráficamos R.
MAT042 HSR 92
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
ZZ
a) Para encontrar k, se debe cumplir que fXY (x, y) dR = 1
R
Z ∞ Z ∞
kxy IR (x, y) dy dx = 1
−∞ −∞
Z 2 Z 3x
kxy dy dx = 1
0 2x
Z 2 2 3x
y
k x dx = 1
0 2 2x
Z 2
x
9x2 − 4x2 dx
k = 1
0 2
Z 2
5 3
k x dx = 1
0 2
2
5 4
k x = 1
8
0
5 · 16
k = 1
8
10k = 1
1
∴ k=
10
b) Función densidad marginal de X:
Z Z 3x
1
fXY (x, y) dy = xy dy
Rec(y) 2x 10
y=3x
1 y 2
= x
10 2 y=2x
1
x 9x2 − 4x2
=
20
1 3
= x
4
1
∴ fX (x) = x3 I[0,2] (x)
4
MAT042 HSR 93
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1 2 4
Z
= x dx
4 0
2
1 x5
=
4 5 0
1
= (2)5
20
∴ E(X) = 1, 6
Z
E(Y ) = yfY (y) dy, donde fY (y) es la función densidad marginal de Y .
Rec(y)
Z Z 4 Z 6
1 3 1
y 36 − y 2 dy
yfY (y) dy = y y dy + y
Rec(y) 0 144 4 180
Z 4 Z 6
1 4 1
36y 2 − y 4 dy
= y dy +
144 0 180 4
5 4 6
y 5
1 y 1 3
= + 12y −
144 5 0 180 5 4
65 45
1024 3 3
= + 12(6) − − 12(4) −
720 5 5
= 1, 422 + 2, 631
MAT042 HSR 94
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
∴ E(Y ) = 4, 05
d ) Se pide V (X | Y = 1), por lo que primero calcularemos fX|Y =1 (x).
fXY (x, y = 1)
fX|Y =1 =
fY (y = 1)
1
x · (1)
= 10
1 1
· (1)3 + · (1) 36 − (1)2
144 180
x
=
5 + 4 · 35
10
720
x
=
145
10
720
x
=
1450
720
72
= x
145
72
∴ fX|Y =1 (x) = x I[0,2] (x)
145
Ahora calculamos E(X | Y = 1) y E(X 2 | Y = 1)
Z 2
72
E(X | Y = 1) = x x dx
0 145
2
72 x3
=
145 3 0
576
=
435
E(X | Y = 1) = 1, 324
Z 2
2 72
E(X | Y = 1) = x2 x dx
0 145
2
72 x4
=
145 4 0
1152
=
580
E(X 2 | Y = 1) = 1, 986
MAT042 HSR 95
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
∴ V(X | Y = 1) = 0, 233
1
e) Se pide calcular P − y < x < 1 − y , para calcular los lı́mites de integración,
2
es más fácil graficar la región de la probabilidad pedida, es decir:
1 1
3x = − x =⇒ x =
2 8
1 1
2x = − x =⇒ x =
2 6
1
3x = 1 − x =⇒ x =
4
MAT042 HSR 96
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1
2x = 1 − x =⇒ x =
3
Luego:
Z 1 Z 3x Z 1 Z 3x Z 1 Z 1−x
1 6 xy 4 xy 3 xy
P −y <x<1−y = dy dx + dy dx + dy dx
2 1
8
1
2
−x 10 1
6
2x 10 1
4
2x 10
= 0, 000402
1
∴ P − y < x < 1 − y = 0, 0402 %
2
f ) Se define cov(X, Y ) = E(XY ) − E(X)E(Y ), por lo que sólo debemos calcular
E(XY ).
Z 2 Z 3x
1
E(XY ) = xy xy dy dx
0 10
Z 2x
2 Z 3x
1
= x2 y 2 dy dx
10 0 2x
Z 2 3 3x
1 y
= x2 dx
10 0 3 2x
Z 2 2
1 x
27x3 − 8x3 dx
=
10 0 3
19 2 5
Z
= x dx
30 0
2
19 x6
=
30 6 0
19
= · 64
180
E(XY ) = 6, 756
Finalmente la cov(X, Y ) está dada por:
∴ cov(X, Y ) = 0, 276
Por lo que se puede decir que las variables son dependientes (cov(X, Y ) 6= 0) y
existe un relación directamente proporcional entre ellas (cov(X, Y ) > 0).
MAT042 HSR 97
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
X: Ω −→ R2
ω −→ (X(ω), Y (ω))
• Distribución conjunta
∀A ⊂ R2 .
∂ 2 FXY
fXY (x, y) =
∂x∂y
MAT042 HSR 98
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
c) Distribuciones marginales:
X Z
i ) de X: F (X, Y ) ó fXY (x, y) dy
y∈Rec(y) |{z}
y∈Rec(y)
X Z
ii ) de Y : F (X, Y ) ó fXY (x, y) dx
x∈Rec(x) |{z}
x∈Rec(x)
d ) Funciones condicionales:
i ) de X dado Y
fXY (x, y)
fX|Y =
fY (y)
fXY (x, a)
fX|Y =a =
fY (a)
ii ) de Y dado X
fXY (x, y)
fY |X =
fX (x)
fXY (a, y)
fY |X=a =
fX (a)
e) Esperanza condicional:
Z ∞
fXY (x, a)
i ) E (X/Y = a) = x dx
−∞ fY (a)
Z ∞
fXY (a, y)
ii ) E (Y /X = a) = y dy
−∞ fX (a)
f ) Varianza condicional:
ii ) V (Y /X = a) = E (Y 2 /X = a) − (E (Y /X = a))2
Z ∞
2 fXY (a, y)
y2
E Y /X = a = dy
−∞ fX (a)
MAT042 HSR 99
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
g) Algunas propiedades:
11. Ayudantı́a 11
11.1. Vectores Aleatorios Continuos
1. La variable aleatoria bidimensional (X, Y ) tiene función densidad conjunta:
fXY (x, y) = kx2 (8 − y) 0 ≤ x ≤ 2 , x < y < 2x
se pide:
a) Funciones de densidad marginales de X e Y .
b) Funciones de densidad condicionales de X e Y .
Desarrollo:
a) Función densidad marginal de X:
Z 2x
fX (x) = kx2 (8 − y) dy
x
2 y=2x
(8 − y)
= −kx2
2
y=x
k
− x2 (8 − 2x)2 − (8 − x)2
=
2
k 2
− x 64 − 32x + x2 − 64 − 16x + x2
=
2
k 2
= − x − 32x + x2 −
64 + 16x − x2
64
2
k 2
= − x (−16x)
2
= 8kx3
∴ fX (x) = 8kx3 I[0,2] (x)
Función densidad marginal de Y :
"Z # "Z #
y 2
fY (y) = kx2 (8 − y) dx I[0,2] (y) + kx2 (8 − y) I[2,4] (y)
y y
2 2
" x=y # " x=2 #
x3 x3
= k (8 − y) I[0,2] (y) + k (8 − y) I[2,4] (y)
3 x= y 3 x= y
2
3
2
y3
k 3 y k
= (8 − y) y − I[0,2] (y) + (8 − y) 8 − I[2,4] (y)
3 8 3 8
7k k
(8 − y) y 3 I[0,2] (y) + (8 − y) 64 − y 3 I[2,4] (y)
=
24 24
7k k
(8 − y) y 3 I[0,2] (y) + (8 − y) 64 − y 3 I[2,4] (y)
∴ fY (y) =
24 24
b) Fución densidad condicional de X:
fXY (x, y)
fX|Y =y (x) =
fY (y)
kx2 (8 − y)
= 7k k
24
(8 − y) y 3 I[0,2] (y) + 24 (8 − y) (64 − y 3 ) I[2,4] (y)
(8 − y) I[0,4] (y)
∴ fY |X=x (y) =
8x I[0,2] (x)
a) Calcular k.
b) Hallar las funciones de densidad marginales de X, Y y Z.
c) ¿Son variables aleatorias independendintes?
Desarrollo:
a)
Z 1 Z 1 Z 1
k (xy + xz + yz) dx dy dz = 1
0 0 0
1 Z 1 2 x=1
x2
Z
x
k y + z + xyz dy dz = 1
0 0 2 2 x=0
Z 1 Z 1
1 1
k y + z + yz dy dz = 1
0 0 2 2
Z 1 2 y=1
y 1 y 2
k + yz + z dz = 1
0 4 2 2 y=0
Z 1
1 1 1
k + z + z dz = 1
0 4 2 2
1
z 2
1
k z+ = 1
4 2 0
3
k = 1
4
4
∴ k=
3
b) Densidad marginal de X:
Z 1 Z 1
4
fX (x) = (xy + xz + yz) dy dz
3 0 0
Z 1 2 y=1
4 y y 2
= x + xyz + z dz
3 0 2 2 y=0
4 1 x
Z
z
= + xz + dz
3 0 2 2
z=1
z 2 z 2
4 x
= z+x +
3 2 2 4 z=0
4 x x 1
= + +
3 2 2 4
4 4x + 1
=
3 4
4x + 1
∴ fX (x) = I[0,1] (x)
3
Densidad marginal de Y :
Z 1 Z 1
4
fY (y) = (xy + xz + yz) dx dz
3 0 0
x=1
4 1 x2 x2
Z
= y + z + xyz dz
3 0 2 2 x=0
4 1 y z
Z
= + + yz dz
3 0 2 2
z=1
z2 z 2
4 y
= z+ +y
3 2 4 2 z=0
4 4y + 1
=
3 4
4y + 1
∴ fY (y) = I[0,1] (y)
3
Densidad marginal de Z:
Z 1 Z 1
4
fZ (z) = (xy + xz + yz) dx dy
3 0 0
x=1
4 1 x2 x2
Z
= y + z + xyz dy
3 0 2 2 x=0
4 1 y z
Z
= + + yz dy
3 0 2 2
y=1
4 y2 z y 2
= + y+ z
3 4 2 2 y=0
4 1 z z
= + +
3 4 2 2
4 4z + 1
=
3 4
4z + 1
∴ fZ (z) = I[0,1] (z)
3
c) Las variables NO son independientes, pues:
4 4x + 1 4y + 1 4z + 1
(xy + xz + yz) 6= · ·
3 3 3 3
Desarrollo:
→
− X +Y
a) Sea el vector Z = (Z, W ), con Z = y definamos W = X. Por lo que
2
tenemos el siguiente sistema de ecuaciones:
X +Y
Z =
2
W = X
Es claro que X = W y reemplazando esto en la primera se tiene que Y = 2Z − W ,
es decir x (z, w) = w e y (z, w) = 2z − w, por otro lado es evidente que z ∈ R y
w ∈ R. Luego, debemos calcular J (z, w)
x (z, w) = w
x, y 0 1
= −2
J =
z, w 2 −1
y (z, w) = 2z − w
1 2
∴ fZ (z) = √ e−z IR2 (z)
π
→
−
b) Al igual que el punto anterior, definamos el vector Z = (Z, W ), con Z = X 2 + Y 2
y W = X. Por lo que tenemos el siguiente sistema de ecuaciones:
Z = X2 + Y 2
W = X
√
Nuevamente, es claro que X = W , y√al reemplazar en la primera Y = ± Z − W 2 ,
es decir x (z, w) = w e y (z, w) = ± z − w2 , además debemos encontrar el recor-
rido de Z y W . De la relación X = W ,√w ∈ R y por
√ otra parte se debe cumplir que
2
z − w ≥ 0 de donde se obtiene√que − z √ ≤ w ≤ z, por lo que al intersectar am-
bos recorridos tenemos que − z ≤ w ≤ z. Además de la relación Z = X 2 + Y 2
se tiene que z ∈ R+0 . Finalmente, debemos calcular J (z, w)
x (z, w) = w 0 1
x, y
= − √ 1
J = 1 −w
√
z, w 2√z − w2 √z − w2 2 z − w2
y (z, w) = z − w2
y
x (z, w) = w 0 1
x, y
= √ 1
J = −1 w
√ z, w 2√z − w2 √ 2 z − w2
y (z, w) = − z − w2 z − w2
√
Al multiplicar la función densidad conjunta
√ √ con el |det (J (z, w))| queda z − w2
en el denominador por lo que z ∈ ]− z, z[. Luego la función desidad conjunta
→
−
del vector Z es:
1 − 12 w2 +(√z−w2 )2
1
fZW (z, w) = e − √ I √ √ (z, w)
2π 2 z − w2 R×]− z, z[
1 − 1 w2 +(−√z−w2 )2 1
= + e 2 √ I √ √ (z, w)
2π 2 z − w2 R×]− z, z[
1 − 12 (w2 +z−w2 ) 1
= e √ I √ √ (z, w)
4π z − w2 R×]− z, z[
1 1 1
= + e− 2 (w +z−w ) √
2 2
I √ √ (z, w)
4π z − w2 R×]− z, z[
1 − 12 (w2 +z−w2 ) 1
= e √ I √ √ (z, w)
2π z − w2 R×]− z, z[
1 −z 1
∴ fZW (z, w) = e 2√ I √ √ (z, w)
2π z − w2 R×]− z, z[
1 z
∴ fZ (z) = e− 2 IR+0 (z)
2
1
Es decir la función densidad marginal de Z es exponencial de parametro λ = .
2
12. Ayudantı́a 12
12.1. Estimación Puntual
12.1.1. Método de los Momentos
Desarrollo:
Debemos igualar:
n
X xi
E (x) =
i=1
n
y
Z ∞
E (x) = xe−x+ψ dx
ψ
Z ∞
∞
−xe−x+ψ ψ e−x+ψ dx
= +
|ψ {z }
1
= −ψ + 1
n
X xi
Sea = X n igualando tenemos:
i=1
n
−ψ + 1 = X n
ψ = 1 − Xn
n
X xi
∴ ψb = 1 −
i=1
n
Desarrollo:
Finalmente calculamos la segunda derivada, para ver que tipo de estremo se tiene en
el punto encontrado anteriormente,
∂ 2L
n n
= − =⇒ − <0 ∀ n ∈ N, φb ∈ R
∂φ2 φ2 φ=φb
φb2
n
∴ φb = n
X
ln xi
i=1
a) Obtener el EMV de ψ.
b) ¿Es insesgado el estimador de ψ?
c) ¿Es Consistente en Error Cuadrático Medio?
d ) Calcule la cota de Crämer-Rao para ψ.
b
Desarrollo:
a) Función de verosimilitud
n
Y 3
fXi (x1 , x2 , . . . , xn ) = 3ψx2i e−ψxi IR+ (xi )
i=1
Función Log-Verosı́mil
n
Y 3
ln fXi (x1 , x2 , . . . , xn ) = ln 3ψx2i e−ψxi IR+ (xi )
i=1
n
X 3
= ln 3ψx2i e−ψxi IR+ (xi )
i=1
n
X
ln 3 + ln ψ + 2 ln xi − ψx3i + ln IR+ (xi )
=
i=1
n
X n
X n
X n
X n
X
= ln 3 + ln ψ + 2 ln xi − ψ x3i + ln IR+ (xi )
i=1 i=1 i=1 i=1 i=1
n
X n
X n
X
= n ln 3 + n ln ψ + 2 ln xi − ψ x3i + ln IR+ (xi )
i=1 i=1 i=1
Aparte
Z ∞
3
3
x3 3ψx2 e−ψx dx
E x =
0
∞ Z ∞
3 −ψx3 3
= −x e + 3x2 e−ψx dx
0 0
Z ∞
1 3
= 3ψx2 e−ψx dx
ψ 0
| {z }
1
1
=
ψ
Reemplazando,
n n
n = n
X X 1
E x3i
i=1 i=1
ψ
n
= n
ψ
= ψ
∴ E ψb = ψ
Aparte,
Z ∞
3
6
x6 3ψx2 e−ψx dx
E x =
0
∞ Z ∞
6 −ψx3 3
= −x e + 6x5 e−ψx dx
0 0
Z ∞
2 3
= x3 3ψx2 e−ψx dx
ψ 0
| {z }
E(x3 )
2 1
= ·
ψ ψ
2
=
ψ2
Reemplazando,
n2 n2
n = n 2 !
X
6
3 2
X 2 1
E xi − E xi −
i=1 i=1
ψ2 ψ
n2
= n
X 1
i=1
ψ2
n2 2
= ψ
n
V ψb = nψ 2
finalmente se tiene,
lı́m nψ 2 = ∞ =
6 0
n→∞
luego calculamos:
∂ 2L
2
n ∂ L n
e = E − 2 =⇒ E =− 2
∂ψ 2 ψ ∂ψ 2 ψ
Reemplazando tenemos,
1
V (ψ) ≥
n
− − 2
ψ
ψ2
∴ V (ψ) ≥
n
Es la cota de Crämer-Rao para ψ.
13. Ayudantı́a 13
Desarrollo:
∴ ICµ = 14, 66; 17, 33
S
b) El error viene dado por tn−1;1− α2 √ .
n
α
1 − α = 0, 95 =⇒ α = 0, 05 =⇒ 1 − = 0, 975
2
.
S Sn
tn−1;1− α2 √ = t63;0,975 √
n n−1
6
= 1, 998 √
63
∴ Error = 1, 51
c) Intervalo de confianza del 94 % para σ 2 con µ desconocido.
α
1 − α = 0, 94 =⇒ α = 0, 06 =⇒ 1 − = 0, 97
2
" #
(n − 1) S 2 (n − 1) S 2
ICσ2 = ; χ2 : distribución Ji-cuadrado
χ2n−1;1− α χ2n−1; α
2 2
2 2
Sn n Sn n
(n−1) (n−1)
(n−1)
(n−1)
=
χ2
;
n−1;1− α χ2n−1; α
2 2
" #
Sn2 · n Sn2 · n
= ;
χ2n−1;1− α χ2n−1; α
2
2
36 · 64 36 · 64
= ;
χ263;0,97 χ263;0,03
2304 2304
= ;
85, 74 43, 64
∴ ICσ2 = 26, 87; 52, 79
S Sn
d ) Error= tn−1;1− α2 √ = t63;1−0,975 √ , como este debe ser a lo más 0, 5, tenemos:
n n−1
Sn
0, 5 ≥ t63;1−0,975 √
n−1
6
0, 5 ≥ 1, 998 · √
n−1
1
0, 5 ≥ 11, 988 · √
n−1
√ 11, 998
n−1 ≥
0, 5
√
n−1 ≥ 23, 976
n−1 ≥ (23, 976)2
n ≥ (23, 976)2 + 1
n ≥ 575, 8
∴ n ≥ 576
σ
b) Error= Z1− α2 √
n
σ
0, 95 = Z1− α2 √
n
5
0, 95 = 1, 96 · √
n
√ 1, 96
n = 5·
0, 95
2
1, 96
n = 5·
0, 95
∴ n = 107
3. Una encuesta de 100 votantes para conocer las opiniones respecto a dos candidatos,
muestra que 55 apoyan a A y 45 a B. Calcular un intervalo de confianza para la
proporción de votos de cada candidato, considerando un nivel de confianza del 95 %.
Desarrollo:
Intervalo para A,
" p #
pbA (1 − pbA )
ICpA = pbA ± Z0,975 √
n
√
0, 55 · 0, 45
= 0, 55 ± 1, 96 · √
100
0, 497
= 0, 55 ± 1, 96 ·
10
Intervalo para B,
" p #
pbB (1 − pbB )
ICpB = pbB ± Z0,975 √
n
√
0, 45 · 0, 55
= 0, 45 ± 1, 96 · √
100
0, 497
= 0, 45 ± 1, 96 ·
10
n
X x2i
ψb =
i=1
2n
y considere
∂ 2L n
2
=− 2
∂ψ ψ
Desarrollo:
α
y 1− = 0, 975, luego
2
" #
1
ICψM V = ψbM V ± Z1− α2 p
nI1 (ψ)
1
= ψbM V ± Z0,975 q
n ψn2
" r #
ψ2
= ψbM V ± 1, 96 ·
n2
ψ
= ψM V ± 1, 96 ·
b
n
Desarrollo:
X − µ0
Z0 = σ
√
n
y su valor es:
2, 49 − 2, 33
Z0 = =⇒ Z0 = 0, 277
2
√
6
iii ) Planteamiento de nuestra hipótesis nula y alternativa:
H0 : µ = µ0
HA : µ 6= µ0
H0 : µ = µ0 HA : µ 6= µ0 Z0 ≥ Z1− α2 ó Z0 ≤ −Z1− α2
Z1− α2 = Z0,975 = 1, 96
v ) Luego,
Z0 ≥ Z1− α2 ó Z0 ≤ −Z1− α2
Desarrollo:
(n − 1) S 2
Q0 =
σ02
2 Sn2 · n
S =
n−1
Por lo que el estadı́stico de prueba queda:
n · Sn2
Q0 =
σ02
H0 : σ 2 < σ02
HA : σ 2 ≥ σ02
n · Sn2
Q0 = = 30
σ02
Luego,
Q0 ≥ χ2n−1;1− α ó Q0 ≤ χ2n−1; α
2 2
30 ≥ 5, 63 ó 30 26, 1
Por lo que se rechaza H0 : σ 2 = σ02 . Ahora,
Q0 ≤ χ2n−1;α
30 23, 7
Con lo anterior se tiene evidencia sufiente para decir que no se rechaza la hipótesis de
que la varianza es menor a la varianza histórica.
14. Ayudantı́a 14
Calcular:
Desarrollo:
1
Z
2
Z 1 Z 1 Z 1
P (X1 < 1/2, X4 > 1/3) = 16x1 x2 x3 x4 dx4 dx3 dx2 dx1
1
0 0 0 3
1 x =1
1 2
x24 4
Z Z Z
2
= 16 x1 x2 x3 dx3 dx2 dx1
0 0 0 2 x4 = 1
3
Z 1 Z 1Z 2
2 1
= 8 x1 x2 x3 1 − dx3 dx2 dx1
0 0 0 9
Z 1Z Z
64 2 1 2
= x1 x2 x3 dx3 dx2 dx1
9 0 0 0
Z 1Z x =1
64 2 1 x23 3
= x1 x2 dx2 dx1
9 0 0 2 x3 =0
Z 1Z
32 2 1
= x1 x2 dx2 dx1
9 0 0
Z 1 x =1
32 2 x22 2
= x1 dx1
9 0 2 x2 =0
Z 1
16 2
= x1 dx1
9 0
x = 1
16 x21 1 2
=
9 2 x1 =0
8 1
=
9 4
2
∴ P (X1 < 1/2, X4 > 1/3) =
9
Otra forma es calcular la densidad marginal de (X1 , X4 ) y luego calcular lo pedido.
Es decir:
Z 1 Z 1
f (x1 , x4 ) = 16x1 x2 x3 x4 dx3 dx2
0 0
Z 1
= 8 16x1 x2 x4 dx2
0
= 4x1 x4
2
∴ P (X1 < 1/2, X4 > 1/3) =
9
b) La densidad marginal de X1 .
Desarrollo:
Z 1 Z 1 Z 1
fX1 (x1 ) = 16x1 x2 x3 x4 dx4 dx3 dx2
0 0 0
Z 1 Z 1
= 8 x1 x2 x3 dx3 dx2
0 0
Z 1
= 4 x1 x2 dx2
0
= 2x1
Desarrollo:
Z 1
f (x2 , x3 , x4 ) = 16x1 x2 x3 x4 dx1
0
= 8x2 x3 x4
se pide:
a) Calcular la constante k.
Desarrollo:
Z ∞ Z ∞
kxye−(x+y) dx dy = 1
Z0 ∞ Z0 ∞
k xe−x ye−y dx dy = 1
0 0
Z ∞ Z ∞
x ∞
−y
e−x dx
k ye − x + dy = 1
0 | e{z 0} | 0 {z }
0
Z1 ∞
k ye−y dy = 1
0
Z ∞
y ∞
e−y dy
k − y +
= 1
| e{z 0} | 0 {z }
0 1
∴ k=1
b) Hallar las funciones marginales de X e Y .
Desarrollo:
Por simetrı́a
∴ fY (y) = ye−y IR+0 (y)
c) ¿Son independientes X e Y ?
Desarrollo:
xye−(x+y) I{R+ ,R+ } (x, y) = xe−x IR+0 (x) ye−y IR+0 (y)
0 0
P (X = i, Y = j) = k (i + j) i = 1, 2, . . . , n , j = 1, 2, . . . , q
Calcular:
a) La constante k.
Desarrollo:
q
n X
X
k (i + j) = 1
i=1 j=1
n X q
X
k (i + j) = 1
i=1 j=1
n
" q #
X X
k (i + j) = 1
i=1 j=1
n
" q q
#
X X X
k i+ j = 1
i=1 j=1 j=1
n
X q (q + 1)
k qi + = 1
i=1
2
" n n
#
X X q (q + 1)
k qi + = 1
i=1 i=1
2
" n
#
X q (q + 1)
k q i+n = 1
i=1
2
n (n + 1) q (q + 1)
k q +n = 1
2 2
nq (n + 1) + nq (q + 1)
k = 1
2
nq (n + q + 2)
k = 1
2
2
∴ k=
nq (n + q + 2)
b) Las funciones de cuantı́a marginales.
Desarrollo:
(2i + q + 1)
∴ P (X = i) = i = 1, 2, . . . , n
n (n + q + 2)
Función de cuantı́a marginal de Y = j:
n
X
P (Y = j) = k (i + j)
i=1
n n
!
X X
= k i+ j
i=1 i=1
n (n + 1)
= k + nj
2
k 2
= n + n + 2nj
2
(n2 + n + 2nj)
=
nq (n + q + 2)
n (n + 1 + 2j)
=
nq (n + q + 2)
(2j + n + 1)
∴ P (Y = j) = j = 1, 2, . . . , q
q (n + q + 2)
c) Las esperanzas marginales.
Desarrollo:
Esperanza marginal de X = i:
n
X (2i + q + 1)
E (X = i) = i
i=1
n (n + q + 2)
" n #
1 X
2
= 2i + qi + i
n (n + q + 2) i=1
" n n n
#
1 X
2
X X
= 2 i +q i+ i
n (n + q + 2) i=1 i=1 i=1
1 n (n + 1) (2n + 1) n (n + 1) n (n + 1)
= 2 +q +
n (n + q + 2) 6 2 2
1 2n (n + 1) (2n + 1) + 3qn (n + 1) + 3n (n + 1)
=
n (n + q + 2) 6
n (n + 1)
= (2 (2n + 1) + 3q + 3)
n (n + q + 2)
(n + 1) (2 (2n + 1) + 3q + 3)
=
(n + q + 2)
(n + 1) (3q + 4n + 5)
∴ E (X = i) =
(n + q + 2)
Esperanza marginal de Y = j:
q
X (2j + n + 1)
E (Y = j) = j
j=1
q (n + q + 2)
" q #
1 X
2j 2 + nj + j
=
q (n + q + 2) j=1
" q q q
#
1 X X X
= 2 j2 + n j+ j
q (n + q + 2) j=1 j=1 j=1
1 q (q + 1) (2q + 1) q (q + 1) q (q + 1)
= 2 +n +
q (n + q + 2) 6 2 2
1 2q (q + 1) (2q + 1) + 3nq (q + 1) + 3q (q + 1)
=
q (n + q + 2) 6
q (q + 1)
= (2 (2q + 1) + 3n + 3)
q (n + q + 2)
(q + 1) (2 (2q + 1) + 3n + 3)
=
(n + q + 2)
(q + 1) (3n + 4q + 5)
∴ E (Y = j) =
(n + q + 2)
Desarrollo:
donde
√
Z 1−x2
2
fX (x) = dy
0 π
√1−x2
2
= y
π 0
√
2
1 − x2 , −1 ≤ x ≤ 1
fX (x) = π
0 , en otro caso
Z √1−y2
2
fY (y) = √ dx
− 1−y 2π
√1−y2
2
= y
π √ − 1−y 2
2 p p
= 1 − y2 + 1 − y2
π
4
p
1 − y2 , 0 ≤ y ≤ 1
fY (y) = π
0 , en otro caso
Reemplazando tenemos:
2/π
fX|Y =y = 4
p
π
1 − y2
1
p p
p , − 1 − y 2 ≤ x ≤ 1 − y 2 , y ∈ (0, 1)
2 1 − y2
∴ fX|Y =y (x) =
0 , en otro caso
2/π
fY |X=x = 2
√
π
1 − x2
√
1
√ , 0≤y≤ 1 − x2 , x ∈ (−1, 1)
1 − x 2
∴ fY |X=x (y) =
0 , en otro caso
b) Por definción se tiene:
Z 1
4p
E(Y ) = y 1 − y 2 dy
0 π
1
4 1
2 3/2
= − (1 − y )
π 3
0
4
∴ E(Y ) =
3π
Por otra parte:
√
Z 1−x2
1
E(Y | X = x) = y√dy
0 1 − x2
√ 2
2 1−x
1 y
= √
1 − x 2 0
2
√
1 − x2
=
2
√
1 − x2
Luego, E(Y | X) = g(X) = es una variable aleatoria con valor esperado
2
Z 1√
1 − x2 2 √
E(g(X)) = 1 − x2 dx
−1 2 π
1 1
Z
1 − x2 dx
=
π −1
1
x3
1
= x−
π 3 −1
4
=
3π
4
∴ E(E[Y | X]) =
3π
Por lo tanto verifica que
E(Y ) = E(E[Y | X])
5. En ocasiones la f.d.p. de Pareto se utiliza como un modelo, sobre todo en reclamaciones
de seguros, donde pueden haber muchas peticiones de pago pequeñas y unas pocas
peticiones de pago enormes. Una de las formas que adopta la f.d.p. de Pareto es:
1 1
fY (y, θ) = (1 + y)−1− θ IR+ (y) con θ > 0
θ
Suponga una m.a.(n) de esta distribución. Determine un estimador de máxima verosimil-
itud para θ. ¿Es eficiente? ¿Es insesgado?
Desarrollo:
∂ 2 L
n
2
=− <0 ∀ n ∈ N , θb ∈ R
∂θ θ=θb
θb2
por lo que el estimador de Máxima verosimilitud para θ es:
n
X ln (1 + yi )
θb =
i=1
n
Aparte,
Z ∞
1 1
E (ln (1 + y)) = ln (1 + y) (1 + y)−1− θ dy
0 θ
∞ Z ∞ 1
− θ1 1
= − ln (1 + y) (1 + y) + (1 + y)− θ dy
0 0 (1 + y)
Z ∞
1
= (1 + y)−1− θ dy
0
− θ1 ∞
(1 + y)
=
− 1θ
0
0
1
1 1
>
>
= −θ 1 −
1
(1+ ∞) θ (1+ 0) θ
= θ
y
Z ∞
1 1
2
(1 + y)−1− θ dy
ln2 (1 + y)
E ln (1 + y) =
0 θ
∞ Z ∞ 1 2 ln (1 + y)
− θ1
2
= − ln (1 + y) (1 + y) + (1 + y)− θ dy
0 0 (1 + y)
Z ∞
1
= (1 + y)−1− θ 2 ln (1 + y) dy
0
Z ∞
1 1
= 2θ ln (1 + y) (1 + y)−1− θ dy
θ
|0 {z }
E(ln(1+y))
= 2θ · θ
= 2θ2
reemplazando se tiene,
n n
1 X 2
2 1 X 2 2
E ln (1 + yi ) − [E (ln (1 + yi ))] = 2θ − (θ)
n2 i=1 n2 i=1
n
1 X 2
= θ
n2 i=1
1 2
= nθ
n2
θ2
=
n
θ2
∴ V θb =
n
ahora calculamos,
n
!
∂ 2L
n 2 X
E = E − ln (1 + yi )
∂θ2 θ2 θ3 i=1
n
!
n 2 X
= E −E ln (1 + yi )
θ2 θ3 i=1
n
n 2 X
= 2− 3 E (ln (1 + yi ))
θ θ i=1
n
n 2 X
= − θ
θ2 θ3 i=1
n 2
= − nθ
θ2 θ3
n 2n
= 2−
θ θ2
n
= − 2
θ
luego,
1
V (θ) ≥ 2
∂ L
−E
∂θ2
1
≥ n
− − 2
θ
1
≥ n
θ2
θ2
∴ V θb ≥
n
es la cota de Crämer-Rao para θ y como la varianza es igual a ella, el estimador es
eficiente.
Para analizar insesgamiento, debemos demostrar que E θb = θ
n
!
X ln (1 + yi )
E θ = E
b
i=1
n
n
1X
= E (ln (1 + yi ))
n i=1
n
1X
= θ
n i=1
1
= nθ
n
= θ
∴ E θb = θ
15. Controles
15.1. Control 1
Problema 1
1. Demuestre que:
b) La varianza s2 satisface:
n
2 1X 2
s = x − x2
n i=1 i
Desarrollo:
a) Sea la función:
n
1X
f (a) = (xi − a)2
n i=1
Si minimizamos esta función para a
n
f (a) 1X
= 2(xi − a) · (−1) = 0
a n i=1
X X
(xi ) − a=0
X
xi = n · a
x=a
b) Desarrollamos el cuadrado
1X 1X 2
(xi − x)2 = (xi − 2xi x + x2 )
n n
1X 2 1 X 1X 2
= xi − 2x xi + x)
n n n
1X 2 1X 1
= xi − 2x xi + n · x2 )
n n n
1X 2
= xi − 2x x + x2 )
n
1X 2
= xi − 2x2 + x2 )
n
1X 2
= xi − x2
n
n
2 1X 2
∴ s = x − x2
n i=1 i
Problema 2
1. Se desarrolló un experiemento para estudiar las propiedades de fragilidad del hidrógeno con
base en mediciones de presión electrolı́tica de hidrógeno. Se controló la densidad de corriente
de carga catódica y se varió en cuatro niveles. Se observó la presión efectiva del hidrógeno
como la respuesta. Sean
Corrida X Y
1 1.65 86.1
2 1.65 92.1
3 1.65 64.7
4 1.65 74.7
5 1.65 223.6
6 4.48 202.1
7 4.48 132.9
8 4.48 413.5
9 12.2 231.5
10 12.2 466.7
11 12.2 365.3
12 12.2 493.7
13 33.1 382.3
14 33.1 447.2
15 33.1 563.8
d ) Determine cuál es el mejor modelo de regresión lineal utlizando el valor del coeficiente
de determinacion.
Desarrollo:
s2 = 29937.5
s = 173.02
Lo que nos indica que la variable tiene una alta dispersión respecto de la media.
R2 ≈ 0.70
Y = a0 + b0 log(X)
15.2. Control 2
Problema 1
Sea la función x
e− 2
f (x) = k √ I]0,∞[(x)
x
a) Calcular la constante k para que sea función densidad.
b) Encontrar la f.g.m. de f .
c) Encontrar c tal que P (0 < X < µ − cσ) = 0, 8. Siendo X con función densidad f .
Desarrollo:
Z ∞
a) Debe cumplir que fX (x) dx = 1
0
∞ x
e− 2
Z
k √ dx = 1
0 x
1
k = Z ∞ − x2
e
√ dx
0 x
Resolvenremos aparte la intengral:
Z ∞ −x Z ∞ 2
e 2 z
√ dx = 2 e− 2 dz (haciendo: z 2 = x −→ 2z dz = dx)
0 x
| 0 {z }
Aparte
Aparte, sea: 2
Z ∞ 2
Z ∞ 2
− z2 − z2
e dz = I =⇒ e dz = I2
0 0
2
Resolvamos I :
Z ∞ 2 Z ∞ Z ∞
2 2 2
− z2 − z2 − z2
e dz = e dz · e dz
0 0 0
Z ∞ Z ∞ 2
z2
− y2
= e− 2 dz · e dy
0 0
Z ∞ Z ∞ 2 2
− z2 − y2
= e e dz dy
Z0 ∞ Z0 ∞
z2 y2
= e− 2 − 2 dz dy
Z0 ∞ Z0 ∞
1
e− 2 (z ) dz dy
2 +y 2
=
0 0
= r sin2 θ + cos2 θ
= r
por lo que:
π
Z ∞ Z ∞ Z
2
Z ∞
2
− 21 (z 2 +y 2 ) 1
+(r sin θ)2 ]
e dz dy = e− 2 [(r cos θ) r dr dθ
0 0 0 0
π
Z
2
Z ∞
1 2
e− 2 [r (cos θ+sin θ)] r dr dθ
2 2
=
0 0
π
Z Z ∞
2 r2
= e− 2 r dr dθ
0 0
Z π r=∞
r2
2
= −e− 2 dθ
0
r=0
1
Z π
2 2
0 2
∞*
0
>
− −
= − e 2 −
e 2 dθ
0
Z π
2
= − (−1) dθ
0
Z π
2
= dθ
0
π
= θ|02
π
=
2
r
π2 π
∴ I = =⇒ I =
2 2
luego se tiene:
1
k = r
π
2
2
1
∴ k=√
2π
Aparte, sea: 2
Z ∞ Z ∞
−u2 ( 21 −t) −u2 ( 12 −t)
e du = I =⇒ e du = I 2
0 0
Resolvamos I 2 :
Z ∞ 2 Z ∞ Z ∞
−u2 ( 12 −t) −u2 ( 21 −t) −u2 ( 12 −t)
e du = e du · e du
0 0 0
Z ∞ Z ∞
−u2 ( 12 −t) −z 2 ( 21 −t)
= e du · e dz
0 0
Z ∞Z ∞
2 1 2 1
= e−u ( 2 −t) e−z ( 2 −t) du dz
Z0 ∞ Z0 ∞
2 1 2 1
= e−u ( 2 −t)−z ( 2 −t) du dz
Z0 ∞ Z0 ∞
1
e−(u +z )( 2 −t) du dz
2 2
=
0 0
y calculando:
∂z ∂z
z, y
∂r ∂θ
J =
r, θ ∂y ∂y
∂r ∂θ
cos θ −r sin θ
=
sin θ r cos θ
= r cos2 θ − −r sin2 θ
= r sin2 θ + cos2 θ
= r
por lo que:
π
Z ∞ Z ∞ Z
2
Z ∞
2
−(u2 +z 2 )( 21 −t) +(r sin θ)2 ]( 21 −t)
e du dz = e−[(r cos θ) r dr dθ
0 0 0 0
π
Z
2
Z ∞
1
e−[r (cos θ+sin θ)]( 2 −t) r dr dθ
2 2 2
=
0 0
π
Z
2
Z ∞
2 1
= e−r ( 2 −t) r dr dθ
0 0
Z π −r2 ( 1 −t) r=∞
2 −e 2
= 1
dθ
0 2 2 −t
r=0
:0
!
:1
Z π
1 2 1
( 2 −t) −
2 2 1
( 2 −t) dθ
e−∞ e−0
= − 1
2 2 −t 0
Z π
1 2
= − 1 (−1) dθ
2 2 −t 0
Z π
1 2
= dθ
2 21 − t 0
π
1 2
= θ
1
2 2 −t
0
π
=
2 (1 − 2t)
r
2 π π
∴I = =⇒ I = , es decir:
2 (1 − 2t) 2 (1 − 2t)
Z ∞ r
2 −u2 ( 21 −t) 2 π
√ e du = √
2π 0 2π 2 (1 − 2t)
c)
Problema 2
Sea X una variable aleatoria con función densidad:
3x2 − x3
f (x) = e θ I[0,∞[ (x) ; θ > 0
θ
X2
a) Se define Y = , encontrar la función densidad de Y .
θ
Desarrollo:
a)
FY (y) = P (Y ≤ y)
2
X
= P ≤y
θ
= P X 2 ≤ θy
p
= P | X |≤ θy
p p
= P − θy ≤ X ≤ θy
p : X ∈ [0, ∞[
p
= P X ≤ θy − P X ≤ − θy
p
= FX θy
derivando tenemos:
d 0
p
FY (y) = FX θy
dy
p θ
= fX ( θy) √
2 θy
√ 2
θy − (√θy)3 θ
= 3 e θ √
θ 2 θy
3 p −√θy3/2
= θye
2
3 p −√θy3/2
∴ fY (y) = θye I[0,∞[ (y)
2
15.3. Control 3
Problema 1
Dada la variable aleatoria bidimensional continua (X, Y ), con función densidad de probabilidad
conjunta
f (x, y) = k (cos (x) + cos (y)) I[0, π ]×[0, π ] (x, y)
2 2
determine:
a) k.
Desarrollo:
Z π Z π
2 2
k (cos (x) + cos (y)) dx dy = 1
0 0
Z π
2 x= π
k (sen (x) + cos (y) x)|x=02 dy = 1
0
Z π
2 π
k 1 + cos (y) dy = 1
0 2
π π2
k y + sen (y) = 1
2 0
π π
k + = 1
2 2
kπ = 1
1
∴ k=
π
Desarrollo:
Densidad marginal de X:
Z π
1 2
fX (x) = (cos (x) + cos (y)) dy
0 π
y= π
1 2
= (y cos (x) + sen (y))
π y=0
1 π
= cos (x) + 1
π 2
1 π
∴ fX (x) = cos (x) + 1 I[0, π ] (x)
π 2 2
Por simetrı́a
1 π
∴ fY (y) = cos (y) + 1 I[0, π ] (y)
π 2 2
c) ¿Son independientes X e Y ?
Desarrollo:
d ) Calcule E (X) y E (Y ).
Desarrollo:
π 2 + 2π − 4
∴ E (X) =
8
Por simetrı́a
π 2 + 2π − 4
∴ E (Y ) =
8
Desarrollo:
f (x, y)
fX|Y =y (x) =
fY (y)
1
(cos (x) + cos (y))
= π1 π
π 2
cos (y) + 1
f (x, y)
fY |X=x (y) =
fX (x)
1
(cos (x) + cos (y))
= π1 π
π 2
cos (x) + 1
16. Certamenes
16.1. Certamen 1
Problema 1
1. Un banco revisa su polı́tica de tarjetas de crédito, con el objetivo de cancelar algunas de ellas.
En el pasado, el 5 % de los clientes con tarjeta ha pasado a ser moroso, esto es ha dejado de
pagar sin que el banco pudiera recuperar la deuda. Además, el banco ha comprobado que
la probabilidad de que un cliente normal se atrase en un pago es de 0,2. Naturalmente, la
probabilidad de que un cliente moroso se atrase en un pago es 1.
b) Elegido un cliente al azar, ¿qué probabilidad hay de que el cliente se atrase en un pago
mensual?
Desarrollo:
M : Clientes Morosos.
M { : Clientes no Morosos.
A: Clientes atrasado en un pago.
P (M ) = 0, 05 , P M { = 0, 95 , P (A | M ) = 1 , P A | M { = 0, 2
b) Se pide,
P (A) = P (A | M ) · P (M ) + P A | M { · P M { = 1 · 0, 05 + 0, 2 · 0, 95 = 0, 24
c)
P (A | M ) · P (M ) 1 · 0, 05
P (M | A) = = = 0, 2083
P (A) 0, 24
d ) Para cancelar la lı́nea de crédito se debe cumplir que P (M | A) > 0, 25, dado que se
tiene que: 0, 2083 > 0, 25, entonces no exı́ste posibilidad de cerrarla.
Problema 2
a) Los directivos de la agencia de viajes de Barcelona Cabarna S.A. quieren plantear una
estrategia de expansión hacia el resto de comarcas, por lo que se plantea si fusionarse
con la empresa Sol S.A., compran la empresa de la competencia o bien ampliar sus
instalaciones. La decisión se tomará en función de la evolución futura de las ventas. El
departamento comercial prevé que las ventas pueden ser altas, medias o bajas, con una
probabilidad del 25 %, 45 % y 30 % respectivamente. Por otra parte, las ganancias de
acuerdo con la estrategia seleccionada con las siguientes:
Desarrollo:
Desarrollo:
P ((A ∪ C) ∩ B)
P ((A ∪ C) | B) =
P (B)
P ((A ∩ B )∪ (C ∩ B))
=
P (B)
P (A ∩ B) P (C ∩ B)
= +
P (B) P (B)
= P (A | B) + P (C | B)
t 1 13 23 33 53 63
y 5,746 157,496 227,412 229,935 235,000 235,000
Desarrollo:
230
y= depejando en términos de y
1 + α · e−β·t
230 − y
α · e−β·t = aplicando logaritmo natural para linealizar
y
230 − y
ln (α) − β · t = ln que es una representación lineal
y
1 5, 746 3, 664
13 157, 496 0, 776
23 227, 412 4, 476
33 229, 935 8, 171
53 235, 000 −3, 850
63 235, 000 −3, 850
Se obtiene:
Estadı́sticas de prueba
Coeficiente de correlación múltiple 0, 602143
Coeficiente de determinación R2 0, 362576
R2 ajustado 0, 203221
Error tı́pico 3, 563255
Observaciones 6
Coeficientes
Intercepción 0, 238998
Variable X1 −0, 101574
β = −0, 101574,
ln (α) = 0, 238998,
α = 1, 269976
230
y=
1 + 1, 269976 · e−0,101574·t
Problema 3
2. Un estudio para determinar la factibilidad de un nuevo proyecto inmobiliario considera el
análisis de 2440 propiedades distribuidas en los 8 barrios cercanos a la futura instalación del
proyecto, registrándose las siguientes variables:
- Precio de venta
b) ¿Cuál de los gráficos que le siguen corresponde al gráfico de esta variable? Justifique.
Desarrollo:
a) La media (x = 74738) está por sobre la mediana (Me=64000), lo que quiere decir
que existen algunos precios de venta muy altos, lo indica que la variablidad sea alta
(s=49260).
El valor del coeficiente de asimetrı́a mayor a 1 (a3 =2.11) nos indica que la gráfica de
esta función tiene asimetrı́a hacia la derecha y, por el valor de la curtosis (a4 =7.64) que
hay una alta concentración de precios relativamente bajos.
El 50 % central de los datos se concentra entre P25 = 44525 y P75 = 89900 lo que
corrobora ls presencia de una cantidad de precios de venta muy altos.
b) Dada la información anterior, sólo son opciones los gráficos 1 y 4, ya que son los que
presentan una mayor concentración de datos hacia la izquierda.
Observando las frecuencias del gráfico 1, en el valor 25000 hay alrededor de 2200 datos,
por lo que dificilmente la mediana podrı́a ser 64000, mientras que en el gráfico 4, hay
alrededor de 1900 precios de venta menores a 100000.
c) En el caso de precio de venta y tasación de las mejores, observamos que hay dos grupos
de datos: un grupo que asemeja una recta y otro más bien disperso por sobre el anterior,
lo que se confirma con el valor de la correlación de 0.447, considerada como baja.
En el caso de precio de venta y tasación del terreno, la relación lineal es mucho más
clara , existiendo datos alejados del patrón común, pero muchos menos que en caso
anterior. Además, la correlación es 0.793, lo que justifica un ajuste lineal.
e) El valor del coeficiente de determinación para este modelo es R2 = 0.629, lo que nos
indica que el precio del terreno explica en un 63 % la variabilidad del precio de venta.
16.2. Certamen 2
Problema 1
Cierta aleación se forma con la mezcla fundida de dos metales. La aleación que resulta contiene
cierto porcentaje de plomo X, que puede considerarse como una variable aleatoria. Suponiendo
que X tiene la siguiente función de densidad de probabilidad:
a) Determinar el valor de k.
Desarrollo:
Z 100
k · x · (100 − x) dx = 1
0
Z 100
100x − x2 dx
k = 1
0
100
x3
2
k 50x − = 1
3 0
1000000
k 500000 − = 1
3
1500000 − 1000000
k = 1
3
500000
k = 1
3
3
∴ k=
500000
b) Si el beneficio neto G obtenido al vender esta aleación, es una función del porcentaje de
plomo X y es dada por:
100
G(X) =
X +1
Desarrollo:
Sea G(X) = Y
FY (y) = P (Y ≤ y)
100
= P ≤y
X +1
100
= P ≤X +1
y
100
= P −1≤X
y
100
= 1−P X ≤ −1
y
100
= 1 − FX −1
y
100 − y
= 1 − FX
y
Derivando tenemos:
dFY (y) 100 − y −100
= −fX
dy y y2
3 100 100 − y 100 − y
= · · · 100 −
500000 y 2 y y
3 (100 − y) (101y − 100)
∴ FY (y) = I[ 100 ,100] (y)
5000 y4 101
Desarrollo:
Se debe calcular (Y )
Z 100
3 (100 − y) (101y − 100)
(Y ) = y· dy
100
101
5000 y4
Z 100
3 (100 − y) (101y − 100)
= dy
5000 100101
y3
Z 100
10200y − 10000 − 101y 2
3
= dy
5000 100101
y3
Z 100
3 10200 10000 101
= − − dy
5000 100101
y2 y3 y
100
3 10200 5000
= − + 2 − 101 ln (y)
5000 y y 100
101
" !#
3 10200 5000 10200 5000 100
= − + − 101 ln (100) − − 100 + − 101 ln
5000 100 1002 100 2 101
101 101
3
= [−566, 622 − (−5250, 995)]
5000
3
= (4684, 372)
5000
∴ (Y ) = 2, 811
Problema 2
a) Sea X una v.a. con función densidad U [0, 1]. Se define la v.a. Y = −2 ln(X). Determinar su
f.g.m.
Desarrollo:
Sea ϕY (t) = eY t
E eY t = E e−2 ln(X)t
= E eln(X )
−2t
= E X −2t
Z 1
= x−2t dx
0
−2t+1 1
x 1
= Notar que sólo converge si − 2t + 1 > 0 =⇒ t <
−2t + 1 0 2
1
=
1 − 2t
1 1
∴ ϕY (t) = Con t <
1 − 2t 2
b) Si T1 , T2 , . . . , T8 son los tiempos entre solicitudes de trabajo que llegan a una cada una de
8 impresoras, y todas ellas siguen una distribución exponencial con tasa media de llegada
2.5 minutos. Calcule la probabilidad de que 5 de ellas no reciban solicitudes por al menos 1
minuto.
Desarrollo:
1
Sea Ti ∼ exp 2.5
∀i = {1, 2, . . . , 8}
Z ∞ i∞
2 −2x h
− 25 x
e 5 dx = −e
5
1 1
*0
" #
2 2
= − e−5 ·∞ − e− 5 ·1
2
= e− 5
∴ p = 0, 67
Por lo que finalmente debemos calcular:
8
P (Y = 5) = 0, 675 (1 − 0, 67)8−5
5
= 0, 27
Por lo tanto la probabilidad de que 5 de ellas no reciban solicitudes en al menos 1 minuto es
del 27 % .
c) Supongamos que una partı́cula es lanzada desde el origen del plano xy en lı́nea recta que
forma un ángulo con el eje x. Sea Y la segunda coordenada del punto cuando la partı́cula
choca con la recta x = 1. Mostrar que si el ángulo se distribuye uniformemente en el intervalo
[− π2 , π2 ] entonces:
−1
f (y) = π(1 + y 2 ) ,
−∞ < y < ∞
Desarrollo:
θ π π
FΘ (θ) = − <θ<
π 2 2
se tiene la relación Y = tan (Θ), con la que calcularemos la función densidad de Y .
FY (y) = P (Y ≤ y)
= P (tan (Θ) ≤ y)
= P (Θ ≤ arctan (y))
= FΘ (arctan (y))
arctan (y)
=
π
Derivando tenemos que:
dFY (y) 1 1
=
dy π 1 + y2
los limites de y se obtienen de la relación Y = tan (Θ), de la cuál se tiene que:
π π
si Θ = − −→ arctan (y) = − =⇒ y → −∞
2 2
π π
si Θ = −→ arctan (y) = =⇒ y → ∞
2 2
−1
∴ f (y) = π 1 + y 2
, −∞ < y < ∞
Problema 3
Sea la función
f (x) = k · e−|x| , −∞ < x < ∞
a) Determinar la constante k para que f sea función densidad.
Desarrollo:
Z ∞ Z ∞
−|x|
1= ke x=2 ke−x x
−∞ 0
1
∴ k=
2
Z ∞
1
ϕX (t) = ext e−|x| x
−∞ 2
1 ∞ xt −x
Z 0 Z
1 xt x
= e e x+ e e x
2 −∞ 2 0
1
=
1 − t2
1
∴ ϕX (t) = t 6= ±1
1 − t2
Además,
16.3. Certamen 3
Problema 1
Desarrollo:
1
Sea θ = µ
− 1, por lo que la función queda:
1 µ1 −1
f (x, µ) = x I]0,1[ (x), µ>0
µ
Luego, el estimador viene dado por:
n
Y 1 1
f (x1 , x2 , . . . , xn , µ) = (xi ) µ −1 I]0,1[ (xi )
i=1
µ
n
Y 1 1
ln f (xi , µ) = ln (xi ) µ −1 I]0,1[ (xi )
i=1
µ
n
X 1
= − ln µ + − 1 ln xi + ln I]0,1[ (xi )
i=1
µ
n n n n
X 1X X X
= − ln µ + ln xi − ln xi + ln I]0,1[ (xi )
i=1
µ i=1 i=1 i=1
n n n
1X X X
= −n ln µ + ln xi − ln xi + ln I]0,1[ (xi )
µ i=1 i=1 i=1
Luego,
n n
∂L n 1 X X ln xi
=− − 2 b=−
ln xi =⇒ µ
∂µ µ µ i=1 i=1
n
Ahora,
n
!
∂ 2L n 2 X
= + ln xi
∂µ2 µ2 µ3 i=1
µ=b
µ
n
n 2 X
= + 3 ln xi
b2 µ
µ b i=1
n
!
n −2n X ln xi
= 2
+ 3 −
µ
b µ
b i=1
n
n 2n
= 2
− 3µ b
µ
b µ
b
n 2n
= −
b2
µ b2
µ
n
= − 2
µ
b
Finalmente,
∂ 2 L
n
2
=− 2 <0 ∀n ∈ N, µ
b ∈ R
∂µ µ=bµ µ
b
n
X ln xi
b=−
∴ µ
i=1
n
Es el estimador de MV para µ.
b) Demostrar que µ
b es insesgado
Desarrollo:
Desarrollo:
Aparte,
n
!
∂ 2L
n 2 X
−E = −E + ln xi
∂µ2 µ2 µ3 i=1
n
n 2 X
= − 2− 3 E (ln xi )
µ µ i=1
n
n 2 X
= − − (−µ)
µ2 µ3 i=1
n 2
= − 2
− 3 (−nµ)
µ µ
n 2n
= − 2+ 2
µ µ
n
=
µ2
µ2
∴ V (µ) ≥
n
Ahora, calculamos la varianza del estimador,
n
!
X ln xi
µ) = V −
V (b
i=1
n
n
1 X
= V (ln xi )
n2 i=1
n
1 X 2
2
= E ln x i − (E (ln x i ))
n2 i=1
n
1 X 2
2
= E ln x i − (−µ)
n2 i=1
Aparte,
Z 1
1 1
2
(ln2 xi ) x µ −1 dx
E ln x =
0 µ
2 ln x 1 1
= (sea u = ln2 x −→ du = dx y dv = µ1 x µ −1 dx −→ v = x µ )
Z 1 x
1
1 2 ln x µ1
= x µ ln2 x − x dx
0 0 x
1 1
= notar que lı́m x µ ln2 x = 0 y lı́m x µ ln2 x = 0
x→0 x→1
Z 1
2 ln x µ1
= − x dx
0 x
Z 1
1 1
= −2µ ln x x µ −1 dx
0 µ
= −2µ (−µ)
= 2µ2
Reemplazando,
n n
1 X 2 1 X 2
2
2µ − (−µ)2
2
E ln xi − (−µ) = 2
n i=1 n i=1
n
1 X 2 2
= 2µ − µ
n2 i=1
n
1 X 2
= µ
n2 i=1
1
= nµ2
n2
µ2
=
n
µ2
∴ V (b
µ) =
n
y como la varianza del estimador es igual a la cota de Crämer-Rao, el estimador es eficiente.
Problema 2
1. Suponga que X e Y son variables aleatorias con función de cuantı́a p(x, y), demuestre que
Desarrollo:
X
E(E(X | Y = y)) = E (X | Y = y) P (Y = y)
y
" #
X X
= xP (X = x | Y = y) P (Y = y)
y x
XX
= xP (X = x | Y = y) P (Y = y)
y x
XX
= xP (Y = y | X = x) P (X = x)
y x
!
X X
= xP (X = x) P (Y = y | X = x)
x y
X
= xP (X = x)
x
= E (X)
2. Hay 20 personas donde 12 son hombres, 8 son mujeres. Se sacan 6 personas al azar. Si X,
número de mujeres, e Y , número de hombres
Desarrollo:
a) Determinar P (X | Y = 3)
Desarrollo:
P (X, Y = 3)
P (X | Y = 3) =
P (Y = 3)
8 12
x y
20
6
= 5
2 12
255 y
8
x
=
25
20
255 6
1 8
= 8
2 x
1 8
∴ P (X | Y = 3) = 8
2 x
b) Determinar marginales.
Desarrollo:
Marginal de X:
8 12
12
X x y
fX (x) =
y=1
20
6
8
12
x X 12
=
20 y
y=0
6
8
12
x X 12
= 1y 112−y
20 y
y=0
6 | {z }
Teorema del Binomio
8
x
= 212
20
6
8 14! · 6!
= 212
x 20!
29
8
∴ fX (x) = con x ∈ {0, 1, . . . , 8}
255 x
Marginal de Y :
8 12
8
X x y
fY (y) =
x=0
20
6
12
8
y X 8
=
20 x=0 x
6
12
8
y X 8
= 1x 18−x
20 x
x=0
6 | {z }
Teorema del Binomio
12
y
= 28
20
6
8 12 14! · 6!
= 2
y 20!
25
12
∴ fY (y) = con y ∈ {0, 1, . . . , 12}
255 y
c) ¿Son X e Y independientes?
Desarrollo:
Problema 3
Un estudio realizado a nivel mundial recolectó información demográfica y económica de 109 paı́ses.
Se resgistraron variables como tasas de natalidad, mortalidad y mortalidad infantil, producto
interno bruto, región económica, esperanza de vida masculina y femenina, % anual de aumento
poblacional, ingesta diaria de calorı́as, entre otras.
a) El estudio revela una fuerte relación entre la mortalidad infantil (calculada como el número de
muertes por cada mil nacidos vivos) y el porcentaje de personas alfabetizadas. Esta relación
es analizada a través del ajuste de un modelo lineal, para el cual verificaremos se cumplan
algunos supuestos. Sean e1 , e2 , . . . , en los residuos del modelo.
Para cada caso, identifique claramente las hipótesis, estadı́stico de prueba, regla de rechazo
y conclusión.
Desarrollo:
i) Realizamos una prueba de hipótesis para la media con varianza desconocida, siendo als
hipótesis
H0 : E(µ) = 0
6 0
H1 : E(µ) =
H0 : e ∼ N (0, σ 2 )
H1 : e N (0, σ 2 )
Y rechazamos H0 si valor − p < α. En este caso, el valor-p es 0.432, mucho mayor que
α = 5 %, por lo que no rechazamos la hipótesis nula y, en este caso, decimos que los
residuos tienen distribución normal con media 0 y varianza σ 2 .
Desarrollo:
Primero que todo hay que enunciar la hipótesis nula y alternativa para este problema. Estas
son:
Entonces, se rechaza H0 .
Por lo tanto, las variables están relacionadas con una significancia del 5 %.
c) Históricamente se ha planteado que las regiones más ricas (OCDE, Europa Oriental) deben
tener una esperanza de vida mayor. Sin embargo, los analistas plantean que este indicador
es significativamente menor en Europa Oriental. ¿Es posible respaldar esta hipótesis con
α = 5 %?
Desarrollo:
H0 : µO ≤ µE
H0 : µO > µE O: OCDE ; E: Europa Oriental
Como no se conoce la relación que existe entre las varianzas de E y O es necesario primero
que todo, hacer un test de hipótesis que compare las varianzas.
σ12
H0 : =1
σ22
σ2
H1 : 12 6= 1
σ2
S12
Se tiene que F0 = S22
= 1.063
H0 : µO ≤ µE
H0 : µO > µE
Se rechaza H0 si:
T0 > tn1 +n2 −2,1−α
80.1 − 76
T0 = q
q 1
Sp 21 + 14
20 · 1.1792 + 13 · 1.1092
Sp2 = =⇒ Sp = 1.15
33
80.1 − 76
∴ T0 = q =⇒ T0 = 10.48
q 1
1.15 21 + 14
Como 10.48 ≯ 1.69, por lo tanto, se rechaza H0 y podemos concluir que la esperanza de vida
femenina es menor en Europa Oriental, con una significancia del 5 %.