Recopilacion Ayudantias Mat042 PDF

Universidad Técnica Federico Santa Marı́a
Departamento de Matemática a
Campus Santiago
Recopilación de Ayudantı́as
Probabilidad y Estadı́stica
MAT042
Primer Semestre de 2010
a
a
Profesores : Francisca González
Enzo Hernández
Ayudante : Hugo Salazar Riquero

Índice
1. Ayudantı́a 1 4
1.1. Estadı́stica Descriptiva Univariada . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Estadı́stica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2. Ayudantı́a 2 11
2.1. Estadı́stica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Teorı́a de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Extras (Cadenas de Markov) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.1. Ejercicios Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.1. Variables Aleatorias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5.2. Extras (Convergencia) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.3. Anexos (Variables Aleatorias Discretas) . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.1. Variables Aleatorias Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.2. Anexos (Variables Aleatorias Continuas) . . . . . . . . . . . . . . . . . . . . . . . . 56
7.1. Distribución Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
7.2. Extras (Demostración VAD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8.1. Cambio de Variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2. Función Generadora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
10.Ayudantı́a 10 90
10.1. Vectores aleatorios Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
10.2. Vectores Aleatorios Continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
10.3. Extras, Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
11.1. Vectores Aleatorios Continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
11.2. Cambio de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
12.1. Estimación Puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
12.1.1. Método de los Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
12.1.2. Máxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
13.1. Intervalos de Confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
13.2. Test de Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
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
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.
a) ¿Cuántas mujeres cursaron el ramo?

b) Si las mujeres obtuvieron una desviación de 7, y de los hombres se sabe que
n
1X 2
x = 7225
n i=1 i
¿Qué grupo es mas homogéneo?
Desarrollo:
a) El promedio viene dado por:
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
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
a) Encuentre la altura media de los estudiantes, la moda y la mediana.

b) Calcule la varianza muestral, desviación estándar, rango intercuartı́lico, clase percentil
70 y coeficiente de variación.
Desarrollo:
a) Primero se debe construir una tabla de frecuencias:
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
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
Rango intercuartı́lico: RSQ = Q3 −Q

2
1
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
Campus Santiago
69,61−65,64
Luego RSQ = 2
= 1, 99
Rango percentil:
nq
100
− Ni−1
P90 − P10 ⇒ Pi = li + I
ni
P90 : Clase percentil 90, Fi ≥ 0, 9 ⇒ C4 : F4 = 0, 92
( 100·90
100
− 65)
=⇒ 68, 5 + · 3 = 71, 28
27
( 100·10 − 5)
=⇒ 62, 5 + 100 · 3 = 63, 33
18
Luego RP = 71, 28 − 63, 33 = 7, 95
( 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
Campus Santiago
1.2. Estadı́stica Descriptiva Bivariada

1. Se clasifica a los trabajadores de un mineral en 3 categorı́as, mayores de 35 años, entre 25 y 35
años y menores a 25 años, obteniéndose la siguiente información respecto a su productividad
en Kgs
Categorı́a N Trabajadores Productividad Media Desviación Estandar

20 − 25 200 40 7
25 − 35 260 60 5
35 − 40 300 70 4
a) Calcule la productividad media total.

b) Calcule la variabilidad de la producción.
c) ¿Qué porcentaje de la variabilidad total es explicada por la diferencia de edad entre los
estratos?
d ) ¿Qué grupo es más homogéneo? Justifique.
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
Vinter = Variabilidad entre los grupos

3
X 2
ni P i
2 i=1 2 200 · (40)2 + 260 · (60)2 + 300 · (70)2
Sinter = −X t = −58, 682 = 143, 49
Por lo tanto la variabilidad total viene dada por St2 = Sintra

2 2
+ Sinter
MAT042 HSR 8
Campus Santiago
=⇒ St2 = 27, 76 + 143, 49 = 171, 25
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
Por lo tanto el grupo mas homogéneo es el número tres.

2. A continuación se presentan los valores experimentales de la presión de cierta masa de gas y

los valores correspondientes al volumen.
Volumen [in3 ] 54, 3 61, 8 72, 4 88, 7 118, 6 194, 0

2
Presión [lb/in ] 61, 2 49, 5 37, 6 28, 4 19, 2 10, 1
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.
a) Encuentre dichos valores (β y C) para determinar la ecuación anterior.

b) Estime el volumen de la masa a una presión de 5 [lb/in2 ].
Desarrollo:
MAT042 HSR 9
Campus Santiago
a)
PV β = C / ln(·)
β
ln(P V ) = ln(C)
ln(|P |) + β ln(|V |) = ln(|C|)
Sean: ln(|P |) = Y , ln(|V |) = X, ln(|C|) = b, obteniendo como ecuación:

Y + βX = b
Por lo que se hace necesario construir una nueva tabla:
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
Finalmente se tiene que la ecuación pedida es:
P V 1,52 = 26635, 5
b) Basta con reemplazar el valor dado, es decir:
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
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
a) Calcular el promedio de cada variable.

b) Calcular Sn 2C y Sn 2E .
c) Calcule el coeficiente de correlacion muestral.
d ) Calcule las medias condicionales para C y E.
e) Calcule las varianzas condicionales para C y E.
f ) Analice independencia entre C y E.
Desarrollo:
Primero debemos ampliar la tabla a:

dj -2 -1 0 1 2
di M CE \MCC 15 20 25 30 35 ni·
-2 20 4 2 2 8
-1 30 2 6 3 1 12
0 40 2 5 4 3 14
1 50 2 3 6 11
2 60 2 2 1 5
n·j 6 12 15 13 4 50
MAT042 HSR 11
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
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
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
Las variables son independientes si y sólo si se cumple que:
fij = fi· · f·j
Para esto es necesario escoger un i y un j cualquiera y verificar si se cumple dicha

condición, por ejemplo tomemos i = 4 y j = 3
3
fij = f43 =
50
11
fi· = f4· =
50
15
f·j = f·3 =
50
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
Campus Santiago
2.2. Teorı́a de Probabilidades

1. Se sacan 3 bolitas de una caja, que contiene 20 verdes, 30 negras y 70 azules; si todas salen
de distinto color se procede a extraer una bolita de la caja 1, que contiene 40 rojas y 60
blancas; si salen 2 bolitas de color verde se procede a extraer una bolita de la caja 2, que
contiene 30 rojas y 70 blancas; en caso contrario se procede a extraer una bolita de la caja
3, que contiene 20 rojas y 80 blancas.
a) Determine la probabilidad que la bolita extraı́da sea roja.

b) Si la bolita extraı́da es blanca, ¿Cuál es la probabilidad de que hubiese sido sacada de
la caja 2?
Desarrollo:
a)
P(Roja) = P(R|C1 ) · P(C1 ) + P(R|C2 ) · P(C2 ) + P(R|C3 ) · P(C3 )

= 0, 4 · P(C1 ) + 0, 3 · P(C2 ) + 0, 2 · P(C3 )
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
Luego tenemos que:
= 0, 4 · 0, 149 + 0, 3 · 0, 068 + 0, 2 · 0, 783

=⇒ P(Roja) = 23, 66 %
MAT042 HSR 15
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:
a) Dos fichas sean rojas.

b) La primera y la quinta ficha sean rojas.
c) La quinta sea la primera ficha roja.
d ) La quinta sea la segunda ficha roja.
Desarrollo:
Sea: 30 + 0, 2 · X = X =⇒ X = 38 por lo que se tiene que las fichas blancas son 8.
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
Campus Santiago
2.3. Probabilidad Condicional

1. Sea Ω un espacio muestral y P(·) una medida de probabilidad. Sean A, B, C ⊆ Ω. Determine
si la siguiente proposición es verdadera o falsa:
Si P(A|C) ≥ P(B|C) y P(A|C { ) ≥ P(B|C { ) =⇒ P(A) ≥ P(B)
Si la proposición es verdadera, demuéstrela. Si es falsa, provea un contraejemplo. Contrae-

jemplos deben incluir: el espacio muestral Ω, los eventos A, B, C y la medida de probabilidad
P(·)
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:
P(A ∩ C) + P(A ∩ C { ) ≥ P(B ∩ C) + P(B ∩ C { )

=⇒ P(A) ≥ P(B)
Con lo anterior se completa la demostración.
2. Al contestar una pregunta en un examen de selección múltiple, un estudiante o sabe la

respuesta o la adivina. Sea p la probabilidad de que sepa la respuesta y 1 − p la probabilidad
de que adivine. Suponga que un estudiante que adivina la respuesta acierta con probabilidad
de m1 , donde m es el número de alternativas en la opción múltiple:
a) ¿Cuál es la probabilidad de que un estudiante haya sabido la respuesta a la pregunta

puesto que su respuesta fue correcta?
b) Si una pregunta consta de 5 alternativas y un estudiante sabe la respuesta tres veces más
a menudo que no. ¿Cuál es la probabilidad de que ese estudiante supiera la respuesta a
una pregunta que contesto correctamente?
MAT042 HSR 17
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
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.
a) ¿Cuál es la probabilidad de que ninguno esté con licencia?

b) ¿Cuál es la probabilidad de que uno este con licencia y el otro no este con licencia?
c) Si ambos están con licencia, ¿Cuál es la probabilidad de que sean de clase alta?
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
Campus Santiago
Sea P(Yi ) con i = {A, B, C}, probabilidad de obtener licenca médica en la clase i.
Luego:
0, 2 · P(YA ) + 0, 2 · P(YM ) + 0, 6 · P(YB ) = 0, 2
Pero sabemos que:
3P(YM ) = P(YA ) y P(YB ) = 2P(YM )
Reemplazando tenemos:
0, 2 · 3P(YM ) + 0, 2 · P(YM ) + 0, 6 · 2P(YM ) = 0, 2

∴ P(YM ) = 0, 1 =⇒ P(YA ) = 0, 3 ∧ P(YB ) = 0, 2
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:
P(A) · P(B) = P(A) · [1 − P(A)]

= P(A) − P(A)2
= 0, 8 − (0, 8)2
∴ P(A) · P(B) = 0, 16
Por lo tanto, la probabilidad de que uno este con licencia y el otro no es de un 16 %.

MAT042 HSR 20
Campus Santiago
c) Se nos pide calcular:
P(XA | YA )
con P(B)= Probabilidad de tener licencia
P(B)
Esto se puede calcular de dos formas:
P(XA | YA ) P(YA | XA ) · P(XA )

=
P(B) P (YA | XA ) · P(XA ) + P (YM | XM ) · P(XM ) + P (YB | XB ) · P(XB )
o bien:
P(XA | YA ) P(YA | XA ) · P(XA )

=
P(B) 1 − P(A)
con P(A) = Probabilidad de no estar con licencia.
Usando la segunda fórmula tenemos:
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:
P(A3 | A2 ∩ B1 ) · P(A2 | B1 ) · P(B1 )

P(B1 | A2 ∩ A3 ) =
P(B1 )
= P(A3 | A2 ∩ B1 ) · P(A2 | B1 )
1 1
= ·
2 4
∴ P(B1 | A2 ∩ A3 ) = 0, 125
MAT042 HSR 21
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.
a) Determinar la probabilidad de que ambos analistas evalúen el proyecto como rentable.

b) Si el proyecto evaluó rentable por ambos analistas, determinar la probabilidad de que
sea rentable.
Desarrollo:

a) La probabilidad pedida es: P ERAnalista 1 · P ERAnalista 2
Donde:
i) ERAnalista 1 : (A) = analista 1 evaluó el proyecto como rentable
ii) ERAnalista 2 : (B) = analista 2 evaluó el proyecto como rentable
Pi (·) = Probabilidades asociadas al analista i, con i = {1, 2}

h i
P(A) · P (B) = P1 (ER|R) · P1 (R) + P1 ER|R · P1 R{ {
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
Campus Santiago

ii) P R|ERAnalista 2 = Probabilidad de que el proyecto sea rentable dado que el
analista 2 evaluó el proyecto como rentable
Pi (·) = Probabilidades asociadas al analista i, con i = {1, 2}

P1 (ER|R) · P1 (R) P2 (ER|R) · P2 (R)
P(R|ER) = ·
P1 (ER) P2 (ER)

P1 (ER|R) · P1 (R) · P2 (ER|R) · P2 (R)
=
P1 (ER) · P2 (ER)
0, 9 · 0, 65 · 0, 85 · 0, 65
=
0, 3539
∴ P(R|ER) = 0, 9131
3.2. Extras (Cadenas de Markov)

1. Según el cuento en la Tierra de Oz nunca hay dos dı́as consecutivos con buen tiempo. Después
de un dı́a con buen tiempo, le sigue (con igual probabilidad) un dia con lluvia o nieve. Del
mismo modo, si nieva (o llueve), el dı́a siguiente nevará (o lloverá) con probabilidad 1/2,
pero si cambia el tiempo, sólo la mitad de las veces será un lindo dı́a.
a) Determine la matriz de probabilidades de transición en una etapa que modele la

situación descrita.
b) ¿Cuál es la probabilidad que si este martes hay buen tiempo vuelva a darse nuevamente
buen tiempo el viernes?
Desarrollo:
a) Matriz de Probabilidades. Sea:
B: Buen Clima.
LL: Lluvia.
N : Nieve.
B→B=0 N → N = 1/2 LL → LL = 1/2

B → LL = 1/2 N → B = 1/4 LL → B = 1/4
B → N = 1/2 N → LL = 1/4 LL → N = 1/4
MAT042 HSR 23
Campus Santiago
Por lo tanto la matriz queda:

 
0 1/2 1/2
P =  1/4 1/2 1/4 
1/4 1/4 1/2
b) Se tienen las siguientes posibilidades:
Martes Miercoles Jueves Viernes
LL → B
LL
% &
B N → B
& LL → B
&
N → B
La probabilidad pedida es:

1 1 1 1 1 1 1 1 1 1 1 1
= · · + · · + · · + · ·
2 2 4 2 4 4 2 4 4 2 2 4
3
=
16
Por lo tanto, la probabilidad de que si este martes hay buen tiempo, tambien lo haya
el viernes, es de 18,75 %.
MAT042 HSR 24
Campus Santiago
2. Actualmente existen tres marcas en el mercado A, B y C, cuyas participaciones actuales

son: 45 %, 35 % y 20 % respectivamente. Según estudios anteriores, se ha logrado determinar
que un individuo que consume la marca A se cambia a la marca B con una probabilidad del
12 % y a C con 8 % en un mes. A su vez un individuo que consume la marca B se cambia
a la marca A con probabilidad del 14 % y a la marca C con 12 % en un mes, finalmente
un individuo que consume la marca C solo estarı́a dispuesto a cambiarse con un 21 % a las
marca A en un mes.
a) Determinar la matriz de probabilidades.
b) Determinar como será la distribución al cabo de dos meses.
Desarrollo:
a) Primero debemos encontrar la matriz de probabilidades de transicion en una etapa, la

cuál está dada por:
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
Por lo tanto la matriz queda:
 
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:
f (n) = P T (n) f (0)

Donde:
(n)
PT : matriz traspuesta elevada a n.
(0)
f : matriz de distribucion inicial.
y sus matrices son:
MAT042 HSR 25
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
Por lo tanto la distribución al cabo de 2 meses será:
A = 45, 4 %
B = 28, 5 %
C = 26, 0 %
MAT042 HSR 26
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...
a) ... en la quinta prueba?
Desarrollo:
Sea A: Probabilidad de que en la quinta prueba se extraı́ga la cuarta ampolleta mala.

4 6
3 1 1
P (A) = ·
10 6
4
2
=
105
∴ P (A) = 0, 019
b) ... en la décima prueba?
Desarrollo:
Sea B: Probabilidad de que en la décima prueba se extraı́ga la cuarta ampolleta mala.

4 6
3 6 1
P (B) = ·
10 1
9
2
=
5
∴ P (B) = 0, 4
MAT042 HSR 27
Campus Santiago
2. Un estudiante lanza 10 monedas y contabiliza el número de caras en cada experiencia. Sus

resultados fueron:
0 1 2 3 4 5 6 7 8 9 10
30 45 79 100 120 126 120 100 79 45 30
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
Campus Santiago
3. Un aeroplano ha desaparecido y se piensa que existe la misma posibilidad de que haya

caı́do en una de tres regiones. Sea 1 − α la probabilidad de que al buscar el aeroplano sea
encontrado en la i−ésima región, puesto que el aeroplano realmente está en esa región, i =
1, 2, 3. (A las constantes αi se le llama probabilidades de supervisión porque ellas representan
las probabilidades de supervisión del aeroplano; generalemente se atribuyen a condiciones
geográficas y ambientales de la región.)
a) Cuál es la probabilidad que el aeroplano esté en la i−ésima región puesto que la

búsqueda en la región 1 no tuvo éxito?, i = 1, 2, 3.
Desarrollo:
Sean los eventos:
Ri : El aeroplano está en la i−ésima región, i = 1, 2, 3.

N1 : La búsqueda en la región 1 no tuvo éxito.
Sabemos que:

P N1{ | R1 = 1 − α1 ⇒ P (N1 | R1 ) = α1
P (N1 | R2 ) = 1
P (N1 | R3 ) = 1
Además P (R1 ) = P (R2 ) = P (R3 ) = 1/3
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 )
=
1 · 31
=
α1 · 13 + 1 · 31 + 1 · 13
1
∴ P (R2 | N1 ) =
α1 + 2
MAT042 HSR 29
Campus Santiago
P (N1 | R3 ) · P (R3 )
P (R3 | N1 ) =
P (N1 )
P (N1 | R3 ) · P (R3 )
=
1 · 31
=
α1 · 13 + 1 · 31 + 1 · 13
1
∴ P (R3 | N1 ) =
α1 + 2
b) Si αi = 0, 4, calcule la probabilidad que el aeroplano no esté en la región 1, puesto que

no se encontró en una búsqueda en esa región.
Desarrollo:
Se pide calcular P (R1 | N1 ), considerando α1 = 0, 4

0, 4 0, 4 1
P (R1 | N1 ) = = =
0, 4 + 2 2, 4 6
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.
a) ¿Cuál es la probabilidad de que haya un incremento en la cuota de membresı́a?
Desarrollo:
Definamos los eventos:
A: “el señor A es elegido como presidente”.

B: “el señor B es elegido como presidente”.
C: “el señor C es elegido como presidente”.
E: “el candidato electo incrementa la cuota”.
Para esto ultizamos probabilidades totales (equivalentemente, podemos definir un di-

agrama de árbol) ya que necesitamos P(E). Del enunciado tenemos que: P(A) = 0, 3,
P(B) = 0, 5, P(C) = 0, 2, P(E | A) = 0, 8, P(E | B) = 0, 1, P(E | C) = 0, 4
MAT042 HSR 30
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
b) Dado que la cuota se ha incrementado, ¿cuál es el candidato con mayor probabilidad

de haber sido electo presidente?
¿Tenı́a este candidato la mayor probabilidad de ser electo inicialmente? Comente.
Desarrollo:
Necesitamos utilizar el teorema de Bayes para calcular las probabilidades luego de
aumenta la cuota. Ası́,
P(E | A) · P(A)
P(A | E) =
P(E)
0, 8 · 0, 3
=
0, 37
= 0, 65
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
Campus Santiago
a) ¿Cuál es la probabilidad de descubrir petróleo?
Desarrollo:
Sean:
Fi : La formación geológica es del i−ésimo tipo. i = I, II, III.
D: Se descubre petróleo.
P (FI ) = 0, 35 , P (FII ) = 0, 4 , P (FIII ) = 0, 25

P (D | FI ) = 0, 4 , P (D | FII ) = 0, 2 , P (D | FIII ) = 0, 3
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
b) ¿Cuál es la probabilidad de descubrir petróleo y de que la formación geológica sea del

tipo I?
Desarrollo:
P (D ∩ FI ) = P (D | FI )·P (FI )
= 0, 4 · 0, 35
= 0, 14
c) Si la compañia no descubre petróleo en ese lugar, determine la probabilidad de que

exista una formación del tipo II.
Desarrollo:

P D{ | FII · P (FII )
P FII | D{ =
P D{
0, 8 · 0, 4
=
0, 705
= 0, 4539
MAT042 HSR 32
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
a) Determine C para que f (x) sea una distribución de probabilidad.
b) Obtenga:
B P (x < 1),
B P (−2 < x < 2) y
B P (x ≥ 2 | x > 0)
Desarrollo:
a) Para que sea una distribución de probabilidad se debe cumplir que:

X
f (x) = 1 y f (x) ≥ 0 ∀x ∈ Rec(x)
x∈Rec(x)
Por lo que debemos calcular:
1
0, 1C + 0, 2C + 0, 6C + 0, 5C + 0, 4C + 0, 2C = 1 =⇒ ∴ C = 2
b) B P (x < 1) = P (x = −2) + P (x = −1) + P (x = 0) = 0, 05 + 0, 1 + 0, 3 = 0, 45

B P (−2 < x < 2) = P (x = −1) + P (x = 0) + P (x = 1) = 0, 1 + 0, 3 + 0, 25 = 0, 65
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
Campus Santiago
2. El 90 % de los árboles plantados en una campaña de reforestación sobrevive. ¿Cuál es la

probabilidad de que sobrevivan 8 o más árboles de 10 árboles que acaban de ser plantados?
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:
X: Número de errores por pagina.

X ∼ P (λ) con λ = 1000
500
⇒λ=2
MAT042 HSR 34
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 %
5. El promedio de demandas en una compañı́a de seguros es de 3 demandas por dı́a.
a) Encontrar la probabilidad que en una semana se presenten a lo menos 5 dı́as, 2 o 3 o

4 demandas.
b) Determinar 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 demandas.
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
Campus Santiago
Y : Número de dı́as de la semana.

Y ∼ Bin (n, p) con n = 7 y p = 0, 6163.
7
X 7
P (Y ≥ 5) = 0, 6163y (1 − 0, 6163)7−y
y
y=5
= 0, 4554
∴ la probabilidad que en una semana se presenten a lo menos 5 dı́as, 2 o 3 o 4 demandas

45, 54 %
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
Campus Santiago
X: Cantidad de motores con falla.

X ∼ Hip(N, M, n), con
- N = 40 (total de motores).
- M = 3 (motores con falla).
- n = 8 (muestra de motores).
P (X = 0) : Probabilidad de que el lote sea aceptado.

3 40 − 3
x 8−x
P (X = x) =
40
8

3 37
0 8
P (X = 0) =
40
8
= 0, 5020
∴ la probabilidad de que el lote sea aceptado es 50, 20 %
7. Para evitar que lo descubran en la aduana, un viajero ha agregado 6 tabletas de narcóticos

a un frasco que contiene 9 tabletas de vitaminas que son muy similares en apariencia. Si el
oficial de aduana selecciones 3 tabletas al aleatoriamente para analizar:
a) ¿Cuál es la probabilidad de que todas las tabletas sean de narcóticos? y ¿Cuál es la

probabilidad de que el viajero sea arrestado por posesión ilegal de narcóticos?
b) Si el viajero realiza siempre el mismo procedimiento con 6 frascos de una caja de 25

frascos, y en inspección de aduanas se realiza, para verificación, en todas las cajas,
un muestreo de 4 frascos elegidos al azar, que se revisan completamente y luego se
devuelven a la caja. ¿Cuál es la probabilidad de que el viajero sea arrestado si este
pasa 25 cajas por la aduana?
Desarrollo:
a) Sea:
X: Cantidad de tabletas de narcóticos.

X ∼ Hip(N, M, n) con:
MAT042 HSR 37
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
∴ la probabilidad de que todas las tabletas sean de narcóticos es 4, 39 %
P (X ≥ 1): Probabilidad de que sea arrestado.

 
6 9
3
X  x 3−x 
P (X ≥ 1) =  

x=1
15 
3
= 0, 815
∴ la probabilidad de que el viajero sea arrestado es 81, 5 %
b) Sea:
X: Frascos de narcóticos por caja.

X ∼ Hip(N, M, n) con:
- N = 25 (total de frascos).
- M = 6 (tabletas de narcóticos).
- n = 4 (tamaño de la muestra).
MAT042 HSR 38
Campus Santiago
P (1 ≤ X ≤ 4): Probabilidad de que sea arrestado al pasar 25 cajas por la aduana.

 
6 19
3
X  x 4−x 
P (1 ≤ X ≤ 4) =  
x=1
 25 
4
= 1 − P (X = 0)
 
6 19
 0 4 
= 1− 
 25 
4
= 1 − 0, 3064
= 0, 6936
Sea:
Y : Cantidad de cajas con frascos de narcóticos.

Y ∼ Bin(n, p) con n = 25 y p = 0, 6936
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
Campus Santiago
5.2. Extras (Convergencia)

1. Sea Xn una variable aleatoria con distribución Bin (n, p). Haciendo p = nλ , demuestre que la
distribución del lı́mite cuando n −→ ∞ es P (λ), es decir:
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
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
Campus Santiago
5.3. Anexos (Variables Aleatorias Discretas)

Definición: Sea X una V.A.D. se le asigna una función FX , F : Rec (x) → R la cuál llamaremos
“función de cuantı́a de X” si y sólo si satisface:
i)
FX (x) ≥ 0 ∀x ∈ Rec(x)
ii) X
FX (x) = 1
x∈Rec(x)
Algunas funciones de cuantı́a importantes son:
B Bernoulli:
Se define la V.A. X : Ω → [0, 1] por:

1 ; ω∈A
X (ω) =
0 ; ω∈
/A
FX (x) = px (1 − p)1−x x ∈ {0, 1}
B Binomial:
Sean X1 , X2 , . . . , Xn V.A. del tipo Bernoulli es decir:

1 ; ω∈A
Xi (ω) = ∀ i = {1, 2, . . . , n}
0 ; ω∈ /A
Se asume que X1 , X2 , . . . , Xn generan eventos independientes entre ellos, luego la V.A.:

Y = X1 + X2 + . . . + Xn genera la función de cuantı́a Binomial definida por:

n
FY (y) = py (1 − p)n−y ; y ∈ {0, 1, 2, . . . , n}
y
Demostración de función de cuantı́a:
i) notar que FY (y) ≥ 0 ∀y ∈ {0, 1, 2, . . . , n}
ii) P.D. que: X

FY (y) = 1
y∈Rec(y)
MAT042 HSR 42
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
∴ la función FY (y) es función de cuantı́a.
B Poisson:
λx e−λ
FX (x) = ; x ∈ {0, 1, 2, . . . , n} y λ : representa un promedio
x!
Demostración de función de cuantı́a:
i) notar que FX (x) ≥ 0 ∀x ∈ {0, 1, 2, . . . , n}

ii) P.D. que: X
FX (x) = 1
x∈Rec(x)
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
Campus Santiago
B Geométrica:
Con X= {Número de intentos fracasados hasta que ocurre el primer éxito}

Suposiciones:
1. Cada intento es o bien un éxito o un fracaso.

2. La probabilidad de éxito es p para cada intento.
3. Todos los intentos son independientes.
4. La secuencia de intentos se termina después del primer éxito.
FX (x) = p (1 − p)x−1 con x ∈ {1, 2, . . . , n}
B BinomialNegativa:
Con X={Número de fracasos hasta el r−ésimo éxito}

Suposiciones:
1. Cada intento es un éxito o un fracaso.

2. La probabilidad de éxito es p para cada intento.
3. Todos los intentos son independientes.
4. La secuencia de intentos se termina después del r−ésimo éxito.

x−1
FX (x) = pr (1 − p)x−r con x ∈ {r, r + 1, . . . , n}
r−1
B Hipergeométrica:
Con X={Número de éxitos en una muestra de tamaño n}

Suposiciones:
1. La muestra se toma sin reemplazo de un conjunto finito de tamaño N que contiene

M éxitos y N − M fracasos.

M N −M
x n−x
FX (x) = con x ∈ {0, 1, 2, . . . , mı́n (n, M )}
N
n
MAT042 HSR 44
Campus Santiago
6. Ayudantı́a 6
6.1. Variables Aleatorias Continuas
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
Donde Φ es la función distribución normal (0, 1)
Desarrollo:
Para encontrar k debemos calcular:

Z ∞ −x
e 2
k √ I[0,∞[ (x) dx = 1
−∞ x
interceptando el recorrido de x con los lı́mites de la integral se tiene que:

Z ∞ −x
e 2
k √ dx = 1
0 x
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
lo anterior se obtiene haciendo integración por partes y definiendo:

x 1 x 1 √
u = e− 2 → du = − e− 2 dx ; dv = √ dx → v = 2 x
2 x
MAT042 HSR 45
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
por lo que tenemos:

Z ∞ ∞
√ −x √
Z
z2
xe 2 dx = ze− 2 2z dz ; Haciendo z = x → dz = dx
√
2 x
⇒ dx = 2zdz
0 0
Z ∞
z2
= 2 z 2 e− 2 dz
| 0 {z }
aparte
Aparte:
Z ∞ 2 2
z=∞ Z ∞
z2
2 − z2 − z2
z e dz = −ze + e− 2 dz

0 z=0 0
lo anterior se obtiene haciendo integración por parte y definiendo:

z2 z2
u = z → du = dz ; dv = ze− 2 dz → v = −e− 2
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
Campus Santiago
por lo que tenemos:

∞ √ ∞
Z Z
2
− z2 1 − z2
2
e dz = 2π e √dz
0 2π 0
| {z }
Aplicar Hint.
√

1
= 2π Φ (∞) −
2
√

1
= 2π 1 −
2
√
2π
=
2
luego:
√ !
Z ∞√
− x2 2π √
=⇒ xe dx = 2 = 2π
0 2
Por lo que finalmente tenemos que:
1
k=√
2π
y la función queda: x
e− 2
fX (x) = √ I[0,∞[ (x)
2πx
2. Se ha comprobado que el tiempo de vida de cierto marcapasos sigue una distribución

exponencial con media 16 años.
a) Determine la probabilidad de que a una persona, a la que se le ha implantado este

marcapasos, se le deba reimplantar otro antes de los 20 años.
b) Si el marcapasos lleva funcionando correctamente más de 5 años, ¿cuál es la prob-
abilidad de que haya que cambiarlo antes de los 25 años?
Desarrollo:
a) Sea:
X: Vida del marcapasos.
1 1
X ∼ exp (λ) con λ = E(x) ⇒λ= 16
MAT042 HSR 47
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
∴ P (X < 20) = 0, 7135

b) Sea:
X: Vida del marcapasos.
1 1
X ∼ exp (λ) con λ = ⇒ λ =
E 16
Z 25
1 −1x
e 16 dx
5 16
P (X < 25 | X > 5) = Z ∞
1 −1x
e 16 dx
5 16
1 x=25

−e− 16 x
= x=5
1 x=∞
− 16 x
−e
x=5
5
− 16 − 25
e −e 16
= 5
− 16
e
= 0, 7135
∴ P (X < 25 | X > 5) = 0, 7135

3. Los procesos de falla de cada una de 10 componentes se comportan de manera prob-

abilı́sticamente independientes y siguiendo un mismo modelo probabilı́stico. Sea Xi el
tiempo de falla de la i−ésima componente, expresado en miles de horas. Suponga que
su densidad de probabilidad es:
0, 8e−x + 0, 4e−2x , x ≥ 0

fXi (x) =
0 , e.o.c.
para cualquier i = 1, 2, . . . , 10
a) La función distribución acumulada de X3 .

b) Calcule la probabilidad de que a lo más 3 componentes fallen en 1,5 horas.
MAT042 HSR 48
Campus Santiago
Desarrollo:
a) La función distribución de la variable X3 viene dada por:

 Z X
3
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:
P (Xi < 1, 5) = FXi (1, 5) = 1 − 0, 8e−1,5 − 0, 2e−2·1,5 = 0, 8115
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
Campus Santiago
∴ la probabilidad pedida es 0, 059 %
∴ P (Y ≤ 3) = 0, 059 %
4. Sea x una V.A.C. con función densidad:

2
fX (x) = 2xe−x I[0,∞[ (x)
a) Determinar la función densidad de Y = X 2 , donde X tiene función densidad

fX (x).
b) Demostrar que fY (y) (encontrada en a), es función densidad.
c) Determinar E (y) y V (y).
Desarrollo:
a) Sea FY (y) = P (Y ≤ y), relación entre la función distribución y probabilidad, por

lo que se tiene:
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)
∴ fY (y) = e−y I[0,∞[ (y)

MAT042 HSR 50
Campus Santiago
b) Por demostrar que:

• fY (y) ≥ 0∀x ∈ R+0 , lo cuál es obvio.
Z ∞
• fX (x) dx = 1:
−∞
1
!
Z ∞ Z ∞
y=∞ 0
e−y IR+0 (y) dy = e−y dy = −e−y y=0 = −
e−∞
− e−0 = 1
*
>

−∞ 0
∴ se demuestra que fY (y) es función densidad.
c) • E (y): se define la esperanza como sigue:

Z ∞
E (y) = yfY (y) dy
−∞
por lo que debemos calcular:

Z ∞ Z ∞
−y
ye IR+0 dy = ye−y dy
−∞ 0
Z ∞
y=∞
−ye−y y=0 e−y dy

= +
|0 {z }
1
(La integración por partes realizada es: u = y → du = dy y dv = e−y dy →

v = −e−y )
Es claro que cuando y = 0 se tiene que −ye−y = 0, pero cuando y = ∞ en-

∞
tonces tenemos algo de la forma ∞ , por lo que es necesario calcular lı́m −ye−y
y→∞
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
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:
u = y 2 → du = 2ydy y dv = e−y dy → v = −e−y
se tiene: Z ∞
y=∞
−y 2 e−y y=0 ye−y dy

= +2
|0 {z }
1
notar que cuando y = 0 no hay problemas en ver que −y 2 e−y = 0, pero

∞
cuando y = ∞ tenemos algo de la forma ∞ , por lo que es necesario calcular
2 −y
lı́m −y e .
y→∞
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
∴ E (y 2 ) = 2 y se tiene que V (y) = 2 − (1)2
∴ V (y) = 1

5. El número de barcos que llegan al Puerto de Valparaı́so sigue un proceso de Poisson

con tasa de llegada cinco por dı́a.
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
Campus Santiago
a) Sea N1 : cantidad de barcos que llegan al puerto de Valparaı́so en un dı́a.

N1 ∼ P (λ · 1) ⇒ λ = 5
Sea X: tiempo (dı́as) entre llegadas consecutivas. X ∼ exp (λ) con λ = 5
fX (x) = 5e−5x I[0,∞[ (x)
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
∴ P (X > 0, 25) = 28, 65 %

b) Se pide el costo medio de ”C”, es decir E (C), por lo que se tiene:
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
Es decir, el costo medio es de 500000

MAT042 HSR 53
Campus Santiago
X−µ
6. Demuestre que Z = σ
tiene distribución N (0, 1) si X ∼ N (µ, σ 2 )
Desarrollo:
◦ Primer método, cambio de variable:
Sea FZ (z) = P (Z ≤ z)

X −µ
P (Z ≤ z) = P ≤z
σ
= P (X ≤ σz + µ)
= FX (σz + µ)
∴ FZ (z) = FX (σz + µ), derivando tenemos:
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 =
−∞
Función generadora de momentos para la función densidad normal (µ, σ 2 ):

t2 σ 2
ϕX (t) = eµt+ 2
MAT042 HSR 54
Campus Santiago
Ocuparemos esta definición para desmotrar lo pedido.

X−µ
E eZt = E e( σ )t

Xt µt
= E e σ −σ
Xt µt
= E e σ · E e− σ
t
µt
= E eX ( σ ) · E e− σ
2 2

µ σt + t 2 σ2 − µt
= e σ · e σ
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
Campus Santiago
6.2. Anexos (Variables Aleatorias Continuas)

Para que X sea un V.A.C. debe cumplir que:
• Su recorrido debe ser infinito no numerable.
• a) fX (x) ≥ 0 ∀x ∈ Rec (x)

Z ∞
b) fX (x) dx = 1
−∞
Algunas funciones de densidad importantes son:
• Uniforme: X ∼ U [a, b]
1
fX (x) = I[a,b] (x)
b−a
Por Demostar:
B fX (x) ≥ 0 ∀x ∈ Rec (x). Es claro que fX (x) es mayor a cero ∀x ∈ Rec(x).

Z ∞
B fX (x) dx = 1. Es decir:
−∞
Z ∞ Z ∞
1
fX (x) dx = I[a,b] (x) dx
−∞ −∞b − a
Z b
1
= dx
a b−a
x=b
x
=
b − a x=a
1
b − a
=
b−a
= 1
Con los dos puntos anteriores se demuestra que fX (x) es función densidad.
MAT042 HSR 56
Campus Santiago
• Exponencial: X ∼ exp (λ)
fX (x) = λe−λxI[0,∞[ (x)
Por Demostar:

Z ∞
−∞
Z ∞ Z ∞
fX (x) dx = λe−λx I[0,∞[ (x) dx
−∞
Z−∞∞
= λe−λx dx
0
x=∞
= −e−λx x=0
!
:0 1
−λ·∞ −λ·0

*
= − e −
e
= − (−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
Campus Santiago
Z ∞
−∞
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
=
−∞ −∞
Recordatorio cambio de variables:

ZZ ZZ
x, y
af (x, y) dA = af (x (u, v) , y (u, v)) J dA0
A A 0 u, v
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:
z = r cos θ y = r sin θ con 0 ≤ θ ≤ 2π y 0 ≤ r < ∞
MAT042 HSR 58
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
∴ se demuestra que fX (x) es función densidad.
MAT042 HSR 59
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
• Beta: X ∼ Beta (α, β)
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
Campus Santiago
7. Ayudantı́a 7
7.1. Distribución Normal

1. El peso de niños españoles al momento de nacer se distribuye normal, si sabemos que
el peso medio en el momento de nacer es de 3,25 kg y la desviación tı́pica es de 0,82 kg
¿Cuál es la probabilidad de que el peso de un niño, al nacer, sea superior a 4 kg?
Desarrollo:
Sea X: Peso de los niños españoles al momento de nacer. X ∼ N (3, 25; 0, 822 ). Se pide
calcular:
P (X ≥ 4) (Probabilidad de que el peso de un niño al nacer, sea superior a 4 kg.)
Para utilizar la tabla debemos “normalizar ” , es decir:

 
X − µ 4 − µ
P (X ≥ 4) = P  ≥
σ } σ

| {z
Z
4 − 3, 25
= P Z≥
0, 82
= P (Z ≥ 0, 9146)
= Φ (0, 9146)
buscando en la tabla se tiene:
∴ Φ (0, 9146) = P (Z ≥ 0, 9146) = 0, 18 (Aprox)
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.
a) Si se producen 1000 ejes, ¿Cuántos se esperan defectuosos?

b) ¿Qué probabilidad hay de que a lo más 2 mediciones de ejes se desvı́en en más de
0,02 cm. con respecto a la media en una muestra de tamaño 10?
Desarrollo:
MAT042 HSR 61
Campus Santiago
a) X: Diámetro del eje. X ∼ N (2, 79; 0, 012 ). Notar que si:
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
luego, 1000 · 0, 1587 = 158, 7.
∴ 159 ejes defectuosos

b) X: diámetro de los ejes. X ∼ N (2, 79; 0, 012 ). Nueva especificación:
2, 79 − 0, 02 < X < 2, 79 + 0, 02
por lo que debemos calcular:

X − 2, 79 2, 77 − 2, 79
P(A) = P (X ≤ 2, 77) + P (X ≥ 2, 81) = P ≤
0, 01 0, 01

X − 2, 79 2, 81 − 2, 79
= +P ≥
0, 01 0, 01
= P (Z ≤ −2) + P (Z ≥ 2)
= 2P (Z ≤ 2)
= 2Φ(2)
= 0, 456
∴ P(A) = 4, 56 %
MAT042 HSR 62
Campus Santiago
Sea Y : Cantidad de ejes desviados. Y ∼ Bin(n, p) con n = 10 y p = 0, 0456

2
X 10
P(Y ≤ 3) = 0, 0456y (1 − 0, 0456)10−y
y
y=0
= 0, 991
∴ 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.
a) Encuentre los parámetros de la distribución.

b) Determinar la probabilidad de que la vida útil de la ampolleta sea mayor a 9600
horas.
Desarrollo:
a) Se sabe que:
P(X > 9200) = 0, 0668
P(X > 6400) = 0, 9772
MAT042 HSR 63
Campus Santiago
por lo que tenemos.
P(X > 9200) = 0,0668

=
P(X > 6400) = 0,9772

9200 − µ
P Z> = 0,0668
σ
=
6400 − µ
P Z> = 0,9772
σ

9200 − µ
Φ = 0,0668
σ
=
6400 − µ
Φ = 0,9772
σ

9200 − µ
= Φ−1 (0, 0668)
σ
=
6400 − µ
= Φ−1 (0, 9772)
σ
=
= Notar que Φ−1 (0, 0668) = 1, 5 y Φ−1 (0, 9772) = −2
=
9200 − µ
= 1,5
σ
=
6400 − µ
= -2
σ
Resolviendo el sistema se tiene que:
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
∴ P(X > 9600) = 2, 28 %

MAT042 HSR 64
Campus Santiago
7.2. Extras (Demostración VAD)

1. Demuestre que si X es una variable aleatoria con distribución geométrica, entonces se
cumple que
P (X > n + k | X > n) = P (X > k)
Interprete esta propiedad.
Desarrollo:
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
Restando (1) y (2) tenemos:

X∞
ax (1 − a) = ak , o bien
x=k
∞
X ak
ax =
x=k
1−a
volviendo a lo nuestro tenemos:
(1 − p)n+k+1
=
(1 − p)n+1
= (1 − p)k
= P (X > k)
∴ P (X > n + k | X > n) = P (X > k)
Lo que se interpreta como que el número de ensayos Bernoulli que ya se han realizado
buscando el primer éxito no influyen en que se realicen k ensayos más.

MAT042 HSR 65
Campus Santiago
8. Ayudantı́a 8
8.1. Cambio de Variable

1. Si X se distribuye N (0, 1) determinar la función densidad de Y = 3X + 4
Desarrollo:
Sea:
FY (y) = P (Y ≤ y)
= P (3X + 4 ≤ y)

y−4
= P X≤
3

y−4
= FX
3
derivando se tiene que:

dFY (y) y−4 1
= FX0 ·
dy 3 3

y−4 1
= fX ·
3 3
1 1 y−4 2
= √ e− 2 ( 3 ) IR (y)
2π3
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
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
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)
T = Iβ (x) : β = {X ∈ R : X ≥ k} con k > 0

Encontrar E(T )
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
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
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
por lo que derivando tenemos:

dFW (w) 0 1 1
= −FW · − 2
dw w w

1 1
= fX
w w2

1 1
∴ fW (w) = 2 fX IR−{0} (w)
w w
MAT042 HSR 70
Campus Santiago
8.2. Función Generadora de Momentos

1. Encontrar la función generadora de momentos de las distribuciones:
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
∴ ϕX (t) = eλ(e −1)

t

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
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 )
∴ ϕY (t) = ebt ϕX (at)
3. Sea X una variable aleatoria, con función generadora de momentos:

1 1
ϕX (t) = e−t +
2 2
Sean X1 , X2 , . . . , Xn variables
aleatorias independientes distribuidas de igual forma que
X, encontrar E X y V X
Desarrollo:
MAT042 HSR 72
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
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
Campus Santiago
4. Determinar la función generadora de momentos de

n
X λXi
T =
i=1
n
Si X1 , X2 , . . . , Xn son iid con distribución exponencial.
Desarrollo:
λXi
Pn
E e Tt

= E e ( i=1
n ) t
n
!
λXi
e( n )
Y
t
= E
i=1
n
Y λt
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
5. Si X1 , X2 , . . . , Xn son variables aleatorias independientes y distribuidas N (µ, σ 2 ), de-

mostrar que
n
X Xi
Y =
i=1
n
2

tiene distribución N µ, σn .
Desarrollo:
MAT042 HSR 75
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
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
Campus Santiago
9. Ayudantı́a 9

1. Si Y sigue una distribución uniforme en [0, 5], ¿Cuál es la probabilidad de que ambas
raı́ces de la ecuación
4x2 + 4xY + Y = 0
sean reales?
Desarrollo:
La función densidad asociada a Y es

1
fY (y) = I[0,5] (y)
5
O más rigurosamente
1


 , 0≤y≤5
fY (y) = 5


0 , en otro caso
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:
4x2 + 4xY (ω) + Y (ω) = 0
La cuál tiene ambas raı́ces reales si y sólo si:
b2 − 4ac ≥ 0
Es decir:
[4Y (ω)]2 − 4 · 4Y (ω) ≥ 0

16Y (ω) [Y (ω) − 1] ≥ 0
Y (ω) [Y (ω) − 1] ≥ 0
De lo anterior definimos en Ω el suceso:
A = ω ∈ Ω : la ecuación 4x2 + 4xY (ω) + Y (ω) = 0 tiene ambas raı́ces reales

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
Campus Santiago
Notar que:
P(A) = P ({ω ∈ Ω : Y (ω) ≤ 0 ∧ Y (ω) ≤ 1})

= P ({ω ∈ Ω : Y (ω) ≤ 0})
Z 0
= fY (y) dy
−∞
= 0
(Ya que Y ∼ U [0, 5])
Por otro lado tenemos:
P(A) = P ({ω ∈ Ω : Y (ω) ≥ 0 ∧ Y (ω) ≥ 1})

= P ({ω ∈ Ω : Y (ω) ≥ 1})
Z ∞
= fY (y) dy
1
Z ∞
1
= I[0,5] (y) dy
1 5
Z 5
1
= dy
1 5
4
=
5
∴ P(A) = 80 %
2. Con el objetivo de establecer un plan de producción, una empresa ha estimado que

la demanda aleatoria de sus potenciales clientes se comportará semanalmente, con la
siguiente función densidad:

 k (4x − 2x2 ) , 0 ≤ x ≤ 2
fX (x) =
0 , en otro caso

donde x viene expresada en millones de unidades.
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
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
de lo anterior se obtiene de forma directa que C = 1, por lo que ahora debemos

resolver la ecuación de segundo grado:
√ √
2± 4+8 2±2 3
=
2 2√
= 1± 3
√ √
notar que 1 − 3 < 0 y 1 + 3 > 2, por lo que ambos valores no sirven para lo
pedido, ya que 0 ≤ C ≤ 2.
∴ C=1

MAT042 HSR 79
Campus Santiago
3. La confianza de un fusible eléctrico corresponde a la probabilidad de que un fusible,

escogido al azar de una linea de producción, funcione adecuadamente bajo condiciones
de diseño. Calcule la probabilidad de obtener 27 o más fusibles defectuosos en una
muestra de 1000 fusibles, sabiendo que la probabilidad de que un fusible elegido al azar
no sea defectuoso es de 0, 98.
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 %
4. Sea X ∼ N (µ, σ 2 ), si µ = 0 y σ 2 = 1, demuestre que Y = X 2 se distribuye Γ (α, λ).

Además identifique los parámetros α y λ
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
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)
por lo que escribiremos la función densidad de Y de dicha forma.
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
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

π
u = r cos θ z = r sin θ con 0 ≤ θ ≤ y 0≤r≤∞
2
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
MAT042 HSR 82
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
5. Sea X ∼ N (µ, σ 2 ), si Y = aX +b, donde a, b ∈ R, demuestre que Y ∼ N (aµ + b, a2 σ 2 )
Desarrollo:
Sea FY (y) = P (Y ≤ y), sabiendo esto desarrollamos:

P (Y ≤ y) = P (aX + b ≤ y)

y−b
= P X≤
a

y−b
= FX
a
MAT042 HSR 83
Campus Santiago
derivando se tiene:

dFY (y) y−b
= FX0
dy a

y−b 1
= fX
a a
Reemplazando en la función densidad de X tenemos:

1 1 (y−b)−aµ 2 1
= √ e− 2 ( aσ ) IR (y)
2πσ a
1 1 y−(aµ+b) 2
= √ e− 2 ( aσ ) IR (x)
2πaσ
∴ Y ∼ N (aµ + b, a2 σ 2 )
6. Un circuito transfiere corriente desde A a B mediante los nodos 1, 2, 3 y 4. Estos nodos

se encuentran actualmente operativos y desde que el sistema comienza a funcionar los
tiempos de vida útil de cada nodo se comportan de manera independiente según la
distribución determinada por la siguiente función densidad:
 ( )
β−1 β
 β t t
exp − , si t ≥ 0 , α > 0 y β > 0


α α α

f (t) =



0 , en otro caso

a) Determine la función de distribución de probabilidad acumulada y la función de

densidad del Tiempo de funcionamiento del sistema según el siguiente circuito.
MAT042 HSR 84
Campus Santiago
Desarrollo:
Para el circuito propuesto el tiempo T de funcionamiento del sistema está deter-

minado por:
T = máx {T1 , T2 , T3 , T4 }
donde Ti (∀i = 1, 2, 3, 4) son variables aleatorias independientes e idénticamente
distribuidas con función de densidad
 ( )
β−1 β
 β t t
exp − , si t ≥ 0 , α > 0 y β > 0


α α α

f (t) =



0 , en otro caso

Luego, su función de distribución de probabilidad acumulada está dada por:

 ( )
β
 t
 1 − exp − , si t ≥ 0


α
F (t) =



0 , t<0

para > 0 y β > 0
Se pide la función de distribución de probabilidad acumulada de T , la cual se

obtiene como sigue:
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
Campus Santiago
A partir de este resultado, podemos obtener su fución densidad, derivando:

d
fT (t) = FT (t)
dt
= 4FT (t)3 fT (t)
( )!3 ( )
β β−1 β
t β t t
= 4 1 − exp − exp −
α α α α
para t ≥ 0, α > 0, β > 0

( )!3 ( )
β β−1 β
t β t t
∴ fT (t) = 4 1 − exp − exp −
α α α α

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:
El tiempo T de funcionamiento del sistema está dado por:
T = mı́n {máx {T1 , mı́n {T2 , T3 }} , T4 }
Se pide la función de distribución de probabilidad acumulada de T , la cual se
MAT042 HSR 86
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
∴ FT (t) = F (t) + 2F (t)2 − 3F (t)3 + F (t)4

con ( )
β
t
F (t) = 1 − exp −
α
derivando FT (t) se obtiene la función densidad del sistema:
fT (t) = f (t) + 4F (t)f (t) − 9F (t)2 f (t) + 4F (t)3 f (t)
∴ fT (t) = 1 + 4F (t) − 9F (t)2 + 4F (t)3 f (t)

con t ≥ 0, α > 0, β > 0 y

( )
β
t
F (t) = 1 − exp −
α
y ( )
β−1 β
β t t
f (t) = exp −
α α α

MAT042 HSR 87
Campus Santiago
7. Considere una variable aleatoria Z con función densidad dada por:

cαβ

 β+1 , z ≥ α , β > 1 , α > 0

fZ (z) = z


0 , en otro caso
a) Calcule el valor de c.
b) Calcule E(Z).
c) Sea X = ln(Z), calcule fX (x)
Desarrollo:
a) De acuerdo a la definición de función densidad, tenemos:

Z ∞
fZ (z) dz = 1
−∞
Z ∞ β
cα
=⇒ = 1
z β+1
α ∞
1
=⇒ cαβ − β = 1
βz α
β
c
α
=⇒ β = 1
βα

∴ 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
Campus Santiago

c) Ocuparemos la definición de cambio de variable:
FX (x) = P (X ≤ x)
= P (ln Z ≤ x)
= P (Z ≤ ex )
= FZ (ex )
derivando tenemos que:

d
FX (x) = FZ0 (ex )
dx
= fZ (ex )ex
βαβ
= x(β+1) ex
e
= βαβ e−βx
∴ fX (x) = βαβ e−βx I[ln(α),∞[ (x)

MAT042 HSR 89
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
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
Campus Santiago
d ) Las variables no son independientes, pues:
fXY (0, 0) 6= fX (0)fY (0)

1 3 3
6= ·
10 10 5

10.2. Vectores Aleatorios Continuos

1. Sea fXY (x, y) = kxy IR (x, y), donde:
R = (x, y) ∈ R2 : 0 ≤ 2x ≤ y , y ≤ 3x ≤ 6

a) Encontrar la constante k, para que sea función densidad conjunta.

b) Determinar las funciones mariginales de X e Y .
c) Calcule E(X) y E(Y ).
d ) Calcule V (X | Y = 1).

1
e) Calcule P <x+y <1 .
2
f ) Calcule cov(X, Y ). ¿Qué se puede concluir de ella?
Desarrollo:
Para tener una mejor visión de los lı́mites de integración, primero, gráficamos R.
MAT042 HSR 92
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
Campus Santiago
Función densidad marginal de Y :

Z Z y Z 2
2 1 1
fXY (x, y) dx = xy dx + xy dx
y 10 y 10
Rec(x) 3 3
x= y x=2
1 2 2 1 2
= yx + yx
20 x= y3 20 x= y3
2
y2 y2

1 y 1
= y − + y 4−
20 4 9 20 9
2 2
36 − y 2

1 9y − 4y 1
= y + y
20 36 20 9
1 3 1
y 36 − y 2

= y +
144 180
1 3 1
y 36 − y 2 I]4,6] (y)

∴ fY (y) = y I[0,4] (y) +
144 180

Z
c) E(X) = xfX (x) dx, donde fX (x) es la función densidad marginal de X.
Rec(x)
Z Z 2
1
xfX (x) dx = x x3 dx
Rec(x) 0 4
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
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
Campus Santiago
Finalmente tenemos que V(X | Y = 1) es:
V(X | Y = 1) = E(X 2 | Y = 1) − (E(X | Y = 1))2

= 1, 986 − (1, 324)2
= 1, 986 − 1, 753
∴ 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:
Debemos calcular los puntos de intersección, de acuerdo al gráfico:
1 1
3x = − x =⇒ x =
2 8
1 1
2x = − x =⇒ x =
2 6
1
3x = 1 − x =⇒ x =
4
MAT042 HSR 96
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 ) = E(XY ) − E(X)E(Y )

= 6, 756 − 1, 6 · 4, 05
= 6, 756 − 6, 48
∴ 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
Campus Santiago
10.3. Extras, Vectores

Un vector aleatorio se define como
X: Ω −→ R2
ω −→ (X(ω), Y (ω))
los sucesos serán de la forma (X, Y ) ∈ A con A ⊂ R2 .
• Distribución conjunta
a) Caso Discreto: X e Y dos variables aleatorias discretas, se define la función de

probabilidad conjunta de X e Y como
F (X, Y ) : R2 −→ [0, 1]
(X, Y ) −→ F (X, Y )
debe cumplir que:
i ) F (X, Y ) ≥ 0 ∀ (x ∈ Rec(x)) × (y ∈ Rec(y))
X X
ii ) F (X, Y ) = 1
x∈Rec(x) y∈Rec(y)
b) Caso Continuo: X e Y variables aleatorias continuas, si existe una función fXY

no negativa e integrable tal que:
ZZ
P ((X, Y ) ∈ A) = fXY (x, y) dA
A
∀A ⊂ R2 .
Dicha función se llama función densidad conjunta de X e Y , y cumple que.

i ) fXY ≥ 0 ∀ (x ∈ Rec(x)) × (y ∈ Rec(y))
Z Z
ii ) fXY (x, y) dA = 1
| {z }
(x,y)∈Rec(x,y)
para este caso se tiene que:
∂ 2 FXY
fXY (x, y) =
∂x∂y
MAT042 HSR 98
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)
Diremos que X e Y son independientes ssi:
fXY (x, y) = fX (x)fY (y)
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:
i ) V (X/Y = a) = E (X 2 /Y = a) − (E (X/Y = a))2

Z ∞
2 fXY (x, a)
x2

E X /Y = a = dx
−∞ fY (a)
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
Campus Santiago
g) Algunas propiedades:
i) E(X, Y ) = (E(X), E(Y ))

ii ) E(aX + bY ) = aE(X) + bE(Y )
iii ) V(aX + bY ) = a2 V(X) + b2 V(Y ) ; ssi X e Y son independientes.
iv ) V(aX +bY ) = a2 V(X)+b2 V(Y )−2ab cov(X, Y ) ; ssi X e Y son dependientes.
y
cov(X, Y ) = E(XY ) − E(X)E(Y )
Z ∞
v ) E(X) = xf−
→ (x) dx
X
−∞
Z ∞
vi ) E(Y ) = yf−
→ (y) dy
X
−∞
Z ∞Z ∞
vii ) E(XY ) = xyf−→ (x, y) dx dy
X
−∞ −∞
MAT042 HSR 100

Campus Santiago
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)
"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
MAT042 HSR 101

Campus Santiago

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)
kx2 (8 − y) I[0,2] (x)

∴ fX|Y =y (x) = 7k k
24
(8 − y) y 3 I[0,2] (y) + 24 (8 − y) (64 − y 3 ) I[2,4] (y)
Fución densidad condicional de Y :
fXY (x, y)
fY |X=x (y) =
fX (x)
kx2 (8 − y)
=
8kx3
(8 − y)
=
8x
(8 − y) I[0,4] (y)
∴ fY |X=x (y) =
8x I[0,2] (x)

2. La función de densidad de la variable aleatoria (X, Y, Z) es:
fXY Z (x, y, z) = k (xy + xz + yz) I[0,1]3 (x, y, z)
a) Calcular k.
b) Hallar las funciones de densidad marginales de X, Y y Z.
c) ¿Son variables aleatorias independendintes?
Desarrollo:
MAT042 HSR 102

Campus Santiago
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
MAT042 HSR 103

Campus Santiago
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

MAT042 HSR 104

Campus Santiago
11.2. Cambio de variable

→
−
1. Sea X = (X, Y ) un vector aleatorio con función densidad conjunta:
1 − 12 (x2 +y2 )
f−
→ (x, y) =
X
e IR2 (x, y)
2π
determine:
X +Y
a) fZ (z) si Z =
2
b) fZ (z) si Z = X + Y 2
2
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

Recordar que el cambio de variables se realiza de acuerdo a la siguiente fórmula:
fU V (u, v) = fXY (x (u, v) , y (u, v)) · |det (J (u, v)|

→
−
Por lo que la función densidad conjunta de Z viene dada por:
1 − 12 (w2 +(2z−w)2 )
fZW (z, w) = e |−2| IR2 (z, w)
2π
1 − 12 (w2 +4z2 −4zw+w2 )
= e IR2 (z, w)
π
1 − 12 (2w2 +4z2 −4zw)
= e IR2 (z, w)
π
1 −(w2 +2z2 −2zw)

∴ fZW (z, w) = e IR2 (z, w)
π
MAT042 HSR 105

Campus Santiago
Como se pide la función densidad de Z, debemos calcular su función densidad

marginal:
1 ∞ −(w2 +2z2 −2zw)
Z
fZ (z) = e dw
π −∞
1 ∞ −(z2 −2zw+w2 +z2 )
Z
= e dw
π −∞
1 ∞ −(w2 −2wz+z2 )−z2
Z
= e dw
π −∞
1 −z2 −∞ −(w−z)2
Z
= e e dw
π ∞
u du
= Sea √ = (w − z) −→ √ = dw
2 2
Z −∞
1 −z2 1 u 2
= e √ e− 2 du
π ∞ 2
Z −∞
1 2 1 u2
= √ e−z √ e− 2 du
π 2π
|∞ {z }
N (0, 1)
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

MAT042 HSR 106

Campus Santiago
√
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[
Ahora debemos calcular la función densidad marginal de Z:

√
Z z
z 1
1
fZ (z) = √
e− 2 √ dw
− z2π z − w2
Z √z
1 −z 1
= e 2 √√ dw
2π − z z −w
2
√z
1 −z w
= e 2 arcsin √
2π z √ − z
1 −z
= e 2 [arcsin (1) − arcsin (−1)]
2π
1 −z h π π i
= e 2 − −
2π 2 2
1 −z
= e 2 [
π]
2
π
1 −z
= e 2
2
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
MAT042 HSR 107

Campus Santiago
12. Ayudantı́a 12
12.1. Estimación Puntual
12.1.1. Método de los Momentos
1. Sea X1 , X2 , . . . , Xn una muestra aleatoria independiente, proveniente de la función

densidad:
fX (x, θ) = (1 + θ) xθ I[0,1] (x)
obtener el estimador de θ por el método de los momentos.
Desarrollo:
Para encontrar el estimador, debemos igualar el primer momento poblacional con el
primer momento muestral, es decir:
n
X xi
E (x) =
i=1
n
Por lo que calcularemos:
Z 1
E (x) = x (1 + θ) xθ dx
0
Z 1
= (1 + θ) x(1+θ) dx
0
1
x(2+θ)

= (1 + θ)
2 + θ 0
1+θ
=
2+θ
n
X xi
Sea = X n,
i=1
n
1+θ
= Xn
2+θ
1+θ = 2X n + θX n
θ − θX n = 2X n − 1

θ 1 − Xn = 2X n − 1
2X n − 1
θ =
1 − Xn
n
X xi
2 −1
i=1
n
∴ θb = n
X xi
1−
i=1
n
MAT042 HSR 108

Campus Santiago
Es el estimador de θ encontrado por el método de los momentos.
2. Sean X1 , X2 , . . . , Xn iid, proveniente de:

 −x+ψ
 e , x>ψ
fX (x, ψ) =
0 , en otro caso

obtener el estimador de ψ por el 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
Es el estimador por el método de los momentos para ψ.
MAT042 HSR 109

Campus Santiago
12.1.2. Máxima Verosimilitud
1. Sean X1 , X2 , . . . , Xn iid, proveniente de:

 φ+1
1
 φ , x > 1, φ > 1


fX (x, φ) = x


0 , en otro caso

obtener el estimador máximo verosı́mil de φ.
Desarrollo:
Primero, definimos la función de verosimilitud

n φ+1
Y 1
fXi (x1 , x2 , . . . , xn ) = φ I]1,∞[ (xi )
i=1
xi
Luego, aplicamos logaritmo natural y obtenemos la función Log-Verosı́mil

n φ+1
Y 1
ln fXi (x1 , x2 , . . . , xn ) = ln φ I]1,∞[ (xi )
i=1
xi
n
" φ+1 #
X 1
= ln φ I]1,∞[ (xi )
i=1
xi
n
" φ+1 #
X 1
= ln φ + ln + ln I]1,∞[ (xi )
i=1
xi
n
X n
X n
X
= ln φ − (φ + 1) ln xi + ln I]1,∞[ (xi )
i=1 i=1 i=1
n
X n
X
= n ln φ − (φ + 1) ln xi + ln I]1,∞[ (xi )
i=1 i=1
Luego derivamos con respecto al párametro e igualamos a cero,

n
∂L n X n
= − ln xi = 0 =⇒ φb = n
∂φ φ i=1 X
ln xi
i=1
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
MAT042 HSR 110

Campus Santiago
n
∴ φb = n
X
ln xi
i=1
Es el estimador de Máxima Verosimilitud para φ.
2. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una población X con función densidad

dada por:
3

 3ψx2 e−ψx si x > 0, ψ > 0
fX (x, ψ) =
0 si x≤0

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
MAT042 HSR 111

Campus Santiago
Derivamos e igualamos a cero

n
∂L n X 3 n
= − xi = 0 =⇒ ψb = n
∂ψ ψ X
i=1
x3i
i=1
Calculamos la segunda derivada y vemos su signo

∂ 2L

n n
2
= − 2 =⇒ − <0 ∀ n ∈ N, ψb ∈ R
∂ψ ψ ψ=ψb ψ
b 2
Con lo anterior tenemos que

n
∴ ψb = n
X
x3i
i=1
Es el estimador de Máxima Verosimilitud para ψ.

b) Por demostrar que E ψb = ψ

n
E ψ = E Pn
b
i=1 x3i
n
= n
X
E x3i

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
MAT042 HSR 112

Campus Santiago

∴ E ψb = ψ
Por lo que el estimador es insesgado.

c) Como el estimador es insesgado, para que sea Consistente en Error Cuadrático
Medio, debe cumplir que:
lı́m V ψb = 0
n→∞
Por lo que calcularemos su varianza.

n
V ψ = V Pn
b
i=1 x3i
n2
= n
X
V x3i

i=1
n2
= n
X 2
E x6i − E x3i

i=1
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

MAT042 HSR 113

Campus Santiago

V ψb = nψ 2
finalmente se tiene,
lı́m nψ 2 = ∞ =
6 0
n→∞
Es decir, es estimador NO es Consistente en Error Cuadrático Medio.

d ) La cota de Crämer-Rao está dada por:
1
V (ψ) ≥ 2
∂ L
−E − 2
∂ψ
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.

MAT042 HSR 114

Campus Santiago
13. Ayudantı́a 13
13.1. Intervalos de Confianza

1. El consumo de gasolina de cierto tipo de vehı́culos se distribuye aproximadamente nor-
mal. Si una muestra aleatoria de 64 vehı́culos tiene un consumo promedio de 16 [millas/galón]
con una desviación estándar de 6 [millas/galón].
a) Encuentre un intervalo de confianza del 92 % para el consumo medio de gasolina

de todos los vehı́culos de este tipo.
b) Con un 95 % de confianza. ¿Cuál es el error si el consumo medio es tomado en
16 [millas/galón]?
c) Determine un intervalo de confianza del 94 % para la varianza.
d ) ¿De qué tamaño debe ser la muestra si queremos tener un 95 % de seguridad que
la media no difiera en más de 0, 5 [millas/galón] de la media verdadera?
Desarrollo:
a) Sea X : Consumo de gasolina por vehı́culo ∼ N (µ, σ 2 ), con X n = 16 y Sn = 6.
Intervalo de confianza para µ con σ 2 desconocido.

S
ICµ = X n ± tn−1;1− α2 √ t : distribución t − student
n
α
Cálculo de 1 − :
2
α α
(1 − α) % = 92 % =⇒ α = 1−0, 92 =⇒ α = 0, 08 =⇒ = 0, 04 =⇒ 1 − = 0, 96
2 2
√
Sn n
Además S = √ , reemplazando tenemos:
n−1
√
Snn
ICµ = X n ± t64−1;0,96 √ √
n n − 1

6
= 16 ± t63;0,96 √
63

6
= 16 ± 1, 77 √
63

∴ ICµ = 14, 66; 17, 33
MAT042 HSR 115

Campus Santiago
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
MAT042 HSR 116

Campus Santiago
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

2. De experiencias pasadas se sabe que la desviación estándar de las estaturas de niños

de 5to básico es de 5[cm].
a) Se seleccionan 36 niños, observándose una media de 130[cm], construya un inter-
valo de confianza del 95 % para la estatura media de la población.
b) ¿Cuál es el tamaño de la muestra para que el intervalo de confianza
[130 − 0, 95; 130 + 0, 95]
tenga un 95 % de confianza?
Desarrollo:
a) Sea X : estatura de niños de 5to básico, X n = 130 y σ = 5

Intervalo de confianza para µ con σ 2 conocido.
α
(1 − α) % = 95 % =⇒ α = 0, 05 =⇒ 1 − = 0, 975
2

σ
ICµ = X n ± Z1− α2 √
n

5
= 130 ± Z0,975 √
36

5
= 130 ± 1, 96 ·
6
∴ ICµ = [128, 36; 131, 63]
MAT042 HSR 117

Campus Santiago

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:
Sea Xi : votantes que apoyan al candidato i, con i = {A, B}. Además
XA ∼ Bin (100; 0, 55) XB ∼ Bin (100; 0, 45)
Intervalo de confianza para una proporción:

" p #
pb (1 − pb)
ICp = pb ± Z1− α2 √
n
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
∴ ICpA = [0, 452; 0, 647]
MAT042 HSR 118

Campus Santiago
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
∴ ICpA = [0, 352; 0, 547]
4. Sea X1 , X2 , . . . , Xn una m.a. de una distribución con función densidad probabilı́stica

dada por
x x2
fX (x, ψ) = e− 2ψ IR+ (x)
ψ
determine un intervalo de confianza del 95 % para ψ y evalúe dicho intervalo si se sabe
X100
que x2i = 2586, 51. Considere el estimador de ψ igual a
i=1
n
X x2i
ψb =
i=1
2n
y considere
∂ 2L n
2
=− 2
∂ψ ψ
Desarrollo:
Intervalo de confianza para un estimador Máximo Verosı́mil:

" #
1
ICψM V = ψbM V ± Z1− α2 p
nI1 (ψ)
con
∂ 2L

n n
I1 (ψ) = −E = − − 2 =⇒ I1 (ψ) = 2
∂ψ 2 ψ ψ
MAT042 HSR 119

Campus Santiago
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
por lo tanto el intervalo de confianza está dado por:

" #
ψ
bM V
ICψM V = ψbM V ± 1, 96 ·
n
Ahora, debemos evaluar,

" #
ψbM V
ICψM V = ψbM V ± 1, 96 ·
n
" n n
#
X x2i 1 X x2i
= ± 1, 96 ·
i=1
2n n i=1 2n
" n n
#
1 X 2 1 X 2
= xi ± 1, 96 · 2 x
2n i=1 2n i=1 i

1 1
= · 2586, 51 ± 1, 96 · · 2586, 51
200 20000
= [12, 933 ± 0, 253]
∴ ICψM V = [12, 68; 13, 19]
MAT042 HSR 120

Campus Santiago
13.2. Test de Hipótesis

1. Se extraen los siguientes datos, distribuidos N (µ, 2) : 1, 82; 3, 21; 4, 32; 1, 31; 2, 35; 1, 92.
¿Se puede decir que la media es 2,33 con la muestra que tenemos, con α = 0, 05?
Desarrollo:
i ) Primero calculamos la media:

6
X xi 1, 82 + 3, 21 + 4, 32 + 1, 31 + 2, 35 + 1, 92
X= = = 2, 49
i=1
n 6
ii ) Como se pide realizar test de hipótesis para la media, debemos identificar si la

desviación que no entrega el enunciado es porblacional a muestral. Para este caso
se tiene que es la poblacional, por ende el estadı́stico de prueba a utilizar es el
“para µ con σ 2 conocido”, lo cuál se obtiene por formulario y es:
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
en donde se cumple que:
Hipótesis Nula Hipótesis Alternativa Rechace H0 sı́
H0 : µ = µ0 HA : µ 6= µ0 Z0 ≥ Z1− α2 ó Z0 ≤ −Z1− α2
iv ) Ahora debemos calcular Z1− α2 ,
Z1− α2 = Z0,975 = 1, 96
v ) Luego,
Z0 ≥ Z1− α2 ó Z0 ≤ −Z1− α2
0, 277 1, 96 ó 0, 277 −1, 96
MAT042 HSR 121

Campus Santiago
vi ) Finalmente, como no se cumple la condición de rechazo para H0 , decimos que no

hay evidencia suficiente para rechazar esta.

2. Un operador de la bolsa aconseja a un cliente respecto a una inversión de compra y

destaca la poca variabilidad de dicha cotización de acuerdo a los estipulado en el, esta
acción representarı́a una variación en la cotización diaria de σ 2 = 0, 2. Se selecciona
una muestra de 15 dı́as donde se registra la cotización diaria. El cálculo de la varianza
en la muestra es S 2 = 0, 4. ¿Con α = 0, 05 se puede decidir si la varianza es menor que
la histórica?
Desarrollo:
Dado que no se conoce la media poblacional, ocupamos el pivote y las regiones de

rechace para σ 2 con µ desconocido.
(n − 1) S 2
Q0 =
σ02
Antes de continuar, debemos hacer el cambio:
2 Sn2 · n
S =
n−1
Por lo que el estadı́stico de prueba queda:
n · Sn2
Q0 =
σ02
Las hipótesis a contrastar son:
H0 : σ 2 < σ02
HA : σ 2 ≥ σ02
Por lo que debemos considerar las regiones de rechazo para:
Hipótesis Nula Hipótesis Alternativa Rechace H0 sı́
H0 : σ 2 = σ02 HA : σ 2 6= σ02 Q0 ≥ χ2n−1;1− α ó Q0 ≤ χ2n−1; α

2 2
H0 : σ 2 = σ02 HA : σ 2 < σ02 Q0 ≤ χ2n−1;α
Ahora calculamos los valores de Q0 , χ2n−1;1− α , χ2n−1; α y χ2n−1;α .

2 2
MAT042 HSR 122

Campus Santiago
n · Sn2
Q0 = = 30
σ02
χ2n−1;1− α = χ214;0,975 = 5,63

2
χ2n−1; α = χ214;0,025 = 26,1

2
χ2n−1;α = χ214;0,05 = 23,7
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
Por lo tanto se rechaza H0 : σ 2 = σ02 .
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.
MAT042 HSR 123

Campus Santiago
14. Ayudantı́a 14

1. Dada la variable aleatoria (X1 , X2 , X3 , X4 ) con función densidad
fXi (x1 , x2 , x3 , x4 ) = 16x1 x2 x3 x4 I[0,1]×[0,1]×[0,1]×[0,1] (x1 , x2 , x3 , x4 )
Calcular:
a) P (X1 < 1/2, X4 > 1/3).
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.
MAT042 HSR 124

Campus Santiago
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
∴ f (x1 , x4 ) = 4x1 x4 I[0,1]×[0,1] (x1 , x4 )

Luego la probabilidad pedida es:
1
Z
2
Z 1
P (X1 < 1/2, X4 > 1/3) = 4x1 x4 dx4 dx1
1
0 3
1 x =1
x24 4
Z
2
= 4 x1 dx1
0 2 x4 = 1
3
Z 1
2 1
= 2 x1 1 − dx1
0 9
Z 1
16 2
= x1 dx1
9 0
1
16 x21 2
=
9 2 0

8 1
=
9 4
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
∴ fX1 (x1 ) = 2x1 I[0,1] (x1 )

MAT042 HSR 125

Campus Santiago
c) La densidad marginal de (X2 , X3 , X4 ).
Desarrollo:
Z 1
f (x2 , x3 , x4 ) = 16x1 x2 x3 x4 dx1
0
= 8x2 x3 x4
∴ f (x2 , x3 , x4 ) = 8x2 x3 x4 I[0,1]×[0,1]×[0,1] (x2 , x3 , x4 )

2. Sea (X, Y ) un vector con función densidad conjunta:


 kxye−(x+y) si x > 0 , y > 0
f (x, y) =
0 en otro caso

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:
MAT042 HSR 126

Campus Santiago
Función densidad marginal de X:

Z ∞
fX (x) = xye−(x+y) dy
0
Z ∞
−x
= xe ye−y dy
0
| {z }
1
∴ fX (x) = xe−x IR+0 (x)
Por simetrı́a
∴ fY (y) = ye−y IR+0 (y)

c) ¿Son independientes X e Y ?
Desarrollo:
Las variables SON independientes, pues:
xye−(x+y) I{R+ ,R+ } (x, y) = xe−x IR+0 (x) ye−y IR+0 (y)
0 0
3. Una variable aleatoria discreta (X, Y ) tiene la siguiente función de cuantı́a:
P (X = i, Y = j) = k (i + j) i = 1, 2, . . . , n , j = 1, 2, . . . , q
Calcular:
a) La constante k.
MAT042 HSR 127

Campus Santiago
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:
MAT042 HSR 128

Campus Santiago
Función de cuantı́a marginal de X = i:

q
X
P (X = i) = k (i + j)
j=1
q q
!
X X
= k i+ j
j=1 j=1

q (q + 1)
= k qi +
2
k
2qi + q 2 + q

=
2
(2qi + q 2 + q)
=
nq (n + q + 2)
q (2i + q + 1)
=
nq (n + q + 2)
(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:
MAT042 HSR 129

Campus Santiago
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)
MAT042 HSR 130

Campus Santiago
4. Sean X e Y dos variables aleatorias distribuidas conjuntamente según la siguiente

función densidad:
2


 , | x |≤ 1, 0 ≤ y ≤ 1, x2 + y 2 ≤ 1
fXY (x, y) = π


0 , en otro caso
a) Determine la distribuciones condicionales de X | Y = y e Y | X = x.

b) Verifique que E(Y ) = E(E[Y | X]) cuando X es aleatorio. Notar que E(Y | X) =
g(X).
Desarrollo:
a) La función densidad de X | Y = y y Y | X = x por definición son:
fXY (x, y) fXY (x, y)

fX|Y =y (x) = y fY |X=x (x) =
fY (y) fX (x)
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
MAT042 HSR 131

Campus Santiago
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
MAT042 HSR 132

Campus Santiago
√
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:
Primero, definimos la función de verosimilitud,

n
Y 1 1
fYi (yi , θ) = (1 + yi )−1− θ IR+ (yi )
i=1
θ
Luego función Log-Verosı́mil,

n
Y 1 1
ln fYi (yi , θ) = ln (1 + yi )−1− θ IR+ (yi )
θ i=1
n
X 1
= − ln θ − 1 + ln (1 + yi ) + ln IR+ (yi )
i=1
θ
n n n n
X X 1X X
= − ln θ − ln (1 + yi ) − ln (1 + yi ) + ln IR+ (yi )
i=1 i=1
θ i=1 i=1
n n n
X 1X X
= −n ln θ − ln (1 + yi ) − ln (1 + yi ) + ln IR+ (yi )
i=1
θ i=1 i=1
MAT042 HSR 133

Campus Santiago
Luego derivamos con respecto al parámetro e igualamos a cero,

n n
∂L n 1 X X ln (1 + yi )
=− + 2 ln (1 + yi ) = 0 =⇒ θ =
b
∂θ θ θ i=1 i=1
n
Ahora, calculamos su segunda derivada y evaluamos,

n
!
∂ 2L n 2 X
= − 3 ln (1 + yi )

∂θ2 θ 2 θ i=1
θ=θb
n
n 2n ln (1 + yi )
X
= −
θb2 3
θ i=1
b n
n 2n
= − θb
θb2 θb3
n 2n
= −
θb2 θb2
∂ 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
Para analizar si es eficiente, debemos calcular su varianza y compararla con la cota de

Crämer-Rao,
n
!
X ln (1 + y i )
V θb = V
i=1
n
n
1 X
= V (ln (1 + yi ))
n2 i=1
n
1 X
E ln2 (1 + yi ) − [E (ln (1 + yi ))]2

= 2
n i=1
MAT042 HSR 134

Campus Santiago
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
MAT042 HSR 135

Campus Santiago
Por otro lado la cota de Crämer-Rao es,

1
V (θ) ≥ 2
∂ L
−E
∂θ2
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.
MAT042 HSR 136

Campus Santiago

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
por lo que el estimador es insesgado.
MAT042 HSR 137

Campus Santiago
15. Controles
15.1. Control 1
Problema 1
1. Demuestre que:
a) La media x es el valor que minimiza la varianza:

n
2 1X
s = (xi − x)2
n i=1
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
Por lo tanto, la varianza se minimiza con a = x
MAT042 HSR 138

Campus Santiago
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
MAT042 HSR 139

Campus Santiago
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
X: densidad de corriente de carga (mA/cm2 ),

Y: presión efectiva de hidrógeno (atm).
Los datos son los siguientes:
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
a) Calcule media, mediana, varianza y desviación estándar de Y. ¿Qué puede decir de la

distribución de esta variable?
b) Calcule la correlación entre X e Y. ¿Cuál es el R2 del modelo Y = a + bX?
c) ¿Existe alguna transformación de las variables que aumente el valor de la correlación

antes caculada?
d ) Determine cuál es el mejor modelo de regresión lineal utlizando el valor del coeficiente
de determinacion.
Desarrollo:
MAT042 HSR 140

Campus Santiago
a) Los valores pedidos son

x = 282.7
M e = 231.5
s2 = 29937.5
s = 173.02
Lo que nos indica que la variable tiene una alta dispersión respecto de la media.
b) Corr(X, Y ) = 0.84 lo que nos indica que el valor de R2 del modelo Y = a + bX es
R2 ≈ 0.70
c) Si transformamos x0 = log(x) obtenemos que Corr(X 0 , Y ) = 0.93 y el R2 del modelo

Y = a0 + b0 X 0 es 0, 85.
d ) El mejor modelo es el que tiene mayor R2 , por lo tanto el mejor modelo es
Y = a0 + b0 log(X)
MAT042 HSR 141

Campus Santiago
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
MAT042 HSR 142

Campus Santiago

π
z = r cos θ y = r sin θ con 0 ≤ θ ≤ y 0≤r<∞
2
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
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
MAT042 HSR 143

Campus Santiago
1
∴ k=√
2π
b) La función generadora de momentos viene dada por:

Z ∞
1 x
Xt
ext √ e− 2 dx

ϕX (t) = E e =
0 2πx
luego, desarrollamos:
Z ∞ Z ∞
1 1 1 1
xt
e √ − x2
e dx = √ √ ex(t− 2 ) dx
0 2πx 2π Z0 x
∞
1 1 1
= √ √ e−x( 2 −t) dx (la integral solo converge si t < 12 )
2π 0 x
2
Z ∞ u = x −→ 2u du = dx
= haciendo
2 2 1
= √ e−u ( 2 −t) du
2π | 0 {z }
Aparte
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

π
u = r cos θ z = r sin θ con 0 ≤ θ ≤ y 0≤r<∞
2
MAT042 HSR 144

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
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)
MAT042 HSR 145

Campus Santiago
por lo que se tiene:

√ √
2 π

= √ √√
π 2 1 − 2t
r
1
=
1 − 2t
r
1
∴ ϕX (t) =
1 − 2t
1
con t <
2
c)
P (0 < X < µ − cσ) = 0, 8

P (0 < X < −c) = 0, 4 X ∼ N (0, 1)
P (X < −c) − P (X < 0) = 0, 4
P (X > c) − P (X > 0) = 0, 4
Φ(c) − Φ(0) = 0, 4
1
Φ(c) − = 0, 4
2
Φ(c) = 0, 9
Φ−1 (Φ(c)) = Φ−1 (0, 9)
c = Φ−1 (0, 9)
∴ c = −1, 285( Aproximadamente)
MAT042 HSR 146

Campus Santiago
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
MAT042 HSR 147

Campus Santiago
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
b) Funciones de densidad marginales.
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
MAT042 HSR 148

Campus Santiago
Por simetrı́a
1 π
∴ fY (y) = cos (y) + 1 I[0, π ] (y)
π 2 2
c) ¿Son independientes X e Y ?
Desarrollo:
Las variables NO son independientes, pues:

1 1 π 1 π
(cos (x) + cos (y)) 6= cos (x) + 1 · cos (y) + 1
π π 2 π 2
d ) Calcule E (X) y E (Y ).
Desarrollo:
E (X) está dada por:

Z π
2 1 π
E (X) = x cos (x) + 1 dx
0 π 2
Z π
1 2 π
= x cos (x) + x dx
π 0 2
Z π Z π
1 2 1 2
= x cos (x) dx + x dx
2 0 π 0
" Z π # π
1 π 2 x2 2
= x sen (x)|02 − sen (x) dx +
2 0 2 0
1 hπ πi π2
= + cos (x)|02 +
2 2 8
2
1 π
h i π
= −1 +
2 2 8
π 2 + 2π − 4
∴ E (X) =
8
Por simetrı́a
π 2 + 2π − 4
∴ E (Y ) =
8
MAT042 HSR 149

Campus Santiago
e) Calcule fX|Y =y (x) y fY |X=x (y)
Desarrollo:
fX|Y =y (x) está dada por:
f (x, y)
fX|Y =y (x) =
fY (y)
1
(cos (x) + cos (y))
= π1 π
π 2
cos (y) + 1
cos (x) + cos (y)

∴ fX|Y =y (x) = I π (x)
π
2
cos (y) + 1 [0, 2 ]
fY |X=x (y) está dada por:
f (x, y)
fY |X=x (y) =
fX (x)
1
(cos (x) + cos (y))
= π1 π
π 2
cos (x) + 1
cos (x) + cos (y)

∴ fY |X=x (y) = I π (y)
π
2
cos (x) + 1 [0, 2 ]
MAT042 HSR 150

Campus Santiago
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.
a) Identifica y da nombre a los sucesos que aparecen en el enunciado.
b) Elegido un cliente al azar, ¿qué probabilidad hay de que el cliente se atrase en un pago
mensual?
c) Si un cliente se atrasa en un pago mensual, calcular la probabilidad de que el cliente

se convierta en moroso.
d ) Al banco le gustarı́a cancelar la lı́nea de crédito de un cliente si la probabilidad de que

éste acabe convirtiéndose en moroso es mayor de 0,25. De acuerdo con los resultados
anteriores, ¿debe cancelar una lı́nea si un cliente se atrasa en un pago? ¿Por qué?
Desarrollo:
a) Sean los eventos:
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
MAT042 HSR 151

Campus Santiago
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.
MAT042 HSR 152

Campus Santiago
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:
ALTERNATIVAS VENTAS ALTAS VENTAS MEDIAS VENTAS BAJAS

25 % 45 % 30 %
FUSION 350000 140000 60000
COMPRAR 300000 180000 50000
AMPLIACION 275000 160000 80000
Determinar las ganancias esperadas y decidir por cuál alternativa optar.
Desarrollo:
F = 350000 · 0, 25 + 140000 · 0, 45 + 60000 · 0, 3 = 168500

C = 300000 · 0, 25 + 180000 · 0, 45 + 50000 · 0, 3 = 171000
A = 275000 · 0, 25 + 160000 · 0, 45 + 80000 · 0, 3 = 164750
Por lo tanto la alternativa es comprar.
b) Sean A, B y C tres eventos tales que A ∩ C = ∅, demostrar que:

P ((A ∪ C) | B) = P (A | B) + P (C | B)
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)
MAT042 HSR 153

Campus Santiago
Como A ∩ C = ∅ entonces A ∩ B y C ∩ B son incompatibles
c) El crecimiento de una colonia de abejas está determinado por la siguiente ecuación:

230
y=
1 + α · e−β·t
Donde y representa el número de abejas y t el tiempo medido en meses. Se obtuvieron
los siguientes datos.
t 1 13 23 33 53 63
y 5,746 157,496 227,412 229,935 235,000 235,000
Determine una estimación de α y β.
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
Realizando el cambio de variable pertinente:
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:
MAT042 HSR 154

Campus Santiago
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
Por lo que el modelo a ajustar es:
230
y=
1 + 1, 269976 · e−0,101574·t
MAT042 HSR 155

Campus Santiago
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:
- Valor de la tasación del terreno.
- Valor de la tasación de las mejoras.
- Valor de la tasación total
- Precio de venta
Para el desarrollo de esta pregunta utilice el documento Anexo.
a) Analice las medidas de resumen de la variable precios de venta.
b) ¿Cuál de los gráficos que le siguen corresponde al gráfico de esta variable? Justifique.
c) De acuerdo a la información entre precio de venta y tasación de las mejoras, y precio

de venta y tasación del terreno, ¿en cuál de estos dos casos le parece que se justifica
un ajuste lineal?
d ) Según lo obtenido en (c) determine los valores de a y b en el modelo ajustado.
e) ¿Cuál es el valor de R2 para el modelo escogido? Interprete esta cantidad.
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.
MAT042 HSR 156

Campus Santiago
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.
Además, el gráfico 1 está en el rango 0-80000, mientras que el gráfico 4, en el 0-450000

y, en la parte (a), vimos que el percentil 75 correspondı́a a 89900, lo que quiere decir
que hay un 25 % de precios de venta mayores a ese valor, lo que no és posible que ocurra
en el gráfico 1.
Por lo tanto, el gráfico que representa a la variable precio de venta es el gráfico 4.
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.
d ) Observando la tabla de coeficientes obtenemos que
Precio = 15162.62 + 3.49 · Tasacion del terreno
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.
MAT042 HSR 157

Campus Santiago
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:
f (x) = k · x · (100 − x)I[0,100] (x)
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
i) Encontrar la función densidad de G(x)
Desarrollo:
MAT042 HSR 158

Campus Santiago
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
ii) ¿Cuál será el beneficio esperado?
Desarrollo:
MAT042 HSR 159

Campus Santiago
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
MAT042 HSR 160

Campus Santiago
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}
Sea Y : Cantidad de impresoras Zque no reciben solicitudes. Y en minutos.

∞
2 −2x
Y ∼ Bin (n, p) con n = 8 y p = e 5 dx
1 5
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
MAT042 HSR 161

Campus Santiago
∴ 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:
Sea Θ ∼ U − π2 , π2 , cuya función distribución está dada por:

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 < ∞
MAT042 HSR 162

Campus Santiago
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

b) Si X tiene función densidad f , determinar su función generadora de momentos.

Desarrollo:
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
c) Si X tiene función densidad f , e Y = 25X 2 , encontrar E(Y ) y V(Y )

Desarrollo:
Utilizando lo obtenido en (b),

2t
E(X) = ϕ0X (0) =

=0
(1 − t2 )2 t=0
2 + 6t2

2 00
E(X ) = ϕX (0) = =2
(1 − t2 )3 t=0
24t − 24t3

3 000
E(X ) = ϕX (0) = =0
(1 − t2 )4 t=0
4 (4)
E(X ) = ϕX (0) = 24
MAT042 HSR 163

Campus Santiago
Además,
E(Y ) = E(25X 2 ) = 25E(X 2 ) = 25 · 2 = 50

E(Y 2 ) = E(625X 4 ) = 625E(X 4 ) = 625 · 24 = 15000
Por lo tanto, V (X) = 15000 − 2500 = 12500.
MAT042 HSR 164

Campus Santiago
16.3. Certamen 3
Problema 1
Sean X1 , . . . , Xn variables aleatorias independientes con función densidad
f (x) = (θ + 1)xθ I]0,1[ (x), θ > −1.

1
a) Determine un estimador de máxima verosimilitud para µ = θ+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
MAT042 HSR 165

Campus Santiago
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.
MAT042 HSR 166

Campus Santiago
b) Demostrar que µ
b es insesgado
Desarrollo:
Por demostrar que E (b

µ) = µ, por lo que desarrollamos:
n
!
X ln xi
µ) = E −
E (b
i=1
n
n
1X
= − E (ln xi )
n i=1
n Z 1
1X 1 µ1 −1
= − ln(xi ) xi dxi
n i=1 0 µ
1 1
−1 1
= (sea u = ln xi −→ du = dxi y dv = µ1 xiµ dxi −→ v = xiµ )
xi
n
!
1 Z 1
1X 1 1 1
= − xiµ ln xi − xiµ dxi
n i=1 0 x
0 i
1 1
= notar que lı́m xiµ ln xi = 0 y lı́m xiµ ln xi = 0
xi →0 xi →1
n Z 1
1 X 1 µ 1
= − − xi dxi
n i=1 0 xi
n Z 1 1
1X 1 µ −1
= − −µ xi dxi
n i=1 0 µ
n
1X
= − (−µ)
n i=1
1
= − (−nµ)
n
= µ
Por lo tanto, el estimador es insesgado, ya que se cumple que E (b

µ) = µ.
c) Determinar la cota de Cramer-Rao de µ y verificar la eficiencia del estimador µ

b
Desarrollo:
La cota viene dada por:

1
V (µ) ≥ 2
∂ L
−E
∂µ2
MAT042 HSR 167

Campus Santiago
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
MAT042 HSR 168

Campus Santiago
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.
MAT042 HSR 169

Campus Santiago
Problema 2
1. Suponga que X e Y son variables aleatorias con función de cuantı́a p(x, y), demuestre que
E(X) = E(E(X | Y = y))
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)
∴ E(E(X | Y = y)) = 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
i) Determinar la función de cuantı́a conjunta de (X,Y)
Desarrollo:
la función de cuantı́a está dada por:

8 12
x y
fXY (x, y) = x ∈ {0, 1, . . . , 8} e y ∈ {0, 1, . . . , 12}
20
6
MAT042 HSR 170

Campus Santiago
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
MAT042 HSR 171

Campus Santiago
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
MAT042 HSR 172

Campus Santiago
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:
Las variables no son independientes, pues:

8 12
29
5
x y 8 2 12
6=
20 255 x 255 y
6
MAT042 HSR 173

Campus Santiago
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.
i) Determine si se cumple que E(e) = 0.
ii ) ¿Es posible afirmar que e ∼ N (0, σ 2 )?
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) =
y rechazamos esta hipótesis si |t0 | > tn−1,1−α/2 .

Calculamos t0 con los valores de tabla
x̄ − µ
t0 = √
s/ n
−0.005 − 0
= √
16.65/ 107
= −0.0031
y tn−1,1−α/2 = 1.98. Entonces como t0 ≯ tn−1,1−α/2 , no podemos rechazar H0 y en este

caso, decimos que los residuos tienen media 0.
MAT042 HSR 174

Campus Santiago
ii ) Las hipótesis son
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 .
b) Se pide determinar si existe relación entre la ingesta diaria de calorı́as y la esperanza de

vida masculina. La tabla (b) muestra la distribución conjunta de estas variables, ¿es posible
determinar con un nivel de significancia del 5 % que estas variables están asociadas? Plantee
hipótesis, regla de rechazo y conclusión.
Desarrollo:
Primero que todo hay que enunciar la hipótesis nula y alternativa para este problema. Estas
son:
H0 : Las variables no están relacionadas

H1 : Las variables están relacionadas
La regla de rechazo para H0 es si valor − p < α

Por la tabla de datos se obtiene que el valor − p es igual a 0.0001 < 0.05
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:
Se busca comprobar que:
MAT042 HSR 175

Campus Santiago
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.
Por lo tanto, la hipótesis nula y alternativa para las varianzas son:
σ12
H0 : =1
σ22
σ2
H1 : 12 6= 1
σ2
Se rechaza H0 si F0 > Fn1 −1,n2 −1,1−α/2 o F0 < Fn1 −1,n2 −1,α/2
Fn1 −1,n2 −1,1−α/2 = 2.947

Fn1 −1,n2 −1,α/2 = 0.379
S12
Se tiene que F0 = S22
= 1.063
Como F0 = 1.063 ≯ 2.947 y 1.063 ≮ 0.379, entonces no se rechaza H0 .

Por lo tanto se asume que las varianzas son iguales y se procede a realizar el test de hipótesis
para la esperanza de vida en la OCDE y Europa Oriental que se planteó inicialmente.
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
tn1 +n2 −2,1−α = 1.69
MAT042 HSR 176

Campus Santiago
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 %.
MAT042 HSR 177

Recopilacion Ayudantias Mat042 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Recopilacion Ayudantias Mat042 PDF

Cargado por

Copyright:

Formatos disponibles

Universidad Técnica Federico Santa Marı́a

Ayudante : Hugo Salazar Riquero

a) ¿Cuántas mujeres cursaron el ramo?

¿Qué grupo es mas homogéneo?

a) El promedio viene dado por:

a) Encuentre la altura media de los estudiantes, la moda y la mediana.

a) Primero se debe construir una tabla de frecuencias:

Rango intercuartı́lico: RSQ = Q3 −Q

P90 : Clase percentil 90, Fi ≥ 0, 9 ⇒ C4 : F4 = 0, 92

P10 : Clase percentil 10, Fi ≥ 0, 1 ⇒ C2 : F2 = 0, 23

Luego RP = 71, 28 − 63, 33 = 7, 95

P70 : Clase percentil 70, Fi ≥ 0, 7 ⇒ C4 : F4 = 0, 92

1.2. Estadı́stica Descriptiva Bivariada

Categorı́a N Trabajadores Productividad Media Desviación Estandar

a) Calcule la productividad media total.

Vinter = Variabilidad entre los grupos

Por lo tanto la variabilidad total viene dada por St2 = Sintra

=⇒ St2 = 27, 76 + 143, 49 = 171, 25

Por lo tanto el grupo mas homogéneo es el número tres.

2. A continuación se presentan los valores experimentales de la presión de cierta masa de gas y

Volumen [in3 ] 54, 3 61, 8 72, 4 88, 7 118, 6 194, 0

a) Encuentre dichos valores (β y C) para determinar la ecuación anterior.

Sean: ln(|P |) = Y , ln(|V |) = X, ln(|C|) = b, obteniendo como ecuación:

Finalmente se tiene que la ecuación pedida es:

b) Basta con reemplazar el valor dado, es decir:

a) Calcular el promedio de cada variable.

Primero debemos ampliar la tabla a:

Las variables son independientes si y sólo si se cumple que:

fij = fi· · f·j

Para esto es necesario escoger un i y un j cualquiera y verificar si se cumple dicha

2.2. Teorı́a de Probabilidades

a) Determine la probabilidad que la bolita extraı́da sea roja.

P(Roja) = P(R|C1 ) · P(C1 ) + P(R|C2 ) · P(C2 ) + P(R|C3 ) · P(C3 )

Luego tenemos que:

= 0, 4 · 0, 149 + 0, 3 · 0, 068 + 0, 2 · 0, 783

a) Dos fichas sean rojas.

Sea: 30 + 0, 2 · X = X =⇒ X = 38 por lo que se tiene que las fichas blancas son 8.

2.3. Probabilidad Condicional

Si P(A|C) ≥ P(B|C) y P(A|C { ) ≥ P(B|C { ) =⇒ P(A) ≥ P(B)

Si la proposición es verdadera, demuéstrela. Si es falsa, provea un contraejemplo. Contrae-

P(A ∩ C) + P(A ∩ C { ) ≥ P(B ∩ C) + P(B ∩ C { )

Con lo anterior se completa la demostración.

2. Al contestar una pregunta en un examen de selección múltiple, un estudiante o sabe la

a) ¿Cuál es la probabilidad de que un estudiante haya sabido la respuesta a la pregunta

a) ¿Cuál es la probabilidad de que ninguno esté con licencia?

0, 2 · P(YA ) + 0, 2 · P(YM ) + 0, 6 · P(YB ) = 0, 2

Pero sabemos que:

3P(YM ) = P(YA ) y P(YB ) = 2P(YM )

0, 2 · 3P(YM ) + 0, 2 · P(YM ) + 0, 6 · 2P(YM ) = 0, 2

P(A) · P(B) = P(A) · [1 − P(A)]

Por lo tanto, la probabilidad de que uno este con licencia y el otro no es de un 16 %.

c) Se nos pide calcular:

P(XA | YA ) P(YA | XA ) · P(XA )

P(XA | YA ) P(YA | XA ) · P(XA )

P(A3 | A2 ∩ B1 ) · P(A2 | B1 ) · P(B1 )

a) Determinar la probabilidad de que ambos analistas evalúen el proyecto como rentable.

i) ERAnalista 1 : (A) = analista 1 evaluó el proyecto como rentable

ii) ERAnalista 2 : (B) = analista 2 evaluó el proyecto como rentable

Pi (·) = Probabilidades asociadas al analista i, con i = {1, 2}

Pi (·) = Probabilidades asociadas al analista i, con i = {1, 2}

3.2. Extras (Cadenas de Markov)

a) Determine la matriz de probabilidades de transición en una etapa que modele la

a) Matriz de Probabilidades. Sea: