Recopilacion - Ayudantias - MAT031 (LA PALTA)

Universidad Técnica Federico Santa Marı́a
Departamento de Matemática a
Campus Santiago
Recopilación de Ayudantı́as
de Estadı́stica
MAT031
Primer Semestre de 2010
a
Profesor : Enzo Hernández

Ayudante : Hugo Salazar Riquero
Índice
1. Ayudantı́a 1 4
1.1. Estadı́stica Descriptiva Univariada . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Estadı́stica Descriptiva Bivariada (Ajuste de Rectas) . . . . . . . . . . . . . . . . . 9
2. Ayudantı́a 2 12
2.1. Estadı́stica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. Teorı́a de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. Aplicación Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2. Extras (Cadenas de Markov) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1. Ejercicios Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.1. Variables Aleatorias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2. Extras (Convergencia) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3. Anexos (Variables Aleatorias Discretas) . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.1. Variables Aleatorias Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.2. Anexos (Variables Aleatorias Continuas) . . . . . . . . . . . . . . . . . . . . . . . . 54
7.1. Distribución Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
7.2. Cambio de Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
7.3. Función Generadora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
7.4. Extras (Demostración VAD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
9.1. Vectores aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
9.2. Extras (Vectores Aleatorios) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
10.Ayudantı́a 10 80
10.1. Vectores aleatorios Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
10.2. Cambio de Variables en Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
11.1. Estimación Puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
11.1.1. Método de los Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
11.1.2. Máxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
12.1. Máxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
13.Ayudantia 13 101
13.1. Intervalos de Confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
13.2. Test de Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
14.1.1. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
14.1.2. Máxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Departamento de Matemática
Campus Santiago
1. Ayudantı́a 1
1.1. Estadı́stica Descriptiva Univariada
1. En una empresa se considera la siguiente muestra correspondiente a la resistencia de 50 lotes
de algodón, medidas en libras necesarias hasta romper una madeja.
74 87 99 88 90 101 91 83 97 94
105 110 99 94 104 97 90 88 89 90
79 105 96 93 93 90 91 102 94 106
101 96 97 103 108 90 102 91 76 109
110 94 101 97 106 86 88 97 107 107
a) Construya una tabla de frecuencia.

b) Calcular X y s usando el método codificado.
Desarrollo:
a) k = número de clases
k = 1 + 3, 3 log(n) = 1 + 3, 3 log(50) = 6, 6 =⇒ k ' 7
Rango (R) = Dato mayor − Dato menor = 110 − 74 = 36

Rango de la muestra (Rm ) = R+1 = 36 + 1 = 37
Ancho del intervalo:
Rm 37
I' = =⇒ I ' 6
k 7
Exceso:
A = I · k − Rm = 6 · 7 − 37 =⇒ A = 5
Lı́mites del intervalo: li : Lı́mite inferior, Li : Lı́mite superior
A
i) si A es impar =⇒ li = dato menor −
2
A 1
ii) si A es par =⇒ li = dato menor − −
2 2
Lı́mite superior ⇒ Li = li + I
=⇒ l1 = 74 − 25 = 71, 5
=⇒ Li = 71, 5 + 6 = 77, 5
MAT031 HSR 4
Campus Santiago
Con esta información ya podemos construir la tabla de fecuencia:
Clase MCi Limites ni Ni fi Fi di ni di ni d2i

C1 74,5 71,5 - 77,5 2 2 0,04 0,04 -3 -6 18
C2 80,5 77,5 - 83,5 2 4 0,04 0,08 -2 -4 8
C3 86,5 83,5 - 89,5 6 10 0,12 0,20 -1 -6 6
C4 92,5 89,5 - 95,5 14 24 0,28 0,48 0 0 0
C5 98,5 95,5 - 101,5 12 36 0,24 0,72 1 12 12
C6 104,5 101,5 - 107,5 10 46 0,2 0,92 2 20 20
C7 110,5 107,5 - 113,5 4 50 0,08 1 3 12 36
Aparte:
i) Frecuencia Absoluta:
k
X
ni = n
i=1
ii) Frecuencia Absoluta Acumulada:

Ni
iii) Frecuencia Relativa:
ni
fi =
n
iv) Frecuencia Relativa Acumulada:
Ni
Fi =
n
v) Fórmulas para la media:
n
1X
X = xj
n j=1
k
1X
X = ni M C i
n i=1
k
1 X
X = M C0 + I ni di
n i=1
MAT031 HSR 5
Campus Santiago
vi) Fórmulas para la Varianza:

n
2 1X 2 2
s = Xj − X
n j=1
k
2 1X
s = ni (M Ci − X)2
n i=1
 !2 
k k
1 X 1 X
s2 = I2  ni d2i − ni di 
n i=1 n i=1

b) Dado que se pide calcular X y σ 2 usando el método codificado, las formulas a usar son:
i) Media (X):
k
1 X
X = M C0 + I ni di
n i=1
7
1 X
= 92, 5 + 6 ni di
50 i=1
1
= 92, 5 + · 6 · 28
50
∴ X = 95, 86
ii) Desviación estándar (s):
 !2 
k k
1 X 1 X
s2 = I 2  ni d2i − ni di 
n i=1
n i=1
 !2 
7 7
1 X 1 X
= 62 ·  ni d2i − ni di 
50 i=1 50 i=1
" 2 #
1 1
= 36 · · 120 − · 28
50 50
s2 = 75, 11
∴ s = 8, 66

2. El departamento de personal de una cierta firma realizó un estudio sobre los salarios en
unidades monetarias (u.m.) de 120 funcionarios del setor administrativo, con los siguientes
resultados:
MAT031 HSR 6
Campus Santiago
Salario / Salario Mı́nimo Frecuencia Relativa

0-2 0,25
2-4 0,40
4-6 0,20
6 - 10 0,15
a) Calcule la media, mediana, varianza y desviación estándar.

b) ¿Qué ocurre con la media si se aumentan los salarios en 100 %?, ¿y con la varianza?.
Justifique.
c) ¿Qué ocurre con la varianza si se aumentan los salarios en 0,8 u.m? Justifique.
Desarrollo:
a) Primero es necesario completar la tabla:
Salario / Salario Mı́nimo MCi ni Ni fi Fi

0-2 1 30 30 0,25 0,25
2-4 3 48 78 0,40 0,65
4-6 5 24 102 0,20 0,85
6 - 10 8 18 120 0,15 1
i) Media:
k
1X
X = ni M C i
n i=1
4
1 X
= ni M C i
120 i=1
1
= · 428
120
∴ X = 3, 65
ii) Mediana:
n −
− NM
2 e
Me = lMe + I
nM e
120
− 30
= 2+ 2 ·2
48
∴ Me = 3, 25
MAT031 HSR 7
Campus Santiago
iii) Varianza:
k
1X
s2 = ni (M Ci − X)2
n i=1
4
1 X
= ni (M Ci − 3, 65)2
120 i=1
∴ s2 = 5, 12
iv) Desviación:
√
s = s2
s = 2, 26

b) i) Media:
Sea M Ci∗ = 2M Ci , por lo que tenemos que la media es:

k
∗ 1X
X = ni M Ci∗
n i=1
k
∗ 1X
X = ni 2M Ci
n i=1
k
∗ 1X
X = 2 ni M C i
n i=1
∗
X = 2X
∗
Por lo tanto el promedio aumenta al doble (X = 7, 3)
MAT031 HSR 8
Campus Santiago
ii) Varianza:
k
1X ∗
s 2∗
= ni (M Ci∗ − X )2
n i=1
k
1X
= ni (2M Ci − 2X)2
n i=1
k
1X
= ni (2(M Ci − X))2
n i=1
k
1X
= ni 4(M Ci − X)2
n i=1
k
1X
= 4 ni (M Ci − X)2
n i=1
∴ s2∗ = 4s2
Por lo tanto la varianza aumenta cuatro veces su valor (s2 = 20, 48).
Finalmente podemos decir que si aumentamos el sueldo en un 100 % en promedio au-
menta al doble y la varianza se cuadruplica.

c) En el punto anterior vimos que si aumentamos el sueldo en a entonces la varianza
aumentará en a2 , por lo que al aumentar los sueldos en 0, 8 u.m. la varianza aumentara
en (0, 8)2 .

1.2. Estadı́stica Descriptiva Bivariada (Ajuste de Rectas)

1. La tabla muestra las edades y la presión sanguı́nea de 12 mujeres adultas
Edad X 56 42 72 36 63 47 55 49 38 42 68 60
141 125 167 118 149 128 155 140 113 140 158
Presión Sanguı́nea Y 147 128 160 119 155 132 145 150 117 143 146 150
153 122 153 117 143 124 150 115 137 152 160
a) Encontrar los coeficientes del modelo de regresión lineal.

b) Calcule el coeficiente de correlación. ¿Existe realmente una tendencia lineal?
c) Estime la presión sanguı́nea de una mujer de 45 años de edad.
Desarrollo:
MAT031 HSR 9
Campus Santiago
a) Primero debemos organizar las datos como datos pareados:

X 56 42 72 36 63 47 55 49 38 42 68 60
Y 147 125 160 118 149 128 150 145 115 140 152 155
Y = aX + b
12
1X
X = xi = 140, 33
n i=1
12
1X
Yt = Y i = 52, 33
n i=1
12
1X
xi Y i − (X Y t )
cov(X, Y ) n i=1 147, 73
a = = = ⇒ a = 1, 11
s2x 1
12
X 2
132, 71
x2i − X
n i=1
b = Y − aX = 52, 33 − 1, 11 · 140, 33 = 82, 10
Por lo tanto los parametros del modelo son: a = 1, 11 y b = 82, 10.

b) Coeficiente de correlación:
cov(x, y)
ρ =
sx sy
147, 53
=
11, 52 · sy
Aparte:
v
u 12
u1 X
sy = t (Y i )2 − (Y t )2
n i=1
p
= 19901, 8 − (140, 33)2
p
= 209, 32
= 14, 47
Por lo tanto:
147, 53
ρ= = 0, 886
11, 52 · 14, 47
Como ρ ∈ [−1; −0.7] ∪ [0.7; 1] entonces es posible decir que existe una relación lineal
entre las variables.

MAT031 HSR 10
Campus Santiago
c) Para hacer la estimación, basta reemplazar la edad en la formula obtenida:
Y = aX + b
con:
X = Edad de la mujer.
Y = Presión sanguı́nea.
Y = aX + b
= 1, 11X + 82, 10
= 1, 11 · (45) + 82, 10
∴Y = 132, 18
Por lo tanto la presión sanguinea de una mujer de 45 años será aproximadamente de

132.

MAT031 HSR 11
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 s2C y s2E .
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
MAT031 HSR 12
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
s2C = 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
∴ s2C = 32, 41
 !2 
k k
1 X 1 X
s2E = 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
∴ s2E = 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
MAT031 HSR 13
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
s2Ej = nij (M CEi − X Ej )2
n·j i=1
1
s2E1 = · (4 · (20 − 23, 3)2 + 2 · (30 − 23, 3)2 ) = 22, 2
6
1
s2E2 = · (2 · (20 − 33, 3)2 + 6 · (30 − 33, 3)2 + 2 · (40 − 33, 3)2 + 2 · (50 − 33, 3)2 ) = 88, 8
12
s2E3 = 146, 6
s2E4 = 67, 45
s2E5 = 75
MAT031 HSR 14
Campus Santiago
k
1 X
s2Ci = nij (M CEj − X Ei )2
ni· j=1
1
s2C1 = · (4 · (15 − 18, 75)2 + 2 · (20 − 18, 75)2 + 2 · (25 − 18, 75)2 ) = 17, 18
8
1
s2C2 = · (2 · (15 − 21, 25)2 + 6 · (20 − 21, 25)2 + 3 · (25 − 21, 25)2 + 1 · (30 − 21, 25)2 ) = 17, 18
12
s2C3 = 23, 98
s2C4 = 14, 87
s2C5 = 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.
MAT031 HSR 15
Campus Santiago
2.2. Teorı́a de Probabilidades

1. Se escogen 3 lámparas, de un total de 15, de las cuales 5 son defectuosas.
a) Determinar la probabilidad de que ninguna sea defectuosa.

b) Determinar la probabilidad de que exactamente una sea defectuosa.
c) Encuentre la probabilidad de que al menos una sea defectuosa.
d ) Determine la probabilidad de que la tercera sea la primera defectuosa.
e) Determine la probabilidad de que la tercera sea la segunda lámpara defectuosa.
Desarrollo:
a) Sea P(A)= Probabilidad de que ninguna lámpara sea defectuosa

10 5
3 0
P (A) = = 0, 264
15
3

b) Sea P(A)= Probabilidad de que una lámpara sea defectuosa

10 5
2 1
P (A) = = 0, 495
15
3

c) Sea P(A)= Probabilidad de que al menos una lámpara sea defectuosa
3
X 10 5
3−i i
P (A) = i=1
15
3

10 5 10 5 10 5
2 1 1 2 0 3
P (A) = + + = 0, 736
15 15 15
3 3 3
MAT031 HSR 16
Campus Santiago
d ) Sea P(A)= Probabilidad de que la tercera lámpara extraı́da sea la primera defectuosa

10 5
2 0 1
P (A) = · = 0, 086
15 5
2

e) Sea P(A)= Probabilidad de que la tercera sea la segunda lámpara defectuosa

10 5
1 1 1
P (A) = · = 0, 095
15 4
2
2. Según estudios estadı́sticos se ha determinado que el 60 % de los pasajeros en vuelo matinal

pide desayuno caliente, mientras que los restantes lo piden frı́o. Para cada uno de estos vuelos,
el avión dispone a bordo de 72 desayunos calientes y 48 desayunos frı́os. En una mañana
110 pasajeros toman el avión. Determinar la probabilidad de que cada uno de los pasajeros
reciba el desayuno adecuado.
Desarrollo:
Sea P(A)= Probabilidad de que cada pasajero reciba el desayuno adecuado

72 48
66 44
P(A) = = 0, 262
120
110
2.3. Probabilidad Condicional

1. 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 evaluara 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.
MAT031 HSR 17
Campus Santiago
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 h i
P(A) ∩ P (B) = P1 (ER|R) · P1 ER|R{ · P2 (ER|R) · P2 ER|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) R |ERAnalista 1 = Probabilidad de que el proyecto sea rentable dado que el

analista 1 evaluó el proyecto como rentable
ii) 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

MAT031 HSR 18
Campus Santiago
2.4. Aplicación Probabilidad Condicional

1. Sea Ω un espacio muestral y P(·) una medida de probabilidad definida en 2Ω (conjunto
potencia de Ω). Sean A, B, C ⊆ Ω. Determine si la proposición es verdadera o falsa.

Si P A = α y P B { = β =⇒ P(A ∩ B) ≥ 1 − α − β
{
Si la proposición es verdadera, demuéstrela. Si es falsa, provea un contraejemplo. Los con-

traejemplos deben incluir: el espacio muestral Ω, los eventos A, B y C, y la medida de
probabilidad P(·)
Desarrollo:
La proposición es verdadera, en efecto:

Sea P(A) = 1 − P A{ y P(B) = 1 − P B {
Se sabe que:
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) ∀ A ∩ B 6= ∅

P(A ∩ B) = P(A) + P(B) − P(A ∪ B)

P(A ∩ B) = 1 − P A{ + 1 − P B { − P(A ∪ B)
P(A ∩ B) = 1 − α + 1 − β − P(A ∪ B)
P(A ∩ B) = 2 − α − β − P(A ∪ B)
Ademas:
0 ≤ P(A ∪ B) ≤ 1
Por lo que finalmente tenemos:
P(A ∩ B) ≥ 1 − α − β
MAT031 HSR 19
Campus Santiago
3. Ayudantı́a 3
3.1. Probabilidad Condicional
1. Un canal de comunicaciones transfiere datos binarios. Debido a un ruido en la transmisión
algunas veces al transmitir un 0 es recibido como 1 y viceversa. La probabilidad de que un 0
transmitido sea recibido como 0 es del 94 %. La probabilidad de recibir un 1 al enviarse un
1 es del 91 %. La probabilidad de enviar un 0 es del 45 %.
a) Determine la probabilidad de recibir un 1.

b) Determine la probabilidad de que se haya transmitido un 1, dado que se recibió un 1.
c) Determine la probabilidad de errar en la tranmisión.
Desarrollo:
a) La probabilidad pedida es P(1R ) que está dada por:
= P (1R | 1T ) · P (1T ) + P (1R | 0T ) · P (0T )

= 0, 91 · 0, 55 + 0, 06 · 0, 45
∴ P (1R ) = 0, 5275

b) el problema se reduce a calcular:
P (1T ∩ 1R ) P (1R | 1T ) · P (1T )

=
P (1R ) P (1R )
0, 91 · 0, 55
=
0, 5275
P (1T ∩ 1R )
∴ = 0, 9488
P (1R )

c) Sea el evento A: error en la transmición
P (A) = P (1R | 0T ) · P (0T ) + P (0R | 1T ) · P (1T )

= 0, 06 · 0, 45 + 0, 09 · 0, 55
∴ P (A) = 0, 076
MAT031 HSR 20
Campus Santiago
2. Cuatro máquinas automáticas envasan el mismo producto en frascos de vidrio que son de-
positados en un transportador común. El rendimiento de la primera máquina es dos veces
mayor que el de la segunda y tres veces que el de la tercera. La segunda maquina produce
el doble de la cuarta. Se sabe que los porcentajes de envases hechos correctamente por la
primera, segunda, tercera y cuarta máquina son 62 %, 75 %, 98 % y 70 % respectivamente. Se
toma al azar del transportador un frasco de vidrio el cual resulto no estar correcto. Determine
la probabilidad de que este envase haya sido hecho por la máquina 1.
Desarrollo:
Sea:
Xi : Rendimiento de la máquina i, con i = {1, 2, 3, 4}
Mi : Cantidad de producción por máquina, con i = {1, 2, 3, 4}
X1 = 2X2 X1 = 3X3 X2 = 2X4
  M1 = 12X
M1 = 2M2 M1 = 4M4 ·3
 M2 = 6X

 

M2 = 2M4 M2 = 2M4 ·3

M3 = 4X
M3 = M31 M3 = 34 M4 ·3
 M4 = 3X

 

M4 = M4 M4 = M4 ·3

T = 25X
Luego las probabilidades asociadas a cada máquina son:
P (M1 ) = 0, 48 P (M2 ) = 0, 24 P (M3 ) = 0, 16 P (M4 ) = 0, 12
P (F ∩ M1 ) P (F |M1 ) P (M1 )
=
P (F ) P (F |M1 ) P (M1 ) + P (F |M2 ) P (M2 ) + P (F |M3 ) P (M3 ) + P (F |M4 ) P (M4 )
0, 38 · 0, 48
=
0, 38 · 0, 48 + 0, 25 · 0, 24 + 0, 02 · 0, 16 + 0, 3 · 0, 12
P (F ∩ M1 )
∴ = 0, 6477
P (F )
3. El aeropuerto al que llegan los aviones, tiene 2 áreas, A y B, que pueden ser usadas. Se
sabe que al área A llega el 78 %. Sabiendo que un avión, que al usar el área A, ha de venir
con problemas, es tres veces más frecuente que los que usan el área B, han de venir con
problemas. Determine la probabilidad de que un avión que viene con problemas, use el área
A.
MAT031 HSR 21
Campus Santiago
Desarrollo:
Sean:
i) P (A): Probabilidad de usar el área A.

ii) P (B): Probabilidad de usar el área B.
iii) P (D | A): Probabilidad de usar el área A dado que viene defectuoso.
iv) P (D | B): Probabilidad de usar el área B dado que viene defectuoso.
y se sabe que: P (D | A) = 3P (D | B)
P (A ∩ D) P (D | A) · P (A)
=
P (D) P (D | A) · P (A) + P (D | B) · P (B)
3P (D | B) · P (A)
=
3P (D | B) · P (A) + P (D | A) · P (B)
P (D | B) · [3P (A)]
=
P (D | B) · [3P (A) + P (B)]
3 · 0, 78
=
3 · 0, 78 + 0, 22
P (A ∩ D)
∴ = 0, 914
P (D)
4. La probabilidad de que haya un accidente en una fábrica que dispone de alarma es 0.1. La
probabilidad de que suene ésta, sı́ se ha producido algún incidente, es de 0.97; y la proba-
bilidad de que suene, si no ha sucedido ningún incidente, es 0.2. En el supuesto de que haya
funcionado la alarma, ¿Cuál es la probabilidad de que no haya habido ningún incidente?
Desarrollo:
Sean los eventos:

i) I: Existencia de incidente.
ii) A: Activación de la alarma.
P (I ∩ A) P (A | I) · P (I)
=
P (A) P (A | I) · P (I) + P A | I { · P I {
0, 2 · 0, 9
=
0, 2 · 0, 9 + 0, 97 · 0, 1
P (I ∩ A)
∴ = 0, 6498
P (A)
MAT031 HSR 22
Campus Santiago
5. Una persona tiene que efectuar una mantención diaria en el proceso, teniendo 24 horas de
labor continuada; debido a la perdida por no uso del sistema. Si se sabe que el 5 % de las
veces el proceso falla en el primer periodo y si esta se produce hay un 25 % de probabilidad
de que falle en el segundo periodo, en caso contrario hay un 35 % de probabilidad de falla.
a) Determinar la probabilidad de que en 3 periodos consecutivos falle 2 veces.

b) Si el sistema no falla en el tercer periodo, determinar la probabilidad de que no haya
fallado en ninguno de los dos periodos anteriores.
Desarrollo:
P (A): Probabilidad de que falle dos veces en tres periodos consecutivos.
a)

= P F1 ∩ F2 ∩ F3{
+ P F1 ∩ F2{
∩ F3 + P F1{
∩ F2 ∩ F3

= P F3{ | F2 ∩ F1 · P (F2 | F1 ) · P (F1 ) + P F3 | F2{ ∩ F1 · P F2{ | F1 · P (F1 )

= +P F3 | F2 ∩ F1 · P F2 | F1 · P F1{
{ {
= 0, 75 · 0, 25 · 0, 05 + 0, 35 · 0, 75 · 0, 05 + 0, 25 · 0, 35 · 0, 95
∴ P (A) = 0, 1056

b) La probabilidad pedida es:
{ { {
P F1 ∩ F2 | F3

P F3{ | F2{ ∩ F1{ · P F2{ | F1{ · P F1{
=
P F3{
Aparte:

P F3{ = P F { | F2 ∩ F1 · P (F2 | F1 ) · P (F1 )

= +P F { | F2{ ∩ F1 · P F2{ | F1 · P (F1 )

= +P F { | F2 ∩ F1{ · P F2 | F1{ · P F1{

= +P F { | F2{ ∩ F1{ · P F2{ | F1{ · P F1{
= 0, 75 · 0, 25 · 0, 05 + 0, 65 · 0, 75 · 0, 05 + 0, 75 · 0, 35 · 0, 95 + 0, 65 · 0, 65 · 0, 95

∴ P F3{ = 0, 6845
MAT031 HSR 23
Campus Santiago
Luego:

P F3{ | F2{ ∩ F1{ · P F2{ | F1{ · P F1{
P F1{ ∩ F2{ | F3{ =
P F3{
0, 65 · 0, 65 · 0, 95
=
0, 6845

∴ P F1{ ∩ F2{ | F3{ = 0, 5862
3.2. Extras (Cadenas de Markov)

1. Considere una tienda que mantiene un inventario de un producto dado para satisfacer una
demanda (aleatoria). La demanda diaria D, tiene la siguiente distribución:
P(D = 0) = 1/4 P(D = 1) = 1/2

P(D = 2) = 1/4 P(D ≥ 3) = 0
Sea Xn el nivel del inventario al comienzo del dı́a n y suponga que la tienda tiene una polı́tica
de mantención de inventario (s, S) que consiste en si al final del dı́a se posee menos de s, se
hace una orden de pedido que al inicio del dı́a siguiente eleva las existencias al nivel S y en
caso contrario no se pide nada. Asuma que la demanda no satisfecha es demanda perdida y
que al inicio del horizonte de planificación hay S unidades en inventario con s = 1 y S = 2
a) Halle la forma de conocer el inventario al comienzo de cualquier dı́a a partir de n + 1

(ayuda: matriz de probabilidades de transición).
b) Calcule la probabilidad de tener un nivel de inventario s y S al comienzo del dı́a n + 3,
considerando que según estudios P(s) = 0, 45 y P(S) = 0, 55 para un dı́a n.
c) Determinar en que proporción tendremos un nivel de inventario s e inventario nivel S
en el largo plazo.
Desarrollo:
Definamos:
i) Xn : El nivel de inventario al inicio del dı́a n

ii) Estado 1: Una unidad de inventario.
iii) Estado 2: Dos unidades en inventario.
Sea:
MAT031 HSR 24
Campus Santiago
a) P11 : Probabilidad de que existiendo una unidad en el inventario al inicio del dı́a, exista
la misma unidad en inventario al dı́a siguiente. En este caso, solo exı́ste la posibilidad
que no me demanden nada. Por lo tanto P11 = 1/4.
b) P12 : Probabilidad de que existiendo una unidad en inventario al inicio del dı́a, existan
dos unidades en inventario al dı́a siguiente. En este caso hay dos opciones:
1) Que exista demanda por 2 unidades, es decir, se vende solo una, la otra es demanda
insatisfecha, se baja el inventario s a cero y al periodo siguiente habrán S = 2.
2) Que exista demanda por 1 unidad, se baja el inventario s a cero y al periodo sigu-
iente habrán S = 2.
Por lo tanto:
P12 = P (D = 1) + P (D = 2) = 1/4 + 1/2 = 3/4
c) P21 : Probabilidad de que existiendo dos unidades en inventario al inicio del dı́a, exista
una unidad en inventario al dı́a siguiente. Para que esto exı́sta solo deberán demandar
una unidad. Por lo tanto P21 = 1/2.
d ) P22 : Probabilidad de que existiendo dos unidades en inventario al inicio del dı́a, existan
dos unidades en inventario al dı́a siguiente. Es claro que para que esto suceda, no se
demanda ninguna unidad o se demandan al menos dos unidades. Es decir:
P22 = P (D = 0) + P (D ≥ 2) = 1/4 + 1/4 = 1/2
Con esta información ya podemos comenzar a responder a lo que se nos pregunta.
a) Matriz de probabilidades de transición en una etapa:

1/4 3/4
P =
1/2 1/2

b) Para calcular las probabilidades de cada nivel de inventario debemos utilizr la siguiente
formula: (n) (0)
f (n) = P T f
Donde:
(n)
i) P T : matriz traspuesta elevada a n.
(0)
ii) f : matriz de distribución inicial.
cuyas matrices son:

1/4 1/2 0, 45
PT = f (0) =
3/4 1/2 0, 55
MAT031 HSR 25
Campus Santiago
(3)
Ahora necesitamos calcular P T :

T (3)
1/4 1/2 1/4 1/2 1/4 1/2 0, 39065 0, 40625
P = · · =
3/4 1/2 3/4 1/2 3/4 1/2 0, 609375 0, 59375
Por lo tanto la probabilidad para cada nivel de inventario al comienzo del dı́a n + 3
viene dada por:

0, 39065 0, 40625 0, 45 0, 399
· =
0, 609375 0, 59375 0, 55 0, 601
Es decir, que para el dı́a n + 3 la probabilidad de tener un inventario s y S son de 39,9 %

y 60,1 % respectivamente.

c) En el caso de calcular en el largo plazo, debemos utilizar la siguiente formula:

T
π0 1/4 1/2 π0
π= P π= = ·
π1 3/4 1/2 π1
π0 + π1 = 1
de aquı́ se tienen las siguientes ecuaciones:
1 1
π0 = π0 + π 1 (1)
4 2
3 1
π1 = π0 + π 1 (2)
4 2
π0 + π 1 = 1 (3)
reemplazando 1 − π0 , obtenida de (3), en (1) tenemos:
1 1
π0 = π0 + (1 − π0 )
4 2
1 1 1
π 0 + π0 − π 0 =
2 4 2
2
π0 =
5
Luego, reemplazando el valor obtenido para π0 en cualquiera de las ecuaciones anteriores,

tenemos que:
3
π1 =
5
Es decir, en el largo plazo las probabilidades asociadas a los niveles de inventario s y S
son 40 % y 60 % respectivamente.
MAT031 HSR 26
Campus Santiago
MAT031 HSR 27
Campus Santiago
4. Ayudantı́a 4
4.1. Ejercicios Certamen 1
1. Un banco debe elegir una directiva compuesta por 5 cargos: director, subdirector, interventor,
cajero y cobrador, entre 8 candidatos. Los candidatos son:
3 hombres : Felipe, Gonzalo y Joaquı́n.
5 mujeres : Alicia, Bárbara, Evelyn, Claudia y Natalia.
Suponga que si una persona pertenece a esta directiva, esta persona puede ocupar sólo un
cargo y suponga que todas las posibles directivas que pueden formarse tienen la misma
probabilidad de ocurrir.
a) Determine el número de directivas diferentes que es posible formar.
Desarrollo:
Usando principio multiplicativo, el número de directivas diferentes que se pueden formar

es: 8 · 7 · 6 · 5 · 4
b) Calcule la probabilidad que Felipe y Gonzalo NO estén simultáneamente en la directiva.
Desarrollo:
Sea A: ”Gonzaloy Felipe

no están simultaneamente en la directiva”. Notar que P(A) =
5
1 − P A{ . hay · 2! = 20 formas de que Felipe y Gonzalo ocupen un cargo en la
2
directiva (pues, cargos son diferentes).
Una vez asignados los cargos de Felipe y Gonzalo, hay 6 · 5 · 4 formas de llenar los cargos
restantes. Luego, A{ tiene 20 · 6 · 5 · 4 elementos (Principio multiplicativo). Por lo tanto,
dada la equiprobabilidad entre todas las directivas posibles, la probabilidad pedida es:

P(A) = 1 − P A{
20 · 6 · 5 · 4
= 1−
8·7·6·5·4
= 1 − 0, 36
∴ P(A) = 0, 64
c) Calcule la probabilidad que la directiva esté compuesta por al menos 3 mujeres.
Desarrollo:
Para cada j ∈ {3, 4, 5}, definimos el evento Mj : ”En la directiva hay exactamente j
mujeres”. Para cacular el número de elementos que tiene M3 considere lo siguiente:

5
i) Hay formas de elegir los cargos que ocuparán mujeres (pues los cargos son
3
MAT031 HSR 28
Campus Santiago
diferentes).
ii) Una vez hecho lo anterior, estos cargos pueden ser llenados de 5 · 4 · 3 formas.
iii) Una vez hecho i) yii), hay 3 · 2 formas de llenar los cargos compuestos por hombres.
5
Luego, M3 tiene · 5 · 4 · 3 · 3 · 2 = 3600 elemento (Principio Multiplicativo).
3
Usando argumentos
similares, se tiene que:
5
M4 tiene · 5 · 4 · 3 · 3 · 2 = 1800
4
M5 tiene 5 · 4 · 3 · 3 · 2 = 120
Por lo tanto, la probabilidad pedida es:
3600 + 1800 + 120
P(M3 ) + P(M4 ) + P(M5 ) = = 0, 82
8·7·6·5·4
2. 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
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:
MAT031 HSR 29
Campus Santiago
Necesitamos utilizar el teorema de Bayes para calcular las probabilidades luego de au-
menta 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.
3. Un médico examina la radiografı́a de un paciente y está indeciso respecto a su diagnóstico

entre cáncer al pulmón y tuberculosis. Sobre la base de información hı́storica, se estima que
la probabilidad de que el cáncer produzca una radiografı́a de este tipo es 0,6, la cual aumenta
a 0,8 para la tuberculosis. En su experiencia, el médico estima que el 70 % de los pacientes
que consultan por sı́ntomas similades tiene cáncer y el 30 % de ellos tiene tuberculosis.
a) Dado que la radiografı́a es del tipo observado. ¿cuál es la probabilidad que el paciente
tenga cáncer?
Desarrollo:
Sea:
C: El paciente padece de cáncer al pulmón.
R: La radiografı́a es del tipo observado.
Luego se tienen las siguientes probabilidades: P(C) = 0, 7, P(R | C) = 0, 6,
P R | C { = 0, 8.
MAT031 HSR 30
Campus Santiago
La probabilidad pedida es:

P(R | C) · P(C)
P(C | R) =
P(R | C) · P(C) + P R | C { · P C {
0, 6 · 0, 7
=
0, 6 · 0, 7 + 0, 8 · 0, 3
= 0, 6364
b) Dado que la radiografı́a es del tipo observado, ¿cuál es la probabilidad de que el paciente
tenga tuberculosis?
Desarrollo:

{
P C |R = 1 − P(C | R)
= 1 − 0, 6364
= 0, 3636
c) Si la radiografı́a no hubiera sido del tipo que se observó, se presentarı́a nuevamente

el problema de decidir entre cáncer y tuberculosis. Indique y calcule cuáles son las
probabilidades relevantes.
Desarrollo:
Se pide calcular las siguientes probabilidades:

P R{ | C · P(C)
P C | R{ = y P C { | R{ = 1 − P C | R{
P R{
Luego las probabilidades pedidas son:
0, 4 · 0, 7
P C | R{ =
0, 34
= 0, 8235
0, 4 · 0, 7
P C { | R{ = 1 −
0, 34
= 1 − 0, 8235
= 0, 1765
4. 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
MAT031 HSR 31
Campus Santiago
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.
5. La siguiente tabla se refiere al número Y de bacterias por unidad de volumen presentes luego
de X horas.
X (hrs) 0 1 2 3 4 5 6
Y (bact/V ) 32 47 65 92 132 190 275
a) ¿Cuál es el modelo a ajustar?
Desarrollo:
Ustedes que saben usar calculadora, ingresen los datos en ella y calculen para los tres
modelos existentes, y conocidos por ustedes, los respectivos valores para a, b y R. Pos-
teriormente deben comparar los valores obtenidos para R en cada una de las curvas
estudiadas y elegir la que se acerque mas a 1 o −1. Esa es la respuesta correcta.
MAT031 HSR 32
Campus Santiago
b) Verificar si el ajuste de la curva es aceptable
Desarrollo:
Reemplazar valores en el modelo a ajustar (obtenido en el punto anterior) y verificar

que el valor generado es similar al valor que se encuentra en la tabla.
c) ¿Cuántas bacterias habrá por unidad de volumen en X = 3, 5 hrs?
Desarrollo:
Idem que (b).
MAT031 HSR 33
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: P (x < 1), P (−2 < x < 2) y 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) P (x < 1) = P (x = −2) + P (x = −1) + P (x = 0) = 0, 05 + 0, 1 + 0, 3 = 0, 45

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
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
MAT031 HSR 34
Campus Santiago
2. En un paı́s hay 4 partidos polı́ticos, que se dividen la opinión pública. El 35 % de la población

adhiere al partido I; el 31 %, al partido II; el 28 % al partido III y el 6 % al partido IV. Se sabe
además que entre los adherentes del partido I, un 36 % corresponde a personas con ingresos
inferiores a dos sueldos mı́nimos. Entre los del partido II, el 52 % tiene ingresos inferiores a
dos sueldos mı́nimos; entre los del partido III hay un 42 % y en el partido IV hay un 11 %.
a) Encontrar la probabilidad de que al sacar una persona al azar, siendo esta con una renta
inferior a dos sueldos mı́nimos, pertenezca al partido IV.
b) Se sacan 10 personas al azar, ¿Cuál es la probabilidad que al menos dos tengan rentas
inferiores a dos sueldos mı́nimos?
Desarrollo:
a) Sean los eventos:

i: adherencia al partido i, con i = {I, II, III, IV }.
S: recibir una renta menor a dos sueldos mı́nimos.
P (I) = 0, 35 ; P (II) = 0, 31 ; P (III) = 0, 28 ; P (IV ) = 0, 06

P (S | I) = 0, 36 ; P (S | II) = 0, 52 ; P (S | III) = 0, 42 ; P (S | IV ) = 0, 11
Se pide calcular:
P (S | IV ) P(IV )
P (IV | S) =
P (S | I) P(I) + P (S | II) P(II) + P (S | III) P(III) + P (S | IV ) P(IV )
0, 11 · 0, 06
=
0, 36 · 0, 35 + 0, 52 · 0, 31 + 0, 42 · 0, 28 + 0, 11 · 0, 06
0, 0066
=
0, 4114
∴ P (IV | S) = 0, 016
b) Sea X: personas con renta inferior a dos sueldos mı́nimos.

X ∼ Bin (n, p), con n = 10 y p = 0, 4114

n
fx (x) = px (1 − p)n−x
x
Luego la probabilidad pedida es:
10
X 10
P (x ≥ 2) = (0, 4114)x (1 − 0, 4114)10−x = 96 %
x
x=2
3. El 70 % de los aviones ligeros que desaparecen en vuelo en cierto paı́s son descubiertos
posteriormente. De las naves descubiertas, el 60 % tiene localizador de emergencia, en tanto
que el 90 % de las naves no descubiertas no tiene ese localizador.
MAT031 HSR 35
Campus Santiago
a) Calcule la probabilidad que un avión ligero tenga localizador de emergencia.

b) Considere 10 aviones ligeros desaparecidos. ¿Cuál es la probabilidad que exactamente
2 de ellos tengan localizador de emergencia?
c) Ud. Observa independientemente aviones ligeros hasta obtener el primer avión con lo-
calizador de emergencia. ¿Cuál es la probabilidad que el proceso finalice en a lo mas 10
observaciones?
d ) Ud. Observa independientemente aviones ligeros hasta obtener el tercer avión con lo-
calizador de emergencia. ¿Cuál es la probabilidad que el proceso finalice al menos en 4
observaciones?
Desarrollo:
a) Sean los eventos:

D: ”Avión ligero descubierto”
L: ”Avión ligero tiene localizador de emergencia”

Conocemos que P (L | D) = 6/10, P L{ | D{ = 9/10 y P (D) = 7/10.
La probabilidad pedida es:

P (L) = P (L | D) · P(D) + P L | D · P D{
{
6 7 1 3
= · + ·
10 10 10 10
45
=
100
∴ P (L) = 45 %
b) Sea X: ”Número de aviones con localizador de emergencia, de entre los 10 aviones

disponibles”. Claramente Rec (X) = {0, 1, 2, . . . , 10} y además X ∼ Bin (n = 10; p = 0, 45).
Por lo que la probabilidad pedida es:

10
P (X = 2) = (0, 45)2 (1 − 0, 45)10−2
2
= 0, 076
c) Sea Y : ”Número de aviones que es necesario observar hasta obtener el primer avión
con localizador de emergencia”. Claramente, Rec (X) = {1, 2, 3, . . .} y además Y ∼
Geom (p = 0, 45). Por lo que la probabilidad pedida es:
10
X
P (Y ≤ 10) = (0, 45)(1 − 0, 45)y−1
y=1
= 0, 997
MAT031 HSR 36
Campus Santiago
d ) Sea Z: ”Número de aviones que es necesario observar hasta obtener el tercer avión
con localizador de emergencia”. Claramente, Rec (Z) = {3, 4, 5, . . .} y además Z ∼
BinN eg (r = 3; p = 0, 45). Por lo tanto la probabilidad pedida es:
P(Z ≥ 4) = 1 − P(Z = 3)

3−1
= 1− (0, 45)3 (1 − 0, 45)3−3
3−1
= 0, 909
4. 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 %
5. 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
MAT031 HSR 37
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 λλ
= lı́m 1− 1−
n→∞ k n nn
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!
∴ lı́m Xn = P (λ)
n→∞
MAT031 HSR 38
Campus Santiago
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))
MAT031 HSR 39
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 → R 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
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)
MAT031 HSR 40
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
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.
MAT031 HSR 41
Campus Santiago
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
MAT031 HSR 42
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
MAT031 HSR 43
Campus Santiago
Aparte: Z ∞ − x2 √ − x x=∞
Z ∞
√ −x
e
√ 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
√ x
notar que cuando x = 0 no hay problemas en ver que el término 2 xe− 2 = √ 0, pero
x
cuando 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 1 x
x→∞ e 2
2
0
1
= 2 lı́m √ x
x→∞ xe 2
= 0
por lo que tenemos:
Z ∞ ∞
√ −x √
Z
z2
xe dx =
2 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 cuando
z2
z = ∞ tenemos algo de la forma ∞ ∞
, por lo que es necesario calcular lı́m −ze− 2 .
z→∞
2
− z2 z
lı́m −ze = − 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
MAT031 HSR 44
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
MAT031 HSR 45
Campus Santiago
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 éste
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
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.
X ∼ exp (λ) con λ = E1 ⇒ λ = 1
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=∞
−e− 16 x
x=5
5 25
− 16 − 16
e −e
= 5
− 16
e
= 0, 7135
∴ P (X < 25 | X > 5) = 0, 7135
MAT031 HSR 46
Campus Santiago
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.
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:
MAT031 HSR 47
Campus Santiago
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
∴ 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) 0 1
= FX √
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)
MAT031 HSR 48
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 = ∞ entonces

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
• 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
MAT031 HSR 49
Campus Santiago
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 lı́m −y 2 e−y .
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:
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
MAT031 HSR 50
Campus Santiago
6
la probabilidad que no lleguen barcos en más de seis horas debemos hacer 24
= 0, 25)
Z ∞
P (X > 0, 25) = 5e−5x dx
0,25
= −e−5x |x=∞
x=0,25

: 0 −5·0,25
−5·∞
= − −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 pesos
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
MAT031 HSR 51
Campus Santiago
∴ 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 funcion densidad normal (µ, σ 2 ):

t2 σ 2
ϕX (t) = eµt+ 2
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
MAT031 HSR 52
Campus Santiago
∴ Y ∼ U [0, 1]
Nota: F debe ser creciente en [0, 1] para que exista FX FX−1 (X) = X

MAT031 HSR 53
Campus Santiago
6.2. Anexos (Variables Aleatorias Continuas)
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.
MAT031 HSR 54
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
!
*1
0 −λ·0
e−λ·∞
:
= − −
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:
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
MAT031 HSR 55
Campus Santiago
Aparte, sea: 2
Z ∞ 2
Z ∞ 2
− z2 − z2
e dz = I =⇒ e dz = I2
−∞ −∞
Resolvamos I 2 :
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 A0 u, v
Donde:
∂x ∂x

x, y
∂u ∂v
∂x ∂y ∂x ∂y
J = ∂u · ∂v − ∂v · ∂u
∂y ∂y
=
u, v ∂u ∂v
Haciendo el siguiente cambio de variables:
z = r cos θ y = r sin θ con 0 ≤ θ ≤ 2π y 0 ≤ r ≤ ∞
y calculando:
∂z ∂z
z, y
∂r

∂θ
J = ∂y ∂y
r, θ
∂r ∂θ
cos θ −r sin θ
=
sin θ r cos θ
= r cos2 θ − −r sin2 θ

= r sin2 θ + cos2 θ

= r
MAT031 HSR 56
Campus Santiago
por lo que:
Z ∞Z ∞ Z 2π Z ∞
2
− 12 (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.
MAT031 HSR 57
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) =
 (α0 − 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
MAT031 HSR 58
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 diametro de cierto eje se distribuye N (2, 79; 0, 012 ) medidos en centı́metros. Si las
medidas del diametro se encuentran dentro del rango 2, 77 ± 0, 03 cm. entonces se dice
que estan en buen estado.
a) Si se producen 1000 ejes, ¿Cuántos se esperan defectuosos?
b) ¿Qué probabilidad hay de que a lo mas 2 mediciones de ejes se desvien en mas de
0,02 cm. con respecto a la media en una muestra de tamaño 10?
Desarrollo:
a) X: Diametro del eje. X ∼ N (2, 79; 0, 012 ). Notar que si:
2, 77 − 0, 03 < X < 2, 77 + 0, 03
MAT031 HSR 59
Campus Santiago
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: diametro 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 %
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.
MAT031 HSR 60
Campus Santiago
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
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
MAT031 HSR 61
Campus Santiago
∴ P(X > 9600) = 2, 28 %
7.2. Cambio de Variables

1. Sea la función:
hX (x) = ke−|x| con x ∈ R
a) Calcular la constante k para que sea función densidad.
b) Si X tiene funcion densidad hX (x) e Y = 25X 2 , encontrar hY (y) y verificar que es
función densidad.
Desarrollo:
a)
Z ∞
ke−|x| dx = 1
−∞
Z 0 Z ∞
kex dx + ke−x dx = 1
−∞
Z0 ∞
2 ke−x dx = 1
0
Z ∞
2k e−x dx = 1
| 0 {z }
1
1
∴ k=
2
b) Sea:
HY (y) = P (Y ≤ y)
= P 25X 2 ≤ y

√
= P (| 5X |≤ y)
√
y
= P | X |≤
5
√ √
y y
= P − ≤X≤
5 5
+
√ √ : X ∈ R0
y y
= P X≤ − P X ≤−

5 5
√
y
= P X≤
5
√
y
= HX
5
MAT031 HSR 62
Campus Santiago
derivando se tiene que:

√
dHY (y) 0 y
= HX
dy 5
√
y 1 1
= hY √
5 52 y
1 | √y | 1
= e 5 √ I]0,∞[ (y)
2 10 y
√
1 y
∴ hY (y) = √ e 5 I]0,∞[ (y)
20 y
7.3. Función Generadora de Momentos

1. 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)
2. 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:
MAT031 HSR 63
Campus Santiago
ϕY (t) = E eY t

P n Xi
= E e( i=1 n )t
n
!
t
Y
= E eXi n
i=1
n
Y t
= E eXi n (por independencia de las variables)
i=1
n 2 2
µ nt + σ2 ( nt )
Y
= e
i=1
1
!n
2 σ2

µt+ t2 n
= e n
2 σ2

µt+ t2
= e n
σ2

∴ Y ∼ N µ,
n
MAT031 HSR 64
Campus Santiago
7.4. 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 . . . (0)
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.
MAT031 HSR 65
Campus Santiago
8. Ayudantı́a 8
1. 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)
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
1 2
1 1
2
fY (y) = √ y 2 −1 e− 2 y IR+ (y)
π
MAT031 HSR 66
Campus Santiago
1
21
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
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
Haciendo el siguiente cambio de variables:

π
u = r cos θ z = r sin θ con 0 ≤ θ ≤ y 0≤r<∞
2
MAT031 HSR 67
Campus Santiago
y calculando:
∂z ∂z
z, y
∂r

∂θ
J = ∂y ∂y
r, θ
∂r ∂θ
cos θ −r sin θ
=
sin θ r cos θ
= r cos2 θ − −r sin2 θ

= r sin2 θ + cos2 θ

= r
por lo que:
π
Z ∞ Z ∞ Z
2
Z ∞
2
−(u2 +z 2 ) +(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
−0
*
*

= − e
− 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
2. Sea X ∼ N (µ, σ 2 ), si Y = aX + b, donde a, b ∈ R, demuestre que Y ∼ N (aµ + b, a2 σ 2 )
Desarrollo:
MAT031 HSR 68
Campus Santiago
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
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 )
3. 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
=⇒ β+1
= 1
α z
∞
β 1
=⇒ cα − β = 1
βz α
β
c
α
=⇒ β
= 1
β
α
MAT031 HSR 69
Campus Santiago
∴ c=β
b) Por definición:
Z ∞
E(Z) = zfZ (z) dz
−∞
Z β
βαβ
= z β+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
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)
4. Sea X una variable aleatoria con función densidad:

3x2 − x3
f (x) = e θ I[0,∞[ (x) ; θ > 0
θ
X2
Se define Y = , encontrar la función densidad de Y .
θ
Desarrollo:
MAT031 HSR 70
Campus Santiago
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 p : X ∈ [0, ∞[

= P X ≤ θy − P X ≤− θy

p
= FX θy
derivando tenemos:
d p
FY (y) = FX0 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
MAT031 HSR 71
Campus Santiago
9. Ayudantı́a 9
9.1. Vectores aleatorios
1. Un autobús llega a una parada con distribución uniforme sobre el intervalo de cero a una
hora (X). Un pasajero también llega a la parada en instantes distribuidos uniformemente
sobre el intervalo de cero a una hora (Y ). Supóngase que los tiempos de llegada de un
autobús y del pasajero son independientes entre sı́ y que el pasajero está dispuesto a
esperar el autobús hasta por un cuarto de hora.
a) Determine la función densidad conjunta.
b) ¿Cuál es la probabilidad de que tal pasajero pueda abordar el autobús?
c) Obtenga P Y < 41 | X < 12 . Interprete.

Desarrollo:
a) De acuerdo al enunciado tenemos: fX (x) = 1I[0,1] (x) y fY (y) = 1I[0,1] (y). Al ser
variables aleatorias independientes su función densidad conjunto viene dada por:
fXY (x, y) = fX (x)fY (y)
∴ fXY (x, y) = 1 con 0 ≤ x ≤ 1 y 0 ≤ y ≤ 1

b) Se pide calcular: P(X ≤ 0, 25, Y ≤ 0, 25)
Z 0,25 Z 0,25
= dx dy
0 0
Z 0,25
0,25

= x dy
0 0
0,25
= 0, 25y|0
1
∴ P(X ≤ 0, 25, Y ≤ 0, 25) =
16

c)
Z 0,5 Z 0,25
dy dx
1 1 0 0
P Y < |X< = 1 0,25
4 2
Z Z
dx dy
0 0
1
8
= 1
2
1
=
4
MAT031 HSR 72
Campus Santiago

1 1 1
∴ P Y < |X< =
4 2 4
Es decir, la probabildad de que el pasajero tome el bus en a lo más 15 minutos,
dado que el bus pasa en 30 minutos es de 25 %

2. Suponga que las variables aleatorias X e Y tienen distribución conjunta


 k(x2 + y 2 ) 0 ≤ x ≤ 1 , 0 ≤ y ≤ 1

fXY (x, y) =


0 en otro caso

a) Determine k, para que fXY (x, y) sea función densidad.

b) Encuentre las densidades marginales de X y Y .
c) ¿Son X e Y variables independientes? ¡Justifique!.
d) Encuentre las densidades condicionales de X e Y .
e) Calcular P(Y < 21 | X = 12 ) y P(X < 21 | Y ≤ 12 ).
f) Encuentre E(X), V(X), E(Y ) y V(Y ).
g) Encuentre E(X | Y = y)
Desarrollo:
Z ∞ Z ∞
a) Para que sea función densidad, debe cumplir que: fXY (x, y) dx dy = 1
−∞ −∞
Z 1 Z 1
k(x2 + y 2 ) dx dy = 1
0
Z 1 0Z 1
k (x2 + y 2 ) dx dy = 1
"Z 0 0 x=1 #
1
x3
k + xy 2 dy = 1
0 3 x=0
Z 1
1 2
k +y dy = 1
0 3
" y=1 #
y y 3
k + = 1
3 3 y=0

2
k = 1
3
3
∴ k=
2

MAT031 HSR 73
Campus Santiago
b) La función densidad de X viene dada por:

Z 1
3 2
fX (x) = (x + y 2 ) dy
0 2
3 y=1

3 2y
= +yx
2 3 y=0
3 2 1
= x +
2 2
3 1
∴ fX (x) = x2 + 0≤x≤1
2 2
La función densidad de Y viene dada por:
Z 1
3 2
fY (y) = (x + y 2 ) dx
0 2
x=1
3 x3

2

= + xy
2 3 x=0
3 2 1
= y +
2 2
3 1
∴ fY (y) = y 2 + 0≤y≤1
2 2

c) Las variables no son independientes, pues:

3 2 2 3 2 1 3 2 1
(x + y ) 6= x + y +
2 2 2 2 2

d)
fXY (x, y)
fY |X (x, y) =
fX (x)
3
(x2 + y 2 )
= 23 2 1
2
x +2
3(x2 + y 2 )
∴ fY |X (x, y) =
3x2 + 1
fXY (x, y)
fX|Y (x, y) =
fY (y)
3
2
(x2 + y 2 )
= 3 2
2
y + 12
3(x2 + y 2 )
∴ fX|Y (x, y) =
3y 2 + 1
MAT031 HSR 74
Campus Santiago

e)
Z 1/2
1 1 3((1/2)2 + y 2 )
P(Y < | X = ) = dy
2 2 0 3(1/2)2 + 1
= 0, 2857
1 1
∴ P(Y < | X = ) = 28, 57 %
2 2
1 1 P(X < 12 , Y ≤ 12 )
P(X < | Y ≤ ) =
2 2 P (Y ≤ 12 )
Z 1/2 Z 1/2
3 2
(x + y 2 ) dx dy
2
= 0 Z0 1/2
3 2 1
y + dy
0 2 2
1
32
= 5
16
1 1 1
∴ P(X < |Y ≤ )=
2 2 10

f)
Z 1
3 2 1
E(X) = x x + dx
0 2 2
Z 1
3 3 x
= x + dx
0 2 2
1
3 4 x2

= x +
8 4 0
3 1
= +
8 4
5
∴ E(X) =
8
5
Notar que E(Y ) = , por simetrı́a.
8
MAT031 HSR 75
Campus Santiago
Z 1
2 3 2 1 2
E(X ) = x x + dx
0 2 2
Z 1
3 4 x2
= x + dx
0 2 2
1
3 5 x3

= x +
10 6 0
3 1
= +
10 6
7
∴ E(X 2 ) =
15
7
Notar que E(Y 2 ) = , por simetrı́a.
15
Finalmente la varianza de X es:

V(X) = E(X 2 ) − [E(X)]2
2
7 5
= −
15 8
7 25
= −
15 64
∴ V(X) = 0, 076
y la varianza de Y es V(Y ) = 0, 076 , por simetrı́a.

g)
Z 1
E(X | Y = y) = x fX|Y =y (x, y) dx
Z0 1
3(x2 + y 2 )

= x dx
0 3y 2 + 1
Z 1
3
= x3 + xy 2 dx
3y 2 + 1 0
4 1
3 x x2 2
= + y
3y 2 + 1 4 2 0
2

3 1 y
= +
3y 2 + 1 4 2
3 1 + 2y 2

∴ E(X | Y = y) =
4 1 + 3y 2

MAT031 HSR 76
Campus Santiago
9.2. Extras (Vectores Aleatorios)

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
MAT031 HSR 77
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)
MAT031 HSR 78
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
−∞ −∞
MAT031 HSR 79
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 produzcan
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

MAT031 HSR 80
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
2
x2 fX|Y =0 (x, y)

E X |Y =0 =
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

d ) Las variables no son independientes, pues:
fXY (0, 0) 6= fX (0)fY (0)
1 3 3
6= ·
10 10 5

MAT031 HSR 81
Campus Santiago
10.2. Cambio de Variables en Vectores

1. Sean X e Y variables aleatorias con densidad conjunta dada por:
1
fXY (x, y) = , x≥1,y≥1
x2 y 2
Se definen las variables aleatorias U = XY , V = X/Y

a) Encuentre la función de densidad conjunta para las variables U y V . Es decir la
densidad del vector (U, V ).
b) Encuentre las densidades marginales para U y V .
c) Demuestre que las funciones encontradas en (b), son funciones densidad.
Desarrollo:
a) Notar que se tiene el siguiente sistema de ecuaciones:
U = XY
V = X/Y
de la segunda ecuación se obtiene
p que X = V Y√, por lo que al reemplazar√en la
primera se
puobtiene que: Y = U/V y X = U V , es decir x(u, v) = uv y
y(u, v) = v . Además se requiere que x(u, v) ≥ 1 y y(u, v) ≥ 1, lo que nos entrega
que uv ≥ 1 y uv ≥ 1, por lo tanto consideremos el siguiente conjunto:

1
D = (u, v) : 1 ≤ u , ≤ v ≤ u
u
y la transformación:
T : [1, ∞[×[1, ∞[ −→ D
xy
(x, y) −→ T (x, y) =
x/y
La cuál es una transformación biyectiva, en efecto:
• T es inyectiva:
Supongamos que T (x, y) = T (w, z). Entonces:
x w
(1) xy = wz (2) =
y z
Como x, y, w, z > 0, depejando x de (1) y reemplazándolo en (2) se obtiene

y = z, lo que implica en (1) que x = w. Luego se tiene que (x, y) = (w, z).
• T sobreyectiva: √ pa
Sea (a, b) ∈ D. Entonces, considerando x = ab ≥ 1 y y = b
≥ 1, se
tiene que T (x, y) = (a, b). Lo cuál es cierto por la forma en que fue definida la
transformación.
MAT031 HSR 82
Campus Santiago
La transformación inversa de T es:

T −1 : D −→[1, ∞[×[1,
∞[√
−1 uv
(u, v) −→ T (u, v) = p
u/v
Ahora calcularemos la matriz Jacobiana y su determinante:
√v √
u

∂x ∂x
√ √
JT −1 (u, v) = ∂u ∂v = 2 u 2 √v

∂y ∂y 1 − u
√ √

∂u ∂v

2 uv 2 v 3
Luego: √ √ √
v − u u 1 1
|det(JT −1 (u, v))| = √ · √ − √ · √ =
2 u 2 v 3 2 v 2 uv 2v
por lo que reemplazaremos de acuerdo a la definición de cambio de variable:
fXY T1−1 (u, v), T2−1 (u, v) |det(JT −1 (u, v))|

√
con T1−1 (u, v) = xy y T2−1 (u, v) = u/v Reemplazando tenemos:
p
1 1 1
fXY T1−1 (u, v), T2−1 (u, v) |det(JT −1 (u, v))| = √

2 = 2
2v 2u v
p
2
( uv) u/v
finalmente la densidad conjunta para el vector aleatorio (U, V ) está dada por:
1 1

 , u≥1 y ≤v≤u
2u2 v

fU V (u, v) = u


0 , en otro caso

b) Consideremos u ≥ 1. La densidad marginal de U está dada por:
Z ∞
fU (u) = fU V (u, v) dv
−∞
Z u
1
= dv
1 2u2 v
u
v=u
1
= 2
ln v
2u 1
v= u
1
= (ln u − ln(1/u))
2u2
1
= (ln u − (ln 1 − ln u))
2u2
ln u
=
u2
MAT031 HSR 83
Campus Santiago
ln u
∴ fU (u) = I[1,∞[(u)
u2
Consideremos v > 0. La densidad marginal de V está dada por:
Z ∞
fV (v) = fU V (u, v) du
−∞
Z ∞
1
= 2
du
máx{1/v,v}2u v
∞
1 −1
=
2v u máx{1/v,v}
0
 
1  −1 7 −1
=  −

2v ∞ máx {1/v, v}

1
=
2v máx {1/v, v}
1
∴ fV (v) = I]0,∞[(v)
máx {2, 2v 2 }
c) • Demostración para fU (u).
Es claro que fU (u) ≥ 0 ∀ u ≥ 1

Z ∞ Z ∞
ln u
fU (u) du = du
−∞ 1 u2
1 1 1
= haciendo z = ln u → dz = du y dv = 2 du → v = −
∞ Z ∞ u u u
− ln u 1
= + 2
dx
u 1 1 u
∞ 0
> Z ∞
− ln u

1
= + 2
dx
u 1 1 u

− ln 1 − ln u
= ya que = 0 y lı́m =0
Z ∞ 1 u→∞ u
1
= 2
du
1 u
∞
1
= −
u 1
0
 
 1 1 
= − − 
∞ 1
= 1
MAT031 HSR 84
Campus Santiago
Z ∞
ln u
∴ du = 1
1 u2
Con lo anterior se demuestra que fU (u) es función densidad.
• Demostración para fV (v).
Para este caso debemos dividir el recorrido de v en v ∈]0, 1[ y v ∈ [1, ∞[. Dicho
ésto es claro que fV (v) ≥ 0 ∀ v ∈]0, ∞[.
Z ∞ Z ∞
1
fV (v) dv = 2
dv
−∞ 0 máx {2, 2v }
= notar que máx {2, 2v 2 } = 2 en ]0, 1[ y máx {2, 2v 2 } = 2v 2 en [1, ∞[,
= por lo que debemos calcular:
Z 1 Z ∞
1 1
= dv + 2
dv
0 2 1 2v
v 1 ∞
1
= + −

2 0 2v
  1
0 0
 
 1 0  1 −1 
=  −  + − −
2 2 2·∞ 2

1 1
= +
2 2
= 1
Z ∞
1
∴ dv = 1
0 máx {2, 2v 2 }
Con lo anterior se demuestra que fV (v) es función densidad.
MAT031 HSR 85
Campus Santiago
11. Ayudantı́a 11
11.1. Estimación Puntual
11.1.1. Método de los Momentos
1. Sea {Xi }ni=1 una muestra aleatoria de una población con función densidad
α2α

 α+1 x ≥ 2

fX (x, α) = x


0 x<2
calcule el estimador para α.
Desarrollo:
Para calcular el estimador de α debemos igualar el primer momento poblacional y el

primer momento muestral, es decir:
n
X xi
E (X) =
i=1
n
se tiene que:
∞
α2α
Z
E (X) = x α+1 dx
2 x
Z ∞
1
= α2α α
dx
2 x
−α+1 x=∞
α x
= α2 (Sólo converge si −α + 1 < 0 =⇒ α > 1)
−α + 1 x=2
α2α : 0 −α+1

−α+1

= ∞

−2
−α + 1
2α
=
α−1
n
X xi
Sea = X n . Igualando, tenemos:
i=1
n
2α
= Xn
α−1
2α = X n (α − 1)
2α = αX n − X n
2α − αX n = −X n

α 2 − Xn = −X n
Xn
α =
Xn − 2
MAT031 HSR 86
Campus Santiago
Por lo que el estimador, por el método de los momentos, de α está dado por:
n
X xi
i=1
n
α
b= n
X xi
−2
i=1
n
2. El tiempo T (en segundos) que un ordenador tarda en ejecutar una tarea sigue una
variable aleatoria continua de función densidad
 α
 α+1 t ≥ 1, α > 1

t
fT (t, α) =

0 t<1

a) Utilizando el método de los momentos, proponga un estimador para el parámetro

α.
b) Se ejecuta 5 veces la tarea, y se cronometra el tiempo que ha tardado cada vez.
Estos tiempos son (en segundos):
6, 5, 3, 7, 2
Basandose en esta muestra, y el estimador de α anterior, estimar la probabilidad
de que se tarde más de 5 segundos en realizar la tarea.
Desarrollo:
a) Primero calculamos E (X)
Z ∞
α
E (T ) = t dt
1 tα+1
Z ∞
1
= α α
dt
1 t
−α+1 t=∞
t
= α
−α + 1 t=1
α
=
α−1
n
X xi
Sea = X n . Igualando, tenemos:
i=1
n
α
= Xn
α−1
α = X n (α − 1)
α = αX n − X n
α − αX n = −X n

α 1 − Xn = −X n
Xn
α =
Xn − 1
MAT031 HSR 87
Campus Santiago
Por lo tanto el estimador propuesto es:

n
X xi
i=1
n
α
b= n
X xi
−1
i=1
n
b) Primero debemos calcular el valor estimado de α, con los datos que se conocen.
5
X xi x1 + x2 + x3 + x4 + x5
=
i=1
5 5
6+5+3+7+2
=
5
23
=
5
Por lo que el valor estimado de α está dado por:
23
5
α
b = 23
5
−2
23
α
b =
13
∴ α
b = 1, 769
Por lo que la función densidad queda de la forma:
1, 769

 2,769 t ≥ 1, α > 1

fT (t) = t


0 t<1
Se pide P (T > 5)
Z ∞
1, 769
P (T > 5) = 2,769
dt
5 t
Z ∞
1
= 1, 769 2,796
dt
5 t
−2,796+1 t=∞
t
= 1, 796
−2, 796 + 1 t=5
−1
> : 0 −1,796

1, 796 −1,796

= ∞

−5
−1,

796
= − (−0, 05799)
∴ P (T > 5) = 5, 79 %
MAT031 HSR 88
Campus Santiago
11.1.2. Máxima Verosimilitud
1. En un experimento binomial se observan X = x éxitos en n ensayos. Obtener el esti-

mador de máxima verosimilitud del parametro binomial p.
Desarrollo:
La función binomial de X = x es
n!
px (1 − p)n−x 0≤p≤1
(n − x)!x!
Primero, definimos la función de verosimilitud:

n
Y n!
F (xi , p) = pxi (1 − p)n−xi
i=1
(n − xi )!xi !
Ahora definimos la función log-verosı́mil:

" n #
Y n!
ln (F (xi , p)) = ln pxi (1 − p)n−xi
i=1
(n − x i )!x i !
n
X n! xi n−xi
= ln p (1 − p)
i=1
(n − xi )!xi !
n
X
= [ln (n!) − ln ((n − xi )!) − ln (xi !) + xi ln (p) + (n − xi ) ln (1 − p)]
i=1
n
X n
X n
X n
X
= n ln (n!) − ln ((n − xi )!) − ln (xi !) + ln (p) xi + ln (1 − p) (n − xi )
i=1 i=1 i=1 i=1
Luego, derivamos con respecto al parámetro p e igualamos a cero:

n
X n
X
xi (n − xi )
∂ ln (F (xi , p)) i=1 i=1
= − =0
∂p p 1−p
MAT031 HSR 89
Campus Santiago
Luego:
n
X n
X
xi (n − xi )
i=1 i=1
− = 0
p 1−p
Xn n
X
xi (n − xi )
i=1 i=1
=
p 1−p
n
X n
X n
X
2
xi − xi p = n p − xi p
i=1 i=1 i=1
n
X
xi
i=1
p =
n2
n
1 X xi
p =
n i=1
n
n
1 X xi
pb =
n i=1 n
luego encontramos la segunda derivada con respecto a p y evaluamos el punto obtenido
anteriormente:
X n Xn
xi (n − xi )
∂ 2 ln (F (xi , p))
= − i=12 − i=1
∂p2 p (1 − p)2
nX n n2 − nX n
= − −
p2 (1 − p)2
= Evaluando en pb = nX n
pb n2 − pb
= − 2−
pb (1 − pb)2
n2 − pb

pb
= − 2+
pb (1 − pb)2
notar que 0 ≤ pb ≤ 1 y n2 > 0
∂ 2 ln (F (xi , p))

∴ <0 ∀ pb
∂p2 pb
con lo anterior se demuestra que

n
1 X xi
pb =
n i=1 n
es el estimador de máxima verosimilitud para p
MAT031 HSR 90
Campus Santiago
12. Ayudantı́a 12
12.1. Máxima Verosimilitud

1. La distancia X entre un árbol cualquiera y el árbol más próximo a él en un bosque
sigue una distribución de Rayleigh con función densidad:
2
fX (x, φ) = 2φxe−φx x≥0 φ>0
basado en una muestra de tamaño n:

a) Obtener el estimador de máxima verosimilitud de φ.
b) ¿Es insesgado el estimador encontrado en (a)?
c) ¿Es consistente dicho estimador?
d ) Determine la cota de Crämer-Rao para φ.
b
Desarrollo:
a) Se deben seguir los siguientes pasos:
i ) Definir la función de verosimilitud:
fXi (x1 , x2 , x3 , . . . , xn , φ) = fX1 (x1 , φ) · fX2 (x2 , φ) · fX3 (x3 , φ) · . . . · fXn (xn , φ)
Yn
= fXi (xi , φ)
i=1
Yn h i
−φx2i
= 2φxi e IR+0 (xi )
i=1
n h
Y i
2
∴ fXi (x1 , x2 , x3 , . . . , xn , φ) = 2φxi e−φxi IR+0 (xi )
i=1
ii ) Definir la función Log-Verosı́mil:

" n h
#
Y i
−φx2i
ln [fXi (x1 , x2 , x3 , . . . , xn , φ)] = ln 2φxi e IR+0 (xi )
i=1
Luego aplicamos propiedades del ln para dejar expresada dicha función de la
MAT031 HSR 91
Campus Santiago
forma más simple de derivar:

" n #
Yh 2
i
= ln 2φxi e−φxi IR+0 (xi )
i=1
n
X h h ii
−φx2i
= ln 2φxi e IR+0 (xi )
i=1
Xn h i
2
= ln (2) + ln (φ) + ln (xi ) + ln e−φxi + ln IR+0 (xi )
i=1
n
X n
X n
X n
X n
−φx2i
X
= ln(2) + ln(φ) + ln(xi ) + ln(e )+ ln IR+0 (xi )
i=1 i=1 i=1 i=1 i=1
n
X n
X n
X
= n ln (2) + n ln (φ) + ln(xi ) − φ x2i + ln IR+0 (xi )
i=1 i=1 i=1
n
X n
X n
X
∴ ln [fXi (x1 , x2 , . . . , xn , φ)] = n ln (2) + n ln (φ) + ln(xi ) − φ x2i + ln IR+0 (xi )
i=1 i=1 i=1
iii ) Derivamos con respecto al parámetro φ e igualamos a cero:

n
∂L n X 2
= − x (Donde L es la función Log-Verosı́mil)
∂φ φ i=1 i
n
n X 2 n
− xi = 0 =⇒ φb = n
φ i=1 X
x2i
i=1
iv ) Finalmente calculamos la segunda derivada y evaluamos:
∂ 2 L

n n
2
= − 2 =⇒ − < 0 ∀n, φb
∂φ φ=φb
φ φ=φb φ2
b
Con esto tenemos que el estimador de Máxima Verosimilitud para φ es:
n
!−1
X
φb = n x2i
i=1
MAT031 HSR 92
Campus Santiago

b) Para determinar si es insesgado, debemos demostrar que E φb = φ
 " #−1 
n
X
E φb = E n x2i 
i=1
" #−1 
n
X
= nE  x2i 
i=1
n
= n
X
E x2i

i=1
Por lo que calcularemos E (x2 ):

Z ∞
2
2
x2 2φxe−φx dx

E x =
0
∞ Z ∞
2 −φx2 2
= −x e + 2xe−φx dx
0 0
2
= notar que lı́m −x2 e−φx = 0 (l’Hôpital)
x→∞
Z ∞
2
= 2xeφx dx
0
1 ∞
Z
2
= 2φxeφx dx
φ 0
| {z }
1
1
=
φ
Luego, reemplazamos:
n n
n = n
X X 1
E x2i

i=1 i=1
φ
n

= n

φ
= φ

∴ E φb = φ
El estimador es insesgado.

MAT031 HSR 93
Campus Santiago

c) Para analizar consistencia debemos calcular lı́m V φb = 0, ya que el estimador es
n→∞
insesgado.

n
lı́m V φ = lı́m V Pn 2
b
i=1 xi
n→∞ n→∞
1
= lı́m n2 n
n→∞ X
V x2i

i=1
1
= lı́m n2 n
n→∞ X 2
E x4i − E x2i

i=1
notar que E (x2 ) = φ1 , ahora calculamos:

Z ∞
2
4
x4 2φxe−φx dx

E x =
0
∞ Z ∞
4 −φx2 2
= −x e + 4x3 e−φx dx
0 0
Z ∞
2 2 −φx2
= x 2φxe dx
φ 0
| {z }
E(x2 )
2 1
= ·
φ φ
2
=
φ2
reemplazando:
1 1
lı́m n2 n = lı́m n2 n
n→∞ n→∞ 2 1
2 2
X X
x4i

E − E xi −
i=1 i=1
φ2 φ2
1
= lı́m n2 n
n→∞ X 1
i=1
φ2
1
= lı́m n2 n
n→∞
φ2
2
= lı́m nφ
n→∞
finalmente se tiene que

lı́m nφ2 = ∞ =
6 0
n→∞
Es decir, el estimador NO es consistente.
MAT031 HSR 94
Campus Santiago

d ) La cota de Crämer-Rao se calcula como:
1
V (φ) ≥ 2
∂ L
−E
∂φ2
Aparte,
∂ 2L

n
E = E − 2
∂φ2 φ

1
= −nE
φ2
n
= − 2
φ
Reemplazando,
φ2
∴ V (φ) ≥
n

2. Considere una muestra aleatoria X1 , X2 , . . . , Xn con función densidad dada por:
 α
α α−1 x
 x exp − , x > 0, θ > 0, α > 0


θ θ
fX (x, α, θ) =


0 , en otro caso

a) Demuestre que la función densidad de Y = X α es exponencial de parámetro 1/θ.

b) Calcule el EMV de θ.
c) Muestre que es insesgado y calcule su varianza.
d) Calcule la cota de Crämer-Rao de θb y determine si el estimador es eficiente.
Desarrollo
a)
FY (y) = P (Y ≤ y)
= P (X α ≤ y)
√
= P (X ≤ α y)
√
∴ FY (y) = FX ( α y)
Derivando obtenemos la función densidad de Y
dFY (y) √
= FX0 ( α y)
dy
√ 1

= fX ( α y) α−1 y α −1
MAT031 HSR 95
Campus Santiago
Reemplazando queda:
α ( √ α )
α α−1 x 1
α √ α y 1

x exp − α−1 y α −1 = ( α y)α−1 exp − α−1 y α −1
θ θ √
x= α y θ θ
( √ α )
α y
α √
y α1 −1

( α y)α−1 exp − α−1

=
θ θ
1 n y 1− 1 1 −1
o
= exp − y αyα
θ θ
1 n yo
= exp −
θ θ
1 y
∴ fY (y) = e− θ IR+0 (y)
θ
1
luego la función densidad de y es exponencial de parametro θ

b) El estimador de máxima verosimilitud, viene dado por:
n α
Y α x
fXi (xi , θ) = xα−1
i exp − i IR+ (xi ) Función de Verosimilitud
i=1
θ θ
Luego aplicamos logaritmo natural:

n
xαi

Y α
ln fXi (xi , θ) = ln xα−1
exp −
i IR+ (xi )
i=1
θ θ
n α
X α α−1 x
= ln xi exp − i IR+ (xi )
i=1
θ θ
n
xαi
X
= ln α − ln θ + (α − 1) ln xi − + ln IR+ (xi )
i=1
θ
n n n n n n
X X X X 1X α X
= ln α − ln θ + α ln xi − ln xi − x + ln IR+ (xi )
i=1 i=1 i=1 i=1
θ i=1 i i=1
n n n n
X X 1X α X
= n ln α − n ln θ + α ln xi − ln xi − x + ln IR+ (xi )
i=1 i=1
θ i=1 i i=1
Ahora, calculamos su derivada con respecto al parámetro θ e igualamos a cero:

n n
∂L n 1 X α 1X α
=− + 2 x = 0 =⇒ θ =
b x
∂θ θ θ i=1 i n i=1 i
MAT031 HSR 96
Campus Santiago
finalmente,
n
!
∂ 2 L

n 2 X α
= − x

∂θ2 θ=θb θ2 θ3 i=1 i

θ=θb
n
n 2 X
= − xαi
θb2 θb3 i=1
n
n 2n X xαi
= −
θb2 θb3 y=1
n
| {z }
θb
n 2n
= − θb
θb2 θb3
n
= −
θb2
∂ 2 L

n
∴ 2
= − < 0 ∀ n, θb
∂θ θ=θb
θb2
n
1X α
∴ θb = x
n i=1 i
Es el estimador de MV para θ.

MAT031 HSR 97
Campus Santiago

c) Por demostrar que E θb = θ
n
!
X xαi
E θ = E
b
i=1
n
n
1X
= E (xαi )
n i=1
= Pero, Y = X α =⇒ Yi = Xiα
n
1X
= E (yi )
n i=1
n Z
1 X ∞ 1 − yi
= yi e θ dyi
n i=1 0 θ
n Z ∞
1X y ∞

− θi − θ1
= −yi e + e dyi
n i=1 0 0
yi
= Notar que lı́m −yi e− θ = 0 (l’Hôpital)
yi →∞
 
n Z ∞
1 X 1 −1 
= θ e θ dyi 
n i=1  θ 
| 0 {z }
1
n
1X
= θ
n i=1
1
= nθ

n

= θ

∴ E θb = θ
y se demuestra que el estimador es insesgado.
MAT031 HSR 98
Campus Santiago
Ahora calcularemos su varianza:

n
!
α
X x i
V θb = V
i=1
n
n
1 X
= 2
V (xαi )
n i=1
= Pero, Y = X α =⇒ Yi = Xiα
n
1 X
= V (yi )
n2 i=1
n
1 X 2
2
= E yi − (E (y i ))
n2 i=1
n
1 X 2
2

= E yi − θ
n2 i=1
n Z ∞
1 X 2 1 − θi
y
2
= y e dyi − θ
n2 i=1 0 i θ
Aparte:
Z ∞ ∞ Z ∞
1 yi yi yi
yi2 e− dyi = −yi2 e− +2 yi e− θ dyi
θ θ

0 θ 0 0
yi
= Notar que lı́m −yi2 e− θ = 0 (l’Hôpital)
yi →∞
Z ∞
yi
= 2 yi e− θ dyi
Z0 ∞
1 yi
= 2θ yi e− θ dyi
θ
|0 {z }
E(yi )
= 2θ · θ
= 2θ2
Reemplazando:
n Z ∞ n
1 X 2 1 − θi
y
2 1 X 2 2

y e dy i − θ = 2θ − θ
n2 i=1 0 i θ n2 i=1
n
1 X 2
= θ
n2 i=1
1 2
= nθ
n2
θ2
=
n
θ2
∴ V θb =
n
MAT031 HSR 99
Campus Santiago
Además se verifica que el estimador es Consistente en Error Cuadrático Medio, ya

que
θ2
lı́m =0
n→∞ n

d ) Debemos calcular
1
V (θ) ≥ 2
∂ L
−E
∂θ2
sabemos que
n
∂ 2L n 2 X α
= 2− 3 x
∂θ2 θ θ i=1 i
por lo que la esperanza está dada por:
2 n
!
∂ L n 2 X α
E = E − x
∂θ2 θ2 θ3 i=1 i
n
n 2 X
= − E (xαi )
θ2 θ3 i=1
n
n 2 X
= 2− 3 E (yi )
θ θ i=1
n
n 2 X
= 2− 3 θ
θ θ i=1
n 2
= − nθ
θ2 θ3
n 2n
= 2−
θ θ2
n
= − 2
θ
Luego la cota es:
1
V (θ) ≥ n
− −
θ2
θ2
V (θ) ≥
n
θ2
∴ V (θ) ≥
n
Es la cota de Crämer-Rao para θ y como la varianza del estimador es igual a la
cota, el estimador es eficiente.

MAT031 HSR 100

Campus Santiago
13. Ayudantia 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

S
b) El error viene dado por tn−1;1− α2 √ .
n
α
1 − α = 0, 95 =⇒ α = 0, 05 =⇒ 1 − = 0, 975
2
MAT031 HSR 101

Campus Santiago
.
S Sn
tn−1;1− α2 √ = t63;0,975 √
n n−1
6
= 1, 998 √
63
∴ Error = 1, 51

2
c) Intervalo de confianza del 94 % para σ 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
Sn2 n Sn2 n
 
(n− 1)

(n− 1)

 (n−1)
(n−1)
= 

; 
χ2n−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

MAT031 HSR 102

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 intervalo
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]
MAT031 HSR 103

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 pro-
porción 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]
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
MAT031 HSR 104

Campus Santiago
∴ 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
= −
∂ψ 2 ψ2
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
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
MAT031 HSR 105

Campus Santiago
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
= x ± 1, 96 · 2 x
2n i=1 i 2n i=1 i

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

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:
MAT031 HSR 106

Campus Santiago
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

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:
Sn2 · n
S2 =
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:
MAT031 HSR 107

Campus Santiago
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
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.
MAT031 HSR 108

Campus Santiago
14. Ayudantı́a 14

14.1.1. Vectores
1. Sea:
fXY (x, y) = k (20 − x − y) Iψ (x, y)
donde,
ψ = (x, y) ∈ R2 : 0 < 2x < y , y < 4x < 8

a) Encontrar k para que sea función densidad conjunta.

b) Determinar la función marginal de X e Y .
c) Calcular fY |X=1 (y).
d) Calcular E (Y | X = 1).
e) Calcular V (Y | X = 1).
f) Calcular P (2 ≤ Y ≤ 3 | X = 1).
g) Calcular P (2 ≤ Y ≤ 3 | X ≤ 1).
Desarrollo:
a) Para que sea función densidad conjunta se debe cumplir que:
fXY (x, y) ≥ 0 ∀ (x, y) ∈ ψ
y además que ZZ
k (20 − x − y) dψ = 1
ψ
Es claro que se cumple la primera condición, por lo que debemos calcular:
MAT031 HSR 109

Campus Santiago
Z 2 Z 4x
k (20 − x − y) dy dx = 1
0 2x
2 y=4x
y 2
Z
k 20y − xy − dx = 1
0 2 y=2x
Z 2
1 2 2

k 20 (4x − 2x) − x (4x − 2x) − 16x − 4x dx = 1
0 2
Z 2
40x − 2x2 − 6x2 dx

k = 1
0
Z 2
40x − 8x2 dx

k = 1
0
x=2
2 8 3
k 20x − x = 1
3 x=0

64
k 80 − = 1
3

240 − 64
k = 1
3
3
∴ k=
176

b) Función marginal de X:
Z 4x
fX (x) = k (20 − x − y) dy
2x
y=4x
y 2

= k 20y − xy −
2 y=2x

1 2 2

= k 20 (4x − 2x) − x (4x − 2x) − 16x − 4x
2
= k 40x − 8x2

3
40x − 8x2 I]0,2[ (x)

∴ fX (x) =
176
Función marginal de Y :
"Z y # "Z #
2
2
fY (y) = k (20 − x − y) dx I]0,4] (y) + k (20 − x − y) dx I]4,8[ (y)
y y
4 4
MAT031 HSR 110

Campus Santiago
Por lo que calcularemos cada integral por separado,

y x= y2
x2
Z
2
k (20 − x − y) dx = k 20x − − xy
y
4
2 x= y4
y y 1 y2 y2
y y
= k 20 − − − −y −
2 4 2 4 16 2 4
3 2 y2

= k 5y − y −
32 4

11 3
= k 5y − y 2 con k =
32 176
Ahora calculamos:
Z 2 x=2
x2

k (20 − x − y) dx = k 20x − − xy
y
4
2 x= y
4 2
y 1 y y
= k 20 2 − − 4− −y 2−
4 2 16 4
2 2

y y
= k 40 − 5y − 2 + − 2y +
32 4

9 3
= k 38 − 7y + y 2 con k =
32 176
Finalmente se tiene que:

3 11 3 9 2
∴ fY (y) = 5y − y 2 I]0,4] (y) + 38 − 7y + y I]4,8[ (y)
176 32 176 32

c) fY |X=1 (y), está dado por:
fXY (x = 1, y)
fY |X=1 (y) =
fX (x = 1)

k (20 − x − y) I]2x,4x[ (y)
=
k (40x − 8x2 )
x=1
20 − 1 − y
= I]2,4[ (y)
40 − 8
1
∴ fY |X=1 (y) = (19 − y) I]2,4[ (y)
32

MAT031 HSR 111

Campus Santiago
d)
Z 4
1
E (Y | X = 1) = y (19 − y) dy
2 32
4
y 2 y 3

1
= 19 −
32 2 3 2

1 19 1
= (16 − 4) − (64 − 8)
32 2 3

1 56
= 114 −
32 3
∴ E (Y | X = 1) = 2, 98

2 2
e) La varianza está dada por V (Y | X = 1) = E (Y | X = 1) − [E (Y | X = 1)] , por
lo que necesitamos calcular:
Z 4
2 1
y 2 (19 − y) dy

E Y |X=1 =
2 32
4
y 3 y 4

1
= 19 −
32 3 4 2

1 19 1
= (64 − 8) − (256 − 16)
32 3 4

1 1064
= − 60
32 3
= 9, 21
luego la varianza es: V (Y | X = 1) = 9, 21 − 2, 982
∴ V (Y | X = 1) = 0, 33

f)
Z 3
1
P (2 ≤ Y ≤ 3 | X = 1) = (19 − y) dy
2 32
3
y 2

1
= 19y −
32 2 2

1 1
= 19 (3 − 2) − (9 − 4)
32 2

1 5
= 19 −
32 2

1 38 − 5
=
32 2
MAT031 HSR 112

Campus Santiago
∴ P (2 ≤ Y ≤ 3 | X = 1) = 51, 56 %

g)
3
Z
4
Z 4x Z 1 Z 3
k (20 − x − y) dy dx + k (20 − x − y) dy dx
1 3
2 2
P (2 ≤ Y ≤ 3 | X ≤ 1) = 2
Z 1 Z 4x
4
k (20 − x − y) dy dx
0 2x
Aparte:
3 3 y=4x
4x
y 2
Z Z Z
4 4
k (20 − x − y) dy dx = k 20y − xy − dx
1
2
2 1
2
2
y=2
Z 3
4 1 2

= k 20 (4x − 2) − x (4x − 2) − 16x − 4 dx
1
2
2
Z 3
4
80x − 40 − 4x2 + 2x − 8x2 + 2 dx

= k
1
2
Z 3
4
−38 + 82x − 12x2 dx

= k
1
2
x= 3
= k −38x + 41x2 − 4x3 x= 41

2
3 1 9 1 27 1
= k −38 − + 41 − −4 −
4 2 16 4 64 8
= 2, 125k
ahora,
Z 1Z 3 Z 1 3
y 2
k (20 − x − y) dy dx = k 20y − xy − dx
3
4
2 3 2 2
Z 4 1
1
= k 20 (3 − 2) − x (3 − 2) − (9 − 4) dx
3 2
Z 4 1
5
= k 20 − x − dx
3 2
Z 4 1
35
= k − x dx
3
4
2
x=1
x2

35
= k x−
2 2 x= 3
4
35 3 1 9
= k 1− − 1−
2 4 2 16
= 3, 901k
MAT031 HSR 113

Campus Santiago
finalmente,
1 4x Z 1 y=4x
y 2
Z Z
k (20 − x − y) dy dx = k 20y − xy − dx
0 2x 0 2 y=2x
Z 1
1 2 2

= k 20 (4x − 2x) − x (4x − 2x) − 16x − 4x dx
0 2
Z 1
40x − 8x2 dx

= k
0
x=1
2 8 3
= k 20x − x
3 x=0
= 17, 333k
Reemplazando:
2, 125k + 3, 901k
P (2 ≤ Y ≤ 3 | X ≤ 1) =
17, 333k
6, 026
=
17, 333
= 0, 3476
∴ P (2 ≤ Y ≤ 3 | X ≤ 1) = 34, 76 %

14.1.2. Máxima Verosimilitud
1. Sea {Xi }ni=1 una m.a. (n) proveniente de una familia con densidad:
1 − 2+θ
x
fX (x, θ) = e IR+ (x) θ > −2
2+θ
a) Determine un estimador de Máxima Verosimilitud para θ.
b) ¿Es insesgado el estimador encontrado en (a)?
c) Par n = 100 se obtuvo un promedio de 5, 5. Determine el valor del estimador
encontrado en (a).
Desarrollo:

1
a) Notar que X ∼ exp , por lo que E (x) = (2 + θ) y V (x) = (2 + θ)2 . Ahora
2+θ
calculamos el EMV para θ:
n
Y 1 − 2+θ
xi
fXi (xi , θ) = e IR+ (xi ) Función de Verosimilitud
i=1
2+θ
MAT031 HSR 114

Campus Santiago
Luego de finimos la función Log-Verosı́mil,

n
Y1 − 2+θxi
ln fXi (xi , θ) = ln e IR+ (xi )
i=1
2+θ
n
X 1 xi
= ln − + ln IR+ (xi )
i=1
2 + θ 2 + θ
n n n
X 1 1 X X
= ln − xi + ln IR+ (xi )
i=1
2 + θ 2 + θ i=1 i=1
n n
1 X X
= −n ln (2 + θ) − xi + ln IR+ (xi )
2 + θ i=1 i=1
Luego derivamos e igualamos a cero, para obtener un punto crı́tico,

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

n
!
∂ 2L n 2 X
= − xi

∂θ2 (2 + θ)2 (2 + θ)3 i=1

θ=θb
n
n 2n X xi
= 2 − 3
n
2 + θb 2 + θb i=1
n 2n b
= 2 − 2
3 + θ
2 + θb 2 + θb
n 2n
= 2 − 2
2+θb 2+θb
n
= − 2
2+θb
∂ 2 L

n
= − 2 < 0 ∀ n ∈ N , θb ∈ R
∂θ2 θ=θb

2+θb
Por lo tanto se tiene que

n
X xi
θb = −2
i=1
n
Es el estimador de Máxima Verosimilitud para θ.

MAT031 HSR 115

Campus Santiago

b) Para que sea insesgado, debe cumple que E θb = θ.
n
!
X x i
E θb = E −2
i=1
n
n
!
X xi
= E − E (2)
i=1
n
n
1X
= E (xi ) − 2
n i=1
n
1X
= (2 + θ) − 2
n i=1
1
= n (2 + θ) − 2
n
= (2 + θ) − 2

∴ E θb = θ
es decir, el estimador es insesgado.

c) Se tiene que el estimador es
n
X xi
θb = −2
i=1
n
100
X xi
por lo que para n = 100, tiene que X 100 = = 5, 5, reemplazando tenemos:
i=1
100
100
X xi
θb = − 2 = 5, 5 − 2
i=1
100
∴ θb = 3, 5
para n = 100.

MAT031 HSR 116

Recopilacion - Ayudantias - MAT031 (LA PALTA)

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 - MAT031 (LA PALTA)

Cargado por

Copyright:

Formatos disponibles

Universidad Técnica Federico Santa Marı́a

Profesor : Enzo Hernández

a) Construya una tabla de frecuencia.

k = 1 + 3, 3 log(n) = 1 + 3, 3 log(50) = 6, 6 =⇒ k ' 7

Rango (R) = Dato mayor − Dato menor = 110 − 74 = 36

Con esta información ya podemos construir la tabla de fecuencia:

Clase MCi Limites ni Ni fi Fi di ni di ni d2i

ii) Frecuencia Absoluta Acumulada:

vi) Fórmulas para la Varianza:

Salario / Salario Mı́nimo Frecuencia Relativa

a) Calcule la media, mediana, varianza y desviación estándar.

a) Primero es necesario completar la tabla:

Salario / Salario Mı́nimo MCi ni Ni fi Fi

Sea M Ci∗ = 2M Ci , por lo que tenemos que la media es:

1.2. Estadı́stica Descriptiva Bivariada (Ajuste de Rectas)

a) Encontrar los coeficientes del modelo de regresión lineal.

a) Primero debemos organizar las datos como datos pareados:

Por lo tanto los parametros del modelo son: a = 1, 11 y b = 82, 10.

c) Para hacer la estimación, basta reemplazar la edad en la formula obtenida:

Por lo tanto la presión sanguinea de una mujer de 45 años será aproximadamente de

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) Determinar la probabilidad de que ninguna sea defectuosa.

a) Sea P(A)= Probabilidad de que ninguna lámpara sea defectuosa

2. Según estudios estadı́sticos se ha determinado que el 60 % de los pasajeros en vuelo matinal

Sea P(A)= Probabilidad de que cada pasajero reciba el desayuno adecuado

2.3. Probabilidad Condicional

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

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}

i) R |ERAnalista 1 = Probabilidad de que el proyecto sea rentable dado que el

ii) R|ERAnalista 2 = Probabilidad de que el proyecto sea rentable dado que el

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

2.4. Aplicación Probabilidad Condicional

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

La proposición es verdadera, en efecto:

P(A ∪ B) = P(A) + P(B) − P(A ∩ B) ∀ A ∩ B 6= ∅

Por lo que finalmente tenemos:

a) Determine la probabilidad de recibir un 1.

a) La probabilidad pedida es P(1R ) que está dada por:

= P (1R | 1T ) · P (1T ) + P (1R | 0T ) · P (0T )

P (1T ∩ 1R ) P (1R | 1T ) · P (1T )

P (A) = P (1R | 0T ) · P (0T ) + P (0R | 1T ) · P (1T )

X1 = 2X2 X1 = 3X3 X2 = 2X4

Luego las probabilidades asociadas a cada máquina son:

P (M1 ) = 0, 48 P (M2 ) = 0, 24 P (M3 ) = 0, 16 P (M4 ) = 0, 12

i) P (A): Probabilidad de usar el área A.

Sean los eventos:

a) Determinar la probabilidad de que en 3 periodos consecutivos falle 2 veces.

P (A): Probabilidad de que falle dos veces en tres periodos consecutivos.

3.2. Extras (Cadenas de Markov)

P(D = 0) = 1/4 P(D = 1) = 1/2

a) Halle la forma de conocer el inventario al comienzo de cualquier dı́a a partir de n + 1

i) Xn : El nivel de inventario al inicio del dı́a n

P22 = P (D = 0) + P (D ≥ 2) = 1/4 + 1/4 = 1/2

Con esta información ya podemos comenzar a responder a lo que se nos pregunta.

a) Matriz de probabilidades de transición en una etapa:

Sea A: ”Gonzaloy Felipe