Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Recopilacion - Ayudantias - MAT031 (LA PALTA)
Recopilacion - Ayudantias - MAT031 (LA PALTA)
Departamento de Matemática a
Campus Santiago
Recopilación de Ayudantı́as
de Estadı́stica
MAT031
Primer Semestre de 2010
a
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. Ayudantı́a 3 20
3.1. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2. Extras (Cadenas de Markov) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4. Ayudantı́a 4 28
4.1. Ejercicios Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5. Ayudantı́a 5 34
5.1. Variables Aleatorias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2. Extras (Convergencia) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3. Anexos (Variables Aleatorias Discretas) . . . . . . . . . . . . . . . . . . . . . . . . . 40
6. Ayudantı́a 6 43
6.1. Variables Aleatorias Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.2. Anexos (Variables Aleatorias Continuas) . . . . . . . . . . . . . . . . . . . . . . . . 54
7. Ayudantı́a 7 59
7.1. Distribución Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
7.2. Cambio de Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
7.3. Función Generadora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
7.4. Extras (Demostración VAD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8. Ayudantı́a 8 66
8.1. Ejercicios Certamen 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
9. Ayudantı́a 9 72
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.Ayudantı́a 11 86
11.1. Estimación Puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
11.1.1. Método de los Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
11.1.2. Máxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
12.Ayudantı́a 12 91
12.1. Máxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
13.Ayudantia 13 101
13.1. Intervalos de Confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
13.2. Test de Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
14.Ayudantı́a 14 109
14.1. Ejercicios Certamen 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
14.1.1. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
14.1.2. Máxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Universidad Técnica Federico Santa Marı́a
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
Desarrollo:
a) k = número de clases
MAT031 HSR 4
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Aparte:
i) Frecuencia Absoluta:
k
X
ni = n
i=1
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
ii) Mediana:
n −
− NM
2 e
Me = lMe + I
nM e
120
− 30
= 2+ 2 ·2
48
∴ Me = 3, 25
MAT031 HSR 7
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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:
MAT031 HSR 8
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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 .
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
Desarrollo:
MAT031 HSR 9
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
MAT031 HSR 11
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
2. Ayudantı́a 2
2.1. Estadı́stica Descriptiva Bivariada
1. En el prestigioso hospital de La Florida, a 50 pacientes se les administra una sustancia que
se identifica con la letra C en miligramos, considerando como segunda variable la edad E
medida en años, tal como se muestra en la siguiente tabla de contingencia:
M CE \MCC 15 20 25 30 35 ni·
20 4 2 2 8
30 2 6 3 1 12
40 2 5 4 3 14
50 2 3 6 11
60 2 2 1 5
n·j 6 12 15 13 4 50
Desarrollo:
MAT031 HSR 12
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
a)
k 5
1 X 1 X
C = M C0 + IC dj n·j = 25 + ·5· dj n·j = 24, 94
n j=1 50 j=1
k 5
1 X 1 X
E = M C0 + IE di ni· = 40 + · 10 · di ni· = 38, 6
n i=1 50 i=1
b)
!2
k k
2 1 1X
X
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
31, 316
=⇒ ρ = = 0, 45
5, 69 · 12, 17
d)
k
1 X
X Ej = M CEi nij
n·j i=1
1
X E1 = · (20 · 4 + 30 · 2) = 23, 3
6
1
X E2 = · (20 · 2 + 30 · 6 + 40 · 2 + 50 · 2) = 33, 3
12
X E3 = 40
X E4 = 46, 92
X E5 = 45
k
1 X
X Ci = M CCj nij
ni· j=1
1
X C1 = · (15 · 4 + 20 · 2 + 25 · 2) = 18, 75
8
1
X C2 = · (15 · 2 + 20 · 6 + 25 · 3 + 30 · 1) = 21, 25
12
X C3 = 27, 85
X C4 = 26, 81
X C5 = 29
e)
k
1 X
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
Desarrollo:
MAT031 HSR 17
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
a) La probabilidad pedida es: P ERAnalista 1 · P ERAnalista 2
Donde:
Donde:
MAT031 HSR 18
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
Se sabe que:
Ademas:
0 ≤ P(A ∪ B) ≤ 1
P(A ∩ B) ≥ 1 − α − β
MAT031 HSR 19
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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 %.
Desarrollo:
b) el problema se reduce a calcular:
c) Sea el evento A: error en la transmición
MAT031 HSR 20
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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}
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
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
Sean:
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:
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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.
Desarrollo:
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
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
Desarrollo:
Definamos:
Sea:
MAT031 HSR 24
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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:
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.
MAT031 HSR 25
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
MAT031 HSR 26
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
MAT031 HSR 27
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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:
Desarrollo:
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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.
Desarrollo:
Desarrollo:
MAT031 HSR 29
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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.
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
Desarrollo:
0, 4 · 0, 7
P C { | R{ = 1 −
0, 34
= 1 − 0, 8235
= 0, 1765
MAT031 HSR 31
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
Desarrollo:
MAT031 HSR 33
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
5. Ayudantı́a 5
5.1. Variables Aleatorias Discretas
1. Suponga que X es una variable aleatoria discreta con función de cuantı́a:
x −2 −1 0 1 2 4
f (x) 0, 1C 0, 2C 0, 6C 0, 5C 0, 4C 0, 2C
Desarrollo:
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
6 7 1 3
= · + ·
10 10 10 10
45
=
100
∴ P (L) = 45 %
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
i)
fx (x) ≥ 0 ∀x ∈ Rec(x)
ii) X
fx (x) = 1
x∈Rec(x)
B Bernoulli:
B Binomial:
MAT031 HSR 40
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
n n
py
X n y n−y
X n n
=⇒ p (1 − p) = y (1 − p)
y y (1 − p)
y=0 y=0
n y
n
X n p
= (1 − p)
y (1 − p)
y=0
n
p
= (1 − p)n +1
1−p
n
n p + (1 − p)
= (1 − p)
1−p
n
n 1
= (1 − p)
1−p
= 1
B Poisson:
λx e−λ
fx (x) = ; x ∈ {0, 1, 2, . . . , n} y λ : representa un promedio
x!
Demostración de función de cuantı́a:
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:
MAT031 HSR 41
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
B Hipergeométrica:
MAT031 HSR 42
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
6. Ayudantı́a 6
Hint: Z t
1 −x2 1
√ e 2 dx = Φ (t) −
2π 0 2
Desarrollo:
Luego:
Z ∞ − x2
e
k √ dx = 1
0 x
1
∴k = Z ∞ − x2
e
√ dx
0 x
MAT031 HSR 43
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1
k=√
2π
y la función queda: x
e− 2
fX (x) = √ I[0,∞[ (x)
2πx
MAT031 HSR 45
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
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
MAT031 HSR 46
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
0, 8e−x + 0, 4e−2x dx , x ≥ 0
FX3 (x) =
0
0 , e.o.c.
Z X Z X3
3
0, 8e−x dx + 0, 4e−2x dx , x ≥ 0
=
0 0
0 , e.o.c.
Z X3 Z X3
0, 8 e−x dx + 0, 4 e−2x dx , x ≥ 0
= 0 0
0 , e.o.c.
( −2x x=X3
x=X
0, 8 (−e−x )|x=0 3 + 0, 4 −e2 , x≥0
=
x=0
0 , e.o.c.
( −2X
0, 8 1 − e−X3 + 0, 4 1−e 2 3
, x≥0
=
0 , e.o.c.
0, 8 − 0, 8e−X3 + 0, 2 − 0, 2e−2X3 , x ≥ 0
=
0 , e.o.c.
1 − 0, 8e−X3 − 0, 2e−2X3 , x ≥ 0
=
0 , e.o.c.
1 − 0, 8e−X3 − 0, 2e−2X3 , x ≥ 0
∴ FX3 (x) =
0 , e.o.c.
b) La probabilidad de que una componente cualquiera falle antes de 1.5 horas, viene
dada por:
P (Xi < 1, 5) = FXi (1, 5) = 1 − 0, 8e−1,5 − 0, 2e−2·1,5 = 0, 8115
Sea ahora:
MAT031 HSR 47
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
∴ P (Y ≤ 3) = 0, 059 %
Desarrollo:
MAT031 HSR 48
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1
!
Z ∞ Z ∞
y=∞ 0
e−y IR+0 (y) dy = e−y dy = −e−y y=0 = −
e−∞ e−0
−
*
=1
>
−∞ 0
y
lı́m −ye−y = − lı́m aplicando L’H se tiene:
y→∞ y→∞ ey
0
1
= − lı́m y
y→∞ e
= 0
∴ E (y) = 1
haciendo:
u = y 2 → du = 2ydy y dv = e−y dy → v = −e−y
MAT031 HSR 49
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
∴ 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:
Se pide calcular P (X > 0, 25) (un dı́a tiene 24 horas, por lo que si queremos calcular
MAT031 HSR 50
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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:
MAT031 HSR 51
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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 =
−∞
∴ 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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
• Uniforme: X ∼ U [a, b]
1
fX (x) = I[a,b] (x)
b−a
Por Demostar:
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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 ∞
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:
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 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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
=
−∞ −∞
Donde:
∂x ∂x
x, y
∂u ∂v
∂x ∂y ∂x ∂y
J = ∂u · ∂v − ∂v · ∂u
∂y ∂y
=
u, v ∂u ∂v
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
MAT031 HSR 57
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
• Gamma: X ∼ Gamma (α, λ) con X = {Tiempo que transcurre hasta la α − ésima ocurrencia.}
λα α−1 −λx
fX (x) = x e si x > 0 y λ, α > 0
Γ (α)
con Z ∞
xα−1 e−x dx si α∈R
Γ (α) =
(α0 − 1) · Γ (α − 1) = (α − 1)! si α∈N
• 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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
7. Ayudantı́a 7
Desarrollo:
Sea X: Peso de los niños españoles al momento de nacer. X ∼ N (3, 25; 0, 822 ). Se pide
calcular:
2. El 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:
2, 77 − 0, 03 < X < 2, 77 + 0, 03
MAT031 HSR 59
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
2, 79 − 0, 02 < X < 2, 79 + 0, 02
∴ 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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
MAT031 HSR 61
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
√
1 y
∴ hY (y) = √ e 5 I]0,∞[ (y)
20 y
Desarrollo:
Sea:
ϕY (t) = E(eY t )
= E(e(aX+b)t )
= E(eaXt · ebt )
= E(ebt )E(eaXt )
= ebt E(eXat )
Desarrollo:
MAT031 HSR 63
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
ϕY (t) = E eY t
P n Xi
= E e( i=1 n )t
n
!
t
Y
= E eXi n
i=1
n
Y t
= E eXi n (por independencia de las variables)
i=1
n 2 2
µ nt + σ2 ( nt )
Y
= e
i=1
1
!n
2 σ2
µt+ t2 n
= e n
2 σ2
µt+ t2
= e n
σ2
∴ Y ∼ N µ,
n
MAT031 HSR 64
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
MAT031 HSR 65
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
8. Ayudantı́a 8
8.1. Ejercicios Certamen 2
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
MAT031 HSR 67
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
Desarrollo:
MAT031 HSR 68
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
∴ Y ∼ N (aµ + b, a2 σ 2 )
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
FX (x) = P (X ≤ x)
= P (ln Z ≤ x)
= P (Z ≤ ex )
= FZ (ex )
MAT031 HSR 70
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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:
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
3 1 + 2y 2
∴ E(X | Y = y) =
4 1 + 3y 2
MAT031 HSR 76
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
X: Ω −→ R2
ω −→ (X(ω), Y (ω))
• 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 .
∂ 2 FXY
fXY (x, y) =
∂x∂y
MAT031 HSR 77
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
c) Distribuciones marginales:
X Z
i ) de X: F (X, Y ) ó fXY (x, y) dy
y∈Rec(y) |{z}
y∈Rec(y)
X Z
ii ) de Y : F (X, Y ) ó fXY (x, y) dx
x∈Rec(x) |{z}
x∈Rec(x)
d ) Funciones condicionales:
i ) de X dado Y
fXY (x, y)
fX|Y =
fY (y)
fXY (x, a)
fX|Y =a =
fY (a)
ii ) de Y dado X
fXY (x, y)
fY |X =
fX (x)
fXY (a, y)
fY |X=a =
fX (a)
e) Esperanza condicional:
Z ∞
fXY (x, a)
i ) E (X/Y = a) = x dx
−∞ fY (a)
Z ∞
fXY (a, y)
ii ) E (Y /X = a) = y dy
−∞ fX (a)
f ) Varianza condicional:
ii ) V (Y /X = a) = E (Y 2 /X = a) − (E (Y /X = a))2
Z ∞
2 fXY (a, y)
y2
E Y /X = a = dy
−∞ fX (a)
MAT031 HSR 78
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
g) Algunas propiedades:
MAT031 HSR 79
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
10. Ayudantı́a 10
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
1 4 2 7
b) Se pide calcular: fXY (0, 0) + fXY (1, 0) + fXY (0, 1) = + + =
10 10 10 10
7
∴ P(0, 1 ó 2 defectos) =
10
c)
2
X
E (X | Y = 0) = xfX|Y =0 (x, y)
x=0
2
X fXY (x,0)
= x
x=0
fY (0)
1 4 1
10 10 10
= 0· 3 +1· 3 +2· 3
5 5 5
2 1
= 0+ +
3 3
∴ E (X | Y = 0) = 1
2
X
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
y la transformación:
T : [1, ∞[×[1, ∞[ −→ D
xy
(x, y) −→ T (x, y) =
x/y
• T es inyectiva:
Supongamos que T (x, y) = T (w, z). Entonces:
x w
(1) xy = wz (2) =
y z
MAT031 HSR 82
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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:
√
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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).
∞ 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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Z ∞
ln u
∴ du = 1
1 u2
Con lo anterior se demuestra que fU (u) es función densidad.
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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:
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
MAT031 HSR 87
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
Desarrollo:
La función binomial de X = x es
n!
px (1 − p)n−x 0≤p≤1
(n − x)!x!
MAT031 HSR 89
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
MAT031 HSR 90
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
12. Ayudantı́a 12
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
MAT031 HSR 91
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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
n
n X 2 n
− xi = 0 =⇒ φb = n
φ i=1 X
x2i
i=1
∂ 2 L
n n
2
= − 2 =⇒ − < 0 ∀n, φb
∂φ φ=φb
φ φ=φb φ2
b
n
!−1
X
φb = n x2i
i=1
MAT031 HSR 92
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
El estimador es insesgado.
MAT031 HSR 93
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
MAT031 HSR 94
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
MAT031 HSR 95
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
MAT031 HSR 96
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
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
MAT031 HSR 98
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
MAT031 HSR 99
Universidad Técnica Federico Santa Marı́a
Departamento de Matemática
Campus Santiago
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.
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.
.
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
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
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
n
X x2i
ψb =
i=1
2n
y considere
∂ 2L n
= −
∂ψ 2 ψ2
Desarrollo:
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
H0 : µ = µ0 HA : µ 6= µ0 Z0 ≥ Z1− α2 ó Z0 ≤ −Z1− α2
Z1− α2 = Z0,975 = 1, 96
v ) Luego,
Z0 ≥ Z1− α2 ó Z0 ≤ −Z1− α2
Desarrollo:
H0 : σ 2 < σ02
HA : σ 2 ≥ σ02
n · Sn2
Q0 = = 30
σ02
Luego,
Q0 ≥ χ2n−1;1− α ó Q0 ≤ χ2n−1; α
2 2
30 ≥ 5, 63 ó 30 26, 1
Por lo que se rechaza H0 : σ 2 = σ02 . Ahora,
Q0 ≤ χ2n−1;α
30 23, 7
Con lo anterior se tiene evidencia sufiente para decir que no se rechaza la hipótesis de
que la varianza es menor a la varianza histórica.
14. Ayudantı́a 14
1. Sea:
fXY (x, y) = k (20 − x − y) Iψ (x, y)
donde,
ψ = (x, y) ∈ R2 : 0 < 2x < y , y < 4x < 8
Desarrollo:
y además que ZZ
k (20 − x − y) dψ = 1
ψ
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
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
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
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
∴ 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
∴ 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
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 %
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
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
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
100
X xi
θb = − 2 = 5, 5 − 2
i=1
100
∴ θb = 3, 5
para n = 100.