Universidad Abierta y a Distancia de México

Probabilidad II

Unidad 1
Actividad 2

Alumno: Alexis Saúl Álvarez Soto

Docente: Orlando Fabián Echeverría Alonso
Matrícula: ES202102217

11 Octubre 2021
1. Considere el ejemplo 1.1.7, muestre que las variables aleatorias no son estadísticamente independientes, considerando;

𝑎) (1,1), 𝑏) (0,2)

Solución:
Tenemos que la función de distribución está dada por
3 2 3
( )( )( )
𝑥 𝑦 2−𝑥−𝑦
𝑓(𝑥, 𝑦) =
8
( )
2
𝛀 = {(0,0), (0,1), (1,0), (1,1), (0,2), (2,0)}
𝒂) (𝟏, 𝟏)
Obtenemos las marginales
3 2 3
( )( )( ) 6
𝑓(1,1) = 1 1 0 =
8 28
( )
2
2 3 2 3 3 2 3 3 2 3
( )( )( ) ( )( )( ) ( )( )( )
𝑔(1) = ∑ 𝑓(1, 𝑦) = 1 0 2 − 1 − 0 + 1 1 2 − 1 − 1 + 1 2 2 − 1 − 2 = 9 + 3 + 0 = 15
8 8 8 28 14 28
𝑦=0 ( ) ( ) ( )
2 2 2

2 3 2 3 3 2 3 3 2 3
( )( )( ) ( )( )( ) ( )( )( ) 3 3 3
ℎ(1) = ∑ 𝑓(𝑥, 1) = 0 1 2 − 0 − 1 + 1 1 2 − 1 − 1 + 2 1 2 − 2 − 1 = + +0=
8 8 8 14 14 7
𝑥=0 ( ) ( ) ( )
2 2 2

45 6
𝑔(1)ℎ(1) = ≠ = 𝑓(1,1)
195 28
∴ 𝑿, 𝒀 𝐧𝐨 𝐬𝐨𝐧 𝐞𝐬𝐭𝐚𝐝í𝐬𝐭𝐢𝐜𝐚𝐦𝐞𝐧𝐭𝐞 𝐢𝐧𝐝𝐞𝐩𝐞𝐧𝐝𝐢𝐞𝐧𝐭𝐞𝐬
𝒂) (𝟎, 𝟐)
Obtenemos las marginales
3 2 3
( )( )( ) 1
𝑓(0,2) = 0 2 0 =
8 28
( )
2
2 3 2 3 3 2 3 3 2 3
( )( )( ) ( )( )( ) ( )( )( )
𝑔(0) = ∑ 𝑓(0, 𝑦) = 0 0 2 − 0 − 0 + 0 1 2 − 0 − 1 + 0 2 2 − 0−2 = 5
8 8 8 14
𝑦=0 ( ) ( ) ( )
2 2 2
2 3 2 3 3 2 3 3 2 3
( )( )( ) ( )( )( ) ( )( )( )
ℎ(2) = ∑ 𝑓(𝑥, 2) = 0 2 2 − 0 − 2 + 1 2 2 − 1 − 2 + 2 2 2 − 2−2 = 1
8 8 8 28
𝑥=0 ( ) ( ) ( )
2 2 2
5 1 1
𝑔(0)ℎ(2) = ⋅ ≠ = 𝑓(0,2)
14 28 28
∴ 𝑿, 𝒀 𝐧𝐨 𝐬𝐨𝐧 𝐞𝐬𝐭𝐚𝐝í𝐬𝐭𝐢𝐜𝐚𝐦𝐞𝐧𝐭𝐞 𝐢𝐧𝐝𝐞𝐩𝐞𝐧𝐝𝐢𝐞𝐧𝐭𝐞𝐬
2. Sea 𝑋 el número de veces que falla cierta máquina de control numérico: 1, 2 o 3 veces en un día dado. Sea 𝑌
el número de veces que se llama a un técnico para una emergencia. Su distribución de probabilidad conjunta
está como

𝑓(𝑥, 𝑦) 𝑥 1 2 3
1 0.05 0.05 0.1
𝑦 2 0.05 0.1 0.35
3 0 0.2 0.1

(a) Evalúe la distribución marginal de 𝑋. Realizar tabla

𝑥 1 2 3
𝑃𝑋 (𝑥) 0.1 0.35 0.55

(b) Evalúe la distribución marginal de 𝑌 . Realizar tabla.

𝑦 1 2 3
𝑃𝑌 (𝑦) 0.2 0.5 0.3

(c) Encuentre 𝑃(𝑌 = 3|𝑋 = 3)

𝑃(3,3) 0.1
𝑃(𝑌 = 3|𝑋 = 3) = = = 0.1818
𝑃𝑋 (3) 0.55

3. Considere el ejercicio anterior (2). Determine si las dos variables aleatorias son dependientes o independientes.
Considere 𝑓(1,1). Realizar proceso (desarrollo matemático) de solución.

𝑓(1,1) = 𝑔(1) ∗ ℎ(1)

𝑓 = 𝑔(. 10) ∗ ℎ(. 20)

𝑓 = 0.02
4. La función de densidad conjunta de las variables aleatorias 𝑋 𝑦 𝑌 es;
6𝑥, 0 < 𝑥 < 1; 0 < 𝑦 < 1 − 𝑥
𝑓(𝑥, 𝑦) = {
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

(a) Muestre que 𝑋 𝑦 𝑌 no son independientes.

Solución:

Obtenemos las marginales de 𝑋, 𝑌

1−𝑥
𝑓𝑋 (𝑥) = ∫ 6𝑥 𝑑𝑦 = 6𝑥(1 − 𝑥 − 0) = 6𝑥(1 − 𝑥)
0
1−𝑦 (1 − 𝑦)2 02
𝑓𝑌 (𝑦) = ∫ 6𝑥 𝑑𝑥 = 6 ( − ) = 3(1 − 𝑦)2
0 2 2

Entonces sabemos que 𝑋, 𝑌 son independientes si y solo si:

𝑓𝑥 (𝑥)𝑓𝑦 (𝑦) = 𝑓(𝑥, 𝑦)

𝑓𝑥 (𝑥)𝑓𝑦 (𝑦) = 6𝑥(1 − 𝑥) ⋅ 3(1 − 𝑦)2 ≠ 6𝑥 = 𝑓(𝑥, 𝑦)

∴ 𝐧𝐨 𝐬𝐨𝐧 𝐢𝐧𝐝𝐞𝐩𝐞𝐧𝐝𝐢𝐞𝐧𝐭𝐞𝐬

(b) Determine 𝑃(𝑋 > 0.3|𝑌 = 0.5)

𝑓(𝑥, 𝑦)
𝑓(𝑥|𝑦) =
𝑓𝑦 (𝑦)
𝑓(𝑥, 0.5) 6𝑥
⇒ 𝑓(𝑥|𝑦 = 0.5) = = = 8𝑥
𝑓𝑌 (0.5) 3(1 − 0.5)2
8𝑥 0 ≤ 𝑥 < 0.5
⇒ 𝑓(𝑥|𝑦 = 0.5) = {
0 de otra manera
0.5
. 52 . 32
⇒ 𝑃(𝑥 > 0.3|𝑦 = 0.5) = ∫ 8𝑥𝑑𝑥 = 8 ( − ) = 0.64
0.3 2 2

∴ 𝑷(𝒙 > 𝟎. 𝟑|𝒚 = 𝟎. 𝟓) = 𝟎. 𝟔𝟒

5. Sean [𝑋, 𝑌] un vector bivariado cuya densidad de probabilidad conjunta es
𝑘𝑥𝑦, 0 < 𝑥 < 1; 0 < 𝑦 < 1
𝑓(𝑥, 𝑦) = {
0 en cualquier otro caso

(a) Determine el valor para 𝑘, para lograr una función de probabilidad.

Solución:

Tenemos que
1 1 1
12 02 𝑘 1 𝑘 12 0 2 𝑘
∫ ∫ 𝑘𝑥𝑦 𝑑𝑥 𝑑𝑦 = 1 ⇒ 𝑘 ∫ 𝑥 ( − ) 𝑑𝑥 = ∫ 𝑥𝑑𝑥 = ( − ) = = 1
0 0 0 2 2 2 0 2 2 2 4

∴𝒌=𝟒

(c) Determine las densidades marginales.

1
12 02
𝑓𝑋 (𝑥) = ∫ 4𝑥𝑦𝑑𝑦 = 4𝑥 ( − ) = 2𝑥
0 2 2
1
12 02
𝑓𝑌 (𝑦) = ∫ 4𝑥𝑦𝑑𝑥 = 4𝑦 ( − ) = 2𝑦
0 2 2

(d) Muestre que 𝑋 𝑦 𝑌 son independientes.

𝑓𝑋 (𝑥)𝑓𝑌 (𝑦) = 2𝑥 ⋅ 2𝑦 = 4𝑥𝑦 = 𝑓(𝑥, 𝑦)

(e) Determine las densidades condicionales.

8𝑥𝑦 2𝑥
𝑓(𝑥|𝑦) = =
4𝑦 3 𝑦 2
 12
6. Detalle el ejemplo 1.2.1, es decir, desarrollar el proceso matemático para mostrar que 𝜇 = 𝐸(𝑋) =
7

Solución:

Tenemos que la distribución de probabilidad está dada por

4 3
( )( )
𝑓(𝑥) = 𝑥 3 − 𝑥 , 𝑥 ∈ (1,2,3)
7
( )
3
3

⇒ 𝐸(𝑋) = ∑ 𝑥𝑓(𝑥) = 0𝑓(0) + 1𝑓(1) + 2𝑓(2) + 3𝑓(3)

0

4 3 4 3 4 3 4 3
( )( ) ( )( ) ( )( ) ( )( )
⇒ 𝐸(𝑋) = 0 + 1 1 3 − 1 +2 2 3 − 2 +3 3 3 − 3 +4 4 3 − 4
7 7 7 7
( ) ( ) ( ) ( )
3 3 3 3
12 18 4
⇒ 𝐸(𝑋) = 0 + +2 +3
35 35 35
𝟏𝟐
⇒ 𝐸(𝑋) =
𝟕

7. Concluya y muestre que 𝜇 = 𝐸(𝑋) = 200 hrs del ejemplo 1.2.2.

Solución:

Tenemos que
20000
𝑓(𝑥) = { 𝑥 3 , 𝑥 > 100
0, en otro caso
∞
𝐸(𝑥) = 20000 ∫ 𝑥 −2 𝑑𝑥
−∞

Por lo que el límite de integración es 𝑥 ∈ (100, ∞)

∞
𝑥 −1 1 1 1 20000
⇒ 𝐸(𝑋) = 20000 | = −20,000 ( lim − ) = −20,000 (0 − )= = 𝟐𝟎𝟎
−1 100 𝑥→∞ 𝑥 100 100 100
8. Suponga que dos variables (𝑋, 𝑌) se distribuyen de manera uniforme en un círculo de radio 𝑎. La función densidad de
probabilidad conjunta
1
, 𝑥 2 + 𝑦 2 ≤ 𝑎2
𝑓(𝑥, 𝑦) = {𝜋𝑎2
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Calcule el valor esperado de 𝑋, 𝜇𝑋

Solución:

Tenemos que 𝜇 está dada por

𝜇 = ∫ ∫ 𝑔(𝑥, 𝑦)𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦

𝑥 𝑦

Obtenemos el área de integración

𝑥 2 + 𝑦 2 ≤ 𝑎2

⇒ 𝑥 2 ≤ 𝑎2
⇒ −𝒂 ≤ 𝒙 ≤ 𝒂

Y tenemos que

𝑥 2 + 𝑦 2 ≤ 𝑎2
⇒ 𝑦 2 ≤ 𝑎2 − 𝑥 2

⇒ −√𝒂𝟐 − 𝒙𝟐 ≤ 𝒚 ≤ √𝒂𝟐 − 𝒙𝟐

Entonces
𝑎 √𝑎 2 −𝑥 2 𝑎 √𝑎 2 −𝑥 2
1
𝜇𝑋 = 𝐸(𝑋) = ∫ ∫ 𝑥𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = ∫ ∫ 𝑥 𝑑𝑥𝑑𝑦
−𝑎 −√𝑎 2 −𝑥 2 −𝑎 −√𝑎 2 −𝑥 2 𝜋𝑎2
𝑎 𝑎
1 1
𝜇𝑋 = ∫ 𝑥 (√𝑎 2 − 𝑥 2 − (−√𝑎2 − 𝑥 2 )) 𝑑𝑥 = ∫ 2𝑥√𝑎2 − 𝑥 2 𝑑𝑥
𝜋𝑎2 −𝑎 𝜋𝑎2 −𝑎
𝑎
2 2 2
𝜇𝑋 = 2
∫ 𝑥 √𝑎2 − 𝑥 2 𝑑𝑥 =\\ 𝑢 = 𝑎 − 𝑥 \\
𝜋𝑎 −𝑎 𝑑𝑢 = −2𝑥𝑑𝑥

𝜇𝑋 =\\Dada la simetría de 𝑥√𝑎2 − 𝑥 2 \\

𝑎 𝑎
2 4
𝜇𝑋 = ⋅ 2 ∫ 𝑥 √𝑎 2 − 𝑥 2 𝑑𝑥 = ∫ 𝑥√𝑎2 − 𝑥 2 𝑑𝑥
𝜋𝑎2 0 𝜋𝑎 2
0
2 2
𝜇𝑋 =\\ 𝑢 = 𝑎 − 𝑥 ⇒ 𝑎2 ≤ 𝑢 ≤ 0\\
𝑑𝑢 = −2𝑥𝑑𝑥
4 1 0 2 2 3/2 0
𝜇𝑋 = (− ) ∫ √𝑢 𝑑𝑢 = − 𝑢 |
𝜋𝑎2 2 𝑎2 𝜋𝑎2 3 𝑎2
 4 3 4 3
2 )2
𝜇𝑋 = − 0 2 − (− (𝑎 )
3𝜋𝑎2 3𝜋𝑎2
4 √𝑎2
𝜇𝑋 =
3 𝜋
9. Sea 𝑋 una variable aleatoria con la siguiente distribución de probabilidad

𝑥 −3 6 9
𝑓(𝑥) 1 1 1
6 2 3
𝑔(𝑥) 25 169 361

Calcule 𝜇𝑔 (𝑋), donde 𝑔(𝑥) = (2𝑥 + 1)2

Solución:
1 1 1
𝐸[𝑔(𝑥)] = ∑ 𝑔(𝑥)𝑓(𝑥) = 𝑔(−3)𝑓(−3) + 𝑔(6)𝑓(6) + 𝑔(9)𝑓(9) = (25) ( ) + (169) ( ) + (361) ( ) = 𝟐𝟎𝟗
6 2 3
𝑥

10. Calcule la desviación estándar de la variable aleatoria 𝑔(𝑋) = (2𝑋 + 1)2 del ejercicio anterior (9).

Solución:

Tenemos que la varianza está dada por 𝜎𝑔2

𝜎𝑔2 = 𝐸[𝑔(𝑥)2 ] − 𝐸[𝑔(𝑥)]2

𝐸[𝑔(𝑥)2 ] = ∑ 𝑔(𝑥)2 𝑓(𝑥) = 𝑔(−3)2 𝑓(−3) + 𝑔(6)2 𝑓(6) + 𝑔(9)2 𝑓(9)

𝑥

1 1 1
𝐸[𝑔(𝑥)2 ] = (25)2 ( ) + (169)2 ( ) + (361)2 ( ) = 57825
6 2 3
𝜎𝑔2 = 57825 − 2092 = 14144

∴ 𝝈𝒈 = √𝟏𝟒𝟏𝟒𝟒 = 𝟏𝟏𝟖. 𝟗𝟐
11. Demostrar el Teorema 1.2.5.

Teorema: Sean 𝑋 y 𝑌 dos variables aleatorias independientes, entonces:

𝐸(𝑋𝑌) = 𝐸(𝑋)𝐸(𝑌)

Demostración:
∞
𝐸(𝑋𝑌) = ∫ 𝑓𝑋𝑌 (𝑥, 𝑦)𝑥𝑦𝑑𝑥𝑑𝑦
−∞
∞
𝐸(𝑋𝑌) = ∫ 𝑓𝑋 (𝑥)𝑓𝑌 (𝑦)𝑥𝑦𝑑𝑥𝑑𝑦 \\por hipótesis son indepientes\\
−∞
∞ ∞
𝐸(𝑋𝑌) = ∫ 𝑓𝑋 (𝑥)𝑥𝑑𝑥 ∫ 𝑓𝑌 (𝑦)𝑦𝑑𝑦
−∞ −∞

𝐸(𝑋𝑌) = 𝐸(𝑋)𝐸(𝑌)∎

*Análogo para casos discretos

12. Si una variable 𝑋 se define de modo que

𝐸[(𝑥 − 1)2 ] = 10 , 𝐸[(𝑥 − 2)2 ] = 6

Determine 𝜇 y 𝜎 2

Solución:

𝐸[(𝑥 − 1)2 ] = 𝐸[𝑥 2 − 2𝑥 + 1] = 𝐸[𝑥 2 ] + 𝐸[−2𝑥] + 𝐸[1] = 𝐸[𝑥 2 ] − 2𝐸[𝑥] + 1 = 10

𝐸[(𝑥 − 2)2 ] = 𝐸[𝑥 2 − 2𝑥 + 4] = 𝐸[𝑥 2 ] + 𝐸[−4𝑥] + 𝐸[4] = 𝐸[𝑥 2 ] − 4𝐸[𝑥] + 4 = 6

Entonces

𝐸[𝑥 2 ] − 2𝐸[𝑥] = 9

𝐸[𝑥 2 ] − 4𝐸[𝑥] = 2

⇒ 2𝐸[𝑥] = 7
7
⇒ 𝐸[𝑥] = = 3.5
2
⇒ 𝐸[𝑥 2 ] − 2(3.5) = 9 ⇒ 𝐸[𝑥 2 ] = 16

Entonces

𝝁 = 𝟑. 𝟓

𝝈𝟐 = 𝑬[𝒙𝟐 ] − 𝑬[𝒙]𝟐 = 𝟏𝟔 − 𝟑. 𝟓𝟐 = 𝟑. 𝟕𝟓
13. Se crean setenta nuevos empleos en una ensambladora de autos, pero 1000 aspirantes solicitan 70 puestos. Para
seleccionar a los 70 mejores entre los aspirantes, la armadora aplica un examen que cubre habilidad matemática. La
calificación media del examen resulta 60, y las calificaciones tienen una desviación estándar de seis. ¿Una persona que
tiene una calificación de 84 puede obtener uno de los trabajos? Utilizar teorema de Chebyshev.

Solución:

Tenemos los siguientes datos

𝜇 = 60, 𝜎 = 6
⇒ 𝜇 + 𝑘𝜎 = 84 ⇒ 60 + 6𝑘 = 84
∴𝒌=𝟒

Si aplicamos el teorema de Chebyshev tenemos que

1 15
𝑃(𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎) = 𝑃(60 − 6(4) < 𝑋 < 60 + 6(4)) ≥ 1 − 2
=
4 16
15
⇒ 𝑃(36 < 𝑋 < 84) ≥ = 93.75%
16
Sabemos que solo se aceptan 70 de 1000 puestos, es decir se busca a los mejores
70
= .07%
1000
Con una calificación de 84, dado el teorema de Chebyshev obtenemos una probabilidad de 93.75% de que la
persona sea de los mejores, es decir que sí es aceptable.