UNIVERSIDAD FACULTAD DE

NACIONAL DE INGENIERÍA ECONÓMICA,

INGENIERÍA ESTADÍSTICA
INGENIERÍA Y CIENCIAS SOCIALES

Escuela Profesional de Ingeniería Estadística Tiempo 2 horas

FST31.Introducción a la probabilidad: Solucionario del
EXAMEN FINAL: 23/02/2021 Puntaje: 20 puntos

1. (4.0 Puntos) Sean X1 y X2 variables aleatorias iid con función de densidad común
fθ (x) = θ xθ−1 I(0,1) (x).
Sea la transformación
X1
U= y V = X1
X2
(a) (1.0 Puntos) Encuentre la función de densidad conjunta de U y V .
(b) (1.0 Puntos) Encuentre la función de densidad marginal de U
(c) (1.0 Puntos) Halle la función de distribución de U
(d) (1.0 Puntos) Halle P (U ≤ 43 |θ = 1)

Solution:
v
(a) Aquí J = u2
, por lo tanto la función de densidad conjunta es
v 2θ−1
fU,V (u, v) = θ2 , 0<v<u
uθ+1
(b) La densidad marginal de U es
Z  θ θ−1
2
u si 0 < u < 1
fU (u; θ) = fU,V (u, v)dv = θ
2uθ+1
si u>1

(c) Función de distribución

Z u  1 θ
u si 0 < u < 1
Fθ (u) = P (U ≤ u) = fU (t; θ) dt = 2
−∞ 1 − 2u1θ si u > 1

(d)  
4 4 1 3 3 5
P (U ≤ |θ = 1) = F (u) = P U≤ =1− × =1− =
3 3 2 4 8 8
2. (4.0 Puntos) Suponga que (Y1 , Yy , Y3 ) ∼ N (µ, Σ) donde
   
0 1 0 1
µ = 1 Σ = 0 2 2
2 1 2 3

(a) (1.5 Puntos) ¿Como se distribuye el vector (Y1 − Y2 , Y1 + Y2 + Y3 )?

(b) (1.5 Puntos) ¿Cuanto es la covarianza entre (Y1 − Y2 ) y (Y1 , Y2 , Y3 )
(c) (1.0 Puntos) ¿Cuál es el coeficiente de correlación?

Solution:
(a) sean  
     Y1
U = Y1 − Y2 U 1 −1 0  
⇒ = Y2
V = Y1 + Y2 + Y3 V 1 1 1
Y3
identificando  
  Y1
1 −1 0
A= y Y = Y2 

1 1 1
Y3
Entonces por transformación lineal se sabe que
 
U
= AY ∼ N2 (Aµ, AΣA0 )
V

y por multiplicación directa de matrices se tiene

   
−1 0 3 −2
Aµ = AΣA =
3 −2 12

Luego,      
U −1 2 −2
∼ N2 ,
V 3 −2 12

(b) La covarianza entre U y V es Cov(U, V ) = −2

(c) El coeficiente de correlación entre U y V es ρU ;V = √ −2
√ = − 31
3 12

3. (4.0 Puntos) Muchas distribuciones con “nombre” son casos especiales de las distribuciones
más comunes que ya se discutieron. Para cada una de las siguientes distribuciones nombradas,
obtenga la forma del fdp, verifique que sea un fdp y calcule la media y la varianza.

Page 2
(a) (2.0 Puntos) Si X ∼ exp(β), entonces Y = X 1/θ tiene distribución W eibull(γ, β) donde
γ>0
(b) (2.0 Puntos) Si X ∼ exp(β), entonces Y = (2X/β)[1/2 tiene distribución Rayleigh.

Solution:
(a) X ∼ exp(β), entonces
1 − β1 x dx
fX (x) = e , x > 0 para Y = X 1/θ ⇒ X = Y θ y = θy θ−1
β dy
luego, la función de densidead es
 
 dx  θ yθ
fY (y) = fX (y)   = y θ−1 e− β , y > 0
dy β
Pra calcular la media y la varianza primero halla el n-ésimo momento.
Z ∞
θ ∞ n+θ−1 − yβθ
Z
n n
E(Y ) = y fY (y)dy = y e dy
0 β 0
θ
haciendo cambio de variable u = Yβ
Z ∞ n 
n
E(Y ) = β n/θ
un/θ e−u du = β n/θ Γ +1
0 θ
final mente
      
1/θ 1 2/θ 2 2 1
E(Y ) = β Γ +1 y V ar(Y ) = β Γ +1 −Γ +1
θ θ θ

(b) X ∼ exp(β), entonces

1 − β1 x β dx
fX (x) = e , x > 0 para Y = (2X/β)1/2 ⇒ X = Y 2 , = βy
β 2 dy
 
 dx  y2
fY (y) = fX (y)   = ye− 2 , y > 0.
dy
Z ∞ Z ∞ √
2
2 − y2 2π
E(Y ) = yfY (y)dy = y e dy = .
0 0 2
para la varianza, hallamos primero el segundo momento
Z ∞
y2
 π
2
E(Y ) = y 3 e− 2 dy = 2, V ar(Y ) = 2 1 −
0 4

Page 3
4. (4.0 Puntos) Suponga que X ∼ N (0, 1), y dado X = X, Y ∼ N (x + 1, 1)
(a) (1.5 Puntos) ¿Cuál es la distribución marginal de Y ?
(b) (1.5 Puntos) ¿Cuál es la correlación entre X y Y ?
(c) (1.0 Puntos) ¿Cuál es la distribución condicional de X dado Y = y?

Solution:
(a)
1 1 2 1 1 2
f (x, y) = f (x)f (x|y) = √ e− 2 y √ e− 2 [y−(x+1)]
2π 2π
1 − 1 {x2 +[y−(x+1)]2 }
= e 2 , x ∈ R, y ∈ R
2π
Luego, la densidad matginal de Y es
Z ∞ 2
1 −1

y−1
√
fY (y) = f (x, y)dx = √ e 2 2 ,y ∈ R
−∞ 2 π

Por tanto, la variable Y se distribuye en forma normal con media igual a1 y varianza
igual a 2.

Y ∼ N (1, 2)

(b) existen varias formas de calcular, una utilizando la varianza condicional,

1
V ar(Y |X) = σY2 (1 − ρ2 ) = 1; σY2 = 2 ⇒ ρ = √
2

Respuesta El coeficiente de correlación entre X y Y es √1 .

2

(c) Del enunciado se sabe que: V ar(X) = 1 y E(X) = 0 ; del ítem (a) se sabe V ar(Y ) = 2
y E(Y ) = 1 y del ítem (b) se sabe que ρ = √12 . Por teoría de la distribución normal
bivariada que
 
σX
X|Y = y ∼ N E(X) + ρ (y − µY ); σX (1 − ρ )
2 2
σY
Luego,  
1 1
X|Y ∼ N (Y − 1);
2 2

Page 4
5. (4.0 Puntos) Considere variables aleatorias iid normales estándar X1 , X2 , . . . , X2n ; n ≥ 1.
Sea
X1 X3 X2n−1
Rn = + + ··· + y y Dn = X12 + X22 + · · · + Xn2
X2 X4 X2n
Rn
Sea Tn = Dn
, pruebe que
D
Tn −
→ X ∼ Cauchy(0, 1)
es decir, al sucesión de variables Tn converge en distribución a una variable aleatoria X tal
que X se distribuye según la distribución Cauchy estándar.

Solution: De recordarse que el cociente de dos variables aleatoria normales estándar, se

distribuye como una Cauchy estándar. Por lo tanto,
X 1 X3 X2n−1
, ,··· ,
X 2 X4 X2n
se distribuyen en forma independiente según la distribución Cauchy. A continuación, de-
notamos con Xn una variable aleatoria con una distribución de Cauchy con parámetro de
centralidad cero y parámetro de escala n. A partir de nuestros resultados sobre convolu-
ciones, sabemos que la suma de n variables aleatorias estándar independientes de Cauchy
se distribuye como Xn n; el parámetro de escala es n. Por lo tanto,
D
Rn −→ Xn ∼ X ∼ Cauchy(0, n) ∼ nX1 ∼ nCauchy(0, 1). De manera que,

D nX1 X
Tn −
→ Pn 2
= 1
Pn 1
i=1 Xi n i=1 .Xi2

Por Ley débil de los grandes números, se sabe que

n
1X 2 P
→ E(X12 ) = 1.
.Xi −
n i=1

Una secuencia de variables aleatorias con una distribución idénticamente igual a la distri-
bución Cauchy (0,1) fijo; también converge en distribución a X1 , por lo que aplicando el
D
teorema de Slutsky, concluimos que Tn − → X1 ∼ Cauchy(0, 1).

Page 5