Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Departamento de Informática
Instrucciones:
Presente sus respuestas con letra clara y legible, escribiendo su nombre y rol en cada hoja que presente.
Escriba explícitamente cualquier supuesto que crea necesario y que no haya sigo indicado en el enunciado
de la pregunta. Aproxime (redondee) sólo los resultados finales.
Justifique todas sus respuestas seriamente y escriba los pasos intermedios que sean necesarios para llegar
a un resultado. Una respuesta sin desarrollo y explicación no será considerada.
Éste es un acto solemne. Cualquier intento de copia constituye una violación explícita del reglamento
de derechos y deberes de los estudiantes sansanos que será investigado y sancionado por la CU.
Tema 5) Se está estudiando el desempeño de dos maquinarias en una fábrica como dos variables aleatorias
continuas X e Y . Por diseño de las maquinarias, se sabe que el desempeño no puede ser mayor a 10
y que el desempeño de la primera es siempre mayor o igual que el de la segunda (X ≥ Y ). Dada la
siguiente fdp conjunta, responda las preguntas:
1/50 0 ≤ y ≤ x ≤ 10
fX,Y (x, y) = (1)
0 etoc
a) (60 %) Calcule e interprete el coeficiente de correlación de Pearson entre el desempeño de las dos
maquinarias (X e Y ).
2k+1 · 5k 2k+1 · 5k
Los momentos marginales son: E[X k ] = , E[Y k ] = 2
k+2 k + 3k + 2
b) (40 %) Exprese la probabilidad de que el desempeño de la segunda maquinaria sea mayor o igual
a α-veces la primera: P (X ≥ αY ). Hint: Considere los siguiente ordenes de integración de las
variables: dydx (integrar y, luego x). ¿Qué probabilidad hay con α ≤ 1 ¿Cuál es la tendencia de
la probabilidad a medida que aumenta α? Comente.
Tema 6) Sea T el tiempo (en minutos) que toma a una máquina completar cierta tarea. Durante las últimas
10 ejecuciones, se han registrado los siguientes valores S = {T1 , T2 , . . . , Tn }. Si se modela T usando la
siguiente f.d.p. con parámetro θ > 0
2t 2
f (t) = θ exp(−t /θ) t > 0 , (2)
0 etoc
y se asume que S es una muestra IID de valores de T .
a) (40 %) Encuentre el estimador de momentos de θ.
b) (40 %) Encuentre el estimador de máxima verosimilitud de θ.
c) (20 %) Determine el sesgo del estimador anterior.
RNA+FMT LATEX
1
Universidad Técnica Federico Santa María
Departamento de Informática
PAUTA
1. Tema 5
a) Con la información entregada en el enunciado acerca de los momentos podemos calcular tanto el
valor esperado marginal como la varianza marginal:
22 · 51 20 23 · 52 200 20 2 50
E[X] = = , E[X 2 ] = = = 50, V [X] = E[X 2 ] − E[X]2 = 50 − =
1+2 3 2+2 4 3 9
2
2 ·5 1 3
2 ·5 2 2
10 50 50 10 50
E[Y ] = = , E[Y 2 ] = = , V [Y ] = E[Y 2 ] − E[Y ]2 = − =
1+3+2 3 4+6+2 3 3 3 9
Con esto solo nos falta calcular E[XY ] para calcular ρX,Y :
10 Z x 10 10
y 2 x 1 x4 10 102
Z Z Z
1 1 1
E[XY ] = xy dydx = x dx = x3 dx = = = 25
0 0 50 50 0 2 0 100 0 100 4 0 4
Sabemos que Cov(X, Y ) = E[XY ] − E[X]E[Y ], por lo que reemplazamos todo lo calculado:
Cov(X, Y ) 25 − 20 · 10 25
ρX,Y = p = q 3 3 = 9
50
V [X]V [Y ] 50 50 9
9 9
Finalmente, ρX,Y = 1/2. Esto quiere decir que las variables tienen una dependencia lineal positiva,
donde si el desempeño de una maquinaria aumenta, la otra también lo hace, o si el desempeño de
una disminuye, la otra también. Al tener este valor normalizado por las varianzas, tenemos una
magnitud que nos dice que el grado de dependencia es relativamente alto de 0.5 (recordar que el
máximo valor de ρ es 1 para dependencia exactamente lineal).
b) Considerando el cálculo para la expresión P (X ≥ αY ), en base al dominio de las variables (X ≥ Y )
tendremos un cálculo que hacer sólo cuando α ≥ 1:
10 Z x/α 10
1 x2 10
Z Z
1 1 x 1 100
P (X ≥ αY ) = dydx = dx = =
0 0 50 50 0 α 50 2α 0 50 2α
2. Tema 6
2
Universidad Técnica Federico Santa María
Departamento de Informática
√
a) Notando que T ∼ Wei(2, θ), tenemos inmediatamente que
√ √
√
1 θ 1 θπ
E(T ) = θ Γ 1 + = Γ = . (3)
2 2 2 2
Por lo tanto,
p
θ̂MM π
= T̄ ⇔ θ̂MM = 4T̄ 2 /π . (4)
2
b) Notando que T 2 ∼ Exp(θ), tenemos inmediatamente que θ̂MV = i Ti2 /n (invarianza del estimador
P
máximo verosímil). Si hacemos el cálculo explícito, tenemos que
X T2
ℓ(θ) = 2 ln(Ti ) − ln(θ) − i (5)
θ
i
′ n 1 X 2 n n
ℓ (θ) = − + 2 Ti = − + 2 µ̂2
θ θ θ θ
i
n 2 X n 2n
ℓ′′ (θ) = 2 − 3 Ti2 = 2 − 3 µ̂2
θ θ θ θ
i
Por lo tanto,
n 1 X 1X 2
− + Ti2 ⇔ θ̂MM = Ti = µ̂2 . (6)
θ̂MV 2
θ̂MV n
i i
Si la muestra es IID
1X
E Ti2 − θ = θ − θ = 0.
Bias(θ) = E (µ̂2 ) − θ = (8)
n
i