EJERCICIO 1

Definimos el recinto D donde no se anula ) , ( h r f

RH
, i..e.,

} 10 10 0 : ) , {(
2
< < = h r r h r D

Por lo tanto por ser funcin de probabilidades

=
D
HR
drdh r h f 1 ) , (

0006 , 0
) 10 ( 10
1
1 ) 10 ( 10 1 10 1 10
10
0
10
0
10
10
0
=

= = = =

dr r r
k dr r r k dh rkdr drdh rk
r
D

Luego,

< <
=
caso otro en
h r r
r
h r f
RH
10 , 10 0
0
006 , 0
) , (

Por lo tanto, para responder la pregunta, planteamos: h r h r V
2
) , ( =
P ) 125 ( < V = P ) 125 (
2
< h r = P ) 125 (
2
< h r == P
|

\
|
<
2
125
r
h








2



5

1






5


P |

\
|
<
2
125
r
h =

=
2 1
) , ( drdh r h f
HR

1
) , ( drdh r h f
HR
+

2
) , ( drdh r h f
HR









Para la parte B del ejercicio, nos piden calcular la esperanza de H , utilizando la esperanza
de H dado que R = r.

P
( ) 125 < V
=

+
10
5
125
0
5
0 0
006 , 0 006 , 0
h h
dr r dh dr r dh

Como, [ ] [ ] ] | [ R H H , claramente necesitamos dos cosas: [ ] R H | y [ ] R . Para hallar
ambas, con hallar la funcin de densidad marginal ) ( r R f = es suficiente, y dicha funcin se
obtiene:

) 10 ( 006 , 0 006 , 0 ) , ( ) (
10 10
r r rdh dh r h f r R f
r r
HR
= = = =

, esto es:

caso otro en
r
r r
r f
R
10 0
0
006 , 0 06 , 0
) (
2
<

=

Luego, hallamos la densidad condicional a partir de su definicin:

r r r
r
r f
r h f
h f
R
HR
r R H

= =
=
10
1
) 10 ( 006 , 0
006 , 0
) (
) , (
) (
|
si, ( ) )} 10 , 0 ( 10 , { r r h . Observar que
verifica que para todos los valores de R de ese conjunto 1
10
1
10
=

r
dr
r
como debe ser.

Una vez hallada la densidad condicional, hallamos la esperanza [ ] R H | , tambin llamada
funcin o lnea de regresin de la altura dado un radio r.

[ ] r
r
r r
r
r
dh
r
h
R H
r
r R H
2
1
5
) 10 ( 2
) 10 )( 10 (
) 10 ( 2
100
10
|
2 10
|
+ =

+
=

= =

=
) 10 , 0 ( r

Luego, el clculo de [ ] R es directo conociendo ) (r f
R
:

[ ] 5 ) 10 ( 006 , 0
10
0
2
= =

r d r r R
Entonces:

[ ] [ ] ] | [ R H H =

2
5
5 ] [
2
1
5
2
1
] 5 [
2
1
5
) 1 (
+ = + =
(

+ =
(

+ =
R E
r E r


Finalmente,
) 2 (











(1) La esperanza es un operador lineal, siendo a y b escalares y X una variable aleatoria cualquiera con
esperanza finita, entonces ] [ b aX E + existe, es finita y vale b X aE + ] [ .
(2) Para verificar, puede calcularse la densidad marginal ) ( h H f = con un clculo sencillo, y calcular su
esperanza, verificando que efectivamente da lo mismo.

5 , 7 ] [ = H E
EJERCICIO 2

La cantidad de tiros hasta obtener un as, se corresponde a una serie de pruebas Bernoulli,
siendo dichos tiros una variable aleatoria X con distribucin geomtrica(p):

1
) 1 ( ) (

= =
x
p p x X P 1 } 1 { x

La estimacin en este caso es del parmetro p, y utilizando el enfoque bayesiano.

La primera etapa consiste en la construccin de la funcin de verosimilitud

=

= = =
=
4
1
4
4 1
4
1
4 3 2 1
4
1
) 1 ( ) 1 ( ) | ( : ) , , , | (
i
x
x
i
i
i
i
i
p p p p p x f X X X X p L

con p algn valor real entre 0 y 1.

Como en nuestro caso, 31 8 10 6 7
4
1
= + + + =

= i
i
x , la funcin de verosimilitud es tal que:

27 4
4 3 2 1
) 1 ( ) , , , | ( p p X X X X p L = ( ) 1 , 0 p

A priori la funcin de p es uniforme, por lo tanto, la funcin a posteriori de p no ser ms
que una proporcional a la verosimilitud,

27 4
4 3 2 1 4 3 2 1
) 1 ( ) , , , | ( ) , , , | ( p p X X X X p L X X X X p f , ( ) 1 , 0 p

Luego, para una constante k , se tiene que:

27 4
4 3 2 1
) 1 ( ) , , , | ( p p k X X X X p f = , ( ) 1 , 0 p

Para hallar la constante, podemos usar la similitud con la funcin beta:

Densidad a posteriori de p Distribucin ) , ( b a


27 4
) 1 ( p p k
1 1
) 1 (
) ( ) (
) (

+
b a
x x
b a
b a


( ) 1 , 0 x

De donde si se observa es claro que,
28 27 1
5 4 1
= =
= =
b b
a a


Luego la constante k es necesariamente 880 . 006 . 1
! 27 ! 4
! 32
) 28 ( ) 5 (
) 33 (
= =

= k
( ) 3





( ) 3
La constante podra haberse hallado directamente integrando la funcin de densidad a posteriori de p, pues
dicha densidad debe verificar que 1 ) 1 (
1
0
27 4
=

dp p p k de donde es claro que

=
1
0
27 4
) 1 (
1
dp p p
k
( ) 1 , 0 p
La estimacin de p puede realizarse calculando la esperanza de la funcin a posteriori, esto
es:

[ ] ... 1515151515 , 0
33
5
) 1 ( 880 . 006 . 1 , , , |
1
0
27 4
4 3 2 1
= = =

dp p p p X X X X p

o a partir del mximo a posteriori, moda, modo o valor ms probable, esto es:

27 4
) 1 ( 880 . 006 . 1 : ) 1 , 0 ( p p p p
map
= es mxima. Dicho estimador puede encontrarse
maximizando p exigiendo nulidad en su primera derivada, y verificando que la segunda
derivada sea menor que cero en ese punto, o simplemente como la a posteriori de p es una
) 28 ; 5 ( y el modo de una
2
1
) , (
+

=
b a
a
b a

2 5 28
1 5

=
map
p




Con lo que en ambos casos la probabilidad de as no es tan alejada de ... 16666 , 0
6
1
= , pero no
es dicho valor, con lo que se puede sospechar que el dado est cargado.


Bsqueda del intervalo de confianza:
Si el intervalo I R es un intervalo de confianza de nivel 0,90 para estimar p
P 90 , 0 ) , , , | (
4 3 2 1
= X X X X I p

Uno de los infinitos intervalos de confianza que satisfacen la ecuacin anterior es aquel
I R : [ ]
S I
L L I ; = tal que dichos lmites son la nica solucin con real entre 0 y 1 para p
que verifican el sistema:

=
=
=

1
27 4
0
27 4
05 , 0 ) 1 ( 880 . 006 . 1
05 , 0 ) 1 ( 880 . 006 . 1
:
S
I
L
L
dp p p
dp p p
S






( ) 4



Luego, un intervalo de confianza de nivel 0,90 es:



( ) 4
El clculo no es trivial y los lmites se hallan con algn programa tipo MATLAB / OCTAVE, o probando
valores posibles entre 0 y 1 hasta satisfacer la ecuacin. Por eso el problema slo dice plantear. Con dejar
escrito el sistema de ecuaciones S alcanza.
] 264 , 0 ; 064 , 0 [
% 90
= I

= =
= =

1
27 4
0
27 4
.. 0.2635965. 05 , 0 ) 1 ( 880 . 006 . 1
.. 0.0636527. 05 , 0 ) 1 ( 880 . 006 . 1
S
I
L
L
p dp p p
p dp p p
... 12903225 , 0
31
4
= =
map
p

EJERCICIO 3

Para la resolucin del ejercicio 3, primero contestaremos el tem c), para partir de los
supuestos que harn vlido el procedimiento:


Suponemos, en todo lo que sigue que la distribucin de las variable aleatoria
produccin diaria, de ahora en ms, X , se distribuye normalmente con una media y
un desvo estndar = 10 toneladas. Podra suponerse, en vez de eso, que aunque la
poblacin no se distribuya segn una ley normal, es tal que la suma de 5 variables de
esa poblacin (independientes, pues hablamos de las tomadas como muestra), es
aproximadamente normal, de forma que sea vlido que el promedio muestral
5
5
0

=
=
k
k
X
X siga aproximadamente una ley normal. Para el punto b) necesitaremos
aproximar la distribucin de la poblacin a normal para poder hallar el intervalo de
confianza a partir del estimador insesgado de la varianza muestral
2
S .



Dados los supuestos, comenzamos a resolver el ejercicio.

La decisin que se debe tomar, es en base a un test de hiptesis en el que se contrasta
800 :
0
= H contra 800 :
1
< H . Se cuenta con la siguiente informacin:

= 10 toneladas
El tamao de la muestra es n = 5
La probabilidad de cometer el error tipo I es del 5%.

Luego definimos como variable decisin, esto es, la variable que nosotros utilizaremos para
decidir si la produccin decay o no, al promedio muestral.

El criterio de decisin es el siguiente:

Se acepta 800 :
0
= H , cuando y slo cuando
C
X X >
Se rechaza 800 :
0
= H , cuando y slo cuando
C
X X

De esta forma, lo nico que debemos hacer es hallar el valor de
C
X y establecer el criterio
de decisin. En base a eso, planteamos la probabilidad de cometer un error del tipo I y de ah
despejaremos el valor crtico
C
X

P ( ) = verdadera es H H rechazar
0 0
| 0,05
P ( ) 05 , 0 800 | 800 = = =

que rechazar
P ( ) 05 , 0 10 | = = <

C
X X . 800 =




0.05



C
X


Vlidos los supuestos que hemos enunciado, el promedio muestral es una variable normal tal
que X ~ N
|
|

\
|

5
;

~ N
|
|

\
|

5
10
;

Por lo tanto

P ( ) 05 , 0
5 / 10
800
05 , 0 10 | =
|
|

\
|
= = <

C
C
X
X X , donde dt e x
x
t

=
2
2
1
2
1
) (

El cuantil 0,05 de la normal estndar es -1,64485, por lo tanto:

644 , 792 64485 , 1
5 / 10
800
05 , 0
5 / 10
10
= =

=
|
|

\
|

C
C C
X
X X



As la regla de decisin es:










Como la muestra es: 780, 770, 790, 805, 790:


Para la parte b del ejercicio, debemos encontrar un intervalo del 95% de confianza para
estimar la varianza poblacional.
Para eso, definimos el pivote,
2
2
2
) 1 (
) (

S n
Q

= , con
1
) (
2
2

n
X X
S
i
i
, de forma tal que
2
2
2
) 1 (
) (

S n
Q

= ~
2
1 n


Entonces,

P ( ) 95 , 0
975 . 0 025 . 0
= < < q Q q , con

q los cuantiles- de Q,

Como
1
) (
2
2

n
X X
S
i
i
se calcula con los valores muestrales, y da 170
2
= S y 5 = n , se
tiene que
2 2
2
680 170 . 4
) (

= = Q ~
2
4

- Tome 5 valores 5 ,... 1 , = i
i

- Calcule el promedio

=
=
5
1
5
1
i
i

- Si el promedio es menor a 792,64 ton decida que la produccin ha decado y
entonces algo anda mal en el proceso.
64 , 792 787 < = X , luego, se decide que la produccin ha decado y algo anda mal en el
proceso.

Luego

143 , 11
484 , 0
2
975 , 0 ; 4 975 . 0
2
025 , 0 ; 4 025 . 0
= =
= =

q
q


con lo que , P ( ) 95 , 0
975 . 0 025 . 0
= < < q Q q P 95 , 0 143 , 11
680
484 , 0
2
= |

\
|
< <

y despejando
se obtiene:

P ( ) 95 , 0 1405 61
2
= < <


] 1405 ; 61 [
% 95 ,
2

I

EJERCICIO 4


La nica pregunta de este ejercicio no es ms que una aplicacin directa de la regla de Bayes,
pues se suponen extracciones independientes de forma que:

Si
1
M := Peso de la primera pieza extrada
y
2
M := Peso de la segunda pieza extrada
G:= Cantidad de piezas grandes extradas
C:= Cantidad de piezas chicas extradas



) 5 , 1 (
) 1 1 ( ) 1 1 | 5 , 1 (
) 5 , 1 | 1 1 (
2 1
2 1
2 1
> +
= = = = > +
= > + = =
M M P
C G P C G M M P
M M C G P



Y las tres probabilidades son calculables.

Comencemos calculando las diferentes probabilidades de que la muestra supere 1,5 kg.

Caso de extraer una pieza grande y una pieza chica:

Como en este caso, el peso de la muestra extrada es la suma de dos variables normales,
N( ) 5 , 0 ; 2 y N( ) 25 , 0 ; 1 resulta una nueva variable aleatoria
G C
W
,
~ N( )
4
5
; 3 de donde,
encontrar que el peso supere 1,5 kg es directo:

( ) 68 , 2
5
5 , 1 3
4 ) 5 , 1 (
,
=
|
|

\
|
= >
G C
W P

Caso de extraer dos piezas grandes:

Como en este caso, el peso de la muestra extrada es la suma de dos variables normales,
N( ) 5 , 0 ; 2 y N( ) 5 , 0 ; 2 resulta una nueva variable aleatoria
G G
W
,
~ N( )
2
2
; 4 de donde,
encontrar que el peso supere 1,5 kg es directo:

( ) 54 , 3
2
5 , 1 4
2 ) 5 , 1 (
,
= |

\
|
= >
G G
W P

Caso de extraer dos piezas chicas:

Como en este caso, el peso de la muestra extrada es la suma de dos variables normales,
N( ) 25 , 0 ; 1 y N( ) 25 , 0 ; 1 resulta una nueva variable aleatoria
C C
W
,
~ N( )
4
2
; 2 de donde,
encontrar que el peso supere 1,5 kg es directo:

( ) 2
2
5 , 1 2
4 ) 5 , 1 (
,
= |

\
|
= >
C C
W P





Luego ahora, calculemos las probabilidades de extraer, una grande y una chica, dos grandes
o dos chicas. Como las extracciones son independientes, pero el proceso es sin reposicin
las probabilidades no son constantes, luego es un proceso hipergeomtrico, tal que:

|
|

\
|
|
|

\
|

|
|

\
|
= =
2
10
2
4 6
) (
G G
g G P con 2 , 1 , 0 = G


Luego, caso de extraer:

2 grandes,
3
1
2
10
0
4
2
6
) 2 ( =
|
|

\
|
|
|

\
|
|
|

\
|
= = G P

2 chicas,
15
2
2
10
2
4
0
6
) 0 ( =
|
|

\
|
|
|

\
|
|
|

\
|
= = G P
1 grande y una chica,
15
8
2
10
1
4
1
6
) 1 ( =
|
|

\
|
|
|

\
|
|
|

\
|
= = G P

Entonces, podemos calcular la probabilidad total del denominador utilizando la frmula de
la probabilidad total, pues los sucesos extraer una grande y una chica, extraer dos chicas
y extraer dos grandes, son particiones del espacio muestral extraer dos piezas

= > + ) 5 , 1 (
2 1
M M P
) 1 1 ( ) 1 1 | 5 , 1 (
2 1
= = = = > + C G P C G M M P
+ ) 0 2 ( ) 0 2 | 5 , 1 (
2 1
= = = = > + C G P C G M M P +
) 2 0 ( ) 2 0 | 5 , 1 (
2 1
= = = = > + C G P C G M M P

Que es lo que armamos como:

) 2 ( ) 5 , 1 ( ) 0 ( ) 5 , 1 ( ) 1 ( ) 5 , 1 ( ) 5 , 1 (
2 1
= > + = > + = > = > + G P W P G P W P G P W P M M P
GG CC GC



3
1
) 54 , 3 (
15
2
) 2 (
15
8
) 68 , 2 ( ) 5 , 1 (
2 1
+ + = > + M M P





0,538
As





) 5 , 1 (
) 1 1 ( ) 1 1 | 5 , 1 (
) 5 , 1 | 1 1 (
2 1
2 1
2 1
> +
= = = = > +
= > + = =
M M P
C G P C G M M P
M M C G P

Es:

3
1
) 54 , 3 (
15
2
) 2 (
15
8
) 68 , 2 (
15
8
) 68 , 2 (
) 5 , 1 | 1 1 (
2 1
+ +

= > + = = M M C G P


= > + = = ) 5 , 1 | 1 1 (
2 1
M M C G P






EJERCICIO 5


La pregunta A, es sencillamente un clculo directo asociado a un proceso Poisson:

hora
s componente
hs
s componente
25 , 1
8
10
= =

Luego, si K es la cantidad de componentes, simplemente como,
( )
!
) (
k
e t
k P
t k
K

1 k { N
0
}

=
|
|

\
|
= = >

=
2
0
4 25 , 1
!
) 4 25 , 1 (
1 ) 2 ( 1 ) 2 (
i
i
i
e
K P K P


El inciso B requiere la aclaracin de que como el tiempo de reparacin del i-simo
componente, denotado por
i
T , es una variable uniforme entre 1 y 3 horas, el tiempo total,
denotado por T,

=
i
i
T T : , si el nmero de componentes que ingresan es mayor a 4, la
(suma de ms de 4 uniformes) puede considerarse, basados en el teorema central del lmite,
aproximadamente normal.

Asi como
i
T ~ U[ ] 3 ; 1 i=1,2,,n

2
2
1 3
=
+
=
i
T
;
3
3
12
) 1 3 (
2
=

=
i T


Entonces,

=
=
k
i
i k
T T
0
~ N( )
i i
T T
k k ; ~ N
|
|

\
|

3
3
; 2
k
k

As:

( )
3
3
9 . 3
17 9 . 2
3 ) 9 | 17 ( =
|
|

\
|
= = > K T P =


El clculo del inciso C es simplemente la expresin de la probabilidad total, con el detalle,
de que como
i
T ~ U[ ] 3 ; 1 hs

Si K<7 , la probabilidad de que tarde ms de 20 horas es nula, pues tardar a lo sumo 18hs.
Si K>20, la probabilidad de que tarde ms de 20 horas es idnticamente igual a 1, porque es
imposible que tarde menos.

Luego,

0,875
0,72


+
= =
+
=
+
=
= + = = > = >
= = > = = = > = >
21
20
7
7 0
) ( ) ( ) | 20 ( ) 20 (
) ( ) | 20 ( ) ( ) | 20 ( ) 20 (
k k
k k
k K P k K P k K T P T P
k K P k K T P k K P k K T P T P



Como K<6 seguro, la distribucin de T, puede aproximarse a normal por lo ya explicado, y

|

\
|
= = >
k
k
k K T P
. 3
20 . 2
3 ) | 20 (

( ) ( )
!
10
!
8 . 25 , 1
) (
10 8 . 25 , 1
k
e
k
e
k P
k k
K

= =



( ) ( )

+
=

+
|
|

\
|
= >
20
10 20
7
10
!
10
!
10
. 3
20 . 2
3 ) 20 (
k
k
k
k
k
e
k
e
k
k
T P



( ) ( )

+
=

+
(

\
|
= >
21
10 20
7
10
!
10
!
10
. 3
20 . 2
3 ) 20 (
k
k
k
k
k
e
k
e
k
k
T P