Recopilacion Ayudantias MAT031

Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
a
a
a
a
a
a
a
Recopilaci on de Ayudantas
de Estadstica
MAT031
Primer Semestre de 2010
a
a
a
a
a
Profesor : Enzo Hernandez
Ayudante : Hugo Salazar Riquero
Indice
1. Ayudanta 1 4
1.1. Estadstica Descriptiva Univariada . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Estadstica Descriptiva Bivariada (Ajuste de Rectas) . . . . . . . . . . . . . . . . . 9
2. Ayudanta 2 12
2.1. Estadstica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. Teora de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. Aplicaci on Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3. Ayudanta 3 20
3.1. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2. Extras (Cadenas de Markov) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4. Ayudanta 4 28
4.1. Ejercicios Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5. Ayudanta 5 34
5.1. Variables Aleatorias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2. Extras (Convergencia) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3. Anexos (Variables Aleatorias Discretas) . . . . . . . . . . . . . . . . . . . . . . . . . 40
6. Ayudanta 6 43
6.1. Variables Aleatorias Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.2. Anexos (Variables Aleatorias Continuas) . . . . . . . . . . . . . . . . . . . . . . . . 54
7. Ayudanta 7 59
7.1. Distribuci on Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
7.2. Cambio de Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
7.3. Funcion Generadora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
7.4. Extras (Demostraci on VAD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8. Ayudanta 8 66
9. Ayudanta 9 72
9.1. Vectores aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
9.2. Extras (Vectores Aleatorios) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
10.Ayudanta 10 80
10.1. Vectores aleatorios Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
10.2. Cambio de Variables en Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
11.Ayudanta 11 86
11.1. Estimacion Puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
11.1.1. Metodo de los Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
11.1.2. M axima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
12.Ayudanta 12 91
12.1. Maxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
13.Ayudantia 13 101
13.1. Intervalos de Conanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
13.2. Test de Hipotesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
14.Ayudanta 14 109
14.1.1. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
14.1.2. M axima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Campus Santiago
a
1. Ayudanta 1
1.1. Estadstica Descriptiva Univariada
1. En una empresa se considera la siguiente muestra correspondiente a la resistencia de 50 lotes
de algodon, 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
a) Construya una tabla de frecuencia.
b) Calcular X y s usando el metodo codicado.
Desarrollo:
a) k = n umero de clases
k = 1 + 3, 3 log(n) = 1 + 3, 3 log(50) = 6, 6 = k 7
Rango (R) = Dato mayor Dato menor = 110 74 = 36
Rango de la muestra (R
m
) = R+1 = 36 + 1 = 37
Ancho del intervalo:
I
R
m
k
=
37
7
= I 6
Exceso:
A = I k R
m
= 6 7 37 = A = 5
Lmites del intervalo: l
i
: Lmite inferior, L
i
: Lmite superior
i) si A es impar = l
i
= dato menor
A
2
ii) si A es par = l
i
= dato menor
A
2

1
2
Lmite superior L
i
= l
i
+I
= l
1
= 74
5
2
= 71, 5
= L
i
= 71, 5 + 6 = 77, 5
MAT031 HSR 4
Campus Santiago
Con esta informacion ya podemos construir la tabla de fecuencia:
Clase MC
i
Limites n
i
N
i
f
i
F
i
d
i
n
i
d
i
n
i
d
2
i
C
1
74,5 71,5 - 77,5 2 2 0,04 0,04 -3 -6 18
C
2
80,5 77,5 - 83,5 2 4 0,04 0,08 -2 -4 8
C
3
86,5 83,5 - 89,5 6 10 0,12 0,20 -1 -6 6
C
4
92,5 89,5 - 95,5 14 24 0,28 0,48 0 0 0
C
5
98,5 95,5 - 101,5 12 36 0,24 0,72 1 12 12
C
6
104,5 101,5 - 107,5 10 46 0,2 0,92 2 20 20
C
7
110,5 107,5 - 113,5 4 50 0,08 1 3 12 36
Aparte:
i) Frecuencia Absoluta:
k
i=1
n
i
= n
ii) Frecuencia Absoluta Acumulada:
N
i
iii) Frecuencia Relativa:
f
i
=
n
i
n
iv) Frecuencia Relativa Acumulada:
F
i
=
N
i
n
v) Formulas para la media:
X =
1
n
n
j=1
x
j
X =
1
n
k
i=1
n
i
MC
i
X = MC
0
+
1
n
I
k
i=1
n
i
d
i
MAT031 HSR 5
Campus Santiago
vi) Formulas para la Varianza:
s
2
=
1
n
n
j=1
X
2
j
X
2
s
2
=
1
n
k
i=1
n
i
(MC
i
X)
2
s
2
= I
2
_
_
1
n
k
i=1
n
i
d
2
i

_
1
n
k
i=1
n
i
d
i
_
2
_
_
b) Dado que se pide calcular X y

2
usando el metodo codicado, las formulas a usar son:
i) Media (X):
X = MC
0
+
1
n
I
k
i=1
n
i
d
i
= 92, 5 +
1
50
6
7
i=1
n
i
d
i
= 92, 5 +
1
50
6 28
X = 95, 86
ii) Desviacion est andar (s):
s
2
= I
2
_
_
1
n
k
i=1
n
i
d
2
i

_
1
n
k
i=1
n
i
d
i
_
2
_
_
= 6
2
_
_
1
50
7
i=1
n
i
d
2
i

_
1
50
7
i=1
n
i
d
i
_
2
_
_
= 36
_
1
50
120
_
1
50
28
_
2
_
s
2
= 75, 11
s = 8, 66
2. El departamento de personal de una cierta rma realiz o un estudio sobre los salarios en
unidades monetarias (u.m.) de 120 funcionarios del setor administrativo, con los siguientes
resultados:
MAT031 HSR 6
Campus Santiago
Salario / Salario Mnimo Frecuencia Relativa
0 - 2 0,25
2 - 4 0,40
4 - 6 0,20
6 - 10 0,15
a) Calcule la media, mediana, varianza y desviaci on estandar.
b) Que ocurre con la media si se aumentan los salarios en 100 %?, y con la varianza?.
Justique.
c) Que ocurre con la varianza si se aumentan los salarios en 0,8 u.m? Justique.
Desarrollo:
a) Primero es necesario completar la tabla:
Salario / Salario Mnimo MC
i
n
i
N
i
f
i
F
i
0 - 2 1 30 30 0,25 0,25
2 - 4 3 48 78 0,40 0,65
4 - 6 5 24 102 0,20 0,85
6 - 10 8 18 120 0,15 1
i) Media:
X =
1
n
k
i=1
n
i
MC
i
=
1
120
4
i=1
n
i
MC
i
=
1
120
428
X = 3, 65
ii) Mediana:
M
e
= l
Me
+
n
2
N
Me
n
Me
I
= 2 +
120
2
30
48
2
M
e
= 3, 25
MAT031 HSR 7
Campus Santiago
iii) Varianza:
s
2
=
1
n
k
i=1
n
i
(MC
i
X)
2
=
1
120
4
i=1
n
i
(MC
i
3, 65)
2
s
2
= 5, 12
iv) Desviacion:
s =
s
2
s = 2, 26
b) i) Media:
Sea MC
i
= 2MC
i
, por lo que tenemos que la media es:
X
=
1
n
k
i=1
n
i
MC
i
X
=
1
n
k
i=1
n
i
2MC
i
X
= 2
1
n
k
i=1
n
i
MC
i
X
= 2X
Por lo tanto el promedio aumenta al doble (X
= 7, 3)
MAT031 HSR 8
Campus Santiago
ii) Varianza:
s
2
=
1
n
k
i=1
n
i
(MC
i
X
)
2
=
1
n
k
i=1
n
i
(2MC
i
2X)
2
=
1
n
k
i=1
n
i
(2(MC
i
X))
2
=
1
n
k
i=1
n
i
4(MC
i
X)
2
= 4
1
n
k
i=1
n
i
(MC
i
X)
2
s
2
= 4s
2
Por lo tanto la varianza aumenta cuatro veces su valor (s
2
= 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

aumentar a en a
2
, por lo que al aumentar los sueldos en 0, 8 u.m. la varianza aumentara
en (0, 8)
2
.
1.2. Estadstica Descriptiva Bivariada (Ajuste de Rectas)

1. La tabla muestra las edades y la presi on sangunea de 12 mujeres adultas
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
Presi on Sangunea Y 147 128 160 119 155 132 145 150 117 143 146 150
153 122 153 117 143 124 150 115 137 152 160
a) Encontrar los coecientes del modelo de regresion lineal.
b) Calcule el coeciente de correlacion. Existe realmente una tendencia lineal?
c) Estime la presion sangunea de una mujer de 45 a nos de edad.
Desarrollo:
MAT031 HSR 9
Campus Santiago
a) Primero debemos organizar las datos como datos pareados:
X 56 42 72 36 63 47 55 49 38 42 68 60
Y 147 125 160 118 149 128 150 145 115 140 152 155
Y = aX +b
X =
1
n
12
i=1
x
i
= 140, 33
Y
t
=
1
n
12
i=1
Y
i
= 52, 33
a =
cov(X, Y )
s
2
x
=
1
n
12
i=1
x
i
Y
i
(X Y
t
)
1
n
12
i=1
x
2
i
X
2
=
147, 73
132, 71
a = 1, 11
b = Y aX = 52, 33 1, 11 140, 33 = 82, 10
Por lo tanto los parametros del modelo son: a = 1, 11 y b = 82, 10.
b) Coeciente de correlaci on:

=
cov(x, y)
s
x
s
y
=
147, 53
11, 52 s
y
Aparte:
s
y
=
_
1
n
12
i=1
(Y
i
)
2
(Y
t
)
2
=
_
19901, 8 (140, 33)
2
=
_
209, 32
= 14, 47
Por lo tanto:
=
147, 53
11, 52 14, 47
= 0, 886
Como [1; 0.7] [0.7; 1] entonces es posible decir que existe una relacion lineal
entre las variables.
MAT031 HSR 10
Campus Santiago
c) Para hacer la estimacion, basta reemplazar la edad en la formula obtenida:
Y = aX +b
con:
X = Edad de la mujer.
Y = Presion sangunea.
Y = aX +b
= 1, 11X + 82, 10
= 1, 11 (45) + 82, 10
Y = 132, 18
Por lo tanto la presi on sanguinea de una mujer de 45 a nos sera aproximadamente de
132.
MAT031 HSR 11
Campus Santiago
2. Ayudanta 2
2.1. Estadstica Descriptiva Bivariada
1. En el prestigioso hospital de La Florida, a 50 pacientes se les administra una sustancia que
se identica con la letra C en miligramos, considerando como segunda variable la edad E
medida en a nos, tal como se muestra en la siguiente tabla de contingencia:
MC
E
\MC
C
15 20 25 30 35 n
i
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
a) Calcular el promedio de cada variable.
b) Calcular s
2
C
y s
2
E
.
c) Calcule el coeciente de correlacion muestral.
d) Calcule las medias condicionales para C y E.
e) Calcule las varianzas condicionales para C y E.
f ) Analice independencia entre C y E.
Desarrollo:
Primero debemos ampliar la tabla a:
d
j
-2 -1 0 1 2
d
i
MC
E
\MC
C
15 20 25 30 35 n
i
-2 20 4 2 2 8
-1 30 2 6 3 1 12
0 40 2 5 4 3 14
1 50 2 3 6 11
2 60 2 2 1 5
n
j
6 12 15 13 4 50
MAT031 HSR 12
Campus Santiago
a)
C = MC
0
+
1
n
I
C
k
j=1
d
j
n
j
= 25 +
1
50
5
5
j=1
d
j
n
j
= 24, 94
E = MC
0
+
1
n
I
E
k
i=1
d
i
n
i
= 40 +
1
50
10
5
i=1
d
i
n
i
= 38, 6
b)
s
2
C
= I
2
_
_
1
n
k
j=1
n
j
d
2
j

_
1
n
k
j=1
n
j
d
j
_
2
_
_
= 5
2
_
_
1
50
5
j=1
n
j
d
2
j

_
1
50
5
j=1
n
j
d
j
_
2
_
_
= 5
2
_
65
50

_
3
50
_
2
_
s
2
C
= 32, 41
s
2
E
= I
2
_
_
1
n
k
i=1
n
i
d
2
i

_
1
n
k
i=1
n
i
d
i
_
2
_
_
= 10
2
_
_
1
50
5
i=1
n
i
d
2
i

_
1
50
5
i=1
n
i
d
i
_
2
_
_
= 10
2
_
75
50

_
7
50
_
2
_
s
2
E
= 148, 04
c) Coeciente de correlaci on muestral

=
cov(E, C)
s
E
s
C
cov(E, C) =
1
n
_
r
i=1
s
j=1
n
ij
MC
i
MC
j
_
(E C)
=
1
50
_
5
i=1
5
j=1
n
ij
MC
i
MC
j
_
(24, 94 38, 6)
=
1
50
49700 962, 684
= 31, 316
MAT031 HSR 13
Campus Santiago
= =
31, 316
5, 69 12, 17
= 0, 45
d)
X
E
j
=
1
n
j
k
i=1
MC
E
i
n
ij
X
E
1
=
1
6
(20 4 + 30 2) = 23, 3
X
E
2
=
1
12
(20 2 + 30 6 + 40 2 + 50 2) = 33, 3
X
E
3
= 40
X
E
4
= 46, 92
X
E
5
= 45
X
C
i
=
1
n
i
k
j=1
MC
C
j
n
ij
X
C
1
=
1
8
(15 4 + 20 2 + 25 2) = 18, 75
X
C
2
=
1
12
(15 2 + 20 6 + 25 3 + 30 1) = 21, 25
X
C
3
= 27, 85
X
C
4
= 26, 81
X
C
5
= 29
e)
s
2
E
j
=
1
n
j
k
i=1
n
ij
(MC
E
i
X
E
j
)
2
s
2
E
1
=
1
6
(4 (20 23, 3)
2
+ 2 (30 23, 3)
2
) = 22, 2
s
2
E
2
=
1
12
(2 (20 33, 3)
2
+ 6 (30 33, 3)
2
+ 2 (40 33, 3)
2
+ 2 (50 33, 3)
2
) = 88, 8
s
2
E
3
= 146, 6
s
2
E
4
= 67, 45
s
2
E
5
= 75
MAT031 HSR 14
Campus Santiago
s
2
C
i
=
1
n
i
k
j=1
n
ij
(MC
E
j
X
E
i
)
2
s
2
C
1
=
1
8
(4 (15 18, 75)
2
+ 2 (20 18, 75)
2
+ 2 (25 18, 75)
2
) = 17, 18
s
2
C
2
=
1
12
(2 (15 21, 25)
2
+ 6 (20 21, 25)
2
+ 3 (25 21, 25)
2
+ 1 (30 21, 25)
2
) = 17, 18
s
2
C
3
= 23, 98
s
2
C
4
= 14, 87
s
2
C
5
= 22
f ) Sea:
f
i
=
n
i
n
f
j
=
n
j
n
f
ij
=
n
ij
n
Las variables son independientes si y solo si se cumple que:
f
ij
= f
i
f
j
Para esto es necesario escoger un i y un j cualquiera y vericar si se cumple dicha
condici on, por ejemplo tomemos i = 4 y j = 3
f
ij
= f
43
=
3
50
f
i
= f
4
=
11
50
f
j
= f
3
=
15
50
3
50
=
11
50

15
50
? = 0, 06 = 0, 66
Por lo tanto las variables E y C no son independientes.
MAT031 HSR 15
Campus Santiago
2.2. Teora de Probabilidades
1. Se escogen 3 l amparas, de un total de 15, de las cuales 5 son defectuosas.
a) Determinar la probabilidad de que ninguna sea defectuosa.
b) Determinar la probabilidad de que exactamente una sea defectuosa.
c) Encuentre la probabilidad de que al menos una sea defectuosa.
d) Determine la probabilidad de que la tercera sea la primera defectuosa.
e) Determine la probabilidad de que la tercera sea la segunda lampara defectuosa.
Desarrollo:
a) Sea P(A)= Probabilidad de que ninguna lampara sea defectuosa
P(A) =
_
10
3
__
5
0
_
_
15
3
_ = 0, 264
b) Sea P(A)= Probabilidad de que una lampara sea defectuosa

P(A) =
_
10
2
__
5
1
_
_
15
3
_ = 0, 495
c) Sea P(A)= Probabilidad de que al menos una l ampara sea defectuosa

P(A) =
3
i=1
_
10
3 i
__
5
i
_
_
15
3
_
P(A) =
_
10
2
__
5
1
_
_
15
3
_ +
_
10
1
__
5
2
_
_
15
3
_ +
_
10
0
__
5
3
_
_
15
3
_ = 0, 736
MAT031 HSR 16
Campus Santiago
d) Sea P(A)= Probabilidad de que la tercera l ampara extrada sea la primera defectuosa
P(A) =
_
10
2
__
5
0
_
_
15
2
_
1
5
= 0, 086
e) Sea P(A)= Probabilidad de que la tercera sea la segunda l ampara defectuosa

P(A) =
_
10
1
__
5
1
_
_
15
2
_
1
4
= 0, 095
2. Seg un estudios estadsticos se ha determinado que el 60 % de los pasajeros en vuelo matinal

pide desayuno caliente, mientras que los restantes lo piden fro. Para cada uno de estos vuelos,
el avi on dispone a bordo de 72 desayunos calientes y 48 desayunos fros. En una ma nana
110 pasajeros toman el avion. Determinar la probabilidad de que cada uno de los pasajeros
reciba el desayuno adecuado.
Desarrollo:
Sea P(A)= Probabilidad de que cada pasajero reciba el desayuno adecuado
P(A) =
_
72
66
__
48
44
_
_
120
110
_ = 0, 262
2.3. Probabilidad Condicional

1. Un inversionista estima que la probabilidad de que un proyecto sea rentable es de 0,65. Para
asegurarse contrata los servicios de dos analistas externos que eval uan el proyecto de forma
independiente. El historial del analista I permite suponer que evaluara el proyecto como
rentable, cuando en realidad lo es, con probabilidad 0,9, mientras que la probabilidad de que
lo eval ue como rentable, cuando en realidad no lo es, es de 0,05. El historial del analista II
garantiza que eval ua como rentables proyectos que si lo sean un 85 % de las veces y eval ua
como rentables aquellos que no lo son en un 10 % de las veces.
a) Determinar la probabilidad de que ambos analistas eval uen el proyecto como rentable.
MAT031 HSR 17
Campus Santiago
b) Si el proyecto evalu o rentable por ambos analistas, determinar la probabilidad de que
sea rentable.
Desarrollo:
a) La probabilidad pedida es: P
_
ER
Analista 1
_
P
_
ER
Analista 2
_
Donde:
i) ER
Analista 1
: (A) = analista 1 evaluo el proyecto como rentable
ii) ER
Analista 2
: (B) = analista 2 evaluo el proyecto como rentable
P
i
() = Probabilidades asociadas al analista i, con i = {1, 2}
P(A) P(B) =
_
P
1
(ER|R) P
1
_
ER|R
__
_
P
2
(ER|R) P
2
_
ER|R
__
= [0, 9 0, 65 + 0, 05 0, 35] [0, 85 0, 65 + 0, 1 0, 35]
= 0, 3539
P(A) P(B) = 35, 39 %
b) La probabilidad pedida es: P

_
R|ER
Analista 1
_
P
_
R|ER
Analista 2
_
= P(R|ER)
Donde:
i) R |ER
Analista 1
= Probabilidad de que el proyecto sea rentable dado que el
analista 1 evaluo el proyecto como rentable
ii) R|ER
Analista 2
= Probabilidad de que el proyecto sea rentable dado que el
analista 2 evaluo el proyecto como rentable
P
i
() = Probabilidades asociadas al analista i, con i = {1, 2}
P(R|ER) =
_
P
1
(ER|R) P
1
(R)
P
1
(ER)
_
_
P
2
(ER|R) P
2
(R)
P
2
(ER)
_
=
_
P
1
(ER|R) P
1
(R) P
2
(ER|R) P
2
(R)
P
1
(ER) P
2
(ER)
_
=
0, 9 0, 65 0, 85 0, 65
0, 3539
P(R|ER) = 0, 9131
MAT031 HSR 18
Campus Santiago
2.4. Aplicacion Probabilidad Condicional
1. Sea un espacio muestral y P() una medida de probabilidad denida en 2
(conjunto
potencia de ). Sean A, B, C . Determine si la proposicion es verdadera o falsa.
Si P
_
A
_
= y P
_
B
_
= =P(A B) 1
Si la proposici on es verdadera, demuestrela. Si es falsa, provea un contraejemplo. Los con-
traejemplos deben incluir: el espacio muestral , los eventos A, B y C, y la medida de
probabilidad P()
Desarrollo:
La proposicion es verdadera, en efecto:
Sea P(A) = 1 P
_
A
_
y P(B) = 1 P
_
B
_
Se sabe que:
P(A B) = P(A) +P(B) P(A B) A B =
P(A B) = P(A) +P(B) P(A B)
P(A B) = 1 P
_
A
_
+ 1 P
_
B
_
P(A B)
P(A B) = 1 + 1 P(A B)
P(A B) = 2 P(A B)
Ademas:
0 P(A B) 1
Por lo que nalmente tenemos:
P(A B) 1
MAT031 HSR 19
Campus Santiago
3. Ayudanta 3
3.1. Probabilidad Condicional
1. Un canal de comunicaciones transere datos binarios. Debido a un ruido en la transmisi on
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 %.
a) Determine la probabilidad de recibir un 1.
b) Determine la probabilidad de que se haya transmitido un 1, dado que se recibi o un 1.
c) Determine la probabilidad de errar en la tranmision.
Desarrollo:
a) La probabilidad pedida es P(1
R
) que est a dada por:
= P(1
R
| 1
T
) P(1
T
) +P(1
R
| 0
T
) P(0
T
)
= 0, 91 0, 55 + 0, 06 0, 45
P(1
R
) = 0, 5275
b) el problema se reduce a calcular:

P(1
T
1
R
)
P(1
R
)
=
P(1
R
| 1
T
) P(1
T
)
P(1
R
)
=
0, 91 0, 55
0, 5275
P(1
T
1
R
)
P(1
R
)
= 0, 9488
c) Sea el evento A: error en la transmicion

P(A) = P(1
R
| 0
T
) P(0
T
) +P(0
R
| 1
T
) P(1
T
)
= 0, 06 0, 45 + 0, 09 0, 55
P(A) = 0, 076
MAT031 HSR 20
Campus Santiago
2. Cuatro m aquinas autom aticas envasan el mismo producto en frascos de vidrio que son de-
positados en un transportador com un. El rendimiento de la primera maquina 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 maquina 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 maquina 1.
Desarrollo:
Sea:
X
i
: Rendimiento de la m aquina i, con i = {1, 2, 3, 4}
M
i
: Cantidad de producci on por m aquina, con i = {1, 2, 3, 4}
X
1
= 2X
2
X
1
= 3X
3
X
2
= 2X
4
M
1
= 2M
2
M
2
= 2M
4
M
3
=
M
1
3
M
4
= M
4
_
_
M
1
= 4M
4
3
M
2
= 2M
4
3
M
3
=
4
3
M
4
3
M
4
= M
4
3
_
_
M
1
= 12X
M
2
= 6X
M
3
= 4X
M
4
= 3X
T = 25X
Luego las probabilidades asociadas a cada m aquina son:
P(M
1
) = 0, 48 P(M
2
) = 0, 24 P(M
3
) = 0, 16 P(M
4
) = 0, 12
P(F M
1
)
P(F)
=
P(F|M
1
) P(M
1
)
P(F|M
1
) P(M
1
) +P(F|M
2
) P(M
2
) +P(F|M
3
) P(M
3
) +P(F|M
4
) P(M
4
)
=
0, 38 0, 48
0, 38 0, 48 + 0, 25 0, 24 + 0, 02 0, 16 + 0, 3 0, 12
P(F M
1
)
P(F)
= 0, 6477
3. El aeropuerto al que llegan los aviones, tiene 2 areas, A y B, que pueden ser usadas. Se
sabe que al area A llega el 78 %. Sabiendo que un avion, que al usar el area A, ha de venir
con problemas, es tres veces m as frecuente que los que usan el area B, han de venir con
problemas. Determine la probabilidad de que un avi on que viene con problemas, use el area
A.
MAT031 HSR 21
Campus Santiago
Desarrollo:
Sean:
i) P(A): Probabilidad de usar el area A.
ii) P(B): Probabilidad de usar el area B.
iii) P(D | A): Probabilidad de usar el area A dado que viene defectuoso.
iv) P(D | B): Probabilidad de usar el area B dado que viene defectuoso.
y se sabe que: P(D | A) = 3P(D | B)
P(A D)
P(D)
=
P(D | A) P(A)
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)
P(D)
= 0, 914
4. La probabilidad de que haya un accidente en una fabrica que dispone de alarma es 0.1. La
probabilidad de que suene esta, s se ha producido alg un incidente, es de 0.97; y la proba-
bilidad de que suene, si no ha sucedido ning un incidente, es 0.2. En el supuesto de que haya
funcionado la alarma, Cu al es la probabilidad de que no haya habido ning un incidente?
Desarrollo:
Sean los eventos:
i) I: Existencia de incidente.
ii) A: Activaci on de la alarma.
P(I A)
P(A)
=
P(A | I) P(I)
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)
P(A)
= 0, 6498
MAT031 HSR 22
Campus Santiago
5. Una persona tiene que efectuar una mantenci on 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.
a) Determinar la probabilidad de que en 3 periodos consecutivos falle 2 veces.
b) Si el sistema no falla en el tercer periodo, determinar la probabilidad de que no haya
fallado en ninguno de los dos periodos anteriores.
Desarrollo:
P(A): Probabilidad de que falle dos veces en tres periodos consecutivos.
a)
= P
_
F
1
F
2
F
3
_
+P
_
F
1
F
2
F
3
_
+P
_
F
1
F
2
F
3
_
= P
_
F
3
| F
2
F
1
_
P(F
2
| F
1
) P(F
1
) +P
_
F
3
| F
2
F
1
_
P
_
F
2
| F
1
_
P(F
1
)
= +P
_
F
3
| F
2
F
1
_
P
_
F
2
| F
1
_
P
_
F
1
_
= 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
_
F
1
F
2
| F
3
_
=
P
_
F
3
| F
2
F
1
_
P
_
F
2
| F
1
_
P
_
F
1
_
P
_
F
3
_
Aparte:
P
_
F
3
_
= P
_
F
| F
2
F
1
_
P(F
2
| F
1
) P(F
1
)
= +P
_
F
| F
2
F
1
_
P
_
F
2
| F
1
_
P(F
1
)
= +P
_
F
| F
2
F
1
_
P
_
F
2
| F
1
_
P
_
F
1
_
= +P
_
F
| F
2
F
1
_
P
_
F
2
| F
1
_
P
_
F
1
_
= 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
_
F
3
_
= 0, 6845
MAT031 HSR 23
Campus Santiago
Luego:
P
_
F
1
F
2
| F
3
_
=
P
_
F
3
| F
2
F
1
_
P
_
F
2
| F
1
_
P
_
F
1
_
P
_
F
3
_
=
0, 65 0, 65 0, 95
0, 6845
P
_
F
1
F
2
| F
3
_
= 0, 5862
3.2. Extras (Cadenas de Markov)

1. Considere una tienda que mantiene un inventario de un producto dado para satisfacer una
demanda (aleatoria). La demanda diaria D, tiene la siguiente distribucion:
P(D = 0) = 1/4 P(D = 1) = 1/2
P(D = 2) = 1/4 P(D 3) = 0
Sea X
n
el nivel del inventario al comienzo del da n y suponga que la tienda tiene una poltica
de mantenci on de inventario (s, S) que consiste en si al nal del da se posee menos de s, se
hace una orden de pedido que al inicio del da 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 planicacion hay S unidades en inventario con s = 1 y S = 2
a) Halle la forma de conocer el inventario al comienzo de cualquier da a partir de n + 1
(ayuda: matriz de probabilidades de transici on).
b) Calcule la probabilidad de tener un nivel de inventario s y S al comienzo del da n +3,
considerando que seg un estudios P(s) = 0, 45 y P(S) = 0, 55 para un da n.
c) Determinar en que proporci on tendremos un nivel de inventario s e inventario nivel S
en el largo plazo.
Desarrollo:
Denamos:
i) X
n
: El nivel de inventario al inicio del da n
ii) Estado 1: Una unidad de inventario.
iii) Estado 2: Dos unidades en inventario.
Sea:
MAT031 HSR 24
Campus Santiago
a) P
11
: Probabilidad de que existiendo una unidad en el inventario al inicio del da, exista
la misma unidad en inventario al da siguiente. En este caso, solo exste la posibilidad
que no me demanden nada. Por lo tanto P
11
= 1/4.
b) P
12
: Probabilidad de que existiendo una unidad en inventario al inicio del da, existan
dos unidades en inventario al da 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 habr an S = 2.
2) Que exista demanda por 1 unidad, se baja el inventario s a cero y al periodo sigu-
iente habr an S = 2.
Por lo tanto:
P
12
= P(D = 1) +P(D = 2) = 1/4 + 1/2 = 3/4
c) P
21
: Probabilidad de que existiendo dos unidades en inventario al inicio del da, exista
una unidad en inventario al da siguiente. Para que esto exsta solo deber an demandar
una unidad. Por lo tanto P
21
= 1/2.
d) P
22
: Probabilidad de que existiendo dos unidades en inventario al inicio del da, existan
dos unidades en inventario al da siguiente. Es claro que para que esto suceda, no se
demanda ninguna unidad o se demandan al menos dos unidades. Es decir:
P
22
= P(D = 0) +P(D 2) = 1/4 + 1/4 = 1/2
Con esta informacion ya podemos comenzar a responder a lo que se nos pregunta.
a) Matriz de probabilidades de transici on en una etapa:
P =
_
1/4 3/4
1/2 1/2
_
b) Para calcular las probabilidades de cada nivel de inventario debemos utilizr la siguiente
formula:
f
(n)
=
_
P
T
_
(n)
f
(0)
Donde:
i)
_
P
T
_
(n)
: matriz traspuesta elevada a n.
ii) f
(0)
: matriz de distribucion inicial.
cuyas matrices son:
P
T
=
_
1/4 1/2
3/4 1/2
_
f
(0)
=
_
0, 45
0, 55
_
MAT031 HSR 25
Campus Santiago
Ahora necesitamos calcular
_
P
T
_
(3)
:
_
P
T
_
(3)
=
_
1/4 1/2
3/4 1/2
_

_
1/4 1/2
3/4 1/2
_

_
1/4 1/2
3/4 1/2
_
=
_
0, 39065 0, 40625
0, 609375 0, 59375
_
Por lo tanto la probabilidad para cada nivel de inventario al comienzo del da n + 3
viene dada por:
_
0, 39065 0, 40625
0, 609375 0, 59375
_

_
0, 45
0, 55
_
=
_
0, 399
0, 601
_
Es decir, que para el da n+3 la probabilidad de tener un inventario s y S son de 39,9 %
y 60,1 % respectivamente.
c) En el caso de calcular en el largo plazo, debemos utilizar la siguiente formula:

=
_
P
T
_
=
_

0
1
_
=
_
1/4 1/2
3/4 1/2
_

_

0
1
_
0
+
1
= 1
de aqu se tienen las siguientes ecuaciones:
0
=
1
4
0
+
1
2
1
(1)
1
=
3
4
0
+
1
2
1
(2)
0
+
1
= 1 (3)
reemplazando 1
0
, obtenida de (3), en (1) tenemos:
0
=
1
4
0
+
1
2
(1
0
)
0
+
1
2
1
4
0
=
1
2
0
=
2
5
Luego, reemplazando el valor obtenido para
0
en cualquiera de las ecuaciones anteriores,
tenemos que:
1
=
3
5
Es decir, en el largo plazo las probabilidades asociadas a los niveles de inventario s y S
son 40 % y 60 % respectivamente.
MAT031 HSR 26
Campus Santiago
MAT031 HSR 27
Campus Santiago
4. Ayudanta 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 Joaqun.
5 mujeres : Alicia, Barbara, Evelyn, Claudia y Natalia.
Suponga que si una persona pertenece a esta directiva, esta persona puede ocupar solo un
cargo y suponga que todas las posibles directivas que pueden formarse tienen la misma
probabilidad de ocurrir.
a) Determine el n umero de directivas diferentes que es posible formar.
Desarrollo:
Usando principio multiplicativo, el n umero de directivas diferentes que se pueden formar
es: 8 7 6 5 4
b) Calcule la probabilidad que Felipe y Gonzalo NO esten simultaneamente en la directiva.
Desarrollo:
Sea A: Gonzalo y Felipe no est an simultaneamente en la directiva. Notar que P(A) =
1 P
_
A
_
. hay
_
5
2
_
2! = 20 formas de que Felipe y Gonzalo ocupen un cargo en la
directiva (pues, cargos son diferentes).
Una vez asignados los cargos de Felipe y Gonzalo, hay 6 5 4 formas de llenar los cargos
restantes. Luego, A
tiene 20 6 5 4 elementos (Principio multiplicativo). Por lo tanto,

dada la equiprobabilidad entre todas las directivas posibles, la probabilidad pedida es:
P(A) = 1 P
_
A
_
= 1
20 6 5 4
8 7 6 5 4
= 1 0, 36
P(A) = 0, 64
c) Calcule la probabilidad que la directiva este compuesta por al menos 3 mujeres.
Desarrollo:
Para cada j {3, 4, 5}, denimos el evento M
j
: En la directiva hay exactamente j
mujeres. Para cacular el n umero de elementos que tiene M
3
considere lo siguiente:
i) Hay
_
5
3
_
formas de elegir los cargos que ocupar an mujeres (pues los cargos son
MAT031 HSR 28
Campus Santiago
diferentes).
ii) Una vez hecho lo anterior, estos cargos pueden ser llenados de 5 4 3 formas.
iii) Una vez hecho i) y ii), hay 3 2 formas de llenar los cargos compuestos por hombres.
Luego, M
3
tiene
_
5
3
_
5 4 3 3 2 = 3600 elemento (Principio Multiplicativo).
Usando argumentos similares, se tiene que:
M
4
tiene
_
5
4
_
5 4 3 3 2 = 1800
M
5
tiene 5 4 3 3 2 = 120
Por lo tanto, la probabilidad pedida es:
P(M
3
) +P(M
4
) +P(M
5
) =
3600 + 1800 + 120
8 7 6 5 4
= 0, 82
2. Se ha nominado a tres miembros de un club privado para ocupar la presidencia del mismo.La
probabilidad de que se elija al se nor A es de 0,3; la que se haga lo propio con el se nor B, de
0,5, y la de que gane la se nora C, de 0,2. En caso que se elija al se nor A, la probabilidad de que
la cuota de ingreso incremente en 0,8, si se elije al se nor B o la se nora C, las correspondientes
probabilidades de que haya un incremento en la cuota son de 0,1 y 0,4 respectivamente.
a) Cual es la probabilidad de que haya un incremento en la cuota de membresa?
Desarrollo:
Denamos los eventos:
A: el se nor A es elegido como presidente.
B: el se nor B es elegido como presidente.
C: el se nor C es elegido como presidente.
E: el candidato electo incrementa la cuota.
Para esto ultizamos probabilidades totales (equivalentemente, podemos denir un di-
agrama de arbol) ya que necesitamos P(E). Del enunciado tenemos que: P(A) = 0, 3,
P(B) = 0, 5, P(C) = 0, 2, P(E | A) = 0, 8, P(E | B) = 0, 1, P(E | C) = 0, 4
Por lo tanto,
P(E) = P(E | A) P(A) +P(E | B) P(B) +P(E | C) P(C)
= 0, 3 0, 8 + 0, 5 0, 1 + 0, 2 0, 4
= 0, 37
b) Dado que la cuota se ha incrementado, cu al es el candidato con mayor probabilidad
de haber sido electo presidente?
Tena este candidato la mayor probabilidad de ser electo inicialmente? Comente.
Desarrollo:
MAT031 HSR 29
Campus Santiago
Necesitamos utilizar el teorema de Bayes para calcular las probabilidades luego de au-
menta la cuota. As,
P(A | E) =
P(E | A) P(A)
P(E)
=
0, 8 0, 3
0, 37
= 0, 65
P(B | E) =
P(E | B) P(B)
P(E)
=
0, 1 0, 5
0, 37
= 0, 14
P(C | E) =
P(E | C) P(C)
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 se nor A, aun cuando a priori sabamos que el se nor B tena mayor probabilidad de
ser electo, el aumento de la cuota resulta ser un benecio para la candidatura del se nor
A.
3. Un medico examina la radiografa de un paciente y est a indeciso respecto a su diagn ostico
entre c ancer al pulm on y tuberculosis. Sobre la base de informacion hstorica, se estima que
la probabilidad de que el c ancer produzca una radiografa de este tipo es 0,6, la cual aumenta
a 0,8 para la tuberculosis. En su experiencia, el medico estima que el 70 % de los pacientes
que consultan por sntomas similades tiene c ancer y el 30 % de ellos tiene tuberculosis.
a) Dado que la radiografa es del tipo observado. cu al es la probabilidad que el paciente
tenga cancer?
Desarrollo:
Sea:
C: El paciente padece de cancer al pulmon.
R: La radiografa 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
Campus Santiago
La probabilidad pedida es:
P(C | R) =
P(R | C) P(C)
P(R | C) P(C) +P
_
R | C
_
P
_
C
_
=
0, 6 0, 7
0, 6 0, 7 + 0, 8 0, 3
= 0, 6364
b) Dado que la radiografa es del tipo observado, cu al es la probabilidad de que el paciente
tenga tuberculosis?
Desarrollo:
P
_
C
| R
_
= 1 P(C | R)
= 1 0, 6364
= 0, 3636
c) Si la radiografa no hubiera sido del tipo que se observo, se presentara nuevamente
el problema de decidir entre cancer y tuberculosis. Indique y calcule cu ales son las
probabilidades relevantes.
Desarrollo:
Se pide calcular las siguientes probabilidades:
P
_
C | R
_
=
P
_
R
| C
_
P(C)
P
_
R
_ y P
_
C
| R
_
= 1 P
_
C | R
_
Luego las probabilidades pedidas son:
P
_
C | R
_
=
0, 4 0, 7
0, 34
= 0, 8235
P
_
C
| R
_
= 1
0, 4 0, 7
0, 34
= 1 0, 8235
= 0, 1765
4. Un estudiante lanza 10 monedas y contabiliza el n umero de caras en cada experiencia. Sus
resultados fueron:
0 1 2 3 4 5 6 7 8 9 10
30 45 79 100 120 126 120 100 79 45 30
MAT031 HSR 31
Campus Santiago
El estudiante asevera que las monedas que us o tenan una medida de 1/2 salir cara. De
acuerdo con sus resultados y la informaci on que dio el estudiante, es posible asegurar que
el hizo la experiencia y no invent o los datos? Explique y argumente su armacion.
Desarrollo:
Para desarrollar este ejercicios se deben comparar las frecuencias relativas con la medida
te orica. Por lo que tenemos:
N umero de experiencias: 874
P(Y = k) =
_
10
k
_
2
10
Probabilidad Te orica
f(k) =
f
k
874
Medida Experimental
P(Y = 0) =
_
10
0
_
2
10
= 0, 00097656
f(0) =
30
874
= 0, 03432
P(Y = 5) =
_
10
5
_
2
10
= 0, 246
f(5) =
126
874
= 0, 14
Con esto se observa que exste una diferencia notoria entre los valores experimentales y
te oricos, por lo que el estudiante invento los datos.
5. La siguiente tabla se reere al n umero 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
a) Cual es el modelo a ajustar?
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
Campus Santiago
b) Vericar si el ajuste de la curva es aceptable
Desarrollo:
Reemplazar valores en el modelo a ajustar (obtenido en el punto anterior) y vericar
que el valor generado es similar al valor que se encuentra en la tabla.
c) Cuantas bacterias habra por unidad de volumen en X = 3, 5 hrs?
Desarrollo:
Idem que (b).
MAT031 HSR 33
Campus Santiago
5. Ayudanta 5
5.1. Variables Aleatorias Discretas
1. Suponga que X es una variable aleatoria discreta con funcion de cuanta:
x 2 1 0 1 2 4
f(x) 0, 1C 0, 2C 0, 6C 0, 5C 0, 4C 0, 2C
a) Determine C para que f(x) sea una distribuci on de probabilidad.
b) Obtenga: P(x < 1), P(2 < x < 2) y P(x 2/x > 0)
Desarrollo:
a) Para que sea una distribucion de probabilidad se debe cumplir que:
xRec(x)
f(x) = 1 y f(x) 0 x Rec(x)
Por lo que debemos calcular:
0, 1C + 0, 2C + 0, 6C + 0, 5C + 0, 4C + 0, 2C = 1 = C =
1
2
b) P(x < 1) = P(x = 2) +P(x = 1) +P(x = 0) = 0, 05 + 0, 1 + 0, 3 = 0, 45
P(2 < x < 2) = P(x = 1) +P(x = 0) +P(x = 1) = 0, 1 + 0, 3 + 0, 25 = 0, 65
P(x 2 | x > 0) =
P(x = 2) +P(x = 4)
P(x = 1) +P(x = 2) +P(x = 4)
=
0, 2 + 0, 1
0, 25 + 0, 2 + 0, 1
=
0, 3
0, 55
= 0, 545
MAT031 HSR 34
Campus Santiago
2. En un pas hay 4 partidos polticos, que se dividen la opini on p ublica. El 35 % de la poblaci on
adhiere al partido I; el 31 %, al partido II; el 28 % al partido III y el 6 % al partido IV. Se sabe
adem as que entre los adherentes del partido I, un 36 % corresponde a personas con ingresos
inferiores a dos sueldos mnimos. Entre los del partido II, el 52 % tiene ingresos inferiores a
dos sueldos mnimos; entre los del partido III hay un 42 % y en el partido IV hay un 11 %.
a) Encontrar la probabilidad de que al sacar una persona al azar, siendo esta con una renta
inferior a dos sueldos mnimos, pertenezca al partido IV.
b) Se sacan 10 personas al azar, Cu al es la probabilidad que al menos dos tengan rentas
inferiores a dos sueldos mnimos?
Desarrollo:
a) Sean los eventos:
i: adherencia al partido i, con i = {I, II, III, IV }.
S: recibir una renta menor a dos sueldos mnimos.
P(I) = 0, 35 ; P(II) = 0, 31 ; P(III) = 0, 28 ; P(IV ) = 0, 06
P(S | I) = 0, 36 ; P(S | II) = 0, 52 ; P(S | III) = 0, 42 ; P(S | IV ) = 0, 11
Se pide calcular:
P(IV | S) =
P(S | IV ) P(IV )
P(S | I) P(I) +P(S | II) P(II) +P(S | III) P(III) +P(S | IV ) P(IV )
=
0, 11 0, 06
0, 36 0, 35 + 0, 52 0, 31 + 0, 42 0, 28 + 0, 11 0, 06
=
0, 0066
0, 4114
P(IV | S) = 0, 016
b) Sea X: personas con renta inferior a dos sueldos mnimos.
X Bin(n, p), con n = 10 y p = 0, 4114
f
x
(x) =
_
n
x
_
p
x
(1 p)
nx
Luego la probabilidad pedida es:
P(x 2) =
10
x=2
_
10
x
_
(0, 4114)
x
(1 0, 4114)
10x
= 96 %
3. El 70 % de los aviones ligeros que desaparecen en vuelo en cierto pas 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
Campus Santiago
a) Calcule la probabilidad que un avi on ligero tenga localizador de emergencia.
b) Considere 10 aviones ligeros desaparecidos. Cu al es la probabilidad que exactamente
2 de ellos tengan localizador de emergencia?
c) Ud. Observa independientemente aviones ligeros hasta obtener el primer avi on con lo-
calizador de emergencia. Cu al es la probabilidad que el proceso nalice en a lo mas 10
observaciones?
d) Ud. Observa independientemente aviones ligeros hasta obtener el tercer avion con lo-
calizador de emergencia. Cual es la probabilidad que el proceso nalice al menos en 4
observaciones?
Desarrollo:
a) Sean los eventos:
D: Avion ligero descubierto
L: Avion ligero tiene localizador de emergencia
Conocemos que P(L | D) = 6/10, P
_
L
| D
_
= 9/10 y P(D) = 7/10.
La probabilidad pedida es:
P(L) = P(L | D) P(D) +P
_
L | D
_
P
_
D
_
=
6
10

7
10
+
1
10

3
10
=
45
100
P(L) = 45 %
b) Sea X: N umero de aviones con localizador de emergencia, de entre los 10 aviones
disponibles. Claramente Rec (X) = {0, 1, 2, . . . , 10} y ademas X Bin(n = 10; p = 0, 45).
Por lo que la probabilidad pedida es:
P(X = 2) =
_
10
2
_
(0, 45)
2
(1 0, 45)
102
= 0, 076
c) Sea Y : N umero de aviones que es necesario observar hasta obtener el primer avion
con localizador de emergencia. Claramente, Rec (X) = {1, 2, 3, . . .} y adem as Y
Geom(p = 0, 45). Por lo que la probabilidad pedida es:
P(Y 10) =
10
y=1
(0, 45)(1 0, 45)
y1
= 0, 997
MAT031 HSR 36
Campus Santiago
d) Sea Z: N umero de aviones que es necesario observar hasta obtener el tercer avion
con localizador de emergencia. Claramente, Rec (Z) = {3, 4, 5, . . .} y adem as Z
BinNeg (r = 3; p = 0, 45). Por lo tanto la probabilidad pedida es:
P(Z 4) = 1 P(Z = 3)
= 1
_
3 1
3 1
_
(0, 45)
3
(1 0, 45)
33
= 0, 909
4. El 90 % de los arboles plantados en una campa na de reforestacion sobrevive. Cual es la
probabilidad de que sobrevivan 8 o mas arboles de 10 arboles que acaban de ser plantados?
Desarrollo:
Sea X:
Arboles plantados que sobreviven, y ademas X Bin(n = 10, p = 0, 9). Por lo

tanto la probabilidad pedida es:
P(X 8) =
10
x=8
_
10
x
_
0, 9
x
(1 0, 9)
10x
= 92 %
5. Se tendieron 1000 trampas para langostas, en las que se atraparon 1200 langostas. Con-
siderando que el n umero de langostas por trampa es una V.A.D. se pide determinar la
probabilidad que una trampa contenga dos o m as langostas.
Desarrollo:
Sea X: N umero de langostas por trampa . Y P() con =
1200
1000
= 1, 2
P(X 2) = 1 P(X 1)
= 1 [P(X = 0) +P(X = 1)]
= 1
1
x=0
x
e
x!
= 1
1
x=0
(1, 2)
x
e
1,2
x!
= 1 0, 6626
P(X 2) = 0, 337
MAT031 HSR 37
Campus Santiago
5.2. Extras (Convergencia)
1. Sea X
n
una variable aleatoria con distribucion Bin(n, p). Haciendo p =

n
, demuestre que la
distribuci on del lmite cuando n es P (), es decir:
lm
n
X
n
= P ()
Desarrollo:
X
n
Bin(n, p), haciendo p =

n
se tiene: X
n

_
n
k
_
_
n
_ _
1

n
_
nk
. Luego:
= lm
n
_
n
k
__
n
_
k
_
1

n
_
nk
= lm
n
_
n
k
__
n
_
k
_
1

n
_
n
_
1

n
_
k
= lm
n
_
n
k
__
n
_
k
_
1

n
_
n
lm
n
_
_
_
1
#
0
n
_
_
_
k
. .
1
= lm
n
n!
(n k)! k!

k
n
k
_
1

n
_
n
= lm
n
n!
(n k)! n
k

k
k!
_
1

n
_
n
=
_
k
k!
_
lm
n
n(n 1)(n 2) . . . (n (k + 1))(n k)!
n
k
(n k)!

_
1

n
_
n
=
_
k
k!
_
lm
n
n(n 1)(n 2) . . . (n (k + 1))
n
k

(n k)!
(n k)!
. .
1
_
1

n
_
n
=
_
k
k!
_
lm
n
n
n

n 1
n

n 2
n

n (k + 1)
n
_
1

n
_
n
=
_
k
k!
_
lm
n
_
_
_
1

#
0
1
n
_
_
_
. .
1
_
_
_
1

#
0
2
n
_
_
_
. .
1

_
_
_
1
#
0
k
n

#
0
1
n
_
_
_
. .
1
_
1

n
_
n
=
_
k
k!
_
lm
n
_
1 +
()
n
_
n
=

k
k!
e
lm
n
X
n
= P ()
MAT031 HSR 38
Campus Santiago
Por lo tanto se demuestra que X
n
Bin(n, p) cuando n y haciendo p =

n
tiene
funci on densidad de Poisson de par ametro (X
n
P())
MAT031 HSR 39
Campus Santiago
5.3. Anexos (Variables Aleatorias Discretas)
Denici on: Sea X una V.A.D. se le asigna una funcion f
x
, f : Rec (x) R la cu al llamaremos
funcion de cuanta de X si y solo si satisface:
i)
f
x
(x) 0 x Rec(x)
ii)
xRec(x)
f
x
(x) = 1
Algunas funciones de cuanta importantes son:
Bernoulli:
Se dene la V.A. X : R por:
X () =
_
1 ; A
0 ; / A
f
x
(x) = p
x
(1 p)
1x
x {0, 1}
Binomial:
Sean X
1
, X
2
, . . . , X
n
V.A. del tipo Bernoulli es decir:
X
i
() =
_
1 ; A
0 ; / A
i
Se asume que X
1
, X
2
, . . . , X
n
generan eventos independientes entre ellos, luego la V.A.:
Y = X
1
+X
2
+. . . +X
n
genera la funci on de cuanta Binomial denida por:
f
y
(y) =
_
n
y
_
p
y
(1 p)
ny
; y {0, 1, 2, . . . , n}
Demostraci on de funci on de cuanta:
i) notar que f
y
(y) 0 y {0, 1, 2, . . . , n}
ii) P.D. que:
yRec(y)
f
y
(y) = 1
MAT031 HSR 40
Campus Santiago
=
n
y=0
_
n
y
_
p
y
(1 p)
ny
=
n
y=0
_
n
y
_
p
y
(1 p)
y
(1 p)
n
= (1 p)
n
n
y=0
_
n
y
__
p
(1 p)
_
y
= (1 p)
n
_
p
1 p
+ 1
_
n
= (1 p)
n
_
p + (1 p)
1 p
_
n
= (1 p)
n
_
1
1 p
_
n
= 1
la funcion f
y
(y) es funci on de cuanta.
Poisson:
f
x
(x) =

x
e
x!
; x {0, 1, 2, . . . , n} y : representa un promedio
Demostraci on de funci on de cuanta:
i) notar que f
x
(x) 0 x {0, 1, 2, . . . , n}
ii) P.D. que:
xRec(x)
f
x
(x) = 1
=
n
x=0
x
e
x!
= e
x=0
x
x!
. .
Serie de e
= e
= e
(+)
= 1
Geometrica:
Con X= {N umero de intentos fracasados hasta que ocurre el primer exito}
Suposiciones:
1. Cada intento es o bien un exito o un fracaso.
2. La probabilidad de exito es p para cada intento.
3. Todos los intentos son independientes.
MAT031 HSR 41
Campus Santiago
4. La secuencia de intentos se termina despues del primer exito.
f
x
(x) = p (1 p)
x1
con x {1, 2, . . . , n}
BinomialNegativa:
Con X={N umero de fracasos hasta el resimo exito}
Suposiciones:
1. Cada intento es un exito o un fracaso.
2. La probabilidad de exito es p para cada intento.
3. Todos los intentos son independientes.
4. La secuencia de intentos se termina despues del resimo exito.
f
x
(x) =
_
x 1
r 1
_
p
r
(1 p)
xr
con x {r, r + 1, . . . , n}
Hipergeometrica:
Con X={N umero de exitos en una muestra de tama no n}
Suposiciones:
1. La muestra se toma sin reemplazo de un conjunto nito de tama no N que contiene
M exitos y N M fracasos.
f
x
(x) =
_
M
x
__
N M
n x
_
_
N
n
_ con x {0, 1, 2, . . . , mn (n, M)}
MAT031 HSR 42
Campus Santiago
6. Ayudanta 6
6.1. Variables Aleatorias Continuas
1. Sea la funcion:
f
X
(x) = k
e
x
2
x
I
[0,[
(x)
Calcule la constante k para que sea funci on densidad.
Hint:
1
2
_
t
0
e
x
2
2
dx = (t)
1
2
Donde es la funcion distribuci on normal (0, 1)
Desarrollo:
Para encontrar k debemos calcular:
_

k
e
x
2
x
I
[0,[
(x) dx = 1
interceptando el recorrido de x con los lmites de la integral se tiene que:
_

0
k
e
x
2
x
dx = 1
Luego:
k
_

0
e
x
2
x
dx = 1
k =
1
_

0
e
x
2
x
dx
MAT031 HSR 43
Campus Santiago
Aparte:
_

0
e
x
2
x
dx = 2
xe
x
2
x=
x=0
+
_

0
xe
x
2
dx
lo anterior se obtiene haciendo integraci on por partes y deniendo:
u = e
x
2
du =
1
2
e
x
2
dx ; dv =
1
x
dx v = 2
x
notar que cuando x = 0 no hay problemas en ver que el termino 2
xe
x
2
= 0, pero
cuando x = tenemos algo de la forma

, por lo que es necesario calcular lm

x
2
xe
x
2
.
lm
x
2
xe
x
2
= lm
x
2
x
e
x
2
aplicando LH se tiene:
= lm
x
1
x
1
2
e
x
2
= 2 lm
x
0
1
xe
x
2
= 0
por lo que tenemos:
_

0
xe
x
2
dx =
_

0
ze
z
2
2
2z dz ; Haciendo z =

x dz =
dx
2
x
dx = 2zdz
= 2
_

0
z
2
e
z
2
2
dz
. .
aparte
Aparte:
_

0
z
2
e
z
2
2
dz = ze
z
2
2
z=
z=0
+
_

0
e
z
2
2
dz
lo anterior se obtiene haciendo integraci on por parte y deniendo:
u = z du = dz ; dv = ze
z
2
2
dz v = e
z
2
2
notar que cuando z = 0 no hay problemas en ver que el termino ze
z
2
2
= 0, pero cuando
z = tenemos algo de la forma


z
ze
z
2
2
.
lm
z
ze
z
2
2
= lm
z
z
e
z
2
2
= lm
z
1
ze
z
2
2
= (1) lm
z
0
1
ze
z
2
2
= 0
MAT031 HSR 44
Campus Santiago
por lo que tenemos:
_

0
e
z
2
2
dz =
2
_
1
2
_

0
e
z
2
2
dz
_
. .
Aplicar Hint.
=
2
_
()
1
2
_
=
2
_
1
1
2
_
=
2
2
luego:
=
_

0
xe
x
2
dx = 2
_
2
2
_
=
2
Por lo que nalmente tenemos que:
k =
1
2
y la funci on queda:
f
X
(x) =
e
x
2
2x
I
[0,[
(x)
MAT031 HSR 45
Campus Santiago
2. Se ha comprobado que el tiempo de vida de cierto marcapasos sigue una distribuci on
exponencial con media 16 a nos.
a) Determine la probabilidad de que a una persona, a la que se le ha implantado este
marcapasos, se le deba reimplantar otro antes de los 20 a nos.
b) Si el marcapasos lleva funcionando correctamente mas de 5 a nos, cual es la prob-
abilidad de que haya que cambiarlo antes de los 25 a nos?
Desarrollo:
a) Sea:
X: Vida del marcapasos.
X exp () con =
1
E(x)
=
1
16
P(X < 20) =
_
20
0
1
16
e
1
16
x
dx
= e
1
16
x
x=20
x=0
=
_
e
20
16
B
1
e
0
16
_
= 1
1
e
5
4
= 0, 7135
P(X < 20) = 0, 7135
b) Sea:
X: Vida del marcapasos.
X exp () con =
1
E
=
1
16
P(X < 25 | X > 5) =
_
25
5
1
16
e
1
16
x
dx
_

5
1
16
e
1
16
x
dx
=
e
1
16
x
x=25
x=5
e
1
16
x
x=
x=5
=
e
5
16
e
25
16
e
5
16
= 0, 7135
P(X < 25 | X > 5) = 0, 7135
MAT031 HSR 46
Campus Santiago
3. Los procesos de falla de cada una de 10 componentes se comportan de manera prob-
abilsticamente independientes y siguiendo un mismo modelo probabilstico. Sea X
i
el
tiempo de falla de la iesima componente, expresado en miles de horas. Suponga que
su densidad de probabilidad es:
f
X
i
(x) =
_
0, 8e
x
+ 0, 4e
2x
, x 0
0 , e.o.c.
para cualquier i = 1, 2, . . . , 10
a) La funci on distribucion acumulada de X
3
.
b) Calcule la probabilidad de que a lo m as 3 componentes fallen en 1,5 horas.
Desarrollo:
a) La funci on distribucion de la variable X
3
viene dada por:
F
X
3
(x) =
_
_
_
_
X
3
0
_
0, 8e
x
+ 0, 4e
2x
_
dx , x 0
0 , e.o.c.
=
_
_
_
_
X
3
0
0, 8e
x
dx +
_
X
3
0
0, 4e
2x
dx , x 0
0 , e.o.c.
=
_
_
_
0, 8
_
X
3
0
e
x
dx + 0, 4
_
X
3
0
e
2x
dx , x 0
0 , e.o.c.
=
_
0, 8 (e
x
)|
x=X
3
x=0
+ 0, 4
_
e
2x
2
_
x=X
3
x=0
, x 0
0 , e.o.c.
=
_
0, 8
_
1 e
X
3
_
+ 0, 4
_
1e
2X
3
2
_
, x 0
0 , e.o.c.
=
_
0, 8 0, 8e
X
3
+ 0, 2 0, 2e
2X
3
, x 0
0 , e.o.c.
=
_
1 0, 8e
X
3
0, 2e
2X
3
, x 0
0 , e.o.c.
F
X
3
(x) =
_
1 0, 8e
X
3
0, 2e
2X
3
, x 0
0 , e.o.c.
b) La probabilidad de que una componente cualquiera falle antes de 1.5 horas, viene
dada por:
P(X
i
< 1, 5) = F
X
i
(1, 5) = 1 0, 8e
1,5
0, 2e
21,5
= 0, 8115
Sea ahora:
MAT031 HSR 47
Campus Santiago
Y : N umero de componentes que fallan antes de 1, 5 horas.
Y Bin(10; 0, 8115).
y lo que se pide es:
P(Y 3) =
3
y=0
_
10
y
_
0, 8115
y
(1 0, 8115)
10y
= 0, 000591241
la probabilidad pedida es 0, 059 %
P(Y 3) = 0, 059 %
4. Sea x una V.A.C. con funci on densidad:
f
X
(x) = 2xe
x
2
I
[0,[
(x)
a) Determinar la funci on densidad de Y = X
2
, donde X tiene funci on densidad f
X
(x).
b) Demostrar que f
Y
(y) (encontrada en a), es funci on densidad.
c) Determinar E(y) y V(y).
Desarrollo:
a) Sea F
Y
(y) = P(Y y), relacion entre la funci on distribucion y probabilidad, por
lo que se tiene:
F
Y
(y) = P(Y y) = P
_
X
2
y
_
= P(|X|

y)
= P(X
y)
= P(
y X

y)
= P(X

y)
$
$
$
$
$
$
$
$X
X R
+
0
P(X
y)
= F
X
(
y)
F
Y
(y) = F
X
_
y
_
, por lo que al derivar encontraremos la funcion densidad de y.
dF
Y
(y)
dy
= F
X
1
2
y
=
f
X
_
y
_
2
y
=

ye
(
y)
2
y
I
[0,[
(y)
= e
y
I
[0,[
(y)
f
Y
(y) = e
y
I
[0,[
(y)
MAT031 HSR 48
Campus Santiago
b) Por demostrar que:
f
Y
(y) 0x R
+
0
, lo cu al es obvio.
f
X
(x) dx = 1:
_

e
y
I
R
+
0
(y) dy =
_

0
e
y
dy = e
y
y=
y=0
=
_
B
0
e
&
&&b
1
e
0
_
= 1
se demuestra que f
Y
(y) es funci on densidad.
c) E(y): se dene la esperanza como sigue:
E(y) =
_

yf
Y
(y) dy
por lo que debemos calcular:
_

ye
y
I
R
+
0
dy =
_

0
ye
y
dy
= ye
y
y=
y=0
+
_

0
e
y
dy
. .
1
(La integraci on por partes realizada es: u = y du = dy y dv = e
y
dy v =
e
y
)
Es claro que cuando y = 0 se tiene que ye
y
= 0, pero cuando y = entonces
tenemos algo de la forma


y
ye
y
lm
y
ye
y
= lm
y
y
e
y
= lm
y
!
0
1
e
y
= 0
E(y) = 1
V(y), se dene la varianza como: V(y) = E(y
2
) (E(y))
2
. Por lo que debemos
calcular E(y
2
).
E
_
y
2
_
=
_

0
y
2
e
y
dy
haciendo:
u = y
2
du = 2ydy y dv = e
y
dy v = e
y
MAT031 HSR 49
Campus Santiago
se tiene:
= y
2
e
y
y=
y=0
+ 2
_

0
ye
y
dy
. .
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


y
y
2
e
y
.
lm
y
y
2
e
y
= lm
y
y
2
e
y
= lm
y
2y
e
y
= 2 lm
y
!
0
1
e
y
= 0
E(y
2
) = 2 y se tiene que V(y) = 2 (1)
2
V(y) = 1
5. El n umero de barcos que llegan al Puerto de Valparaso sigue un proceso de Poisson
con tasa de llegada cinco por da.
a) Cual es la probabilidad de que transcurran m as de seis horas sin que arribe
ninguno?
b) Si el costo de operacion C es una funcion del tiempo ocioso X (entre llegadas),
donde C = 1 e
5x
, encuentre el costo medio, donde C se mide en millones de
pesos.
Desarrollo:
a) Sea N
1
: cantidad de barcos que llegan al puerto de Valparaso en un da.
N
1
P ( 1) = 5
Sea X: tiempo (das) entre llegadas consecutivas. X exp () con = 5
f
X
(x) = 5e
5x
I
[0,[
(x)
Se pide calcular P(X > 0, 25) (un da tiene 24 horas, por lo que si queremos calcular
MAT031 HSR 50
Campus Santiago
la probabilidad que no lleguen barcos en m as de seis horas debemos hacer
6
24
= 0, 25)
P(X > 0, 25) =
_

0,25
5e
5x
dx
= e
5x
|
x=
x=0,25
=
_
$
$
$$X
0
e
5
e
50,25
_
= 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
_
=
_

0
_
1 e
5x
_
5e
5x
dx
=
_

0
5e
5x
dx
. .
1
1
2
_

0
10e
10x
dx
. .
1
= 1
1
2
=
1
2
Es decir, el costo medio es de 500000 pesos
6. Demuestre que Z =
X
tiene distribucion N (0, 1) si X N (,

2
)
Desarrollo:
Primer metodo, cambio de variable:
Sea F
Z
(z) = P(Z z)
P(Z z) = P
_
X
z
_
= P(X z +)
= F
X
(z +)
F
Z
(z) = F
X
(z +), derivando tenemos:
dF
Z
(z)
dz
= F
= f
X
(z +)
=
1
2
&
1
2
(
(z+)
)
2
&
I
R
(z)
f
Z
(z) =
1
2
e
z
2
2
I
R
(z)
MAT031 HSR 51
Campus Santiago
Z N (0, 1)
Segundo metodo, Funcion generadora de momentos:
denici on de f.g.m.
X
(t) = E
_
e
xt
_
=
_

e
xt
f
X
(x) dx
Funcion generadora de momentos para la funcion densidad normal (,
2
):
X
(t) = e
t+
t
2
2
2
Ocuparemos esta denicion para desmotrar lo pedido.
E
_
e
Zt
_
= E
_
e
(
X
)t
_
= E
_
e
Xt
_
= E
_
e
Xt
_
E
_
e
_
= E
_
e
X(
t
)
_
E
_
e
_
=
_
e
+
t
2
2
2
_
_
e
_
= e
t
+
t
2
2

t
= e
t
2
2
Z N (0, 1)
7. Sea x una V.A.C con funcion distribucion F
X
. Demostrar que Y = F X tiene funci on
densidad U [0, 1]
Desarrollo:
Sea:
F
Y
(y) = P(Y y)
= P(F X y)
= P(F
X
(X) y)
= P
_
F
1
X
(F
X
(X)) F
1
X
(y)
_
= P
_
X F
1
X
(y)
_
= F
X
_
F
1
X
(y)
_
F
Y
(y) = y
Derivando se tiene:
dF
Y
(y)
dy
= 1 = f
Y
(y) = 1
MAT031 HSR 52
Campus Santiago
Y U [0, 1]
Nota: F debe ser creciente en [0, 1] para que exista F
X
_
F
1
X
(X)
_
= X
MAT031 HSR 53
Campus Santiago
6.2. Anexos (Variables Aleatorias Continuas)
Variables Aleatorias Continuas
Para que X sea un V.A.C. debe cumplir que:
Su recorrido debe ser innito no numerable.
a) f
X
(x) 0 x Rec (x)
b)
_

f
X
(x) dx = 1
Algunas funciones de densidad importantes son:
Uniforme: X U [a, b]
f
X
(x) =
1
b a
I
[a,b]
(x)
Por Demostar:
f
X
(x) 0 x Rec (x). Es claro que f
X
(x) es mayor a cero x Rec(x).
f
X
(x) dx = 1. Es decir:
_

f
X
(x) dx =
_

1
b a
I
[a,b]
(x) dx
=
_
b
a
1
b a
dx
=
x
b a
x=b
x=a
=
1
b a
b a
= 1
Con los dos puntos anteriores se demuestra que f
X
(x) es funci on densidad.
MAT031 HSR 54
Campus Santiago
Exponencial: X exp ()
f
X
(x) = e
x
I
[0,[
(x)
Por Demostar:
f
X
X
f
X
_

f
X
(x) dx =
_

e
x
I
[0,[
(x) dx
=
_

0
e
x
dx
= e
x
x=
x=0
=
_
$
$
$
$X
0
e
B
1
e
0
_
= (1)
= 1
Con los dos puntos anteriores se demuestra que f
X
Normal: X N (,
2
)
f
X
(x) =
1
2
e
1
2
(
x
)
2
I
R
(x)
Por Demostrar:
f
X
X
f
X
_

f
X
(x) dx =
_

2
e
1
2
(
x
)
2
I
R
(x) dx
=
_

2
e
1
2
(
x
)
2
dx Haciendo z =
x
dz =
1
dx
=
_

2
e
z
2
2
dz
=
1
2
_

z
2
2
dz
. .
Aparte
MAT031 HSR 55
Campus Santiago
Aparte, sea:
_

z
2
2
dz = I =
__

z
2
2
dz
_
2
= I
2
Resolvamos I
2
:
__

z
2
2
dz
_
2
=
__

z
2
2
dz
_
__

z
2
2
dz
_
=
__

z
2
2
dz
_
__

y
2
2
dy
_
=
_

z
2
2
e
y
2
2
dz dy
=
_

z
2
2

y
2
2
dz dy
=
_

1
2
(z
2
+y
2
)
dz dy
Recordatorio cambio de variables:
__
A
af (x, y) dA =
__
A
af (x (u, v) , y (u, v)) J

_
x, y
u, v
_
dA
Donde:
J
_
x, y
u, v
_
=
x
u
x
v
y
u
y
v
=
x
u

y
v

x
v

y
u
Haciendo el siguiente cambio de variables:
z = r cos y = r sin con 0 2 y 0 r
y calculando:
J
_
z, y
r,
_
=
z
r
z
y
r
y
cos r sin
sin r cos
= r cos
2

_
r sin
2
_
= r
_
sin
2
+ cos
2
_
= r
MAT031 HSR 56
Campus Santiago
por lo que:
_

1
2
(z
2
+y
2
)
dz dy =
_
2
0
_

0
e
1
2
[(r cos )
2
+(r sin )
2
]
r dr d
=
_
2
0
_

0
e
1
2
[r
2
(cos
2
+sin
2
)]
r dr d
=
_
2
0
_

0
e
r
2
2
r dr d
=
_
2
0
e
r
2
2
r=
r=0
d
=
_
2
0
_
_
B
0
e
2
2
&
&
&b
1
e
0
2
2
_
_
d
=
_
2
0
(1) d
=
_
2
0
d
= |
2
0
= 2
I
2
= 2 = I =
2, es decir:
_

2
e
1
2
(
x
)
2
I
R
(x) dx =
1
2
= 1
se demuestra que f
X
MAT031 HSR 57
Campus Santiago
Gamma: X Gamma (, ) con X = {Tiempo que transcurre hasta la esima ocurrencia.}
f
X
(x) =

()
x
1
e
x
si x > 0 y , > 0
con
() =
_
_
_
_

0
x
1
e
x
dx si R
( 1) ( 1) = ( 1)! si N
Beta: X Beta (, )
f
X
(x) =
( + )
() ()
x
1
(1 x)
1
si x [0, 1] y , > 0
con
( +) =
_
_
_
_

0
x
(+)1
e
x
dx si , R
(( +) 1) (( +) 1) = (( +) 1)! si , N
() =
_
_
_
_

0
x
1
e
x
dx si R
( 1) ( 1) = ( 1)! si N
() =
_
_
_
_

0
x
1
e
x
dx si R
( 1) ( 1) = ( 1)! si N
MAT031 HSR 58
Campus Santiago
7. Ayudanta 7
7.1. Distribuci on Normal
1. El peso de ni nos espa noles al momento de nacer se distribuye normal, si sabemos que
el peso medio en el momento de nacer es de 3,25 kg y la desviacion tpica es de 0,82 kg
Cu al es la probabilidad de que el peso de un ni no, al nacer, sea superior a 4 kg?
Desarrollo:
Sea X: Peso de los ni nos espa noles al momento de nacer. X N(3, 25; 0, 82
2
). Se pide
calcular:
P(X 4) (Probabilidad de que el peso de un ni no al nacer, sea superior a 4 kg.)
Para utilizar la tabla debemos normalizar , es decir:
P(X 4) = P
_
_
_
X
. .
Z
_
_
_
= P
_
Z
4 3, 25
0, 82
_
= P(Z 0, 9146)
= (0, 9146)
buscando en la tabla se tiene:
(0, 9146) = P(Z 0, 9146) = 0, 18 (Aprox)
2. El diametro de cierto eje se distribuye N(2, 79; 0, 01

2
) medidos en centmetros. 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, Cuantos se esperan defectuosos?
b) Que 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 tama no 10?
Desarrollo:
a) X: Diametro del eje. X N(2, 79; 0, 01
2
). Notar que si:
2, 77 0, 03 < X < 2, 77 + 0, 03
MAT031 HSR 59
Campus Santiago
el eje estar a correcto. Por lo que la probabilidad de defecto viene dada por:
P(X 2, 74) +P(X 2, 80) = P
_
X 2, 79
0, 01

2, 74 2, 79
0, 01
_
= +P
_
X 2, 79
0, 01

2, 80 2, 79
0, 01
_
=
$
$
$
$
$
$
$X
0
P(Z 5) +P(Z 1)
= P(Z 1)
= (1)
= 0, 1587
luego, 1000 0, 1587 = 158, 7.
159 ejes defectuosos
b) X: diametro de los ejes. X N(2, 79; 0, 01

2
). Nueva especicacion:
2, 79 0, 02 < X < 2, 79 + 0, 02
por lo que debemos calcular:
P(A) = P(X 2, 77) +P(X 2, 81) = P
_
X 2, 79
0, 01

2, 77 2, 79
0, 01
_
= +P
_
X 2, 79
0, 01

2, 81 2, 79
0, 01
_
= P(Z 2) +P(Z 2)
= 2P(Z 2)
= 2(2)
= 0, 456
P(A) = 4, 56 %
Sea Y : Cantidad de ejes desviados. Y Bin(n, p) con n = 10 y p = 0, 0456
P(Y 3) =
2
y=0
_
10
y
_
0, 0456
y
(1 0, 0456)
10y
= 0, 991
P(Y 2) = 99, 1 %
3. Se sabe que una f abrica produce cierto tipo de ampolletas cuya vida util se distribuye
normal. Se sabe que el 6,68 % de las veces duran mas de 9200 horas y un 97,72 % de las
veces duran mas de 6400 horas.
a) Encuentre los par ametros de la distribuci on.
MAT031 HSR 60
Campus Santiago
b) Determinar la probabilidad de que la vida util de la ampolleta sea mayor a 9600
horas.
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
=
P
_
Z >
9200
_
= 0,0668
P
_
Z >
6400
_
= 0,9772
=
_
9200
_
= 0,0668
_
6400
_
= 0,9772
=
_
9200
_
=
1
(0, 0668)
_
6400
_
=
1
(0, 9772)
=
= Notar que
1
(0, 0668) = 1, 5 y
1
(0, 9772) = 2
=
=
_
9200
_
= 1,5
_
6400
_
= -2
Resolviendo el sistema se tiene que:
= 8000 y = 800
X N(8000, 800
2
)
b) Sea: Y : vida util de la ampolleta. Y N(8000, 800

2
)
P(Y > 9600) = P
_
Z >
9600 8000
800
_
= P(Z > 2)
= (2)
= 0, 0228
MAT031 HSR 61
Campus Santiago
P(X > 9600) = 2, 28 %
7.2. Cambio de Variables

1. Sea la funcion:
h
X
(x) = ke
|x|
con x R
a) Calcular la constante k para que sea funci on densidad.
b) Si X tiene funcion densidad h
X
(x) e Y = 25X
2
, encontrar h
Y
(y) y vericar que es
funci on densidad.
Desarrollo:
a)
_

ke
|x|
dx = 1
_
0
ke
x
dx +
_

0
ke
x
dx = 1
2
_

0
ke
x
dx = 1
2k
_

0
e
x
dx
. .
1
= 1
k =
1
2

b) Sea:
H
Y
(y) = P(Y y)
= P
_
25X
2
y
_
= P(| 5X |

y)
= P
_
| X |
y
5
_
= P
_
y
5
X
y
5
_
= P
_
X
y
5
_
$
$
$
$
$
$
$
$
$X
X R
+
0
P
_
X
y
5
_
= P
_
X
y
5
_
= H
X
_
y
5
_
MAT031 HSR 62
Campus Santiago
derivando se tiene que:
dH
Y
(y)
dy
= H
X
_
y
5
_
= h
Y
_
y
5
_
1
5
1
2
y
=
1
2
e
|
y
5
|
1
10
y
I
]0,[
(y)
h
Y
(y) =
1
20
y
e
y
5
I
]0,[
(y)
7.3. Funcion Generadora de Momentos

1. Sea X una V.A. con funci on generadora de momentos
X
(t), entonces si Y = aX + b,
demostrar que
Y
(t) = e
bt
X
(at)
Desarrollo:
Sea:
Y
(t) = E(e
Y t
)
= E(e
(aX+b)t
)
= E(e
aXt
e
bt
)
= E(e
bt
)E(e
aXt
)
= e
bt
E(e
Xat
)

Y
(t) = e
bt
X
(at)
2. Si X
1
, X
2
, . . . , X
n
son variables aleatorias independientes y distribuidas N(,
2
), de-
mostrar que
Y =
n
i=1
X
i
n
tiene distribucion N
_
,

2
n
_
.
Desarrollo:
MAT031 HSR 63
Campus Santiago
Y
(t) = E
_
e
Y t
_
= E
_
e
(
n
i=1
X
i
n
)t
_
= E
_
n
i=1
e
X
i
t
n
_
=
n
i=1
E
_
e
X
i
t
n
_
(por independencia de las variables)
=
n
i=1
_
e
t
n
+
2
2
(
t
n
)
2
_
=
_
e
t+
t
2
2
2
n
n
_
n
= e
t+
t
2
2
2
n
Y N
_
,

2
n
_

MAT031 HSR 64
Campus Santiago
7.4. Extras (Demostraci on VAD)
1. Demuestre que si X es una variable aleatoria con distribuci on geometrica, entonces se
cumple que
P(X > n +k | X > n) = P(X > k)
Interprete esta propiedad.
Desarrollo:
P(X > n +k | X > n) =
P(X > n +k, X > n)
P(X > n)
=
P(X > n +k)
P(X > n)
=
x=n+k+1
p (1 p)
x1
x=n+1
p (1 p)
x1
Aparte:
x=k
a
x
= a
k
+a
k+1
+a
k+2
+. . . (-1)
a
x=k
a
x
= a
k+1
+a
k+2
+a
k+3
. . . (0)
Restando (1) y (2) tenemos:
x=k
a
x
(1 a) = a
k
, o bien
x=k
a
x
=
a
k
1 a
volviendo a lo nuestro tenemos:
=
(1 p)
n+k+1
(1 p)
n+1
= (1 p)
k
= P(X > k)
P(X > n +k | X > n) = P(X > k)
Lo que se interpreta como que el n umero de ensayos Bernoulli que ya se han realizado
buscando el primer exito no inuyen en que se realicen k ensayos m as.
MAT031 HSR 65
Campus Santiago
8. Ayudanta 8
1. Sea X N(,
2
), si = 0 y
2
= 1, demuestre que Y = X
2
se distribuye (, ).
Adem as identique los par ametros y
Desarrollo:
sea:
F
Y
(y) = P(Y y)
= P
_
X
2
y
_
= P(| X |

y)
= P(
y X

y)
= P(X

y) P(X
y)
= F
X
(
y) F
X
(
y)
derivando tenemos
dF
Y
(y)
dy
= F
X
(
y) F
X
(
y)
= f
X
(
y)
1
2
y
f
X
(
y)
_
1
2
y
_
= f
X
(
y)
1
2
y
+f
X
(
y)
1
2
y
=
1
2
e
1
2
(
y)
2
1
2
y
+
1
2
e
1
2
(
y)
2
1
2
y
=
1
2
2y
e
y
2
+
1
2
2y
e
y
2
=
1
y
e
y
2
I
R
+(y)
f
Y
(y) =
1
y
e
y
2
I
R
+(y)
funci on Gamma es de la forma:
f
X
(x) =

()
x
1
e
x
si x > 0 y , > 0
por lo que escribiremos la funci on densidad de Y de dicha forma.
f
Y
(y) =
_
1
2
_1
2
y
1
2
1
e
1
2
y
I
R
+(y)
MAT031 HSR 66
Campus Santiago
f
Y
(y) =
_
1
2
_1
2
y
1
2
1
e
1
2
y
I
R
+(y)
con: =
1
2
, =
1
2
y () =
NOTA:
() =
_

0
t
1
e
t
dt =
1
2
=
_

0
t
1
2
1
e
t
dt
=
_

0
t
1
2
e
t
dt
= haciendo: u
2
= t 2u du = dt
= 2
_

0
e
u
2
du
. .
Aparte
Aparte, sea:
_

0
e
u
2
du = I =
__

0
e
u
2
du
_
2
= I
2
Resolvamos I
2
:
__

0
e
u
2
du
_
2
=
__

0
e
u
2
du
_
__

0
e
u
2
du
_
=
__

0
e
u
2
du
_
__

0
e
z
2
dz
_
=
_

0
_

0
e
u
2
e
z
2
du dz
=
_

0
_

0
e
u
2
z
2
du dz
=
_

0
_

0
e
(u
2
+z
2
)
du dz
Haciendo el siguiente cambio de variables:
u = r cos z = r sin con 0

2
y 0 r <
MAT031 HSR 67
Campus Santiago
y calculando:
J
_
z, y
r,
_
=
z
r
z
y
r
y
cos r sin
sin r cos
= r cos
2

_
r sin
2
_
= r
_
sin
2
+ cos
2
_
= r
por lo que:
_

0
_

0
e
(u
2
+z
2
)
du dz =
_
2
0
_

0
e
[(r cos )
2
+(r sin )
2
]
r dr d
=
_
2
0
_

0
e
[r
2
(cos
2
+sin
2
)]
r dr d
=
_
2
0
_

0
e
r
2
r dr d
=
_
2
0
e
r
2
2
r=
r=0
d
=
1
2
_
2
0
_
B
0
e
B
1
e
0
2
_
d
=
1
2
_
2
0
(1) d
=
1
2
_
2
0
d
=
1
2
2
0
=

4
I
2
=

4
= I =
2
, es decir:
_

0
e
u
2
du =
2
=
_
1
2
_
= 2
_
2
_

_
1
2
_
=
2. Sea X N(,
2
), si Y = aX+b, donde a, b R, demuestre que Y N (a +b, a
2
2
)
Desarrollo:
MAT031 HSR 68
Campus Santiago
Sea F
Y
(y) = P(Y y), sabiendo esto desarrollamos:
P(Y y) = P(aX +b y)
= P
_
X
y b
a
_
= F
X
_
y b
a
_
derivando se tiene:
dF
Y
(y)
dy
= F
X
_
y b
a
_
= f
X
_
y b
a
_
1
a
Reemplazando en la funci on densidad de X tenemos:
=
1
2
e
1
2
(
(yb)a
a
)
2
1
a
I
R
(y)
=
1
2a
e
1
2
(
y(a+b)
a
)
2
I
R
(x)
Y N(a +b, a
2
2
)
3. Considere una variable aleatoria Z con funcion densidad dada por:

f
Z
(z) =
_
_
c
z
+1
, z , > 1 , > 0
0 , en otro caso
a) Calcule el valor de c.
b) Calcule E(Z).
c) Sea X = ln(Z), calcule f
X
(x)
Desarrollo:
a) De acuerdo a la denici on de funci on densidad, tenemos:
_

f
Z
(z) dz = 1
=
_

z
+1
= 1
= c
1
z
= 1
=
c&
&
&
&
= 1
MAT031 HSR 69
Campus Santiago
c =
b) Por denici on:

E(Z) =
_

zf
Z
(z) dz
=
_

z
+1
dz
=
_

dz
=
1
( 1) z
1
_
= 0
1
( 1)
1
_
=

1
E(Z) =

1

c) Ocuparemos la denici on de cambio de variable:
F
X
(x) = P(X x)
= P(ln Z x)
= P(Z e
x
)
= F
Z
(e
x
)
derivando tenemos que:
d
dx
F
X
(x) = F
Z
(e
x
)
= f
Z
(e
x
)e
x
=

e
x(+1)
e
x
=
e
x
f
X
(x) =
e
x
I
[ln(),[
(x)
4. Sea X una variable aleatoria con funci on densidad:

f(x) =
3x
2
x
3
I
[0,[
(x) ; > 0
Se dene Y =
X
2
, encontrar la funci on densidad de Y .

Desarrollo:
MAT031 HSR 70
Campus Santiago
F
Y
(y) = P(Y y)
= P
_
X
2
y
_
= P
_
X
2
y
_
= P
_
| X |
_
y
_
= P
_
_
y X
_
y
_
= P
_
X
_
y
_
$
$
$
$
$
$
$
$
$X
X [0, [
P
_
X
_
y
_
= F
X
_
_
y
_
derivando tenemos:
d
dy
F
Y
(y) = F
X
_
_
y
_
= f
X
(
_
y)

2
y
= 3
_
y
_
2
y)
3
y
=
3
2
_
ye
y
3/2
f
Y
(y) =
3
2
_
ye
y
3/2
I
[0,[(y)
MAT031 HSR 71
Campus Santiago
9. Ayudanta 9
9.1. Vectores aleatorios
1. Un autob us llega a una parada con distribucion uniforme sobre el intervalo de cero a una
hora (X). Un pasajero tambien llega a la parada en instantes distribuidos uniformemente
sobre el intervalo de cero a una hora (Y ). Sup ongase que los tiempos de llegada de un
autob us y del pasajero son independientes entre s y que el pasajero est a dispuesto a
esperar el autob us hasta por un cuarto de hora.
a) Determine la funci on densidad conjunta.
b) Cual es la probabilidad de que tal pasajero pueda abordar el autob us?
c) Obtenga P
_
Y <
1
4
| X <
1
2
_
. Interprete.
Desarrollo:
a) De acuerdo al enunciado tenemos: f
X
(x) = 1I
[0,1]
(x) y f
Y
(y) = 1I
[0,1]
(y). Al ser
variables aleatorias independientes su funci on densidad conjunto viene dada por:
f
XY
(x, y) = f
X
(x)f
Y
(y)
f
XY
(x, y) = 1 con 0 x 1 y 0 y 1
b) Se pide calcular: P(X 0, 25, Y 0, 25)

=
_
0,25
0
_
0,25
0
dx dy
=
_
0,25
0
x
0,25
0
dy
= 0, 25y|
0,25
0
P(X 0, 25, Y 0, 25) =
1
16
c)
P
_
Y <
1
4
| X <
1
2
_
=
_
0,5
0
_
0,25
0
dy dx
_
1
0
_
0,25
0
dx dy
=
1
8
1
2
=
1
4
MAT031 HSR 72
Campus Santiago
P
_
Y <
1
4
| X <
1
2
_
=
1
4
Es decir, la probabildad de que el pasajero tome el bus en a lo m as 15 minutos,
dado que el bus pasa en 30 minutos es de 25 %
2. Suponga que las variables aleatorias X e Y tienen distribucion conjunta

f
XY
(x, y) =
_
_
k(x
2
+y
2
) 0 x 1 , 0 y 1
0 en otro caso
a) Determine k, para que f
XY
(x, y) sea funci on densidad.
b) Encuentre las densidades marginales de X y Y .
c) Son X e Y variables independientes? Justique!.
d) Encuentre las densidades condicionales de X e Y .
e) Calcular P(Y <
1
2
| X =
1
2
) y P(X <
1
2
| Y
1
2
).
f ) Encuentre E(X), V(X), E(Y ) y V(Y ).
g) Encuentre E(X | Y = y)
Desarrollo:
a) Para que sea funcion densidad, debe cumplir que:
_

f
XY
(x, y) dx dy = 1
_
1
0
_
1
0
k(x
2
+y
2
) dx dy = 1
k
_
1
0
_
1
0
(x
2
+y
2
) dx dy = 1
k
_
_
1
0
_
x
3
3
+xy
2
_
x=1
x=0
dy
_
= 1
k
__
1
0
_
1
3
+y
2
_
dy
_
= 1
k
_
_
y
3
+
y
3
3
_
y=1
y=0
_
= 1
k
_
2
3
_
= 1
k =
3
2
MAT031 HSR 73
Campus Santiago
b) La funci on densidad de X viene dada por:
f
X
(x) =
_
1
0
3
2
(x
2
+y
2
) dy
=
3
2
_
+yx
2
y
3
3
_
y=1
y=0
=
3
2
x
2
+
1
2
f
X
(x) =
3
2
x
2
+
1
2
0 x 1
La funcion densidad de Y viene dada por:
f
Y
(y) =
_
1
0
3
2
(x
2
+y
2
) dx
=
3
2
_
x
3
3
+xy
2
_
x=1
x=0
=
3
2
y
2
+
1
2
f
Y
(y) =
3
2
y
2
+
1
2
0 y 1
c) Las variables no son independientes, pues:

3
2
(x
2
+y
2
) =
_
3
2
x
2
+
1
2
__
3
2
y
2
+
1
2
_
d)
f
Y |X
(x, y) =
f
XY
(x, y)
f
X
(x)
=
3
2
(x
2
+y
2
)
3
2
x
2
+
1
2
f
Y |X
(x, y) =
3(x
2
+y
2
)
3x
2
+ 1
f
X|Y
(x, y) =
f
XY
(x, y)
f
Y
(y)
=
3
2
(x
2
+y
2
)
3
2
y
2
+
1
2
f
X|Y
(x, y) =
3(x
2
+y
2
)
3y
2
+ 1
MAT031 HSR 74
Campus Santiago
e)
P(Y <
1
2
| X =
1
2
) =
_
1/2
0
3((1/2)
2
+y
2
)
3(1/2)
2
+ 1
dy
= 0, 2857
P(Y <
1
2
| X =
1
2
) = 28, 57 %
P(X <
1
2
| Y
1
2
) =
P(X <
1
2
, Y
1
2
)
P(Y
1
2
)
=
_
1/2
0
_
1/2
0
3
2
(x
2
+y
2
) dx dy
_
1/2
0
3
2
y
2
+
1
2
dy
=
1
32
5
16
P(X <
1
2
| Y
1
2
) =
1
10
f )
E(X) =
_
1
0
x
_
3
2
x
2
+
1
2
_
dx
=
_
1
0
3
2
x
3
+
x
2
dx
=
_
3
8
x
4
+
x
2
4
_
1
0
=
3
8
+
1
4
E(X) =
5
8
Notar que E(Y ) =
5
8
, por simetra.
MAT031 HSR 75
Campus Santiago
E(X
2
) =
_
1
0
x
2
_
3
2
x
2
+
1
2
_
dx
=
_
1
0
3
2
x
4
+
x
2
2
dx
=
_
3
10
x
5
+
x
3
6
_
1
0
=
3
10
+
1
6
E(X
2
) =
7
15
Notar que E(Y
2
) =
7
15
, por simetra.
Finalmente la varianza de X es:
V(X) = E(X
2
) [E(X)]
2
=
7
15

_
5
8
_
2
=
7
15

25
64
V(X) = 0, 076
y la varianza de Y es V(Y ) = 0, 076 , por simetra.
g)
E(X | Y = y) =
_
1
0
x
_
f
X|Y =y
(x, y)
_
dx
=
_
1
0
x
_
3(x
2
+y
2
)
3y
2
+ 1
_
dx
=
3
3y
2
+ 1
_
1
0
x
3
+xy
2
dx
=
3
3y
2
+ 1
_
x
4
4
+
x
2
2
y
2
_
1
0
=
3
3y
2
+ 1
_
1
4
+
y
2
2
_
E(X | Y = y) =
3
4
_
1 + 2y
2
1 + 3y
2
_
MAT031 HSR 76
Campus Santiago
9.2. Extras (Vectores Aleatorios)
Un vector aleatorio se dene como
X : R
2
(X(), Y ())
los sucesos ser an de la forma (X, Y ) A con A R
2
.
Distribuci on conjunta
a) Caso Discreto: X e Y dos variables aleatorias discretas, se dene la funci on de
probabilidad conjunta de X e Y como
F(X, Y ) : R
2
[0, 1]
(X, Y ) F(X, Y )
debe cumplir que:
i ) F(X, Y ) 0 (x Rec(x)) (y Rec(y))
ii )
xRec(x)
yRec(y)
F(X, Y ) = 1
b) Caso Continuo: X e Y variables aleatorias continuas, si existe una funci on f
XY
no
negativa e integrable tal que:
P((X, Y ) A) =
__
A
f
XY
(x, y) dA
A R
2
.
Dicha funci on se llama funcion densidad conjunta de X e Y , y cumple que.
i ) f
XY
0 (x Rec(x)) (y Rec(y))
ii )
_ _
. .
(x,y)Rec(x,y)
f
XY
(x, y) dA = 1
para este caso se tiene que:
f
XY
(x, y) =

2
F
XY
xy
MAT031 HSR 77
Campus Santiago
c) Distribuciones marginales:
i ) de X:
yRec(y)
F(X, Y ) o
_
..
yRec(y)
f
XY
(x, y) dy
ii ) de Y :
xRec(x)
F(X, Y ) o
_
..
xRec(x)
f
XY
(x, y) dx
Diremos que X e Y son independientes ssi:
f
XY
(x, y) = f
X
(x)f
Y
(y)
d) Funciones condicionales:
i ) de X dado Y
f
X|Y
=
f
XY
(x, y)
f
Y
(y)
f
X|Y =a
=
f
XY
(x, a)
f
Y
(a)
ii ) de Y dado X
f
Y |X
=
f
XY
(x, y)
f
X
(x)
f
Y |X=a
=
f
XY
(a, y)
f
X
(a)
e) Esperanza condicional:
i ) E(X/Y = a) =
_

x
f
XY
(x, a)
f
Y
(a)
dx
ii ) E(Y/X = a) =
_

y
f
XY
(a, y)
f
X
(a)
dy
f ) Varianza condicional:
i ) V(X/Y = a) = E(X
2
/Y = a) (E(X/Y = a))
2
E
_
X
2
/Y = a
_
=
_

x
2
f
XY
(x, a)
f
Y
(a)
dx
ii ) V(Y/X = a) = E(Y
2
/X = a) (E(Y/X = a))
2
E
_
Y
2
/X = a
_
=
_

y
2
f
XY
(a, y)
f
X
(a)
dy
MAT031 HSR 78
Campus Santiago
g) Algunas propiedades:
i ) E(X, Y ) = (E(X), E(Y ))
ii ) E(aX +bY ) = aE(X) +bE(Y )
iii ) V(aX +bY ) = a
2
V(X) +b
2
V(Y ) ; ssi X e Y son independientes.
iv) V(aX +bY ) = a
2
V(X) +b
2
V(Y ) 2ab cov(X, Y ) ; ssi X e Y son dependientes.
y
cov(X, Y ) = E(XY ) E(X)E(Y )
v) E(X) =
_

xf
X
(x) dx
vi ) E(Y ) =
_

yf
X
(y) dy
vii ) E(XY ) =
_

xyf
X
(x, y) dx dy
MAT031 HSR 79
Campus Santiago
10. Ayudanta 10
10.1. Vectores aleatorios Discretos
1. En un experimento se necesitan dos Scanners. De los cinco disponibles, dos tienen
desperfectos electronicos, otro tiene un defecto de memoria y dos se hallan en buenas
condiciones de operaci on. Si se seleccionan dos unidades al azar, determinar:
a) La funci on de cuanta conjunta de las variables aleatorias X e Y , en donde:
X: N umero de unidades con defectos electronicos.
Y : N umero de unidades con defecto de memoria.
b) Determine la probabilidad de que entre las dos unidades seleccionadas, se produzcan
0 o 1 defectos en total.
c) Determine la esperanza y la varianza condicional de X dado Y = 0.
d) Son X e Y variables aleatorias independientes? Justique!.
Desarrollo:
a) Sea:
X: N umero de unidades con defectos electronicos; x = 0, 1, 2.
Y : N umero de unidades con un defecto en la memoria; y = 0, 1.
Se pide calcular:
f
XY
(x, y) =
_
2
x
__
1
y
__
2
2 x y
_
_
5
2
_ ; x +y 2
Y 0 1
X
0
1
10
2
10
3
10
1
4
10
2
10
3
5
2
1
10
0
1
5
3
5
2
5
1
MAT031 HSR 80
Campus Santiago
b) Se pide calcular: f
XY
(0, 0) +f
XY
(1, 0) +f
XY
(0, 1) =
1
10
+
4
10
+
2
10
=
7
10
P(0, 1 o 2 defectos) =
7
10
c)
E(X | Y = 0) =
2
x=0
xf
X|Y =0
(x, y)
=
2
x=0
x
f
XY (x,0)
f
Y
(0)
= 0
1
10
3
5
+ 1
4
10
3
5
+ 2
1
10
3
5
= 0 +
2
3
+
1
3
E(X | Y = 0) = 1
E
_
X
2
| Y = 0
_
=
2
x=0
x
2
f
X|Y =0
(x, y)
=
2
x=0
x
2
f
XY (x,0)
f
Y
(0)
= 0
2
1
10
3
5
+ 1
2
4
10
3
5
+ 2
2
1
10
3
5
= 0 +
2
3
+
2
3
=
4
3
nalmente la varianza sera:
V(X | Y = 0) = E
_
X
2
| Y = 0
_
[E(X | Y = 0)]
2
=
4
3
(1)
2
V(X | Y = 0) =
1
3
d) Las variables no son independientes, pues:

f
XY
(0, 0) = f
X
(0)f
Y
(0)
1
10
=
3
10

3
5
MAT031 HSR 81
Campus Santiago
10.2. Cambio de Variables en Vectores
1. Sean X e Y variables aleatorias con densidad conjunta dada por:
f
XY
(x, y) =
1
x
2
y
2
, x 1 , y 1
Se denen las variables aleatorias U = XY , V = X/Y
a) Encuentre la funci on de densidad conjunta para las variables U y V . Es decir la
densidad del vector (U, V ).
b) Encuentre las densidades marginales para U y V .
c) Demuestre que las funciones encontradas en (b), son funciones densidad.
Desarrollo:
a) Notar que se tiene el siguiente sistema de ecuaciones:
U = XY
V = X/Y
de la segunda ecuacion se obtiene que X = V Y , por lo que al reemplazar en la
primera se obtiene que: Y =
_
U/V y X =
UV , es decir x(u, v) =

uv y
y(u, v) =
_
u
v
. Adem as se requiere que x(u, v) 1 y y(u, v) 1, lo que nos entrega
que uv 1 y
u
v
1, por lo tanto consideremos el siguiente conjunto:
D =
_
(u, v) : 1 u ,
1
u
v u
_
y la transformaci on:
T : [1, [[1, [ D
(x, y) T(x, y) =
_
xy
x/y
_
La cual es una transformaci on biyectiva, en efecto:
T es inyectiva:
Supongamos que T(x, y) = T(w, z). Entonces:
(1) xy = wz (2)
x
y
=
w
z
Como x, y, w, z > 0, depejando x de (1) y reemplaz andolo en (2) se obtiene
y = z, lo que implica en (1) que x = w. Luego se tiene que (x, y) = (w, z).
T sobreyectiva:
Sea (a, b) D. Entonces, considerando x =
ab 1 y y =
_
a
b
1, se
tiene que T(x, y) = (a, b). Lo cual es cierto por la forma en que fue denida la
transformaci on.
MAT031 HSR 82
Campus Santiago
La transformacion inversa de T es:
T
1
: D [1, [[1, [
(u, v) T
1
(u, v) =
_
uv
_
u/v
_
Ahora calcularemos la matriz Jacobiana y su determinante:
J
T
1(u, v) =
x
u
x
v
y
u
y
v
v
2
u
2
v
1
2
uv
u
2
v
3
Luego:
|det(J
T
1(u, v))| =
v
2
u
2
v
3
u
2
v

1
2
uv
=
1
2v
por lo que reemplazaremos de acuerdo a la denicion de cambio de variable:
f
XY
_
T
1
1
(u, v), T
1
2
(u, v)
_
|det(J
T
1(u, v))|
con T
1
1
(u, v) =

xy y T
1
2
(u, v) =
_
u/v Reemplazando tenemos:
f
XY
_
T
1
1
(u, v), T
1
2
(u, v)
_
|det(J
T
1(u, v))| =
1
(
uv)
2
_
_
u/v
_
2
1
2v
=
1
2u
2
v
nalmente la densidad conjunta para el vector aleatorio (U, V ) esta dada por:
f
UV
(u, v) =
_
_
1
2u
2
v
, u 1 y
1
u
v u
0 , en otro caso
b) Consideremos u 1. La densidad marginal de U est a dada por:

f
U
(u) =
_

f
UV
(u, v) dv
=
_
u
1
u
1
2u
2
v
dv
=
1
2u
2
ln v
v=u
v=
1
u
=
1
2u
2
(ln u ln(1/u))
=
1
2u
2
(ln u (ln 1 ln u))
=
ln u
u
2
MAT031 HSR 83
Campus Santiago
f
U
(u) =
ln u
u
2
I
[1,[(u)
Consideremos v > 0. La densidad marginal de V est a dada por:
f
V
(v) =
_

f
UV
(u, v) du
=
_

max{1/v,v}
1
2u
2
v
du
=
1
2v
_
1
u
_
max{1/v,v}
=
1
2v
_
_
_
U
0
1

1
m ax {1/v, v}
_
_
_
=
1
2v m ax {1/v, v}
f
V
(v) =
1
m ax {2, 2v
2
}
I
]0,[(v)
c) Demostraci on para f
U
(u).
Es claro que f
U
(u) 0 u 1
_

f
U
(u) du =
_

1
ln u
u
2
du
= haciendo z = ln u dz =
1
u
du y dv =
1
u
2
du v =
1
u
=
ln u
u
1
+
_

1
1
u
2
dx
=
&
&
&
&
&&b
0
ln u
u
1
+
_

1
1
u
2
dx
= ya que
ln 1
1
= 0 y lm
u
ln u
u
= 0
=
_

1
1
u
2
du
=
_
1
u
_
1
=
_
_
_
!
0
1

1
1
_
_
_
= 1
MAT031 HSR 84
Campus Santiago
_

1
ln u
u
2
du = 1
Con lo anterior se demuestra que f
U
(u) es funci on densidad.
Demostraci on para f
V
(v).
Para este caso debemos dividir el recorrido de v en v ]0, 1[ y v [1, [. Dicho
esto es claro que f
V
(v) 0 v ]0, [.
_

f
V
(v) dv =
_

0
1
m ax {2, 2v
2
}
dv
= notar que m ax {2, 2v
2
} = 2 en ]0, 1[ y m ax {2, 2v
2
} = 2v
2
en [1, [,
= por lo que debemos calcular:
=
_
1
0
1
2
dv +
_

1
1
2v
2
dv
=
_
v
2
_
1
0
+
_
1
2v
_
1
=
_
_
_
1
2

#
0
0
2
_
_
_
+
_
_
_
0
1
2

1
2
_
_
_
=
1
2
+
1
2
= 1
_

0
1
m ax {2, 2v
2
}
dv = 1
Con lo anterior se demuestra que f
V
(v) es funci on densidad.
MAT031 HSR 85
Campus Santiago
11. Ayudanta 11
11.1. Estimaci on Puntual
11.1.1. Metodo de los Momentos
1. Sea {X
i
}
n
i=1
una muestra aleatoria de una poblacion con funcion densidad
f
X
(x, ) =
_
_
2
x
+1
x 2
0 x < 2
calcule el estimador para .
Desarrollo:
Para calcular el estimador de debemos igualar el primer momento poblacional y el
primer momento muestral, es decir:
E(X) =
n
i=1
x
i
n
se tiene que:
E(X) =
_

2
x
2
x
+1
dx
= 2
_

2
1
x
dx
= 2
_
x
+1
+ 1
_
x=
x=2
(S olo converge si + 1 < 0 = > 1)
=
2
+ 1
_
$
$
$
$$X
0
+1
2
+1
_
=
2
1
Sea
n
i=1
x
i
n
= X
n
. Igualando, tenemos:
2
1
= X
n
2 = X
n
( 1)
2 = X
n
X
n
2 X
n
= X
n
_
2 X
n
_
= X
n
=
X
n
X
n
2
MAT031 HSR 86
Campus Santiago
Por lo que el estimador, por el metodo de los momentos, de est a dado por:
=
n
i=1
x
i
n
n
i=1
x
i
n
2
2. El tiempo T (en segundos) que un ordenador tarda en ejecutar una tarea sigue una
variable aleatoria continua de funci on densidad
f
T
(t, ) =
_
t
+1
t 1, > 1
0 t < 1
a) Utilizando el metodo de los momentos, proponga un estimador para el par ametro
.
b) Se ejecuta 5 veces la tarea, y se cronometra el tiempo que ha tardado cada vez.
Estos tiempos son (en segundos):
6, 5, 3, 7, 2
Basandose en esta muestra, y el estimador de anterior, estimar la probabilidad
de que se tarde mas de 5 segundos en realizar la tarea.
Desarrollo:
a) Primero calculamos E(X)
E(T) =
_

1
t

t
+1
dt
=
_

1
1
t
dt
=
_
t
+1
+ 1
_
t=
t=1
=

1
Sea
n
i=1
x
i
n
= X
n
. Igualando, tenemos:
1
= X
n
= X
n
( 1)
= X
n
X
n
X
n
= X
n
_
1 X
n
_
= X
n
=
X
n
X
n
1
MAT031 HSR 87
Campus Santiago
Por lo tanto el estimador propuesto es:
=
n
i=1
x
i
n
n
i=1
x
i
n
1
b) Primero debemos calcular el valor estimado de , con los datos que se conocen.
5
i=1
x
i
5
=
x
1
+x
2
+x
3
+x
4
+x
5
5
=
6 + 5 + 3 + 7 + 2
5
=
23
5
Por lo que el valor estimado de est a dado por:
=
23
5
23
5
2
=
23
13
= 1, 769
Por lo que la funci on densidad queda de la forma:
f
T
(t) =
_
_
1, 769
t
2,769
t 1, > 1
0 t < 1
Se pide P(T > 5)
P(T > 5) =
_

5
1, 769
t
2,769
dt
= 1, 769
_

5
1
t
2,796
dt
= 1, 796
_
t
2,796+1
2, 796 + 1
_
t=
t=5
=
&
&
&
&
&b
1
1, 796
1, 796
_
$
$
$
$
$X
0
1,796
5
1,796
_
= (0, 05799)
P(T > 5) = 5, 79 %
MAT031 HSR 88
Campus Santiago
11.1.2. Maxima Verosimilitud
1. En un experimento binomial se observan X = x exitos en n ensayos. Obtener el esti-
mador de m axima verosimilitud del parametro binomial p.
Desarrollo:
La funcion binomial de X = x es
n!
(n x)!x!
p
x
(1 p)
nx
0 p 1
Primero, denimos la funci on de verosimilitud:
F (x
i
, p) =
n
i=1
n!
(n x
i
)!x
i
!
p
x
i
(1 p)
nx
i
Ahora denimos la funci on log-verosmil:
ln (F (x
i
, p)) = ln
_
n
i=1
n!
(n x
i
)!x
i
!
p
x
i
(1 p)
nx
i
_
=
n
i=1
ln
_
n!
(n x
i
)!x
i
!
p
x
i
(1 p)
nx
i
_
=
n
i=1
[ln (n!) ln ((n x
i
)!) ln (x
i
!) +x
i
ln (p) + (n x
i
) ln (1 p)]
= nln (n!)
n
i=1
ln ((n x
i
)!)
n
i=1
ln (x
i
!) + ln (p)
n
i=1
x
i
+ ln (1 p)
n
i=1
(n x
i
)
Luego, derivamos con respecto al parametro p e igualamos a cero:
ln (F (x
i
, p))
p
=
n
i=1
x
i
p

n
i=1
(n x
i
)
1 p
= 0
MAT031 HSR 89
Campus Santiago
Luego:
n
i=1
x
i
p

n
i=1
(n x
i
)
1 p
= 0
n
i=1
x
i
p
=
n
i=1
(n x
i
)
1 p
n
i=1
x
i
i=1
x
i
p = n
2
p
i=1
x
i
p
p =
n
i=1
x
i
n
2
p =
1
n
n
i=1
x
i
n
p =
1
n
n
i=1
x
i
n
luego encontramos la segunda derivada con respecto a p y evaluamos el punto obtenido
anteriormente:
2
ln (F (x
i
, p))
p
2
=
n
i=1
x
i
p
2

n
i=1
(n x
i
)
(1 p)
2
=
nX
n
p
2

n
2
nX
n
(1 p)
2
= Evaluando en p = nX
n
=
p
p
2

n
2
p
(1 p)
2
=
_
p
p
2
+
n
2
p
(1 p)
2
_
notar que 0 p 1 y n
2
> 0

2
ln (F (x
i
, p))
p
2
p
< 0 p
con lo anterior se demuestra que
p =
1
n
n
i=1
x
i
n
es el estimador de maxima verosimilitud para p
MAT031 HSR 90
Campus Santiago
12. Ayudanta 12
12.1. Maxima Verosimilitud
1. La distancia X entre un arbol cualquiera y el arbol m as pr oximo a el en un bosque
sigue una distribucion de Rayleigh con funci on densidad:
f
X
(x, ) = 2xe
x
2
x 0 > 0
basado en una muestra de tama no n:
a) Obtener el estimador de m axima verosimilitud de .
b) Es insesgado el estimador encontrado en (a)?
c) Es consistente dicho estimador?
d) Determine la cota de Cr amer-Rao para

.
Desarrollo:
a) Se deben seguir los siguientes pasos:
i ) Denir la funci on de verosimilitud:
f
X
i
(x
1
, x
2
, x
3
, . . . , x
n
, ) = f
X
1
(x
1
, ) f
X
2
(x
2
, ) f
X
3
(x
3
, ) . . . f
Xn
(x
n
, )
=
n
i=1
f
X
i
(x
i
, )
=
n
i=1
_
2x
i
e
x
2
i
I
R
+
0
(x
i
)
_
f
X
i
(x
1
, x
2
, x
3
, . . . , x
n
, ) =
n
i=1
_
2x
i
e
x
2
i
I
R
+
0
(x
i
)
_
ii ) Denir la funci on Log-Verosmil:
ln [f
X
i
(x
1
, x
2
, x
3
, . . . , x
n
, )] = ln
_
n
i=1
_
2x
i
e
x
2
i
I
R
+
0
(x
i
)
_
_
Luego aplicamos propiedades del ln para dejar expresada dicha funcion de la
MAT031 HSR 91
Campus Santiago
forma mas simple de derivar:
= ln
_
n
i=1
_
2x
i
e
x
2
i
I
R
+
0
(x
i
)
_
_
=
n
i=1
_
ln
_
2x
i
e
x
2
i
I
R
+
0
(x
i
)
__
=
n
i=1
_
ln (2) + ln () + ln (x
i
) + ln
_
e
x
2
i
_
+ ln
_
I
R
+
0
(x
i
)
__
=
n
i=1
ln(2) +
n
i=1
ln() +
n
i=1
ln(x
i
) +
n
i=1
ln(e
x
2
i
) +
n
i=1
ln
_
I
R
+
0
(x
i
)
_
= nln (2) +nln () +
n
i=1
ln(x
i
)
n
i=1
x
2
i
+
n
i=1
ln
_
I
R
+
0
(x
i
)
_
ln [f
X
i
(x
1
, x
2
, . . . , x
n
, )] = nln (2) +nln () +
n
i=1
ln(x
i
)
n
i=1
x
2
i
+
n
i=1
ln
_
I
R
+
0
(x
i
)
_
iii ) Derivamos con respecto al parametro e igualamos a cero:
L
=
n
i=1
x
2
i
(Donde L es la funci on Log-Verosmil)
n
i=1
x
2
i
= 0 =

=
n
n
i=1
x
2
i
iv) Finalmente calculamos la segunda derivada y evaluamos:
2
L
=
n
=
n
2
< 0 n,
Con esto tenemos que el estimador de Maxima Verosimilitud para es:
= n
_
n
i=1
x
2
i
_
1
MAT031 HSR 92
Campus Santiago
b) Para determinar si es insesgado, debemos demostrar que E
_
_
=
E
_
_
= E
_
_
n
_
n
i=1
x
2
i
_
1
_
_
= nE
_
_
_
n
i=1
x
2
i
_
1
_
_
=
n
n
i=1
E
_
x
2
i
_
Por lo que calcularemos E(x
2
):
E
_
x
2
_
=
_

0
x
2
2xe
x
2
dx
= x
2
e
x
2
0
+
_

0
2xe
x
2
dx
= notar que lm
x
x
2
e
x
2
= 0 (lH opital)
=
_

0
2xe
x
2
dx
=
1
_

0
2xe
x
2
dx
. .
1
=
1
Luego, reemplazamos:
n
n
i=1
E
_
x
2
i
_
=
n
n
i=1
1
=
&
n
&
n
=
E
_
_
=
El estimador es insesgado.
MAT031 HSR 93
Campus Santiago
c) Para analizar consistencia debemos calcular lm
n
V
_
_
= 0, ya que el estimador es
insesgado.
lm
n
V
_
_
= lm
n
V
_
n
n
i=1
x
2
i
_
= lm
n
n
2
1
n
i=1
V
_
x
2
i
_
= lm
n
n
2
1
n
i=1
_
E
_
x
4
i
_
_
E
_
x
2
i
_
2
_
notar que E(x
2
) =
1
, ahora calculamos:
E
_
x
4
_
=
_

0
x
4
2xe
x
2
dx
= x
4
e
x
2
0
+
_

0
4x
3
e
x
2
dx
=
2
_

0
x
2
2xe
x
2
dx
. .
E(x
2
)
=
2
=
2
2
reemplazando:
lm
n
n
2
1
n
i=1
_
E
_
x
4
i
_
_
E
_
x
2
i
_
2
_
= lm
n
n
2
1
n
i=1
_
2
2

1
2
_
= lm
n
n
2
1
n
i=1
1
2
= lm
n
n
2
1
2
= lm
n
n
2
nalmente se tiene que
lm
n
n
2
= = 0
Es decir, el estimador NO es consistente.
MAT031 HSR 94
Campus Santiago
d) La cota de Cramer-Rao se calcula como:

V()
1
E
_
2
L
2
_
Aparte,
E
_
2
L
2
_
= E
_
2
_
= nE
_
1
2
_
=
n
2
Reemplazando,
V()

2
n
2. Considere una muestra aleatoria X

1
, X
2
, . . . , X
n
con funcion densidad dada por:
f
X
(x, , ) =
_
x
1
exp
_
_
, x > 0, > 0, > 0
0 , en otro caso
a) Demuestre que la funcion densidad de Y = X
es exponencial de par ametro 1/.

b) Calcule el EMV de .
c) Muestre que es insesgado y calcule su varianza.
d) Calcule la cota de Cr amer-Rao de

y determine si el estimador es eciente.
Desarrollo
a)
F
Y
(y) = P(Y y)
= P(X
y)
= P(X

y)
F
Y
(y) = F
X
(

y)
Derivando obtenemos la funcion densidad de Y
dF
Y
(y)
dy
= F
X
(

y)
= f
X
(

y)
_
1
y
1
1
_
MAT031 HSR 95
Campus Santiago
Reemplazando queda:
x
1
exp
_
_
_
1
y
1
1
_
x=

y
=

y)
1
exp
_
y
_
_
_
1
y
1
1
_
=
&
y)
1
exp
_
y
_
_
_
1
y
1
1
_
=
1
exp
_
_
y
1
1
y
1
1
=
1
exp
_
_
f
Y
(y) =
1
I
R
+
0
(y)
luego la funci on densidad de y es exponencial de parametro
1
b) El estimador de maxima verosimilitud, viene dado por:

f
X
i
(x
i
, ) =
n
i=1
x
1
i
exp
_
_
I
R
+ (x
i
) Funcion de Verosimilitud
Luego aplicamos logaritmo natural:
ln f
X
i
(x
i
, ) = ln
n
i=1
x
1
i
exp
_
_
I
R
+ (x
i
)
=
n
i=1
ln

x
1
i
exp
_
_
I
R
+ (x
i
)
=
n
i=1
_
ln ln + ( 1) ln x
i
+ ln I
R
+ (x
i
)
_
=
n
i=1
ln
n
i=1
ln +
n
i=1
ln x
i
i=1
ln x
i
i=1
x
i
+
n
i=1
ln I
R
+ (x
i
)
= nln nln +
n
i=1
ln x
i
i=1
ln x
i
i=1
x
i
+
n
i=1
ln I
R
+ (x
i
)
Ahora, calculamos su derivada con respecto al par ametro e igualamos a cero:
L
=
n
+
1
2
n
i=1
x
i
= 0 =

=
1
n
n
i=1
x
i
MAT031 HSR 96
Campus Santiago
nalmente,
2
L
=
_
n
2

2
3
n
i=1
x
i
_
=
n
3
n
i=1
x
i
=
n
2n
3
n
y=1
x
i
n
. .
=
n
2n
=
n

2
L
=
n
2
< 0 n,

=
1
n
n
i=1
x
i
Es el estimador de MV para .
MAT031 HSR 97
Campus Santiago
c) Por demostrar que E
_
_
=
E
_
_
= E
_
n
i=1
x
i
n
_
=
1
n
n
i=1
E(x
i
)
= Pero, Y = X
= Y
i
= X
i
=
1
n
n
i=1
E(y
i
)
=
1
n
n
i=1
_

0
y
i
1
y
i
dy
i
=
1
n
n
i=1
_
y
i
e
y
i
0
+
_

0
e
dy
i
_
= Notar que lm
y
i
y
i
e
y
i
= 0 (lH opital)
=
1
n
n
i=1
_
_

0
1
dy
i
. .
1
_
_
=
1
n
n
i=1
=
1
&
n
&
n
=
E
_
_
=
y se demuestra que el estimador es insesgado.
MAT031 HSR 98
Campus Santiago
Ahora calcularemos su varianza:
V
_
_
= V
_
n
i=1
x
i
n
_
=
1
n
2
n
i=1
V(x
i
)
= Pero, Y = X
= Y
i
= X
i
=
1
n
2
n
i=1
V(y
i
)
=
1
n
2
n
i=1
_
E
_
y
2
i
_
(E(y
i
))
2
=
1
n
2
n
i=1
_
E
_
y
2
i
_
=
1
n
2
n
i=1
__

0
y
2
i
1
y
i
dy
i
2
_
Aparte:
_

0
y
2
i
1
y
i
dy
i
= y
2
i
e
y
i
0
+ 2
_

0
y
i
e
y
i
dy
i
= Notar que lm
y
i
y
2
i
e
y
i
= 0 (lH opital)
= 2
_

0
y
i
e
y
i
dy
i
= 2
_

0
y
i
1
y
i
dy
i
. .
E(y
i
)
= 2
= 2
2
Reemplazando:
1
n
2
n
i=1
__

0
y
2
i
1
y
i
dy
i
2
_
=
1
n
2
n
i=1
_
2
2
=
1
n
2
n
i=1
2
=
1
n
2
&
n
2
=

2
n
V
_
_
=

2
n
MAT031 HSR 99
Campus Santiago
Adem as se verica que el estimador es Consistente en Error Cuadr atico Medio, ya
que
lm
n
2
n
= 0
d) Debemos calcular
V()
1
E
_
2
L
2
_
sabemos que
2
L
2
=
n
2

2
3
n
i=1
x
i
por lo que la esperanza est a dada por:
E
_
2
L
2
_
= E
_
n
2

2
3
n
i=1
x
i
_
=
n
2

2
3
n
i=1
E(x
i
)
=
n
2

2
3
n
i=1
E(y
i
)
=
n
2

2
3
n
i=1
=
n
2

2
3
n
=
n
2

2n
2
=
n
2
Luego la cota es:
V()
1
2
_
V()

2
n
V()

2
n
Es la cota de Cramer-Rao para y como la varianza del estimador es igual a la
cota, el estimador es eciente.
MAT031 HSR 100

Campus Santiago
13. Ayudantia 13
13.1. Intervalos de Conanza
1. El consumo de gasolina de cierto tipo de vehculos se distribuye aproximadamente nor-
mal. Si una muestra aleatoria de 64 vehculos tiene un consumo promedio de 16 [millas/gal on]
con una desviaci on estandar de 6 [millas/gal on].
a) Encuentre un intervalo de conanza del 92 % para el consumo medio de gasolina de
todos los vehculos de este tipo.
b) Con un 95 % de conanza. Cu al es el error si el consumo medio es tomado en
16 [millas/gal on]?
c) Determine un intervalo de conanza del 94 % para la varianza.
d) De que tama no debe ser la muestra si queremos tener un 95 % de seguridad que
la media no diera en m as de 0, 5 [millas/gal on] de la media verdadera?
Desarrollo:
a) Sea X : Consumo de gasolina por vehculo N (,
2
), con X
n
= 16 y S
n
= 6.
Intervalo de conanza para con
2
desconocido.
IC
=
_
X
n
t
n1;1
2
S
n
_
t : distribuci on t student
C alculo de 1

2
:
(1 ) % = 92 % = = 10, 92 = = 0, 08 =

2
= 0, 04 = 1

2
= 0, 96
Adem as S =
S
n
n 1
, reemplazando tenemos:
IC
=
_
X
n
t
641;0,96
S
n
&
&
n
&
&
n 1
_
=
_
16 t
63;0,96
6
63
_
=
_
16 1, 77
6
63
_
IC
=
_
14, 66; 17, 33

b) El error viene dado por t
n1;1
2
S
n
.
1 = 0, 95 = = 0, 05 = 1

2
= 0, 975
MAT031 HSR 101
Campus Santiago
.
t
n1;1
2
S
n
= t
63;0,975
S
n
n 1
= 1, 998
6
63
Error = 1, 51
c) Intervalo de conanza del 94 % para

2
con desconocido.
1 = 0, 94 = = 0, 06 = 1

2
= 0, 97
IC
2 =
_
(n 1) S
2
2
n1;1
2
;
(n 1) S
2
2
n1;
2
_

2
: distribucion Ji-cuadrado
=
_
_
$
$
$
$
(n 1)
S
2
n
n
$
$
$
$
(n 1)
2
n1;1
2
;
$
$
$
$
(n 1)
S
2
n
n
$
$
$
$
(n 1)
2
n1;
2
_
_
=
_
S
2
n
n
2
n1;1
2
;
S
2
n
n
2
n1;
2
_
=
_
36 64
2
63;0,97
;
36 64
2
63;0,03
_
=
_
2304
85, 74
;
2304
43, 64
_
IC
2 =
_
26, 87; 52, 79

MAT031 HSR 102
Campus Santiago
d) Error= t
n1;1
2
S
n
= t
63;10,975
S
n
n 1
, como este debe ser a lo m as 0, 5, tenemos:
0, 5 t
63;10,975
S
n
n 1
0, 5 1, 998
6
n 1
0, 5 11, 988
1
n 1
n 1
11, 998
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 desviacion est andar de las estaturas de ni nos de
5to basico es de 5[cm].
a) Se seleccionan 36 ni nos, observ andose una media de 130[cm], construya un intervalo
de conanza del 95 % para la estatura media de la poblaci on.
b) Cual es el tama no de la muestra para que el intervalo de conanza
[130 0, 95; 130 + 0, 95]
tenga un 95 % de conanza?
Desarrollo:
a) Sea X : estatura de ni nos de 5to basico, X
n
= 130 y = 5
Intervalo de conanza para con
2
conocido.
(1 ) % = 95 % = = 0, 05 = 1

2
= 0, 975
IC
=
_
X
n
Z
1
n
_
=
_
130 Z
0,975
5
36
_
=
_
130 1, 96
5
6
_
IC
= [128, 36; 131, 63]

MAT031 HSR 103
Campus Santiago
b) Error= Z
1
n
0, 95 = Z
1
n
0, 95 = 1, 96
5
n = 5
1, 96
0, 95
n =
_
5
1, 96
0, 95
_
2
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 conanza para la pro-
porci on de votos de cada candidato, considerando un nivel de conanza del 95 %.
Desarrollo:
Sea X
i
: votantes que apoyan al candidato i, con i = {A, B}. Ademas
X
A
Bin(100; 0, 55) X
B
Bin(100; 0, 45)
Intervalo de conanza para una proporci on:
IC
p
=
_
p Z
1
2
_
p (1 p)
n
_
Intervalo para A,
IC
p
A
=
_
p
A
Z
0,975
_
p
A
(1 p
A
)
n
_
=
_
0, 55 1, 96
0, 55 0, 45
100
_
=
_
0, 55 1, 96
0, 497
10
_
IC
p
A
= [0, 452; 0, 647]
Intervalo para B,
IC
p
B
=
_
p
B
Z
0,975
_
p
B
(1 p
B
)
n
_
=
_
0, 45 1, 96
0, 45 0, 55
100
_
=
_
0, 45 1, 96
0, 497
10
_
MAT031 HSR 104
Campus Santiago
IC
p
A
= [0, 352; 0, 547]
4. Sea X
1
, X
2
, . . . , X
n
una m.a. de una distribuci on con funci on densidad probabilstica
dada por
f
X
(x, ) =
x
x
2
2
I
R
+ (x)
determine un intervalo de conanza del 95 % para y eval ue dicho intervalo si se sabe
que
100
i=1
x
2
i
= 2586, 51. Considere el estimador de igual a
=
n
i=1
x
2
i
2n
y considere
2
L
2
=
n
2
Desarrollo:
Intervalo de conanza para un estimador M aximo Verosmil:
IC
MV
=
_
MV
Z
1
2
1
_
nI
1
()
_
con
I
1
() = E
_
2
L
2
_
=
_
2
_
= I
1
() =
n
2
y 1

2
= 0, 975, luego
IC
MV
=
_
MV
Z
1
2
1
_
nI
1
()
_
=
_
_
MV
Z
0,975
1
_
n
n
2
_
_
=
_
MV
1, 96
_
2
n
2
_
=
_
MV
1, 96

n
_
por lo tanto el intervalo de conanza esta dado por:
IC
MV
=
_
MV
1, 96
MV
n
_
MAT031 HSR 105
Campus Santiago
Ahora, debemos evaluar,
IC
MV
=
_
MV
1, 96
MV
n
_
=
_
n
i=1
x
2
i
2n
1, 96
1
n
n
i=1
x
2
i
2n
_
=
_
1
2n
n
i=1
x
2
i
1, 96
1
2n
2
n
i=1
x
2
i
_
=
_
1
200
2586, 51 1, 96
1
20000
2586, 51
_
= [12, 933 0, 253]
IC
MV
= [12, 68; 13, 19]
13.2. Test de Hipotesis

1. Se extraen los siguientes datos, distribuidos N(, 2) : 1, 82; 3, 21; 4, 32; 1, 31; 2, 35; 1, 92.
Se puede decir que la media es 2,33 con la muestra que tenemos, con = 0, 05?
Desarrollo:
i ) Primero calculamos la media:
X =
6
i=1
x
i
n
=
1, 82 + 3, 21 + 4, 32 + 1, 31 + 2, 35 + 1, 92
6
= 2, 49
ii ) Como se pide realizar test de hip otesis para la media, debemos identicar si la
desviaci on que no entrega el enunciado es porblacional a muestral. Para este caso
se tiene que es la poblacional, por ende el estadstico de prueba a utilizar es el para
con
2
conocido, lo cu al se obtiene por formulario y es:
Z
0
=
X
0
n
y su valor es:
Z
0
=
2, 49 2, 33
2
6
= Z
0
= 0, 277
iii ) Planteamiento de nuestra hip otesis nula y alternativa:
H
0
: =
0
H
A
: =
0
en donde se cumple que:
MAT031 HSR 106
Campus Santiago
Hip otesis Nula Hip otesis Alternativa Rechace H
0
s
H
0
: =
0
H
A
: =
0
Z
0
Z
1
2
o Z
0
Z
1
2
iv) Ahora debemos calcular Z
1
2
,
Z
1
2
= Z
0,975
= 1, 96
v) Luego,
Z
0
Z
1
2
o Z
0
Z
1
2
0, 277 1, 96 o 0, 277 1, 96
vi ) Finalmente, como no se cumple la condicion de rechazo para H
0
, decimos que no
hay evidencia suciente para rechazar esta.
2. Un operador de la bolsa aconseja a un cliente respecto a una inversion de compra y

destaca la poca variabilidad de dicha cotizacion de acuerdo a los estipulado en el, esta
acci on representara una variacion en la cotizacion diaria de
2
= 0, 2. Se selecciona una
muestra de 15 das donde se registra la cotizaci on diaria. El c alculo de la varianza en
la muestra es S
2
= 0, 4. Con = 0, 05 se puede decidir si la varianza es menor que la
hist orica?
Desarrollo:
Dado que no se conoce la media poblacional, ocupamos el pivote y las regiones de
rechace para
2
con desconocido.
Q
0
=
(n 1) S
2
2
0
Antes de continuar, debemos hacer el cambio:
S
2
=
S
2
n
n
n 1
Por lo que el estadstico de prueba queda:
Q
0
=
n S
2
n
2
0
Las hipotesis a contrastar son:
H
0
:
2
<
2
0
H
A
:
2

2
0
Por lo que debemos considerar las regiones de rechazo para:
MAT031 HSR 107
Campus Santiago
Hip otesis Nula Hip otesis Alternativa Rechace H
0
s
H
0
:
2
=
2
0
H
A
:
2
=
2
0
Q
0

2
n1;1
2
o Q
0

2
n1;
2
H
0
:
2
=
2
0
H
A
:
2
<
2
0
Q
0

2
n1;
Ahora calculamos los valores de Q
0
,
2
n1;1
2
,
2
n1;
2
y
2
n1;
.
Q
0
=
n S
2
n
2
0
= 30
2
n1;1
2
=
2
14;0,975
= 5,63
2
n1;
2
=
2
14;0,025
= 26,1
2
n1;
=
2
14;0,05
= 23,7
Luego,
Q
0

2
n1;1
2
o Q
0

2
n1;
2
30 5, 63 o 30 26, 1
Por lo que se rechaza H
0
:
2
=
2
0
. Ahora,
Q
0

2
n1;
30 23, 7
Por lo tanto se rechaza H
0
:
2
=
2
0
.
Con lo anterior se tiene evidencia suente para decir que no se rechaza la hip otesis de
que la varianza es menor a la varianza hist orica.
MAT031 HSR 108
Campus Santiago
14. Ayudanta 14
14.1.1. Vectores
1. Sea:
f
XY
(x, y) = k (20 x y) I
(x, y)
donde,
=
_
(x, y) R
2
: 0 < 2x < y , y < 4x < 8
_
a) Encontrar k para que sea funci on densidad conjunta.
b) Determinar la funci on marginal de X e Y .
c) Calcular f
Y |X=1
(y).
d) Calcular E(Y | X = 1).
e) Calcular V(Y | X = 1).
f ) Calcular P(2 Y 3 | X = 1).
g) Calcular P(2 Y 3 | X 1).
Desarrollo:
a) Para que sea funcion densidad conjunta se debe cumplir que:
f
XY
(x, y) 0 (x, y)
y ademas que
__
k (20 x y) d = 1
Es claro que se cumple la primera condici on, por lo que debemos calcular:
MAT031 HSR 109
Campus Santiago
_
2
0
_
4x
2x
k (20 x y) dy dx = 1
k
_
2
0
_
20y xy
y
2
2
_
y=4x
y=2x
dx = 1
k
_
2
0
_
20 (4x 2x) x (4x 2x)
1
2
_
16x
2
4x
2
_
_
dx = 1
k
_
2
0
_
40x 2x
2
6x
2
_
dx = 1
k
_
2
0
_
40x 8x
2
_
dx = 1
k
_
20x
2
8
3
x
3
_
x=2
x=0
= 1
k
_
80
64
3
_
= 1
k
_
240 64
3
_
= 1
k =
3
176
b) Funci on marginal de X:
f
X
(x) =
_
4x
2x
k (20 x y) dy
= k
_
20y xy
y
2
2
_
y=4x
y=2x
= k
_
20 (4x 2x) x (4x 2x)
1
2
_
16x
2
4x
2
_
_
= k
_
40x 8x
2
_
f
X
(x) =
3
176
_
40x 8x
2
_
I
]0,2[
(x)
Funcion marginal de Y :
f
Y
(y) =
_
_ y
2
y
4
k (20 x y) dx
_
I
]0,4]
(y) +
_
_
2
y
4
k (20 x y) dx
_
I
]4,8[
(y)
MAT031 HSR 110
Campus Santiago
Por lo que calcularemos cada integral por separado,
_ y
2
y
4
k (20 x y) dx = k
_
20x
x
2
2
xy
_
x=
y
2
x=
y
4
= k
_
20
_
y
2

y
4
_
1
2
_
y
2
4

y
2
16
_
y
_
y
2

y
4
_
_
= k
_
5y
3
32
y
2
y
2
4
_
= k
_
5y
11
32
y
2
_
con k =
3
176
Ahora calculamos:
_
2
y
4
k (20 x y) dx = k
_
20x
x
2
2
xy
_
x=2
x=
y
4
= k
_
20
_
2
y
4
_
1
2
_
4
y
2
16
_
y
_
2
y
4
_
_
= k
_
40 5y 2 +
y
2
32
2y +
y
2
4
_
= k
_
38 7y +
9
32
y
2
_
con k =
3
176
Finalmente se tiene que:
f
Y
(y) =
3
176
_
5y
11
32
y
2
_
I
]0,4]
(y) +
3
176
_
38 7y +
9
32
y
2
_
I
]4,8[
(y)
c) f
Y |X=1
(y), esta dado por:
f
Y |X=1
(y) =
f
XY
(x = 1, y)
f
X
(x = 1)
=
k (20 x y) I
]2x,4x[
(y)
k (40x 8x
2
)
x=1
=
20 1 y
40 8
I
]2,4[
(y)
f
Y |X=1
(y) =
1
32
(19 y) I
]2,4[
(y)
MAT031 HSR 111

Campus Santiago
d)
E(Y | X = 1) =
_
4
2
y
1
32
(19 y) dy
=
1
32
_
19
y
2
2

y
3
3
_
4
2
=
1
32
_
19
2
(16 4)
1
3
(64 8)
_
=
1
32
_
114
56
3
_
E(Y | X = 1) = 2, 98
e) La varianza est a dada por V(Y | X = 1) = E(Y

2
| X = 1) [E(Y | X = 1)]
2
, por
lo que necesitamos calcular:
E
_
Y
2
| X = 1
_
=
_
4
2
y
2
1
32
(19 y) dy
=
1
32
_
19
y
3
3

y
4
4
_
4
2
=
1
32
_
19
3
(64 8)
1
4
(256 16)
_
=
1
32
_
1064
3
60
_
= 9, 21
luego la varianza es: V(Y | X = 1) = 9, 21 2, 98
2
V(Y | X = 1) = 0, 33
f )
P(2 Y 3 | X = 1) =
_
3
2
1
32
(19 y) dy
=
1
32
_
19y
y
2
2
_
3
2
=
1
32
_
19 (3 2)
1
2
(9 4)
_
=
1
32
_
19
5
2
_
=
1
32
_
38 5
2
_
MAT031 HSR 112
Campus Santiago
P(2 Y 3 | X = 1) = 51, 56 %
g)
P(2 Y 3 | X 1) =
_ 3
4
1
2
_
4x
2
k (20 x y) dy dx +
_
1
3
4
_
3
2
k (20 x y) dy dx
_
1
0
_
4x
2x
k (20 x y) dy dx
Aparte:
_ 3
4
1
2
_
4x
2
k (20 x y) dy dx =
_ 3
4
1
2
k
_
20y xy
y
2
2
_
y=4x
y=2
dx
= k
_ 3
4
1
2
_
20 (4x 2) x (4x 2)
1
2
_
16x
2
4
_
_
dx
= k
_ 3
4
1
2
_
80x 40 4x
2
+ 2x 8x
2
+ 2
_
dx
= k
_ 3
4
1
2
_
38 + 82x 12x
2
_
dx
= k
_
38x + 41x
2
4x
3
x=
3
4
x=
1
2
= k
_
38
_
3
4

1
2
_
+ 41
_
9
16

1
4
_
4
_
27
64

1
8
__
= 2, 125k
ahora,
_
1
3
4
_
3
2
k (20 x y) dy dx = k
_
1
3
4
_
20y xy
y
2
2
_
3
2
dx
= k
_
1
3
4
_
20 (3 2) x (3 2)
1
2
(9 4)
_
dx
= k
_
1
3
4
_
20 x
5
2
_
dx
= k
_
1
3
4
_
35
2
x
_
dx
= k
_
35
2
x
x
2
2
_
x=1
x=
3
4
= k
_
35
2
_
1
3
4
_
1
2
_
1
9
16
__
= 3, 901k
MAT031 HSR 113
Campus Santiago
nalmente,
_
1
0
_
4x
2x
k (20 x y) dy dx = k
_
1
0
_
20y xy
y
2
2
_
y=4x
y=2x
dx
= k
_
1
0
_
20 (4x 2x) x (4x 2x)
1
2
_
16x
2
4x
2
_
_
dx
= k
_
1
0
_
40x 8x
2
_
dx
= k
_
20x
2
8
3
x
3
_
x=1
x=0
= 17, 333k
Reemplazando:
P(2 Y 3 | X 1) =
2, 125k + 3, 901k
17, 333k
=
6, 026
17, 333
= 0, 3476
P(2 Y 3 | X 1) = 34, 76 %
14.1.2. Maxima Verosimilitud

1. Sea {X
i
}
n
i=1
una m.a. (n) proveniente de una familia con densidad:
f
X
(x, ) =
1
2 +
e
x
2+
I
R
+ (x) > 2
a) Determine un estimador de M axima Verosimilitud para .
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:
a) Notar que X exp
_
1
2 +
_
, por lo que E(x) = (2 +) y V(x) = (2 +)
2
. Ahora
calculamos el EMV para :
f
X
i
(x
i
, ) =
n
i=1
1
2 +
e
x
i
2+
I
R
+ (x
i
) Funcion de Verosimilitud
MAT031 HSR 114
Campus Santiago
Luego de nimos la funcion Log-Verosmil,
ln f
X
i
(x
i
, ) = ln
n
i=1
1
2 +
e
x
i
2+
I
R
+ (x
i
)
=
n
i=1
_
ln
_
1
2 +
_
x
i
2 +
+ ln I
R
+ (x
i
)
_
=
n
i=1
ln
1
2 +

1
2 +
n
i=1
x
i
+
n
i=1
ln I
R
+ (x
i
)
= nln (2 +)
1
2 +
n
i=1
x
i
+
n
i=1
ln I
R
+ (x
i
)
Luego derivamos e igualamos a cero, para obtener un punto crtico,
L
=
n
2 +
+
1
(2 +)
2
n
i=1
x
i
= 0 =

=
n
i=1
x
i
n
2
Luego calculamos su segunda derivada y evaluamos,
2
L
2
=
_
n
(2 +)
2

2
(2 +)
3
n
i=1
x
i
_
=
n
_
2 +
_
2

2n
_
2 +
_
3
n
i=1
x
i
n
=
n
_
2 +
_
2

2n
_
2 +
_
2 +
_
=
n
_
2 +
_
2

2n
_
2 +
_
2
=
n
_
2 +
_
2
2
L
=
n
_
2 +
_
2
< 0 n N,

R
Por lo tanto se tiene que
=
n
i=1
x
i
n
2
Es el estimador de Maxima Verosimilitud para .
MAT031 HSR 115

Campus Santiago
b) Para que sea insesgado, debe cumple que E
_
_
= .
E
_
_
= E
_
n
i=1
x
i
n
2
_
= E
_
n
i=1
x
i
n
_
E(2)
=
1
n
n
i=1
E(x
i
) 2
=
1
n
n
i=1
(2 +) 2
=
1
n
n(2 +) 2
= (2 +) 2
E
_
_
=
es decir, el estimador es insesgado.
c) Se tiene que el estimador es
=
n
i=1
x
i
n
2
por lo que para n = 100, tiene que X
100
=
100
i=1
x
i
100
= 5, 5, reemplazando tenemos:
=
100
i=1
x
i
100
2 = 5, 5 2

= 3, 5
para n = 100.
MAT031 HSR 116

Recopilacion Ayudantias MAT031

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Recopilacion Ayudantias MAT031

Загружено:

Авторское право:

Доступные форматы

Universidad Tecnica Federico Santa Mara

b) Dado que se pide calcular X y

c) En el punto anterior vimos que si aumentamos el sueldo en a entonces la varianza

1.2. Estadstica Descriptiva Bivariada (Ajuste de Rectas)

b) Coeciente de correlaci on:

c) Coeciente de correlaci on muestral

b) Sea P(A)= Probabilidad de que una lampara sea defectuosa

c) Sea P(A)= Probabilidad de que al menos una l ampara sea defectuosa

e) Sea P(A)= Probabilidad de que la tercera sea la segunda l ampara defectuosa

2. Seg un estudios estadsticos se ha determinado que el 60 % de los pasajeros en vuelo matinal

2.3. Probabilidad Condicional

b) La probabilidad pedida es: P

b) el problema se reduce a calcular:

c) Sea el evento A: error en la transmicion

b) La probabilidad pedida es:

3.2. Extras (Cadenas de Markov)

c) En el caso de calcular en el largo plazo, debemos utilizar la siguiente formula:

tiene 20 6 5 4 elementos (Principio multiplicativo). Por lo tanto,

Arboles plantados que sobreviven, y ademas X Bin(n = 10, p = 0, 9). Por lo

, por lo que es necesario calcular lm

, por lo que es necesario calcular lm

, por lo que es necesario calcular lm

, por lo que es necesario calcular lm

tiene distribucion N (0, 1) si X N (,

af (x (u, v) , y (u, v)) J

2. El diametro de cierto eje se distribuye N(2, 79; 0, 01

b) X: diametro de los ejes. X N(2, 79; 0, 01

b) Sea: Y : vida util de la ampolleta. Y N(8000, 800

7.2. Cambio de Variables

7.3. Funcion Generadora de Momentos

3. Considere una variable aleatoria Z con funcion densidad dada por:

b) Por denici on:

4. Sea X una variable aleatoria con funci on densidad:

, encontrar la funci on densidad de Y .

b) Se pide calcular: P(X 0, 25, Y 0, 25)

2. Suponga que las variables aleatorias X e Y tienen distribucion conjunta

c) Las variables no son independientes, pues:

d) Las variables no son independientes, pues:

b) Consideremos u 1. La densidad marginal de U est a dada por:

Con esto tenemos que el estimador de Maxima Verosimilitud para es:

d) La cota de Cramer-Rao se calcula como:

2. Considere una muestra aleatoria X

es exponencial de par ametro 1/.

b) El estimador de maxima verosimilitud, viene dado por:

MAT031 HSR 100

c) Intervalo de conanza del 94 % para

= [128, 36; 131, 63]

13.2. Test de Hipotesis

2. Un operador de la bolsa aconseja a un cliente respecto a una inversion de compra y

MAT031 HSR 111

e) La varianza est a dada por V(Y | X = 1) = E(Y

14.1.2. Maxima Verosimilitud

MAT031 HSR 115

c) Se tiene que el estimador es

MAT031 HSR 116

Вам также может понравиться