Академический Документы
Профессиональный Документы
Культура Документы
Departamento de Matematica
Campus Santiago
a
a
a
a
a
a
a
Recopilaci on de Ayudantas
Probabilidad y Estadstica
MAT042
Primer Semestre de 2010
a
a
a
a
a
a
a
Profesores : Francisca Gonzalez
Enzo Hernandez
Ayudante : Hugo Salazar Riquero
Indice
1. Ayudanta 1 4
1.1. Estadstica Descriptiva Univariada . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Estadstica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2. Ayudanta 2 11
2.1. Estadstica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Teora de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3. Ayudanta 3 19
3.1. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Extras (Cadenas de Markov) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4. Ayudanta 4 27
4.1. Ejercicios Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5. Ayudanta 5 33
5.1. Variables Aleatorias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5.2. Extras (Convergencia) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.3. Anexos (Variables Aleatorias Discretas) . . . . . . . . . . . . . . . . . . . . . . . . . 42
6. Ayudanta 6 45
6.1. Variables Aleatorias Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.2. Anexos (Variables Aleatorias Continuas) . . . . . . . . . . . . . . . . . . . . . . . . 56
7. Ayudanta 7 61
7.1. Distribuci on Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
7.2. Extras (Demostraci on VAD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8. Ayudanta 8 66
8.1. Cambio de Variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2. Funcion Generadora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
9. Ayudanta 9 77
9.1. Ejercicios Certamen 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
10.Ayudanta 10 90
10.1. Vectores aleatorios Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
10.2. Vectores Aleatorios Continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
10.3. Extras, Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
11.Ayudanta 11 101
11.1. Vectores Aleatorios Continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
11.2. Cambio de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
12.Ayudanta 12 108
12.1. Estimacion Puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
12.1.1. Metodo de los Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
12.1.2. M axima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
13.Ayudanta 13 115
13.1. Intervalos de Conanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
13.2. Test de Hipotesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
14.Ayudanta 14 124
14.1. Ejercicios Certamen 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
15.Controles 138
15.1. Control 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
15.2. Control 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
15.3. Control 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
16.Certamenes 151
16.1. Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
16.2. Certamen 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
16.3. Certamen 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
a
1. Ayudanta 1
1.1. Estadstica Descriptiva Univariada
1. El promedio global de cierta asignatura es de 80. Los 60 hombres que tomaron el ramo,
obtuvieron un promedio de 84, en cambio las mujeres solo consiguieron una media de 70.
a) Cuantas mujeres cursaron el ramo?
b) Si las mujeres obtuvieron una desviaci on de 7, y de los hombres se sabe que
1
n
n
i=1
x
2
i
= 7225
Que grupo es mas homogeneo?
Desarrollo:
a) El promedio viene dado por:
X =
X
h
n
h
+X
m
n
m
n
h
+n
m
Donde:
X
h
: Promedio asociado a los hombres.
n
h
: Cantidad de hombres que cursaron el ramo.
X
m
: Promedio asociado a las mujeres.
n
m
: Cantidad de mujeres que cursaron el ramo.
X: Promedio global de la asignatura.
80 =
84 60 + 70 n
m
60 +n
m
=n
m
= 24
Por lo tanto 24 mujeres cursaron el ramo.
_
1
n
n
i=1
x
2
i
X
2
h
=
_
7225 (84)
2
= 13
CV
h
=
h
X
h
=
13
84
= 0, 155
Por lo tanto el grupo mas homogeneo es el de las mujeres.
2. Se poseen los siguientes datos de altura (en pulgadas) de una muestra de 100 alumnos
Altura 59, 5 62, 5 62, 5 65, 5 65, 5 68, 5 68, 5 71, 5 71, 5 74, 5
Frecuencia 5 18 42 27 8
a) Encuentre la altura media de los estudiantes, la moda y la mediana.
b) Calcule la varianza muestral, desviacion estandar, rango intercuartlico, clase percentil
70 y coeciente de variaci on.
Desarrollo:
a) Primero se debe construir una tabla de frecuencias:
Clase MC
i
Lmites n
i
N
i
f
i
F
i
d
i
C
1
61 59, 5 62, 5 5 5 0, 05 0, 05 2
C
2
64 62, 5 65, 5 18 23 0, 18 0, 23 1
C
3
67 65, 5 68, 5 42 65 0, 42 0, 65 0
C
4
70 68, 5 71, 5 27 92 0, 27 0, 92 1
C
5
73 71, 5 74, 5 8 100 0, 08 1 2
Altura media:
X = M
0
+
1
n
I
k
i=1
n
i
d
i
= 67 +
1
100
3 15 = 67, 45
MAT042 HSR 5
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Moda:
l
m
0
+
1
1
+
2
I; con
1
= n
m
0
n
m
0
y
2
= n
m
0
n
+
m
0
=Moda = 65, 5 +
24
24+15
3 = 67, 35
Mediana: F
i
0, 5 C
3
: F
3
= 0, 65
F ormula a usar:
l
Me
+
n
2
N
Me
n
Me
I = 65, 5 +
100
2
23
42
3 = 67, 43
b) Varianza:
S
2
= I
2
_
_
1
n
k
i=1
n
i
d
2
i
_
1
n
k
i=1
n
i
d
i
_
2
_
_
= 3
2
_
97
100
_
15
100
_
2
_
= 8, 5275
Desviaci on estandar: S = 2, 92
Rango intercuartlico: RSQ =
Q
3
Q
1
2
Q
3
: Clase cuantil 3, F
3
0, 75 C
4
: F
4
= 0, 92
F ormula a usar:
l
i
+
ni
4
N
CQ
n
CQ
I;
con: CQ: Clase cuantil y i= Cuantil
=68, 5 +
(
1003
4
65)
27
3 = 69, 61
Q
1
: Clase cuantil 1, F
1
0, 25 C
3
: F
3
= 0, 65
=65, 5 +
(
1001
4
23)
42
3 = 65, 64
MAT042 HSR 6
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Luego RSQ =
69,6165,64
2
= 1, 99
Rango percentil:
P
90
P
10
P
i
= l
i
+
nq
100
N
i1
n
i
I
P
90
: Clase percentil 90, F
i
0, 9 C
4
: F
4
= 0, 92
=68, 5 +
(
10090
100
65)
27
3 = 71, 28
P
10
: Clase percentil 10, F
i
0, 1 C
2
: F
2
= 0, 23
=62, 5 +
(
10010
100
5)
18
3 = 63, 33
Luego RP = 71, 28 63, 33 = 7, 95
P
70
: Clase percentil 70, F
i
0, 7 C
4
: F
4
= 0, 92
=68, 5 +
(
10070
100
65)
27
3 = 69, 05
Coeciente de variaci on:
X
=
2, 92
67, 45
= 0, 0433 = 4, 33 %
MAT042 HSR 7
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
1.2. Estadstica Descriptiva Bivariada
1. Se clasica a los trabajadores de un mineral en 3 categoras, mayores de 35 a nos, entre 25 y 35
a nos y menores a 25 a nos, obteniendose la siguiente informaci on respecto a su productividad
en Kgs
Categora N Trabajadores Productividad Media Desviaci on Estandar
20 25 200 40 7
25 35 260 60 5
35 40 300 70 4
a) Calcule la productividad media total.
b) Calcule la variabilidad de la producci on.
c) Que porcentaje de la variabilidad total es explicada por la diferencia de edad entre los
estratos?
d) Que grupo es m as homogeneo? Justique.
Desarrollo:
a)
X
t
=
3
i=1
n
i
P
i
Total
trabajadores
=
200 40 + 260 60 + 300 70
40 + 60 + 70
= 58, 68
b) V
intra
= Variabilidad al interior de los grupos
S
2
intra
=
3
i=1
n
i
s
2
i
Total
trabajadores
=
200 (7)
2
+ 260 (5)
2
+ 300 (4)
2
40 + 60 + 70
= 27, 76
V
inter
= Variabilidad entre los grupos
S
2
inter
=
3
i=1
n
i
P
2
i
Total
trabajadores
X
2
t
=
200 (40)
2
+ 260 (60)
2
+ 300 (70)
2
40 + 60 + 70
58, 68
2
= 143, 49
Por lo tanto la variabilidad total viene dada por S
2
t
= S
2
intra
+S
2
inter
MAT042 HSR 8
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
=S
2
t
= 27, 76 + 143, 49 = 171, 25
c)
S
2
inter
S
2
t
=
143, 49
171, 25
= 0, 8379 = 83, 79 %
Por lo tanto la variabilidad observada, para los 760 trabajadores, se puede explicar en
un 83, 79 % por la diferencia de edad entre las distintas categorias.
d)
CV
1
=
1
X
1
=
7
40
= 0, 175
CV
2
=
2
X
2
=
5
60
= 0, 083
CV
3
=
3
X
3
=
4
70
= 0, 057
Por lo tanto el grupo mas homogeneo es el n umero tres.
= C / ln()
ln(PV
) = ln(C)
ln([P[) + ln([V [) = ln([C[)
Sean: ln([P[) = Y , ln([V [) = X, ln([C[) = b, obteniendo como ecuaci on:
Y +X = b
Por lo que se hace necesario construir una nueva tabla:
V P ln(V ) ln(P)
54, 3 61, 2 3, 99 4, 11
61, 8 49, 5 4, 12 3, 90
72, 4 37, 6 4, 28 3, 63
88, 7 28, 4 4, 49 3, 35
118, 6 19, 2 4, 78 2, 95
194, 0 10, 1 5, 27 2, 31
Luego los datos de las dos ultimas columnas se ingresan a la calculadora en el formato
de regresi on lineal y se obtienen los valores para las constantes y b, los c uales son:
1, 52 y 10, 19, respectivamente.
Recordar que:
ln([C[) = b =C = e
10,19
Finalmente se tiene que la ecuacion pedida es:
PV
1,52
= 26635, 5
MAT042 HSR 10
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
n
2
C
y S
n
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
MAT042 HSR 11
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
n
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
n
2
C
= 32, 41
S
n
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
n
2
E
= 148, 04
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
MAT042 HSR 12
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
n
E
j
=
1
n
j
k
i=1
n
ij
(MC
E
i
X
E
j
)
2
S
2
n
E
1
=
1
6
(4 (20 23, 3)
2
+ 2 (30 23, 3)
2
) = 22, 2
S
2
n
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
n
E
3
= 146, 6
S
2
n
E
4
= 67, 45
S
2
n
E
5
= 75
MAT042 HSR 13
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
S
2
n
C
i
=
1
n
i
k
j=1
n
ij
(MC
E
j
X
E
i
)
2
S
2
n
C
1
=
1
8
(4 (15 18, 75)
2
+ 2 (20 18, 75)
2
+ 2 (25 18, 75)
2
) = 17, 18
S
2
n
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
n
C
3
= 23, 98
S
2
n
C
4
= 14, 87
S
2
n
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.
MAT042 HSR 14
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
2.2. Teora de Probabilidades
1. Se sacan 3 bolitas de una caja, que contiene 20 verdes, 30 negras y 70 azules; si todas salen
de distinto color se procede a extraer una bolita de la caja 1, que contiene 40 rojas y 60
blancas; si salen 2 bolitas de color verde se procede a extraer una bolita de la caja 2, que
contiene 30 rojas y 70 blancas; en caso contrario se procede a extraer una bolita de la caja
3, que contiene 20 rojas y 80 blancas.
a) Determine la probabilidad que la bolita extrada sea roja.
b) Si la bolita extrada es blanca, Cual es la probabilidad de que hubiese sido sacada de
la caja 2?
Desarrollo:
a)
P(Roja) = P(R[C
1
) P(C
1
) +P(R[C
2
) P(C
2
) +P(R[C
3
) P(C
3
)
= 0, 4 P(C
1
) + 0, 3 P(C
2
) + 0, 2 P(C
3
)
Aparte:
P(C
1
) =
_
20
1
__
30
1
__
70
1
_
_
120
3
_ = 0, 149
P(C
2
) =
_
20
2
__
100
1
_
_
120
3
_ = 0, 068
P(C
3
) = 1 P(C
1
) P(C
2
) = 0, 783
Luego tenemos que:
= 0, 4 0, 149 + 0, 3 0, 068 + 0, 2 0, 783
=P(Roja) = 23, 66 %
MAT042 HSR 15
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
b)
P(C
2
[B) =
P(B[C
2
) P(C
2
)
P(B)
=
0, 7 0, 068
0, 7634
= 6, 2 %
2. En una caja con chas rojas y blancas, se sabe hay 30 chas rojas y el 20 % de ellas son
blancas. Se extraen simult aneamente 5 chas. Encontrar la probabilidad de que:
a) Dos chas sean rojas.
b) La primera y la quinta cha sean rojas.
c) La quinta sea la primera cha roja.
d) La quinta sea la segunda cha roja.
Desarrollo:
Sea: 30 + 0, 2 X = X =X = 38 por lo que se tiene que las chas blancas son 8.
a)
P(2 Rojas) =
_
8
3
__
30
2
_
_
38
5
_ = 4, 85 %
b)
P(A) =
30
38
8
37
7
36
6
35
29
34
= 0, 48 %
c)
P(A) =
_
8
4
_
_
38
4
_
30
34
= 0, 08 %
d)
P(A) =
_
8
3
__
30
1
_
_
38
4
_
29
34
= 1, 9 %
MAT042 HSR 16
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
2.3. Probabilidad Condicional
1. Sea un espacio muestral y P() una medida de probabilidad. Sean A, B, C . Determine
si la siguiente proposici on es verdadera o falsa:
Si P(A[C) P(B[C) y P(A[C
) P(B[C
) =P(A) P(B)
Si la proposici on es verdadera, demuestrela. Si es falsa, provea un contraejemplo. Contrae-
jemplos deben incluir: el espacio muestral , los eventos A, B, C y la medida de probabilidad
P()
Desarrollo:
La proposicion es verdadera.
Demostraci on:
P(A[C) P(B[C)
P(A C)
P(C)
P(B C)
P(C)
P(A C) P(B C)
P(A[C
) P(B[C
)
P(A C
)
P(C
)
P(B C
)
P(C
)
P(A C
) P(B C
)
Sumando se tiene:
P(A C) +P(A C
) P(B C) +P(B C
)
=P(A) P(B)
Con lo anterior se completa la demostracion.
_
P
_
S
_
=
1 p
1 p +
1
m
(1 p)
b) con p = 0, 75 y m = 5 se tiene:
P(S[C) =
0, 75
0, 75 +
1
5
(1 0, 75)
P(S[C) = 93, 75 %
MAT042 HSR 18
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
3. Ayudanta 3
3.1. Probabilidad Condicional
1. Una Isapre clasica a sus aliados en tres estratos socioecon omicos: Alto, Medio, Bajo. Se
sabe que la cantidad de aliados de clase alta es igual a la de la clase media, mientras que la
cantidad de aliados de la clase alta es la tercera parte de los de clase baja. Sus estadsticas
indican que el porcentaje de licencias medicas otorgadas a sus aliados de clase alta, es el
triple de las de la clase media, por otro lado, a la clase baja se le otorga el doble de licencias
que a la clase media. El pocentaje de licencias otrogadas por la Isapre a sus aliados, en
total, es de un 20 %. Se seleccionan dos aliados al azar.
a) Cual es la probabilidad de que ninguno este con licencia?
b) Cual es la probabilidad de que uno este con licencia y el otro no este con licencia?
c) Si ambos estan con licencia, Cual es la probabilidad de que sean de clase alta?
Desarrollo:
Sea:
X : cantidad de aliados.
Clase Alta = X
Clase Media = X
Clase Baja = 3X
Total = 5X
Sea P(X
i
) con i = A, M, B, probabilidad de pertenecer a clase Alta, Media o Baja
P(X
A
) =
X
5X
= 0, 2
P(X
M
) =
X
5X
= 0, 2
P(X
B
) =
3X
5X
= 0, 6
MAT042 HSR 19
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Sea P(Y
i
) con i = A, B, C, probabilidad de obtener licenca medica en la clase i.
Luego:
0, 2 P(Y
A
) + 0, 2 P(Y
M
) + 0, 6 P(Y
B
) = 0, 2
Pero sabemos que:
3P(Y
M
) = P(Y
A
) y P(Y
B
) = 2P(Y
M
)
Reemplazando tenemos:
0, 2 3P(Y
M
) + 0, 2 P(Y
M
) + 0, 6 2P(Y
M
) = 0, 2
P(Y
M
) = 0, 1 =P(Y
A
) = 0, 3 P(Y
B
) = 0, 2
A
_
+P
_
X
M
[ Y
M
_
+P
_
X
B
[ Y
B
__
2
=
_
P
_
Y
A
[ X
A
_
P(X
A
) +P
_
Y
M
[ X
M
_
P(X
M
) +P
_
Y
B
[ X
B
_
P(X
B
)
_
2
= [0, 7 0, 2 + 0, 9 0, 2 + 0, 8 0, 6]
2
= [0, 8]
2
P(A)
2
= 0, 64 (Probabilidad de que ninguno este con licencia)
MAT042 HSR 20
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
c) Se nos pide calcular:
P(X
A
[ Y
A
)
P(B)
con P(B)= Probabilidad de tener licencia
Esto se puede calcular de dos formas:
P(X
A
[ Y
A
)
P(B)
=
P(Y
A
[ X
A
) P(X
A
)
P(Y
A
[ X
A
) P(X
A
) +P(Y
M
[ X
M
) P(X
M
) +P(Y
B
[ X
B
) P(X
B
)
o bien:
P(X
A
[ Y
A
)
P(B)
=
P(Y
A
[ X
A
) P(X
A
)
1 P(A)
con P(A) = Probabilidad de no estar con licencia.
Usando la segunda f ormula tenemos:
=
0, 3 0, 2
1 0, 8
P(X
A
[ Y
A
)
P(B)
= 0, 3
2. Un avi on lanza tres cohetes a una nave con las siguientes probabilidades de dar en el blanco:
para el primer cohete 1/3 y para los siguientes cohetes, 1/2 si el anterior dio en el blanco y
1/4 si el anterior no dio en el blanco. Se pide determinar la probabilidad de que al menos dos
tiros den en el blanco dado que el primer tiro no dio en el blanco. Suponga que: P(A
i
), es la
probabilidad de dar en el blanco el tiro i y P(B
i
) es la probabilidad de no dar en el blanco
el tiro i, con i = 1, 2, 3.
Desarrollo:
Dado que no dio en el blanco el primer tiro, necesariamente debe acertar en los siguientes
dos, por lo que la probabilidad pedida es:
P(B
1
[ A
2
A
3
) =
P(A
3
[ A
2
B
1
) P(A
2
[ B
1
) P(B
1
)
P(B
1
)
= P(A
3
[ A
2
B
1
) P(A
2
[ B
1
)
=
1
2
1
4
P(B
1
[ A
2
A
3
) = 0, 125
MAT042 HSR 21
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
3. 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 evaluar a 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.
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
(R) +P
1
_
ER[R
_
P
1
_
R
__
=
_
P
2
(ER[R) P
2
(R) +P
2
_
ER[R
_
P
2
_
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 %
_
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
LL
B N B
LL B
N B
La probabilidad pedida es:
=
_
1
2
1
2
1
4
_
+
_
1
2
1
4
1
4
_
+
_
1
2
1
4
1
4
_
+
_
1
2
1
2
1
4
_
=
3
16
Por lo tanto, la probabilidad de que si este martes hay buen tiempo, tambien lo haya
el viernes, es de 18,75 %.
MAT042 HSR 24
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
2. Actualmente existen tres marcas en el mercado A, B y C, cuyas participaciones actuales
son: 45 %, 35 % y 20 % respectivamente. Seg un estudios anteriores, se ha logrado determinar
que un individuo que consume la marca A se cambia a la marca B con una probabilidad del
12 % y a C con 8 % en un mes. A su vez un individuo que consume la marca B se cambia
a la marca A con probabilidad del 14 % y a la marca C con 12 % en un mes, nalmente
un individuo que consume la marca C solo estara dispuesto a cambiarse con un 21 % a las
marca A en un mes.
a) Determinar la matriz de probabilidades.
b) Determinar como ser a la distribuci on al cabo de dos meses.
Desarrollo:
a) Primero debemos encontrar la matriz de probabilidades de transicion en una etapa, la
cu al est a dada por:
A A = 0, 80 B A = 0, 14 C A = 0, 21
A B = 0, 12 B B = 0, 74 C B = 0
A C = 0, 08 B C = 0, 12 C C = 0, 79
Por lo tanto la matriz queda:
P =
_
_
0, 80 0, 12 0, 08
0, 14 0, 74 0, 12
0, 12 0 0, 79
_
_
b) Para este punto debemos saber que para cualquier distribuci on variable en el tiempo;
en el tiempo n est a ser a igual a:
f
(n)
=
_
P
T
_
(n)
f
(0)
Donde:
_
P
T
_
(n)
: matriz traspuesta elevada a n.
f
(0)
: matriz de distribucion inicial.
y sus matrices son:
MAT042 HSR 25
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
P
T
=
_
_
0, 80 0, 14 0, 21
0, 12 0, 74 0
0, 08 0, 12 0, 79
_
_
f
(0)
=
_
_
0, 45
0, 35
0, 20
_
_
Ahora necesitamos calcular f
(2)
=
_
P
T
_
(2)
f
(0)
Pero primero calcularemos
_
P
T
_
(2)
:
=
_
_
0, 80 0, 14 0, 21
0, 12 0, 74 0
0, 08 0, 12 0, 79
_
_
_
_
0, 80 0, 14 0, 21
0, 12 0, 74 0
0, 08 0, 12 0, 79
_
_
=
_
_
0, 6736 0, 2408 0, 3339
0, 1848 0, 5644 0, 0252
0, 1416 0, 1948 0, 6409
_
_
=
_
P
T
_
(2)
f
(0)
=
_
_
0, 6736 0, 2408 0, 3339
0, 1848 0, 5644 0, 0252
0, 1416 0, 1948 0, 6409
_
_
_
_
0, 45
0, 35
0, 20
_
_
=
_
_
0, 45418
0, 28574
0, 26008
_
_
Por lo tanto la distribuci on al cabo de 2 meses sera:
A = 45, 4 %
B = 28, 5 %
C = 26, 0 %
MAT042 HSR 26
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
4. Ayudanta 4
4.1. Ejercicios Certamen 1
1. Una caja contiene 4 ampolletas malas y 6 buenas. Las ampolletas se verican sacando una al
azar, se prueba y se repite el proceso hasta que se encuentran las cuatro ampolletas malas.
Cu al es la probabilidad de encontrar la cuarta ampolleta mala...
a) ... en la quinta prueba?
Desarrollo:
Sea A: Probabilidad de que en la quinta prueba se extraga la cuarta ampolleta mala.
P(A) =
_
4
3
__
6
1
_
_
10
4
_
1
6
=
2
105
P(A) = 0, 019
MAT042 HSR 27
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
2. 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
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.
MAT042 HSR 28
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
3. Un aeroplano ha desaparecido y se piensa que existe la misma posibilidad de que haya
cado en una de tres regiones. Sea 1 la probabilidad de que al buscar el aeroplano sea
encontrado en la iesima regi on, puesto que el aeroplano realmente esta en esa region, i =
1, 2, 3. (A las constantes
i
se le llama probabilidades de supervision porque ellas representan
las probabilidades de supervisi on del aeroplano; generalemente se atribuyen a condiciones
geogr acas y ambientales de la region.)
a) Cu al es la probabilidad que el aeroplano este en la iesima region puesto que la
b usqueda en la region 1 no tuvo exito?, i = 1, 2, 3.
Desarrollo:
Sean los eventos:
R
i
: El aeroplano est a en la iesima regi on, i = 1, 2, 3.
N
1
: La b usqueda en la regi on 1 no tuvo exito.
Sabemos que:
P
_
N
1
[ R
1
_
= 1
1
P(N
1
[ R
1
) =
1
P(N
1
[ R
2
) = 1
P(N
1
[ R
3
) = 1
Adem as P(R
1
) = P(R
2
) = P(R
3
) = 1/3
Se pide calcular:
P(R
1
[ N
1
) =
P(N
1
[ R
1
) P(R
1
)
P(N
1
)
=
P(N
1
[ R
1
) P(R
1
)
P(N
1
[ R
1
) P(R
1
) +P(N
1
[ R
2
) P(R
2
) +P(N
1
[ R
3
) P(R
3
)
=
1
3
1
3
+ 1
1
3
+ 1
1
3
P(R
1
[ N
1
) =
1
1
+ 2
P(R
2
[ N
1
) =
P(N
1
[ R
2
) P(R
2
)
P(N
1
)
=
P(N
1
[ R
2
) P(R
2
)
P(N
1
[ R
1
) P(R
1
) +P(N
1
[ R
2
) P(R
2
) +P(N
1
[ R
3
) P(R
3
)
=
1
1
3
1
3
+ 1
1
3
+ 1
1
3
P(R
2
[ N
1
) =
1
1
+ 2
MAT042 HSR 29
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
P(R
3
[ N
1
) =
P(N
1
[ R
3
) P(R
3
)
P(N
1
)
=
P(N
1
[ R
3
) P(R
3
)
P(N
1
[ R
1
) P(R
1
) +P(N
1
[ R
2
) P(R
2
) +P(N
1
[ R
3
) P(R
3
)
=
1
1
3
1
3
+ 1
1
3
+ 1
1
3
P(R
3
[ N
1
) =
1
1
+ 2
b) Si
i
= 0, 4, calcule la probabilidad que el aeroplano no este en la region 1, puesto que
no se encontro en una b usqueda en esa regi on.
Desarrollo:
Se pide calcular P(R
1
[ N
1
), considerando
1
= 0, 4
P(R
1
[ N
1
) =
0, 4
0, 4 + 2
=
0, 4
2, 4
=
1
6
4. 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
MAT042 HSR 30
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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
5. Con base en varios estudios una compa nia ha clasicado, de acuerdo con la posibilidad de
descrubrir petr oleo, las formaciones gel ogicas en tres tipos. La compa nia pretende perforar
un pozo en un determinado sitio al que se le asignan probabilidades 0, 35, 0, 40 y 0, 25 para
los tres tipos de formaciones, respectivamente. De acuerdo con la experiencia se sabe que el
petroleo se encuentra en un 40 % de formaciones del tipo I, en un 20 % del tipo II y en un
30 % de formaciones del tipo III.
MAT042 HSR 31
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
a) Cu al es la probabilidad de descubrir petr oleo?
Desarrollo:
Sean:
F
i
: La formaci on geologica es del iesimo tipo. i = I, II, III.
D: Se descubre petroleo.
P(F
I
) = 0, 35 , P(F
II
) = 0, 4 , P(F
III
) = 0, 25
P(D [ F
I
) = 0, 4 , P(D [ F
II
) = 0, 2 , P(D [ F
III
) = 0, 3
Se pide:
P(D) = P(D [ F
I
) P(F
I
) +P(D [ F
II
) P(F
II
) +P(D [ F
III
) P(F
III
)
= 0, 4 0, 35 + 0, 2 0, 4 + 0, 3 0, 25
= 0, 295
b) Cual es la probabilidad de descubrir petr oleo y de que la formacion geol ogica sea del
tipo I?
Desarrollo:
P(D F
I
) = P(D [ F
I
)P(F
I
)
= 0, 4 0, 35
= 0, 14
c) Si la compa nia no descubre petr oleo en ese lugar, determine la probabilidad de que
exista una formacion del tipo II.
Desarrollo:
P
_
F
II
[ D
_
=
P
_
D
[ F
II
_
P(F
II
)
P
_
D
_
=
0, 8 0, 4
0, 705
= 0, 4539
MAT042 HSR 32
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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 distribuci on 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
MAT042 HSR 33
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
2. El 90 % de los arboles plantados en una campa na de reforestaci on sobrevive. Cual es la
probabilidad de que sobrevivan 8 o mas arboles de 10 arboles que acaban de ser plantados?
Desarrollo:
Sea X:
x=8
_
10
x
_
0, 9
x
(1 0, 9)
10x
= 92 %
3. 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
4. En una encuesta hecha para averiguar los errores de ortografa que cometen los estudiantes
en sus apuntes, se detect o que en 500 p aginas cometan aproximadamente 1000 errores. Si
consideramos 5 p aginas, encuentre la probabilidad de que en 2 o m as de ellas haya m as de 3
errores en cada una.
Desarrollo:
Sea:
X: N umero de errores por pagina.
X P() con =
1000
500
= 2
MAT042 HSR 34
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
P(X > 3) = 1 P(X 3)
= 1
3
x=0
2
x
e
2
x!
= 1 0, 86
= 0, 14
Sea:
Y : N umero de paginas.
Y Bin(n, p) con n = 5 y p = 0, 14.
P(Y 2) = 1 P(Y < 2)
= 1
1
y=0
_
5
y
_
0, 14
y
(1 0, 14)
5y
= 1 0, 85
= 0, 15
la probabilidad de que en 2 o mas de ellas haya mas de 3 errores en cada una es 15 %
x=2
3
x
e
3
x!
= 0, 6163
Sea:
MAT042 HSR 35
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Y : N umero de das de la semana.
Y Bin(n, p) con n = 7 y p = 0, 6163.
P(Y 5) =
7
y=5
_
7
y
_
0, 6163
y
(1 0, 6163)
7y
= 0, 4554
la probabilidad que en una semana se presenten a lo menos 5 das, 2 o 3 o 4 demandas
45, 54 %
b) Sea:
X: N umero de demandas diarias.
X P() con = 3.
P(3 < X < 6) =
5
x=4
3
x
e
3
x!
= 0, 26885
Sea:
Y : N umero de das al mes.
Y Bin(n, p) con n = 30 y p = 0, 26885
P(15 Y 22) =
22
y=15
_
30
y
_
0, 26885
y
(1 0, 26885)
30y
= 0, 00584
la probabilidad que en una mes, a lo menos 15 das y a los m as 22 das, el n umero
de demandas este entre 3 y 6 es 0, 584 %
6. Un fabricante de autom oviles compra sus motores a un proveedor que recibe estrictas es-
pecicaciones de el. Cada mes recibe un lote de 40 motores. Para asegurarse de la calidad
de ellos, el fabricante toma una muestra de 8 motores y acepta el lote solo si ning un motor
presenta serias faltas a la especicaci on. Si existen 3 motores con falta en el lote. Calcule la
probabilidad de que el lote sea aceptado.
Desarrollo:
Sea:
MAT042 HSR 36
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
X: Cantidad de motores con falla.
X Hip(N, M, n), con
- N = 40 (total de motores).
- M = 3 (motores con falla).
- n = 8 (muestra de motores).
P(X = 0) : Probabilidad de que el lote sea aceptado.
P(X = x) =
_
3
x
__
40 3
8 x
_
_
40
8
_
P(X = 0) =
_
3
0
__
37
8
_
_
40
8
_
= 0, 5020
la probabilidad de que el lote sea aceptado es 50, 20 %
x=1
_
_
_
6
x
__
9
3 x
_
_
15
3
_
_
_
= 0, 815
la probabilidad de que el viajero sea arrestado es 81, 5 %
b) Sea:
X: Frascos de narcoticos por caja.
X Hip(N, M, n) con:
- N = 25 (total de frascos).
- M = 6 (tabletas de narcoticos).
- n = 4 (tama no de la muestra).
MAT042 HSR 38
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
P(1 X 4): Probabilidad de que sea arrestado al pasar 25 cajas por la aduana.
P(1 X 4) =
3
x=1
_
_
_
6
x
__
19
4 x
_
_
25
4
_
_
_
= 1 P(X = 0)
= 1
_
_
_
6
0
__
19
4
_
_
25
4
_
_
_
= 1 0, 3064
= 0, 6936
Sea:
Y : Cantidad de cajas con frascos de narcoticos.
Y Bin(n, p) con n = 25 y p = 0, 6936
P(X = 1): Probabilidad de ser arrestado (basta que una de las 25 cajas, sin importar
el orden, contenga frascos de narcoticos)
P(X = 1) =
_
25
1
_
0, 6936
1
(1 0, 6936)
251
= 8, 12 10
12
la probabilidad de que el viajero sea arrestado, si este pasa 25 cajas por la aduana,
es 8, 12 10
10
%
MAT042 HSR 39
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
MAT042 HSR 40
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
lm
n
X
n
= P ()
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())
MAT042 HSR 41
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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 : [0, 1] 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 = 1, 2, . . . , n
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
MAT042 HSR 42
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
MAT042 HSR 43
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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.
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)
MAT042 HSR 44
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
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
MAT042 HSR 45
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
notar que cuando x = 0 no hay problemas en ver que el termino 2
xe
x
2
= 0, pero cuan-
do x = tenemos algo de la forma
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
2
2
.
lm
z
ze
z
2
2
= lm
z
z
e
z
2
2
aplicando LH se tiene:
= lm
z
1
ze
z
2
2
= (1) lm
z
0
1
ze
z
2
2
= 0
MAT042 HSR 46
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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)
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
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:
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
MAT042 HSR 49
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
la probabilidad pedida es 0, 059 %
P(Y 3) = 0, 059 %
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 funci on densidad de
y.
dF
Y
(y)
dy
= F
X
(
y)
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)
MAT042 HSR 50
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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.
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 integracion 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 = en-
tonces tenemos algo de la forma
!
0
1
e
y
= 0
E(y) = 1
MAT042 HSR 51
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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
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
!
0
1
e
y
= 0
E(y
2
) = 2 y se tiene que V(y) = 2 (1)
2
V(y) = 1
1
2
_
0
10e
10x
dx
. .
1
= 1
1
2
=
1
2
Es decir, el costo medio es de 500000
MAT042 HSR 53
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
6. Demuestre que Z =
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)
Z N (0, 1)
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
MAT042 HSR 54
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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)
MAT042 HSR 55
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
6.2. Anexos (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.
MAT042 HSR 56
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Exponencial: X exp ()
f
X
(x) = e
x
I
[0,[
(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 =
_
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
(x) es funci on densidad.
Normal: X N (,
2
)
f
X
(x) =
1
2
e
1
2
(
x
)
2
I
R
(x)
Por Demostrar:
f
X
(x) 0 x Rec (x). Es claro que f
X
(x) es mayor a cero x Rec(x).
MAT042 HSR 57
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
f
X
(x) dx = 1. Es decir:
_
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
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
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 <
MAT042 HSR 58
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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:
_
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
(x) es funci on densidad.
MAT042 HSR 59
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
MAT042 HSR 60
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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 desviaci on 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)
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 m as de 6400 horas.
a) Encuentre los par ametros de la distribuci on.
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
MAT042 HSR 63
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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
)
MAT042 HSR 64
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
7.2. Extras (Demostraci on VAD)
1. Demuestre que si X es una variable aleatoria con distribucion 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
. . . (2)
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.
MAT042 HSR 65
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
8. Ayudanta 8
8.1. Cambio de Variable
1. Si X se distribuye N(0, 1) determinar la funci on densidad de Y = 3X + 4
Desarrollo:
Sea:
F
Y
(y) = P(Y y)
= P(3X + 4 y)
= P
_
X
y 4
3
_
= F
X
_
y 4
3
_
derivando se tiene que:
dF
Y
(y)
dy
= F
X
_
y 4
3
_
1
3
= f
X
_
y 4
3
_
1
3
=
1
23
e
1
2
(
y4
3
)
2
I
R
(y)
f
Y
(y) =
1
23
e
1
2
(
y4
3
)
2
I
R
(y)
es decir, Y N(4, 3
2
)
2. Sea X una variable aleatoria continua con funcion densidad uniforme U[1, 2]. Se dene
la variable Y = 20X
2
, encontrar E(Y ) y V(Y )
Desarrollo:
MAT042 HSR 66
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Sea:
F
Y
(y) = P(Y y)
= P
_
20X
2
y
_
= P
_
X
2
y
20
_
= P
_
[ X [
_
y
20
_
= P
_
_
y
20
X
_
y
20
_
= P
_
X
_
y
20
_
$
$
$
$
$
$
$
$
$
$X
X U[1, 2] (positivo)
P
_
X
_
y
20
_
= P
_
X
_
y
20
_
= F
X
__
y
20
_
derivando tenemos:
dF
Y
(y)
dy
= F
X
__
y
20
_
1
2
_
y
20
1
20
=
B
1
f
X
__
y
20
_
5
20
y
I
[20,80]
(y)
f
Y
(y) =
5
20
y
I
[20,80]
(y)
E(Y ) =
_
5
20
y
I
[20,80]
(y) dy
_
5
20
y
I
[20,80]
(y) dy =
_
80
20
y
5
20
y
dy
=
5
20
_
80
20
y dy
=
5
20
_
2
3
y
3
2
_
y=80
y=20
=
2
5
60
_
80
3/2
20
3/2
_
=
140
3
MAT042 HSR 67
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
E(Y ) =
140
3
V(Y ) = E(Y
2
) (E(Y ))
2
Sea:
E(Y
2
) =
_
y
2
5
20
y
I
[20,80]
(y) dy
=
_
80
20
y
2
5
20
y
dy
=
5
20
_
80
20
y
3/2
dy
=
5
20
_
2
5
y
5/2
_
y=80
y=20
=
2
5
100
_
80
5/2
20
5/2
_
= 2480
E(Y
2
) = 2480
Por lo que la varianza ser a:
V(Y ) = 2480
_
140
3
_
2
V(Y ) = 299, 11
3. Sea X e
x
I
R
+
0
(x). Se dene T = I
(x)
T = I
(x)) =
_
(x)e
x
I
R
+
0
(x) dx
=
_
k
e
x
dx
= e
x
x=
x=k
=
_
$
$
$$X
0
e
e
k
_
= e
k
MAT042 HSR 68
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
E(T) =
1
e
k
4. Una partcula de masa m tiene velocidad aleatoria que se distribuye de forma normal,
con velocidad media 0 y desviaci on est andar . Encuentre la funcion densidad de la
energa cinetica,
E =
1
2
mV
2
Desarrollo:
Sea:
F
E
(e) = P(E e)
= P
_
1
2
mV
2
e
_
= P
_
V
2
2
e
m
_
= P
_
[ V [
_
2
e
m
_
= P
_
_
2
e
m
V
_
2
e
m
_
= P
_
V
_
2
e
m
_
+P
_
V
_
2
e
m
_
F
E
(e) = F
V
__
2
e
m
_
F
V
_
_
2
e
m
_
Derivando se tenemos que:
dF
E
(e)
de
= F
V
__
2
e
m
_
1
2
_
2
e
m
2
m
F
V
_
_
2
e
m
_
_
_
_
_
1
2
_
2
e
m
2
m
_
_
_
_
= f
V
__
2
e
m
_
2em
+f
V
_
_
2
e
m
_
2em
=
1
2
e
2e
m
2
1
2em
+
1
2
e
2e
m
2
1
2em
=
1
2
e
2e
m
2
2em
+
1
2
e
2e
m
2
2em
=
1
em
e
2e
m
2
MAT042 HSR 69
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
f
E
(e) =
1
em
e
2e
m
2
I
]0,[
(e)
W
_
1
w
_
1
w
2
_
= f
X
_
1
w
_
1
w
2
f
W
(w) =
1
w
2
f
X
_
1
w
_
I
R{0}
(w)
MAT042 HSR 70
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
8.2. Funcion Generadora de Momentos
1. Encontrar la funci on generadora de momentos de las distribuciones:
a) Poisson
b) Uniforme
c) Exponencial
Desarrollo:
a)
E
_
e
xt
_
=
n
x=0
e
xt
x
e
x!
= e
x=0
(e
t
)
x
x!
= e
e
e
t
X
(t) = e
(e
t
1)
b)
E
_
e
xt
_
=
_
b
a
e
xt
1
b a
dx
=
1
b a
_
e
xt
t
_
x=b
x=a
=
1
(b a)t
_
e
bt
e
at
_
X
(t) =
_
e
bt
e
at
_
(b a)t
t ,= 0
MAT042 HSR 71
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
c)
E(e
xt
) =
_
0
e
xt
e
x
dx
=
_
0
e
x(t)
dx (notar que converge solo si t < )
=
_
0
e
x(t)
dx
=
_
e
x(t)
( t)
_
x=
x=0
=
t
_
$
$
$
$
$X
0
e
(t)
$
$
$
$
$X
1
e
0(t)
_
=
t
X
(t) =
t
t <
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)
X
(t) =
1
2
e
t
+
1
2
Sean X
1
, X
2
, . . . , X
n
variables aleatorias independientes distribuidas de igual forma que
X, encontrar E
_
X
_
y V
_
X
_
Desarrollo:
MAT042 HSR 72
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Sea: X =
n
i=1
X
i
n
X
= E
_
e
Xt
_
= E
_
e
(
n
i=1
X
i
n
)t
_
= E
_
n
i=1
e
X
i
n
t
_
=
n
i=1
E
_
e
X
i
t
n
_
(por independencia de las variables)
=
n
i=1
_
1
2
e
t
n
+
1
2
_
X
=
_
1
2
e
t
n
+
1
2
_
n
E
_
X
_
=
X
(t)
t=0
, por lo que calcularemos:
X
(t)
t=0
= n
_
1
2
e
t
n
+
1
2
_
n1
_
1
2
e
t
n
_
1
n
__
t=0
= n
_
1
2
&
&
&b
1
e
0
n
+
1
2
_
n1
_
1
2
&
&
&b
1
e
0
n
_
1
n
_
_
=
1
2
E
_
X
_
=
1
2
V
_
X
_
= E
_
X
2
_
_
E
_
X
_
2
E
_
X
2
_
=
X
(t)
t=0
MAT042 HSR 73
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
X
(t)
t=0
= n(n 1)
_
1
2
e
t
n
+
1
2
_
n2
_
1
2
e
t
n
_
1
n
__
2
t=0
= + n
_
1
2
e
t
n
+
1
2
_
n1
_
1
2
e
t
n
_
1
n
2
__
t=0
= evaluando en t = 0 se tiene
= n(n 1)
_
1
4n
2
_
+n
_
1
2n
2
_
=
n
2
n + 2n
4n
2
=
n + 1
4n
Luego la varianza es:
V
_
X
_
=
n + 1
4n
_
1
2
_
2
=
1
4
+
1
4n
1
4
V
_
X
_
=
1
4n
MAT042 HSR 74
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
4. Determinar la funci on generadora de momentos de
T =
n
i=1
X
i
n
Si X
1
, X
2
, . . . , X
n
son iid con distribucion exponencial.
Desarrollo:
E
_
e
Tt
_
= E
_
e
n
i=1
(
X
i
n
)t
_
= E
_
n
i=1
e
(
X
i
n
)t
_
=
n
i=1
E
_
e
X
i
t
n
_
(por independencia de las variables)
=
n
i=1
_
t
n
_
=
n
i=1
_
n
n t
_
=
_
n
n t
_
n
T
(t) =
_
n
n t
_
n
5. 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:
MAT042 HSR 75
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
_
MAT042 HSR 76
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
9. Ayudanta 9
9.1. Ejercicios Certamen 2
1. Si Y sigue una distribuci on uniforme en [0, 5], Cu al es la probabilidad de que ambas
races de la ecuacion
4x
2
+ 4xY +Y = 0
sean reales?
Desarrollo:
La funcion densidad asociada a Y es
f
Y
(y) =
1
5
I
[0,5]
(y)
O mas rigurosamente
f
Y
(y) =
_
_
1
5
, 0 y 5
0 , en otro caso
Dado que Y es una funcion medible, denida en cierto espacio de probabiliadd y con
valores en R, se tiene que dado la ecuaci on queda de la forma:
4x
2
+ 4xY () +Y () = 0
La cual tiene ambas races reales si y solo si:
b
2
4ac 0
Es decir:
[4Y ()]
2
4 4Y () 0
16Y () [Y () 1] 0
Y () [Y () 1] 0
De lo anterior denimos en el suceso:
A =
_
: la ecuaci on 4x
2
+ 4xY () +Y () = 0 tiene ambas races reales
_
es decir:
A = : Y () [Y () 1] 0
= : Y () 0 Y () 1 : Y () 0 Y () 1
MAT042 HSR 77
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Notar que:
P(A) = P( : Y () 0 Y () 1)
= P( : Y () 0)
=
_
0
f
Y
(y) dy
= 0
(Ya que Y U[0, 5])
Por otro lado tenemos:
P(A) = P( : Y () 0 Y () 1)
= P( : Y () 1)
=
_
1
f
Y
(y) dy
=
_
1
1
5
I
[0,5]
(y) dy
=
_
5
1
1
5
dy
=
4
5
P(A) = 80 %
2
3
x
3
2
0
_
= 1
k
_
2(2)
2
2
3
(2)
3
_
= 1
k
_
8
3
_
= 1
k =
3
8
b) se pide: P(X C) 0, 5.
3
8
_
C
0
_
4x 2x
2
_
dx
1
2
_
2x
2
2
3
x
3
_
C
0
4
3
2C
2
2
3
C
3
4
3
6C
2
2C
3
4 0
2C
2
C
3
2 0
(C 1)
_
C
2
2C 2
_
0
de lo anterior se obtiene de forma directa que C = 1, por lo que ahora debemos
resolver la ecuacion de segundo grado:
2
4 + 8
2
=
2 2
3
2
= 1
3
notar que 1
3 < 0 y 1 +
MAT042 HSR 79
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
3. La conanza de un fusible electrico corresponde a la probabilidad de que un fusible,
escogido al azar de una linea de producci on, funcione adecuadamente bajo condiciones
de dise no. Calcule la probabilidad de obtener 27 o m as fusibles defectuosos en una
muestra de 1000 fusibles, sabiendo que la probabilidad de que un fusible elegido al azar
no sea defectuoso es de 0, 98.
Desarrollo:
i ) X: fusible defectuoso.
ii ) X Bin(n, p), con n = 1000 y p = 1 0, 98 = 0, 02
Se pide calcular P(X 27). Dado que n es muy grande, podemos hacer una aproxi-
maci on a la distribucion normal.
Dicho esto, obtenemos:
= n p = 1000 0, 02 = 20
y
=
_
n p (1 p) =
_
1000 0, 02 0, 98 = 4, 427
P(X 27) = P
_
Z
27 20
4, 427
_
= P(Z 1, 58)
= 0, 0571 (por tabla)
P(X 27) = 5, 71 %
4. 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)
MAT042 HSR 80
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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)
f
Y
(y) =
_
1
2
_1
2
y
1
2
1
e
1
2
y
I
R
+(y)
con: =
1
2
, =
1
2
y () =
MAT042 HSR 81
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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
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
MAT042 HSR 82
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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
_
=
5. Sea X N(,
2
), si Y = aX+b, donde a, b R, demuestre que Y N (a +b, a
2
2
)
Desarrollo:
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
_
MAT042 HSR 83
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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
)
_
t
_
1
exp
_
_
t
_
, si t 0 , > 0 y > 0
0 , en otro caso
a) Determine la funci on de distribuci on de probabilidad acumulada y la funcion de
densidad del Tiempo de funcionamiento del sistema seg un el siguiente circuito.
MAT042 HSR 84
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
Para el circuito propuesto el tiempo T de funcionamiento del sistema est a deter-
minado por:
T = m ax T
1
, T
2
, T
3
, T
4
donde T
i
(i = 1, 2, 3, 4) son variables aleatorias independientes e identicamente
distribuidas con funcion de densidad
f(t) =
_
_
t
_
1
exp
_
_
t
_
, si t 0 , > 0 y > 0
0 , en otro caso
Luego, su funci on de distribucion de probabilidad acumulada est a dada por:
F(t) =
_
_
1 exp
_
_
t
_
, si t 0
0 , t < 0
para > 0 y > 0
Se pide la funci on de distribuci on de probabilidad acumulada de T, la cual se
obtiene como sigue:
F
T
(t) = P(T t)
= P(m ax T
i
t) (i 1, 2, 3, 4)
= P(T
1
t, T
2
t, T
3
t, T
4
t)
=
4
i=1
P(T
i
t) (por independencia de los T
i
)
=
4
i=1
F
T
i
(t)
= [F
T
(t)]
4
=
_
1 exp
_
_
t
__
4
F
T
(t) =
_
1 exp
_
_
t
__
4
MAT042 HSR 85
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
A partir de este resultado, podemos obtener su fuci on densidad, derivando:
f
T
(t) =
d
dt
F
T
(t)
= 4F
T
(t)
3
f
T
(t)
= 4
_
1 exp
_
_
t
__
3
_
t
_
1
exp
_
_
t
_
para t 0, > 0, > 0
f
T
(t) = 4
_
1 exp
_
_
t
__
3
_
t
_
1
exp
_
_
t
(1 F(t))
= 1
_
1 F(t)(1 1 + 2F(t) F(t)
2
)
(1 F(t))
= 1
_
1 2F(t)
2
+F(t)
3
(1 F(t))
= 1 (1 F(t) 2F(t)
2
+ 2F(t)
3
+F(t)
3
F(t)
4
)
= F(t) + 2F(t)
2
3F(t)
3
+F(t)
4
F
T
(t) = F(t) + 2F(t)
2
3F(t)
3
+F(t)
4
con
F(t) = 1 exp
_
_
t
_
derivando F
T
(t) se obtiene la funcion densidad del sistema:
f
T
(t) = f(t) + 4F(t)f(t) 9F(t)
2
f(t) + 4F(t)
3
f(t)
f
T
(t) =
_
1 + 4F(t) 9F(t)
2
+ 4F(t)
3
_
f(t)
con t 0, > 0, > 0 y
F(t) = 1 exp
_
_
t
_
y
f(t) =
_
t
_
1
exp
_
_
t
MAT042 HSR 87
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
7. 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
c =
zf
Z
(z) dz
=
_
z
+1
dz
=
_
dz
=
1
( 1) z
1
_
= 0
1
( 1)
1
_
=
1
E(Z) =
1
MAT042 HSR 88
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Z
(e
x
)
= f
Z
(e
x
)e
x
=
e
x(+1)
e
x
=
e
x
f
X
(x) =
e
x
I
[ln(),[
(x)
MAT042 HSR 89
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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 electr onicos, 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 produz-
can 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
MAT042 HSR 90
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
MAT042 HSR 91
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
d) Las variables no son independientes, pues:
f
XY
(0, 0) ,= f
X
(0)f
Y
(0)
1
10
,=
3
10
3
5
kxy I
R
(x, y) dy dx = 1
_
2
0
_
3x
2x
kxy dy dx = 1
k
_
2
0
_
x
y
2
2
_
3x
2x
dx = 1
k
_
2
0
x
2
_
9x
2
4x
2
_
dx = 1
k
_
2
0
5
2
x
3
dx = 1
k
_
5
8
x
4
_
2
0
= 1
k
_
5 16
8
_
= 1
10k = 1
k =
1
10
y=3x
y=2x
=
1
20
x
_
9x
2
4x
2
_
=
1
4
x
3
f
X
(x) =
1
4
x
3
I
[0,2]
(x)
MAT042 HSR 93
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Funcion densidad marginal de Y :
_
Rec(x)
f
XY
(x, y) dx =
_ y
2
y
3
1
10
xy dx +
_
2
y
3
1
10
xy dx
=
1
20
yx
2
x=
y
2
x=
y
3
+
1
20
yx
2
x=2
x=
y
3
=
1
20
y
_
y
2
4
y
2
9
_
+
1
20
y
_
4
y
2
9
_
=
1
20
y
_
9y
2
4y
2
36
_
+
1
20
y
_
36 y
2
9
_
=
1
144
y
3
+
1
180
y
_
36 y
2
_
f
Y
(y) =
1
144
y
3
I
[0,4]
(y) +
1
180
y
_
36 y
2
_
I
]4,6]
(y)
c) E(X) =
_
Rec(x)
xf
X
(x) dx, donde f
X
(x) es la funci on densidad marginal de X.
_
Rec(x)
xf
X
(x) dx =
_
2
0
x
1
4
x
3
dx
=
1
4
_
2
0
x
4
dx
=
1
4
_
x
5
5
_
2
0
=
1
20
(2)
5
E(X) = 1, 6
E(Y ) =
_
Rec(y)
yf
Y
(y) dy, donde f
Y
(y) es la funci on densidad marginal de Y .
_
Rec(y)
yf
Y
(y) dy =
_
4
0
y
1
144
y
3
dy +
_
6
4
y
1
180
y
_
36 y
2
_
dy
=
1
144
_
4
0
y
4
dy +
1
180
_
6
4
_
36y
2
y
4
_
dy
=
1
144
_
y
5
5
_
4
0
+
1
180
_
12y
3
y
5
5
_
6
4
=
1024
720
+
__
12(6)
3
6
5
5
_
_
12(4)
3
4
5
5
__
= 1, 422 + 2, 631
MAT042 HSR 94
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
E(Y ) = 4, 05
2
0
=
576
435
E(X [ Y = 1) = 1, 324
E(X
2
[ Y = 1) =
_
2
0
x
2
72
145
x dx
=
72
145
_
x
4
4
_
2
0
=
1152
580
E(X
2
[ Y = 1) = 1, 986
MAT042 HSR 95
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Finalmente tenemos que V(X [ Y = 1) es:
V(X [ Y = 1) = E(X
2
[ Y = 1) (E(X [ Y = 1))
2
= 1, 986 (1, 324)
2
= 1, 986 1, 753
V(X [ Y = 1) = 0, 233
e) Se pide calcular P
_
1
2
y < x < 1 y
_
, para calcular los lmites de integraci on,
es mas facil gracar la region de la probabilidad pedida, es decir:
Debemos calcular los puntos de interseccion, de acuerdo al gr aco:
3x =
1
2
x = x =
1
8
2x =
1
2
x = x =
1
6
3x = 1 x = x =
1
4
MAT042 HSR 96
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
2x = 1 x = x =
1
3
Luego:
P
_
1
2
y < x < 1 y
_
=
_ 1
6
1
8
_
3x
1
2
x
xy
10
dy dx +
_ 1
4
1
6
_
3x
2x
xy
10
dy dx +
_ 1
3
1
4
_
1x
2x
xy
10
dy dx
= 0, 000402
P
_
1
2
y < x < 1 y
_
= 0, 0402 %
3x
2x
dx
=
1
10
_
2
0
x
2
3
_
27x
3
8x
3
_
dx
=
19
30
_
2
0
x
5
dx
=
19
30
_
x
6
6
_
2
0
=
19
180
64
E(XY ) = 6, 756
Finalmente la cov(X, Y ) esta dada por:
cov(X, Y ) = E(XY ) E(X)E(Y )
= 6, 756 1, 6 4, 05
= 6, 756 6, 48
cov(X, Y ) = 0, 276
Por lo que se puede decir que las variables son dependientes (cov(X, Y ) ,= 0) y
existe un relaci on directamente proporcional entre ellas (cov(X, Y ) > 0).
MAT042 HSR 97
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
10.3. Extras, Vectores
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 funcion 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
MAT042 HSR 98
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
MAT042 HSR 99
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
MAT042 HSR 100
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
11. Ayudanta 11
11.1. Vectores Aleatorios Continuos
1. La variable aleatoria bidimensional (X, Y ) tiene funci on densidad conjunta:
f
XY
(x, y) = kx
2
(8 y) 0 x 2 , x < y < 2x
se pide:
a) Funciones de densidad marginales de X e Y .
b) Funciones de densidad condicionales de X e Y .
Desarrollo:
a) Funci on densidad marginal de X:
f
X
(x) =
_
2x
x
kx
2
(8 y) dy
= kx
2
(8 y)
2
2
y=2x
y=x
=
k
2
x
2
_
(8 2x)
2
(8 x)
2
=
k
2
x
2
_
64 32x +x
2
_
64 16x +x
2
__
=
k
2
x
2
_
&
&
64 32x +
x
2
&
&
64 + 16x
x
2
_
=
k
2
x
2
(16x)
= 8kx
3
f
X
(x) = 8kx
3
I
[0,2]
(x)
Funcion densidad marginal de Y :
f
Y
(y) =
_
_
y
y
2
kx
2
(8 y) dx
_
I
[0,2]
(y) +
_
_
2
y
2
kx
2
(8 y)
_
I
[2,4]
(y)
=
_
k (8 y)
x
3
3
x=y
x=
y
2
_
I
[0,2]
(y) +
_
k (8 y)
x
3
3
x=2
x=
y
2
_
I
[2,4]
(y)
=
_
k
3
(8 y)
_
y
3
y
3
8
__
I
[0,2]
(y) +
_
k
3
(8 y)
_
8
y
3
8
__
I
[2,4]
(y)
=
7k
24
(8 y) y
3
I
[0,2]
(y) +
k
24
(8 y)
_
64 y
3
_
I
[2,4]
(y)
f
Y
(y) =
7k
24
(8 y) y
3
I
[0,2]
(y) +
k
24
(8 y)
_
64 y
3
_
I
[2,4]
(y)
MAT042 HSR 101
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
x=1
x=0
dy dz = 1
k
_
1
0
_
1
0
_
1
2
y +
1
2
z +yz
_
dy dz = 1
k
_
1
0
_
y
2
4
+
1
2
yz +
y
2
2
z
_
y=1
y=0
dz = 1
k
_
1
0
_
1
4
+
1
2
z +
1
2
z
_
dz = 1
k
_
1
4
z +
z
2
2
_
1
0
= 1
k
_
3
4
_
= 1
k =
4
3
b) Densidad marginal de X:
f
X
(x) =
4
3
_
1
0
_
1
0
(xy +xz +yz) dy dz
=
4
3
_
1
0
_
x
y
2
2
+xyz +
y
2
2
z
_
y=1
y=0
dz
=
4
3
_
1
0
_
x
2
+xz +
z
2
_
dz
=
4
3
_
x
2
z +x
z
2
2
+
z
2
4
_
z=1
z=0
=
4
3
_
x
2
+
x
2
+
1
4
_
=
4
3
_
4x + 1
4
_
f
X
(x) =
4x + 1
3
I
[0,1]
(x)
MAT042 HSR 103
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Densidad marginal de Y :
f
Y
(y) =
4
3
_
1
0
_
1
0
(xy +xz +yz) dx dz
=
4
3
_
1
0
_
x
2
2
y +
x
2
2
z +xyz
_
x=1
x=0
dz
=
4
3
_
1
0
_
y
2
+
z
2
+yz
_
dz
=
4
3
_
y
2
z +
z
2
4
+y
z
2
2
_
z=1
z=0
=
4
3
_
4y + 1
4
_
f
Y
(y) =
4y + 1
3
I
[0,1]
(y)
Densidad marginal de Z:
f
Z
(z) =
4
3
_
1
0
_
1
0
(xy +xz +yz) dx dy
=
4
3
_
1
0
_
x
2
2
y +
x
2
2
z +xyz
_
x=1
x=0
dy
=
4
3
_
1
0
_
y
2
+
z
2
+yz
_
dy
=
4
3
_
y
2
4
+
z
2
y +
y
2
2
z
_
y=1
y=0
=
4
3
_
1
4
+
z
2
+
z
2
_
=
4
3
_
4z + 1
4
_
f
Z
(z) =
4z + 1
3
I
[0,1]
(z)
X
(x, y) =
1
2
e
1
2
(x
2
+y
2
)
I
R
2 (x, y)
determine:
a) f
Z
(z) si Z =
X +Y
2
b) f
Z
(z) si Z = X
2
+Y
2
Desarrollo:
a) Sea el vector
Z = (Z, W), con Z =
X +Y
2
y denamos W = X. Por lo que
tenemos el siguiente sistema de ecuaciones:
Z =
X +Y
2
W = X
Es claro que X = W y reemplazando esto en la primera se tiene que Y = 2ZW,
es decir x (z, w) = w e y (z, w) = 2z w, por otro lado es evidente que z R y
w R. Luego, debemos calcular J (z, w)
x (z, w) = w
y (z, w) = 2z w
_
_
_
J
_
x, y
z, w
_
=
0 1
2 1
= 2
Recordar que el cambio de variables se realiza de acuerdo a la siguiente f ormula:
f
UV
(u, v) = f
XY
(x (u, v) , y (u, v)) [det (J (u, v)[
Por lo que la funci on densidad conjunta de
Z viene dada por:
f
ZW
(z, w) =
1
2
e
1
2
(w
2
+(2zw)
2
)
[2[ I
R
2 (z, w)
=
1
1
2
(w
2
+4z
2
4zw+w
2
)
I
R
2 (z, w)
=
1
1
2
(2w
2
+4z
2
4zw)
I
R
2 (z, w)
f
ZW
(z, w) =
1
e
(w
2
+2z
2
2zw)
I
R
2 (z, w)
MAT042 HSR 105
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Como se pide la funcion densidad de Z, debemos calcular su funci on densidad
marginal:
f
Z
(z) =
1
e
(w
2
+2z
2
2zw)
dw
=
1
e
(z
2
2zw+w
2
+z
2
)
dw
=
1
e
(w
2
2wz+z
2
)z
2
dw
=
1
e
z
2
_
e
(wz)
2
dw
= Sea
u
2
= (w z)
du
2
= dw
=
1
e
z
2
_
2
e
u
2
2
du
=
1
e
z
2
_
2
e
u
2
2
du
. .
N (0, 1)
f
Z
(z) =
1
e
z
2
I
R
2 (z)
Z W
2
,
es decir x (z, w) = w e y (z, w) =
z w
2
, adem as debemos encontrar el recor-
rido de Z y W. De la relaci on X = W, w R y por otra parte se debe cumplir que
z w
2
0 de donde se obtiene que
z w
z w
z. Ademas de la relacion Z = X
2
+Y
2
se tiene que z R
+
0
. Finalmente, debemos calcular J (z, w)
x (z, w) = w
y (z, w) =
z w
2
_
_
_
J
_
x, y
z, w
_
=
0 1
1
2
z w
2
w
z w
2
=
1
2
z w
2
y
x (z, w) = w
y (z, w) =
z w
2
_
_
_
J
_
x, y
z, w
_
=
0 1
1
2
z w
2
w
z w
2
=
1
2
z w
2
MAT042 HSR 106
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Al multiplicar la funcion densidad conjunta con el [det (J (z, w))[ queda
z w
2
en el denominador por lo que z ]
z,
1
2
w
2
+(
zw
2
)
2
1
2
z w
2
I
R]
z,
z[
(z, w)
= +
1
2
e
1
2
w
2
+(
zw
2
)
2
1
2
z w
2
I
R]
z,
z[
(z, w)
=
1
4
e
1
2
(w
2
+zw
2
)
1
z w
2
I
R]
z,
z[
(z, w)
= +
1
4
e
1
2
(w
2
+zw
2
)
1
z w
2
I
R]
z,
z[
(z, w)
=
1
2
e
1
2
(w
2
+zw
2
)
1
z w
2
I
R]
z,
z[
(z, w)
f
ZW
(z, w) =
1
2
e
z
2
1
z w
2
I
R]
z,
z[
(z, w)
Ahora debemos calcular la funcion densidad marginal de Z:
f
Z
(z) =
_
z
z
1
2
e
z
2
1
z w
2
dw
=
1
2
e
z
2
_
z
z
1
z w
2
dw
=
1
2
e
z
2
_
arcsin
_
w
z
__
z
=
1
2
e
z
2
[arcsin (1) arcsin (1)]
=
1
2
e
z
2
_
2
_
2
__
=
1
2
&
z
2
[
&
]
=
1
2
e
z
2
f
Z
(z) =
1
2
e
z
2
I
R
+
0
(z)
Es decir la funci on densidad marginal de Z es exponencial de parametro =
1
2
.
I
[0,1]
(x)
obtener el estimador de por el metodo de los momentos.
Desarrollo:
Para encontrar el estimador, debemos igualar el primer momento poblacional con el
primer momento muestral, es decir:
E(x) =
n
i=1
x
i
n
Por lo que calcularemos:
E(x) =
_
1
0
x (1 +) x
dx
= (1 +)
_
1
0
x
(1+)
dx
= (1 +)
_
x
(2+)
2 +
_
1
0
=
1 +
2 +
Sea
n
i=1
x
i
n
= X
n
,
1 +
2 +
= X
n
1 + = 2X
n
+X
n
X
n
= 2X
n
1
_
1 X
n
_
= 2X
n
1
=
2X
n
1
1 X
n
=
2
n
i=1
x
i
n
1
1
n
i=1
x
i
n
MAT042 HSR 108
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Es el estimador de encontrado por el metodo de los momentos.
2. Sean X
1
, X
2
, . . . , X
n
iid, proveniente de:
f
X
(x, ) =
_
_
_
e
x+
, x >
0 , en otro caso
obtener el estimador de por el metodo de los momentos.
Desarrollo:
Debemos igualar:
E(x) =
n
i=1
x
i
n
y
E(x) =
_
xe
x+
dx
= xe
x+
+
_
e
x+
dx
. .
1
= + 1
Sea
n
i=1
x
i
n
= X
n
igualando tenemos:
+ 1 = X
n
= 1 X
n
= 1
n
i=1
x
i
n
Es el estimador por el metodo de los momentos para .
_
1
x
_
+1
, x > 1, > 1
0 , en otro caso
obtener el estimador m aximo verosmil de .
Desarrollo:
Primero, denimos la funci on de verosimilitud
f
X
i
(x
1
, x
2
, . . . , x
n
) =
n
i=1
_
1
x
i
_
+1
I
]1,[
(x
i
)
Luego, aplicamos logaritmo natural y obtenemos la funci on Log-Verosmil
ln f
X
i
(x
1
, x
2
, . . . , x
n
) = ln
n
i=1
_
1
x
i
_
+1
I
]1,[
(x
i
)
=
n
i=1
_
ln
_
1
x
i
_
+1
I
]1,[
(x
i
)
_
=
n
i=1
_
ln + ln
_
1
x
i
_
+1
+ ln I
]1,[
(x
i
)
_
=
n
i=1
ln ( + 1)
n
i=1
ln x
i
+
n
i=1
ln I
]1,[
(x
i
)
= nln ( + 1)
n
i=1
ln x
i
+
n
i=1
ln I
]1,[
(x
i
)
Luego derivamos con respecto al parametro e igualamos a cero,
L
=
n
i=1
ln x
i
= 0 =
=
n
n
i=1
ln x
i
Finalmente calculamos la segunda derivada, para ver que tipo de estremo se tiene en
el punto encontrado anteriormente,
2
L
2
=
n
=
n
2
< 0 n N,
R
MAT042 HSR 110
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
=
n
n
i=1
ln x
i
Es el estimador de Maxima Verosimilitud para .
2. Sea X
1
, X
2
, . . . , X
n
una muestra aleatoria de una poblacion X con funcion densidad
dada por:
f
X
(x, ) =
_
_
_
3x
2
e
x
3
si x > 0, > 0
0 si x 0
a) Obtener el EMV de .
b) Es insesgado el estimador de ?
c) Es Consistente en Error Cuadratico Medio?
d) Calcule la cota de Cr amer-Rao para
.
Desarrollo:
a) Funci on de verosimilitud
f
X
i
(x
1
, x
2
, . . . , x
n
) =
n
i=1
3x
2
i
e
x
3
i
I
R
+ (x
i
)
Funcion Log-Verosmil
ln f
X
i
(x
1
, x
2
, . . . , x
n
) = ln
n
i=1
3x
2
i
e
x
3
i
I
R
+ (x
i
)
=
n
i=1
ln 3x
2
i
e
x
3
i
I
R
+ (x
i
)
=
n
i=1
_
ln 3 + ln + 2 ln x
i
x
3
i
+ ln I
R
+ (x
i
)
=
n
i=1
ln 3 +
n
i=1
ln + 2
n
i=1
ln x
i
i=1
x
3
i
+
n
i=1
ln I
R
+ (x
i
)
= nln 3 +nln + 2
n
i=1
ln x
i
i=1
x
3
i
+
n
i=1
ln I
R
+ (x
i
)
MAT042 HSR 111
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Derivamos e igualamos a cero
L
=
n
i=1
x
3
i
= 0 =
=
n
n
i=1
x
3
i
Calculamos la segunda derivada y vemos su signo
2
L
2
=
n
=
n
2
< 0 n N,
R
Con lo anterior tenemos que
=
n
n
i=1
x
3
i
Es el estimador de Maxima Verosimilitud para .
_
=
E
_
_
= E
_
n
n
i=1
x
3
i
_
=
n
n
i=1
E
_
x
3
i
_
Aparte
E
_
x
3
_
=
_
0
x
3
3x
2
e
x
3
dx
= x
3
e
x
3
0
+
_
0
3x
2
e
x
3
dx
=
1
_
0
3x
2
e
x
3
dx
. .
1
=
1
Reemplazando,
n
n
i=1
E
_
x
3
i
_
=
n
n
i=1
1
=
&
n
&
n
=
MAT042 HSR 112
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
E
_
_
=
Por lo que el estimador es insesgado.
c) Como el estimador es insesgado, para que sea Consistente en Error Cuadr atico
Medio, debe cumplir que:
lm
n
V
_
_
= 0
Por lo que calcularemos su varianza.
V
_
_
= V
_
n
n
i=1
x
3
i
_
=
n
2
n
i=1
V
_
x
3
i
_
=
n
2
n
i=1
_
E
_
x
6
i
_
_
E
_
x
3
i
_
2
_
Aparte,
E
_
x
6
_
=
_
0
x
6
3x
2
e
x
3
dx
= x
6
e
x
3
0
+
_
0
6x
5
e
x
3
dx
=
2
_
0
x
3
3x
2
e
x
3
dx
. .
E(x
3
)
=
2
=
2
2
Reemplazando,
n
2
n
i=1
_
E
_
x
6
i
_
_
E
_
x
3
i
_
2
_
=
n
2
n
i=1
_
2
2
_
1
_
2
_
=
n
2
n
i=1
1
2
=
n
2
&
n
2
MAT042 HSR 113
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
V
_
_
= n
2
nalmente se tiene,
lm
n
n
2
= , = 0
Es decir, es estimador NO es Consistente en Error Cuadr atico Medio.
2
L
2
_
luego calculamos:
e
_
2
L
2
_
= E
_
2
_
=E
_
2
L
2
_
=
n
2
Reemplazando tenemos,
V()
1
2
_
V()
2
n
Es la cota de Cramer-Rao para .
=
_
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
MAT042 HSR 115
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
b) El error viene dado por t
n1;1
2
S
n
.
1 = 0, 95 = = 0, 05 = 1
2
= 0, 975
.
t
n1;1
2
S
n
= t
63;0,975
S
n
n 1
= 1, 998
6
63
Error = 1, 51
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
MAT042 HSR 116
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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 b asico es de 5[cm].
a) Se seleccionan 36 ni nos, observ andose una media de 130[cm], construya un inter-
valo 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
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
proporci 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]
MAT042 HSR 118
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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
_
IC
p
A
= [0, 352; 0, 547]
4. Sea X
1
, X
2
, . . . , X
n
una m.a. de una distribucion con funcion 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
MAT042 HSR 119
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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
_
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]
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:
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
MAT042 HSR 121
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
vi ) Finalmente, como no se cumple la condici on de rechazo para H
0
, decimos que no
hay evidencia suciente para rechazar esta.
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:
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;
.
MAT042 HSR 122
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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 hipotesis de
que la varianza es menor a la varianza hist orica.
x
4
=1
x
4
=
1
3
dx
3
dx
2
dx
1
= 8
_ 1
2
0
_
1
0
_
2
0
x
1
x
2
x
3
_
1
1
9
_
dx
3
dx
2
dx
1
=
64
9
_ 1
2
0
_
1
0
_
2
0
x
1
x
2
x
3
dx
3
dx
2
dx
1
=
64
9
_ 1
2
0
_
1
0
x
1
x
2
x
2
3
2
x
3
=1
x
3
=0
dx
2
dx
1
=
32
9
_ 1
2
0
_
1
0
x
1
x
2
dx
2
dx
1
=
32
9
_ 1
2
0
x
1
x
2
2
2
x
2
=1
x
2
=0
dx
1
=
16
9
_ 1
2
0
x
1
dx
1
=
16
9
_
x
2
1
2
_
x
1
=
1
2
x
1
=0
=
8
9
_
1
4
_
P(X
1
< 1/2, X
4
> 1/3) =
2
9
Otra forma es calcular la densidad marginal de (X
1
, X
4
) y luego calcular lo pedido.
MAT042 HSR 124
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Es decir:
f (x
1
, x
4
) =
_
1
0
_
1
0
16x
1
x
2
x
3
x
4
dx
3
dx
2
= 8
_
1
0
16x
1
x
2
x
4
dx
2
= 4x
1
x
4
f (x
1
, x
4
) = 4x
1
x
4
I
[0,1][0,1]
(x
1
, x
4
)
Luego la probabilidad pedida es:
P(X
1
< 1/2, X
4
> 1/3) =
_ 1
2
0
_
1
1
3
4x
1
x
4
dx
4
dx
1
= 4
_ 1
2
0
x
1
x
2
4
2
x
4
=1
x
4
=
1
3
dx
1
= 2
_ 1
2
0
x
1
_
1
1
9
_
dx
1
=
16
9
_ 1
2
0
x
1
dx
1
=
16
9
_
x
2
1
2
_
1
2
0
=
8
9
_
1
4
_
P(X
1
< 1/2, X
4
> 1/3) =
2
9
b) La densidad marginal de X
1
.
Desarrollo:
f
X
1
(x
1
) =
_
1
0
_
1
0
_
1
0
16x
1
x
2
x
3
x
4
dx
4
dx
3
dx
2
= 8
_
1
0
_
1
0
x
1
x
2
x
3
dx
3
dx
2
= 4
_
1
0
x
1
x
2
dx
2
= 2x
1
f
X
1
(x
1
) = 2x
1
I
[0,1]
(x
1
)
x
e
x
0
. .
0
+
_
0
e
x
dx
. .
1
_
_
dy = 1
k
_
0
ye
y
dy = 1
k
_
y
e
y
0
. .
0
+
_
0
e
y
dy
. .
1
_
_
= 1
k = 1
c) Son independientes X e Y ?
Desarrollo:
Las variables SON independientes, pues:
xye
(x+y)
I
R
+
0
,R
+
0
(x, y) = xe
x
I
R
+
0
(x) ye
y
I
R
+
0
(y)
i=1
q
j=1
k (i +j) = 1
k
n
i=1
q
j=1
(i +j) = 1
k
n
i=1
_
q
j=1
(i +j)
_
= 1
k
n
i=1
_
q
j=1
i +
q
j=1
j
_
= 1
k
n
i=1
_
qi +
q (q + 1)
2
_
= 1
k
_
n
i=1
qi +
n
i=1
q (q + 1)
2
_
= 1
k
_
q
n
i=1
i +n
q (q + 1)
2
_
= 1
k
_
q
n(n + 1)
2
+n
q (q + 1)
2
_
= 1
k
_
nq (n + 1) +nq (q + 1)
2
_
= 1
k
_
nq (n +q + 2)
2
_
= 1
k =
2
nq (n +q + 2)
j=1
(i +j)
= k
_
q
j=1
i +
q
j=1
j
_
= k
_
qi +
q (q + 1)
2
_
=
k
2
_
2qi +q
2
+q
_
=
(2qi +q
2
+q)
nq (n +q + 2)
=
q (2i +q + 1)
n
q (n +q + 2)
P(X = i) =
(2i +q + 1)
n(n +q + 2)
i = 1, 2, . . . , n
Funcion de cuanta marginal de Y = j:
P(Y = j) = k
n
i=1
(i +j)
= k
_
n
i=1
i +
n
i=1
j
_
= k
_
n(n + 1)
2
+nj
_
=
k
2
_
n
2
+n + 2nj
_
=
(n
2
+n + 2nj)
nq (n +q + 2)
=
&
n(n + 1 + 2j)
&
nq (n +q + 2)
P(Y = j) =
(2j +n + 1)
q (n +q + 2)
j = 1, 2, . . . , q
i=1
i
_
(2i +q + 1)
n(n +q + 2)
_
=
1
n(n +q + 2)
_
n
i=1
_
2i
2
+qi +i
_
_
=
1
n(n +q + 2)
_
2
n
i=1
i
2
+q
n
i=1
i +
n
i=1
i
_
=
1
n(n +q + 2)
_
2
_
n(n + 1) (2n + 1)
6
_
+q
_
n(n + 1)
2
_
+
n(n + 1)
2
_
=
1
n(n +q + 2)
_
2n(n + 1) (2n + 1) + 3qn(n + 1) + 3n(n + 1)
6
_
=
&
n(n + 1)
&
n(n +q + 2)
(2 (2n + 1) + 3q + 3)
=
(n + 1) (2 (2n + 1) + 3q + 3)
(n +q + 2)
E(X = i) =
(n + 1) (3q + 4n + 5)
(n +q + 2)
Esperanza marginal de Y = j:
E(Y = j) =
q
j=1
j
_
(2j +n + 1)
q (n +q + 2)
_
=
1
q (n +q + 2)
_
q
j=1
_
2j
2
+nj +j
_
_
=
1
q (n +q + 2)
_
2
q
j=1
j
2
+n
q
j=1
j +
q
j=1
j
_
=
1
q (n +q + 2)
_
2
_
q (q + 1) (2q + 1)
6
_
+n
_
q (q + 1)
2
_
+
q (q + 1)
2
_
=
1
q (n +q + 2)
_
2q (q + 1) (2q + 1) + 3nq (q + 1) + 3q (q + 1)
6
_
=
q (q + 1)
q (n +q + 2)
(2 (2q + 1) + 3n + 3)
=
(q + 1) (2 (2q + 1) + 3n + 3)
(n +q + 2)
E(Y = j) =
(q + 1) (3n + 4q + 5)
(n +q + 2)
MAT042 HSR 130
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
_
2
, [ x [ 1, 0 y 1, x
2
+y
2
1
0 , en otro caso
a) Determine la distribuciones condicionales de X [ Y = y e Y [ X = x.
b) Verique que E(Y ) = E(E[Y [ X]) cuando X es aleatorio. Notar que E(Y [ X) =
g(X).
Desarrollo:
a) La funci on densidad de X [ Y = y y Y [ X = x por denicion son:
f
X|Y =y
(x) =
f
XY
(x, y)
f
Y
(y)
y f
Y |X=x
(x) =
f
XY
(x, y)
f
X
(x)
donde
f
X
(x) =
_
1x
2
0
2
dy
=
2
1x
2
0
f
X
(x) =
_
_
2
1 x
2
, 1 x 1
0 , en otro caso
f
Y
(y) =
_
1y
2
1y
2
2
dx
=
2
1y
2
1y
2
=
2
_
_
1 y
2
+
_
1 y
2
_
f
Y
(y) =
_
_
4
_
1 y
2
, 0 y 1
0 , en otro caso
MAT042 HSR 131
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Reemplazando tenemos:
f
X|Y =y
=
2/
4
_
1 y
2
f
X|Y =y
(x) =
_
_
1
2
_
1 y
2
,
_
1 y
2
x
_
1 y
2
, y (0, 1)
0 , en otro caso
f
Y |X=x
=
2/
2
1 x
2
f
Y |X=x
(y) =
_
_
1
1 x
2
, 0 y
1 x
2
, x (1, 1)
0 , en otro caso
_
1 y
2
dy
=
4
1
3
(1 y
2
)
3/2
_
1
0
E(Y ) =
4
3
Por otra parte:
E(Y [ X = x) =
_
1x
2
0
y
1
1 x
2
dy
=
1
1 x
2
y
2
2
1x
2
0
=
1 x
2
2
MAT042 HSR 132
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Luego, E(Y [ X) = g(X) =
1 x
2
2
es una variable aleatoria con valor esperado
E(g(X)) =
_
1
1
1 x
2
2
2
1 x
2
dx
=
1
_
1
1
_
1 x
2
_
dx
=
1
_
x
x
3
3
_
1
1
=
4
3
E(E[Y [ X]) =
4
3
Por lo tanto verica que
E(Y ) = E(E[Y [ X])
(1 +y)
1
1
I
R
+ (y) con > 0
Suponga una m.a.(n) de esta distribucion. Determine un estimador de m axima verosimil-
itud para . Es eciente? Es insesgado?
Desarrollo:
Primero, denimos la funci on de verosimilitud,
f
Y
i
(y
i
, ) =
n
i=1
1
(1 +y
i
)
1
1
I
R
+ (y
i
)
Luego funcion Log-Verosmil,
ln f
Y
i
(y
i
, ) = ln
n
i=1
1
(1 +y
i
)
1
1
I
R
+ (y
i
)
=
n
i=1
_
ln
_
1 +
1
_
ln (1 +y
i
) + ln I
R
+ (y
i
)
_
=
n
i=1
ln
n
i=1
ln (1 +y
i
)
1
i=1
ln (1 +y
i
) +
n
i=1
ln I
R
+ (y
i
)
= nln
n
i=1
ln (1 +y
i
)
1
i=1
ln (1 +y
i
) +
n
i=1
ln I
R
+ (y
i
)
MAT042 HSR 133
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Luego derivamos con respecto al parametro e igualamos a cero,
L
=
n
+
1
2
n
i=1
ln (1 +y
i
) = 0 =
=
n
i=1
ln (1 +y
i
)
n
Ahora, calculamos su segunda derivada y evaluamos,
2
L
2
=
_
n
2
2
3
n
i=1
ln (1 +y
i
)
_
=
n
2n
3
n
i=1
ln (1 +y
i
)
n
=
n
2n
=
n
2n
2
L
=
n
2
< 0 n N,
R
por lo que el estimador de M axima verosimilitud para es:
=
n
i=1
ln (1 +y
i
)
n
Para analizar si es eciente, debemos calcular su varianza y compararla con la cota de
Cr amer-Rao,
V
_
_
= V
_
n
i=1
ln (1 +y
i
)
n
_
=
1
n
2
n
i=1
V(ln (1 +y
i
))
=
1
n
2
n
i=1
_
E
_
ln
2
(1 +y
i
)
_
[E(ln (1 +y
i
))]
2
_
MAT042 HSR 134
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Aparte,
E(ln (1 +y)) =
_
0
ln (1 +y)
1
(1 +y)
1
1
dy
= ln (1 +y) (1 +y)
0
+
_
0
(1 +y)
1
(1 +y)
dy
=
_
0
(1 +y)
1
1
dy
=
(1 +y)
0
=
_
_
&
&
&
&
&
&b
0
1
(1 +)
1
&
&
&
&
&b
1
1
(1 + 0)
1
_
=
y
E
_
ln
2
(1 +y)
_
=
_
0
ln
2
(1 +y)
1
(1 +y)
1
1
dy
= ln
2
(1 +y) (1 +y)
0
+
_
0
(1 +y)
2 ln (1 +y)
(1 +y)
dy
=
_
0
(1 +y)
1
1
2 ln (1 +y) dy
= 2
_
0
ln (1 +y)
1
(1 +y)
1
1
dy
. .
E(ln(1+y))
= 2
= 2
2
reemplazando se tiene,
1
n
2
n
i=1
_
E
_
ln
2
(1 +y
i
)
_
[E(ln (1 +y
i
))]
2
_
=
1
n
2
n
i=1
_
2
2
()
2
_
=
1
n
2
n
i=1
2
=
1
n
2
&
n
2
=
2
n
V
_
_
=
2
n
MAT042 HSR 135
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Por otro lado la cota de Cr amer-Rao es,
V()
1
E
_
2
L
2
_
ahora calculamos,
E
_
2
L
2
_
= E
_
n
2
2
3
n
i=1
ln (1 +y
i
)
_
= E
_
n
2
_
E
_
2
3
n
i=1
ln (1 +y
i
)
_
=
n
2
2
3
n
i=1
E(ln (1 +y
i
))
=
n
2
2
3
n
i=1
=
n
2
2
3
n
=
n
2
2n
2
=
n
2
luego,
V()
1
E
_
2
L
2
_
2
_
1
n
2
V
_
2
n
es la cota de Cramer-Rao para y como la varianza es igual a ella, el estimador es
eciente.
MAT042 HSR 136
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Para analizar insesgamiento, debemos demostrar que E
_
_
=
E
_
_
= E
_
n
i=1
ln (1 +y
i
)
n
_
=
1
n
n
i=1
E(ln (1 +y
i
))
=
1
n
n
i=1
=
1
&
n
&
n
=
E
_
_
=
por lo que el estimador es insesgado.
i=1
(x
i
x)
2
b) La varianza s
2
satisface:
s
2
=
1
n
n
i=1
x
2
i
x
2
Desarrollo:
a) Sea la funcion:
f(a) =
1
n
n
i=1
(x
i
a)
2
Si minimizamos esta funci on para a
f(a)
a
=
1
n
n
i=1
2(x
i
a) (1) = 0
(x
i
)
a = 0
x
i
= n a
x = a
Por lo tanto, la varianza se minimiza con a = x
(x
i
x)
2
=
1
n
(x
2
i
2x
i
x +x
2
)
=
1
n
x
2
i
1
n
2x
x
i
+
1
n
x
2
)
=
1
n
x
2
i
2x
1
n
x
i
+
1
n
n x
2
)
=
1
n
x
2
i
2x x +x
2
)
=
1
n
x
2
i
2x
2
+x
2
)
=
1
n
x
2
i
x
2
s
2
=
1
n
n
i=1
x
2
i
x
2
c) Si transformamos x
, Y ) = 0.93 y el R
2
del modelo
Y = a
+b
es 0, 85.
+b
log(X)
x
2
x
I
]0,[(x)
a) Calcular la constante k para que sea funci on densidad.
b) Encontrar la f.g.m. de f.
c) Encontrar c tal que P(0 < X < c) = 0, 8. Siendo X con funcion densidad f.
Desarrollo:
a) Debe cumplir que
_
0
f
X
(x) dx = 1
_
0
k
e
x
2
x
dx = 1
k =
1
_
0
e
x
2
x
dx
Resolvenremos aparte la intengral:
_
0
e
x
2
x
dx = 2
_
0
e
z
2
2
dz
. .
Aparte
(haciendo: z
2
= x 2z dz = dx)
Aparte, sea:
_
0
e
z
2
2
dz = I =
__
0
e
z
2
2
dz
_
2
= I
2
Resolvamos I
2
:
__
0
e
z
2
2
dz
_
2
=
__
0
e
z
2
2
dz
_
__
0
e
z
2
2
dz
_
=
__
0
e
z
2
2
dz
_
__
0
e
y
2
2
dy
_
=
_
0
_
0
e
z
2
2
e
y
2
2
dz dy
=
_
0
_
0
e
z
2
2
y
2
2
dz dy
=
_
0
_
0
e
1
2
(z
2
+y
2
)
dz dy
MAT042 HSR 142
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
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
por lo que:
_
0
_
0
e
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
luego se tiene:
k =
1
2
_
2
MAT042 HSR 143
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
k =
1
X
(t) = E
_
e
Xt
_
=
_
0
e
xt
1
2x
e
x
2
dx
luego, desarrollamos:
_
0
e
xt
1
2x
e
x
2
dx =
1
2
_
0
1
x
e
x(t
1
2
)
dx
=
1
2
_
0
1
x
e
x(
1
2
t)
dx (la integral solo converge si t <
1
2
)
= haciendo u
2
= x 2u du = dx
=
2
2
_
0
e
u
2
(
1
2
t)
du
. .
Aparte
Aparte, sea:
_
0
e
u
2
(
1
2
t)
du = I =
__
0
e
u
2
(
1
2
t)
du
_
2
= I
2
Resolvamos I
2
:
__
0
e
u
2
(
1
2
t)
du
_
2
=
__
0
e
u
2
(
1
2
t)
du
_
__
0
e
u
2
(
1
2
t)
du
_
=
__
0
e
u
2
(
1
2
t)
du
_
__
0
e
z
2
(
1
2
t)
dz
_
=
_
0
_
0
e
u
2
(
1
2
t)
e
z
2
(
1
2
t)
du dz
=
_
0
_
0
e
u
2
(
1
2
t)z
2
(
1
2
t)
du dz
=
_
0
_
0
e
(u
2
+z
2
)(
1
2
t)
du dz
Haciendo el siguiente cambio de variables:
u = r cos z = r sin con 0
2
y 0 r <
MAT042 HSR 144
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
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
)(
1
2
t)
du dz =
_
2
0
_
0
e
[(r cos )
2
+(r sin )
2
](
1
2
t)
r dr d
=
_
2
0
_
0
e
[r
2
(cos
2
+sin
2
)](
1
2
t)
r dr d
=
_
2
0
_
0
e
r
2
(
1
2
t)
r dr d
=
_
2
0
e
r
2
(
1
2
t)
2
_
1
2
t
_
r=
r=0
d
=
1
2
_
1
2
t
_
_
2
0
_
$
$
$
$
$
$X
0
e
2
(
1
2
t)
$
$
$
$
$$X
1
e
0
2
(
1
2
t)
_
d
=
1
2
_
1
2
t
_
_
2
0
(1) d
=
1
2
_
1
2
t
_
_
2
0
d
=
1
2
_
1
2
t
_
2
0
=
2 (1 2t)
I
2
=
2 (1 2t)
=I =
_
2 (1 2t)
, es decir:
2
2
_
0
e
u
2
(
1
2
t)
du =
2
2
_
2 (1 2t)
MAT042 HSR 145
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
por lo que se tiene:
=
&
&
2
&
&
&
&
&
&
1 2t
=
_
1
1 2t
X
(t) =
_
1
1 2t
con t <
1
2
c)
P(0 < X < c) = 0, 8
P(0 < X < c) = 0, 4 X N(0, 1)
P(X < c) P(X < 0) = 0, 4
P(X > c) P(X > 0) = 0, 4
(c) (0) = 0, 4
(c)
1
2
= 0, 4
(c) = 0, 9
1
((c)) =
1
(0, 9)
c =
1
(0, 9)
c = 1, 285( Aproximadamente)
x
3
I
[0,[
(x) ; > 0
a) Se dene Y =
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)
2
][0,
2
]
(x, y)
determine:
a) k.
Desarrollo:
_
2
0
_
2
0
k (cos (x) + cos (y)) dx dy = 1
k
_
2
0
(sen (x) + cos (y) x)[
x=
2
x=0
dy = 1
k
_
2
0
_
1 + cos (y)
2
_
dy = 1
k
_
y +
2
sen (y)
_
2
0
= 1
k
_
2
+
2
_
= 1
k = 1
k =
1
y=
2
y=0
=
1
2
cos (x) + 1
_
f
X
(x) =
1
2
cos (x) + 1
_
I
[0,
2
]
(x)
MAT042 HSR 148
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Por simetra
f
Y
(y) =
1
2
cos (y) + 1
_
I
[0,
2
]
(y)
c) Son independientes X e Y ?
Desarrollo:
Las variables NO son independientes, pues:
1
2
cos (x) + 1
_
2
cos (y) + 1
_
2
cos (x) + 1
_
dx
=
1
_
2
0
_
2
x cos (x) +x
_
dx
=
1
2
_
2
0
x cos (x) dx +
1
_
2
0
x dx
=
1
2
_
x sen (x)[
2
0
_
2
0
sen (x) dx
_
+
_
x
2
2
_
2
0
=
1
2
_
2
+ cos (x)[
2
0
_
+
2
8
=
1
2
_
2
1
_
+
2
8
E(X) =
2
+ 2 4
8
Por simetra
E(Y ) =
2
+ 2 4
8
2
cos (y) + 1
_
f
X|Y =y
(x) =
cos (x) + cos (y)
2
cos (y) + 1
I
[0,
2
]
(x)
f
Y |X=x
(y) esta dada por:
f
Y |X=x
(y) =
f (x, y)
f
X
(x)
=
1
2
cos (x) + 1
_
f
Y |X=x
(y) =
cos (x) + cos (y)
2
cos (x) + 1
I
[0,
2
]
(y)
: Clientes no Morosos.
A: Clientes atrasado en un pago.
P(M) = 0, 05 , P
_
M
_
= 0, 95 , P(A [ M) = 1 , P
_
A [ M
_
= 0, 2
b) Se pide,
P(A) = P(A [ M) P(M) +P
_
A [ M
_
P
_
M
_
= 1 0, 05 + 0, 2 0, 95 = 0, 24
d) Para cancelar la lnea de credito se debe cumplir que P(M [ A) > 0, 25, dado que se
tiene que: 0, 2083 > 0, 25, entonces no exste posibilidad de cerrarla.
c) En el caso de precio de venta y tasaci on de las mejores, observamos que hay dos grupos
de datos: un grupo que asemeja una recta y otro m as bien disperso por sobre el anterior,
lo que se conrma con el valor de la correlacion de 0.447, considerada como baja.
En el caso de precio de venta y tasaci on del terreno, la relacion lineal es mucho mas
clara , existiendo datos alejados del patr on com un, pero muchos menos que en caso
anterior. Adem as, la correlaci on es 0.793, lo que justica un ajuste lineal.
x
3
3
_
100
0
= 1
k
_
500000
1000000
3
_
= 1
k
_
1500000 1000000
3
_
= 1
k
_
500000
3
_
= 1
k =
3
500000
b) Si el benecio neto G obtenido al vender esta aleaci on, es una funci on del porcentaje de
plomo X y es dada por:
G(X) =
100
X + 1
i) Encontrar la funci on densidad de G(x)
Desarrollo:
MAT042 HSR 158
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Sea G(X) = Y
F
Y
(y) = P(Y y)
= P
_
100
X + 1
y
_
= P
_
100
y
X + 1
_
= P
_
100
y
1 X
_
= 1 P
_
X
100
y
1
_
= 1 F
X
_
100
y
1
_
= 1 F
X
_
100 y
y
_
Derivando tenemos:
dF
Y
(y)
dy
= f
X
_
100 y
y
__
100
y
2
_
=
3
500000
100
y
2
100 y
y
_
100
100 y
y
_
F
Y
(y) =
3
5000
_
(100 y) (101y 100)
y
4
_
I
[
100
101
,100]
(y)
10200
y
+
5000
y
2
101 ln (y)
_
100
100
101
=
3
5000
_
_
10200
100
+
5000
100
2
101 ln (100)
_
10200
100
101
+
5000
_
100
101
_
2
101 ln
_
100
101
_
__
=
3
5000
[566, 622 (5250, 995)]
=
3
5000
(4684, 372)
(Y ) = 2, 811
1
0
_
Notar que s olo converge si 2t + 1 > 0 =t <
1
2
_
=
1
1 2t
Y
(t) =
1
1 2t
Con t <
1
2
b) Si T
1
, T
2
, . . . , T
8
son los tiempos entre solicitudes de trabajo que llegan a una cada una de
8 impresoras, y todas ellas siguen una distribucion exponencial con tasa media de llegada
2.5 minutos. Calcule la probabilidad de que 5 de ellas no reciban solicitudes por al menos 1
minuto.
Desarrollo:
Sea T
i
exp
_
1
2.5
_
i = 1, 2, . . . , 8
Sea Y : Cantidad de impresoras que no reciben solicitudes. Y en minutos.
Y Bin(n, p) con n = 8 y p =
_
1
2
5
e
2
5
x
dx
_
1
2
5
e
2
5
x
dx =
_
e
2
5
x
_
1
=
_
B
0
e
2
5
2
5
1
_
= e
2
5
MAT042 HSR 161
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
p = 0, 67
Por lo que nalmente debemos calcular:
P(Y = 5) =
_
8
5
_
0, 67
5
(1 0, 67)
85
= 0, 27
Por lo tanto la probabilidad de que 5 de ellas no reciban solicitudes en al menos 1 minuto es
del 27 % .
c) Supongamos que una partcula es lanzada desde el origen del plano xy en lnea recta que
forma un angulo con el eje x. Sea Y la segunda coordenada del punto cuando la partcula
choca con la recta x = 1. Mostrar que si el angulo se distribuye uniformemente en el intervalo
[
2
,
2
] entonces:
f(y) =
_
(1 +y
2
)
1
, < y <
Desarrollo:
Sea U
_
2
,
2
() =
2
< <
2
se tiene la relaci on Y = tan (), con la que calcularemos la funci on densidad de Y .
F
Y
(y) = P(Y y)
= P(tan () y)
= P( arctan (y))
= F
(arctan (y))
=
arctan (y)
_
1
1 +y
2
_
los limites de y se obtienen de la relacion Y = tan (), de la cual se tiene que:
si =
2
arctan (y) =
2
=y
si =
2
arctan (y) =
2
=y
f(y) =
_
_
1 +y
2
_
1
, < y <
ke
|x|
x = 2
_
0
ke
x
x
k =
1
2
X
(t) =
_
e
xt
1
2
e
|x|
x
=
1
2
_
0
e
xt
e
x
x +
1
2
_
0
e
xt
e
x
x
=
1
1 t
2
X
(t) =
1
1 t
2
t ,= 1
X
(0) =
2t
(1 t
2
)
2
t=0
= 0
E(X
2
) =
X
(0) =
2 + 6t
2
(1 t
2
)3
t=0
= 2
E(X
3
) =
X
(0) =
24t 24t
3
(1 t
2
)
4
t=0
= 0
E(X
4
) =
(4)
X
(0) = 24
MAT042 HSR 163
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Adem as,
E(Y ) = E(25X
2
) = 25E(X
2
) = 25 2 = 50
E(Y
2
) = E(625X
4
) = 625E(X
4
) = 625 24 = 15000
Por lo tanto, V (X) = 15000 2500 = 12500.
I
]0,1[
(x), > 1.
a) Determine un estimador de m axima verosimilitud para =
1
+1
.
Desarrollo:
Sea =
1
x
1
1
I
]0,1[
(x), > 0
Luego, el estimador viene dado por:
f (x
1
, x
2
, . . . , x
n
, ) =
n
i=1
1
(x
i
)
1
1
I
]0,1[
(x
i
)
ln f (x
i
, ) = ln
n
i=1
1
(x
i
)
1
1
I
]0,1[
(x
i
)
=
n
i=1
_
ln +
_
1
1
_
ln x
i
+ ln I
]0,1[
(x
i
)
_
=
n
i=1
ln +
1
i=1
ln x
i
i=1
ln x
i
+
n
i=1
ln I
]0,1[
(x
i
)
= nln +
1
i=1
ln x
i
i=1
ln x
i
+
n
i=1
ln I
]0,1[
(x
i
)
Luego,
L
=
n
2
n
i=1
ln x
i
= =
n
i=1
ln x
i
n
MAT042 HSR 165
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Ahora,
2
L
2
=
_
n
2
+
2
3
n
i=1
ln x
i
_
=
=
n
2
+
2
3
n
i=1
ln x
i
=
n
2
+
2n
3
_
i=1
ln x
i
n
_
=
n
2
2n
3
=
n
2
2n
2
=
n
2
Finalmente,
2
L
=
=
n
2
< 0 n N, R
=
n
i=1
ln x
i
n
Es el estimador de MV para .
i=1
ln x
i
n
_
=
1
n
n
i=1
E(ln x
i
)
=
1
n
n
i=1
__
1
0
ln(x
i
)
1
x
1
1
i
dx
i
_
= (sea u = ln x
i
du =
1
x
i
dx
i
y dv =
1
x
1
1
i
dx
i
v = x
1
i
)
=
1
n
n
i=1
_
x
1
i
ln x
i
1
0
_
1
0
1
x
i
x
1
i
dx
i
_
= notar que lm
x
i
0
x
1
i
ln x
i
= 0 y lm
x
i
1
x
1
i
ln x
i
= 0
=
1
n
n
i=1
_
_
1
0
1
x
i
x
1
i
dx
i
_
=
1
n
n
i=1
_
_
1
0
1
x
1
1
i
dx
i
_
=
1
n
n
i=1
()
=
1
n
(n)
=
Por lo tanto, el estimador es insesgado, ya que se cumple que E( ) = .
2
L
2
_
MAT042 HSR 167
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Aparte,
E
_
2
L
2
_
= E
_
n
2
+
2
3
n
i=1
ln x
i
_
=
n
2
2
3
n
i=1
E(ln x
i
)
=
n
2
2
3
n
i=1
()
=
n
2
2
3
(n)
=
n
2
+
2n
2
=
n
2
V()
2
n
Ahora, calculamos la varianza del estimador,
V( ) = V
_
i=1
ln x
i
n
_
=
1
n
2
n
i=1
V(ln x
i
)
=
1
n
2
n
i=1
_
E
_
ln
2
x
i
_
(E(ln x
i
))
2
=
1
n
2
n
i=1
_
E
_
ln
2
x
i
_
()
2
x
1
1
dx
= (sea u = ln
2
x du =
2 ln x
x
dx y dv =
1
x
1
1
dx v = x
1
)
= x
1
ln
2
x
1
0
_
1
0
2 ln x
x
x
1
dx
= notar que lm
x0
x
1
ln
2
x = 0 y lm
x1
x
1
ln
2
x = 0
=
_
1
0
2 ln x
x
x
1
dx
= 2
_
1
0
ln x
1
x
1
1
dx
= 2()
= 2
2
Reemplazando,
1
n
2
n
i=1
_
E
_
ln
2
x
i
_
()
2
=
1
n
2
n
i=1
_
2
2
()
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
y como la varianza del estimador es igual a la cota de Cr amer-Rao, el estimador es eciente.
y
E(X [ Y = y) P(Y = y)
=
y
_
x
xP(X = x [ Y = y)
_
P(Y = y)
=
x
xP(X = x [ Y = y) P(Y = y)
=
x
xP(Y = y [ X = x) P(X = x)
=
x
xP(X = x)
_
y
P(Y = y [ X = x)
_
=
x
xP(X = x)
= E(X)
E(E(X [ Y = y)) = E(X)
2. Hay 20 personas donde 12 son hombres, 8 son mujeres. Se sacan 6 personas al azar. Si X,
n umero de mujeres, e Y , n umero de hombres
i) Determinar la funci on de cuanta conjunta de (X,Y)
Desarrollo:
la funcion de cuanta est a dada por:
f
XY
(x, y) =
_
8
x
__
12
y
_
_
20
6
_ x 0, 1, . . . , 8 e y 0, 1, . . . , 12
8
x
12
y
20
6
2
5
255
_
12
y
_
=
_
8
x
_
2
5
255
_
20
6
_
=
1
2
8
_
8
x
_
P(X [ Y = 3) =
1
2
8
_
8
x
_
y=1
_
8
x
__
12
y
_
_
20
6
_
=
_
8
x
_
_
20
6
_
12
y=0
_
12
y
_
=
_
8
x
_
_
20
6
_
12
y=0
_
12
y
_
1
y
1
12y
. .
Teorema del Binomio
=
_
8
x
_
_
20
6
_2
12
= 2
12
_
8
x
_
14! 6!
20!
f
X
(x) =
2
9
255
_
8
x
_
con x 0, 1, . . . , 8
MAT042 HSR 172
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Marginal de Y :
f
Y
(y) =
8
x=0
_
8
x
__
12
y
_
_
20
6
_
=
_
12
y
_
_
20
6
_
8
x=0
_
8
x
_
=
_
12
y
_
_
20
6
_
8
x=0
_
8
x
_
1
x
1
8x
. .
Teorema del Binomio
=
_
12
y
_
_
20
6
_2
8
= 2
8
_
12
y
_
14! 6!
20!
f
Y
(y) =
2
5
255
_
12
y
_
con y 0, 1, . . . , 12
c) Son X e Y independientes?
Desarrollo:
Las variables no son independientes, pues:
_
8
x
__
12
y
_
_
20
6
_ ,=
2
9
255
_
8
x
_
2
5
255
_
12
y
_
n
=
0.005 0
16.65/
107
= 0.0031
y t
n1,1/2
= 1.98. Entonces como t
0
t
n1,1/2
, no podemos rechazar H
0
y en este
caso, decimos que los residuos tienen media 0.
c) Hist oricamente se ha planteado que las regiones m as ricas (OCDE, Europa Oriental) deben
tener una esperanza de vida mayor. Sin embargo, los analistas plantean que este indicador
es signicativamente menor en Europa Oriental. Es posible respaldar esta hip otesis con
= 5 %?
Desarrollo:
Se busca comprobar que:
MAT042 HSR 175
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
H
0
:
O
E
H
0
:
O
>
E
O: OCDE ; E: Europa Oriental
Como no se conoce la relacion que existe entre las varianzas de E y O es necesario primero
que todo, hacer un test de hip otesis que compare las varianzas.
Por lo tanto, la hip otesis nula y alternativa para las varianzas son:
H
0
:
2
1
2
2
= 1
H
1
:
2
1
2
2
,= 1
Se rechaza H
0
si F
0
> F
n
1
1,n
2
1,1/2
o F
0
< F
n
1
1,n
2
1,/2
F
n
1
1,n
2
1,1/2
= 2.947
F
n
1
1,n
2
1,/2
= 0.379
Se tiene que F
0
=
S
2
1
S
2
2
= 1.063
Como F
0
= 1.063 2.947 y 1.063 0.379, entonces no se rechaza H
0
.
Por lo tanto se asume que las varianzas son iguales y se procede a realizar el test de hipotesis
para la esperanza de vida en la OCDE y Europa Oriental que se plante o inicialmente.
H
0
:
O
E
H
0
:
O
>
E
Se rechaza H
0
si:
T
0
> t
n
1
+n
2
2,1
T
0
=
80.1 76
S
p
_
q
21
+
1
14
S
2
p
=
20 1.179
2
+ 13 1.109
2
33
=S
p
= 1.15
T
0
=
80.1 76
1.15
_
q
21
+
1
14
=T
0
= 10.48
t
n
1
+n
2
2,1
= 1.69
MAT042 HSR 176
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Como 10.48 1.69, por lo tanto, se rechaza H
0
y podemos concluir que la esperanza de vida
femenina es menor en Europa Oriental, con una signicancia del 5 %.