Professional Documents
Culture Documents
Departamento de Matematica a
Campus Santiago
Recopilacion de Ayudantas
de Estadstica
MAT031
Primer Semestre de 2010
a
2. Ayudanta 2 12
2.1. Estadstica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. Teora de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. Aplicacion Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3. Ayudanta 3 20
3.1. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2. Extras (Cadenas de Markov) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4. Ayudanta 4 28
4.1. Ejercicios Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5. Ayudanta 5 34
5.1. Variables Aleatorias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2. Extras (Convergencia) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3. Anexos (Variables Aleatorias Discretas) . . . . . . . . . . . . . . . . . . . . . . . . . 40
6. Ayudanta 6 43
6.1. Variables Aleatorias Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.2. Anexos (Variables Aleatorias Continuas) . . . . . . . . . . . . . . . . . . . . . . . . 54
7. Ayudanta 7 59
7.1. Distribucion Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
7.2. Cambio de Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
7.3. Funcion Generadora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
7.4. Extras (Demostracion VAD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8. Ayudanta 8 66
8.1. Ejercicios Certamen 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
9. Ayudanta 9 72
9.1. Vectores aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
9.2. Extras (Vectores Aleatorios) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
10.Ayudanta 10 80
10.1. Vectores aleatorios Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
10.2. Cambio de Variables en Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
11.Ayudanta 11 86
11.1. Estimacion Puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
11.1.1. Metodo de los Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
11.1.2. Maxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
12.Ayudanta 12 91
12.1. Maxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
13.Ayudantia 13 101
13.1. Intervalos de Confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
13.2. Test de Hipotesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
14.Ayudanta 14 109
14.1. Ejercicios Certamen 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
14.1.1. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
14.1.2. Maxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
1. Ayudanta 1
1.1. Estadstica Descriptiva Univariada
1. En una empresa se considera la siguiente muestra correspondiente a la resistencia de 50 lotes
de algodon, medidas en libras necesarias hasta romper una madeja.
74 87 99 88 90 101 91 83 97 94
105 110 99 94 104 97 90 88 89 90
79 105 96 93 93 90 91 102 94 106
101 96 97 103 108 90 102 91 76 109
110 94 101 97 106 86 88 97 107 107
Desarrollo:
a) k = numero de clases
MAT031 HSR 4
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Aparte:
i) Frecuencia Absoluta:
k
X
ni = n
i=1
Ni
Fi =
n
v) Formulas para la media:
n
1X
X = xj
n j=1
k
1X
X = ni M C i
n i=1
k
1 X
X = M C0 + I ni di
n i=1
MAT031 HSR 5
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
b) Dado que se pide calcular X y 2 usando el metodo codificado, las formulas a usar son:
i) Media (X):
k
1 X
X = M C0 + I ni di
n i=1
7
1 X
= 92, 5 + 6 ni di
50 i=1
1
= 92, 5 + 6 28
50
X = 95, 86
ii) Desviacion estandar (s):
!2
k k
1 X 1 X
s2 = I 2 ni d2i ni di
n i=1
n i=1
!2
7 7
1 X 1 X
= 62 ni d2i ni di
50 i=1 50 i=1
" 2 #
1 1
= 36 120 28
50 50
s2 = 75, 11
s = 8, 66
2. El departamento de personal de una cierta firma realizo un estudio sobre los salarios en
unidades monetarias (u.m.) de 120 funcionarios del setor administrativo, con los siguientes
resultados:
MAT031 HSR 6
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
ii) Mediana:
n
NM
2 e
Me = lMe + I
nM e
120
30
= 2+ 2 2
48
Me = 3, 25
MAT031 HSR 7
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
iii) Varianza:
k
1X
s2 = ni (M Ci X)2
n i=1
4
1 X
= ni (M Ci 3, 65)2
120 i=1
s2 = 5, 12
iv) Desviacion:
s = s2
s = 2, 26
b) i) Media:
MAT031 HSR 8
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
ii) Varianza:
k
1X
s 2
= ni (M Ci X )2
n i=1
k
1X
= ni (2M Ci 2X)2
n i=1
k
1X
= ni (2(M Ci X))2
n i=1
k
1X
= ni 4(M Ci X)2
n i=1
k
1X
= 4 ni (M Ci X)2
n i=1
s2 = 4s2
Por lo tanto la varianza aumenta cuatro veces su valor (s2 = 20, 48).
Finalmente podemos decir que si aumentamos el sueldo en un 100 % en promedio au-
menta al doble y la varianza se cuadruplica.
c) En el punto anterior vimos que si aumentamos el sueldo en a entonces la varianza
aumentara en a2 , por lo que al aumentar los sueldos en 0, 8 u.m. la varianza aumentara
en (0, 8)2 .
Edad X 56 42 72 36 63 47 55 49 38 42 68 60
141 125 167 118 149 128 155 140 113 140 158
Presion Sangunea Y 147 128 160 119 155 132 145 150 117 143 146 150
153 122 153 117 143 124 150 115 137 152 160
Desarrollo:
MAT031 HSR 9
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
12
1X
X = xi = 140, 33
n i=1
12
1X
Yt = Y i = 52, 33
n i=1
12
1X
xi Y i (X Y t )
cov(X, Y ) n i=1 147, 73
a = = = a = 1, 11
s2x 1
12
X 2
132, 71
x2i X
n i=1
b = Y aX = 52, 33 1, 11 140, 33 = 82, 10
cov(x, y)
=
sx sy
147, 53
=
11, 52 sy
Aparte:
v
u 12
u1 X
sy = t (Y i )2 (Y t )2
n i=1
p
= 19901, 8 (140, 33)2
p
= 209, 32
= 14, 47
Por lo tanto:
147, 53
= = 0, 886
11, 52 14, 47
Como [1; 0.7] [0.7; 1] entonces es posible decir que existe una relacion lineal
entre las variables.
MAT031 HSR 10
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Y = aX + b
con:
X = Edad de la mujer.
Y = Presion sangunea.
Y = aX + b
= 1, 11X + 82, 10
= 1, 11 (45) + 82, 10
Y = 132, 18
MAT031 HSR 11
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 identifica con la letra C en miligramos, considerando como segunda variable la edad E
medida en anos, tal como se muestra en la siguiente tabla de contingencia:
M CE \MCC 15 20 25 30 35 ni
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
nj 6 12 15 13 4 50
Desarrollo:
MAT031 HSR 12
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
a)
k 5
1 X 1 X
C = M C0 + IC dj nj = 25 + 5 dj nj = 24, 94
n j=1 50 j=1
k 5
1 X 1 X
E = M C0 + IE di ni = 40 + 10 di ni = 38, 6
n i=1 50 i=1
b)
!2
k k
2 1 1X
X
s2C = I nj d2j nj dj
n j=1 n j=1
!2
5 5
2 1 1 X
X
= 5 nj d2j nj dj
50 j=1 50 j=1
" 2 #
2 65 3
= 5
50 50
s2C = 32, 41
!2
k k
1 X 1 X
s2E = I 2 ni d2i ni di
n i=1 n i=1
!2
5 5
1 X 1 X
= 102 ni d2i ni di
50 i=1 50 i=1
" 2 #
75 7
= 102
50 50
s2E = 148, 04
c) Coeficiente de correlacion muestral
cov(E, C)
=
sE sC
r X
s
!
1 X
cov(E, C) = nij M Ci M Cj (E C)
n i=1 j=1
5 X
5
!
1 X
= nij M Ci M Cj (24, 94 38, 6)
50 i=1 j=1
1
= 49700 962, 684
50
= 31, 316
MAT031 HSR 13
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
31, 316
= = = 0, 45
5, 69 12, 17
d)
k
1 X
X Ej = M CEi nij
nj i=1
1
X E1 = (20 4 + 30 2) = 23, 3
6
1
X E2 = (20 2 + 30 6 + 40 2 + 50 2) = 33, 3
12
X E3 = 40
X E4 = 46, 92
X E5 = 45
k
1 X
X Ci = M CCj nij
ni j=1
1
X C1 = (15 4 + 20 2 + 25 2) = 18, 75
8
1
X C2 = (15 2 + 20 6 + 25 3 + 30 1) = 21, 25
12
X C3 = 27, 85
X C4 = 26, 81
X C5 = 29
e)
k
1 X
s2Ej = nij (M CEi X Ej )2
nj i=1
1
s2E1 = (4 (20 23, 3)2 + 2 (30 23, 3)2 ) = 22, 2
6
1
s2E2 = (2 (20 33, 3)2 + 6 (30 33, 3)2 + 2 (40 33, 3)2 + 2 (50 33, 3)2 ) = 88, 8
12
s2E3 = 146, 6
s2E4 = 67, 45
s2E5 = 75
MAT031 HSR 14
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
k
1 X
s2Ci = nij (M CEj X Ei )2
ni j=1
1
s2C1 = (4 (15 18, 75)2 + 2 (20 18, 75)2 + 2 (25 18, 75)2 ) = 17, 18
8
1
s2C2 = (2 (15 21, 25)2 + 6 (20 21, 25)2 + 3 (25 21, 25)2 + 1 (30 21, 25)2 ) = 17, 18
12
s2C3 = 23, 98
s2C4 = 14, 87
s2C5 = 22
f ) Sea:
ni
fi =
n
nj
fj =
n
nij
fij =
n
fij = fi fj
3 11 15
= ? = 0, 06 6= 0, 66
50 50 50
Por lo tanto las variables E y C no son independientes.
MAT031 HSR 15
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
b) Sea P(A)= Probabilidad de que una lampara sea defectuosa
10 5
2 1
P (A) = = 0, 495
15
3
c) Sea P(A)= Probabilidad de que al menos una lampara sea defectuosa
3
X 10 5
3i i
P (A) = i=1
15
3
10 5 10 5 10 5
2 1 1 2 0 3
P (A) = + + = 0, 736
15 15 15
3 3 3
MAT031 HSR 16
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
d ) Sea P(A)= Probabilidad de que la tercera lampara extrada sea la primera defectuosa
10 5
2 0 1
P (A) = = 0, 086
15 5
2
e) Sea P(A)= Probabilidad de que la tercera sea la segunda lampara defectuosa
10 5
1 1 1
P (A) = = 0, 095
15 4
2
Desarrollo:
MAT031 HSR 17
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
a) La probabilidad pedida es: P ERAnalista 1 P ERAnalista 2
Donde:
Donde:
MAT031 HSR 18
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
Se sabe que:
Ademas:
0 P(A B) 1
P(A B) 1
MAT031 HSR 19
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
3. Ayudanta 3
3.1. Probabilidad Condicional
1. Un canal de comunicaciones transfiere datos binarios. Debido a un ruido en la transmision
algunas veces al transmitir un 0 es recibido como 1 y viceversa. La probabilidad de que un 0
transmitido sea recibido como 0 es del 94 %. La probabilidad de recibir un 1 al enviarse un
1 es del 91 %. La probabilidad de enviar un 0 es del 45 %.
Desarrollo:
b) el problema se reduce a calcular:
c) Sea el evento A: error en la transmicion
MAT031 HSR 20
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
2. Cuatro maquinas automaticas envasan el mismo producto en frascos de vidrio que son de-
positados en un transportador comun. El rendimiento de la primera maquina es dos veces
mayor que el de la segunda y tres veces que el de la tercera. La segunda maquina produce
el doble de la cuarta. Se sabe que los porcentajes de envases hechos correctamente por la
primera, segunda, tercera y cuarta maquina son 62 %, 75 %, 98 % y 70 % respectivamente. Se
toma al azar del transportador un frasco de vidrio el cual resulto no estar correcto. Determine
la probabilidad de que este envase haya sido hecho por la maquina 1.
Desarrollo:
Sea:
Xi : Rendimiento de la maquina i, con i = {1, 2, 3, 4}
Mi : Cantidad de produccion por maquina, con i = {1, 2, 3, 4}
M1 = 12X
M1 = 2M2 M1 = 4M4 3
M2 = 6X
M2 = 2M4 M2 = 2M4 3
M3 = 4X
M3 = M31 M3 = 34 M4 3
M4 = 3X
M4 = M4 M4 = M4 3
T = 25X
P (F M1 ) P (F |M1 ) P (M1 )
=
P (F ) P (F |M1 ) P (M1 ) + P (F |M2 ) P (M2 ) + P (F |M3 ) P (M3 ) + P (F |M4 ) P (M4 )
0, 38 0, 48
=
0, 38 0, 48 + 0, 25 0, 24 + 0, 02 0, 16 + 0, 3 0, 12
P (F M1 )
= 0, 6477
P (F )
3. El aeropuerto al que llegan los aviones, tiene 2 areas, A y B, que pueden ser usadas. Se
sabe que al area A llega el 78 %. Sabiendo que un avion, que al usar el area A, ha de venir
con problemas, es tres veces mas frecuente que los que usan el area B, han de venir con
problemas. Determine la probabilidad de que un avion que viene con problemas, use el area
A.
MAT031 HSR 21
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
Sean:
P (A D) P (D | A) P (A)
=
P (D) P (D | A) P (A) + P (D | B) P (B)
3P (D | B) P (A)
=
3P (D | B) P (A) + P (D | A) P (B)
P (D | B) [3P (A)]
=
P (D | B) [3P (A) + P (B)]
3 0, 78
=
3 0, 78 + 0, 22
P (A D)
= 0, 914
P (D)
4. La probabilidad de que haya un accidente en una fabrica que dispone de alarma es 0.1. La
probabilidad de que suene esta, s se ha producido algun incidente, es de 0.97; y la proba-
bilidad de que suene, si no ha sucedido ningun incidente, es 0.2. En el supuesto de que haya
funcionado la alarma, Cual es la probabilidad de que no haya habido ningun incidente?
Desarrollo:
P (I A) P (A | I) P (I)
=
P (A) P (A | I) P (I) + P A | I { P I {
0, 2 0, 9
=
0, 2 0, 9 + 0, 97 0, 1
P (I A)
= 0, 6498
P (A)
MAT031 HSR 22
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
5. Una persona tiene que efectuar una mantencion diaria en el proceso, teniendo 24 horas de
labor continuada; debido a la perdida por no uso del sistema. Si se sabe que el 5 % de las
veces el proceso falla en el primer periodo y si esta se produce hay un 25 % de probabilidad
de que falle en el segundo periodo, en caso contrario hay un 35 % de probabilidad de falla.
Desarrollo:
a)
= P F1 F2 F3{
+ P F1 F2{
F3 + P F1{
F2 F3
= P F3{ | F2 F1 P (F2 | F1 ) P (F1 ) + P F3 | F2{ F1 P F2{ | F1 P (F1 )
= +P F3 | F2 F1 P F2 | F1 P F1{
{ {
= 0, 75 0, 25 0, 05 + 0, 35 0, 75 0, 05 + 0, 25 0, 35 0, 95
P (A) = 0, 1056
b) La probabilidad pedida es:
{ { {
P F1 F2 | F3
P F3{ | F2{ F1{ P F2{ | F1{ P F1{
=
P F3{
Aparte:
P F3{ = P F { | F2 F1 P (F2 | F1 ) P (F1 )
= +P F { | F2{ F1 P F2{ | F1 P (F1 )
= +P F { | F2 F1{ P F2 | F1{ P F1{
= +P F { | F2{ F1{ P F2{ | F1{ P F1{
= 0, 75 0, 25 0, 05 + 0, 65 0, 75 0, 05 + 0, 75 0, 35 0, 95 + 0, 65 0, 65 0, 95
P F3{ = 0, 6845
MAT031 HSR 23
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Luego:
P F3{ | F2{ F1{ P F2{ | F1{ P F1{
P F1{ F2{ | F3{ =
P F3{
0, 65 0, 65 0, 95
=
0, 6845
P F1{ F2{ | F3{ = 0, 5862
Sea Xn el nivel del inventario al comienzo del da n y suponga que la tienda tiene una poltica
de mantencion de inventario (s, S) que consiste en si al final del da se posee menos de s, se
hace una orden de pedido que al inicio del da siguiente eleva las existencias al nivel S y en
caso contrario no se pide nada. Asuma que la demanda no satisfecha es demanda perdida y
que al inicio del horizonte de planificacion hay S unidades en inventario con s = 1 y S = 2
Desarrollo:
Definamos:
Sea:
MAT031 HSR 24
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
a) P11 : Probabilidad de que existiendo una unidad en el inventario al inicio del da, exista
la misma unidad en inventario al da siguiente. En este caso, solo exste la posibilidad
que no me demanden nada. Por lo tanto P11 = 1/4.
b) P12 : Probabilidad de que existiendo una unidad en inventario al inicio del da, existan
dos unidades en inventario al da siguiente. En este caso hay dos opciones:
1) Que exista demanda por 2 unidades, es decir, se vende solo una, la otra es demanda
insatisfecha, se baja el inventario s a cero y al periodo siguiente habran S = 2.
2) Que exista demanda por 1 unidad, se baja el inventario s a cero y al periodo sigu-
iente habran S = 2.
Por lo tanto:
P12 = P (D = 1) + P (D = 2) = 1/4 + 1/2 = 3/4
c) P21 : Probabilidad de que existiendo dos unidades en inventario al inicio del da, exista
una unidad en inventario al da siguiente. Para que esto exsta solo deberan demandar
una unidad. Por lo tanto P21 = 1/2.
d ) P22 : Probabilidad de que existiendo dos unidades en inventario al inicio del da, existan
dos unidades en inventario al da siguiente. Es claro que para que esto suceda, no se
demanda ninguna unidad o se demandan al menos dos unidades. Es decir:
b) Para calcular las probabilidades de cada nivel de inventario debemos utilizr la siguiente
formula: (n) (0)
f (n) = P T f
Donde:
(n)
i) P T : matriz traspuesta elevada a n.
(0)
ii) f : matriz de distribucion inicial.
MAT031 HSR 25
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
(3)
Ahora necesitamos calcular P T :
T (3)
1/4 1/2 1/4 1/2 1/4 1/2 0, 39065 0, 40625
P = =
3/4 1/2 3/4 1/2 3/4 1/2 0, 609375 0, 59375
0, 39065 0, 40625 0, 45 0, 399
=
0, 609375 0, 59375 0, 55 0, 601
MAT031 HSR 26
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
MAT031 HSR 27
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
4. Ayudanta 4
4.1. Ejercicios Certamen 1
1. Un banco debe elegir una directiva compuesta por 5 cargos: director, subdirector, interventor,
cajero y cobrador, entre 8 candidatos. Los candidatos son:
3 hombres : Felipe, Gonzalo y Joaqun.
5 mujeres : Alicia, Barbara, Evelyn, Claudia y Natalia.
Suponga que si una persona pertenece a esta directiva, esta persona puede ocupar solo un
cargo y suponga que todas las posibles directivas que pueden formarse tienen la misma
probabilidad de ocurrir.
a) Determine el numero de directivas diferentes que es posible formar.
Desarrollo:
Desarrollo:
Desarrollo:
MAT031 HSR 28
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
diferentes).
ii) Una vez hecho lo anterior, estos cargos pueden ser llenados de 5 4 3 formas.
iii) Una vez hecho i) yii), hay 3 2 formas de llenar los cargos compuestos por hombres.
5
Luego, M3 tiene 5 4 3 3 2 = 3600 elemento (Principio Multiplicativo).
3
Usando argumentos
similares, se tiene que:
5
M4 tiene 5 4 3 3 2 = 1800
4
M5 tiene 5 4 3 3 2 = 120
Por lo tanto, la probabilidad pedida es:
3600 + 1800 + 120
P(M3 ) + P(M4 ) + P(M5 ) = = 0, 82
87654
2. Se ha nominado a tres miembros de un club privado para ocupar la presidencia del mismo.La
probabilidad de que se elija al senor A es de 0,3; la que se haga lo propio con el senor B, de
0,5, y la de que gane la senora C, de 0,2. En caso que se elija al senor A, la probabilidad de que
la cuota de ingreso incremente en 0,8, si se elije al senor B o la senora C, las correspondientes
probabilidades de que haya un incremento en la cuota son de 0,1 y 0,4 respectivamente.
Desarrollo:
Desarrollo:
MAT031 HSR 29
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Necesitamos utilizar el teorema de Bayes para calcular las probabilidades luego de au-
menta la cuota. As,
P(E | A) P(A)
P(A | E) =
P(E)
0, 8 0, 3
=
0, 37
= 0, 65
P(E | B) P(B)
P(B | E) =
P(E)
0, 1 0, 5
=
0, 37
= 0, 14
P(E | C) P(C)
P(C | E) =
P(E)
0, 4 0, 2
=
0, 37
= 0, 21
Dado que la cuota se incrementa, el candidato con mayor probabilidad de ser electo es
el senor A, aun cuando a priori sabamos que el senor B tena mayor probabilidad de
ser electo, el aumento de la cuota resulta ser un beneficio para la candidatura del senor
A.
a) Dado que la radiografa es del tipo observado. cual es la probabilidad que el paciente
tenga cancer?
Desarrollo:
Sea:
C: El paciente padece de cancer al pulmon.
R: La radiografa es del tipo observado.
Luego se tienen las siguientes probabilidades: P(C) = 0, 7, P(R | C) = 0, 6,
P R | C { = 0, 8.
MAT031 HSR 30
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
b) Dado que la radiografa es del tipo observado, cual es la probabilidad de que el paciente
tenga tuberculosis?
Desarrollo:
{
P C |R = 1 P(C | R)
= 1 0, 6364
= 0, 3636
Desarrollo:
0, 4 0, 7
P C { | R{ = 1
0, 34
= 1 0, 8235
= 0, 1765
MAT031 HSR 31
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
El estudiante asevera que las monedas que uso tenan una medida de 1/2 salir cara. De
acuerdo con sus resultados y la informacion que dio el estudiante, es posible asegurar que
el hizo la experiencia y no invento los datos? Explique y argumente su afirmacion.
Desarrollo:
Para desarrollar este ejercicios se deben comparar las frecuencias relativas con la medida
teorica. Por lo que tenemos:
Numero de experiencias: 874
10
k
P(Y = k) = Probabilidad Teorica
210
fk
f (k) = Medida Experimental
874
10
0
P(Y = 0) = = 0, 00097656
210
30
f (0) = = 0, 03432
874
10
5
P(Y = 5) = = 0, 246
210
126
f (5) = = 0, 14
874
Con esto se observa que exste una diferencia notoria entre los valores experimentales y
teoricos, por lo que el estudiante invento los datos.
5. La siguiente tabla se refiere al numero Y de bacterias por unidad de volumen presentes luego
de X horas.
X (hrs) 0 1 2 3 4 5 6
Y (bact/V ) 32 47 65 92 132 190 275
Desarrollo:
Ustedes que saben usar calculadora, ingresen los datos en ella y calculen para los tres
modelos existentes, y conocidos por ustedes, los respectivos valores para a, b y R. Pos-
teriormente deben comparar los valores obtenidos para R en cada una de las curvas
estudiadas y elegir la que se acerque mas a 1 o 1. Esa es la respuesta correcta.
MAT031 HSR 32
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
Desarrollo:
MAT031 HSR 33
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
Desarrollo:
b) P (x < 1) = P (x = 2) + P (x = 1) + P (x = 0) = 0, 05 + 0, 1 + 0, 3 = 0, 45
P (2 < x < 2) = P (x = 1) + P (x = 0) + P (x = 1) = 0, 1 + 0, 3 + 0, 25 = 0, 65
P (x = 2) + P (x = 4) 0, 2 + 0, 1
P (x 2 | x > 0) = =
P (x = 1) + P (x = 2) + P (x = 4) 0, 25 + 0, 2 + 0, 1
0, 3
= = 0, 545
0, 55
MAT031 HSR 34
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
3. El 70 % de los aviones ligeros que desaparecen en vuelo en cierto pas son descubiertos
posteriormente. De las naves descubiertas, el 60 % tiene localizador de emergencia, en tanto
que el 90 % de las naves no descubiertas no tiene ese localizador.
MAT031 HSR 35
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
6 7 1 3
= +
10 10 10 10
45
=
100
P (L) = 45 %
c) Sea Y : Numero de aviones que es necesario observar hasta obtener el primer avion
con localizador de emergencia. Claramente, Rec (X) = {1, 2, 3, . . .} y ademas Y
Geom (p = 0, 45). Por lo que la probabilidad pedida es:
10
X
P (Y 10) = (0, 45)(1 0, 45)y1
y=1
= 0, 997
MAT031 HSR 36
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
d ) Sea Z: Numero de aviones que es necesario observar hasta obtener el tercer avion
con localizador de emergencia. Claramente, Rec (Z) = {3, 4, 5, . . .} y ademas Z
BinN eg (r = 3; p = 0, 45). Por lo tanto la probabilidad pedida es:
P(Z 4) = 1 P(Z = 3)
31
= 1 (0, 45)3 (1 0, 45)33
31
= 0, 909
Desarrollo:
Sea X: Arboles plantados que sobreviven, y ademas X Bin(n = 10, p = 0, 9). Por lo
tanto la probabilidad pedida es:
10
X 10
P (X 8) = 0, 9x (1 0, 9)10x
x
x=8
= 92 %
5. Se tendieron 1000 trampas para langostas, en las que se atraparon 1200 langostas. Con-
siderando que el numero de langostas por trampa es una V.A.D. se pide determinar la
probabilidad que una trampa contenga dos o mas langostas.
Desarrollo:
1200
Sea X: Numero de langostas por trampa . Y P () con = 1000
= 1, 2
P (X 2) = 1 P (X 1)
= 1 [P (X = 0) + P (X = 1)]
1
X x e
= 1
x=0
x!
1
X (1, 2)x e1,2
= 1
x=0
x!
= 1 0, 6626
P (X 2) = 0, 337
MAT031 HSR 37
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
n
nk
Xn Bin(n, p), haciendo p = n
se tiene: Xn n
1 n
. Luego:
k
k nk
n
= lm 1
n k
n n
k n k
n
= lm 1 1
n k n nn
k n
0k
n
= lm 1 lm 1
n k n n n n
| {z }
1
n
k
n!
= lm k 1
n (n k)! k! n n
k
n
n!
= lm 1
n (n k)! nk k! n
k n
n(n 1)(n 2) . . . (n (k + 1))(n k)!
= lm 1
k! n nk (n k)! n
k n
n(n 1)(n 2) . . . (n (k + 1)) (n k)!
= lm 1
k! n nk (n k)! n
| {z }
1
k n
n n1 n2 n (k + 1)
= lm 1
k! n n n n n n
k
0
0
0 0
n
1 2 k 1
= lm 1 1 1 1
k! n n
n
n
n
n
| {z } | {z } | {z }
1 1 1
k n
()
= lm 1 +
k! n n
k
= e
k!
lm Xn = P ()
n
MAT031 HSR 38
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Por lo tanto se demuestra que Xn Bin(n, p) cuando n y haciendo p = n
tiene
funcion densidad de Poisson de parametro (Xn P ())
MAT031 HSR 39
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
i)
fx (x) 0 x Rec(x)
ii) X
fx (x) = 1
xRec(x)
B Bernoulli:
B Binomial:
MAT031 HSR 40
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
n n
py
X n y ny
X n n
= p (1 p) = y (1 p)
y y (1 p)
y=0 y=0
n y
n
X n p
= (1 p)
y (1 p)
y=0
n
p
= (1 p)n +1
1p
n
n p + (1 p)
= (1 p)
1p
n
n 1
= (1 p)
1p
= 1
B Poisson:
x e
fx (x) = ; x {0, 1, 2, . . . , n} y : representa un promedio
x!
Demostracion de funcion de cuanta:
i) notar que fx (x) 0 x {0, 1, 2, . . . , n}
ii) P.D. que: X
fx (x) = 1
xRec(x)
n n
X x e
X x
= = e
x=0
x! x!
|x=0{z }
Serie de e
= e e
= e(+)
= 1
B Geometrica:
MAT031 HSR 41
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
B Hipergeometrica:
MAT031 HSR 42
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
6. Ayudanta 6
Hint: Z t
1 x2 1
e 2 dx = (t)
2 0 2
Desarrollo:
Luego:
Z x2
e
k dx = 1
0 x
1
k = Z x2
e
dx
0 x
MAT031 HSR 43
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Aparte: Z x2 x x=
Z
x
e
dx = 2 xe 2 x=0 + xe 2 dx
0 x 0
lo anterior se obtiene haciendo integracion por partes y definiendo:
x 1 x 1
u = e 2 du = e 2 dx ; dv = dx v = 2 x
2 x
x
notar que cuando x = 0 no hay problemas en ver que el termino 2 xe 2 = 0, pero
x
cuando x = tenemos algo de la forma
, por lo que es necesario calcular lm 2 xe 2 .
x
x 2 x
lm 2 xe 2 = lm x aplicando LH se tiene:
x x e 2
1
x
= lm 1 x
x e 2
2
0
1
= 2 lm x
x xe 2
= 0
por lo que tenemos:
Z
x
Z
z2
xe dx =
2 ze 2 2z dz ; Haciendo z = x dz = dx
2 x
dx = 2zdz
0 0
Z
z2
= 2 z 2 e 2 dz
| 0 {z }
aparte
Aparte:
Z 2 2
z= Z
z2
2 z2 z2
z e dz = ze + e 2 dz
0 z=0 0
lo anterior se obtiene haciendo integracion por parte y definiendo:
z2 z2
u = z du = dz ; dv = ze 2 dz v = e 2
z2
notar que cuando z = 0 no hay problemas en ver que el termino ze 2 = 0, pero cuando
z2
z = tenemos algo de la forma
, por lo que es necesario calcular lm ze 2 .
z
2
z2 z
lm ze = lm z2
aplicando LH se tiene:
z z
e2
1
= lm z2
z
ze 2
0
1
= (1) lm z2
z
ze 2
= 0
MAT031 HSR 44
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
1
k=
2
y la funcion queda: x
e 2
fX (x) = I[0,[ (x)
2x
MAT031 HSR 45
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
a) Sea:
X: Vida del marcapasos.
1 1
X exp () con = E(x) = 16
Z 20
1 1x
P (X < 20) = e 16 dx
0 16
1 x=20
= e 16 x
x=0
!
20 1
* 0
16
= e 16
e
1
= 1 5
e4
= 0, 7135
Z 25
1 1x
e 16 dx
5 16
P (X < 25 | X > 5) = Z
1 1x
e 16 dx
5 16
1 x=25
e 16 x
= x=5
1 x=
e 16 x
x=5
5 25
16 16
e e
= 5
16
e
= 0, 7135
MAT031 HSR 46
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
0, 8ex + 0, 4e2x dx , x 0
FX3 (x) =
0
0 , e.o.c.
Z X Z X3
3
0, 8ex dx + 0, 4e2x dx , x 0
=
0 0
0 , e.o.c.
Z X3 Z X3
0, 8 ex dx + 0, 4 e2x dx , x 0
= 0 0
0 , e.o.c.
( 2x x=X3
x=X
0, 8 (ex )|x=0 3 + 0, 4 e2 , x0
=
x=0
0 , e.o.c.
( 2X
0, 8 1 eX3 + 0, 4 1e 2 3
, x0
=
0 , e.o.c.
0, 8 0, 8eX3 + 0, 2 0, 2e2X3 , x 0
=
0 , e.o.c.
1 0, 8eX3 0, 2e2X3 , x 0
=
0 , e.o.c.
1 0, 8eX3 0, 2e2X3 , x 0
FX3 (x) =
0 , e.o.c.
b) La probabilidad de que una componente cualquiera falle antes de 1.5 horas, viene
dada por:
P (Xi < 1, 5) = FXi (1, 5) = 1 0, 8e1,5 0, 2e21,5 = 0, 8115
Sea ahora:
MAT031 HSR 47
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
P (Y 3) = 0, 059 %
Desarrollo:
MAT031 HSR 48
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
1
!
Z Z
y= 0
ey IR+0 (y) dy = ey dy = ey y=0 =
e e0
*
=1
>
0
y
lm yey = lm aplicando LH se tiene:
y y ey
0
1
= lm y
y e
= 0
E (y) = 1
haciendo:
u = y 2 du = 2ydy y dv = ey dy v = ey
MAT031 HSR 49
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
se tiene: Z
y=
y 2 ey y=0 yey dy
= +2
|0 {z }
1
y2
lm y 2 ey = lm aplicando LH se tiene:
y y ey
2y
= lm y aplicando LH se tiene:
y e
0
1
= 2 lm y
y e
= 0
V (y) = 1
5. El numero de barcos que llegan al Puerto de Valparaso sigue un proceso de Poisson
con tasa de llegada cinco por da.
a) Cual es la probabilidad de que transcurran mas de seis horas sin que arribe
ninguno?
b) Si el costo de operacion C es una funcion del tiempo ocioso X (entre llegadas),
donde C = 1 e5x , encuentre el costo medio, donde C se mide en millones de
pesos.
Desarrollo:
Se pide calcular P (X > 0, 25) (un da tiene 24 horas, por lo que si queremos calcular
MAT031 HSR 50
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
6
la probabilidad que no lleguen barcos en mas de seis horas debemos hacer 24
= 0, 25)
Z
P (X > 0, 25) = 5e5x dx
0,25
= e5x |x=
x=0,25
: 0 50,25
5
= e
e
= 0, 2865
P (X > 0, 25) = 28, 65 %
b) Se pide el costo medio de C, es decir E (C), por lo que se tiene:
E (C) = E 1 e5x
Z
1 e5x 5e5x dx
=
Z0
1 10x
Z
5x
= 5e dx 10e dx
0 2 0
| {z } | {z }
1 1
1
= 1
2
1
=
2
Es decir, el costo medio es de 500000 pesos
X
6. Demuestre que Z =
tiene distribucion N (0, 1) si X N (, 2 )
Desarrollo:
MAT031 HSR 51
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Z N (0, 1)
Segundo metodo, Funcion generadora de momentos:
definicion de f.g.m. Z
xt
ext fX (x) dx
X (t) = E e =
Z N (0, 1)
7. Sea x una V.A.C con funcion distribucion FX . Demostrar que Y = F X tiene funcion
densidad U [0, 1]
Desarrollo:
Sea:
FY (y) = P (Y y)
= P (F X y)
= P (FX (X) y)
P FX1 (FX (X)) FX1 (y)
=
P X FX1 (y)
=
FX FX1 (y)
=
FY (y) = y
Derivando se tiene:
dFY (y)
= 1 = fY (y) = 1
dy
MAT031 HSR 52
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Y U [0, 1]
Nota: F debe ser creciente en [0, 1] para que exista FX FX1 (X) = X
MAT031 HSR 53
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Uniforme: X U [a, b]
1
fX (x) = I[a,b] (x)
ba
Por Demostar:
B fX (x) 0 x Rec (x). Es claro que fX (x) es mayor a cero x Rec(x).
Z
B fX (x) dx = 1. Es decir:
Z Z
1
fX (x) dx = I[a,b] (x) dx
b a
Z b
1
= dx
a ba
x=b
x
=
b a x=a
1
b a
=
ba
= 1
Con los dos puntos anteriores se demuestra que fX (x) es funcion densidad.
MAT031 HSR 54
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Exponencial: X exp ()
Por Demostar:
B fX (x) 0 x Rec (x). Es claro que fX (x) es mayor a cero x Rec(x).
Z
B fX (x) dx = 1. Es decir:
Z Z
fX (x) dx = ex I[0,[ (x) dx
Z
= ex dx
0
x=
= ex x=0
!
*1
0 0
e
:
=
e
= (1)
= 1
Con los dos puntos anteriores se demuestra que fX (x) es funcion densidad.
Normal: X N (, 2 )
1 12 ( x )
2
fX (x) = e IR (x)
2
Por Demostrar:
B fX (x) 0 x Rec (x). Es claro que fX (x) es mayor a cero x Rec(x).
Z
B fX (x) dx = 1. Es decir:
Z Z
1 1 x 2
fX (x) dx = e 2 ( ) IR (x) dx
2
Z
1 1 x 2
= e 2 ( ) dx Haciendo z = x
dz = 1 dx
2
Z
1 z2
= e 2 dz
2
Z
1 z2
= e 2 dz
2
| {z }
Aparte
MAT031 HSR 55
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Aparte, sea: 2
Z 2
Z 2
z2 z2
e dz = I = e dz = I2
Resolvamos I 2 :
Z 2 Z Z
2 2 2
z2 z2 z2
e dz = e dz e dz
Z
Z 2
z2
y2
= e 2 dz e dy
Z Z 2 2
z2 y2
= e e dz dy
Z
Z
z2 y2
= e 2 2 dz dy
Z
Z
1
e 2 (z ) dz dy
2 +y 2
=
Donde:
x x
x, y
u v
x y x y
J = u v v u
y y
=
u, v u v
y calculando:
z z
z, y
r
J = y y
r,
r
cos r sin
=
sin r cos
= r cos2 r sin2
= r sin2 + cos2
= r
MAT031 HSR 56
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
por lo que:
Z Z Z 2 Z
2
12 (z 2 +y 2 ) 1
+(r sin )2 ]
e dz dy = e 2 [(r cos ) r dr d
0 0
Z 2 Z
1 2
e 2 [r (cos +sin )] r dr d
2 2
=
Z0 2 Z0
r2
= e 2 r dr d
0 0
Z 2 r=
2
r2
= e d
0 r=0
1
Z 2 2
0 2
*
0>
= e 2
e 2 d
0
Z 2
= (1) d
0
Z 2
= d
0
= |2
0
= 2
I 2 = 2 = I = 2, es decir:
1
Z
1 1 x 2
e 2 ( ) IR (x) dx = 2
2 2
= 1
MAT031 HSR 57
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
1 x
fX (x) = x e si x > 0 y , > 0
()
con Z
x1 ex dx si R
() =
(0 1) ( 1) = ( 1)! si N
Beta: X Beta (, )
( + ) 1
fX (x) = x (1 x)1 si x [0, 1] y , > 0
() ()
con
Z
x(+)1 ex dx si , R
( + ) = 0
(( + ) 1) (( + ) 1) = (( + ) 1)! si , N
Z
x1 ex dx si R
() =
(0 1) ( 1) = ( 1)! si N
Z
x1 ex dx si R
() = 0
( 1) ( 1) = ( 1)! si N
MAT031 HSR 58
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
7. Ayudanta 7
Desarrollo:
Sea X: Peso de los ninos espanoles al momento de nacer. X N (3, 25; 0, 822 ). Se pide
calcular:
2. El diametro de cierto eje se distribuye N (2, 79; 0, 012 ) medidos en centmetros. Si las
medidas del diametro se encuentran dentro del rango 2, 77 0, 03 cm. entonces se dice
que estan en buen estado.
a) Si se producen 1000 ejes, Cuantos se esperan defectuosos?
b) Que probabilidad hay de que a lo mas 2 mediciones de ejes se desvien en mas de
0,02 cm. con respecto a la media en una muestra de tamano 10?
Desarrollo:
2, 77 0, 03 < X < 2, 77 + 0, 03
MAT031 HSR 59
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
el eje estara correcto. Por lo que la probabilidad de defecto viene dada por:
X 2, 79 2, 74 2, 79
P (X 2, 74) + P (X 2, 80) = P
0, 01 0, 01
X 2, 79 2, 80 2, 79
= +P
0, 01 0, 01
:0
= P(Z5) + P (Z 1)
= P (Z 1)
= (1)
= 0, 1587
2, 79 0, 02 < X < 2, 79 + 0, 02
P(A) = 4, 56 %
Sea Y : Cantidad de ejes desviados. Y Bin(n, p) con n = 10 y p = 0, 0456
2
X 10
P(Y 3) = 0, 0456y (1 0, 0456)10y
y
y=0
= 0, 991
P(Y 2) = 99, 1 %
3. Se sabe que una fabrica produce cierto tipo de ampolletas cuya vida util se distribuye
normal. Se sabe que el 6,68 % de las veces duran mas de 9200 horas y un 97,72 % de las
veces duran mas de 6400 horas.
a) Encuentre los parametros de la distribucion.
MAT031 HSR 60
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
a) Se sabe que:
P(X > 9200) = 0, 0668
P(X > 6400) = 0, 9772
por lo que tenemos.
P(X > 9200) = 0,0668
=
P(X > 6400) = 0,9772
9200
P Z> = 0,0668
=
6400
P Z> = 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
MAT031 HSR 61
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
a)
Z
ke|x| dx = 1
Z 0 Z
kex dx + kex dx = 1
Z0
2 kex dx = 1
0
Z
2k ex dx = 1
| 0 {z }
1
1
k=
2
b) Sea:
HY (y) = P (Y y)
= P 25X 2 y
= P (| 5X | y)
y
= P | X |
5
y y
= P X
5 5
+
: X R0
y y
= P X P X
5 5
y
= P X
5
y
= HX
5
MAT031 HSR 62
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
1 y
hY (y) = e 5 I]0,[ (y)
20 y
Desarrollo:
Sea:
Y (t) = E(eY t )
= E(e(aX+b)t )
= E(eaXt ebt )
= E(ebt )E(eaXt )
= ebt E(eXat )
Desarrollo:
MAT031 HSR 63
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Y (t) = E eY t
P n Xi
= E e( i=1 n )t
n
!
t
Y
= E eXi n
i=1
n
Y t
= E eXi n (por independencia de las variables)
i=1
n 2 2
nt + 2 ( nt )
Y
= e
i=1
1
!n
2 2
t+ t2 n
= e n
2 2
t+ t2
= e n
2
Y N ,
n
MAT031 HSR 64
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
P (X > n + k, X > n)
P (X > n + k | X > n) =
P (X > n)
P (X > n + k)
=
P (X > n)
X
p (1 p)x1
x=n+k+1
=
X
p (1 p)x1
x=n+1
Aparte:
X
ax = ak + ak+1 + ak+2 + . . . (-1)
x=k
X
a ax = ak+1 + ak+2 + ak+3 . . . (0)
x=k
MAT031 HSR 65
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
8. Ayudanta 8
8.1. Ejercicios Certamen 2
1. Sea X N (, 2 ), si = 0 y 2 = 1, demuestre que Y = X 2 se distribuye (, ).
Ademas identifique los parametros y
Desarrollo:
sea:
FY (y) = P (Y y)
P X2 y
=
= P (| X | y)
= P ( y X y)
= P (X y) P (X y)
= FX ( y) FX ( y)
derivando tenemos
dFY (y)
= FX0 ( y) FX0 ( y)
dy
1 1
= fX ( y) fX ( y)
2 y 2 y
1 1
= fX ( y) + fX ( y)
2 y 2 y
1 1 2 1 1 1 2 1
= e 2 ( y) + e 2 ( y)
2 2 y 2 2 y
1 y 1 y
= e 2 + e 2
2 2y 2 2y
1 y
= e 2 IR+ (y)
2 y
1 y
fY (y) = e 2 IR+ (y)
2 y
funcion Gamma es de la forma:
1 x
fX (x) = x e si x > 0 y , > 0
()
por lo que escribiremos la funcion densidad de Y de dicha forma.
1
1 2
1 1
2
fY (y) = y 2 1 e 2 y IR+ (y)
MAT031 HSR 66
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
1
21
1 1
fY (y) = y 2 1 e 2 y IR+ (y)
2
1 1
con: = , = y () =
2 2
NOTA:
Z
1
() = t1 et dt =
2
Z0
1
= t 2 1 et dt
Z0
1
= t 2 et dt
0
= haciendo:
Z u2 = t 2u du = dt
2
= 2 eu du
| 0 {z }
Aparte
Aparte, sea: 2
Z Z
u2 u2
e du = I = e du = I 2
0 0
Resolvamos I 2 :
Z 2 Z Z
u2 u2 u2
e du = e du e du
0 0 0
Z Z
u2 z 2
= e du e dz
0 0
Z Z
2 2
= eu ez du dz
Z0 Z0
2 2
= eu z du dz
Z0 Z0
e(u +z ) du dz
2 2
=
0 0
MAT031 HSR 67
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
y calculando:
z z
z, y
r
J = y y
r,
r
cos r sin
=
sin r cos
= r cos2 r sin2
= r sin2 + cos2
= r
por lo que:
Z Z Z
2
Z
2
(u2 +z 2 ) +(r sin )2 ]
e du dz = e[(r cos ) r dr d
0 0 0 0
Z
2
Z
e[r (cos +sin )] r dr d
2 2 2
=
0 0
Z
2
Z
2
= er r dr d
0 0
Z r2 r=
2 e
= d
2
0
r=0
0
Z !
1 2 2 2
1
0
*
*
= e
e
d
2 0
Z
1 2
= (1) d
2 0
Z
1 2
= d
2 0
1 2
=
2 0
=
4
2
I = = I = , es decir:
4 2
Z
u2 1
e du = = =2
0 2 2 2
1
=
2
Desarrollo:
MAT031 HSR 68
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Y N (a + b, a2 2 )
Desarrollo:
a) De acuerdo a la definicion de funcion densidad, tenemos:
Z
fZ (z) dz = 1
Z
c
= +1
= 1
z
1
= c = 1
z
c
=
= 1
MAT031 HSR 69
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
c=
b) Por definicion:
Z
E(Z) = zfZ (z) dz
Z
= z +1 dz
z
Z
= dz
z
1
=
( 1) z 1
1
= 0
( 1) 1
=
1
E(Z) =
1
FX (x) = P (X x)
= P (ln Z x)
= P (Z ex )
= FZ (ex )
MAT031 HSR 70
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
FY (y) = P (Y y)
2
X
= P y
= P X 2 y
p
= P | X | y
p p
= P y X y
p p : X [0, [
= P X y P X y
p
= FX y
derivando tenemos:
d p
FY (y) = FX0 y
dy
p
= fX ( y)
2 y
2
y (y)3
= 3 e
2 y
3 p y3/2
= ye
2
3 p y3/2
fY (y) = ye I[0,[(y)
2
MAT031 HSR 71
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
9. Ayudanta 9
9.1. Vectores aleatorios
1. Un autobus llega a una parada con distribucion uniforme sobre el intervalo de cero a una
hora (X). Un pasajero tambien llega a la parada en instantes distribuidos uniformemente
sobre el intervalo de cero a una hora (Y ). Supongase que los tiempos de llegada de un
autobus y del pasajero son independientes entre s y que el pasajero esta dispuesto a
esperar el autobus hasta por un cuarto de hora.
a) Determine la funcion densidad conjunta.
b) Cual es la probabilidad de que tal pasajero pueda abordar el autobus?
c) Obtenga P Y < 41 | X < 12 . Interprete.
Desarrollo:
a) De acuerdo al enunciado tenemos: fX (x) = 1I[0,1] (x) y fY (y) = 1I[0,1] (y). Al ser
variables aleatorias independientes su funcion densidad conjunto viene dada por:
1
P(X 0, 25, Y 0, 25) =
16
c)
Z 0,5 Z 0,25
dy dx
1 1 0 0
P Y < |X< = 1 0,25
4 2
Z Z
dx dy
0 0
1
8
= 1
2
1
=
4
MAT031 HSR 72
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
1 1 1
P Y < |X< =
4 2 4
Es decir, la probabildad de que el pasajero tome el bus en a lo mas 15 minutos,
dado que el bus pasa en 30 minutos es de 25 %
2. Suponga que las variables aleatorias X e Y tienen distribucion conjunta
k(x2 + y 2 ) 0 x 1 , 0 y 1
fXY (x, y) =
0 en otro caso
Desarrollo:
Z Z
a) Para que sea funcion densidad, debe cumplir que: fXY (x, y) dx dy = 1
Z 1 Z 1
k(x2 + y 2 ) dx dy = 1
0
Z 1 0Z 1
k (x2 + y 2 ) dx dy = 1
"Z 0 0 x=1 #
1
x3
k + xy 2 dy = 1
0 3 x=0
Z 1
1 2
k +y dy = 1
0 3
" y=1 #
y y 3
k + = 1
3 3 y=0
2
k = 1
3
3
k=
2
MAT031 HSR 73
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
3(x2 + y 2 )
fY |X (x, y) =
3x2 + 1
fXY (x, y)
fX|Y (x, y) =
fY (y)
3
2
(x2 + y 2 )
= 3 2
2
y + 12
3(x2 + y 2 )
fX|Y (x, y) =
3y 2 + 1
MAT031 HSR 74
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
e)
Z 1/2
1 1 3((1/2)2 + y 2 )
P(Y < | X = ) = dy
2 2 0 3(1/2)2 + 1
= 0, 2857
1 1
P(Y < | X = ) = 28, 57 %
2 2
1 1 P(X < 12 , Y 12 )
P(X < | Y ) =
2 2 P (Y 12 )
Z 1/2 Z 1/2
3 2
(x + y 2 ) dx dy
2
= 0 Z0 1/2
3 2 1
y + dy
0 2 2
1
32
= 5
16
1 1 1
P(X < |Y )=
2 2 10
f)
Z 1
3 2 1
E(X) = x x + dx
0 2 2
Z 1
3 3 x
= x + dx
0 2 2
1
3 4 x2
= x +
8 4 0
3 1
= +
8 4
5
E(X) =
8
5
Notar que E(Y ) = , por simetra.
8
MAT031 HSR 75
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Z 1
2 3 2 1 2
E(X ) = x x + dx
0 2 2
Z 1
3 4 x2
= x + dx
0 2 2
1
3 5 x3
= x +
10 6 0
3 1
= +
10 6
7
E(X 2 ) =
15
7
Notar que E(Y 2 ) = , por simetra.
15
3 1 + 2y 2
E(X | Y = y) =
4 1 + 3y 2
MAT031 HSR 76
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
X: R2
(X(), Y ())
Distribucion conjunta
a) Caso Discreto: X e Y dos variables aleatorias discretas, se define la funcion de
probabilidad conjunta de X e Y como
F (X, Y ) : R2 [0, 1]
(X, Y ) F (X, Y )
debe cumplir que:
i ) F (X, Y ) 0 (x Rec(x)) (y Rec(y))
X X
ii ) F (X, Y ) = 1
xRec(x) yRec(y)
b) Caso Continuo: X e Y variables aleatorias continuas, si existe una funcion fXY no
negativa e integrable tal que:
ZZ
P ((X, Y ) A) = fXY (x, y) dA
A
A R2 .
2 FXY
fXY (x, y) =
xy
MAT031 HSR 77
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
c) Distribuciones marginales:
X Z
i ) de X: F (X, Y ) o fXY (x, y) dy
yRec(y) |{z}
yRec(y)
X Z
ii ) de Y : F (X, Y ) o fXY (x, y) dx
xRec(x) |{z}
xRec(x)
d ) Funciones condicionales:
i ) de X dado Y
fXY (x, y)
fX|Y =
fY (y)
fXY (x, a)
fX|Y =a =
fY (a)
ii ) de Y dado X
fXY (x, y)
fY |X =
fX (x)
fXY (a, y)
fY |X=a =
fX (a)
e) Esperanza condicional:
Z
fXY (x, a)
i ) E (X/Y = a) = x dx
fY (a)
Z
fXY (a, y)
ii ) E (Y /X = a) = y dy
fX (a)
f ) Varianza condicional:
ii ) V (Y /X = a) = E (Y 2 /X = a) (E (Y /X = a))2
Z
2 fXY (a, y)
y2
E Y /X = a = dy
fX (a)
MAT031 HSR 78
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
g) Algunas propiedades:
MAT031 HSR 79
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
10. Ayudanta 10
Desarrollo:
a) Sea:
X: Numero de unidades con defectos electronicos; x = 0, 1, 2.
Y : Numero de unidades con un defecto en la memoria; y = 0, 1.
Se pide calcular:
2 1 2
x y 2xy
fXY (x, y) = ; x+y 2
5
2
Y 0 1
X
1 2 3
0
10 10 10
4 2 3
1
10 10 5
1 1
2 0
10 5
3 2
1
5 5
MAT031 HSR 80
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
1 4 2 7
b) Se pide calcular: fXY (0, 0) + fXY (1, 0) + fXY (0, 1) = + + =
10 10 10 10
7
P(0, 1 o 2 defectos) =
10
c)
2
X
E (X | Y = 0) = xfX|Y =0 (x, y)
x=0
2
X fXY (x,0)
= x
x=0
fY (0)
1 4 1
10 10 10
= 0 3 +1 3 +2 3
5 5 5
2 1
= 0+ +
3 3
E (X | Y = 0) = 1
2
X
2
x2 fX|Y =0 (x, y)
E X |Y =0 =
x=0
2
X fXY (x,0)
= x2
x=0
fY (0)
1 4 1
= 02 10
3 + 12 10
3 + 22 10
3
5 5 5
2 2
= 0+ +
3 3
4
=
3
finalmente la varianza sera:
V(X | Y = 0) = E X 2 | Y = 0 [E (X | Y = 0)]2
4
= (1)2
3
1
V (X | Y = 0) =
3
d ) Las variables no son independientes, pues:
fXY (0, 0) 6= fX (0)fY (0)
1 3 3
6=
10 10 5
MAT031 HSR 81
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
y la transformacion:
T : [1, [[1, [ D
xy
(x, y) T (x, y) =
x/y
T es inyectiva:
Supongamos que T (x, y) = T (w, z). Entonces:
x w
(1) xy = wz (2) =
y z
MAT031 HSR 82
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Luego:
v u u 1 1
|det(JT 1 (u, v))| = =
2 u 2 v 3 2 v 2 uv 2v
por lo que reemplazaremos de acuerdo a la definicion de cambio de variable:
con T11 (u, v) = xy y T21 (u, v) = u/v Reemplazando tenemos:
p
1 1 1
fXY T11 (u, v), T21 (u, v) |det(JT 1 (u, v))| =
2 = 2
2v 2u v
p
2
( uv) u/v
finalmente la densidad conjunta para el vector aleatorio (U, V ) esta dada por:
1 1
, u1 y vu
2u2 v
fU V (u, v) = u
0 , en otro caso
b) Consideremos u 1. La densidad marginal de U esta dada por:
Z
fU (u) = fU V (u, v) dv
Z u
1
= dv
1 2u2 v
u
v=u
1
= 2
ln v
2u 1
v= u
1
= (ln u ln(1/u))
2u2
1
= (ln u (ln 1 ln u))
2u2
ln u
=
u2
MAT031 HSR 83
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
ln u
fU (u) = I[1,[(u)
u2
Consideremos v > 0. La densidad marginal de V esta dada por:
Z
fV (v) = fU V (u, v) du
Z
1
= 2
du
max{1/v,v}2u v
1 1
=
2v u max{1/v,v}
0
1 1 7 1
=
2v max {1/v, v}
1
=
2v max {1/v, v}
1
fV (v) = I]0,[(v)
max {2, 2v 2 }
c) Demostracion para fU (u).
0
> Z
ln u
1
= + 2
dx
u 1 1 u
ln 1 ln u
= ya que = 0 y lm =0
Z 1 u u
1
= 2
du
1 u
1
=
u 1
0
1 1
=
1
= 1
MAT031 HSR 84
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Z
ln u
du = 1
1 u2
Con lo anterior se demuestra que fU (u) es funcion densidad.
1 1
= +
2 2
= 1
Z
1
dv = 1
0 max {2, 2v 2 }
Con lo anterior se demuestra que fV (v) es funcion densidad.
MAT031 HSR 85
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
11. Ayudanta 11
11.1. Estimacion Puntual
11.1.1. Metodo de los Momentos
1. Sea {Xi }ni=1 una muestra aleatoria de una poblacion con funcion densidad
2
+1 x 2
fX (x, ) = x
0 x<2
calcule el estimador para .
Desarrollo:
se tiene que:
2
Z
E (X) = x +1 dx
2 x
Z
1
= 2
dx
2 x
+1 x=
x
= 2 (Solo converge si + 1 < 0 = > 1)
+ 1 x=2
2 : 0 +1
+1
=
2
+ 1
2
=
1
n
X xi
Sea = X n . Igualando, tenemos:
i=1
n
2
= Xn
1
2 = X n ( 1)
2 = X n X n
2 X n = X n
2 Xn = X n
Xn
=
Xn 2
MAT031 HSR 86
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Por lo que el estimador, por el metodo de los momentos, de esta dado por:
n
X xi
i=1
n
b= n
X xi
2
i=1
n
2. El tiempo T (en segundos) que un ordenador tarda en ejecutar una tarea sigue una
variable aleatoria continua de funcion densidad
+1 t 1, > 1
t
fT (t, ) =
0 t<1
MAT031 HSR 87
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
b) Primero debemos calcular el valor estimado de , con los datos que se conocen.
5
X xi x1 + x2 + x3 + x4 + x5
=
i=1
5 5
6+5+3+7+2
=
5
23
=
5
Por lo que el valor estimado de esta dado por:
23
5
b = 23
5
2
23
b =
13
b = 1, 769
Por lo que la funcion densidad queda de la forma:
1, 769
2,769 t 1, > 1
fT (t) = t
0 t<1
Se pide P (T > 5)
Z
1, 769
P (T > 5) = 2,769
dt
5 t
Z
1
= 1, 769 2,796
dt
5 t
2,796+1 t=
t
= 1, 796
2, 796 + 1 t=5
1
> : 0 1,796
1, 796 1,796
=
5
1,
796
= (0, 05799)
P (T > 5) = 5, 79 %
MAT031 HSR 88
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Desarrollo:
La funcion binomial de X = x es
n!
px (1 p)nx 0p1
(n x)!x!
MAT031 HSR 89
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Luego:
n
X n
X
xi (n xi )
i=1 i=1
= 0
p 1p
Xn n
X
xi (n xi )
i=1 i=1
=
p 1p
n
X n
X n
X
2
xi xi p = n p xi p
i=1 i=1 i=1
n
X
xi
i=1
p =
n2
n
1 X xi
p =
n i=1
n
n
1 X xi
pb =
n i=1 n
luego encontramos la segunda derivada con respecto a p y evaluamos el punto obtenido
anteriormente:
X n Xn
xi (n xi )
2 ln (F (xi , p))
= i=12 i=1
p2 p (1 p)2
nX n n2 nX n
=
p2 (1 p)2
= Evaluando en pb = nX n
pb n2 pb
= 2
pb (1 pb)2
n2 pb
pb
= 2+
pb (1 pb)2
notar que 0 pb 1 y n2 > 0
2 ln (F (xi , p))
<0 pb
p2 pb
MAT031 HSR 90
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
12. Ayudanta 12
Desarrollo:
a) Se deben seguir los siguientes pasos:
i ) Definir la funcion de verosimilitud:
fXi (x1 , x2 , x3 , . . . , xn , ) = fX1 (x1 , ) fX2 (x2 , ) fX3 (x3 , ) . . . fXn (xn , )
Yn
= fXi (xi , )
i=1
Yn h i
x2i
= 2xi e IR+0 (xi )
i=1
n h
Y i
2
fXi (x1 , x2 , x3 , . . . , xn , ) = 2xi exi IR+0 (xi )
i=1
MAT031 HSR 91
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
n
X n
X n
X
ln [fXi (x1 , x2 , . . . , xn , )] = n ln (2) + n ln () + ln(xi ) x2i + ln IR+0 (xi )
i=1 i=1 i=1
n
n X 2 n
xi = 0 = b = n
i=1 X
x2i
i=1
2 L
n n
2
= 2 = < 0 n, b
=b
=b 2
b
n
!1
X
b = n x2i
i=1
MAT031 HSR 92
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
b) Para determinar si es insesgado, debemos demostrar que E b =
" #1
n
X
E b = E n x2i
i=1
" #1
n
X
= nE x2i
i=1
n
= n
X
E x2i
i=1
El estimador es insesgado.
MAT031 HSR 93
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
c) Para analizar consistencia debemos calcular lm V b = 0, ya que el estimador es
n
insesgado.
n
lm V = lm V Pn 2
b
i=1 xi
n n
1
= lm n2 n
n X
V x2i
i=1
1
= lm n2 n
n X 2
E x4i E x2i
i=1
MAT031 HSR 94
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
d ) La cota de Cramer-Rao se calcula como:
1
V () 2
L
E
2
Aparte,
2L
n
E = E 2
2
1
= nE
2
n
= 2
Reemplazando,
2
V ()
n
2. Considere una muestra aleatoria X1 , X2 , . . . , Xn con funcion densidad dada por:
1 x
x exp , x > 0, > 0, > 0
fX (x, , ) =
0 , en otro caso
MAT031 HSR 95
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
Reemplazando queda:
( )
1 x 1
y 1
x exp 1 y 1 = ( y)1 exp 1 y 1
x= y
( )
y
y 1 1
( y)1 exp 1
=
1 n y 1 1 1 1
o
= exp y y
1 n yo
= exp
1 y
fY (y) = e IR+0 (y)
1
luego la funcion densidad de y es exponencial de parametro
b) El estimador de maxima verosimilitud, viene dado por:
n
Y x
fXi (xi , ) = x1
i exp i IR+ (xi ) Funcion de Verosimilitud
i=1
MAT031 HSR 96
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
finalmente,
n
!
2 L
n 2 X
= x
2 =b 2 3 i=1 i
=b
n
n 2 X
= xi
b2 b3 i=1
n
n 2n X xi
=
b2 b3 y=1
n
| {z }
b
n 2n
= b
b2 b3
n
=
b2
2 L
n
2
= < 0 n, b
=b
b2
n
1X
b = x
n i=1 i
Es el estimador de MV para .
MAT031 HSR 97
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
c) Por demostrar que E b =
n
!
X xi
E = E
b
i=1
n
n
1X
= E (xi )
n i=1
= Pero, Y = X = Yi = Xi
n
1X
= E (yi )
n i=1
n Z
1 X 1 yi
= yi e dyi
n i=1 0
n Z
1X y
i 1
= yi e + e dyi
n i=1 0 0
yi
= Notar que lm yi e = 0 (lHopital)
yi
n Z
1 X 1 1
= e dyi
n i=1
| 0 {z }
1
n
1X
=
n i=1
1
= n
n
=
E b =
MAT031 HSR 98
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
MAT031 HSR 99
Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
2
V ()
n
Es la cota de Cramer-Rao para y como la varianza del estimador es igual a la
cota, el estimador es eficiente.
13. Ayudantia 13
13.1. Intervalos de Confianza
1. El consumo de gasolina de cierto tipo de vehculos se distribuye aproximadamente nor-
mal. Si una muestra aleatoria de 64 vehculos tiene un consumo promedio de 16 [millas/galon]
con una desviacion estandar de 6 [millas/galon].
a) Encuentre un intervalo de confianza del 92 % para el consumo medio de gasolina de
todos los vehculos de este tipo.
b) Con un 95 % de confianza. Cual es el error si el consumo medio es tomado en
16 [millas/galon]?
c) Determine un intervalo de confianza del 94 % para la varianza.
d ) De que tamano debe ser la muestra si queremos tener un 95 % de seguridad que
la media no difiera en mas de 0, 5 [millas/galon] de la media verdadera?
Desarrollo:
a) Sea X : Consumo de gasolina por vehculo N (, 2 ), con X n = 16 y Sn = 6.
.
S Sn
tn1;1 2 = t63;0,975
n n1
6
= 1, 998
63
Error = 1, 51
2
c) Intervalo de confianza del 94 % para con desconocido.
1 = 0, 94 = = 0, 06 = 1 = 0, 97
2
" #
(n 1) S 2 (n 1) S 2
IC2 = ; 2 : distribucion Ji-cuadrado
2n1;1 2n1;
2 2
Sn2 n Sn2 n
(n 1)
(n 1)
(n1)
(n1)
=
;
2n1;1 2n1;
2 2
" #
Sn2 n Sn2 n
= ;
2n1;1 2n1;
2
2
36 64 36 64
= ;
263;0,97 263;0,03
2304 2304
= ;
85, 74 43, 64
IC2 = 26, 87; 52, 79
S Sn
d ) Error= tn1;1 2 = t63;10,975 , como este debe ser a lo mas 0, 5, tenemos:
n n1
Sn
0, 5 t63;10,975
n1
6
0, 5 1, 998
n1
1
0, 5 11, 988
n1
11, 998
n1
0, 5
n1 23, 976
n1 (23, 976)2
n (23, 976)2 + 1
n 575, 8
n 576
2. De experiencias pasadas se sabe que la desviacion estandar de las estaturas de ninos de
5to basico es de 5[cm].
a) Se seleccionan 36 ninos, observandose una media de 130[cm], construya un intervalo
de confianza del 95 % para la estatura media de la poblacion.
b) Cual es el tamano de la muestra para que el intervalo de confianza
[130 0, 95; 130 + 0, 95]
tenga un 95 % de confianza?
Desarrollo:
a) Sea X : estatura de ninos de 5to basico, X n = 130 y = 5
b) Error= Z1 2
n
0, 95 = Z1 2
n
5
0, 95 = 1, 96
n
1, 96
n = 5
0, 95
2
1, 96
n = 5
0, 95
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 confianza para la pro-
porcion de votos de cada candidato, considerando un nivel de confianza del 95 %.
Desarrollo:
Sea Xi : votantes que apoyan al candidato i, con i = {A, B}. Ademas
XA Bin (100; 0, 55) XB Bin (100; 0, 45)
Intervalo de confianza para una proporcion:
" p #
pb (1 pb)
ICp = pb Z1 2
n
Intervalo para A,
" p #
pbA (1 pbA )
ICpA = pbA Z0,975
n
0, 55 0, 45
= 0, 55 1, 96
100
0, 497
= 0, 55 1, 96
10
ICpA = [0, 452; 0, 647]
Intervalo para B,
" p #
pbB (1 pbB )
ICpB = pbB Z0,975
n
0, 45 0, 55
= 0, 45 1, 96
100
0, 497
= 0, 45 1, 96
10
n
X x2i
b =
i=1
2n
y considere
2L n
=
2 2
Desarrollo:
Desarrollo:
i ) Primero calculamos la media:
6
X xi 1, 82 + 3, 21 + 4, 32 + 1, 31 + 2, 35 + 1, 92
X= = = 2, 49
i=1
n 6
H0 : = 0 HA : 6= 0 Z0 Z1 2 o Z0 Z1 2
Z1 2 = Z0,975 = 1, 96
v ) Luego,
Z0 Z1 2 o Z0 Z1 2
0, 277 1, 96 o 0, 277 1, 96
vi ) Finalmente, como no se cumple la condicion de rechazo para H0 , decimos que no
hay evidencia suficiente para rechazar esta.
2. Un operador de la bolsa aconseja a un cliente respecto a una inversion de compra y
destaca la poca variabilidad de dicha cotizacion de acuerdo a los estipulado en el, esta
accion representara una variacion en la cotizacion diaria de 2 = 0, 2. Se selecciona una
muestra de 15 das donde se registra la cotizacion diaria. El calculo de la varianza en
la muestra es S 2 = 0, 4. Con = 0, 05 se puede decidir si la varianza es menor que la
historica?
Desarrollo:
H0 : 2 < 02
HA : 2 02
H0 : 2 = 02 HA : 2 6= 02 Q0 2n1;1 o Q0 2n1;
2 2
H0 : 2 = 02 HA : 2 < 02 Q0 2n1;
n Sn2
Q0 = = 30
02
Luego,
Q0 2n1;1 o Q0 2n1;
2 2
30 5, 63 o 30 26, 1
Por lo que se rechaza H0 : 2 = 02 . Ahora,
Q0 2n1;
30 23, 7
Con lo anterior se tiene evidencia sufiente para decir que no se rechaza la hipotesis de
que la varianza es menor a la varianza historica.
14. Ayudanta 14
1. Sea:
fXY (x, y) = k (20 x y) I (x, y)
donde,
= (x, y) R2 : 0 < 2x < y , y < 4x < 8
Desarrollo:
y ademas que ZZ
k (20 x y) d = 1
Z 2 Z 4x
k (20 x y) dy dx = 1
0 2x
2 y=4x
y 2
Z
k 20y xy dx = 1
0 2 y=2x
Z 2
1 2 2
k 20 (4x 2x) x (4x 2x) 16x 4x dx = 1
0 2
Z 2
40x 2x2 6x2 dx
k = 1
0
Z 2
40x 8x2 dx
k = 1
0
x=2
2 8 3
k 20x x = 1
3 x=0
64
k 80 = 1
3
240 64
k = 1
3
3
k=
176
b) Funcion marginal de X:
Z 4x
fX (x) = k (20 x y) dy
2x
y=4x
y 2
= k 20y xy
2 y=2x
1 2 2
= k 20 (4x 2x) x (4x 2x) 16x 4x
2
= k 40x 8x2
3
40x 8x2 I]0,2[ (x)
fX (x) =
176
Funcion marginal de Y :
"Z y # "Z #
2
2
fY (y) = k (20 x y) dx I]0,4] (y) + k (20 x y) dx I]4,8[ (y)
y y
4 4
y y 1 y2 y2
y y
= k 20 y
2 4 2 4 16 2 4
3 2 y2
= k 5y y
32 4
11 3
= k 5y y 2 con k =
32 176
Ahora calculamos:
Z 2 x=2
x2
k (20 x y) dx = k 20x xy
y
4
2 x= y
4 2
y 1 y y
= k 20 2 4 y 2
4 2 16 4
2 2
y y
= k 40 5y 2 + 2y +
32 4
9 3
= k 38 7y + y 2 con k =
32 176
c) fY |X=1 (y), esta dado por:
fXY (x = 1, y)
fY |X=1 (y) =
fX (x = 1)
k (20 x y) I]2x,4x[ (y)
=
k (40x 8x2 )
x=1
20 1 y
= I]2,4[ (y)
40 8
1
fY |X=1 (y) = (19 y) I]2,4[ (y)
32
d)
Z 4
1
E (Y | X = 1) = y (19 y) dy
2 32
4
y 2 y 3
1
= 19
32 2 3 2
1 19 1
= (16 4) (64 8)
32 2 3
1 56
= 114
32 3
E (Y | X = 1) = 2, 98
2 2
e) La varianza esta dada por V (Y | X = 1) = E (Y | X = 1) [E (Y | X = 1)] , por
lo que necesitamos calcular:
Z 4
2 1
y 2 (19 y) dy
E Y |X=1 =
2 32
4
y 3 y 4
1
= 19
32 3 4 2
1 19 1
= (64 8) (256 16)
32 3 4
1 1064
= 60
32 3
= 9, 21
V (Y | X = 1) = 0, 33
f)
Z 3
1
P (2 Y 3 | X = 1) = (19 y) dy
2 32
3
y 2
1
= 19y
32 2 2
1 1
= 19 (3 2) (9 4)
32 2
1 5
= 19
32 2
1 38 5
=
32 2
P (2 Y 3 | X = 1) = 51, 56 %
g)
3
Z
4
Z 4x Z 1 Z 3
k (20 x y) dy dx + k (20 x y) dy dx
1 3
2 2
P (2 Y 3 | X 1) = 2
Z 1 Z 4x
4
k (20 x y) dy dx
0 2x
Aparte:
3 3 y=4x
4x
y 2
Z Z Z
4 4
k (20 x y) dy dx = k 20y xy dx
1
2
2 1
2
2
y=2
Z 3
4 1 2
= k 20 (4x 2) x (4x 2) 16x 4 dx
1
2
2
Z 3
4
80x 40 4x2 + 2x 8x2 + 2 dx
= k
1
2
Z 3
4
38 + 82x 12x2 dx
= k
1
2
x= 3
= k 38x + 41x2 4x3 x= 41
2
3 1 9 1 27 1
= k 38 + 41 4
4 2 16 4 64 8
= 2, 125k
ahora,
Z 1Z 3 Z 1 3
y 2
k (20 x y) dy dx = k 20y xy dx
3
4
2 3 2 2
Z 4 1
1
= k 20 (3 2) x (3 2) (9 4) dx
3 2
Z 4 1
5
= k 20 x dx
3 2
Z 4 1
35
= k x dx
3
4
2
x=1
x2
35
= k x
2 2 x= 3
4
35 3 1 9
= k 1 1
2 4 2 16
= 3, 901k
finalmente,
1 4x Z 1 y=4x
y 2
Z Z
k (20 x y) dy dx = k 20y xy dx
0 2x 0 2 y=2x
Z 1
1 2 2
= k 20 (4x 2x) x (4x 2x) 16x 4x dx
0 2
Z 1
40x 8x2 dx
= k
0
x=1
2 8 3
= k 20x x
3 x=0
= 17, 333k
Reemplazando:
2, 125k + 3, 901k
P (2 Y 3 | X 1) =
17, 333k
6, 026
=
17, 333
= 0, 3476
P (2 Y 3 | X 1) = 34, 76 %
1. Sea {Xi }ni=1 una m.a. (n) proveniente de una familia con densidad:
1 2+
x
fX (x, ) = e IR+ (x) > 2
2+
a) Determine un estimador de Maxima Verosimilitud para .
b) Es insesgado el estimador encontrado en (a)?
c) Par n = 100 se obtuvo un promedio de 5, 5. Determine el valor del estimador
encontrado en (a).
Desarrollo:
1
a) Notar que X exp , por lo que E (x) = (2 + ) y V (x) = (2 + )2 . Ahora
2+
calculamos el EMV para :
n
Y 1 2+
xi
fXi (xi , ) = e IR+ (xi ) Funcion de Verosimilitud
i=1
2+
n 2n b
= 2 2
3 +
2 + b 2 + b
n 2n
= 2 2
2+b 2+b
n
= 2
2+b
2 L
n
= 2 < 0 n N , b R
2 =b
2+b
b) Para que sea insesgado, debe cumple que E b = .
n
!
X x i
E b = E 2
i=1
n
n
!
X xi
= E E (2)
i=1
n
n
1X
= E (xi ) 2
n i=1
n
1X
= (2 + ) 2
n i=1
1
= n (2 + ) 2
n
= (2 + ) 2
E b =
100
X xi
b = 2 = 5, 5 2
i=1
100
b = 3, 5
para n = 100.