Recopilacion Ayudantias MAT031 PDF

Universidad Tecnica Federico Santa Mara
Departamento de Matematica a
Campus Santiago
Recopilacion de Ayudantas
de Estadstica
MAT031
Primer Semestre de 2010
a
Profesor : Enzo Hernandez

Ayudante : Hugo Salazar Riquero
Indice
1. Ayudanta 1 4
1.1. Estadstica Descriptiva Univariada . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Estadstica Descriptiva Bivariada (Ajuste de Rectas) . . . . . . . . . . . . . . . . . 9
2. Ayudanta 2 12
2.1. Estadstica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. Teora de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. 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
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
14.1.1. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
14.1.2. Maxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
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
a) Construya una tabla de frecuencia.

b) Calcular X y s usando el metodo codificado.
Desarrollo:
a) k = numero de clases
k = 1 + 3, 3 log(n) = 1 + 3, 3 log(50) = 6, 6 = k ' 7
Rango (R) = Dato mayor Dato menor = 110 74 = 36

Rango de la muestra (Rm ) = R+1 = 36 + 1 = 37
Ancho del intervalo:
Rm 37
I' = = I ' 6
k 7
Exceso:
A = I k Rm = 6 7 37 = A = 5
Lmites del intervalo: li : Lmite inferior, Li : Lmite superior
A
i) si A es impar = li = dato menor
2
A 1
ii) si A es par = li = dato menor
2 2
Lmite superior Li = li + I
= l1 = 74 25 = 71, 5
= Li = 71, 5 + 6 = 77, 5
MAT031 HSR 4
Campus Santiago
Con esta informacion ya podemos construir la tabla de fecuencia:
Clase MCi Limites ni Ni fi Fi di ni di ni d2i

C1 74,5 71,5 - 77,5 2 2 0,04 0,04 -3 -6 18
C2 80,5 77,5 - 83,5 2 4 0,04 0,08 -2 -4 8
C3 86,5 83,5 - 89,5 6 10 0,12 0,20 -1 -6 6
C4 92,5 89,5 - 95,5 14 24 0,28 0,48 0 0 0
C5 98,5 95,5 - 101,5 12 36 0,24 0,72 1 12 12
C6 104,5 101,5 - 107,5 10 46 0,2 0,92 2 20 20
C7 110,5 107,5 - 113,5 4 50 0,08 1 3 12 36
Aparte:
i) Frecuencia Absoluta:
k
X
ni = n
i=1
ii) Frecuencia Absoluta Acumulada:

Ni
iii) Frecuencia Relativa:
ni
fi =
n
iv) Frecuencia Relativa Acumulada:
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
Campus Santiago
vi) Formulas para la Varianza:

n
2 1X 2 2
s = Xj X
n j=1
k
2 1X
s = ni (M Ci X)2
n i=1
!2
k k
1 X 1 X
s2 = I2 ni d2i ni di
n i=1 n i=1

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
Campus Santiago
Salario / Salario Mnimo Frecuencia Relativa

0-2 0,25
2-4 0,40
4-6 0,20
6 - 10 0,15
a) Calcule la media, mediana, varianza y desviacion estandar.

b) Que ocurre con la media si se aumentan los salarios en 100 %?, y con la varianza?.
Justifique.
c) Que ocurre con la varianza si se aumentan los salarios en 0,8 u.m? Justifique.
Desarrollo:
a) Primero es necesario completar la tabla:
Salario / Salario Mnimo MCi ni Ni fi Fi

0-2 1 30 30 0,25 0,25
2-4 3 48 78 0,40 0,65
4-6 5 24 102 0,20 0,85
6 - 10 8 18 120 0,15 1
i) Media:
k
1X
X = ni M C i
n i=1
4
1 X
= ni M C i
120 i=1
1
= 428
120
X = 3, 65
ii) Mediana:
n
NM
2 e
Me = lMe + I
nM e
120
30
= 2+ 2 2
48
Me = 3, 25
MAT031 HSR 7
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:
Sea M Ci = 2M Ci , por lo que tenemos que la media es:

k
1X
X = ni M Ci
n i=1
k
1X
X = ni 2M Ci
n i=1
k
1X
X = 2 ni M C i
n i=1

X = 2X

Por lo tanto el promedio aumenta al doble (X = 7, 3)
MAT031 HSR 8
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 .

1.2. Estadstica Descriptiva Bivariada (Ajuste de Rectas)

1. La tabla muestra las edades y la presion sangunea de 12 mujeres adultas
Edad X 56 42 72 36 63 47 55 49 38 42 68 60
141 125 167 118 149 128 155 140 113 140 158
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
a) Encontrar los coeficientes del modelo de regresion lineal.

b) Calcule el coeficiente de correlacion. Existe realmente una tendencia lineal?
c) Estime la presion sangunea de una mujer de 45 anos de edad.
Desarrollo:
MAT031 HSR 9
Campus Santiago
a) Primero debemos organizar las datos como datos pareados:

X 56 42 72 36 63 47 55 49 38 42 68 60
Y 147 125 160 118 149 128 150 145 115 140 152 155
Y = aX + b
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
Por lo tanto los parametros del modelo son: a = 1, 11 y b = 82, 10.

b) Coeficiente de correlacion:
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
Campus Santiago
c) Para hacer la estimacion, basta reemplazar la edad en la formula obtenida:
Y = aX + b
con:
X = Edad de la mujer.
Y = Presion sangunea.
Y = aX + b
= 1, 11X + 82, 10
= 1, 11 (45) + 82, 10
Y = 132, 18
Por lo tanto la presion sanguinea de una mujer de 45 anos sera aproximadamente de

132.

MAT031 HSR 11
Campus Santiago
2. Ayudanta 2
2.1. Estadstica Descriptiva Bivariada
1. En el prestigioso hospital de La Florida, a 50 pacientes se les administra una sustancia que
se 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
a) Calcular el promedio de cada variable.

b) Calcular s2C y s2E .
c) Calcule el coeficiente 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:

dj -2 -1 0 1 2
di M CE \MCC 15 20 25 30 35 ni
-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
nj 6 12 15 13 4 50
MAT031 HSR 12
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
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
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
Las variables son independientes si y solo si se cumple que:
fij = fi fj
Para esto es necesario escoger un i y un j cualquiera y verificar si se cumple dicha

condicion, por ejemplo tomemos i = 4 y j = 3
3
fij = f43 =
50
11
fi = f4 =
50
15
fj = f3 =
50
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
Campus Santiago
2.2. Teora de Probabilidades

1. Se escogen 3 lamparas, de un total de 15, de las cuales 5 son defectuosas.
a) Determinar la probabilidad de que ninguna sea defectuosa.

b) Determinar la probabilidad de que exactamente una sea defectuosa.
c) Encuentre la probabilidad de que al menos una sea defectuosa.
d ) Determine la probabilidad de que la tercera sea la primera defectuosa.
e) Determine la probabilidad de que la tercera sea la segunda lampara defectuosa.
Desarrollo:
a) Sea P(A)= Probabilidad de que ninguna lampara sea defectuosa

10 5
3 0
P (A) = = 0, 264
15
3

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

pide desayuno caliente, mientras que los restantes lo piden fro. Para cada uno de estos vuelos,
el avion dispone a bordo de 72 desayunos calientes y 48 desayunos fros. En una manana
110 pasajeros toman el avion. Determinar la probabilidad de que cada uno de los pasajeros
reciba el desayuno adecuado.
Desarrollo:
Sea P(A)= Probabilidad de que cada pasajero reciba el desayuno adecuado

72 48
66 44
P(A) = = 0, 262
120
110
2.3. Probabilidad Condicional

1. Un inversionista estima que la probabilidad de que un proyecto sea rentable es de 0,65. Para
asegurarse contrata los servicios de dos analistas externos que evaluan el proyecto de forma
independiente. El historial del analista I permite suponer que evaluara el proyecto como
rentable, cuando en realidad lo es, con probabilidad 0,9, mientras que la probabilidad de que
lo evalue como rentable, cuando en realidad no lo es, es de 0,05. El historial del analista II
garantiza que evalua como rentables proyectos que si lo sean un 85 % de las veces y evalua
como rentables aquellos que no lo son en un 10 % de las veces.
a) Determinar la probabilidad de que ambos analistas evaluen el proyecto como rentable.
MAT031 HSR 17
Campus Santiago
b) Si el proyecto evaluo rentable por ambos analistas, determinar la probabilidad de que

sea rentable.
Desarrollo:

a) La probabilidad pedida es: P ERAnalista 1 P ERAnalista 2
Donde:
i) ERAnalista 1 : (A) = analista 1 evaluo el proyecto como rentable
ii) ERAnalista 2 : (B) = analista 2 evaluo el proyecto como rentable
Pi () = Probabilidades asociadas al analista i, con i = {1, 2}

h i h i
P(A) P (B) = P1 (ER|R) P1 ER|R{ P2 (ER|R) P2 ER|R{
= [0, 9 0, 65 + 0, 05 0, 35] [0, 85 0, 65 + 0, 1 0, 35]
= 0, 3539
P (A) P (B) = 35, 39 %

b) La probabilidad pedida es: P R|ERAnalista 1 P R|ERAnalista 2 = P(R|ER)
Donde:
i) R |ERAnalista 1 = Probabilidad de que el proyecto sea rentable dado que el

analista 1 evaluo el proyecto como rentable
ii) R|ERAnalista 2 = Probabilidad de que el proyecto sea rentable dado que el

analista 2 evaluo el proyecto como rentable
Pi () = Probabilidades asociadas al analista i, con i = {1, 2}

P1 (ER|R) P1 (R) P2 (ER|R) P2 (R)
P(R|ER) =
P1 (ER) P2 (ER)

P1 (ER|R) P1 (R) P2 (ER|R) P2 (R)
=
P1 (ER) P2 (ER)
0, 9 0, 65 0, 85 0, 65
=
0, 3539
P(R|ER) = 0, 9131

MAT031 HSR 18
Campus Santiago
2.4. Aplicacion Probabilidad Condicional

1. Sea un espacio muestral y P() una medida de probabilidad definida en 2 (conjunto
potencia de ). Sean A, B, C . Determine si la proposicion es verdadera o falsa.

Si P A = y P B { = = P(A B) 1
{
Si la proposicion es verdadera, demuestrela. Si es falsa, provea un contraejemplo. Los con-

traejemplos deben incluir: el espacio muestral , los eventos A, B y C, y la medida de
probabilidad P()
Desarrollo:
La proposicion es verdadera, en efecto:

Sea P(A) = 1 P A{ y P(B) = 1 P B {
Se sabe que:
P(A B) = P(A) + P(B) P(A B) A B 6=

P(A B) = P(A) + P(B) P(A B)

P(A B) = 1 P A{ + 1 P B { P(A B)
P(A B) = 1 + 1 P(A B)
P(A B) = 2 P(A B)
Ademas:
0 P(A B) 1
Por lo que finalmente tenemos:
P(A B) 1
MAT031 HSR 19
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 %.
a) Determine la probabilidad de recibir un 1.

b) Determine la probabilidad de que se haya transmitido un 1, dado que se recibio un 1.
c) Determine la probabilidad de errar en la tranmision.
Desarrollo:
a) La probabilidad pedida es P(1R ) que esta dada por:
= P (1R | 1T ) P (1T ) + P (1R | 0T ) P (0T )

= 0, 91 0, 55 + 0, 06 0, 45
P (1R ) = 0, 5275

b) el problema se reduce a calcular:
P (1T 1R ) P (1R | 1T ) P (1T )

=
P (1R ) P (1R )
0, 91 0, 55
=
0, 5275
P (1T 1R )
= 0, 9488
P (1R )

c) Sea el evento A: error en la transmicion
P (A) = P (1R | 0T ) P (0T ) + P (0R | 1T ) P (1T )

= 0, 06 0, 45 + 0, 09 0, 55
P (A) = 0, 076
MAT031 HSR 20
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}
X1 = 2X2 X1 = 3X3 X2 = 2X4
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
Luego las probabilidades asociadas a cada maquina son:
P (M1 ) = 0, 48 P (M2 ) = 0, 24 P (M3 ) = 0, 16 P (M4 ) = 0, 12
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
Campus Santiago
Desarrollo:
Sean:
i) P (A): Probabilidad de usar el area A.

ii) P (B): Probabilidad de usar el area B.
iii) P (D | A): Probabilidad de usar el area A dado que viene defectuoso.
iv) P (D | B): Probabilidad de usar el area B dado que viene defectuoso.
y se sabe que: P (D | A) = 3P (D | B)
P (A D) P (D | 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:
Sean los eventos:

i) I: Existencia de incidente.
ii) A: Activacion de la alarma.
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
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.
a) Determinar la probabilidad de que en 3 periodos consecutivos falle 2 veces.

b) Si el sistema no falla en el tercer periodo, determinar la probabilidad de que no haya
fallado en ninguno de los dos periodos anteriores.
Desarrollo:
P (A): Probabilidad de que falle dos veces en tres periodos consecutivos.
a)

= P 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
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
3.2. Extras (Cadenas de Markov)

1. Considere una tienda que mantiene un inventario de un producto dado para satisfacer una
demanda (aleatoria). La demanda diaria D, tiene la siguiente distribucion:
P(D = 0) = 1/4 P(D = 1) = 1/2

P(D = 2) = 1/4 P(D 3) = 0
Sea 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
a) Halle la forma de conocer el inventario al comienzo de cualquier da a partir de n + 1

(ayuda: matriz de probabilidades de transicion).
b) Calcule la probabilidad de tener un nivel de inventario s y S al comienzo del da n + 3,
considerando que segun estudios P(s) = 0, 45 y P(S) = 0, 55 para un da n.
c) Determinar en que proporcion tendremos un nivel de inventario s e inventario nivel S
en el largo plazo.
Desarrollo:
Definamos:
i) Xn : El nivel de inventario al inicio del da n

ii) Estado 1: Una unidad de inventario.
iii) Estado 2: Dos unidades en inventario.
Sea:
MAT031 HSR 24
Campus Santiago
a) 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:
P22 = P (D = 0) + P (D 2) = 1/4 + 1/4 = 1/2
Con esta informacion ya podemos comenzar a responder a lo que se nos pregunta.
a) Matriz de probabilidades de transicion en una etapa:

1/4 3/4
P =
1/2 1/2

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.
cuyas matrices son:

1/4 1/2 0, 45
PT = f (0) =
3/4 1/2 0, 55
MAT031 HSR 25
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
Por lo tanto la probabilidad para cada nivel de inventario al comienzo del da n + 3

viene dada por:

0, 39065 0, 40625 0, 45 0, 399
=
0, 609375 0, 59375 0, 55 0, 601
Es decir, que para el da n + 3 la probabilidad de tener un inventario s y S son de 39,9 %

y 60,1 % respectivamente.

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

T
0 1/4 1/2 0
= P = =
1 3/4 1/2 1
0 + 1 = 1
de aqu se tienen las siguientes ecuaciones:
1 1
0 = 0 + 1 (1)
4 2
3 1
1 = 0 + 1 (2)
4 2
0 + 1 = 1 (3)
reemplazando 1 0 , obtenida de (3), en (1) tenemos:
1 1
0 = 0 + (1 0 )
4 2
1 1 1
0 + 0 0 =
2 4 2
2
0 =
5
Luego, reemplazando el valor obtenido para 0 en cualquiera de las ecuaciones anteriores,

tenemos que:
3
1 =
5
Es decir, en el largo plazo las probabilidades asociadas a los niveles de inventario s y S
son 40 % y 60 % respectivamente.
MAT031 HSR 26
Campus Santiago
MAT031 HSR 27
Campus Santiago
4. Ayudanta 4
4.1. Ejercicios Certamen 1
1. Un banco debe elegir una directiva compuesta por 5 cargos: director, subdirector, interventor,
cajero y cobrador, entre 8 candidatos. Los candidatos son:
3 hombres : Felipe, Gonzalo y Joaqun.
5 mujeres : Alicia, Barbara, Evelyn, Claudia y Natalia.
Suponga que si una persona pertenece a esta directiva, esta persona puede ocupar solo un
cargo y suponga que todas las posibles directivas que pueden formarse tienen la misma
probabilidad de ocurrir.
a) Determine el numero de directivas diferentes que es posible formar.
Desarrollo:
Usando principio multiplicativo, el numero de directivas diferentes que se pueden formar

es: 8 7 6 5 4
b) Calcule la probabilidad que Felipe y Gonzalo NO esten simultaneamente en la directiva.
Desarrollo:
Sea A: Gonzaloy Felipe

no estan simultaneamente en la directiva. Notar que P(A) =
5
1 P A{ . hay 2! = 20 formas de que Felipe y Gonzalo ocupen un cargo en la
2
directiva (pues, cargos son diferentes).
Una vez asignados los cargos de Felipe y Gonzalo, hay 6 5 4 formas de llenar los cargos
restantes. Luego, A{ tiene 20 6 5 4 elementos (Principio multiplicativo). Por lo tanto,
dada la equiprobabilidad entre todas las directivas posibles, la probabilidad pedida es:

P(A) = 1 P A{
20 6 5 4
= 1
87654
= 1 0, 36
P(A) = 0, 64
c) Calcule la probabilidad que la directiva este compuesta por al menos 3 mujeres.
Desarrollo:
Para cada j {3, 4, 5}, definimos el evento Mj : En la directiva hay exactamente j

mujeres. Para cacular el numero de elementos que tiene M3 considere lo siguiente:

5
i) Hay formas de elegir los cargos que ocuparan mujeres (pues los cargos son
3
MAT031 HSR 28
Campus Santiago
diferentes).
ii) Una vez hecho lo anterior, estos cargos pueden ser llenados de 5 4 3 formas.
iii) Una vez hecho i) 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.
a) Cual es la probabilidad de que haya un incremento en la cuota de membresa?
Desarrollo:
Definamos los eventos:

A: el senor A es elegido como presidente.
B: el senor B es elegido como presidente.
C: el senor C es elegido como presidente.
E: el candidato electo incrementa la cuota.
Para esto ultizamos probabilidades totales (equivalentemente, podemos definir un di-

agrama de arbol) ya que necesitamos P(E). Del enunciado tenemos que: P(A) = 0, 3,
P(B) = 0, 5, P(C) = 0, 2, P(E | A) = 0, 8, P(E | B) = 0, 1, P(E | C) = 0, 4
Por lo tanto,
P(E) = P(E | A) P(A) + P(E | B) P(B) + P(E | C) P(C)

= 0, 3 0, 8 + 0, 5 0, 1 + 0, 2 0, 4
= 0, 37
b) Dado que la cuota se ha incrementado, cual es el candidato con mayor probabilidad

de haber sido electo presidente?
Tena este candidato la mayor probabilidad de ser electo inicialmente? Comente.
Desarrollo:
MAT031 HSR 29
Campus Santiago
Necesitamos utilizar el teorema de Bayes para calcular las probabilidades luego de au-
menta la cuota. As,
P(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.
3. Un medico examina la radiografa de un paciente y esta indeciso respecto a su diagnostico

entre cancer al pulmon y tuberculosis. Sobre la base de informacion hstorica, se estima que
la probabilidad de que el cancer produzca una radiografa de este tipo es 0,6, la cual aumenta
a 0,8 para la tuberculosis. En su experiencia, el medico estima que el 70 % de los pacientes
que consultan por sntomas similades tiene cancer y el 30 % de ellos tiene tuberculosis.
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
Campus Santiago
La probabilidad pedida es:

P(R | C) P(C)
P(C | R) =
P(R | C) P(C) + P R | C { P C {
0, 6 0, 7
=
0, 6 0, 7 + 0, 8 0, 3
= 0, 6364
b) Dado que la radiografa es del tipo observado, cual es la probabilidad de que el paciente
tenga tuberculosis?
Desarrollo:

{
P C |R = 1 P(C | R)
= 1 0, 6364
= 0, 3636
c) Si la radiografa no hubiera sido del tipo que se observo, se presentara nuevamente

el problema de decidir entre cancer y tuberculosis. Indique y calcule cuales son las
probabilidades relevantes.
Desarrollo:
Se pide calcular las siguientes probabilidades:

P R{ | C P(C)
P C | R{ = y P C { | R{ = 1 P C | R{
P R{
Luego las probabilidades pedidas son:
0, 4 0, 7
P C | R{ =
0, 34
= 0, 8235
0, 4 0, 7
P C { | R{ = 1
0, 34
= 1 0, 8235
= 0, 1765
4. Un estudiante lanza 10 monedas y contabiliza el numero de caras en cada experiencia. Sus

resultados fueron:
0 1 2 3 4 5 6 7 8 9 10
30 45 79 100 120 126 120 100 79 45 30
MAT031 HSR 31
Campus Santiago
El estudiante asevera que las monedas que 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
a) Cual es el modelo a ajustar?
Desarrollo:
Ustedes que saben usar calculadora, ingresen los datos en ella y calculen para los tres
modelos existentes, y conocidos por ustedes, los respectivos valores para a, b y R. Pos-
teriormente deben comparar los valores obtenidos para R en cada una de las curvas
estudiadas y elegir la que se acerque mas a 1 o 1. Esa es la respuesta correcta.
MAT031 HSR 32
Campus Santiago
b) Verificar si el ajuste de la curva es aceptable
Desarrollo:
Reemplazar valores en el modelo a ajustar (obtenido en el punto anterior) y verificar

que el valor generado es similar al valor que se encuentra en la tabla.
c) Cuantas bacterias habra por unidad de volumen en X = 3, 5 hrs?
Desarrollo:
Idem que (b).
MAT031 HSR 33
Campus Santiago
5. Ayudanta 5
5.1. Variables Aleatorias Discretas
1. Suponga que X es una variable aleatoria discreta con funcion de cuanta:
x 2 1 0 1 2 4
f (x) 0, 1C 0, 2C 0, 6C 0, 5C 0, 4C 0, 2C
a) Determine C para que f (x) sea una distribucion de probabilidad.

b) Obtenga: P (x < 1), P (2 < x < 2) y P (x 2/x > 0)
Desarrollo:
a) Para que sea una distribucion de probabilidad se debe cumplir que:

X
f (x) = 1 y f (x) 0 x Rec(x)
xRec(x)
Por lo que debemos calcular:

1
0, 1C + 0, 2C + 0, 6C + 0, 5C + 0, 4C + 0, 2C = 1 = C = 2
b) P (x < 1) = P (x = 2) + P (x = 1) + P (x = 0) = 0, 05 + 0, 1 + 0, 3 = 0, 45
P (2 < x < 2) = P (x = 1) + P (x = 0) + P (x = 1) = 0, 1 + 0, 3 + 0, 25 = 0, 65
P (x = 2) + 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
Campus Santiago
2. En un pas hay 4 partidos polticos, que se dividen la opinion publica. El 35 % de la poblacion

adhiere al partido I; el 31 %, al partido II; el 28 % al partido III y el 6 % al partido IV. Se sabe
ademas que entre los adherentes del partido I, un 36 % corresponde a personas con ingresos
inferiores a dos sueldos mnimos. Entre los del partido II, el 52 % tiene ingresos inferiores a
dos sueldos mnimos; entre los del partido III hay un 42 % y en el partido IV hay un 11 %.
a) Encontrar la probabilidad de que al sacar una persona al azar, siendo esta con una renta
inferior a dos sueldos mnimos, pertenezca al partido IV.
b) Se sacan 10 personas al azar, Cual es la probabilidad que al menos dos tengan rentas
inferiores a dos sueldos mnimos?
Desarrollo:
a) Sean los eventos:

i: adherencia al partido i, con i = {I, II, III, IV }.
S: recibir una renta menor a dos sueldos mnimos.
P (I) = 0, 35 ; P (II) = 0, 31 ; P (III) = 0, 28 ; P (IV ) = 0, 06

P (S | I) = 0, 36 ; P (S | II) = 0, 52 ; P (S | III) = 0, 42 ; P (S | IV ) = 0, 11
Se pide calcular:
P (S | IV ) P(IV )
P (IV | S) =
P (S | I) P(I) + P (S | II) P(II) + P (S | III) P(III) + P (S | IV ) P(IV )
0, 11 0, 06
=
0, 36 0, 35 + 0, 52 0, 31 + 0, 42 0, 28 + 0, 11 0, 06
0, 0066
=
0, 4114
P (IV | S) = 0, 016
b) Sea X: personas con renta inferior a dos sueldos mnimos.

X Bin (n, p), con n = 10 y p = 0, 4114

n
fx (x) = px (1 p)nx
x
Luego la probabilidad pedida es:
10
X 10
P (x 2) = (0, 4114)x (1 0, 4114)10x = 96 %
x
x=2
3. El 70 % de los aviones ligeros que desaparecen en vuelo en cierto pas son descubiertos
posteriormente. De las naves descubiertas, el 60 % tiene localizador de emergencia, en tanto
que el 90 % de las naves no descubiertas no tiene ese localizador.
MAT031 HSR 35
Campus Santiago
a) Calcule la probabilidad que un avion ligero tenga localizador de emergencia.

b) Considere 10 aviones ligeros desaparecidos. Cual es la probabilidad que exactamente
2 de ellos tengan localizador de emergencia?
c) Ud. Observa independientemente aviones ligeros hasta obtener el primer avion con lo-
calizador de emergencia. Cual es la probabilidad que el proceso finalice en a lo mas 10
observaciones?
d ) Ud. Observa independientemente aviones ligeros hasta obtener el tercer avion con lo-
calizador de emergencia. Cual es la probabilidad que el proceso finalice al menos en 4
observaciones?
Desarrollo:
a) Sean los eventos:

D: Avion ligero descubierto
L: Avion ligero tiene localizador de emergencia

Conocemos que P (L | D) = 6/10, P L{ | D{ = 9/10 y P (D) = 7/10.
La probabilidad pedida es:

P (L) = P (L | D) P(D) + P L | D P D{
{
6 7 1 3
= +
10 10 10 10
45
=
100
P (L) = 45 %
b) Sea X: Numero de aviones con localizador de emergencia, de entre los 10 aviones

disponibles. Claramente Rec (X) = {0, 1, 2, . . . , 10} y ademas X Bin (n = 10; p = 0, 45).
Por lo que la probabilidad pedida es:

10
P (X = 2) = (0, 45)2 (1 0, 45)102
2
= 0, 076
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
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
4. El 90 % de los arboles plantados en una campana de reforestacion sobrevive. Cual es la

probabilidad de que sobrevivan 8 o mas arboles de 10 arboles que acaban de ser plantados?
Desarrollo:
Sea X: Arboles plantados que sobreviven, y ademas X Bin(n = 10, p = 0, 9). Por lo
tanto la probabilidad pedida es:
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
Campus Santiago
5.2. Extras (Convergencia)

1. Sea Xn una variable aleatoria con distribucion Bin (n, p). Haciendo p = n , demuestre que la
distribucion del lmite cuando n es P (), es decir:
lm Xn = P ()
n
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
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
Campus Santiago
5.3. Anexos (Variables Aleatorias Discretas)

Definicion: Sea X una V.A.D. se le asigna una funcion fx , f : Rec (x) R la cual llamaremos
funcion de cuanta de X si y solo si satisface:
i)
fx (x) 0 x Rec(x)
ii) X
fx (x) = 1
xRec(x)
Algunas funciones de cuanta importantes son:
B Bernoulli:
Se define la V.A. X : R por:

1 ; A
X () =
0 ;
/A
fx (x) = px (1 p)1x x {0, 1}
B Binomial:
Sean X1 , X2 , . . . , Xn V.A. del tipo Bernoulli es decir:

1 ; A
Xi () = i
0 ; /A
Se asume que X1 , X2 , . . . , Xn generan eventos independientes entre ellos, luego la V.A.:

Y = X1 + X2 + . . . + Xn genera la funcion de cuanta Binomial definida por:

n
fy (y) = py (1 p)ny ; y {0, 1, 2, . . . , n}
y
Demostracion de funcion de cuanta:
i) notar que fy (y) 0 y {0, 1, 2, . . . , n}

ii) P.D. que: X
fy (y) = 1
yRec(y)
MAT031 HSR 40
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
la funcion fy (y) es funcion de cuanta.
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:
Con X= {Numero de intentos fracasados hasta que ocurre el primer exito}

Suposiciones:
1. Cada intento es o bien un exito o un fracaso.
2. La probabilidad de exito es p para cada intento.
3. Todos los intentos son independientes.
MAT031 HSR 41
Campus Santiago
4. La secuencia de intentos se termina despues del primer exito.
fx (x) = p (1 p)x1 con x {1, 2, . . . , n}

B BinomialNegativa:
Con X={Numero 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.

x1
fx (x) = pr (1 p)xr con x {r, r + 1, . . . , n}
r1
B Hipergeometrica:
Con X={Numero de exitos en una muestra de tamano n}

Suposiciones:
1. La muestra se toma sin reemplazo de un conjunto finito de tamano N que contiene
M exitos y N M fracasos.

M N M
x nx
fx (x) = con x {0, 1, 2, . . . , mn (n, M )}
N
n
MAT031 HSR 42
Campus Santiago
6. Ayudanta 6
6.1. Variables Aleatorias Continuas

1. Sea la funcion: x
e 2
fX (x) = k I[0,[ (x)
x
Calcule la constante k para que sea funcion densidad.
Hint: Z t
1 x2 1
e 2 dx = (t)
2 0 2
Donde es la funcion distribucion normal (0, 1)
Desarrollo:
Para encontrar k debemos calcular:

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

Z x
e 2
k dx = 1
0 x
Luego:
Z x2
e
k dx = 1
0 x
1
k = Z x2
e
dx
0 x
MAT031 HSR 43
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
Campus Santiago
por lo que tenemos:

Z Z
2
z2 1 z2
2
e dz = 2 e dz
0 2 0
| {z }
Aplicar Hint.

1
= 2 ()
2

1
= 2 1
2

2
=
2
luego:
!
Z
x2 2
= xe dx = 2 = 2
0 2
Por lo que finalmente tenemos que:
1
k=
2
y la funcion queda: x
e 2
fX (x) = I[0,[ (x)
2x
MAT031 HSR 45
Campus Santiago
2. Se ha comprobado que el tiempo de vida de cierto marcapasos sigue una distribucion

exponencial con media 16 anos.
a) Determine la probabilidad de que a una persona, a la que se le ha implantado este
marcapasos, se le deba reimplantar otro antes de los 20 anos.
b) Si el marcapasos lleva funcionando correctamente mas de 5 anos, cual es la prob-
abilidad de que haya que cambiarlo antes de los 25 anos?
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
P (X < 20) = 0, 7135

b) Sea:
X: Vida del marcapasos.
X exp () con = E1 = 1
16
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
P (X < 25 | X > 5) = 0, 7135
MAT031 HSR 46
Campus Santiago
3. Los procesos de falla de cada una de 10 componentes se comportan de manera prob-

abilsticamente independientes y siguiendo un mismo modelo probabilstico. Sea Xi el
tiempo de falla de la iesima componente, expresado en miles de horas. Suponga que
su densidad de probabilidad es:
0, 8ex + 0, 4e2x , x 0

fXi (x) =
0 , e.o.c.
para cualquier i = 1, 2, . . . , 10
a) La funcion distribucion acumulada de X3 .
b) Calcule la probabilidad de que a lo mas 3 componentes fallen en 1,5 horas.
Desarrollo:
a) La funcion distribucion de la variable X3 viene dada por:

Z X
3
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
Campus Santiago
Y : Numero de componentes que fallan antes de 1, 5 horas.

Y Bin (10; 0, 8115).
y lo que se pide es:
3
X 10
P (Y 3) = 0, 8115y (1 0, 8115)10y
y
y=0
= 0, 000591241
la probabilidad pedida es 0, 059 %
P (Y 3) = 0, 059 %
4. Sea x una V.A.C. con funcion densidad:

2
fX (x) = 2xex I[0,[ (x)
a) Determinar la funcion densidad de Y = X 2 , donde X tiene funcion densidad fX (x).
b) Demostrar que fY (y) (encontrada en a), es funcion densidad.
c) Determinar E (y) y V (y).
Desarrollo:
a) Sea FY (y) = P (Y y), relacion entre la funcion distribucion y probabilidad, por

lo que se tiene:
FY (y) = P (Y y) = P X 2 y

= P (|X| y)

= P (X y)

= P ( y X y)
+
: X R0
= P (X y) P (X y)

= FX ( y)

FY (y) = FX y , por lo que al derivar encontraremos la funcion densidad de y.
dFY (y) 0 1
= FX
dy 2 y

fX y
=
2 y
(y)2
2 ye
=
I[0,[ (y)
2 y
= ey I[0,[ (y)
fY (y) = ey I[0,[ (y)
MAT031 HSR 48
Campus Santiago
b) Por demostrar que:

fY (y) 0x R+0 , lo cual es obvio.
Z
fX (x) dx = 1:

1
!
Z Z
y= 0
ey IR+0 (y) dy = ey dy = ey y=0 =
e e0

*
=1
>

0
se demuestra que fY (y) es funcion densidad.

c) E (y): se define la esperanza como sigue:
Z
E (y) = yfY (y) dy

por lo que debemos calcular:

Z Z
y
ye IR+0 dy = yey dy
0
Z
y=
yey y=0 ey dy

= +
|0 {z }
1
(La integracion por partes realizada es: u = y du = dy y dv = ey dy v =

ey )
Es claro que cuando y = 0 se tiene que yey = 0, pero cuando y = entonces

tenemos algo de la forma
, por lo que es necesario calcular lm yey
y
y
lm yey = lm aplicando LH se tiene:
y y ey
0
1
= lm y
y e
= 0
E (y) = 1
V (y), se define la varianza como: V (y) = E (y 2 ) (E (y))2 . Por lo que debemos

calcular E (y 2 ).
Z
2
y 2 ey dy

E y =
0
haciendo:
u = y 2 du = 2ydy y dv = ey dy v = ey
MAT031 HSR 49
Campus Santiago
se tiene: Z
y=
y 2 ey y=0 yey dy

= +2
|0 {z }
1
notar que cuando y = 0 no hay problemas en ver que y 2 ey = 0, pero cuando

y = tenemos algo de la forma

, por lo que es necesario calcular lm y 2 ey .
y
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
E (y 2 ) = 2 y se tiene que V (y) = 2 (1)2
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:
a) Sea N1 : cantidad de barcos que llegan al puerto de Valparaso en un da.

N1 P ( 1) = 5
Sea X: tiempo (das) entre llegadas consecutivas. X exp () con = 5
fX (x) = 5e5x I[0,[ (x)
Se pide calcular P (X > 0, 25) (un da tiene 24 horas, por lo que si queremos calcular
MAT031 HSR 50
Campus Santiago
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:
Primer metodo, cambio de variable:

Sea FZ (z) = P (Z z)

X
P (Z z) = P z

= P (X z + )
= FX (z + )
FZ (z) = FX (z + ), derivando tenemos:
dFZ (z) 0
= FX
dz
= fX (z + )
1 1 (z+) 2
= e 2 ( ) IR (z)
2
1 z2
fZ (z) = e 2 IR (z)
2
MAT031 HSR 51
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 =

Funcion generadora de momentos para la funcion densidad normal (, 2 ):

t2 2
X (t) = et+ 2
Ocuparemos esta definicion para desmotrar lo pedido.

X
E eZt = E e( )t

Xt t
= E e
Xt t
= E e E e
t
t
= E eX ( ) E e
2 2

t + t 2 2 t
= e e
t t2 t
= e+2
t2
= e2
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
Campus Santiago
Y U [0, 1]
Nota: F debe ser creciente en [0, 1] para que exista FX FX1 (X) = X

MAT031 HSR 53
Campus Santiago
6.2. Anexos (Variables Aleatorias Continuas)
Variables Aleatorias Continuas

Para que X sea un V.A.C. debe cumplir que:
Su recorrido debe ser infinito no numerable.

a) fX (x) 0 x Rec (x)
Z
b) fX (x) dx = 1

Algunas funciones de densidad importantes son:
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
Campus Santiago
Exponencial: X exp ()
fX (x) = exI[0,[ (x)
Por Demostar:
Z

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:
Z

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
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
=

Recordatorio cambio de variables:

ZZ ZZ
x, y
af (x, y) dA = af (x (u, v) , y (u, v)) J dA0
A A0 u, v
Donde:
x x

x, y
u v
x y x y
J = u v v u
y y
=
u, v u v
Haciendo el siguiente cambio de variables:
z = r cos y = r sin con 0 2 y 0 r
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
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
se demuestra que fX (x) es funcion densidad.
MAT031 HSR 57
Campus Santiago
Gamma: X Gamma (, ) con X = {Tiempo que transcurre hasta la esima ocurrencia.}
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
Campus Santiago
7. Ayudanta 7
7.1. Distribucion Normal

1. El peso de ninos espanoles al momento de nacer se distribuye normal, si sabemos que
el peso medio en el momento de nacer es de 3,25 kg y la desviacion tpica es de 0,82 kg
Cual es la probabilidad de que el peso de un nino, al nacer, sea superior a 4 kg?
Desarrollo:
Sea X: Peso de los ninos espanoles al momento de nacer. X N (3, 25; 0, 822 ). Se pide
calcular:
P (X 4) (Probabilidad de que el peso de un nino al nacer, sea superior a 4 kg.)
Para utilizar la tabla debemos normalizar , es decir:

X 4
P (X 4) = P
}

| {z
Z
4 3, 25
= P Z
0, 82
= P (Z 0, 9146)
= (0, 9146)
buscando en la tabla se tiene:
(0, 9146) = P (Z 0, 9146) = 0, 18 (Aprox)
2. El diametro de cierto eje se distribuye N (2, 79; 0, 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:
a) X: Diametro del eje. X N (2, 79; 0, 012 ). Notar que si:
2, 77 0, 03 < X < 2, 77 + 0, 03
MAT031 HSR 59
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
luego, 1000 0, 1587 = 158, 7.
159 ejes defectuosos
b) X: diametro de los ejes. X N (2, 79; 0, 012 ). Nueva especificacion:
2, 79 0, 02 < X < 2, 79 + 0, 02
por lo que debemos calcular:

X 2, 79 2, 77 2, 79
P(A) = P (X 2, 77) + P (X 2, 81) = P
0, 01 0, 01

X 2, 79 2, 81 2, 79
= +P
0, 01 0, 01
= P (Z 2) + P (Z 2)
= 2P (Z 2)
= 2(2)
= 0, 456
P(A) = 4, 56 %
Sea Y : Cantidad de ejes desviados. Y Bin(n, p) con n = 10 y p = 0, 0456
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
Campus Santiago
b) Determinar la probabilidad de que la vida util de la ampolleta sea mayor a 9600

horas.
Desarrollo:
a) Se sabe que:
P(X > 9200) = 0, 0668
P(X > 6400) = 0, 9772
por lo que tenemos.
P(X > 9200) = 0,0668
=
P(X > 6400) = 0,9772

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

Resolviendo el sistema se tiene que:

= 8000 y = 800
X N (8000, 8002 )
b) Sea: Y : vida util de la ampolleta. Y N (8000, 8002 )

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

1. Sea la funcion:
hX (x) = ke|x| con x R
a) Calcular la constante k para que sea funcion densidad.
b) Si X tiene funcion densidad hX (x) e Y = 25X 2 , encontrar hY (y) y verificar que es
funcion densidad.
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
Campus Santiago
derivando se tiene que:

dHY (y) 0 y
= HX
dy 5

y 1 1
= hY
5 52 y
1 | y | 1
= e 5 I]0,[ (y)
2 10 y

1 y
hY (y) = e 5 I]0,[ (y)
20 y
7.3. Funcion Generadora de Momentos

1. Sea X una V.A. con funcion generadora de momentos X (t), entonces si Y = aX + b,
demostrar que Y (t) = ebt X (at)
Desarrollo:
Sea:
Y (t) = E(eY t )
= E(e(aX+b)t )
= E(eaXt ebt )
= E(ebt )E(eaXt )
= ebt E(eXat )
Y (t) = ebt X (at)
2. Si X1 , X2 , . . . , Xn son variables aleatorias independientes y distribuidas N (, 2 ), de-

mostrar que
n
X Xi
Y =
i=1
n
2

tiene distribucion N , n .
Desarrollo:
MAT031 HSR 63
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
Campus Santiago
7.4. Extras (Demostracion 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
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
Restando (1) y (2) tenemos:

X
ax (1 a) = ak , o bien
x=k

X ak
ax =
x=k
1a
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 numero de ensayos Bernoulli que ya se han realizado
buscando el primer exito no influyen en que se realicen k ensayos mas.
MAT031 HSR 65
Campus Santiago
8. Ayudanta 8
1. Sea X N (, 2 ), si = 0 y 2 = 1, demuestre que Y = X 2 se distribuye (, ).
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
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
Haciendo el siguiente cambio de variables:

u = r cos z = r sin con 0 y 0r<
2
MAT031 HSR 67
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
2. Sea X N (, 2 ), si Y = aX + b, donde a, b R, demuestre que Y N (a + b, a2 2 )
Desarrollo:
MAT031 HSR 68
Campus Santiago
Sea FY (y) = P (Y y), sabiendo esto desarrollamos:

P (Y y) = P (aX + b y)

yb
= P X
a

yb
= FX
a
derivando se tiene:

dFY (y) yb
= FX0
dy a

yb 1
= fX
a a
Reemplazando en la funcion densidad de X tenemos:

1 1 (yb)a 2 1
= e 2 ( a ) IR (y)
2 a
1 1 y(a+b) 2
= e 2 ( a ) IR (x)
2a
Y N (a + b, a2 2 )
3. Considere una variable aleatoria Z con funcion densidad dada por:

c

+1 , z , > 1 , > 0

fZ (z) = z

0 , en otro caso
a) Calcule el valor de c.
b) Calcule E(Z).
c) Sea X = ln(Z), calcule fX (x)
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
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
c) Ocuparemos la definicion de cambio de variable:
FX (x) = P (X x)
= P (ln Z x)
= P (Z ex )
= FZ (ex )
derivando tenemos que:

d
FX (x) = FZ0 (ex )
dx
= fZ (ex )ex

= x(+1) ex
e
= ex
fX (x) = ex I[ln(),[ (x)
4. Sea X una variable aleatoria con funcion densidad:

3x2 x3
f (x) = e I[0,[ (x) ; > 0

X2
Se define Y = , encontrar la funcion densidad de Y .

Desarrollo:
MAT031 HSR 70
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
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:
fXY (x, y) = fX (x)fY (y)
fXY (x, y) = 1 con 0 x 1 y 0 y 1

b) Se pide calcular: P(X 0, 25, Y 0, 25)
Z 0,25 Z 0,25
= dx dy
0 0
Z 0,25
0,25

= x dy
0 0
0,25
= 0, 25y|0
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
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

a) Determine k, para que fXY (x, y) sea funcion densidad.

b) Encuentre las densidades marginales de X y Y .
c) Son X e Y variables independientes? Justifique!.
d) Encuentre las densidades condicionales de X e Y .
e) Calcular P(Y < 21 | X = 12 ) y P(X < 21 | Y 12 ).
f) Encuentre E(X), V(X), E(Y ) y V(Y ).
g) Encuentre E(X | Y = y)
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
Campus Santiago
b) La funcion densidad de X viene dada por:

Z 1
3 2
fX (x) = (x + y 2 ) dy
0 2
3 y=1

3 2y
= +yx
2 3 y=0
3 2 1
= x +
2 2
3 1
fX (x) = x2 + 0x1
2 2
La funcion densidad de Y viene dada por:
Z 1
3 2
fY (y) = (x + y 2 ) dx
0 2
x=1
3 x3

2

= + xy
2 3 x=0
3 2 1
= y +
2 2
3 1
fY (y) = y 2 + 0y1
2 2

c) Las variables no son independientes, pues:

3 2 2 3 2 1 3 2 1
(x + y ) 6= x + y +
2 2 2 2 2

d)
fXY (x, y)
fY |X (x, y) =
fX (x)
3
(x2 + y 2 )
= 23 2 1
2
x +2
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
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
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
Finalmente la varianza de X es:

V(X) = E(X 2 ) [E(X)]2
2
7 5
=
15 8
7 25
=
15 64
V(X) = 0, 076
y la varianza de Y es V(Y ) = 0, 076 , por simetra.

g)
Z 1
E(X | Y = y) = x fX|Y =y (x, y) dx
Z0 1
3(x2 + y 2 )

= x dx
0 3y 2 + 1
Z 1
3
= x3 + xy 2 dx
3y 2 + 1 0
4 1
3 x x2 2
= + y
3y 2 + 1 4 2 0
2

3 1 y
= +
3y 2 + 1 4 2
3 1 + 2y 2

E(X | Y = y) =
4 1 + 3y 2

MAT031 HSR 76
Campus Santiago
9.2. Extras (Vectores Aleatorios)

Un vector aleatorio se define como
X: R2
(X(), Y ())
los sucesos seran de la forma (X, Y ) A con A R2 .
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 .
Dicha funcion se llama funcion densidad conjunta de X e Y , y cumple que.

i ) fXY 0 (x Rec(x)) (y Rec(y))
Z Z
ii ) fXY (x, y) dA = 1
| {z }
(x,y)Rec(x,y)
para este caso se tiene que:
2 FXY
fXY (x, y) =
xy
MAT031 HSR 77
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)
Diremos que X e Y son independientes ssi:
fXY (x, y) = fX (x)fY (y)
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:
i ) V (X/Y = a) = E (X 2 /Y = a) (E (X/Y = a))2

Z
2 fXY (x, a)
x2

E X /Y = a = dx
fY (a)
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
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 ) = a2 V(X) + b2 V(Y ) ; ssi X e Y son independientes.
iv ) V(aX + bY ) = a2 V(X) + b2 V(Y ) 2ab cov(X, Y ) ; ssi X e Y son dependientes.
y
cov(X, Y ) = E(XY ) E(X)E(Y )
Z
v ) E(X) = xf
(x) dx
X

Z
vi ) E(Y ) = yf
(y) dy
X

Z Z
vii ) E(XY ) = xyf (x, y) dx dy
X

MAT031 HSR 79
Campus Santiago
10. Ayudanta 10
10.1. Vectores aleatorios Discretos

1. En un experimento se necesitan dos Scanners. De los cinco disponibles, dos tienen
desperfectos electronicos, otro tiene un defecto de memoria y dos se hallan en buenas
condiciones de operacion. Si se seleccionan dos unidades al azar, determinar:
a) La funcion de cuanta conjunta de las variables aleatorias X e Y , en donde:
X: Numero de unidades con defectos electronicos.
Y : Numero de unidades con defecto de memoria.
b) Determine la probabilidad de que entre las dos unidades seleccionadas, se produzcan
0 o 1 defectos en total.
c) Determine la esperanza y la varianza condicional de X dado Y = 0.
d ) Son X e Y variables aleatorias independientes? Justifique!.
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
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
Campus Santiago
10.2. Cambio de Variables en Vectores

1. Sean X e Y variables aleatorias con densidad conjunta dada por:
1
fXY (x, y) = , x1,y1
x2 y 2
Se definen las variables aleatorias U = XY , V = X/Y

a) Encuentre la funcion de densidad conjunta para las variables U y V . Es decir la
densidad del vector (U, V ).
b) Encuentre las densidades marginales para U y V .
c) Demuestre que las funciones encontradas en (b), son funciones densidad.
Desarrollo:
a) Notar que se tiene el siguiente sistema de ecuaciones:
U = XY
V = X/Y
de la segunda ecuacion se obtiene
p que X = V Y, por lo que al reemplazaren la
primera se
puobtiene que: Y = U/V y X = U V , es decir x(u, v) = uv y
y(u, v) = v . Ademas se requiere que x(u, v) 1 y y(u, v) 1, lo que nos entrega
que uv 1 y uv 1, por lo tanto consideremos el siguiente conjunto:

1
D = (u, v) : 1 u , v u
u
y la transformacion:
T : [1, [[1, [ D
xy
(x, y) T (x, y) =
x/y
La cual es una transformacion biyectiva, en efecto:
T es inyectiva:
Supongamos que T (x, y) = T (w, z). Entonces:
x w
(1) xy = wz (2) =
y z
Como x, y, w, z > 0, depejando x de (1) y reemplazandolo en (2) se obtiene

y = z, lo que implica en (1) que x = w. Luego se tiene que (x, y) = (w, z).
T sobreyectiva: pa
Sea (a, b) D. Entonces, considerando x = ab 1 y y = b
1, se
tiene que T (x, y) = (a, b). Lo cual es cierto por la forma en que fue definida la
transformacion.
MAT031 HSR 82
Campus Santiago
La transformacion inversa de T es:

T 1 : D [1, [[1,
[
1 uv
(u, v) T (u, v) = p
u/v
Ahora calcularemos la matriz Jacobiana y su determinante:
v
u

x x

JT 1 (u, v) = u v = 2 u 2 v

y y 1 u

u v

2 uv 2 v 3
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:
fXY T11 (u, v), T21 (u, v) |det(JT 1 (u, v))|

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
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).
Es claro que fU (u) 0 u 1

Z Z
ln u
fU (u) du = du
1 u2
1 1 1
= haciendo z = ln u dz = du y dv = 2 du v =
Z u u u
ln u 1
= + 2
dx
u 1 1 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
Campus Santiago
Z
ln u
du = 1
1 u2
Con lo anterior se demuestra que fU (u) es funcion densidad.
Demostracion para fV (v).
Para este caso debemos dividir el recorrido de v en v ]0, 1[ y v [1, [. Dicho

esto es claro que fV (v) 0 v ]0, [.
Z Z
1
fV (v) dv = 2
dv
0 max {2, 2v }
= notar que max {2, 2v 2 } = 2 en ]0, 1[ y max {2, 2v 2 } = 2v 2 en [1, [,
= por lo que debemos calcular:
Z 1 Z
1 1
= dv + 2
dv
0 2 1 2v
v 1
1
= +

2 0 2v
1
0 0

1 0 1 1
= +
2 2 2 2

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
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:
Para calcular el estimador de debemos igualar el primer momento poblacional y el

primer momento muestral, es decir:
n
X xi
E (X) =
i=1
n
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
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

a) Utilizando el metodo de los momentos, proponga un estimador para el parametro

.
b) Se ejecuta 5 veces la tarea, y se cronometra el tiempo que ha tardado cada vez.
Estos tiempos son (en segundos):
6, 5, 3, 7, 2
Basandose en esta muestra, y el estimador de anterior, estimar la probabilidad
de que se tarde mas de 5 segundos en realizar la tarea.
Desarrollo:
a) Primero calculamos E (X)
Z

E (T ) = t dt
1 t+1
Z
1
=
dt
1 t
+1 t=
t
=
+ 1 t=1

=
1
n
X xi
Sea = X n . Igualando, tenemos:
i=1
n

= Xn
1
= X n ( 1)
= X n X n
X n = X n

1 Xn = X n
Xn
=
Xn 1
MAT031 HSR 87
Campus Santiago
Por lo tanto el estimador propuesto es:

n
X xi
i=1
n

b= n
X xi
1
i=1
n
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
Campus Santiago
11.1.2. Maxima Verosimilitud
1. En un experimento binomial se observan X = x exitos en n ensayos. Obtener el esti-

mador de maxima verosimilitud del parametro binomial p.
Desarrollo:
La funcion binomial de X = x es
n!
px (1 p)nx 0p1
(n x)!x!
Primero, definimos la funcion de verosimilitud:

n
Y n!
F (xi , p) = pxi (1 p)nxi
i=1
(n xi )!xi !
Ahora definimos la funcion log-verosmil:

" n #
Y n!
ln (F (xi , p)) = ln pxi (1 p)nxi
i=1
(n x i )!x i !
n
X n! xi nxi
= ln p (1 p)
i=1
(n xi )!xi !
n
X
= [ln (n!) ln ((n xi )!) ln (xi !) + xi ln (p) + (n xi ) ln (1 p)]
i=1
n
X n
X n
X n
X
= n ln (n!) ln ((n xi )!) ln (xi !) + ln (p) xi + ln (1 p) (n xi )
i=1 i=1 i=1 i=1
Luego, derivamos con respecto al parametro p e igualamos a cero:

n
X n
X
xi (n xi )
ln (F (xi , p)) i=1 i=1
= =0
p p 1p
MAT031 HSR 89
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
con lo anterior se demuestra que

n
1 X xi
pb =
n i=1 n
es el estimador de maxima verosimilitud para p
MAT031 HSR 90
Campus Santiago
12. Ayudanta 12
12.1. Maxima Verosimilitud

1. La distancia X entre un arbol cualquiera y el arbol mas proximo a el en un bosque
sigue una distribucion de Rayleigh con funcion densidad:
2
fX (x, ) = 2xex x0 >0
basado en una muestra de tamano n:

a) Obtener el estimador de maxima verosimilitud de .
b) Es insesgado el estimador encontrado en (a)?
c) Es consistente dicho estimador?
d ) Determine la cota de Cramer-Rao para .
b
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
ii ) Definir la funcion Log-Verosmil:

" n h
#
Y i
x2i
ln [fXi (x1 , x2 , x3 , . . . , xn , )] = ln 2xi e IR+0 (xi )
i=1
Luego aplicamos propiedades del ln para dejar expresada dicha funcion de la
MAT031 HSR 91
Campus Santiago
forma mas simple de derivar:

" n #
Yh 2
i
= ln 2xi exi IR+0 (xi )
i=1
n
X h h ii
x2i
= ln 2xi e IR+0 (xi )
i=1
Xn h i
2
= ln (2) + ln () + ln (xi ) + ln exi + ln IR+0 (xi )
i=1
n
X n
X n
X n
X n
x2i
X
= ln(2) + ln() + ln(xi ) + ln(e )+ ln IR+0 (xi )
i=1 i=1 i=1 i=1 i=1
n
X n
X n
X
= n ln (2) + n ln () + ln(xi ) x2i + ln IR+0 (xi )
i=1 i=1 i=1
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
iii ) Derivamos con respecto al parametro e igualamos a cero:

n
L n X 2
= x (Donde L es la funcion Log-Verosmil)
i=1 i
n
n X 2 n
xi = 0 = b = n
i=1 X
x2i
i=1
iv ) Finalmente calculamos la segunda derivada y evaluamos:
2 L

n n
2
= 2 = < 0 n, b
=b
=b 2
b
Con esto tenemos que el estimador de Maxima Verosimilitud para es:
n
!1
X
b = n x2i
i=1
MAT031 HSR 92
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
Por lo que calcularemos E (x2 ):

Z
2
2
x2 2xex dx

E x =
0
Z
2 x2 2
= x e + 2xex dx
0 0
2
= notar que lm x2 ex = 0 (lHopital)
x
Z
2
= 2xex dx
0
1
Z
2
= 2xex dx
0
| {z }
1
1
=

Luego, reemplazamos:
n n
n = n
X X 1
E x2i

i=1 i=1

n

= n

=

E b =
El estimador es insesgado.

MAT031 HSR 93
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
notar que E (x2 ) = 1 , ahora calculamos:

Z
2
4
x4 2xex dx

E x =
0
Z
4 x2 2
= x e + 4x3 ex dx
0 0
Z
2 2 x2
= x 2xe dx
0
| {z }
E(x2 )
2 1
=

2
=
2
reemplazando:
1 1
lm n2 n = lm n2 n
n n 2 1
2 2
X X
x4i

E E xi
i=1 i=1
2 2
1
= lm n2 n
n X 1
i=1
2
1
= lm n2 n
n
2
2
= lm n
n
finalmente se tiene que

lm n2 = =
6 0
n
Es decir, el estimador NO es consistente.
MAT031 HSR 94
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

a) Demuestre que la funcion densidad de Y = X es exponencial de parametro 1/.

b) Calcule el EMV de .
c) Muestre que es insesgado y calcule su varianza.
d) Calcule la cota de Cramer-Rao de b y determine si el estimador es eficiente.
Desarrollo
a)
FY (y) = P (Y y)
= P (X y)

= P (X y)

FY (y) = FX ( y)
Derivando obtenemos la funcion densidad de Y
dFY (y)
= FX0 ( y)
dy
1

= fX ( y) 1 y 1
MAT031 HSR 95
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

Luego aplicamos logaritmo natural:

n
xi

Y
ln fXi (xi , ) = ln x1
exp
i IR+ (xi )
i=1

n
X 1 x
= ln xi exp i IR+ (xi )
i=1

n
xi
X
= ln ln + ( 1) ln xi + ln IR+ (xi )
i=1

n n n n n n
X X X X 1X X
= ln ln + ln xi ln xi x + ln IR+ (xi )
i=1 i=1 i=1 i=1
i=1 i i=1
n n n n
X X 1X X
= n ln n ln + ln xi ln xi x + ln IR+ (xi )
i=1 i=1
i=1 i i=1
Ahora, calculamos su derivada con respecto al parametro e igualamos a cero:

n n
L n 1 X 1X
= + 2 x = 0 = =
b x
i=1 i n i=1 i
MAT031 HSR 96
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
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 =
y se demuestra que el estimador es insesgado.
MAT031 HSR 98
Campus Santiago
Ahora calcularemos su varianza:

n
!

X x i
V b = V
i=1
n
n
1 X
= 2
V (xi )
n i=1
= Pero, Y = X = Yi = Xi
n
1 X
= V (yi )
n2 i=1
n
1 X 2
2
= E yi (E (y i ))
n2 i=1
n
1 X 2
2

= E yi
n2 i=1
n Z
1 X 2 1 i
y
2
= y e dyi
n2 i=1 0 i
Aparte:
Z Z
1 yi yi yi
yi2 e dyi = yi2 e +2 yi e dyi

0 0 0
yi
= Notar que lm yi2 e = 0 (lHopital)
yi
Z
yi
= 2 yi e dyi
Z0
1 yi
= 2 yi e dyi

|0 {z }
E(yi )
= 2
= 22
Reemplazando:
n Z n
1 X 2 1 i
y
2 1 X 2 2

y e dy i = 2
n2 i=1 0 i n2 i=1
n
1 X 2
=
n2 i=1
1 2
= n
n2
2
=
n
2
V b =
n
MAT031 HSR 99
Campus Santiago
Ademas se verifica que el estimador es Consistente en Error Cuadratico Medio, ya

que
2
lm =0
n n

d ) Debemos calcular
1
V () 2
L
E
2
sabemos que
n
2L n 2 X
= 2 3 x
2 i=1 i
por lo que la esperanza esta dada por:
2 n
!
L n 2 X
E = E x
2 2 3 i=1 i
n
n 2 X
= E (xi )
2 3 i=1
n
n 2 X
= 2 3 E (yi )
i=1
n
n 2 X
= 2 3
i=1
n 2
= n
2 3
n 2n
= 2
2
n
= 2

Luego la cota es:
1
V () n

2
2
V ()
n
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.

MAT031 HSR 100

Campus Santiago
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.
Intervalo de confianza para con 2 desconocido.

S
IC = X n tn1;1 2 t : distribucion t student
n

Calculo de 1 :
2

(1 ) % = 92 % = = 10, 92 = = 0, 08 = = 0, 04 = 1 = 0, 96
2 2

Sn n
Ademas S = , reemplazando tenemos:
n1

Snn
IC = X n t641;0,96
n n 1

6
= 16 t63;0,96
63

6
= 16 1, 77
63

IC = 14, 66; 17, 33

S
b) El error viene dado por tn1;1 2 .
n

1 = 0, 95 = = 0, 05 = 1 = 0, 975
2
MAT031 HSR 101

Campus Santiago
.
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

MAT031 HSR 102

Campus Santiago
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
Intervalo de confianza para con 2 conocido.

(1 ) % = 95 % = = 0, 05 = 1 = 0, 975
2

IC = X n Z1 2
n

5
= 130 Z0,975
36

5
= 130 1, 96
6
IC = [128, 36; 131, 63]
MAT031 HSR 103

Campus Santiago

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
MAT031 HSR 104

Campus Santiago
ICpA = [0, 352; 0, 547]

4. Sea X1 , X2 , . . . , Xn una m.a. de una distribucion con funcion densidad probabilstica
dada por
x x2
fX (x, ) = e 2 IR+ (x)

determine un intervalo de confianza del 95 % para y evalue dicho intervalo si se sabe
X100
que x2i = 2586, 51. Considere el estimador de igual a
i=1
n
X x2i
b =
i=1
2n
y considere
2L n
=
2 2
Desarrollo:
Intervalo de confianza para un estimador Maximo Verosmil:

" #
1
ICM V = bM V Z1 2 p
nI1 ()
con
2L

n n
I1 () = E = 2 = I1 () = 2
2

y 1 = 0, 975, luego
2
" #
1
ICM V = bM V Z1 2 p
nI1 ()

1
= bM V Z0,975 q
n n2
" r #
2
= bM V 1, 96
n2

= M V 1, 96
b
n
por lo tanto el intervalo de confianza esta dado por:
" #

bM V
ICM V = bM V 1, 96
n
MAT031 HSR 105

Campus Santiago
Ahora, debemos evaluar,

" #
bM V
ICM V = bM V 1, 96
n
" n n
#
X x2i 1 X x2i
= 1, 96
i=1
2n n i=1 2n
" n n
#
1 X 2 1 X 2
= x 1, 96 2 x
2n i=1 i 2n i=1 i

1 1
= 2586, 51 1, 96 2586, 51
200 20000
= [12, 933 0, 253]
ICM V = [12, 68; 13, 19]

13.2. Test de Hipotesis

1. Se extraen los siguientes datos, distribuidos N (, 2) : 1, 82; 3, 21; 4, 32; 1, 31; 2, 35; 1, 92.
Se puede decir que la media es 2,33 con la muestra que tenemos, con = 0, 05?
Desarrollo:
i ) Primero calculamos la media:
6
X xi 1, 82 + 3, 21 + 4, 32 + 1, 31 + 2, 35 + 1, 92
X= = = 2, 49
i=1
n 6
ii ) Como se pide realizar test de hipotesis para la media, debemos identificar si la

desviacion 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 cual se obtiene por formulario y es:
X 0
Z0 =

n
y su valor es:
2, 49 2, 33
Z0 = = Z0 = 0, 277
2

6
iii ) Planteamiento de nuestra hipotesis nula y alternativa:
H0 : = 0
HA : 6= 0
en donde se cumple que:
MAT031 HSR 106

Campus Santiago
Hipotesis Nula Hipotesis Alternativa Rechace H0 s
H0 : = 0 HA : 6= 0 Z0 Z1 2 o Z0 Z1 2
iv ) Ahora debemos calcular 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:
Dado que no se conoce la media poblacional, ocupamos el pivote y las regiones de

rechace para 2 con desconocido.
(n 1) S 2
Q0 =
02
Antes de continuar, debemos hacer el cambio:
Sn2 n
S2 =
n1
Por lo que el estadstico de prueba queda:
n Sn2
Q0 =
02
Las hipotesis a contrastar son:
H0 : 2 < 02
HA : 2 02
Por lo que debemos considerar las regiones de rechazo para:
MAT031 HSR 107

Campus Santiago
Hipotesis Nula Hipotesis Alternativa Rechace H0 s
H0 : 2 = 02 HA : 2 6= 02 Q0 2n1;1 o Q0 2n1;
2 2
H0 : 2 = 02 HA : 2 < 02 Q0 2n1;
Ahora calculamos los valores de Q0 , 2n1;1 , 2n1; y 2n1; .

2 2
n Sn2
Q0 = = 30
02
2n1;1 = 214;0,975 = 5,63

2
2n1; = 214;0,025 = 26,1

2
2n1; = 214;0,05 = 23,7
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
Por lo tanto se rechaza H0 : 2 = 02 .
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.
MAT031 HSR 108

Campus Santiago
14. Ayudanta 14

14.1.1. Vectores
1. Sea:
fXY (x, y) = k (20 x y) I (x, y)
donde,
= (x, y) R2 : 0 < 2x < y , y < 4x < 8

a) Encontrar k para que sea funcion densidad conjunta.

b) Determinar la funcion marginal de X e Y .
c) Calcular fY |X=1 (y).
d) Calcular E (Y | X = 1).
e) Calcular V (Y | X = 1).
f) Calcular P (2 Y 3 | X = 1).
g) Calcular P (2 Y 3 | X 1).
Desarrollo:
a) Para que sea funcion densidad conjunta se debe cumplir que:
fXY (x, y) 0 (x, y)
y ademas que ZZ
k (20 x y) d = 1

Es claro que se cumple la primera condicion, por lo que debemos calcular:
MAT031 HSR 109

Campus Santiago
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
MAT031 HSR 110

Campus Santiago
Por lo que calcularemos cada integral por separado,

y x= y2
x2
Z
2
k (20 x y) dx = k 20x xy
y
4
2 x= y4
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
Finalmente se tiene que:

3 11 3 9 2
fY (y) = 5y y 2 I]0,4] (y) + 38 7y + y I]4,8[ (y)
176 32 176 32

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

MAT031 HSR 111

Campus Santiago
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
luego la varianza es: V (Y | X = 1) = 9, 21 2, 982
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
MAT031 HSR 112

Campus Santiago
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
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
MAT031 HSR 113

Campus Santiago
finalmente,
1 4x Z 1 y=4x
y 2
Z Z
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 %

14.1.2. Maxima Verosimilitud
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+
MAT031 HSR 114

Campus Santiago
Luego de finimos la funcion Log-Verosmil,

n
Y1 2+xi
ln fXi (xi , ) = ln e IR+ (xi )
i=1
2+
n
X 1 xi
= ln + ln IR+ (xi )
i=1
2 + 2 +
n n n
X 1 1 X X
= ln xi + ln IR+ (xi )
i=1
2 + 2 + i=1 i=1
n n
1 X X
= n ln (2 + ) xi + ln IR+ (xi )
2 + i=1 i=1
Luego derivamos e igualamos a cero, para obtener un punto crtico,

n n
L n 1 X X xi
= + 2 xi = 0 = =
b 2
2 + (2 + ) i=1 i=1
n
Luego calculamos su segunda derivada y evaluamos,

n
!
2L n 2 X
= xi

2 (2 + )2 (2 + )3 i=1

=b
n
n 2n X xi
= 2 3
n
2 + b 2 + b i=1
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
Por lo tanto se tiene que

n
X xi
b = 2
i=1
n
Es el estimador de Maxima Verosimilitud para .

MAT031 HSR 115

Campus Santiago

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 =
es decir, el estimador es insesgado.

c) Se tiene que el estimador es
n
X xi
b = 2
i=1
n
100
X xi
por lo que para n = 100, tiene que X 100 = = 5, 5, reemplazando tenemos:
i=1
100
100
X xi
b = 2 = 5, 5 2
i=1
100
b = 3, 5
para n = 100.

MAT031 HSR 116

Recopilacion Ayudantias MAT031 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Recopilacion Ayudantias MAT031 PDF

Uploaded by

Copyright:

Available Formats

Universidad Tecnica Federico Santa Mara

Profesor : Enzo Hernandez

a) Construya una tabla de frecuencia.

k = 1 + 3, 3 log(n) = 1 + 3, 3 log(50) = 6, 6 = k ' 7

Rango (R) = Dato mayor Dato menor = 110 74 = 36

Con esta informacion ya podemos construir la tabla de fecuencia:

Clase MCi Limites ni Ni fi Fi di ni di ni d2i

ii) Frecuencia Absoluta Acumulada:

vi) Formulas para la Varianza:

Salario / Salario Mnimo Frecuencia Relativa

a) Calcule la media, mediana, varianza y desviacion estandar.

a) Primero es necesario completar la tabla:

Salario / Salario Mnimo MCi ni Ni fi Fi

Sea M Ci = 2M Ci , por lo que tenemos que la media es:

1.2. Estadstica Descriptiva Bivariada (Ajuste de Rectas)

a) Encontrar los coeficientes del modelo de regresion lineal.

a) Primero debemos organizar las datos como datos pareados:

Por lo tanto los parametros del modelo son: a = 1, 11 y b = 82, 10.

c) Para hacer la estimacion, basta reemplazar la edad en la formula obtenida:

Por lo tanto la presion sanguinea de una mujer de 45 anos sera aproximadamente de

a) Calcular el promedio de cada variable.

Primero debemos ampliar la tabla a:

Las variables son independientes si y solo si se cumple que:

Para esto es necesario escoger un i y un j cualquiera y verificar si se cumple dicha

2.2. Teora de Probabilidades

a) Determinar la probabilidad de que ninguna sea defectuosa.

a) Sea P(A)= Probabilidad de que ninguna lampara sea defectuosa

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

Sea P(A)= Probabilidad de que cada pasajero reciba el desayuno adecuado

2.3. Probabilidad Condicional

a) Determinar la probabilidad de que ambos analistas evaluen el proyecto como rentable.

b) Si el proyecto evaluo rentable por ambos analistas, determinar la probabilidad de que

i) ERAnalista 1 : (A) = analista 1 evaluo el proyecto como rentable

ii) ERAnalista 2 : (B) = analista 2 evaluo el proyecto como rentable

Pi () = Probabilidades asociadas al analista i, con i = {1, 2}

i) R |ERAnalista 1 = Probabilidad de que el proyecto sea rentable dado que el

ii) R|ERAnalista 2 = Probabilidad de que el proyecto sea rentable dado que el

Pi () = Probabilidades asociadas al analista i, con i = {1, 2}

2.4. Aplicacion Probabilidad Condicional

Si la proposicion es verdadera, demuestrela. Si es falsa, provea un contraejemplo. Los con-

La proposicion es verdadera, en efecto:

P(A B) = P(A) + P(B) P(A B) A B 6=

Por lo que finalmente tenemos:

a) Determine la probabilidad de recibir un 1.

a) La probabilidad pedida es P(1R ) que esta dada por:

= P (1R | 1T ) P (1T ) + P (1R | 0T ) P (0T )

P (1T 1R ) P (1R | 1T ) P (1T )

P (A) = P (1R | 0T ) P (0T ) + P (0R | 1T ) P (1T )

X1 = 2X2 X1 = 3X3 X2 = 2X4

Luego las probabilidades asociadas a cada maquina son:

P (M1 ) = 0, 48 P (M2 ) = 0, 24 P (M3 ) = 0, 16 P (M4 ) = 0, 12

i) P (A): Probabilidad de usar el area A.

Sean los eventos:

a) Determinar la probabilidad de que en 3 periodos consecutivos falle 2 veces.

P (A): Probabilidad de que falle dos veces en tres periodos consecutivos.

3.2. Extras (Cadenas de Markov)

P(D = 0) = 1/4 P(D = 1) = 1/2

a) Halle la forma de conocer el inventario al comienzo de cualquier da a partir de n + 1

i) Xn : El nivel de inventario al inicio del da n

P22 = P (D = 0) + P (D 2) = 1/4 + 1/4 = 1/2

Con esta informacion ya podemos comenzar a responder a lo que se nos pregunta.

a) Matriz de probabilidades de transicion en una etapa:

cuyas matrices son:

Sea A: Gonzaloy Felipe