Recopilacion MAT042

Universidad Tecnica Federico Santa Mara
Departamento de Matematica
Campus Santiago
a
a
a
a
a
a
a
Recopilaci on de Ayudantas
Probabilidad y Estadstica
MAT042
Primer Semestre de 2010
a
a
a
a
a
a
a
Profesores : Francisca Gonzalez
Enzo Hernandez
Ayudante : Hugo Salazar Riquero
Indice
1. Ayudanta 1 4
1.1. Estadstica Descriptiva Univariada . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Estadstica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2. Ayudanta 2 11
2.1. Estadstica Descriptiva Bivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Teora de Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3. Ayudanta 3 19
3.1. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Extras (Cadenas de Markov) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4. Ayudanta 4 27
4.1. Ejercicios Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5. Ayudanta 5 33
5.1. Variables Aleatorias Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5.2. Extras (Convergencia) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.3. Anexos (Variables Aleatorias Discretas) . . . . . . . . . . . . . . . . . . . . . . . . . 42
6. Ayudanta 6 45
6.1. Variables Aleatorias Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.2. Anexos (Variables Aleatorias Continuas) . . . . . . . . . . . . . . . . . . . . . . . . 56
7. Ayudanta 7 61
7.1. Distribuci on Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
7.2. Extras (Demostraci on VAD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8. Ayudanta 8 66
8.1. Cambio de Variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2. Funcion Generadora de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
9. Ayudanta 9 77
10.Ayudanta 10 90
10.1. Vectores aleatorios Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
10.2. Vectores Aleatorios Continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
10.3. Extras, Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
11.Ayudanta 11 101
11.1. Vectores Aleatorios Continuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
11.2. Cambio de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
12.Ayudanta 12 108
12.1. Estimacion Puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
12.1.1. Metodo de los Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
12.1.2. M axima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
13.Ayudanta 13 115
13.1. Intervalos de Conanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
13.2. Test de Hipotesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
14.Ayudanta 14 124
15.Controles 138
15.1. Control 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
15.2. Control 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
15.3. Control 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
16.Certamenes 151
16.1. Certamen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
16.2. Certamen 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
16.3. Certamen 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Campus Santiago
a
1. Ayudanta 1
1.1. Estadstica Descriptiva Univariada
1. El promedio global de cierta asignatura es de 80. Los 60 hombres que tomaron el ramo,
obtuvieron un promedio de 84, en cambio las mujeres solo consiguieron una media de 70.
a) Cuantas mujeres cursaron el ramo?
b) Si las mujeres obtuvieron una desviaci on de 7, y de los hombres se sabe que
1
n
n
i=1
x
2
i
= 7225
Que grupo es mas homogeneo?
Desarrollo:
a) El promedio viene dado por:
X =
X
h
n
h
+X
m
n
m
n
h
+n
m
Donde:
X
h
: Promedio asociado a los hombres.
n
h
: Cantidad de hombres que cursaron el ramo.
X
m
: Promedio asociado a las mujeres.
n
m
: Cantidad de mujeres que cursaron el ramo.
X: Promedio global de la asignatura.
80 =
84 60 + 70 n
m
60 +n
m
=n
m
= 24
Por lo tanto 24 mujeres cursaron el ramo.
b) Se dene el coeciente de variaci on (CV ) como:

X
. Por lo tanto el grupo que posea un
coeciente de variaci on mas peque no, ser a el mas homogeneo.
CV
m
=

m
X
m
=
7
70
= 0, 1
MAT042 HSR 4
Campus Santiago
Para calcular CV
h
, primero es necesario calcular la desviaci on estandar asociada a los
hombres, con la informaci on dada:
S =
_
1
n
n
i=1
x
2
i
X
2
h
=
_
7225 (84)
2
= 13
CV
h
=

h
X
h
=
13
84
= 0, 155
Por lo tanto el grupo mas homogeneo es el de las mujeres.
2. Se poseen los siguientes datos de altura (en pulgadas) de una muestra de 100 alumnos
Altura 59, 5 62, 5 62, 5 65, 5 65, 5 68, 5 68, 5 71, 5 71, 5 74, 5
Frecuencia 5 18 42 27 8
a) Encuentre la altura media de los estudiantes, la moda y la mediana.
b) Calcule la varianza muestral, desviacion estandar, rango intercuartlico, clase percentil
70 y coeciente de variaci on.
Desarrollo:
a) Primero se debe construir una tabla de frecuencias:
Clase MC
i
Lmites n
i
N
i
f
i
F
i
d
i
C
1
61 59, 5 62, 5 5 5 0, 05 0, 05 2
C
2
64 62, 5 65, 5 18 23 0, 18 0, 23 1
C
3
67 65, 5 68, 5 42 65 0, 42 0, 65 0
C
4
70 68, 5 71, 5 27 92 0, 27 0, 92 1
C
5
73 71, 5 74, 5 8 100 0, 08 1 2
Altura media:
X = M
0
+
1
n
I
k
i=1
n
i
d
i
= 67 +
1
100
3 15 = 67, 45
MAT042 HSR 5
Campus Santiago
Moda:
l
m
0
+

1
1
+
2
I; con
1
= n
m
0
n
m
0
y
2
= n
m
0
n
+
m
0
=Moda = 65, 5 +
24
24+15
3 = 67, 35
Mediana: F
i
0, 5 C
3
: F
3
= 0, 65
F ormula a usar:
l
Me
+
n
2
N
Me
n
Me
I = 65, 5 +
100
2
23
42
3 = 67, 43
b) Varianza:
S
2
= I
2
_
_
1
n
k
i=1
n
i
d
2
i

_
1
n
k
i=1
n
i
d
i
_
2
_
_
= 3
2
_
97
100

_
15
100
_
2
_
= 8, 5275
Desviaci on estandar: S = 2, 92
Rango intercuartlico: RSQ =
Q
3
Q
1
2
Q
3
: Clase cuantil 3, F
3
0, 75 C
4
: F
4
= 0, 92
F ormula a usar:
l
i
+
ni
4
N
CQ
n
CQ
I;
con: CQ: Clase cuantil y i= Cuantil
=68, 5 +
(
1003
4
65)
27
3 = 69, 61
Q
1
: Clase cuantil 1, F
1
0, 25 C
3
: F
3
= 0, 65
=65, 5 +
(
1001
4
23)
42
3 = 65, 64
MAT042 HSR 6
Campus Santiago
Luego RSQ =
69,6165,64
2
= 1, 99
Rango percentil:
P
90
P
10
P
i
= l
i
+
nq
100
N
i1
n
i
I
P
90
: Clase percentil 90, F
i
0, 9 C
4
: F
4
= 0, 92
=68, 5 +
(
10090
100
65)
27
3 = 71, 28
P
10
i
0, 1 C
2
: F
2
= 0, 23
=62, 5 +
(
10010
100
5)
18
3 = 63, 33
Luego RP = 71, 28 63, 33 = 7, 95
P
70
i
0, 7 C
4
: F
4
= 0, 92
=68, 5 +
(
10070
100
65)
27
3 = 69, 05
Coeciente de variaci on:
X
=
2, 92
67, 45
= 0, 0433 = 4, 33 %
MAT042 HSR 7
Campus Santiago
1.2. Estadstica Descriptiva Bivariada
1. Se clasica a los trabajadores de un mineral en 3 categoras, mayores de 35 a nos, entre 25 y 35
a nos y menores a 25 a nos, obteniendose la siguiente informaci on respecto a su productividad
en Kgs
Categora N Trabajadores Productividad Media Desviaci on Estandar
20 25 200 40 7
25 35 260 60 5
35 40 300 70 4
a) Calcule la productividad media total.
b) Calcule la variabilidad de la producci on.
c) Que porcentaje de la variabilidad total es explicada por la diferencia de edad entre los
estratos?
d) Que grupo es m as homogeneo? Justique.
Desarrollo:
a)
X
t
=
3
i=1
n
i
P
i
Total
trabajadores
=
200 40 + 260 60 + 300 70
40 + 60 + 70
= 58, 68
b) V
intra
= Variabilidad al interior de los grupos
S
2
intra
=
3
i=1
n
i
s
2
i
Total
trabajadores
=
200 (7)
2
+ 260 (5)
2
+ 300 (4)
2
40 + 60 + 70
= 27, 76
V
inter
= Variabilidad entre los grupos
S
2
inter
=
3
i=1
n
i
P
2
i
Total
trabajadores
X
2
t
=
200 (40)
2
+ 260 (60)
2
+ 300 (70)
2
40 + 60 + 70
58, 68
2
= 143, 49
Por lo tanto la variabilidad total viene dada por S
2
t
= S
2
intra
+S
2
inter
MAT042 HSR 8
Campus Santiago
=S
2
t
= 27, 76 + 143, 49 = 171, 25
c)
S
2
inter
S
2
t
=
143, 49
171, 25
= 0, 8379 = 83, 79 %
Por lo tanto la variabilidad observada, para los 760 trabajadores, se puede explicar en
un 83, 79 % por la diferencia de edad entre las distintas categorias.
d)
CV
1
=

1
X
1
=
7
40
= 0, 175
CV
2
=

2
X
2
=
5
60
= 0, 083
CV
3
=

3
X
3
=
4
70
= 0, 057
Por lo tanto el grupo mas homogeneo es el n umero tres.
2. A continuaci on se presentan los valores experimentales de la presion de cierta masa de gas y

los valores correspondientes al volumen.
Volumen [in
3
] 54, 3 61, 8 72, 4 88, 7 118, 6 194, 0
Presi on [lb/in
2
] 61, 2 49, 5 37, 6 28, 4 19, 2 10, 1
De acuerdo a los principios termodinamicos, debera existir una relaci on entre las variables
de la forma PV
= C, donde y C son constantes.

a) Encuentre dichos valores ( y C) para determinar la ecuaci on anterior.
b) Estime el volumen de la masa a una presi on de 5 [lb/in
2
].
Desarrollo:
MAT042 HSR 9
Campus Santiago
a)
PV
= C / ln()
ln(PV
) = ln(C)
ln([P[) + ln([V [) = ln([C[)
Sean: ln([P[) = Y , ln([V [) = X, ln([C[) = b, obteniendo como ecuaci on:
Y +X = b
Por lo que se hace necesario construir una nueva tabla:
V P ln(V ) ln(P)
54, 3 61, 2 3, 99 4, 11
61, 8 49, 5 4, 12 3, 90
72, 4 37, 6 4, 28 3, 63
88, 7 28, 4 4, 49 3, 35
118, 6 19, 2 4, 78 2, 95
194, 0 10, 1 5, 27 2, 31
Luego los datos de las dos ultimas columnas se ingresan a la calculadora en el formato
de regresi on lineal y se obtienen los valores para las constantes y b, los c uales son:
1, 52 y 10, 19, respectivamente.
Recordar que:
ln([C[) = b =C = e
10,19
Finalmente se tiene que la ecuacion pedida es:
PV
1,52
= 26635, 5
b) Basta con reemplazar el valor dado, es decir:

PV
1,52
= 26635, 5
(5)V
1,52
= 26635, 5
V =
_
26635, 5
5
_ 1
1,52
=V = 282, 90
MAT042 HSR 10
Campus Santiago
2. Ayudanta 2
2.1. Estadstica Descriptiva Bivariada
1. En el prestigioso hospital de La Florida, a 50 pacientes se les administra una sustancia que
se identica con la letra C en miligramos, considerando como segunda variable la edad E
medida en a nos, tal como se muestra en la siguiente tabla de contingencia:
MC
E
MC
C
15 20 25 30 35 n
i
20 4 2 2 8
30 2 6 3 1 12
40 2 5 4 3 14
50 2 3 6 11
60 2 2 1 5
n
j
6 12 15 13 4 50
a) Calcular el promedio de cada variable.
b) Calcular S
n
2
C
y S
n
2
E
.
c) Calcule el coeciente de correlacion muestral.
d) Calcule las medias condicionales para C y E.
e) Calcule las varianzas condicionales para C y E.
f ) Analice independencia entre C y E.
Desarrollo:
Primero debemos ampliar la tabla a:
d
j
-2 -1 0 1 2
d
i
MC
E
MC
C
15 20 25 30 35 n
i
-2 20 4 2 2 8
-1 30 2 6 3 1 12
0 40 2 5 4 3 14
1 50 2 3 6 11
2 60 2 2 1 5
n
j
6 12 15 13 4 50
MAT042 HSR 11
Campus Santiago
a)
C = MC
0
+
1
n
I
C
k
j=1
d
j
n
j
= 25 +
1
50
5
5
j=1
d
j
n
j
= 24, 94
E = MC
0
+
1
n
I
E
k
i=1
d
i
n
i
= 40 +
1
50
10
5
i=1
d
i
n
i
= 38, 6
b)
S
n
2
C
= I
2
_
_
1
n
k
j=1
n
j
d
2
j

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

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

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

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

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

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

=
cov(E, C)
s
E
s
C
cov(E, C) =
1
n
_
r
i=1
s
j=1
n
ij
MC
i
MC
j
_
(E C)
=
1
50
_
5
i=1
5
j=1
n
ij
MC
i
MC
j
_
(24, 94 38, 6)
=
1
50
49700 962, 684
= 31, 316
MAT042 HSR 12
Campus Santiago
= =
31, 316
5, 69 12, 17
= 0, 45
d)
X
E
j
=
1
n
j
k
i=1
MC
E
i
n
ij
X
E
1
=
1
6
(20 4 + 30 2) = 23, 3
X
E
2
=
1
12
(20 2 + 30 6 + 40 2 + 50 2) = 33, 3
X
E
3
= 40
X
E
4
= 46, 92
X
E
5
= 45
X
C
i
=
1
n
i
k
j=1
MC
C
j
n
ij
X
C
1
=
1
8
(15 4 + 20 2 + 25 2) = 18, 75
X
C
2
=
1
12
(15 2 + 20 6 + 25 3 + 30 1) = 21, 25
X
C
3
= 27, 85
X
C
4
= 26, 81
X
C
5
= 29
e)
S
2
n
E
j
=
1
n
j
k
i=1
n
ij
(MC
E
i
X
E
j
)
2
S
2
n
E
1
=
1
6
(4 (20 23, 3)
2
+ 2 (30 23, 3)
2
) = 22, 2
S
2
n
E
2
=
1
12
(2 (20 33, 3)
2
+ 6 (30 33, 3)
2
+ 2 (40 33, 3)
2
+ 2 (50 33, 3)
2
) = 88, 8
S
2
n
E
3
= 146, 6
S
2
n
E
4
= 67, 45
S
2
n
E
5
= 75
MAT042 HSR 13
Campus Santiago
S
2
n
C
i
=
1
n
i
k
j=1
n
ij
(MC
E
j
X
E
i
)
2
S
2
n
C
1
=
1
8
(4 (15 18, 75)
2
+ 2 (20 18, 75)
2
+ 2 (25 18, 75)
2
) = 17, 18
S
2
n
C
2
=
1
12
(2 (15 21, 25)
2
+ 6 (20 21, 25)
2
+ 3 (25 21, 25)
2
+ 1 (30 21, 25)
2
) = 17, 18
S
2
n
C
3
= 23, 98
S
2
n
C
4
= 14, 87
S
2
n
C
5
= 22
f ) Sea:
f
i
=
n
i
n
f
j
=
n
j
n
f
ij
=
n
ij
n
Las variables son independientes si y solo si se cumple que:
f
ij
= f
i
f
j
Para esto es necesario escoger un i y un j cualquiera y vericar si se cumple dicha
condici on, por ejemplo tomemos i = 4 y j = 3
f
ij
= f
43
=
3
50
f
i
= f
4
=
11
50
f
j
= f
3
=
15
50
3
50
=
11
50

15
50
? =0, 06 ,= 0, 66
Por lo tanto las variables E y C no son independientes.
MAT042 HSR 14
Campus Santiago
2.2. Teora de Probabilidades
1. Se sacan 3 bolitas de una caja, que contiene 20 verdes, 30 negras y 70 azules; si todas salen
de distinto color se procede a extraer una bolita de la caja 1, que contiene 40 rojas y 60
blancas; si salen 2 bolitas de color verde se procede a extraer una bolita de la caja 2, que
contiene 30 rojas y 70 blancas; en caso contrario se procede a extraer una bolita de la caja
3, que contiene 20 rojas y 80 blancas.
a) Determine la probabilidad que la bolita extrada sea roja.
b) Si la bolita extrada es blanca, Cual es la probabilidad de que hubiese sido sacada de
la caja 2?
Desarrollo:
a)
P(Roja) = P(R[C
1
) P(C
1
) +P(R[C
2
) P(C
2
) +P(R[C
3
) P(C
3
)
= 0, 4 P(C
1
) + 0, 3 P(C
2
) + 0, 2 P(C
3
)
Aparte:
P(C
1
) =
_
20
1
__
30
1
__
70
1
_
_
120
3
_ = 0, 149
P(C
2
) =
_
20
2
__
100
1
_
_
120
3
_ = 0, 068
P(C
3
) = 1 P(C
1
) P(C
2
) = 0, 783
Luego tenemos que:
= 0, 4 0, 149 + 0, 3 0, 068 + 0, 2 0, 783
=P(Roja) = 23, 66 %
MAT042 HSR 15
Campus Santiago
b)
P(C
2
[B) =
P(B[C
2
) P(C
2
)
P(B)
=
0, 7 0, 068
0, 7634
= 6, 2 %
2. En una caja con chas rojas y blancas, se sabe hay 30 chas rojas y el 20 % de ellas son
blancas. Se extraen simult aneamente 5 chas. Encontrar la probabilidad de que:
a) Dos chas sean rojas.
b) La primera y la quinta cha sean rojas.
c) La quinta sea la primera cha roja.
d) La quinta sea la segunda cha roja.
Desarrollo:
Sea: 30 + 0, 2 X = X =X = 38 por lo que se tiene que las chas blancas son 8.
a)
P(2 Rojas) =
_
8
3
__
30
2
_
_
38
5
_ = 4, 85 %
b)
P(A) =
30
38

8
37

7
36

6
35

29
34
= 0, 48 %
c)
P(A) =
_
8
4
_
_
38
4
_
30
34
= 0, 08 %
d)
P(A) =
_
8
3
__
30
1
_
_
38
4
_
29
34
= 1, 9 %
MAT042 HSR 16
Campus Santiago
2.3. Probabilidad Condicional
1. Sea un espacio muestral y P() una medida de probabilidad. Sean A, B, C . Determine
si la siguiente proposici on es verdadera o falsa:
Si P(A[C) P(B[C) y P(A[C
) P(B[C
) =P(A) P(B)
Si la proposici on es verdadera, demuestrela. Si es falsa, provea un contraejemplo. Contrae-
jemplos deben incluir: el espacio muestral , los eventos A, B, C y la medida de probabilidad
P()
Desarrollo:
La proposicion es verdadera.
Demostraci on:
P(A[C) P(B[C)
P(A C)
P(C)

P(B C)
P(C)
P(A C) P(B C)
P(A[C
) P(B[C
)
P(A C
)
P(C
)

P(B C
)
P(C
)
P(A C
) P(B C
)
Sumando se tiene:
P(A C) +P(A C
) P(B C) +P(B C
)
=P(A) P(B)
Con lo anterior se completa la demostracion.
2. Al contestar una pregunta en un examen de seleccion m ultiple, un estudiante o sabe la

respuesta o la adivina. Sea p la probabilidad de que sepa la respuesta y 1 p la probabilidad
de que adivine. Suponga que un estudiante que adivina la respuesta acierta con probabilidad
de
1
m
, donde m es el n umero de alternativas en la opcion m ultiple:
a) Cual es la probabilidad de que un estudiante haya sabido la respuesta a la pregunta
puesto que su respuesta fue correcta?
b) Si una pregunta consta de 5 alternativas y un estudiante sabe la respuesta tres veces m as
a menudo que no. Cu al es la probabilidad de que ese estudiante supiera la respuesta a
una pregunta que contesto correctamente?
MAT042 HSR 17
Campus Santiago
Desarrollo:
a)
P(S[C) =
P(C[S) P(S)
P(C[S) P(S) +P
_
C[S
_
P
_
S
_
=
1 p
1 p +
1
m
(1 p)
b) con p = 0, 75 y m = 5 se tiene:
P(S[C) =
0, 75
0, 75 +
1
5
(1 0, 75)
P(S[C) = 93, 75 %
MAT042 HSR 18
Campus Santiago
3. Ayudanta 3
3.1. Probabilidad Condicional
1. Una Isapre clasica a sus aliados en tres estratos socioecon omicos: Alto, Medio, Bajo. Se
sabe que la cantidad de aliados de clase alta es igual a la de la clase media, mientras que la
cantidad de aliados de la clase alta es la tercera parte de los de clase baja. Sus estadsticas
indican que el porcentaje de licencias medicas otorgadas a sus aliados de clase alta, es el
triple de las de la clase media, por otro lado, a la clase baja se le otorga el doble de licencias
que a la clase media. El pocentaje de licencias otrogadas por la Isapre a sus aliados, en
total, es de un 20 %. Se seleccionan dos aliados al azar.
a) Cual es la probabilidad de que ninguno este con licencia?
b) Cual es la probabilidad de que uno este con licencia y el otro no este con licencia?
c) Si ambos estan con licencia, Cual es la probabilidad de que sean de clase alta?
Desarrollo:
Sea:
X : cantidad de aliados.
Clase Alta = X
Clase Media = X
Clase Baja = 3X
Total = 5X
Sea P(X
i
) con i = A, M, B, probabilidad de pertenecer a clase Alta, Media o Baja
P(X
A
) =
X
5X
= 0, 2
P(X
M
) =
X
5X
= 0, 2
P(X
B
) =
3X
5X
= 0, 6
MAT042 HSR 19
Campus Santiago
Sea P(Y
i
) con i = A, B, C, probabilidad de obtener licenca medica en la clase i.
Luego:
0, 2 P(Y
A
) + 0, 2 P(Y
M
) + 0, 6 P(Y
B
) = 0, 2
Pero sabemos que:
3P(Y
M
) = P(Y
A
) y P(Y
B
) = 2P(Y
M
)
Reemplazando tenemos:
0, 2 3P(Y
M
) + 0, 2 P(Y
M
) + 0, 6 2P(Y
M
) = 0, 2
P(Y
M
) = 0, 1 =P(Y
A
) = 0, 3 P(Y
B
) = 0, 2
a) Sea P(A) = Probabilidad de que uno no este con licencia =P(A)

2
= Probabilidad de
que ninguno de los dos este con licencia.
P(A)
2
=
_
P
_
X
A
[ Y
A
_
+P
_
X
M
[ Y
M
_
+P
_
X
B
[ Y
B
__
2
=
_
P
_
Y
A
[ X
A
_
P(X
A
) +P
_
Y
M
[ X
M
_
P(X
M
) +P
_
Y
B
[ X
B
_
P(X
B
)
_
2
= [0, 7 0, 2 + 0, 9 0, 2 + 0, 8 0, 6]
2
= [0, 8]
2
P(A)
2
= 0, 64 (Probabilidad de que ninguno este con licencia)
b) Sea P(B) = Probabilidad de tener licencia.

Por lo que la probabilidad pedida es: P(A) P(B).
Adem as:
P(B) = 1 P(A)
Por lo que se tiene:
P(A) P(B) = P(A) [1 P(A)]
= P(A) P(A)
2
= 0, 8 (0, 8)
2
P(A) P(B) = 0, 16
Por lo tanto, la probabilidad de que uno este con licencia y el otro no es de un 16 %.
MAT042 HSR 20
Campus Santiago
c) Se nos pide calcular:
P(X
A
[ Y
A
)
P(B)
con P(B)= Probabilidad de tener licencia
Esto se puede calcular de dos formas:
P(X
A
[ Y
A
)
P(B)
=
P(Y
A
[ X
A
) P(X
A
)
P(Y
A
[ X
A
) P(X
A
) +P(Y
M
[ X
M
) P(X
M
) +P(Y
B
[ X
B
) P(X
B
)
o bien:
P(X
A
[ Y
A
)
P(B)
=
P(Y
A
[ X
A
) P(X
A
)
1 P(A)
con P(A) = Probabilidad de no estar con licencia.
Usando la segunda f ormula tenemos:
=
0, 3 0, 2
1 0, 8
P(X
A
[ Y
A
)
P(B)
= 0, 3
2. Un avi on lanza tres cohetes a una nave con las siguientes probabilidades de dar en el blanco:
para el primer cohete 1/3 y para los siguientes cohetes, 1/2 si el anterior dio en el blanco y
1/4 si el anterior no dio en el blanco. Se pide determinar la probabilidad de que al menos dos
tiros den en el blanco dado que el primer tiro no dio en el blanco. Suponga que: P(A
i
), es la
probabilidad de dar en el blanco el tiro i y P(B
i
) es la probabilidad de no dar en el blanco
el tiro i, con i = 1, 2, 3.
Desarrollo:
Dado que no dio en el blanco el primer tiro, necesariamente debe acertar en los siguientes
dos, por lo que la probabilidad pedida es:
P(B
1
[ A
2
A
3
) =
P(A
3
[ A
2
B
1
) P(A
2
[ B
1
) P(B
1
)
P(B
1
)
= P(A
3
[ A
2
B
1
) P(A
2
[ B
1
)
=
1
2

1
4
P(B
1
[ A
2
A
3
) = 0, 125
MAT042 HSR 21
Campus Santiago
3. Un inversionista estima que la probabilidad de que un proyecto sea rentable es de 0,65. Para
asegurarse contrata los servicios de dos analistas externos que eval uan el proyecto de forma
independiente. El historial del analista I permite suponer que evaluar a el proyecto como
rentable, cuando en realidad lo es, con probabilidad 0,9, mientras que la probabilidad de que
lo eval ue como rentable, cuando en realidad no lo es, es de 0,05. El historial del analista II
garantiza que eval ua como rentables proyectos que si lo sean un 85 % de las veces y eval ua
como rentables aquellos que no lo son en un 10 % de las veces.
a) Determinar la probabilidad de que ambos analistas eval uen el proyecto como rentable.
b) Si el proyecto evalu o rentable por ambos analistas, determinar la probabilidad de que
sea rentable.
Desarrollo:
a) La probabilidad pedida es: P
_
ER
Analista 1
_
P
_
ER
Analista 2
_
Donde:
i) ER
Analista 1
: (A) = analista 1 evaluo el proyecto como rentable
ii) ER
Analista 2
: (B) = analista 2 evaluo el proyecto como rentable
P
i
() = Probabilidades asociadas al analista i, con i = 1, 2
P(A) P(B) =
_
P
1
(ER[R) P
1
(R) +P
1
_
ER[R
_
P
1
_
R
__
=
_
P
2
(ER[R) P
2
(R) +P
2
_
ER[R
_
P
2
_
R
__
= [0, 9 0, 65 + 0, 05 0, 35] [0, 85 0, 65 + 0, 1 0, 35]
= 0, 3539
P(A) P(B) = 35, 39 %
b) La probabilidad pedida es: P

_
R[ER
Analista 1
_
P
_
R[ER
Analista 2
_
= P(R[ER)
Donde:
i) P
_
R[ER
Analista 1
_
= Probabilidad de que el proyecto sea rentable dado que el
analista 1 evaluo el proyecto como rentable
MAT042 HSR 22
Campus Santiago
ii) P
_
R[ER
Analista 2
_
= Probabilidad de que el proyecto sea rentable dado que el
analista 2 evaluo el proyecto como rentable
P
i
() = Probabilidades asociadas al analista i, con i = 1, 2
P(R[ER) =
_
P
1
(ER[R) P
1
(R)
P
1
(ER)
_
_
P
2
(ER[R) P
2
(R)
P
2
(ER)
_
=
_
P
1
(ER[R) P
1
(R) P
2
(ER[R) P
2
(R)
P
1
(ER) P
2
(ER)
_
=
0, 9 0, 65 0, 85 0, 65
0, 3539
P(R[ER) = 0, 9131
3.2. Extras (Cadenas de Markov)

1. Seg un el cuento en la Tierra de Oz nunca hay dos das consecutivos con buen tiempo. Despues
de un da con buen tiempo, le sigue (con igual probabilidad) un dia con lluvia o nieve. Del
mismo modo, si nieva (o llueve), el da siguiente nevara (o llover a) con probabilidad 1/2,
pero si cambia el tiempo, s olo la mitad de las veces ser a un lindo da.
a) Determine la matriz de probabilidades de transicion en una etapa que modele la
situaci on descrita.
b) Cu al es la probabilidad que si este martes hay buen tiempo vuelva a darse nuevamente
buen tiempo el viernes?
Desarrollo:
a) Matriz de Probabilidades. Sea:
B: Buen Clima.
LL: Lluvia.
N: Nieve.
B B = 0 N N = 1/2 LL LL = 1/2
B LL = 1/2 N B = 1/4 LL B = 1/4
B N = 1/2 N LL = 1/4 LL N = 1/4
MAT042 HSR 23
Campus Santiago
Por lo tanto la matriz queda:
P =
_
_
0 1/2 1/2
1/4 1/2 1/4
1/4 1/4 1/2
_
_
b) Se tienen las siguientes posibilidades:

Martes Miercoles Jueves Viernes
LL B
LL

B N B
LL B
N B
La probabilidad pedida es:
=
_
1
2

1
2

1
4
_
+
_
1
2

1
4

1
4
_
+
_
1
2

1
4

1
4
_
+
_
1
2

1
2

1
4
_
=
3
16
Por lo tanto, la probabilidad de que si este martes hay buen tiempo, tambien lo haya
el viernes, es de 18,75 %.
MAT042 HSR 24
Campus Santiago
2. Actualmente existen tres marcas en el mercado A, B y C, cuyas participaciones actuales
son: 45 %, 35 % y 20 % respectivamente. Seg un estudios anteriores, se ha logrado determinar
que un individuo que consume la marca A se cambia a la marca B con una probabilidad del
12 % y a C con 8 % en un mes. A su vez un individuo que consume la marca B se cambia
a la marca A con probabilidad del 14 % y a la marca C con 12 % en un mes, nalmente
un individuo que consume la marca C solo estara dispuesto a cambiarse con un 21 % a las
marca A en un mes.
a) Determinar la matriz de probabilidades.
b) Determinar como ser a la distribuci on al cabo de dos meses.
Desarrollo:
a) Primero debemos encontrar la matriz de probabilidades de transicion en una etapa, la
cu al est a dada por:
A A = 0, 80 B A = 0, 14 C A = 0, 21
A B = 0, 12 B B = 0, 74 C B = 0
A C = 0, 08 B C = 0, 12 C C = 0, 79
Por lo tanto la matriz queda:
P =
_
_
0, 80 0, 12 0, 08
0, 14 0, 74 0, 12
0, 12 0 0, 79
_
_
b) Para este punto debemos saber que para cualquier distribuci on variable en el tiempo;
en el tiempo n est a ser a igual a:
f
(n)
=
_
P
T
_
(n)
f
(0)
Donde:
_
P
T
_
(n)
: matriz traspuesta elevada a n.
f
(0)
: matriz de distribucion inicial.
y sus matrices son:
MAT042 HSR 25
Campus Santiago
P
T
=
_
_
0, 80 0, 14 0, 21
0, 12 0, 74 0
0, 08 0, 12 0, 79
_
_
f
(0)
=
_
_
0, 45
0, 35
0, 20
_
_
Ahora necesitamos calcular f
(2)
=
_
P
T
_
(2)
f
(0)
Pero primero calcularemos
_
P
T
_
(2)
:
=
_
_
0, 80 0, 14 0, 21
0, 12 0, 74 0
0, 08 0, 12 0, 79
_
_
_
_
0, 80 0, 14 0, 21
0, 12 0, 74 0
0, 08 0, 12 0, 79
_
_
=
_
_
0, 6736 0, 2408 0, 3339
0, 1848 0, 5644 0, 0252
0, 1416 0, 1948 0, 6409
_
_
=
_
P
T
_
(2)
f
(0)
=
_
_
0, 6736 0, 2408 0, 3339
0, 1848 0, 5644 0, 0252
0, 1416 0, 1948 0, 6409
_
_
_
_
0, 45
0, 35
0, 20
_
_
=
_
_
0, 45418
0, 28574
0, 26008
_
_
Por lo tanto la distribuci on al cabo de 2 meses sera:
A = 45, 4 %
B = 28, 5 %
C = 26, 0 %
MAT042 HSR 26
Campus Santiago
4. Ayudanta 4
4.1. Ejercicios Certamen 1
1. Una caja contiene 4 ampolletas malas y 6 buenas. Las ampolletas se verican sacando una al
azar, se prueba y se repite el proceso hasta que se encuentran las cuatro ampolletas malas.
Cu al es la probabilidad de encontrar la cuarta ampolleta mala...
a) ... en la quinta prueba?
Desarrollo:
Sea A: Probabilidad de que en la quinta prueba se extraga la cuarta ampolleta mala.
P(A) =
_
4
3
__
6
1
_
_
10
4
_
1
6
=
2
105
P(A) = 0, 019
b) ... en la decima prueba?

Desarrollo:
Sea B: Probabilidad de que en la decima prueba se extraga la cuarta ampolleta mala.
P(B) =
_
4
3
__
6
6
_
_
10
9
_
1
1
=
2
5
P(B) = 0, 4
MAT042 HSR 27
Campus Santiago
2. Un estudiante lanza 10 monedas y contabiliza el n umero de caras en cada experiencia. Sus
resultados fueron:
0 1 2 3 4 5 6 7 8 9 10
30 45 79 100 120 126 120 100 79 45 30
El estudiante asevera que las monedas que us o tenan una medida de 1/2 salir cara. De
acuerdo con sus resultados y la informaci on que dio el estudiante, es posible asegurar que
el hizo la experiencia y no invent o los datos? Explique y argumente su armacion.
Desarrollo:
Para desarrollar este ejercicios se deben comparar las frecuencias relativas con la medida
te orica. Por lo que tenemos:
N umero de experiencias: 874
P(Y = k) =
_
10
k
_
2
10
Probabilidad Te orica
f(k) =
f
k
874
Medida Experimental
P(Y = 0) =
_
10
0
_
2
10
= 0, 00097656
f(0) =
30
874
= 0, 03432
P(Y = 5) =
_
10
5
_
2
10
= 0, 246
f(5) =
126
874
= 0, 14
Con esto se observa que exste una diferencia notoria entre los valores experimentales y
te oricos, por lo que el estudiante invento los datos.
MAT042 HSR 28
Campus Santiago
3. Un aeroplano ha desaparecido y se piensa que existe la misma posibilidad de que haya
cado en una de tres regiones. Sea 1 la probabilidad de que al buscar el aeroplano sea
encontrado en la iesima regi on, puesto que el aeroplano realmente esta en esa region, i =
1, 2, 3. (A las constantes
i
se le llama probabilidades de supervision porque ellas representan
las probabilidades de supervisi on del aeroplano; generalemente se atribuyen a condiciones
geogr acas y ambientales de la region.)
a) Cu al es la probabilidad que el aeroplano este en la iesima region puesto que la
b usqueda en la region 1 no tuvo exito?, i = 1, 2, 3.
Desarrollo:
Sean los eventos:
R
i
: El aeroplano est a en la iesima regi on, i = 1, 2, 3.
N
1
: La b usqueda en la regi on 1 no tuvo exito.
Sabemos que:
P
_
N
1
[ R
1
_
= 1
1
P(N
1
[ R
1
) =
1
P(N
1
[ R
2
) = 1
P(N
1
[ R
3
) = 1
Adem as P(R
1
) = P(R
2
) = P(R
3
) = 1/3
Se pide calcular:
P(R
1
[ N
1
) =
P(N
1
[ R
1
) P(R
1
)
P(N
1
)
=
P(N
1
[ R
1
) P(R
1
)
P(N
1
[ R
1
) P(R
1
) +P(N
1
[ R
2
) P(R
2
) +P(N
1
[ R
3
) P(R
3
)
=
1
3
1
3
+ 1
1
3
+ 1
1
3
P(R
1
[ N
1
) =

1
1
+ 2
P(R
2
[ N
1
) =
P(N
1
[ R
2
) P(R
2
)
P(N
1
)
=
P(N
1
[ R
2
) P(R
2
)
P(N
1
[ R
1
) P(R
1
) +P(N
1
[ R
2
) P(R
2
) +P(N
1
[ R
3
) P(R
3
)
=
1
1
3
1
3
+ 1
1
3
+ 1
1
3
P(R
2
[ N
1
) =
1
1
+ 2
MAT042 HSR 29
Campus Santiago
P(R
3
[ N
1
) =
P(N
1
[ R
3
) P(R
3
)
P(N
1
)
=
P(N
1
[ R
3
) P(R
3
)
P(N
1
[ R
1
) P(R
1
) +P(N
1
[ R
2
) P(R
2
) +P(N
1
[ R
3
) P(R
3
)
=
1
1
3
1
3
+ 1
1
3
+ 1
1
3
P(R
3
[ N
1
) =
1
1
+ 2
b) Si
i
= 0, 4, calcule la probabilidad que el aeroplano no este en la region 1, puesto que
no se encontro en una b usqueda en esa regi on.
Desarrollo:
Se pide calcular P(R
1
[ N
1
), considerando
1
= 0, 4
P(R
1
[ N
1
) =
0, 4
0, 4 + 2
=
0, 4
2, 4
=
1
6
4. Se ha nominado a tres miembros de un club privado para ocupar la presidencia del mismo.La
probabilidad de que se elija al se nor A es de 0,3; la que se haga lo propio con el se nor B, de
0,5, y la de que gane la se nora C, de 0,2. En caso que se elija al se nor A, la probabilidad de que
la cuota de ingreso incremente en 0,8, si se elije al se nor B o la se nora C, las correspondientes
probabilidades de que haya un incremento en la cuota son de 0,1 y 0,4 respectivamente.
a) Cual es la probabilidad de que haya un incremento en la cuota de membresa?
Desarrollo:
Denamos los eventos:
A: el se nor A es elegido como presidente.
B: el se nor B es elegido como presidente.
C: el se nor C es elegido como presidente.
E: el candidato electo incrementa la cuota.
Para esto ultizamos probabilidades totales (equivalentemente, podemos denir un di-
agrama de arbol) ya que necesitamos P(E). Del enunciado tenemos que: P(A) = 0, 3,
P(B) = 0, 5, P(C) = 0, 2, P(E [ A) = 0, 8, P(E [ B) = 0, 1, P(E [ C) = 0, 4
MAT042 HSR 30
Campus Santiago
Por lo tanto,
P(E) = P(E [ A) P(A) +P(E [ B) P(B) +P(E [ C) P(C)
= 0, 3 0, 8 + 0, 5 0, 1 + 0, 2 0, 4
= 0, 37
b) Dado que la cuota se ha incrementado, cu al es el candidato con mayor probabilidad

de haber sido electo presidente?
Tena este candidato la mayor probabilidad de ser electo inicialmente? Comente.
Desarrollo:
Necesitamos utilizar el teorema de Bayes para calcular las probabilidades luego de
aumenta la cuota. As,
P(A [ E) =
P(E [ A) P(A)
P(E)
=
0, 8 0, 3
0, 37
= 0, 65
P(B [ E) =
P(E [ B) P(B)
P(E)
=
0, 1 0, 5
0, 37
= 0, 14
P(C [ E) =
P(E [ C) P(C)
P(E)
=
0, 4 0, 2
0, 37
= 0, 21
Dado que la cuota se incrementa, el candidato con mayor probabilidad de ser electo es
el se nor A, aun cuando a priori sabamos que el se nor B tena mayor probabilidad de
ser electo, el aumento de la cuota resulta ser un benecio para la candidatura del se nor
A.
5. Con base en varios estudios una compa nia ha clasicado, de acuerdo con la posibilidad de
descrubrir petr oleo, las formaciones gel ogicas en tres tipos. La compa nia pretende perforar
un pozo en un determinado sitio al que se le asignan probabilidades 0, 35, 0, 40 y 0, 25 para
los tres tipos de formaciones, respectivamente. De acuerdo con la experiencia se sabe que el
petroleo se encuentra en un 40 % de formaciones del tipo I, en un 20 % del tipo II y en un
30 % de formaciones del tipo III.
MAT042 HSR 31
Campus Santiago
a) Cu al es la probabilidad de descubrir petr oleo?
Desarrollo:
Sean:
F
i
: La formaci on geologica es del iesimo tipo. i = I, II, III.
D: Se descubre petroleo.
P(F
I
) = 0, 35 , P(F
II
) = 0, 4 , P(F
III
) = 0, 25
P(D [ F
I
) = 0, 4 , P(D [ F
II
) = 0, 2 , P(D [ F
III
) = 0, 3
Se pide:
P(D) = P(D [ F
I
) P(F
I
) +P(D [ F
II
) P(F
II
) +P(D [ F
III
) P(F
III
)
= 0, 4 0, 35 + 0, 2 0, 4 + 0, 3 0, 25
= 0, 295
b) Cual es la probabilidad de descubrir petr oleo y de que la formacion geol ogica sea del
tipo I?
Desarrollo:
P(D F
I
) = P(D [ F
I
)P(F
I
)
= 0, 4 0, 35
= 0, 14
c) Si la compa nia no descubre petr oleo en ese lugar, determine la probabilidad de que
exista una formacion del tipo II.
Desarrollo:
P
_
F
II
[ D
_
=
P
_
D
[ F
II
_
P(F
II
)
P
_
D
_
=
0, 8 0, 4
0, 705
= 0, 4539
MAT042 HSR 32
Campus Santiago
5. Ayudanta 5
5.1. Variables Aleatorias Discretas
1. Suponga que X es una variable aleatoria discreta con funcion de cuanta:
x 2 1 0 1 2 4
f(x) 0, 1C 0, 2C 0, 6C 0, 5C 0, 4C 0, 2C
a) Determine C para que f(x) sea una distribuci on de probabilidad.
b) Obtenga:
P(x < 1),
P(2 < x < 2) y
P(x 2 [ x > 0)
Desarrollo:
a) Para que sea una distribuci on de probabilidad se debe cumplir que:
xRec(x)
f(x) = 1 y f(x) 0 x Rec(x)
Por lo que debemos calcular:
0, 1C + 0, 2C + 0, 6C + 0, 5C + 0, 4C + 0, 2C = 1 = C =
1
2
b) P(x < 1) = P(x = 2) +P(x = 1) +P(x = 0) = 0, 05 + 0, 1 + 0, 3 = 0, 45

P(2 < x < 2) = P(x = 1) +P(x = 0) +P(x = 1) = 0, 1 + 0, 3 + 0, 25 = 0, 65
P(x 2 [ x > 0) =
P(x = 2) +P(x = 4)
P(x = 1) +P(x = 2) +P(x = 4)
=
0, 2 + 0, 1
0, 25 + 0, 2 + 0, 1
=
0, 3
0, 55
= 0, 545
MAT042 HSR 33
Campus Santiago
2. El 90 % de los arboles plantados en una campa na de reforestaci on sobrevive. Cual es la
probabilidad de que sobrevivan 8 o mas arboles de 10 arboles que acaban de ser plantados?
Desarrollo:
Sea X:
Arboles plantados que sobreviven, y ademas X Bin(n = 10, p = 0, 9). Por lo

tanto la probabilidad pedida es:
P(X 8) =
10
x=8
_
10
x
_
0, 9
x
(1 0, 9)
10x
= 92 %
3. Se tendieron 1000 trampas para langostas, en las que se atraparon 1200 langostas. Con-
siderando que el n umero de langostas por trampa es una V.A.D. se pide determinar la
probabilidad que una trampa contenga dos o m as langostas.
Desarrollo:
Sea X: N umero de langostas por trampa . Y P() con =
1200
1000
= 1, 2
P(X 2) = 1 P(X 1)
= 1 [P(X = 0) +P(X = 1)]
= 1
1
x=0
x
e
x!
= 1
1
x=0
(1, 2)
x
e
1,2
x!
= 1 0, 6626
P(X 2) = 0, 337
4. En una encuesta hecha para averiguar los errores de ortografa que cometen los estudiantes
en sus apuntes, se detect o que en 500 p aginas cometan aproximadamente 1000 errores. Si
consideramos 5 p aginas, encuentre la probabilidad de que en 2 o m as de ellas haya m as de 3
errores en cada una.
Desarrollo:
Sea:
X: N umero de errores por pagina.
X P() con =
1000
500
= 2
MAT042 HSR 34
Campus Santiago
P(X > 3) = 1 P(X 3)
= 1
3
x=0
2
x
e
2
x!
= 1 0, 86
= 0, 14
Sea:
Y : N umero de paginas.
Y Bin(n, p) con n = 5 y p = 0, 14.
P(Y 2) = 1 P(Y < 2)
= 1
1
y=0
_
5
y
_
0, 14
y
(1 0, 14)
5y
= 1 0, 85
= 0, 15
la probabilidad de que en 2 o mas de ellas haya mas de 3 errores en cada una es 15 %
5. El promedio de demandas en una compa na de seguros es de 3 demandas por da.

a) Encontrar la probabilidad que en una semana se presenten a lo menos 5 das, 2 o 3 o
4 demandas.
b) Determinar la probabilidad que en una mes, a lo menos 15 das y a los m as 22 das, el
n umero de demandas este entre 3 y 6 demandas.
Desarrollo:
a) Sea:
X: N umero de demandas por da.
X P (), con = 3.
Se pide calcular P(2 X 4)
P(2 X 4) =
4
x=2
3
x
e
3
x!
= 0, 6163
Sea:
MAT042 HSR 35
Campus Santiago
Y : N umero de das de la semana.
Y Bin(n, p) con n = 7 y p = 0, 6163.
P(Y 5) =
7
y=5
_
7
y
_
0, 6163
y
(1 0, 6163)
7y
= 0, 4554
la probabilidad que en una semana se presenten a lo menos 5 das, 2 o 3 o 4 demandas
45, 54 %
b) Sea:
X: N umero de demandas diarias.
X P() con = 3.
P(3 < X < 6) =
5
x=4
3
x
e
3
x!
= 0, 26885
Sea:
Y : N umero de das al mes.
Y Bin(n, p) con n = 30 y p = 0, 26885
P(15 Y 22) =
22
y=15
_
30
y
_
0, 26885
y
(1 0, 26885)
30y
= 0, 00584
la probabilidad que en una mes, a lo menos 15 das y a los m as 22 das, el n umero
de demandas este entre 3 y 6 es 0, 584 %
6. Un fabricante de autom oviles compra sus motores a un proveedor que recibe estrictas es-
pecicaciones de el. Cada mes recibe un lote de 40 motores. Para asegurarse de la calidad
de ellos, el fabricante toma una muestra de 8 motores y acepta el lote solo si ning un motor
presenta serias faltas a la especicaci on. Si existen 3 motores con falta en el lote. Calcule la
probabilidad de que el lote sea aceptado.
Desarrollo:
Sea:
MAT042 HSR 36
Campus Santiago
X: Cantidad de motores con falla.
X Hip(N, M, n), con
- N = 40 (total de motores).
- M = 3 (motores con falla).
- n = 8 (muestra de motores).
P(X = 0) : Probabilidad de que el lote sea aceptado.
P(X = x) =
_
3
x
__
40 3
8 x
_
_
40
8
_
P(X = 0) =
_
3
0
__
37
8
_
_
40
8
_
= 0, 5020
la probabilidad de que el lote sea aceptado es 50, 20 %
7. Para evitar que lo descubran en la aduana, un viajero ha agregado 6 tabletas de narcoticos

a un frasco que contiene 9 tabletas de vitaminas que son muy similares en apariencia. Si el
ocial de aduana selecciones 3 tabletas al aleatoriamente para analizar:
a) Cual es la probabilidad de que todas las tabletas sean de narc oticos? y Cual es la
probabilidad de que el viajero sea arrestado por posesi on ilegal de narcoticos?
b) Si el viajero realiza siempre el mismo procedimiento con 6 frascos de una caja de 25
frascos, y en inspecci on de aduanas se realiza, para vericaci on, en todas las cajas,
un muestreo de 4 frascos elegidos al azar, que se revisan completamente y luego se
devuelven a la caja. Cual es la probabilidad de que el viajero sea arrestado si este
pasa 25 cajas por la aduana?
Desarrollo:
a) Sea:
X: Cantidad de tabletas de narcoticos.
X Hip(N, M, n) con:
MAT042 HSR 37
Campus Santiago
- N = 15 (total de tabletas).
- M = 6 (tabletas de narcoticos).
- n = 3 (tama no de la muestra).
P(X = 3) =
_
6
3
__
15 6
3 3
_
_
15
3
_
=
_
6
3
__
9
0
_
_
15
3
_
= 0, 0439
la probabilidad de que todas las tabletas sean de narc oticos es 4, 39 %
P(X 1): Probabilidad de que sea arrestado.
P(X 1) =
3
x=1
_
_
_
6
x
__
9
3 x
_
_
15
3
_
_
_
= 0, 815
la probabilidad de que el viajero sea arrestado es 81, 5 %
b) Sea:
X: Frascos de narcoticos por caja.
X Hip(N, M, n) con:
- N = 25 (total de frascos).
- M = 6 (tabletas de narcoticos).
- n = 4 (tama no de la muestra).
MAT042 HSR 38
Campus Santiago
P(1 X 4): Probabilidad de que sea arrestado al pasar 25 cajas por la aduana.
P(1 X 4) =
3
x=1
_
_
_
6
x
__
19
4 x
_
_
25
4
_
_
_
= 1 P(X = 0)
= 1
_
_
_
6
0
__
19
4
_
_
25
4
_
_
_
= 1 0, 3064
= 0, 6936
Sea:
Y : Cantidad de cajas con frascos de narcoticos.
Y Bin(n, p) con n = 25 y p = 0, 6936
P(X = 1): Probabilidad de ser arrestado (basta que una de las 25 cajas, sin importar
el orden, contenga frascos de narcoticos)
P(X = 1) =
_
25
1
_
0, 6936
1
(1 0, 6936)
251
= 8, 12 10
12
la probabilidad de que el viajero sea arrestado, si este pasa 25 cajas por la aduana,
es 8, 12 10
10
%
MAT042 HSR 39
Campus Santiago
5.2. Extras (Convergencia)
1. Sea X
n
una variable aleatoria con distribucion Bin(n, p). Haciendo p =

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

n
se tiene: X
n

_
n
k
_
_
n
_ _
1

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

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

n
_
n
_
1

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

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

k
n
k
_
1

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

k
k!
_
1

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

_
1

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

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

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

n 1
n

n 2
n

n (k + 1)
n
_
1

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

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

#
0
2
n
_
_
_
. .
1

_
_
_
1
#
0
k
n

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

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

k
k!
e
MAT042 HSR 40
Campus Santiago
lm
n
X
n
= P ()
Por lo tanto se demuestra que X
n
Bin(n, p) cuando n y haciendo p =

n
tiene
funci on densidad de Poisson de par ametro (X
n
P())
MAT042 HSR 41
Campus Santiago
5.3. Anexos (Variables Aleatorias Discretas)
Denici on: Sea X una V.A.D. se le asigna una funcion F
X
, F : Rec (x) R la cu al llamaremos
funcion de cuanta de X si y solo si satisface:
i)
F
X
(x) 0 x Rec(x)
ii)
xRec(x)
F
X
(x) = 1
Algunas funciones de cuanta importantes son:
Bernoulli:
Se dene la V.A. X : [0, 1] por:
X () =
_
1 ; A
0 ; / A
F
X
(x) = p
x
(1 p)
1x
x 0, 1
Binomial:
Sean X
1
, X
2
, . . . , X
n
V.A. del tipo Bernoulli es decir:
X
i
() =
_
1 ; A
0 ; / A
i = 1, 2, . . . , n
Se asume que X
1
, X
2
, . . . , X
n
generan eventos independientes entre ellos, luego la V.A.:
Y = X
1
+X
2
+. . . +X
n
genera la funci on de cuanta Binomial denida por:
F
Y
(y) =
_
n
y
_
p
y
(1 p)
ny
; y 0, 1, 2, . . . , n
Demostraci on de funci on de cuanta:
i) notar que F
Y
(y) 0 y 0, 1, 2, . . . , n
ii) P.D. que:
yRec(y)
F
Y
(y) = 1
MAT042 HSR 42
Campus Santiago
=
n
y=0
_
n
y
_
p
y
(1 p)
ny
=
n
y=0
_
n
y
_
p
y
(1 p)
y
(1 p)
n
= (1 p)
n
n
y=0
_
n
y
__
p
(1 p)
_
y
= (1 p)
n
_
p
1 p
+ 1
_
n
= (1 p)
n
_
p + (1 p)
1 p
_
n
= (1 p)
n
_
1
1 p
_
n
= 1
la funcion F
Y
(y) es funci on de cuanta.
Poisson:
F
X
(x) =

x
e
x!
; x 0, 1, 2, . . . , n y : representa un promedio
Demostraci on de funci on de cuanta:
i) notar que F
X
(x) 0 x 0, 1, 2, . . . , n
ii) P.D. que:
xRec(x)
F
X
(x) = 1
=
n
x=0
x
e
x!
= e
x=0
x
x!
. .
Serie de e
= e
= e
(+)
= 1
MAT042 HSR 43
Campus Santiago
Geometrica:
Con X= N umero de intentos fracasados hasta que ocurre el primer exito
Suposiciones:
1. Cada intento es o bien un exito o un fracaso.
2. La probabilidad de exito es p para cada intento.
3. Todos los intentos son independientes.
4. La secuencia de intentos se termina despues del primer exito.
F
X
(x) = p (1 p)
x1
con x 1, 2, . . . , n
BinomialNegativa:
Con X=N umero de fracasos hasta el resimo exito
Suposiciones:
1. Cada intento es un exito o un fracaso.
2. La probabilidad de exito es p para cada intento.
3. Todos los intentos son independientes.
4. La secuencia de intentos se termina despues del resimo exito.
F
X
(x) =
_
x 1
r 1
_
p
r
(1 p)
xr
con x r, r + 1, . . . , n
Hipergeometrica:
Con X=N umero de exitos en una muestra de tama no n
Suposiciones:
1. La muestra se toma sin reemplazo de un conjunto nito de tama no N que contiene
M exitos y N M fracasos.
F
X
(x) =
_
M
x
__
N M
n x
_
_
N
n
_ con x 0, 1, 2, . . . , mn (n, M)
MAT042 HSR 44
Campus Santiago
6. Ayudanta 6
6.1. Variables Aleatorias Continuas
1. Sea la funcion:
f
X
(x) = k
e
x
2
x
I
[0,[
(x)
Calcule la constante k para que sea funci on densidad.
Hint:
1
2
_
t
0
e
x
2
2
dx = (t)
1
2
Donde es la funcion distribuci on normal (0, 1)
Desarrollo:
Para encontrar k debemos calcular:
_

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

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

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

0
e
x
2
x
dx
Aparte:
_

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

0
xe
x
2
dx
lo anterior se obtiene haciendo integraci on por partes y deniendo:
u = e
x
2
du =
1
2
e
x
2
dx ; dv =
1
x
dx v = 2
x
MAT042 HSR 45
Campus Santiago
notar que cuando x = 0 no hay problemas en ver que el termino 2
xe
x
2
= 0, pero cuan-
do x = tenemos algo de la forma

, por lo que es necesario calcular lm

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

0
xe
x
2
dx =
_

0
ze
z
2
2
2z dz ; Haciendo z =
x dz =
dx
2
x
dx = 2zdz
= 2
_

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

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

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


z
ze
z
2
2
.
lm
z
ze
z
2
2
= lm
z
z
e
z
2
2
= lm
z
1
ze
z
2
2
= (1) lm
z
0
1
ze
z
2
2
= 0
MAT042 HSR 46
Campus Santiago
por lo que tenemos:
_

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

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

0
xe
x
2
dx = 2
_
2
2
_
=
2
Por lo que nalmente tenemos que:
k =
1
2
y la funci on queda:
f
X
(x) =
e
x
2
2x
I
[0,[
(x)
2. Se ha comprobado que el tiempo de vida de cierto marcapasos sigue una distribucion

exponencial con media 16 a nos.
a) Determine la probabilidad de que a una persona, a la que se le ha implantado este
marcapasos, se le deba reimplantar otro antes de los 20 a nos.
b) Si el marcapasos lleva funcionando correctamente mas de 5 a nos, cu al es la prob-
abilidad de que haya que cambiarlo antes de los 25 a nos?
Desarrollo:
a) Sea:
X: Vida del marcapasos.
X exp () con =
1
E(x)
=
1
16
MAT042 HSR 47
Campus Santiago
P(X < 20) =
_
20
0
1
16
e
1
16
x
dx
= e
1
16
x
x=20
x=0
=
_
e
20
16
B
1
e
0
16
_
= 1
1
e
5
4
= 0, 7135
P(X < 20) = 0, 7135
b) Sea:
X: Vida del marcapasos.
X exp () con =
1
E
=
1
16
P(X < 25 [ X > 5) =
_
25
5
1
16
e
1
16
x
dx
_

5
1
16
e
1
16
x
dx
=
e
1
16
x
x=25
x=5
e
1
16
x
x=
x=5
=
e
5
16
e
25
16
e
5
16
= 0, 7135
P(X < 25 [ X > 5) = 0, 7135
3. Los procesos de falla de cada una de 10 componentes se comportan de manera prob-

abilsticamente independientes y siguiendo un mismo modelo probabilstico. Sea X
i
el
tiempo de falla de la iesima componente, expresado en miles de horas. Suponga que
su densidad de probabilidad es:
f
X
i
(x) =
_
0, 8e
x
+ 0, 4e
2x
, x 0
0 , e.o.c.
para cualquier i = 1, 2, . . . , 10
a) La funci on distribucion acumulada de X
3
.
b) Calcule la probabilidad de que a lo m as 3 componentes fallen en 1,5 horas.
MAT042 HSR 48
Campus Santiago
Desarrollo:
a) La funci on distribucion de la variable X
3
viene dada por:
F
X
3
(x) =
_
_
_
_
X
3
0
_
0, 8e
x
+ 0, 4e
2x
_
dx , x 0
0 , e.o.c.
=
_
_
_
_
X
3
0
0, 8e
x
dx +
_
X
3
0
0, 4e
2x
dx , x 0
0 , e.o.c.
=
_
_
_
0, 8
_
X
3
0
e
x
dx + 0, 4
_
X
3
0
e
2x
dx , x 0
0 , e.o.c.
=
_
0, 8 (e
x
)[
x=X
3
x=0
+ 0, 4
_
e
2x
2
_
x=X
3
x=0
, x 0
0 , e.o.c.
=
_
0, 8
_
1 e
X
3
_
+ 0, 4
_
1e
2X
3
2
_
, x 0
0 , e.o.c.
=
_
0, 8 0, 8e
X
3
+ 0, 2 0, 2e
2X
3
, x 0
0 , e.o.c.
=
_
1 0, 8e
X
3
0, 2e
2X
3
, x 0
0 , e.o.c.
F
X
3
(x) =
_
1 0, 8e
X
3
0, 2e
2X
3
, x 0
0 , e.o.c.
b) La probabilidad de que una componente cualquiera falle antes de 1.5 horas, viene
dada por:
P(X
i
< 1, 5) = F
X
i
(1, 5) = 1 0, 8e
1,5
0, 2e
21,5
= 0, 8115
Sea ahora:
Y : N umero de componentes que fallan antes de 1, 5 horas.
Y Bin(10; 0, 8115).
y lo que se pide es:
P(Y 3) =
3
y=0
_
10
y
_
0, 8115
y
(1 0, 8115)
10y
= 0, 000591241
MAT042 HSR 49
Campus Santiago
la probabilidad pedida es 0, 059 %
P(Y 3) = 0, 059 %
4. Sea x una V.A.C. con funci on densidad:

f
X
(x) = 2xe
x
2
I
[0,[
(x)
a) Determinar la funci on densidad de Y = X
2
, donde X tiene funci on densidad
f
X
(x).
b) Demostrar que f
Y
(y) (encontrada en a), es funci on densidad.
c) Determinar E(y) y V(y).
Desarrollo:
a) Sea F
Y
(y) = P(Y y), relaci on entre la funci on distribucion y probabilidad, por
lo que se tiene:
F
Y
(y) = P(Y y) = P
_
X
2
y
_
= P([X[
y)
= P(X
y)
= P(
y X
y)
= P(X
y)
$
$
$
$
$
$
$
$X
X R
+
0
P(X
y)
= F
X
(
y)
F
Y
(y) = F
X
_
y
_
, por lo que al derivar encontraremos la funci on densidad de
y.
dF
Y
(y)
dy
= F
X
(
y)
1
2
y
=
f
X
_
y
_
2
y
=

ye
(
y)
2
y
I
[0,[
(y)
= e
y
I
[0,[
(y)
f
Y
(y) = e
y
I
[0,[
(y)
MAT042 HSR 50
Campus Santiago
b) Por demostrar que:
f
Y
(y) 0x R
+
0
, lo cu al es obvio.
f
X
(x) dx = 1:
_

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

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

E(y) =
_

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

ye
y
I
R
+
0
dy =
_

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

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


y
ye
y
lm
y
ye
y
= lm
y
y
e
y
= lm
y
!
0
1
e
y
= 0
E(y) = 1
MAT042 HSR 51
Campus Santiago
V(y), se dene la varianza como: V(y) = E(y
2
)(E(y))
2
. Por lo que debemos
calcular E(y
2
).
E
_
y
2
_
=
_

0
y
2
e
y
dy
haciendo:
u = y
2
du = 2ydy y dv = e
y
dy v = e
y
se tiene:
= y
2
e
y
y=
y=0
+ 2
_

0
ye
y
dy
. .
1
notar que cuando y = 0 no hay problemas en ver que y
2
e
y
= 0, pero
cuando y = tenemos algo de la forma

, por lo que es necesario calcular

lm
y
y
2
e
y
.
lm
y
y
2
e
y
= lm
y
y
2
e
y
= lm
y
2y
e
y
= 2 lm
y
!
0
1
e
y
= 0
E(y
2
) = 2 y se tiene que V(y) = 2 (1)
2
V(y) = 1
5. El n umero de barcos que llegan al Puerto de Valparaso sigue un proceso de Poisson

con tasa de llegada cinco por da.
a) Cual es la probabilidad de que transcurran m as de seis horas sin que arribe
ninguno?
b) Si el costo de operaci on C es una funci on del tiempo ocioso X (entre llegadas),
donde C = 1 e
5x
, encuentre el costo medio, donde C se mide en millones de
pesos.
Desarrollo:
MAT042 HSR 52
Campus Santiago
a) Sea N
1
: cantidad de barcos que llegan al puerto de Valparaso en un da.
N
1
P ( 1) = 5
Sea X: tiempo (das) entre llegadas consecutivas. X exp () con = 5
f
X
(x) = 5e
5x
I
[0,[
(x)
Se pide calcular P(X > 0, 25) (un da tiene 24 horas, por lo que si queremos
calcular la probabilidad que no lleguen barcos en m as de seis horas debemos hacer
6
24
= 0, 25)
P(X > 0, 25) =
_

0,25
5e
5x
dx
= e
5x
[
x=
x=0,25
=
_
$
$
$$X
0
e
5
e
50,25
_
= 0, 2865
P(X > 0, 25) = 28, 65 %
b) Se pide el costo medio de C, es decir E(C), por lo que se tiene:

E(C) = E
_
1 e
5x
_
=
_

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

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

0
10e
10x
dx
. .
1
= 1
1
2
=
1
2
Es decir, el costo medio es de 500000
MAT042 HSR 53
Campus Santiago
6. Demuestre que Z =
X
tiene distribucion N (0, 1) si X N (,

2
)
Desarrollo:
Primer metodo, cambio de variable:
Sea F
Z
(z) = P(Z z)
P(Z z) = P
_
X
z
_
= P(X z +)
= F
X
(z +)
F
Z
(z) = F
X
(z +), derivando tenemos:
dF
Z
(z)
dz
= F
= f
X
(z +)
=
1
2
&
1
2
(
(z+)
)
2
&
I
R
(z)
f
Z
(z) =
1
2
e
z
2
2
I
R
(z)
Z N (0, 1)
Segundo metodo, Funcion generadora de momentos:

denici on de f.g.m.
X
(t) = E
_
e
xt
_
=
_

e
xt
f
X
(x) dx
Funcion generadora de momentos para la funcion densidad normal (,
2
):
X
(t) = e
t+
t
2
2
2
MAT042 HSR 54
Campus Santiago
Ocuparemos esta denicion para desmotrar lo pedido.
E
_
e
Zt
_
= E
_
e
(
X
)t
_
= E
_
e
Xt
_
= E
_
e
Xt
_
E
_
e
_
= E
_
e
X(
t
)
_
E
_
e
_
=
_
e
+
t
2
2
2
_
_
e
_
= e
t
+
t
2
2

t
= e
t
2
2
Z N (0, 1)
7. Sea x una V.A.C con funcion distribuci on F

X
. Demostrar que Y = F X tiene funcion
densidad U [0, 1]
Desarrollo:
Sea:
F
Y
(y) = P(Y y)
= P(F X y)
= P(F
X
(X) y)
= P
_
F
1
X
(F
X
(X)) F
1
X
(y)
_
= P
_
X F
1
X
(y)
_
= F
X
_
F
1
X
(y)
_
F
Y
(y) = y
Derivando se tiene:
dF
Y
(y)
dy
= 1 =f
Y
(y) = 1
Y U [0, 1]
Nota: F debe ser creciente en [0, 1] para que exista F
X
_
F
1
X
(X)
_
= X
MAT042 HSR 55
Campus Santiago
6.2. Anexos (Variables Aleatorias Continuas)
Para que X sea un V.A.C. debe cumplir que:
Su recorrido debe ser innito no numerable.
a) f
X
(x) 0 x Rec (x)
b)
_

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

f
X
(x) dx =
_

1
b a
I
[a,b]
(x) dx
=
_
b
a
1
b a
dx
=
x
b a
x=b
x=a
=
1
b a
b a
= 1
Con los dos puntos anteriores se demuestra que f
X
(x) es funci on densidad.
MAT042 HSR 56
Campus Santiago
Exponencial: X exp ()
f
X
(x) = e
x
I
[0,[
(x)
Por Demostar:
f
X
X
f
X
_

f
X
(x) dx =
_

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

0
e
x
dx
= e
x
x=
x=0
=
_
$
$
$
$X
0
e
B
1
e
0
_
= (1)
= 1
Con los dos puntos anteriores se demuestra que f
X
Normal: X N (,
2
)
f
X
(x) =
1
2
e
1
2
(
x
)
2
I
R
(x)
Por Demostrar:
f
X
X
MAT042 HSR 57
Campus Santiago
f
X
_

f
X
(x) dx =
_

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

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

2
e
z
2
2
dz
=
1
2
_

z
2
2
dz
. .
Aparte
Aparte, sea:
_

z
2
2
dz = I =
__

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

z
2
2
dz
_
2
=
__

z
2
2
dz
_
__

z
2
2
dz
_
=
__

z
2
2
dz
_
__

y
2
2
dy
_
=
_

z
2
2
e
y
2
2
dz dy
=
_

z
2
2

y
2
2
dz dy
=
_

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

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

y
v

x
v

y
u
Haciendo el siguiente cambio de variables:
z = r cos y = r sin con 0 2 y 0 r <
MAT042 HSR 58
Campus Santiago
y calculando:
J
_
z, y
r,
_
=
z
r
z
y
r
y
cos r sin
sin r cos
= r cos
2

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

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

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

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

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

2
e
1
2
(
x
)
2
I
R
(x) dx =
1
2
= 1
se demuestra que f
X
MAT042 HSR 59
Campus Santiago
Gamma: X Gamma (, ) con X = Tiempo que transcurre hasta la esima ocurrencia.
f
X
(x) =

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

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

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

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

0
x
1
e
x
dx si R
( 1) ( 1) = ( 1)! si N
MAT042 HSR 60
Campus Santiago
7. Ayudanta 7
7.1. Distribuci on Normal
1. El peso de ni nos espa noles al momento de nacer se distribuye normal, si sabemos que
el peso medio en el momento de nacer es de 3,25 kg y la desviaci on tpica es de 0,82 kg
Cu al es la probabilidad de que el peso de un ni no, al nacer, sea superior a 4 kg?
Desarrollo:
Sea X: Peso de los ni nos espa noles al momento de nacer. X N(3, 25; 0, 82
2
). Se pide
calcular:
P(X 4) (Probabilidad de que el peso de un ni no al nacer, sea superior a 4 kg.)
Para utilizar la tabla debemos normalizar , es decir:
P(X 4) = P
_
_
_
X
. .
Z
_
_
_
= P
_
Z
4 3, 25
0, 82
_
= P(Z 0, 9146)
= (0, 9146)
buscando en la tabla se tiene:
(0, 9146) = P(Z 0, 9146) = 0, 18 (Aprox)
2. El diametro de cierto eje se distribuye N(2, 79; 0, 01

2
) medidos en centmetros. Si las
medidas del diametro se encuentran dentro del rango 2, 77 0, 03 cm. entonces se dice
que estan en buen estado.
a) Si se producen 1000 ejes, Cuantos se esperan defectuosos?
b) Que probabilidad hay de que a lo mas 2 mediciones de ejes se desven en m as de
0,02 cm. con respecto a la media en una muestra de tama no 10?
Desarrollo:
MAT042 HSR 61
Campus Santiago
a) X: Diametro del eje. X N(2, 79; 0, 01
2
). Notar que si:
2, 77 0, 03 < X < 2, 77 + 0, 03
el eje estar a correcto. Por lo que la probabilidad de defecto viene dada por:
P(X 2, 74) +P(X 2, 80) = P
_
X 2, 79
0, 01

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

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

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

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

2, 81 2, 79
0, 01
_
= P(Z 2) +P(Z 2)
= 2P(Z 2)
= 2(2)
= 0, 456
P(A) = 4, 56 %
MAT042 HSR 62
Campus Santiago
Sea Y : Cantidad de ejes desviados. Y Bin(n, p) con n = 10 y p = 0, 0456
P(Y 3) =
2
y=0
_
10
y
_
0, 0456
y
(1 0, 0456)
10y
= 0, 991
P(Y 2) = 99, 1 %
3. Se sabe que una f abrica produce cierto tipo de ampolletas cuya vida util se distribuye
normal. Se sabe que el 6,68 % de las veces duran mas de 9200 horas y un 97,72 % de
las veces duran m as de 6400 horas.
a) Encuentre los par ametros de la distribuci on.
b) Determinar la probabilidad de que la vida util de la ampolleta sea mayor a 9600
horas.
Desarrollo:
a) Se sabe que:
P(X > 9200) = 0, 0668
P(X > 6400) = 0, 9772
MAT042 HSR 63
Campus Santiago
por lo que tenemos.
=
P(X > 9200) = 0,0668
P(X > 6400) = 0,9772
=
P
_
Z >
9200
_
= 0,0668
P
_
Z >
6400
_
= 0,9772
=
_
9200
_
= 0,0668
_
6400
_
= 0,9772
=
_
9200
_
=
1
(0, 0668)
_
6400
_
=
1
(0, 9772)
=
= Notar que
1
(0, 0668) = 1, 5 y
1
(0, 9772) = 2
=
=
_
9200
_
= 1,5
_
6400
_
= -2
Resolviendo el sistema se tiene que:
= 8000 y = 800
X N(8000, 800
2
)
b) Sea: Y : vida util de la ampolleta. Y N(8000, 800

2
)
P(Y > 9600) = P
_
Z >
9600 8000
800
_
= P(Z > 2)
= (2)
= 0, 0228
P(X > 9600) = 2, 28 %
MAT042 HSR 64
Campus Santiago
7.2. Extras (Demostraci on VAD)
1. Demuestre que si X es una variable aleatoria con distribucion geometrica, entonces se
cumple que
P(X > n +k [ X > n) = P(X > k)
Interprete esta propiedad.
Desarrollo:
P(X > n +k [ X > n) =
P(X > n +k, X > n)
P(X > n)
=
P(X > n +k)
P(X > n)
=
x=n+k+1
p (1 p)
x1
x=n+1
p (1 p)
x1
Aparte:
x=k
a
x
= a
k
+a
k+1
+a
k+2
+. . . (1)
a
x=k
a
x
= a
k+1
+a
k+2
+a
k+3
. . . (2)
Restando (1) y (2) tenemos:
x=k
a
x
(1 a) = a
k
, o bien
x=k
a
x
=
a
k
1 a
volviendo a lo nuestro tenemos:
=
(1 p)
n+k+1
(1 p)
n+1
= (1 p)
k
= P(X > k)
P(X > n +k [ X > n) = P(X > k)
Lo que se interpreta como que el n umero de ensayos Bernoulli que ya se han realizado
buscando el primer exito no inuyen en que se realicen k ensayos m as.
MAT042 HSR 65
Campus Santiago
8. Ayudanta 8
8.1. Cambio de Variable
1. Si X se distribuye N(0, 1) determinar la funci on densidad de Y = 3X + 4
Desarrollo:
Sea:
F
Y
(y) = P(Y y)
= P(3X + 4 y)
= P
_
X
y 4
3
_
= F
X
_
y 4
3
_
derivando se tiene que:
dF
Y
(y)
dy
= F
X
_
y 4
3
_
1
3
= f
X
_
y 4
3
_
1
3
=
1
23
e
1
2
(
y4
3
)
2
I
R
(y)
f
Y
(y) =
1
23
e
1
2
(
y4
3
)
2
I
R
(y)
es decir, Y N(4, 3
2
)
2. Sea X una variable aleatoria continua con funcion densidad uniforme U[1, 2]. Se dene
la variable Y = 20X
2
, encontrar E(Y ) y V(Y )
Desarrollo:
MAT042 HSR 66
Campus Santiago
Sea:
F
Y
(y) = P(Y y)
= P
_
20X
2
y
_
= P
_
X
2
y
20
_
= P
_
[ X [
_
y
20
_
= P
_
_
y
20
X
_
y
20
_
= P
_
X
_
y
20
_
$
$
$
$
$
$
$
$
$
$X
X U[1, 2] (positivo)
P
_
X
_
y
20
_
= P
_
X
_
y
20
_
= F
X
__
y
20
_
derivando tenemos:
dF
Y
(y)
dy
= F
X
__
y
20
_
1
2
_
y
20
1
20
=
B
1
f
X
__
y
20
_
5
20
y
I
[20,80]
(y)
f
Y
(y) =
5
20
y
I
[20,80]
(y)
E(Y ) =
_

5
20
y
I
[20,80]
(y) dy
_

5
20
y
I
[20,80]
(y) dy =
_
80
20
y
5
20
y
dy
=
5
20
_
80
20
y dy
=
5
20
_
2
3
y
3
2
_
y=80
y=20
=
2
5
60
_
80
3/2
20
3/2
_
=
140
3
MAT042 HSR 67
Campus Santiago
E(Y ) =
140
3
V(Y ) = E(Y
2
) (E(Y ))
2
Sea:
E(Y
2
) =
_

y
2
5
20
y
I
[20,80]
(y) dy
=
_
80
20
y
2
5
20
y
dy
=
5
20
_
80
20
y
3/2
dy
=
5
20
_
2
5
y
5/2
_
y=80
y=20
=
2
5
100
_
80
5/2
20
5/2
_
= 2480
E(Y
2
) = 2480
Por lo que la varianza ser a:
V(Y ) = 2480
_
140
3
_
2
V(Y ) = 299, 11
3. Sea X e
x
I
R
+
0
(x). Se dene T = I
(x)
T = I
(x) : = X R : X k con k > 0

Encontrar E(T)
Desarrollo:
Sea:
E(T) = E(I
(x)) =
_

(x)e
x
I
R
+
0
(x) dx
=
_

k
e
x
dx
= e
x
x=
x=k
=
_
$
$
$$X
0
e
e
k
_
= e
k
MAT042 HSR 68
Campus Santiago
E(T) =
1
e
k
4. Una partcula de masa m tiene velocidad aleatoria que se distribuye de forma normal,
con velocidad media 0 y desviaci on est andar . Encuentre la funcion densidad de la
energa cinetica,
E =
1
2
mV
2
Desarrollo:
Sea:
F
E
(e) = P(E e)
= P
_
1
2
mV
2
e
_
= P
_
V
2
2
e
m
_
= P
_
[ V [
_
2
e
m
_
= P
_
_
2
e
m
V
_
2
e
m
_
= P
_
V
_
2
e
m
_
+P
_
V
_
2
e
m
_
F
E
(e) = F
V
__
2
e
m
_
F
V
_
_
2
e
m
_
Derivando se tenemos que:
dF
E
(e)
de
= F
V
__
2
e
m
_
1
2
_
2
e
m
2
m
F
V
_
_
2
e
m
_
_
_
_
_
1
2
_
2
e
m
2
m
_
_
_
_
= f
V
__
2
e
m
_
2em
+f
V
_
_
2
e
m
_
2em
=
1
2
e
2e
m
2
1
2em
+
1
2
e
2e
m
2
1
2em
=
1
2
e
2e
m
2
2em
+
1
2
e
2e
m
2
2em
=
1
em
e
2e
m
2
MAT042 HSR 69
Campus Santiago
f
E
(e) =
1
em
e
2e
m
2
I
]0,[
(e)
5. Sea X una variable aleatoria continua con funci on densidad f

X
(x) y sea W =
1
X
demuestre que:
f
W
(w) =
1
w
2
f
X
_
1
w
_
con w R 0
Desarrollo:
Sea:
F
W
(w) = P(W w)
= P
_
1
X
w
_
= P
_
1
w
X
_
= 1 P
_
X
1
w
_
F
W
(w) = 1 F
X
_
1
w
_
por lo que derivando tenemos:
dF
W
(w)
dw
= F
W
_
1
w
_
1
w
2
_
= f
X
_
1
w
_
1
w
2
f
W
(w) =
1
w
2
f
X
_
1
w
_
I
R{0}
(w)
MAT042 HSR 70
Campus Santiago
8.2. Funcion Generadora de Momentos
1. Encontrar la funci on generadora de momentos de las distribuciones:
a) Poisson
b) Uniforme
c) Exponencial
Desarrollo:
a)
E
_
e
xt
_
=
n
x=0
e
xt
x
e
x!
= e
x=0
(e
t
)
x
x!
= e
e
e
t

X
(t) = e
(e
t
1)
b)
E
_
e
xt
_
=
_
b
a
e
xt
1
b a
dx
=
1
b a
_
e
xt
t
_
x=b
x=a
=
1
(b a)t
_
e
bt
e
at
_

X
(t) =
_
e
bt
e
at
_
(b a)t
t ,= 0
MAT042 HSR 71
Campus Santiago
c)
E(e
xt
) =
_

0
e
xt
e
x
dx
=
_

0
e
x(t)
dx (notar que converge solo si t < )
=
_

0
e
x(t)
dx
=
_
e
x(t)
( t)
_
x=
x=0
=

t
_
$
$
$
$
$X
0
e
(t)
$
$
$
$
$X
1
e
0(t)
_
=

t

X
(t) =

t
t <
2. Sea X una V.A. con funci on generadora de momentos

X
(t), entonces si Y = aX +b,
demostrar que
Y
(t) = e
bt
X
(at)
Desarrollo:
Sea:
Y
(t) = E(e
Y t
)
= E(e
(aX+b)t
)
= E(e
aXt
e
bt
)
= E(e
bt
)E(e
aXt
)
= e
bt
E(e
Xat
)

Y
(t) = e
bt
X
(at)
3. Sea X una variable aleatoria, con funci on generadora de momentos:
X
(t) =
1
2
e
t
+
1
2
Sean X
1
, X
2
, . . . , X
n
variables aleatorias independientes distribuidas de igual forma que
X, encontrar E
_
X
_
y V
_
X
_
Desarrollo:
MAT042 HSR 72
Campus Santiago
Sea: X =
n
i=1
X
i
n
X
= E
_
e
Xt
_
= E
_
e
(
n
i=1
X
i
n
)t
_
= E
_
n
i=1
e
X
i
n
t
_
=
n
i=1
E
_
e
X
i
t
n
_
(por independencia de las variables)
=
n
i=1
_
1
2
e
t
n
+
1
2
_

X
=
_
1
2
e
t
n
+
1
2
_
n
E
_
X
_
=
X
(t)
t=0
, por lo que calcularemos:
X
(t)
t=0
= n
_
1
2
e
t
n
+
1
2
_
n1
_
1
2
e
t
n
_
1
n
__
t=0
= n
_
1
2
&
&
&b
1
e
0
n
+
1
2
_
n1
_
1
2
&
&
&b
1
e
0
n
_
1
n
_
_
=
1
2
E
_
X
_
=
1
2
V
_
X
_
= E
_
X
2
_
_
E
_
X
_
2
E
_
X
2
_
=
X
(t)
t=0
MAT042 HSR 73
Campus Santiago
X
(t)
t=0
= n(n 1)
_
1
2
e
t
n
+
1
2
_
n2
_
1
2
e
t
n
_
1
n
__
2
t=0
= + n
_
1
2
e
t
n
+
1
2
_
n1
_
1
2
e
t
n
_
1
n
2
__
t=0
= evaluando en t = 0 se tiene
= n(n 1)
_
1
4n
2
_
+n
_
1
2n
2
_
=
n
2
n + 2n
4n
2
=
n + 1
4n
Luego la varianza es:
V
_
X
_
=
n + 1
4n

_
1
2
_
2
=
1
4
+
1
4n

1
4
V
_
X
_
=
1
4n
MAT042 HSR 74
Campus Santiago
4. Determinar la funci on generadora de momentos de
T =
n
i=1
X
i
n
Si X
1
, X
2
, . . . , X
n
son iid con distribucion exponencial.
Desarrollo:
E
_
e
Tt
_
= E
_
e
n
i=1
(
X
i
n
)t
_
= E
_
n
i=1
e
(
X
i
n
)t
_
=
n
i=1
E
_
e
X
i
t
n
_
=
n
i=1
_

t
n
_
=
n
i=1
_
n
n t
_
=
_
n
n t
_
n

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

2
n
_
.
Desarrollo:
MAT042 HSR 75
Campus Santiago
Y
(t) = E
_
e
Y t
_
= E
_
e
(
n
i=1
X
i
n
)t
_
= E
_
n
i=1
e
X
i
t
n
_
=
n
i=1
E
_
e
X
i
t
n
_
=
n
i=1
_
e
t
n
+
2
2
(
t
n
)
2
_
=
_
e
t+
t
2
2
2
n
n
_
n
= e
t+
t
2
2
2
n
Y N
_
,

2
n
_
MAT042 HSR 76
Campus Santiago
9. Ayudanta 9
1. Si Y sigue una distribuci on uniforme en [0, 5], Cu al es la probabilidad de que ambas
races de la ecuacion
4x
2
+ 4xY +Y = 0
sean reales?
Desarrollo:
La funcion densidad asociada a Y es
f
Y
(y) =
1
5
I
[0,5]
(y)
O mas rigurosamente
f
Y
(y) =
_
_
1
5
, 0 y 5
0 , en otro caso
Dado que Y es una funcion medible, denida en cierto espacio de probabiliadd y con
valores en R, se tiene que dado la ecuaci on queda de la forma:
4x
2
+ 4xY () +Y () = 0
La cual tiene ambas races reales si y solo si:
b
2
4ac 0
Es decir:
[4Y ()]
2
4 4Y () 0
16Y () [Y () 1] 0
Y () [Y () 1] 0
De lo anterior denimos en el suceso:
A =
_
: la ecuaci on 4x
2
+ 4xY () +Y () = 0 tiene ambas races reales
_
es decir:
A = : Y () [Y () 1] 0
= : Y () 0 Y () 1 : Y () 0 Y () 1
MAT042 HSR 77
Campus Santiago
Notar que:
P(A) = P( : Y () 0 Y () 1)
= P( : Y () 0)
=
_
0
f
Y
(y) dy
= 0
(Ya que Y U[0, 5])
Por otro lado tenemos:
P(A) = P( : Y () 0 Y () 1)
= P( : Y () 1)
=
_

1
f
Y
(y) dy
=
_

1
1
5
I
[0,5]
(y) dy
=
_
5
1
1
5
dy
=
4
5
P(A) = 80 %
2. Con el objetivo de establecer un plan de produccion, una empresa ha estimado que

la demanda aleatoria de sus potenciales clientes se comportar a semanalmente, con la
siguiente funci on densidad:
f
X
(x) =
_
_
_
k (4x 2x
2
) , 0 x 2
0 , en otro caso
donde x viene expresada en millones de unidades.
a) Calcular la constante k.
b) Que cantidad C debera tener dispuesta a la venta, al comienzo de cada semana,
para poder satisfacer la demanda en dicho periodo con una probabilidad de 0,5?
Desarrollo:
MAT042 HSR 78
Campus Santiago
a)
k
_
2
0
_
4x 2x
2
_
dx = 1
k
_
2x
2
2
3
x
3
2
0
_
= 1
k
_
2(2)
2
2
3
(2)
3
_
= 1
k
_
8
3
_
= 1
k =
3
8
b) se pide: P(X C) 0, 5.
3
8
_
C
0
_
4x 2x
2
_
dx
1
2
_
2x
2
2
3
x
3
_
C
0
4
3
2C
2
2
3
C
3
4
3
6C
2
2C
3
4 0
2C
2
C
3
2 0
(C 1)
_
C
2
2C 2
_
0
de lo anterior se obtiene de forma directa que C = 1, por lo que ahora debemos
resolver la ecuacion de segundo grado:
2
4 + 8
2
=
2 2
3
2
= 1
3
notar que 1
3 < 0 y 1 +
3 > 2, por lo que ambos valores no sirven para lo

pedido, ya que 0 C 2.
C = 1
MAT042 HSR 79
Campus Santiago
3. La conanza de un fusible electrico corresponde a la probabilidad de que un fusible,
escogido al azar de una linea de producci on, funcione adecuadamente bajo condiciones
de dise no. Calcule la probabilidad de obtener 27 o m as fusibles defectuosos en una
muestra de 1000 fusibles, sabiendo que la probabilidad de que un fusible elegido al azar
no sea defectuoso es de 0, 98.
Desarrollo:
i ) X: fusible defectuoso.
ii ) X Bin(n, p), con n = 1000 y p = 1 0, 98 = 0, 02
Se pide calcular P(X 27). Dado que n es muy grande, podemos hacer una aproxi-
maci on a la distribucion normal.
Dicho esto, obtenemos:
= n p = 1000 0, 02 = 20
y
=
_
n p (1 p) =
_
1000 0, 02 0, 98 = 4, 427
P(X 27) = P
_
Z
27 20
4, 427
_
= P(Z 1, 58)
= 0, 0571 (por tabla)
P(X 27) = 5, 71 %
4. Sea X N(,
2
), si = 0 y
2
= 1, demuestre que Y = X
2
se distribuye (, ).
Adem as identique los par ametros y
Desarrollo:
sea:
F
Y
(y) = P(Y y)
= P
_
X
2
y
_
= P([ X [
y)
= P(
y X
y)
= P(X
y) P(X
y)
= F
X
(
y) F
X
(
y)
MAT042 HSR 80
Campus Santiago
derivando tenemos
dF
Y
(y)
dy
= F
X
(
y) F
X
(
y)
= f
X
(
y)
1
2
y
f
X
(
y)
_
1
2
y
_
= f
X
(
y)
1
2
y
+f
X
(
y)
1
2
y
=
1
2
e
1
2
(
y)
2
1
2
y
+
1
2
e
1
2
(
y)
2
1
2
y
=
1
2
2y
e
y
2
+
1
2
2y
e
y
2
=
1
y
e
y
2
I
R
+(y)
f
Y
(y) =
1
y
e
y
2
I
R
+(y)
funci on Gamma es de la forma:
f
X
(x) =

()
x
1
e
x
si x > 0 y , > 0
por lo que escribiremos la funci on densidad de Y de dicha forma.
f
Y
(y) =
_
1
2
_1
2
y
1
2
1
e
1
2
y
I
R
+(y)
f
Y
(y) =
_
1
2
_1
2
y
1
2
1
e
1
2
y
I
R
+(y)
con: =
1
2
, =
1
2
y () =
MAT042 HSR 81
Campus Santiago
NOTA:
() =
_

0
t
1
e
t
dt =
1
2
=
_

0
t
1
2
1
e
t
dt
=
_

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

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

0
e
u
2
du = I =
__

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

0
e
u
2
du
_
2
=
__

0
e
u
2
du
_
__

0
e
u
2
du
_
=
__

0
e
u
2
du
_
__

0
e
z
2
dz
_
=
_

0
_

0
e
u
2
e
z
2
du dz
=
_

0
_

0
e
u
2
z
2
du dz
=
_

0
_

0
e
(u
2
+z
2
)
du dz
u = r cos z = r sin con 0

2
y 0 r
y calculando:
J
_
z, y
r,
_
=
z
r
z
y
r
y
cos r sin
sin r cos
= r cos
2

_
r sin
2
_
= r
_
sin
2
+ cos
2
_
= r
MAT042 HSR 82
Campus Santiago
por lo que:
_

0
_

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

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

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

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

4
I
2
=

4
=I =
2
, es decir:
_

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

_
1
2
_
=
5. Sea X N(,
2
), si Y = aX+b, donde a, b R, demuestre que Y N (a +b, a
2
2
)
Desarrollo:
Sea F
Y
(y) = P(Y y), sabiendo esto desarrollamos:
P(Y y) = P(aX +b y)
= P
_
X
y b
a
_
= F
X
_
y b
a
_
MAT042 HSR 83
Campus Santiago
derivando se tiene:
dF
Y
(y)
dy
= F
X
_
y b
a
_
= f
X
_
y b
a
_
1
a
Reemplazando en la funci on densidad de X tenemos:
=
1
2
e
1
2
(
(yb)a
a
)
2
1
a
I
R
(y)
=
1
2a
e
1
2
(
y(a+b)
a
)
2
I
R
(x)
Y N(a +b, a
2
2
)
6. Un circuito transere corriente desde A a B mediante los nodos 1, 2, 3 y 4. Estos nodos

se encuentran actualmente operativos y desde que el sistema comienza a funcionar los
tiempos de vida util de cada nodo se comportan de manera independiente seg un la
distribuci on determinada por la siguiente funci on densidad:
f(t) =
_
_
t
_
1
exp
_
_
t
_
, si t 0 , > 0 y > 0
0 , en otro caso
a) Determine la funci on de distribuci on de probabilidad acumulada y la funcion de
densidad del Tiempo de funcionamiento del sistema seg un el siguiente circuito.
MAT042 HSR 84
Campus Santiago
Desarrollo:
Para el circuito propuesto el tiempo T de funcionamiento del sistema est a deter-
minado por:
T = m ax T
1
, T
2
, T
3
, T
4
donde T
i
(i = 1, 2, 3, 4) son variables aleatorias independientes e identicamente
distribuidas con funcion de densidad
f(t) =
_
_
t
_
1
exp
_
_
t
_
, si t 0 , > 0 y > 0
0 , en otro caso
Luego, su funci on de distribucion de probabilidad acumulada est a dada por:
F(t) =
_
_
1 exp
_
_
t
_
, si t 0
0 , t < 0
para > 0 y > 0
Se pide la funci on de distribuci on de probabilidad acumulada de T, la cual se
obtiene como sigue:
F
T
(t) = P(T t)
= P(m ax T
i
t) (i 1, 2, 3, 4)
= P(T
1
t, T
2
t, T
3
t, T
4
t)
=
4
i=1
P(T
i
t) (por independencia de los T
i
)
=
4
i=1
F
T
i
(t)
= [F
T
(t)]
4
=
_
1 exp
_
_
t
__
4
F
T
(t) =
_
1 exp
_
_
t
__
4
MAT042 HSR 85
Campus Santiago
A partir de este resultado, podemos obtener su fuci on densidad, derivando:
f
T
(t) =
d
dt
F
T
(t)
= 4F
T
(t)
3
f
T
(t)
= 4
_
1 exp
_
_
t
__
3
_
t
_
1
exp
_
_
t
_
para t 0, > 0, > 0
f
T
(t) = 4
_
1 exp
_
_
t
__
3
_
t
_
1
exp
_
_
t
b) Determine la funci on de distribuci on de probabilidad acumulada y la funcion de

densidad del Tiempo de funcionamiento del sistema seg un el siguiente circuito.
Desarrollo:
El tiempo T de funcionamiento del sistema est a dado por:
T = mn m ax T
1
, mn T
2
, T
3
, T
4
Se pide la funci on de distribuci on de probabilidad acumulada de T, la cual se

MAT042 HSR 86
Campus Santiago
obtiene:
F
T
(t) = P(T t)
= P(mn m ax T
1
, mn T
2
, T
3
, T
4
)
= 1 P(mn m ax T
1
, mn T
2
, T
3
, T
4
> t)
= 1 P(m ax T
1
, mn T
2
, T
3
, T
4
> t)
= 1 P(m ax T
1
, mn T
2
, T
3
> t) P(T
4
> t)
= 1 [1 P(m ax T
1
, mn T
2
, T
3
t)] P(T
4
> t)
= 1 [1 P(T
1
t, mn T
2
, T
3
t)] P(T
4
> t)
= 1 [1 P(T
1
t) P(mn T
2
, T
3
t)] P(T
4
> t)
= 1 [1 P(T
1
t) [1 P(mn T
2
, T
3
> t)]] P(T
4
> t)
= 1 [1 P(T
1
t) [1 P(T
2
> t, T
3
> t)]] P(T
4
> t)
= 1 [1 P(T
1
t) [1 P(T
2
> t) P(T
3
> t)]] P(T
4
> t)
= 1 [1 F(t) [1 (1 F(t))(1 F(t))]] (1 F(t))
= 1
_
1 F(t)
_
1 (1 F(t))
2
(1 F(t))
= 1
_
1 F(t)(1 1 + 2F(t) F(t)
2
)
(1 F(t))
= 1
_
1 2F(t)
2
+F(t)
3
(1 F(t))
= 1 (1 F(t) 2F(t)
2
+ 2F(t)
3
+F(t)
3
F(t)
4
)
= F(t) + 2F(t)
2
3F(t)
3
+F(t)
4
F
T
(t) = F(t) + 2F(t)
2
3F(t)
3
+F(t)
4
con
F(t) = 1 exp
_
_
t
_
derivando F
T
(t) se obtiene la funcion densidad del sistema:
f
T
(t) = f(t) + 4F(t)f(t) 9F(t)
2
f(t) + 4F(t)
3
f(t)
f
T
(t) =
_
1 + 4F(t) 9F(t)
2
+ 4F(t)
3
_
f(t)
con t 0, > 0, > 0 y
F(t) = 1 exp
_
_
t
_
y
f(t) =

_
t
_
1
exp
_
_
t
MAT042 HSR 87
Campus Santiago
7. Considere una variable aleatoria Z con funcion densidad dada por:
f
Z
(z) =
_
_
c
z
+1
, z , > 1 , > 0
0 , en otro caso
a) Calcule el valor de c.
b) Calcule E(Z).
c) Sea X = ln(Z), calcule f
X
(x)
Desarrollo:
a) De acuerdo a la denici on de funci on densidad, tenemos:
_

f
Z
(z) dz = 1
=
_

z
+1
= 1
= c
1
z
= 1
=
c&
&
= 1
c =
b) Por denici on:

E(Z) =
_

zf
Z
(z) dz
=
_

z
+1
dz
=
_

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

1
E(Z) =

1
MAT042 HSR 88
Campus Santiago
c) Ocuparemos la denici on de cambio de variable:

F
X
(x) = P(X x)
= P(ln Z x)
= P(Z e
x
)
= F
Z
(e
x
)
derivando tenemos que:
d
dx
F
X
(x) = F
Z
(e
x
)
= f
Z
(e
x
)e
x
=

e
x(+1)
e
x
=
e
x
f
X
(x) =
e
x
I
[ln(),[
(x)
MAT042 HSR 89
Campus Santiago
10. Ayudanta 10
10.1. Vectores aleatorios Discretos
1. En un experimento se necesitan dos Scanners. De los cinco disponibles, dos tienen
desperfectos electr onicos, otro tiene un defecto de memoria y dos se hallan en buenas
condiciones de operaci on. Si se seleccionan dos unidades al azar, determinar:
a) La funci on de cuanta conjunta de las variables aleatorias X e Y , en donde:
X: N umero de unidades con defectos electronicos.
Y : N umero de unidades con defecto de memoria.
b) Determine la probabilidad de que entre las dos unidades seleccionadas, se produz-
can 0 o 1 defectos en total.
c) Determine la esperanza y la varianza condicional de X dado Y = 0.
d) Son X e Y variables aleatorias independientes? Justique!.
Desarrollo:
a) Sea:
X: N umero de unidades con defectos electronicos; x = 0, 1, 2.
Y : N umero de unidades con un defecto en la memoria; y = 0, 1.
Se pide calcular:
f
XY
(x, y) =
_
2
x
__
1
y
__
2
2 x y
_
_
5
2
_ ; x +y 2
Y 0 1
X
0
1
10
2
10
3
10
1
4
10
2
10
3
5
2
1
10
0
1
5
3
5
2
5
1
MAT042 HSR 90
Campus Santiago
b) Se pide calcular: f
XY
(0, 0) +f
XY
(1, 0) +f
XY
(0, 1) =
1
10
+
4
10
+
2
10
=
7
10
P(0, 1 o 2 defectos) =
7
10
c)
E(X [ Y = 0) =
2
x=0
xf
X|Y =0
(x, y)
=
2
x=0
x
f
XY (x,0)
f
Y
(0)
= 0
1
10
3
5
+ 1
4
10
3
5
+ 2
1
10
3
5
= 0 +
2
3
+
1
3
E(X [ Y = 0) = 1
E
_
X
2
[ Y = 0
_
=
2
x=0
x
2
f
X|Y =0
(x, y)
=
2
x=0
x
2
f
XY (x,0)
f
Y
(0)
= 0
2
1
10
3
5
+ 1
2
4
10
3
5
+ 2
2
1
10
3
5
= 0 +
2
3
+
2
3
=
4
3
nalmente la varianza sera:
V(X [ Y = 0) = E
_
X
2
[ Y = 0
_
[E(X [ Y = 0)]
2
=
4
3
(1)
2
V(X [ Y = 0) =
1
3
MAT042 HSR 91
Campus Santiago
d) Las variables no son independientes, pues:
f
XY
(0, 0) ,= f
X
(0)f
Y
(0)
1
10
,=
3
10

3
5
10.2. Vectores Aleatorios Continuos

1. Sea f
XY
(x, y) = kxy I
R
(x, y), donde:
R =
_
(x, y) R
2
: 0 2x y , y 3x 6
_
a) Encontrar la constante k, para que sea funcion densidad conjunta.
b) Determinar las funciones mariginales de X e Y .
c) Calcule E(X) y E(Y ).
d) Calcule V(X [ Y = 1).
e) Calcule P
_
1
2
< x +y < 1
_
.
f ) Calcule cov(X, Y ). Que se puede concluir de ella?
Desarrollo:
Para tener una mejor visi on de los lmites de integraci on, primero, gr acamos R.
MAT042 HSR 92
Campus Santiago
a) Para encontrar k, se debe cumplir que
__
R
f
XY
(x, y) dR = 1
_

kxy I
R
(x, y) dy dx = 1
_
2
0
_
3x
2x
kxy dy dx = 1
k
_
2
0
_
x
y
2
2
_
3x
2x
dx = 1
k
_
2
0
x
2
_
9x
2
4x
2
_
dx = 1
k
_
2
0
5
2
x
3
dx = 1
k
_
5
8
x
4
_
2
0
= 1
k
_
5 16
8
_
= 1
10k = 1
k =
1
10
b) Funci on densidad marginal de X:

_
Rec(y)
f
XY
(x, y) dy =
_
3x
2x
1
10
xy dy
=
1
10
x
y
2
2
y=3x
y=2x
=
1
20
x
_
9x
2
4x
2
_
=
1
4
x
3
f
X
(x) =
1
4
x
3
I
[0,2]
(x)
MAT042 HSR 93
Campus Santiago
Funcion densidad marginal de Y :
_
Rec(x)
f
XY
(x, y) dx =
_ y
2
y
3
1
10
xy dx +
_
2
y
3
1
10
xy dx
=
1
20
yx
2
x=
y
2
x=
y
3
+
1
20
yx
2
x=2
x=
y
3
=
1
20
y
_
y
2
4

y
2
9
_
+
1
20
y
_
4
y
2
9
_
=
1
20
y
_
9y
2
4y
2
36
_
+
1
20
y
_
36 y
2
9
_
=
1
144
y
3
+
1
180
y
_
36 y
2
_
f
Y
(y) =
1
144
y
3
I
[0,4]
(y) +
1
180
y
_
36 y
2
_
I
]4,6]
(y)
c) E(X) =
_
Rec(x)
xf
X
(x) dx, donde f
X
(x) es la funci on densidad marginal de X.
_
Rec(x)
xf
X
(x) dx =
_
2
0
x
1
4
x
3
dx
=
1
4
_
2
0
x
4
dx
=
1
4
_
x
5
5
_
2
0
=
1
20
(2)
5
E(X) = 1, 6
E(Y ) =
_
Rec(y)
yf
Y
(y) dy, donde f
Y
(y) es la funci on densidad marginal de Y .
_
Rec(y)
yf
Y
(y) dy =
_
4
0
y
1
144
y
3
dy +
_
6
4
y
1
180
y
_
36 y
2
_
dy
=
1
144
_
4
0
y
4
dy +
1
180
_
6
4
_
36y
2
y
4
_
dy
=
1
144
_
y
5
5
_
4
0
+
1
180
_
12y
3
y
5
5
_
6
4
=
1024
720
+
__
12(6)
3
6
5
5
_
_
12(4)
3
4
5
5
__
= 1, 422 + 2, 631
MAT042 HSR 94
Campus Santiago
E(Y ) = 4, 05
d) Se pide V(X [ Y = 1), por lo que primero calcularemos f

X|Y =1
(x).
f
X|Y =1
=
f
XY
(x, y = 1)
f
Y
(y = 1)
=
1
10
x (1)
1
144
(1)
3
+
1
180
(1)
_
36 (1)
2
_
=
x
10
_
5 + 4 35
720
_
=
x
10
_
145
720
_
=
x
1450
720
=
72
145
x
f
X|Y =1
(x) =
72
145
x I
[0,2]
(x)
Ahora calculamos E(X [ Y = 1) y E(X
2
[ Y = 1)
E(X [ Y = 1) =
_
2
0
x
72
145
x dx
=
72
145
_
x
3
3
_
2
0
=
576
435
E(X [ Y = 1) = 1, 324
E(X
2
[ Y = 1) =
_
2
0
x
2
72
145
x dx
=
72
145
_
x
4
4
_
2
0
=
1152
580
E(X
2
[ Y = 1) = 1, 986
MAT042 HSR 95
Campus Santiago
Finalmente tenemos que V(X [ Y = 1) es:
V(X [ Y = 1) = E(X
2
[ Y = 1) (E(X [ Y = 1))
2
= 1, 986 (1, 324)
2
= 1, 986 1, 753
V(X [ Y = 1) = 0, 233
e) Se pide calcular P
_
1
2
y < x < 1 y
_
, para calcular los lmites de integraci on,
es mas facil gracar la region de la probabilidad pedida, es decir:
Debemos calcular los puntos de interseccion, de acuerdo al gr aco:
3x =
1
2
x = x =
1
8
2x =
1
2
x = x =
1
6
3x = 1 x = x =
1
4
MAT042 HSR 96
Campus Santiago
2x = 1 x = x =
1
3
Luego:
P
_
1
2
y < x < 1 y
_
=
_ 1
6
1
8
_
3x
1
2
x
xy
10
dy dx +
_ 1
4
1
6
_
3x
2x
xy
10
dy dx +
_ 1
3
1
4
_
1x
2x
xy
10
dy dx
= 0, 000402
P
_
1
2
y < x < 1 y
_
= 0, 0402 %
f ) Se dene cov(X, Y ) = E(XY ) E(X)E(Y ), por lo que s olo debemos calcular

E(XY ).
E(XY ) =
_
2
0
_
3x
2x
xy
1
10
xy dy dx
=
1
10
_
2
0
_
3x
2x
x
2
y
2
dy dx
=
1
10
_
2
0
x
2
_
y
3
3
_
3x
2x
dx
=
1
10
_
2
0
x
2
3
_
27x
3
8x
3
_
dx
=
19
30
_
2
0
x
5
dx
=
19
30
_
x
6
6
_
2
0
=
19
180
64
E(XY ) = 6, 756
Finalmente la cov(X, Y ) esta dada por:
cov(X, Y ) = E(XY ) E(X)E(Y )
= 6, 756 1, 6 4, 05
= 6, 756 6, 48
cov(X, Y ) = 0, 276
Por lo que se puede decir que las variables son dependientes (cov(X, Y ) ,= 0) y
existe un relaci on directamente proporcional entre ellas (cov(X, Y ) > 0).
MAT042 HSR 97
Campus Santiago
10.3. Extras, Vectores
Un vector aleatorio se dene como
X : R
2
(X(), Y ())
los sucesos ser an de la forma (X, Y ) A con A R
2
.
Distribuci on conjunta
a) Caso Discreto: X e Y dos variables aleatorias discretas, se dene la funci on de
probabilidad conjunta de X e Y como
F(X, Y ) : R
2
[0, 1]
(X, Y ) F(X, Y )
debe cumplir que:
i ) F(X, Y ) 0 (x Rec(x)) (y Rec(y))
ii )
xRec(x)
yRec(y)
F(X, Y ) = 1
b) Caso Continuo: X e Y variables aleatorias continuas, si existe una funcion f
XY
no negativa e integrable tal que:
P((X, Y ) A) =
__
A
f
XY
(x, y) dA
A R
2
.
Dicha funci on se llama funcion densidad conjunta de X e Y , y cumple que.
i ) f
XY
0 (x Rec(x)) (y Rec(y))
ii )
_ _
. .
(x,y)Rec(x,y)
f
XY
(x, y) dA = 1
para este caso se tiene que:
f
XY
(x, y) =

2
F
XY
xy
MAT042 HSR 98
Campus Santiago
c) Distribuciones marginales:
i ) de X:
yRec(y)
F(X, Y ) o
_
..
yRec(y)
f
XY
(x, y) dy
ii ) de Y :
xRec(x)
F(X, Y ) o
_
..
xRec(x)
f
XY
(x, y) dx
Diremos que X e Y son independientes ssi:
f
XY
(x, y) = f
X
(x)f
Y
(y)
d) Funciones condicionales:
i ) de X dado Y
f
X|Y
=
f
XY
(x, y)
f
Y
(y)
f
X|Y =a
=
f
XY
(x, a)
f
Y
(a)
ii ) de Y dado X
f
Y |X
=
f
XY
(x, y)
f
X
(x)
f
Y |X=a
=
f
XY
(a, y)
f
X
(a)
e) Esperanza condicional:
i ) E(X/Y = a) =
_

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

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

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

y
2
f
XY
(a, y)
f
X
(a)
dy
MAT042 HSR 99
Campus Santiago
g) Algunas propiedades:
i ) E(X, Y ) = (E(X), E(Y ))
ii ) E(aX +bY ) = aE(X) +bE(Y )
iii ) V(aX +bY ) = a
2
V(X) +b
2
V(Y ) ; ssi X e Y son independientes.
iv) V(aX+bY ) = a
2
V(X)+b
2
V(Y )2ab cov(X, Y ) ; ssi X e Y son dependientes.
y
cov(X, Y ) = E(XY ) E(X)E(Y )
v) E(X) =
_

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

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

xyf
X
(x, y) dx dy
MAT042 HSR 100
Campus Santiago
11. Ayudanta 11
11.1. Vectores Aleatorios Continuos
1. La variable aleatoria bidimensional (X, Y ) tiene funci on densidad conjunta:
f
XY
(x, y) = kx
2
(8 y) 0 x 2 , x < y < 2x
se pide:
a) Funciones de densidad marginales de X e Y .
b) Funciones de densidad condicionales de X e Y .
Desarrollo:
a) Funci on densidad marginal de X:
f
X
(x) =
_
2x
x
kx
2
(8 y) dy
= kx
2
(8 y)
2
2
y=2x
y=x
=
k
2
x
2
_
(8 2x)
2
(8 x)
2
=
k
2
x
2
_
64 32x +x
2
_
64 16x +x
2
__
=
k
2
x
2
_
&
&
64 32x +
x
2
&
&
64 + 16x
x
2
_
=
k
2
x
2
(16x)
= 8kx
3
f
X
(x) = 8kx
3
I
[0,2]
(x)
f
Y
(y) =
_
_
y
y
2
kx
2
(8 y) dx
_
I
[0,2]
(y) +
_
_
2
y
2
kx
2
(8 y)
_
I
[2,4]
(y)
=
_
k (8 y)
x
3
3
x=y
x=
y
2
_
I
[0,2]
(y) +
_
k (8 y)
x
3
3
x=2
x=
y
2
_
I
[2,4]
(y)
=
_
k
3
(8 y)
_
y
3
y
3
8
__
I
[0,2]
(y) +
_
k
3
(8 y)
_
8
y
3
8
__
I
[2,4]
(y)
=
7k
24
(8 y) y
3
I
[0,2]
(y) +
k
24
(8 y)
_
64 y
3
_
I
[2,4]
(y)
f
Y
(y) =
7k
24
(8 y) y
3
I
[0,2]
(y) +
k
24
(8 y)
_
64 y
3
_
I
[2,4]
(y)
MAT042 HSR 101
Campus Santiago
b) Fuci on densidad condicional de X:

f
X|Y =y
(x) =
f
XY
(x, y)
f
Y
(y)
=
kx
2
(8 y)
7k
24
(8 y) y
3
I
[0,2]
(y) +
k
24
(8 y) (64 y
3
) I
[2,4]
(y)
f
X|Y =y
(x) =
kx
2
(8 y) I
[0,2]
(x)
7k
24
(8 y) y
3
I
[0,2]
(y) +
k
24
(8 y) (64 y
3
) I
[2,4]
(y)
Fucion densidad condicional de Y :
f
Y |X=x
(y) =
f
XY
(x, y)
f
X
(x)
=
kx
2
(8 y)
8kx
3
=
(8 y)
8x
f
Y |X=x
(y) =
(8 y) I
[0,4]
(y)
8x I
[0,2]
(x)
2. La funci on de densidad de la variable aleatoria (X, Y, Z) es:

f
XY Z
(x, y, z) = k (xy +xz +yz) I
[0,1]
3 (x, y, z)
a) Calcular k.
b) Hallar las funciones de densidad marginales de X, Y y Z.
c) Son variables aleatorias independendintes?
Desarrollo:
MAT042 HSR 102
Campus Santiago
a)
_
1
0
_
1
0
_
1
0
k (xy +xz +yz) dx dy dz = 1
k
_
1
0
_
1
0
_
x
2
2
y +
x
2
2
z +xyz
_
x=1
x=0
dy dz = 1
k
_
1
0
_
1
0
_
1
2
y +
1
2
z +yz
_
dy dz = 1
k
_
1
0
_
y
2
4
+
1
2
yz +
y
2
2
z
_
y=1
y=0
dz = 1
k
_
1
0
_
1
4
+
1
2
z +
1
2
z
_
dz = 1
k
_
1
4
z +
z
2
2
_
1
0
= 1
k
_
3
4
_
= 1
k =
4
3
b) Densidad marginal de X:
f
X
(x) =
4
3
_
1
0
_
1
0
(xy +xz +yz) dy dz
=
4
3
_
1
0
_
x
y
2
2
+xyz +
y
2
2
z
_
y=1
y=0
dz
=
4
3
_
1
0
_
x
2
+xz +
z
2
_
dz
=
4
3
_
x
2
z +x
z
2
2
+
z
2
4
_
z=1
z=0
=
4
3
_
x
2
+
x
2
+
1
4
_
=

4
3
_
4x + 1
4
_
f
X
(x) =
4x + 1
3
I
[0,1]
(x)
MAT042 HSR 103
Campus Santiago
Densidad marginal de Y :
f
Y
(y) =
4
3
_
1
0
_
1
0
(xy +xz +yz) dx dz
=
4
3
_
1
0
_
x
2
2
y +
x
2
2
z +xyz
_
x=1
x=0
dz
=
4
3
_
1
0
_
y
2
+
z
2
+yz
_
dz
=
4
3
_
y
2
z +
z
2
4
+y
z
2
2
_
z=1
z=0
=

4
3
_
4y + 1
4
_
f
Y
(y) =
4y + 1
3
I
[0,1]
(y)
Densidad marginal de Z:
f
Z
(z) =
4
3
_
1
0
_
1
0
(xy +xz +yz) dx dy
=
4
3
_
1
0
_
x
2
2
y +
x
2
2
z +xyz
_
x=1
x=0
dy
=
4
3
_
1
0
_
y
2
+
z
2
+yz
_
dy
=
4
3
_
y
2
4
+
z
2
y +
y
2
2
z
_
y=1
y=0
=
4
3
_
1
4
+
z
2
+
z
2
_
=

4
3
_
4z + 1
4
_
f
Z
(z) =
4z + 1
3
I
[0,1]
(z)
c) Las variables NO son independientes, pues:

4
3
(xy +xz +yz) ,=
4x + 1
3

4y + 1
3

4z + 1
3
MAT042 HSR 104

Campus Santiago
11.2. Cambio de variable
1. Sea

X = (X, Y ) un vector aleatorio con funcion densidad conjunta:
f
X
(x, y) =
1
2
e
1
2
(x
2
+y
2
)
I
R
2 (x, y)
determine:
a) f
Z
(z) si Z =
X +Y
2
b) f
Z
(z) si Z = X
2
+Y
2
Desarrollo:
a) Sea el vector

Z = (Z, W), con Z =
X +Y
2
y denamos W = X. Por lo que
tenemos el siguiente sistema de ecuaciones:
Z =
X +Y
2
W = X
Es claro que X = W y reemplazando esto en la primera se tiene que Y = 2ZW,
es decir x (z, w) = w e y (z, w) = 2z w, por otro lado es evidente que z R y
w R. Luego, debemos calcular J (z, w)
x (z, w) = w
y (z, w) = 2z w
_
_
_
J
_
x, y
z, w
_
=
0 1
2 1
= 2
Recordar que el cambio de variables se realiza de acuerdo a la siguiente f ormula:
f
UV
(u, v) = f
XY
(x (u, v) , y (u, v)) [det (J (u, v)[
Por lo que la funci on densidad conjunta de

Z viene dada por:
f
ZW
(z, w) =
1
2
e
1
2
(w
2
+(2zw)
2
)
[2[ I
R
2 (z, w)
=
1
1
2
(w
2
+4z
2
4zw+w
2
)
I
R
2 (z, w)
=
1
1
2
(2w
2
+4z
2
4zw)
I
R
2 (z, w)
f
ZW
(z, w) =
1
e
(w
2
+2z
2
2zw)
I
R
2 (z, w)
MAT042 HSR 105
Campus Santiago
Como se pide la funcion densidad de Z, debemos calcular su funci on densidad
marginal:
f
Z
(z) =
1
e
(w
2
+2z
2
2zw)
dw
=
1
e
(z
2
2zw+w
2
+z
2
)
dw
=
1
e
(w
2
2wz+z
2
)z
2
dw
=
1
e
z
2
_

e
(wz)
2
dw
= Sea
u
2
= (w z)
du
2
= dw
=
1
e
z
2
_

2
e
u
2
2
du
=
1
e
z
2
_

2
e
u
2
2
du
. .
N (0, 1)
f
Z
(z) =
1
e
z
2
I
R
2 (z)
b) Al igual que el punto anterior, denamos el vector

Z = (Z, W), con Z = X
2
+Y
2
y W = X. Por lo que tenemos el siguiente sistema de ecuaciones:
Z = X
2
+Y
2
W = X
Nuevamente, es claro que X = W, y al reemplazar en la primera Y =
Z W
2
,
es decir x (z, w) = w e y (z, w) =
z w
2
, adem as debemos encontrar el recor-
rido de Z y W. De la relaci on X = W, w R y por otra parte se debe cumplir que
z w
2
0 de donde se obtiene que
z w
z, por lo que al intersectar am-

bos recorridos tenemos que
z w
z. Ademas de la relacion Z = X
2
+Y
2
se tiene que z R
+
0
. Finalmente, debemos calcular J (z, w)
x (z, w) = w
y (z, w) =
z w
2
_
_
_
J
_
x, y
z, w
_
=
0 1
1
2
z w
2
w
z w
2
=
1
2
z w
2
y
x (z, w) = w
y (z, w) =
z w
2
_
_
_
J
_
x, y
z, w
_
=
0 1
1
2
z w
2
w
z w
2
=
1
2
z w
2
MAT042 HSR 106
Campus Santiago
Al multiplicar la funcion densidad conjunta con el [det (J (z, w))[ queda
z w
2
en el denominador por lo que z ]
z,
z[. Luego la funci on desidad conjunta

del vector

Z es:
f
ZW
(z, w) =
1
2
e
1
2
w
2
+(
zw
2
)
2
1
2
z w
2
I
R]
z,
z[
(z, w)
= +
1
2
e
1
2
w
2
+(
zw
2
)
2
1
2
z w
2
I
R]
z,
z[
(z, w)
=
1
4
e
1
2
(w
2
+zw
2
)
1
z w
2
I
R]
z,
z[
(z, w)
= +
1
4
e
1
2
(w
2
+zw
2
)
1
z w
2
I
R]
z,
z[
(z, w)
=
1
2
e
1
2
(w
2
+zw
2
)
1
z w
2
I
R]
z,
z[
(z, w)
f
ZW
(z, w) =
1
2
e
z
2
1
z w
2
I
R]
z,
z[
(z, w)
Ahora debemos calcular la funcion densidad marginal de Z:
f
Z
(z) =
_

z
z
1
2
e
z
2
1
z w
2
dw
=
1
2
e
z
2
_

z
z
1
z w
2
dw
=
1
2
e
z
2
_
arcsin
_
w
z
__
z
=
1
2
e
z
2
[arcsin (1) arcsin (1)]
=
1
2
e
z
2
_
2

_
2
__
=
1
2
&
z
2
[
&
]
=
1
2
e
z
2
f
Z
(z) =
1
2
e
z
2
I
R
+
0
(z)
Es decir la funci on densidad marginal de Z es exponencial de parametro =
1
2
.
MAT042 HSR 107

Campus Santiago
12. Ayudanta 12
12.1. Estimaci on Puntual
12.1.1. Metodo de los Momentos
1. Sea X
1
, X
2
, . . . , X
n
una muestra aleatoria independiente, proveniente de la funci on
densidad:
f
X
(x, ) = (1 +) x
I
[0,1]
(x)
obtener el estimador de por el metodo de los momentos.
Desarrollo:
Para encontrar el estimador, debemos igualar el primer momento poblacional con el
primer momento muestral, es decir:
E(x) =
n
i=1
x
i
n
Por lo que calcularemos:
E(x) =
_
1
0
x (1 +) x
dx
= (1 +)
_
1
0
x
(1+)
dx
= (1 +)
_
x
(2+)
2 +
_
1
0
=
1 +
2 +
Sea
n
i=1
x
i
n
= X
n
,
1 +
2 +
= X
n
1 + = 2X
n
+X
n
X
n
= 2X
n
1
_
1 X
n
_
= 2X
n
1
=
2X
n
1
1 X
n

=
2
n
i=1
x
i
n
1
1
n
i=1
x
i
n
MAT042 HSR 108
Campus Santiago
Es el estimador de encontrado por el metodo de los momentos.
2. Sean X
1
, X
2
, . . . , X
n
iid, proveniente de:
f
X
(x, ) =
_
_
_
e
x+
, x >
0 , en otro caso
obtener el estimador de por el metodo de los momentos.
Desarrollo:
Debemos igualar:
E(x) =
n
i=1
x
i
n
y
E(x) =
_

xe
x+
dx
= xe
x+
+
_

e
x+
dx
. .
1
= + 1
Sea
n
i=1
x
i
n
= X
n
igualando tenemos:
+ 1 = X
n
= 1 X
n

= 1
n
i=1
x
i
n
Es el estimador por el metodo de los momentos para .
MAT042 HSR 109

Campus Santiago
12.1.2. Maxima Verosimilitud
1. Sean X
1
, X
2
, . . . , X
n
iid, proveniente de:
f
X
(x, ) =
_
_
1
x
_
+1
, x > 1, > 1
0 , en otro caso
obtener el estimador m aximo verosmil de .
Desarrollo:
Primero, denimos la funci on de verosimilitud
f
X
i
(x
1
, x
2
, . . . , x
n
) =
n
i=1
_
1
x
i
_
+1
I
]1,[
(x
i
)
Luego, aplicamos logaritmo natural y obtenemos la funci on Log-Verosmil
ln f
X
i
(x
1
, x
2
, . . . , x
n
) = ln
n
i=1
_
1
x
i
_
+1
I
]1,[
(x
i
)
=
n
i=1
_
ln
_
1
x
i
_
+1
I
]1,[
(x
i
)
_
=
n
i=1
_
ln + ln
_
1
x
i
_
+1
+ ln I
]1,[
(x
i
)
_
=
n
i=1
ln ( + 1)
n
i=1
ln x
i
+
n
i=1
ln I
]1,[
(x
i
)
= nln ( + 1)
n
i=1
ln x
i
+
n
i=1
ln I
]1,[
(x
i
)
Luego derivamos con respecto al parametro e igualamos a cero,
L
=
n
i=1
ln x
i
= 0 =

=
n
n
i=1
ln x
i
Finalmente calculamos la segunda derivada, para ver que tipo de estremo se tiene en
el punto encontrado anteriormente,
2
L
2
=
n
=
n
2
< 0 n N,

R
MAT042 HSR 110
Campus Santiago

=
n
n
i=1
ln x
i
Es el estimador de Maxima Verosimilitud para .
2. Sea X
1
, X
2
, . . . , X
n
una muestra aleatoria de una poblacion X con funcion densidad
dada por:
f
X
(x, ) =
_
_
_
3x
2
e
x
3
si x > 0, > 0
0 si x 0
a) Obtener el EMV de .
b) Es insesgado el estimador de ?
c) Es Consistente en Error Cuadratico Medio?
d) Calcule la cota de Cr amer-Rao para

.
Desarrollo:
a) Funci on de verosimilitud
f
X
i
(x
1
, x
2
, . . . , x
n
) =
n
i=1
3x
2
i
e
x
3
i
I
R
+ (x
i
)
Funcion Log-Verosmil
ln f
X
i
(x
1
, x
2
, . . . , x
n
) = ln
n
i=1
3x
2
i
e
x
3
i
I
R
+ (x
i
)
=
n
i=1
ln 3x
2
i
e
x
3
i
I
R
+ (x
i
)
=
n
i=1
_
ln 3 + ln + 2 ln x
i
x
3
i
+ ln I
R
+ (x
i
)
=
n
i=1
ln 3 +
n
i=1
ln + 2
n
i=1
ln x
i
i=1
x
3
i
+
n
i=1
ln I
R
+ (x
i
)
= nln 3 +nln + 2
n
i=1
ln x
i
i=1
x
3
i
+
n
i=1
ln I
R
+ (x
i
)
MAT042 HSR 111
Campus Santiago
Derivamos e igualamos a cero
L
=
n
i=1
x
3
i
= 0 =

=
n
n
i=1
x
3
i
Calculamos la segunda derivada y vemos su signo
2
L
2
=
n
=
n
2
< 0 n N,

R
Con lo anterior tenemos que

=
n
n
i=1
x
3
i
Es el estimador de Maxima Verosimilitud para .
b) Por demostrar que E

_
_
=
E
_
_
= E
_
n
n
i=1
x
3
i
_
=
n
n
i=1
E
_
x
3
i
_
Aparte
E
_
x
3
_
=
_

0
x
3
3x
2
e
x
3
dx
= x
3
e
x
3
0
+
_

0
3x
2
e
x
3
dx
=
1
_

0
3x
2
e
x
3
dx
. .
1
=
1
Reemplazando,
n
n
i=1
E
_
x
3
i
_
=
n
n
i=1
1
=
&
n
&
n
=
MAT042 HSR 112
Campus Santiago
E
_
_
=
Por lo que el estimador es insesgado.
c) Como el estimador es insesgado, para que sea Consistente en Error Cuadr atico
Medio, debe cumplir que:
lm
n
V
_
_
= 0
Por lo que calcularemos su varianza.
V
_
_
= V
_
n
n
i=1
x
3
i
_
=
n
2
n
i=1
V
_
x
3
i
_
=
n
2
n
i=1
_
E
_
x
6
i
_
_
E
_
x
3
i
_
2
_
Aparte,
E
_
x
6
_
=
_

0
x
6
3x
2
e
x
3
dx
= x
6
e
x
3
0
+
_

0
6x
5
e
x
3
dx
=
2
_

0
x
3
3x
2
e
x
3
dx
. .
E(x
3
)
=
2
=
2
2
Reemplazando,
n
2
n
i=1
_
E
_
x
6
i
_
_
E
_
x
3
i
_
2
_
=
n
2
n
i=1
_
2
2

_
1
_
2
_
=
n
2
n
i=1
1
2
=
n
2
&
n

2
MAT042 HSR 113
Campus Santiago
V
_
_
= n
2
nalmente se tiene,
lm
n
n
2
= , = 0
Es decir, es estimador NO es Consistente en Error Cuadr atico Medio.
d) La cota de Cramer-Rao est a dada por:

V()
1
E
_
2
L
2
_
luego calculamos:
e
_
2
L
2
_
= E
_
2
_
=E
_
2
L
2
_
=
n
2
Reemplazando tenemos,
V()
1
2
_
V()

2
n
Es la cota de Cramer-Rao para .
MAT042 HSR 114

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

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

2
= 0, 04 = 1

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

MAT042 HSR 115
Campus Santiago
b) El error viene dado por t
n1;1
2
S
n
.
1 = 0, 95 = = 0, 05 = 1

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

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

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

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

MAT042 HSR 116
Campus Santiago
d) Error= t
n1;1
2
S
n
= t
63;10,975
S
n
n 1
, como este debe ser a lo m as 0, 5, tenemos:
0, 5 t
63;10,975
S
n
n 1
0, 5 1, 998
6
n 1
0, 5 11, 988
1
n 1
n 1
11, 998
0, 5
n 1 23, 976
n 1 (23, 976)
2
n (23, 976)
2
+ 1
n 575, 8
n 576
2. De experiencias pasadas se sabe que la desviacion est andar de las estaturas de ni nos
de 5to b asico es de 5[cm].
a) Se seleccionan 36 ni nos, observ andose una media de 130[cm], construya un inter-
valo de conanza del 95 % para la estatura media de la poblaci on.
b) Cual es el tama no de la muestra para que el intervalo de conanza
[130 0, 95; 130 + 0, 95]
tenga un 95 % de conanza?
Desarrollo:
a) Sea X : estatura de ni nos de 5to basico, X
n
= 130 y = 5
Intervalo de conanza para con
2
conocido.
(1 ) % = 95 % = = 0, 05 = 1

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

MAT042 HSR 117
Campus Santiago
b) Error= Z
1
n
0, 95 = Z
1
n
0, 95 = 1, 96
5
n = 5
1, 96
0, 95
n =
_
5
1, 96
0, 95
_
2
n = 107
3. Una encuesta de 100 votantes para conocer las opiniones respecto a dos candidatos,
muestra que 55 apoyan a A y 45 a B. Calcular un intervalo de conanza para la
proporci on de votos de cada candidato, considerando un nivel de conanza del 95 %.
Desarrollo:
Sea X
i
: votantes que apoyan al candidato i, con i = A, B. Ademas
X
A
Bin(100; 0, 55) X
B
Bin(100; 0, 45)
Intervalo de conanza para una proporci on:
IC
p
=
_
p Z
1
2
_
p (1 p)
n
_
Intervalo para A,
IC
p
A
=
_
p
A
Z
0,975
_
p
A
(1 p
A
)
n
_
=
_
0, 55 1, 96
0, 55 0, 45
100
_
=
_
0, 55 1, 96
0, 497
10
_
IC
p
A
= [0, 452; 0, 647]
MAT042 HSR 118
Campus Santiago
Intervalo para B,
IC
p
B
=
_
p
B
Z
0,975
_
p
B
(1 p
B
)
n
_
=
_
0, 45 1, 96
0, 45 0, 55
100
_
=
_
0, 45 1, 96
0, 497
10
_
IC
p
A
= [0, 352; 0, 547]
4. Sea X
1
, X
2
, . . . , X
n
una m.a. de una distribucion con funcion densidad probabilstica
dada por
f
X
(x, ) =
x
x
2
2
I
R
+ (x)
determine un intervalo de conanza del 95 % para y eval ue dicho intervalo si se sabe
que
100
i=1
x
2
i
= 2586, 51. Considere el estimador de igual a
=
n
i=1
x
2
i
2n
y considere
2
L
2
=
n
2
Desarrollo:
Intervalo de conanza para un estimador M aximo Verosmil:
IC
MV
=
_
MV
Z
1
2
1
_
nI
1
()
_
con
I
1
() = E
_
2
L
2
_
=
_
2
_
= I
1
() =
n
2
MAT042 HSR 119
Campus Santiago
y 1

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

n
_
por lo tanto el intervalo de conanza esta dado por:
IC
MV
=
_
MV
1, 96
MV
n
_
Ahora, debemos evaluar,
IC
MV
=
_
MV
1, 96
MV
n
_
=
_
n
i=1
x
2
i
2n
1, 96
1
n
n
i=1
x
2
i
2n
_
=
_
1
2n
n
i=1
x
2
i
1, 96
1
2n
2
n
i=1
x
2
i
_
=
_
1
200
2586, 51 1, 96
1
20000
2586, 51
_
= [12, 933 0, 253]
IC
MV
= [12, 68; 13, 19]
MAT042 HSR 120

Campus Santiago
13.2. Test de Hipotesis
1. Se extraen los siguientes datos, distribuidos N(, 2) : 1, 82; 3, 21; 4, 32; 1, 31; 2, 35; 1, 92.
Se puede decir que la media es 2,33 con la muestra que tenemos, con = 0, 05?
Desarrollo:
i ) Primero calculamos la media:
X =
6
i=1
x
i
n
=
1, 82 + 3, 21 + 4, 32 + 1, 31 + 2, 35 + 1, 92
6
= 2, 49
ii ) Como se pide realizar test de hip otesis para la media, debemos identicar si la
desviaci on que no entrega el enunciado es porblacional a muestral. Para este caso
se tiene que es la poblacional, por ende el estadstico de prueba a utilizar es el
para con
2
conocido, lo cu al se obtiene por formulario y es:
Z
0
=
X
0
n
y su valor es:
Z
0
=
2, 49 2, 33
2
6
= Z
0
= 0, 277
iii ) Planteamiento de nuestra hip otesis nula y alternativa:
H
0
: =
0
H
A
: ,=
0
en donde se cumple que:
Hip otesis Nula Hip otesis Alternativa Rechace H
0
s
H
0
: =
0
H
A
: ,=
0
Z
0
Z
1
2
o Z
0
Z
1
2
iv) Ahora debemos calcular Z
1
2
,
Z
1
2
= Z
0,975
= 1, 96
v) Luego,
Z
0
Z
1
2
o Z
0
Z
1
2
0, 277 1, 96 o 0, 277 1, 96
MAT042 HSR 121
Campus Santiago
vi ) Finalmente, como no se cumple la condici on de rechazo para H
0
, decimos que no
hay evidencia suciente para rechazar esta.
2. Un operador de la bolsa aconseja a un cliente respecto a una inversion de compra y

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

2
0
Por lo que debemos considerar las regiones de rechazo para:
Hip otesis Nula Hip otesis Alternativa Rechace H
0
s
H
0
:
2
=
2
0
H
A
:
2
,=
2
0
Q
0

2
n1;1
2
o Q
0

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

2
n1;
Ahora calculamos los valores de Q
0
,
2
n1;1
2
,
2
n1;
2
y
2
n1;
.
MAT042 HSR 122
Campus Santiago
Q
0
=
n S
2
n
2
0
= 30
2
n1;1
2
=
2
14;0,975
= 5,63
2
n1;
2
=
2
14;0,025
= 26,1
2
n1;
=
2
14;0,05
= 23,7
Luego,
Q
0

2
n1;1
2
o Q
0

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

2
n1;
30 23, 7
Por lo tanto se rechaza H
0
:
2
=
2
0
.
Con lo anterior se tiene evidencia suente para decir que no se rechaza la hipotesis de
que la varianza es menor a la varianza hist orica.
MAT042 HSR 123

Campus Santiago
14. Ayudanta 14
1. Dada la variable aleatoria (X
1
, X
2
, X
3
, X
4
) con funci on densidad
f
X
i
(x
1
, x
2
, x
3
, x
4
) = 16x
1
x
2
x
3
x
4
I
[0,1][0,1][0,1][0,1]
(x
1
, x
2
, x
3
, x
4
)
Calcular:
a) P(X
1
< 1/2, X
4
> 1/3).
Desarrollo:
P(X
1
< 1/2, X
4
> 1/3) =
_ 1
2
0
_
1
0
_
1
0
_
1
1
3
16x
1
x
2
x
3
x
4
dx
4
dx
3
dx
2
dx
1
= 16
_ 1
2
0
_
1
0
_
2
0
x
1
x
2
x
3
x
2
4
2
x
4
=1
x
4
=
1
3
dx
3
dx
2
dx
1
= 8
_ 1
2
0
_
1
0
_
2
0
x
1
x
2
x
3
_
1
1
9
_
dx
3
dx
2
dx
1
=
64
9
_ 1
2
0
_
1
0
_
2
0
x
1
x
2
x
3
dx
3
dx
2
dx
1
=
64
9
_ 1
2
0
_
1
0
x
1
x
2
x
2
3
2
x
3
=1
x
3
=0
dx
2
dx
1
=
32
9
_ 1
2
0
_
1
0
x
1
x
2
dx
2
dx
1
=
32
9
_ 1
2
0
x
1
x
2
2
2
x
2
=1
x
2
=0
dx
1
=
16
9
_ 1
2
0
x
1
dx
1
=
16
9
_
x
2
1
2
_
x
1
=
1
2
x
1
=0
=
8
9
_
1
4
_
P(X
1
< 1/2, X
4
> 1/3) =
2
9
Otra forma es calcular la densidad marginal de (X
1
, X
4
) y luego calcular lo pedido.
MAT042 HSR 124
Campus Santiago
Es decir:
f (x
1
, x
4
) =
_
1
0
_
1
0
16x
1
x
2
x
3
x
4
dx
3
dx
2
= 8
_
1
0
16x
1
x
2
x
4
dx
2
= 4x
1
x
4
f (x
1
, x
4
) = 4x
1
x
4
I
[0,1][0,1]
(x
1
, x
4
)
Luego la probabilidad pedida es:
P(X
1
< 1/2, X
4
> 1/3) =
_ 1
2
0
_
1
1
3
4x
1
x
4
dx
4
dx
1
= 4
_ 1
2
0
x
1
x
2
4
2
x
4
=1
x
4
=
1
3
dx
1
= 2
_ 1
2
0
x
1
_
1
1
9
_
dx
1
=
16
9
_ 1
2
0
x
1
dx
1
=
16
9
_
x
2
1
2
_
1
2
0
=
8
9
_
1
4
_
P(X
1
< 1/2, X
4
> 1/3) =
2
9
b) La densidad marginal de X
1
.
Desarrollo:
f
X
1
(x
1
) =
_
1
0
_
1
0
_
1
0
16x
1
x
2
x
3
x
4
dx
4
dx
3
dx
2
= 8
_
1
0
_
1
0
x
1
x
2
x
3
dx
3
dx
2
= 4
_
1
0
x
1
x
2
dx
2
= 2x
1
f
X
1
(x
1
) = 2x
1
I
[0,1]
(x
1
)
MAT042 HSR 125

Campus Santiago
c) La densidad marginal de (X
2
, X
3
, X
4
).
Desarrollo:
f (x
2
, x
3
, x
4
) =
_
1
0
16x
1
x
2
x
3
x
4
dx
1
= 8x
2
x
3
x
4
f (x
2
, x
3
, x
4
) = 8x
2
x
3
x
4
I
[0,1][0,1][0,1]
(x
2
, x
3
, x
4
)
2. Sea (X, Y ) un vector con funci on densidad conjunta:

f (x, y) =
_
_
_
kxye
(x+y)
si x > 0 , y > 0
0 en otro caso
se pide:
a) Calcular la constante k.
Desarrollo:
_

0
_

0
kxye
(x+y)
dx dy = 1
k
_

0
_

0
xe
x
ye
y
dx dy = 1
k
_

0
ye
y
_
x
e
x
0
. .
0
+
_

0
e
x
dx
. .
1
_
_
dy = 1
k
_

0
ye
y
dy = 1
k
_
y
e
y
0
. .
0
+
_

0
e
y
dy
. .
1
_
_
= 1
k = 1
b) Hallar las funciones marginales de X e Y .

Desarrollo:
MAT042 HSR 126
Campus Santiago
Funcion densidad marginal de X:
f
X
(x) =
_

0
xye
(x+y)
dy
= xe
x
_

0
ye
y
dy
. .
1
f
X
(x) = xe
x
I
R
+
0
(x)
Por simetra
f
Y
(y) = ye
y
I
R
+
0
(y)
c) Son independientes X e Y ?
Desarrollo:
Las variables SON independientes, pues:
xye
(x+y)
I
R
+
0
,R
+
0
(x, y) = xe
x
I
R
+
0
(x) ye
y
I
R
+
0
(y)
3. Una variable aleatoria discreta (X, Y ) tiene la siguiente funci on de cuanta:

P(X = i, Y = j) = k (i +j) i = 1, 2, . . . , n, j = 1, 2, . . . , q
Calcular:
a) La constante k.
MAT042 HSR 127
Campus Santiago
Desarrollo:
n
i=1
q
j=1
k (i +j) = 1
k
n
i=1
q
j=1
(i +j) = 1
k
n
i=1
_
q
j=1
(i +j)
_
= 1
k
n
i=1
_
q
j=1
i +
q
j=1
j
_
= 1
k
n
i=1
_
qi +
q (q + 1)
2
_
= 1
k
_
n
i=1
qi +
n
i=1
q (q + 1)
2
_
= 1
k
_
q
n
i=1
i +n
q (q + 1)
2
_
= 1
k
_
q
n(n + 1)
2
+n
q (q + 1)
2
_
= 1
k
_
nq (n + 1) +nq (q + 1)
2
_
= 1
k
_
nq (n +q + 2)
2
_
= 1
k =
2
nq (n +q + 2)
b) Las funciones de cuanta marginales.

Desarrollo:
MAT042 HSR 128
Campus Santiago
Funcion de cuanta marginal de X = i:
P(X = i) = k
q
j=1
(i +j)
= k
_
q
j=1
i +
q
j=1
j
_
= k
_
qi +
q (q + 1)
2
_
=
k
2
_
2qi +q
2
+q
_
=
(2qi +q
2
+q)
nq (n +q + 2)
=

q (2i +q + 1)
n
q (n +q + 2)
P(X = i) =
(2i +q + 1)
n(n +q + 2)
i = 1, 2, . . . , n
Funcion de cuanta marginal de Y = j:
P(Y = j) = k
n
i=1
(i +j)
= k
_
n
i=1
i +
n
i=1
j
_
= k
_
n(n + 1)
2
+nj
_
=
k
2
_
n
2
+n + 2nj
_
=
(n
2
+n + 2nj)
nq (n +q + 2)
=
&
n(n + 1 + 2j)
&
nq (n +q + 2)
P(Y = j) =
(2j +n + 1)
q (n +q + 2)
j = 1, 2, . . . , q
c) Las esperanzas marginales.

Desarrollo:
MAT042 HSR 129
Campus Santiago
Esperanza marginal de X = i:
E(X = i) =
n
i=1
i
_
(2i +q + 1)
n(n +q + 2)
_
=
1
n(n +q + 2)
_
n
i=1
_
2i
2
+qi +i
_
_
=
1
n(n +q + 2)
_
2
n
i=1
i
2
+q
n
i=1
i +
n
i=1
i
_
=
1
n(n +q + 2)
_
2
_
n(n + 1) (2n + 1)
6
_
+q
_
n(n + 1)
2
_
+
n(n + 1)
2
_
=
1
n(n +q + 2)
_
2n(n + 1) (2n + 1) + 3qn(n + 1) + 3n(n + 1)
6
_
=
&
n(n + 1)
&
n(n +q + 2)
(2 (2n + 1) + 3q + 3)
=
(n + 1) (2 (2n + 1) + 3q + 3)
(n +q + 2)
E(X = i) =
(n + 1) (3q + 4n + 5)
(n +q + 2)
Esperanza marginal de Y = j:
E(Y = j) =
q
j=1
j
_
(2j +n + 1)
q (n +q + 2)
_
=
1
q (n +q + 2)
_
q
j=1
_
2j
2
+nj +j
_
_
=
1
q (n +q + 2)
_
2
q
j=1
j
2
+n
q
j=1
j +
q
j=1
j
_
=
1
q (n +q + 2)
_
2
_
q (q + 1) (2q + 1)
6
_
+n
_
q (q + 1)
2
_
+
q (q + 1)
2
_
=
1
q (n +q + 2)
_
2q (q + 1) (2q + 1) + 3nq (q + 1) + 3q (q + 1)
6
_
=

q (q + 1)
q (n +q + 2)
(2 (2q + 1) + 3n + 3)
=
(q + 1) (2 (2q + 1) + 3n + 3)
(n +q + 2)
E(Y = j) =
(q + 1) (3n + 4q + 5)
(n +q + 2)
MAT042 HSR 130
Campus Santiago
4. Sean X e Y dos variables aleatorias distribuidas conjuntamente seg un la siguiente

funci on densidad:
f
XY
(x, y) =
_
_
2
, [ x [ 1, 0 y 1, x
2
+y
2
1
0 , en otro caso
a) Determine la distribuciones condicionales de X [ Y = y e Y [ X = x.
b) Verique que E(Y ) = E(E[Y [ X]) cuando X es aleatorio. Notar que E(Y [ X) =
g(X).
Desarrollo:
a) La funci on densidad de X [ Y = y y Y [ X = x por denicion son:
f
X|Y =y
(x) =
f
XY
(x, y)
f
Y
(y)
y f
Y |X=x
(x) =
f
XY
(x, y)
f
X
(x)
donde
f
X
(x) =
_

1x
2
0
2
dy
=
2
1x
2
0
f
X
(x) =
_
_
2
1 x
2
, 1 x 1
0 , en otro caso
f
Y
(y) =
_

1y
2
1y
2
2
dx
=
2
1y
2
1y
2
=
2
_
_
1 y
2
+
_
1 y
2
_
f
Y
(y) =
_
_
4
_
1 y
2
, 0 y 1
0 , en otro caso
MAT042 HSR 131
Campus Santiago
Reemplazando tenemos:
f
X|Y =y
=
2/
4
_
1 y
2
f
X|Y =y
(x) =
_
_
1
2
_
1 y
2
,
_
1 y
2
x
_
1 y
2
, y (0, 1)
0 , en otro caso
f
Y |X=x
=
2/
2
1 x
2
f
Y |X=x
(y) =
_
_
1
1 x
2
, 0 y
1 x
2
, x (1, 1)
0 , en otro caso
b) Por denci on se tiene:

E(Y ) =
_
1
0
y
4
_
1 y
2
dy
=
4
1
3
(1 y
2
)
3/2
_
1
0
E(Y ) =
4
3
Por otra parte:
E(Y [ X = x) =
_

1x
2
0
y
1
1 x
2
dy
=
1
1 x
2
y
2
2
1x
2
0
=
1 x
2
2
MAT042 HSR 132
Campus Santiago
Luego, E(Y [ X) = g(X) =
1 x
2
2
es una variable aleatoria con valor esperado
E(g(X)) =
_
1
1
1 x
2
2
2
1 x
2
dx
=
1
_
1
1
_
1 x
2
_
dx
=
1
_
x
x
3
3
_
1
1
=
4
3
E(E[Y [ X]) =
4
3
Por lo tanto verica que
E(Y ) = E(E[Y [ X])
5. En ocasiones la f.d.p. de Pareto se utiliza como un modelo, sobre todo en reclamaciones

de seguros, donde pueden haber muchas peticiones de pago peque nas y unas pocas
peticiones de pago enormes. Una de las formas que adopta la f.d.p. de Pareto es:
f
Y
(y, ) =
1
(1 +y)
1
1
I
R
+ (y) con > 0
Suponga una m.a.(n) de esta distribucion. Determine un estimador de m axima verosimil-
itud para . Es eciente? Es insesgado?
Desarrollo:
Primero, denimos la funci on de verosimilitud,
f
Y
i
(y
i
, ) =
n
i=1
1
(1 +y
i
)
1
1
I
R
+ (y
i
)
Luego funcion Log-Verosmil,
ln f
Y
i
(y
i
, ) = ln
n
i=1
1
(1 +y
i
)
1
1
I
R
+ (y
i
)
=
n
i=1
_
ln
_
1 +
1
_
ln (1 +y
i
) + ln I
R
+ (y
i
)
_
=
n
i=1
ln
n
i=1
ln (1 +y
i
)
1
i=1
ln (1 +y
i
) +
n
i=1
ln I
R
+ (y
i
)
= nln
n
i=1
ln (1 +y
i
)
1
i=1
ln (1 +y
i
) +
n
i=1
ln I
R
+ (y
i
)
MAT042 HSR 133
Campus Santiago
Luego derivamos con respecto al parametro e igualamos a cero,
L
=
n
+
1
2
n
i=1
ln (1 +y
i
) = 0 =

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

2
3
n
i=1
ln (1 +y
i
)
_
=
n
2n
3
n
i=1
ln (1 +y
i
)
n
=
n
2n
=
n
2n
2
L
=
n
2
< 0 n N,

R
por lo que el estimador de M axima verosimilitud para es:
=
n
i=1
ln (1 +y
i
)
n
Para analizar si es eciente, debemos calcular su varianza y compararla con la cota de
Cr amer-Rao,
V
_
_
= V
_
n
i=1
ln (1 +y
i
)
n
_
=
1
n
2
n
i=1
V(ln (1 +y
i
))
=
1
n
2
n
i=1
_
E
_
ln
2
(1 +y
i
)
_
[E(ln (1 +y
i
))]
2
_
MAT042 HSR 134
Campus Santiago
Aparte,
E(ln (1 +y)) =
_

0
ln (1 +y)
1
(1 +y)
1
1
dy
= ln (1 +y) (1 +y)
0
+
_

0
(1 +y)
1
(1 +y)
dy
=
_

0
(1 +y)
1
1
dy
=
(1 +y)
0
=
_
_
&
&
&
&
&
&b
0
1
(1 +)
1
&
&
&
&
&b
1
1
(1 + 0)
1
_
=
y
E
_
ln
2
(1 +y)
_
=
_

0
ln
2
(1 +y)
1
(1 +y)
1
1
dy
= ln
2
(1 +y) (1 +y)
0
+
_

0
(1 +y)
2 ln (1 +y)
(1 +y)
dy
=
_

0
(1 +y)
1
1
2 ln (1 +y) dy
= 2
_

0
ln (1 +y)
1
(1 +y)
1
1
dy
. .
E(ln(1+y))
= 2
= 2
2
reemplazando se tiene,
1
n
2
n
i=1
_
E
_
ln
2
(1 +y
i
)
_
[E(ln (1 +y
i
))]
2
_
=
1
n
2
n
i=1
_
2
2
()
2
_
=
1
n
2
n
i=1
2
=
1
n
2
&
n
2
=

2
n
V
_
_
=

2
n
MAT042 HSR 135
Campus Santiago
Por otro lado la cota de Cr amer-Rao es,
V()
1
E
_
2
L
2
_
ahora calculamos,
E
_
2
L
2
_
= E
_
n
2

2
3
n
i=1
ln (1 +y
i
)
_
= E
_
n
2
_
E
_
2
3
n
i=1
ln (1 +y
i
)
_
=
n
2

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

2
3
n
i=1
=
n
2

2
3
n
=
n
2

2n
2
=
n
2
luego,
V()
1
E
_
2
L
2
_
2
_
1
n
2
V
_

2
n
es la cota de Cramer-Rao para y como la varianza es igual a ella, el estimador es
eciente.
MAT042 HSR 136
Campus Santiago
Para analizar insesgamiento, debemos demostrar que E
_
_
=
E
_
_
= E
_
n
i=1
ln (1 +y
i
)
n
_
=
1
n
n
i=1
E(ln (1 +y
i
))
=
1
n
n
i=1
=
1
&
n
&
n
=
E
_
_
=
por lo que el estimador es insesgado.
MAT042 HSR 137

Campus Santiago
15. Controles
15.1. Control 1
Problema 1
1. Demuestre que:
a) La media x es el valor que minimiza la varianza:
s
2
=
1
n
n
i=1
(x
i
x)
2
b) La varianza s
2
satisface:
s
2
=
1
n
n
i=1
x
2
i
x
2
Desarrollo:
a) Sea la funcion:
f(a) =
1
n
n
i=1
(x
i
a)
2
Si minimizamos esta funci on para a
f(a)
a
=
1
n
n
i=1
2(x
i
a) (1) = 0
(x
i
)
a = 0
x
i
= n a
x = a
Por lo tanto, la varianza se minimiza con a = x
MAT042 HSR 138

Campus Santiago
b) Desarrollamos el cuadrado
1
n
(x
i
x)
2
=
1
n
(x
2
i
2x
i
x +x
2
)
=
1
n
x
2
i

1
n
2x
x
i
+
1
n
x
2
)
=
1
n
x
2
i
2x
1
n
x
i
+
1
n
n x
2
)
=
1
n
x
2
i
2x x +x
2
)
=
1
n
x
2
i
2x
2
+x
2
)
=
1
n
x
2
i
x
2
s
2
=
1
n
n
i=1
x
2
i
x
2
MAT042 HSR 139

Campus Santiago
Problema 2
1. Se desarroll o un experiemento para estudiar las propiedades de fragilidad del hidrogeno con
base en mediciones de presi on electroltica de hidr ogeno. Se controlo la densidad de corriente
de carga catodica y se vario en cuatro niveles. Se observo la presi on efectiva del hidrogeno
como la respuesta. Sean
X: densidad de corriente de carga (mA/cm
2
),
Y: presion efectiva de hidrogeno (atm).
Los datos son los siguientes:
Corrida X Y
1 1.65 86.1
2 1.65 92.1
3 1.65 64.7
4 1.65 74.7
5 1.65 223.6
6 4.48 202.1
7 4.48 132.9
8 4.48 413.5
9 12.2 231.5
10 12.2 466.7
11 12.2 365.3
12 12.2 493.7
13 33.1 382.3
14 33.1 447.2
15 33.1 563.8
a) Calcule media, mediana, varianza y desviacion est andar de Y. Que puede decir de la
distribuci on de esta variable?
b) Calcule la correlaci on entre X e Y. Cu al es el R
2
del modelo Y = a +bX?
c) Existe alguna transformacion de las variables que aumente el valor de la correlaci on
antes caculada?
d) Determine cual es el mejor modelo de regresi on lineal utlizando el valor del coeciente
de determinacion.
Desarrollo:
MAT042 HSR 140
Campus Santiago
a) Los valores pedidos son
x = 282.7
Me = 231.5
s
2
= 29937.5
s = 173.02
Lo que nos indica que la variable tiene una alta dispersi on respecto de la media.
b) Corr(X, Y ) = 0.84 lo que nos indica que el valor de R

2
del modelo Y = a +bX es
R
2
0.70
c) Si transformamos x
= log(x) obtenemos que Corr(X
, Y ) = 0.93 y el R
2
del modelo
Y = a
+b
es 0, 85.
d) El mejor modelo es el que tiene mayor R

2
, por lo tanto el mejor modelo es
Y = a
+b
log(X)
MAT042 HSR 141

Campus Santiago
15.2. Control 2
Problema 1
Sea la funci on
f(x) = k
e
x
2
x
I
]0,[(x)
a) Calcular la constante k para que sea funci on densidad.
b) Encontrar la f.g.m. de f.
c) Encontrar c tal que P(0 < X < c) = 0, 8. Siendo X con funcion densidad f.
Desarrollo:
a) Debe cumplir que
_

0
f
X
(x) dx = 1
_

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

0
e
x
2
x
dx
Resolvenremos aparte la intengral:
_

0
e
x
2
x
dx = 2
_

0
e
z
2
2
dz
. .
Aparte
(haciendo: z
2
= x 2z dz = dx)
Aparte, sea:
_

0
e
z
2
2
dz = I =
__

0
e
z
2
2
dz
_
2
= I
2
Resolvamos I
2
:
__

0
e
z
2
2
dz
_
2
=
__

0
e
z
2
2
dz
_
__

0
e
z
2
2
dz
_
=
__

0
e
z
2
2
dz
_
__

0
e
y
2
2
dy
_
=
_

0
_

0
e
z
2
2
e
y
2
2
dz dy
=
_

0
_

0
e
z
2
2

y
2
2
dz dy
=
_

0
_

0
e
1
2
(z
2
+y
2
)
dz dy
MAT042 HSR 142
Campus Santiago
z = r cos y = r sin con 0

2
y 0 r <
y calculando:
J
_
z, y
r,
_
=
z
r
z
y
r
y
cos r sin
sin r cos
= r cos
2

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

0
_

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

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

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

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

2
I
2
=

2
=I =
_
2
luego se tiene:
k =
1
2
_
2
MAT042 HSR 143
Campus Santiago
k =
1
b) La funci on generadora de momentos viene dada por:
X
(t) = E
_
e
Xt
_
=
_

0
e
xt
1
2x
e
x
2
dx
luego, desarrollamos:
_

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

0
1
x
e
x(t
1
2
)
dx
=
1
2
_

0
1
x
e
x(
1
2
t)
dx (la integral solo converge si t <
1
2
)
= haciendo u
2
= x 2u du = dx
=
2
2
_

0
e
u
2
(
1
2
t)
du
. .
Aparte
Aparte, sea:
_

0
e
u
2
(
1
2
t)
du = I =
__

0
e
u
2
(
1
2
t)
du
_
2
= I
2
Resolvamos I
2
:
__

0
e
u
2
(
1
2
t)
du
_
2
=
__

0
e
u
2
(
1
2
t)
du
_
__

0
e
u
2
(
1
2
t)
du
_
=
__

0
e
u
2
(
1
2
t)
du
_
__

0
e
z
2
(
1
2
t)
dz
_
=
_

0
_

0
e
u
2
(
1
2
t)
e
z
2
(
1
2
t)
du dz
=
_

0
_

0
e
u
2
(
1
2
t)z
2
(
1
2
t)
du dz
=
_

0
_

0
e
(u
2
+z
2
)(
1
2
t)
du dz
u = r cos z = r sin con 0

2
y 0 r <
MAT042 HSR 144
Campus Santiago
y calculando:
J
_
z, y
r,
_
=
z
r
z
y
r
y
cos r sin
sin r cos
= r cos
2

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

0
_

0
e
(u
2
+z
2
)(
1
2
t)
du dz =
_
2
0
_

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

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

0
e
r
2
(
1
2
t)
r dr d
=
_
2
0
e
r
2
(
1
2
t)
2
_
1
2
t
_
r=
r=0
d
=
1
2
_
1
2
t
_
_
2
0
_
$
$
$
$
$
$X
0
e
2
(
1
2
t)
$
$
$
$
$$X
1
e
0
2
(
1
2
t)
_
d
=
1
2
_
1
2
t
_
_
2
0
(1) d
=
1
2
_
1
2
t
_
_
2
0
d
=
1
2
_
1
2
t
_
2
0
=

2 (1 2t)
I
2
=

2 (1 2t)
=I =
_

2 (1 2t)
, es decir:
2
2
_

0
e
u
2
(
1
2
t)
du =
2
2
_

2 (1 2t)
MAT042 HSR 145
Campus Santiago
por lo que se tiene:
=
&
&
2
&
&
&
&
&
&
1 2t
=
_
1
1 2t

X
(t) =
_
1
1 2t
con t <
1
2
c)
P(0 < X < c) = 0, 8
P(0 < X < c) = 0, 4 X N(0, 1)
P(X < c) P(X < 0) = 0, 4
P(X > c) P(X > 0) = 0, 4
(c) (0) = 0, 4
(c)
1
2
= 0, 4
(c) = 0, 9
1
((c)) =
1
(0, 9)
c =
1
(0, 9)
c = 1, 285( Aproximadamente)
MAT042 HSR 146

Campus Santiago
Problema 2
Sea X una variable aleatoria con funci on densidad:
f(x) =
3x
2
x
3
I
[0,[
(x) ; > 0
a) Se dene Y =
X
2
, encontrar la funci on densidad de Y .

Desarrollo:
a)
F
Y
(y) = P(Y y)
= P
_
X
2
y
_
= P
_
X
2
y
_
= P
_
[ X [
_
y
_
= P
_
_
y X
_
y
_
= P
_
X
_
y
_
$
$
$
$
$
$
$
$
$X
X [0, [
P
_
X
_
y
_
= F
X
_
_
y
_
derivando tenemos:
d
dy
F
Y
(y) = F
X
_
_
y
_
= f
X
(
_
y)

2
y
= 3
_
y
_
2
y)
3
y
=
3
2
_
ye
y
3/2
f
Y
(y) =
3
2
_
ye
y
3/2
I
[0,[
(y)
MAT042 HSR 147

Campus Santiago
15.3. Control 3
Problema 1
Dada la variable aleatoria bidimensional continua (X, Y ), con funci on densidad de probabilidad
conjunta
f (x, y) = k (cos (x) + cos (y)) I
[0,
2
][0,
2
]
(x, y)
determine:
a) k.
Desarrollo:
_
2
0
_
2
0
k (cos (x) + cos (y)) dx dy = 1
k
_
2
0
(sen (x) + cos (y) x)[
x=
2
x=0
dy = 1
k
_
2
0
_
1 + cos (y)

2
_
dy = 1
k
_
y +

2
sen (y)
_
2
0
= 1
k
_
2
+

2
_
= 1
k = 1
k =
1
b) Funciones de densidad marginales.

Desarrollo:
Densidad marginal de X:
f
X
(x) =
_
2
0
1
(cos (x) + cos (y)) dy

=
1
(y cos (x) + sen (y))
y=
2
y=0
=
1
2
cos (x) + 1
_
f
X
(x) =
1
2
cos (x) + 1
_
I
[0,
2
]
(x)
MAT042 HSR 148
Campus Santiago
Por simetra
f
Y
(y) =
1
2
cos (y) + 1
_
I
[0,
2
]
(y)
c) Son independientes X e Y ?
Desarrollo:
Las variables NO son independientes, pues:
1
(cos (x) + cos (y)) ,=

1
2
cos (x) + 1
_
2
cos (y) + 1
_
d) Calcule E(X) y E(Y ).

Desarrollo:
E(X) esta dada por:
E(X) =
_
2
0
x
1
2
cos (x) + 1
_
dx
=
1
_
2
0
_
2
x cos (x) +x
_
dx
=
1
2
_
2
0
x cos (x) dx +
1
_
2
0
x dx
=
1
2
_
x sen (x)[
2
0

_
2
0
sen (x) dx
_
+
_
x
2
2
_
2
0
=
1
2
_
2
+ cos (x)[
2
0
_
+

2
8
=
1
2
_
2
1
_
+

2
8
E(X) =

2
+ 2 4
8
Por simetra
E(Y ) =

2
+ 2 4
8
MAT042 HSR 149

Campus Santiago
e) Calcule f
X|Y =y
(x) y f
Y |X=x
(y)
Desarrollo:
f
X|Y =y
(x) esta dada por:
f
X|Y =y
(x) =
f (x, y)
f
Y
(y)
=
1
(cos (x) + cos (y))

1
2
cos (y) + 1
_
f
X|Y =y
(x) =
cos (x) + cos (y)
2
cos (y) + 1
I
[0,
2
]
(x)
f
Y |X=x
(y) esta dada por:
f
Y |X=x
(y) =
f (x, y)
f
X
(x)
=
1
(cos (x) + cos (y))

1
2
cos (x) + 1
_
f
Y |X=x
(y) =
cos (x) + cos (y)
2
cos (x) + 1
I
[0,
2
]
(y)
MAT042 HSR 150

Campus Santiago
16. Certamenes
16.1. Certamen 1
Problema 1
1. Un banco revisa su poltica de tarjetas de credito, con el objetivo de cancelar algunas de ellas.
En el pasado, el 5 % de los clientes con tarjeta ha pasado a ser moroso, esto es ha dejado de
pagar sin que el banco pudiera recuperar la deuda. Ademas, el banco ha comprobado que
la probabilidad de que un cliente normal se atrase en un pago es de 0,2. Naturalmente, la
probabilidad de que un cliente moroso se atrase en un pago es 1.
a) Identica y da nombre a los sucesos que aparecen en el enunciado.
b) Elegido un cliente al azar, que probabilidad hay de que el cliente se atrase en un pago
mensual?
c) Si un cliente se atrasa en un pago mensual, calcular la probabilidad de que el cliente
se convierta en moroso.
d) Al banco le gustara cancelar la lnea de credito de un cliente si la probabilidad de que
este acabe convirtiendose en moroso es mayor de 0,25. De acuerdo con los resultados
anteriores, debe cancelar una lnea si un cliente se atrasa en un pago? Por que?
Desarrollo:
a) Sean los eventos:
M: Clientes Morosos.
M
: Clientes no Morosos.
A: Clientes atrasado en un pago.
P(M) = 0, 05 , P
_
M
_
= 0, 95 , P(A [ M) = 1 , P
_
A [ M
_
= 0, 2
b) Se pide,
P(A) = P(A [ M) P(M) +P
_
A [ M
_
P
_
M
_
= 1 0, 05 + 0, 2 0, 95 = 0, 24
MAT042 HSR 151

Campus Santiago
c)
P(M [ A) =
P(A [ M) P(M)
P(A)
=
1 0, 05
0, 24
= 0, 2083
d) Para cancelar la lnea de credito se debe cumplir que P(M [ A) > 0, 25, dado que se
tiene que: 0, 2083 > 0, 25, entonces no exste posibilidad de cerrarla.
MAT042 HSR 152

Campus Santiago
Problema 2
a) Los directivos de la agencia de viajes de Barcelona Cabarna S.A. quieren plantear una
estrategia de expansi on hacia el resto de comarcas, por lo que se plantea si fusionarse
con la empresa Sol S.A., compran la empresa de la competencia o bien ampliar sus
instalaciones. La decisi on se tomar a en funci on de la evoluci on futura de las ventas. El
departamento comercial preve que las ventas pueden ser altas, medias o bajas, con una
probabilidad del 25 %, 45 % y 30 % respectivamente. Por otra parte, las ganancias de
acuerdo con la estrategia seleccionada con las siguientes:
ALTERNATIVAS VENTAS ALTAS VENTAS MEDIAS VENTAS BAJAS
25 % 45 % 30 %
FUSION 350000 140000 60000
COMPRAR 300000 180000 50000
AMPLIACION 275000 160000 80000
Determinar las ganancias esperadas y decidir por cual alternativa optar.
Desarrollo:
F = 350000 0, 25 + 140000 0, 45 + 60000 0, 3 = 168500
C = 300000 0, 25 + 180000 0, 45 + 50000 0, 3 = 171000
A = 275000 0, 25 + 160000 0, 45 + 80000 0, 3 = 164750
Por lo tanto la alternativa es comprar.
b) Sean A, B y C tres eventos tales que A C = , demostrar que:

P((A C) [ B) = P(A [ B) +P(C [ B)
Desarrollo:
P((A C) [ B) =
P((A C) B)
P(B)
=
P((A B)(C B))
P(B)
=
P(A B)
P(B)
+
P(C B)
P(B)
= P(A [ B) +P(C [ B)
MAT042 HSR 153
Campus Santiago
Como A C = entonces A B y C B son incompatibles
c) El crecimiento de una colonia de abejas est a determinado por la siguiente ecuacion:

y =
230
1 + e
t
Donde y representa el n umero de abejas y t el tiempo medido en meses. Se obtuvieron
los siguientes datos.
t 1 13 23 33 53 63
y 5,746 157,496 227,412 229,935 235,000 235,000
Determine una estimacion de y .
Desarrollo:
y =
230
1 + e
t
depejando en terminos de y
e
t
=
230 y
y
aplicando logaritmo natural para linealizar
ln () t = ln
_
230 y
y
_
que es una representaci on lineal
Realizando el cambio de variable pertinente:
1 5, 746 3, 664
13 157, 496 0, 776
23 227, 412 4, 476
33 229, 935 8, 171
53 235, 000 3, 850
63 235, 000 3, 850
Se obtiene:
MAT042 HSR 154
Campus Santiago
Estadsticas de prueba
Coeciente de correlacion m ultiple 0, 602143
Coeciente de determinacion R
2
0, 362576
R
2
ajustado 0, 203221
Error tpico 3, 563255
Observaciones 6
Coecientes
Intercepci on 0, 238998
Variable X
1
0, 101574
= 0, 101574,
ln () = 0, 238998,
= 1, 269976
Por lo que el modelo a ajustar es:
y =
230
1 + 1, 269976 e
0,101574t
MAT042 HSR 155

Campus Santiago
Problema 3
2. Un estudio para determinar la factibilidad de un nuevo proyecto inmobiliario considera el
an alisis de 2440 propiedades distribuidas en los 8 barrios cercanos a la futura instalaci on del
proyecto, registr andose las siguientes variables:
- Valor de la tasacion del terreno.
- Valor de la tasacion de las mejoras.
- Valor de la tasacion total
- Precio de venta
Para el desarrollo de esta pregunta utilice el documento Anexo.
a) Analice las medidas de resumen de la variable precios de venta.
b) Cu al de los gr acos que le siguen corresponde al graco de esta variable? Justique.
c) De acuerdo a la informacion entre precio de venta y tasaci on de las mejoras, y precio
de venta y tasacion del terreno, en cu al de estos dos casos le parece que se justica
un ajuste lineal?
d) Seg un lo obtenido en (c) determine los valores de a y b en el modelo ajustado.
e) Cual es el valor de R
2
para el modelo escogido? Interprete esta cantidad.
Desarrollo:
a) La media (x = 74738) est a por sobre la mediana (Me=64000), lo que quiere decir
que existen algunos precios de venta muy altos, lo indica que la variablidad sea alta
(s=49260).
El valor del coeciente de asimetra mayor a 1 (a
3
=2.11) nos indica que la graca de
esta funci on tiene asimetra hacia la derecha y, por el valor de la curtosis (a
4
=7.64) que
hay una alta concentracion de precios relativamente bajos.
El 50 % central de los datos se concentra entre P
25
= 44525 y P
75
= 89900 lo que
corrobora ls presencia de una cantidad de precios de venta muy altos.
MAT042 HSR 156

Campus Santiago
b) Dada la informaci on anterior, solo son opciones los gr acos 1 y 4, ya que son los que
presentan una mayor concentraci on de datos hacia la izquierda.
Observando las frecuencias del graco 1, en el valor 25000 hay alrededor de 2200 datos,
por lo que dicilmente la mediana podra ser 64000, mientras que en el graco 4, hay
alrededor de 1900 precios de venta menores a 100000.
Adem as, el gr aco 1 esta en el rango 0-80000, mientras que el graco 4, en el 0-450000
y, en la parte (a), vimos que el percentil 75 corresponda a 89900, lo que quiere decir
que hay un 25 % de precios de venta mayores a ese valor, lo que no es posible que ocurra
en el gr aco 1.
Por lo tanto, el gr aco que representa a la variable precio de venta es el gr aco 4.
c) En el caso de precio de venta y tasaci on de las mejores, observamos que hay dos grupos
de datos: un grupo que asemeja una recta y otro m as bien disperso por sobre el anterior,
lo que se conrma con el valor de la correlacion de 0.447, considerada como baja.
En el caso de precio de venta y tasaci on del terreno, la relacion lineal es mucho mas
clara , existiendo datos alejados del patr on com un, pero muchos menos que en caso
anterior. Adem as, la correlaci on es 0.793, lo que justica un ajuste lineal.
d) Observando la tabla de coecientes obtenemos que

Precio = 15162.62 + 3.49 Tasacion del terreno
e) El valor del coeciente de determinaci on para este modelo es R

2
= 0.629, lo que nos
indica que el precio del terreno explica en un 63 % la variabilidad del precio de venta.
MAT042 HSR 157

Campus Santiago
16.2. Certamen 2
Problema 1
Cierta aleacion se forma con la mezcla fundida de dos metales. La aleaci on que resulta contiene
cierto porcentaje de plomo X, que puede considerarse como una variable aleatoria. Suponiendo
que X tiene la siguiente funci on de densidad de probabilidad:
f(x) = k x (100 x)I
[0,100]
(x)
a) Determinar el valor de k.
Desarrollo:
_
100
0
k x (100 x) dx = 1
k
_
100
0
_
100x x
2
_
dx = 1
k
_
50x
2
x
3
3
_
100
0
= 1
k
_
500000
1000000
3
_
= 1
k
_
1500000 1000000
3
_
= 1
k
_
500000
3
_
= 1
k =
3
500000
b) Si el benecio neto G obtenido al vender esta aleaci on, es una funci on del porcentaje de
plomo X y es dada por:
G(X) =
100
X + 1
i) Encontrar la funci on densidad de G(x)
Desarrollo:
MAT042 HSR 158
Campus Santiago
Sea G(X) = Y
F
Y
(y) = P(Y y)
= P
_
100
X + 1
y
_
= P
_
100
y
X + 1
_
= P
_
100
y
1 X
_
= 1 P
_
X
100
y
1
_
= 1 F
X
_
100
y
1
_
= 1 F
X
_
100 y
y
_
Derivando tenemos:
dF
Y
(y)
dy
= f
X
_
100 y
y
__
100
y
2
_
=
3
500000

100
y
2

100 y
y

_
100
100 y
y
_
F
Y
(y) =
3
5000
_
(100 y) (101y 100)
y
4
_
I
[
100
101
,100]
(y)
ii) Cual sera el benecio esperado?

Desarrollo:
MAT042 HSR 159
Campus Santiago
Se debe calcular (Y )
(Y ) =
_
100
100
101
y
3
5000
_
(100 y) (101y 100)
y
4
_
dy
=
3
5000
_
100
100
101
_
(100 y) (101y 100)
y
3
_
dy
=
3
5000
_
100
100
101
_
10200y 10000 101y
2
y
3
_
dy
=
3
5000
_
100
100
101
_
10200
y
2

10000
y
3

101
y
_
dy
=
3
5000
_
10200
y
+
5000
y
2
101 ln (y)
_
100
100
101
=
3
5000
_
_
10200
100
+
5000
100
2
101 ln (100)
_
10200
100
101
+
5000
_
100
101
_
2
101 ln
_
100
101
_
__
=
3
5000
[566, 622 (5250, 995)]
=
3
5000
(4684, 372)
(Y ) = 2, 811
MAT042 HSR 160

Campus Santiago
Problema 2
a) Sea X una v.a. con funci on densidad U[0, 1]. Se dene la v.a. Y = 2 ln(X). Determinar su
f.g.m.
Desarrollo:
Sea
Y
(t) =
_
e
Y t
_
E
_
e
Y t
_
= E
_
e
2 ln(X)t
_
= E
_
e
ln(X
2t
)
_
= E
_
X
2t
_
=
_
1
0
x
2t
dx
=
_
x
2t+1
2t + 1
_
1
0
_
Notar que s olo converge si 2t + 1 > 0 =t <
1
2
_
=
1
1 2t

Y
(t) =
1
1 2t
Con t <
1
2
b) Si T
1
, T
2
, . . . , T
8
son los tiempos entre solicitudes de trabajo que llegan a una cada una de
8 impresoras, y todas ellas siguen una distribucion exponencial con tasa media de llegada
2.5 minutos. Calcule la probabilidad de que 5 de ellas no reciban solicitudes por al menos 1
minuto.
Desarrollo:
Sea T
i
exp
_
1
2.5
_
i = 1, 2, . . . , 8
Sea Y : Cantidad de impresoras que no reciben solicitudes. Y en minutos.
Y Bin(n, p) con n = 8 y p =
_

1
2
5
e
2
5
x
dx
_

1
2
5
e
2
5
x
dx =
_
e
2
5
x
_
1
=
_
B
0
e
2
5
2
5
1
_
= e
2
5
MAT042 HSR 161
Campus Santiago
p = 0, 67
Por lo que nalmente debemos calcular:
P(Y = 5) =
_
8
5
_
0, 67
5
(1 0, 67)
85
= 0, 27
Por lo tanto la probabilidad de que 5 de ellas no reciban solicitudes en al menos 1 minuto es
del 27 % .
c) Supongamos que una partcula es lanzada desde el origen del plano xy en lnea recta que
forma un angulo con el eje x. Sea Y la segunda coordenada del punto cuando la partcula
choca con la recta x = 1. Mostrar que si el angulo se distribuye uniformemente en el intervalo
[
2
,

2
] entonces:
f(y) =
_
(1 +y
2
)
1
, < y <
Desarrollo:
Sea U
_
2
,

2
, cuya funcion distribuci on est a dada por:

F
() =

2
< <

2
se tiene la relaci on Y = tan (), con la que calcularemos la funci on densidad de Y .
F
Y
(y) = P(Y y)
= P(tan () y)
= P( arctan (y))
= F
(arctan (y))
=
arctan (y)
Derivando tenemos que:

dF
Y
(y)
dy
=
1
_
1
1 +y
2
_
los limites de y se obtienen de la relacion Y = tan (), de la cual se tiene que:
si =
2
arctan (y) =
2
=y
si =

2
arctan (y) =

2
=y
f(y) =
_
_
1 +y
2
_
1
, < y <
MAT042 HSR 162

Campus Santiago
Problema 3
Sea la funci on
f(x) = k e
|x|
, < x <
a) Determinar la constante k para que f sea funcion densidad.
Desarrollo:
1 =
_

ke
|x|
x = 2
_

0
ke
x
x
k =
1
2
b) Si X tiene funcion densidad f, determinar su funci on generadora de momentos.

Desarrollo:
X
(t) =
_

e
xt
1
2
e
|x|
x
=
1
2
_
0
e
xt
e
x
x +
1
2
_

0
e
xt
e
x
x
=
1
1 t
2

X
(t) =
1
1 t
2
t ,= 1
c) Si X tiene funcion densidad f, e Y = 25X

2
, encontrar E(Y ) y V(Y )
Desarrollo:
Utilizando lo obtenido en (b),
E(X) =
X
(0) =
2t
(1 t
2
)
2
t=0
= 0
E(X
2
) =
X
(0) =
2 + 6t
2
(1 t
2
)3
t=0
= 2
E(X
3
) =
X
(0) =
24t 24t
3
(1 t
2
)
4
t=0
= 0
E(X
4
) =
(4)
X
(0) = 24
MAT042 HSR 163
Campus Santiago
Adem as,
E(Y ) = E(25X
2
) = 25E(X
2
) = 25 2 = 50
E(Y
2
) = E(625X
4
) = 625E(X
4
) = 625 24 = 15000
Por lo tanto, V (X) = 15000 2500 = 12500.
MAT042 HSR 164

Campus Santiago
16.3. Certamen 3
Problema 1
Sean X
1
, . . . , X
n
variables aleatorias independientes con funcion densidad
f(x) = ( + 1)x
I
]0,1[
(x), > 1.
a) Determine un estimador de m axima verosimilitud para =
1
+1
.
Desarrollo:
Sea =
1
1, por lo que la funci on queda:

f(x, ) =
1
x
1
1
I
]0,1[
(x), > 0
Luego, el estimador viene dado por:
f (x
1
, x
2
, . . . , x
n
, ) =
n
i=1
1
(x
i
)
1
1
I
]0,1[
(x
i
)
ln f (x
i
, ) = ln
n
i=1
1
(x
i
)
1
1
I
]0,1[
(x
i
)
=
n
i=1
_
ln +
_
1
1
_
ln x
i
+ ln I
]0,1[
(x
i
)
_
=
n
i=1
ln +
1
i=1
ln x
i
i=1
ln x
i
+
n
i=1
ln I
]0,1[
(x
i
)
= nln +
1
i=1
ln x
i
i=1
ln x
i
+
n
i=1
ln I
]0,1[
(x
i
)
Luego,
L
=
n
2
n
i=1
ln x
i
= =
n
i=1
ln x
i
n
MAT042 HSR 165
Campus Santiago
Ahora,
2
L
2
=
_
n
2
+
2
3
n
i=1
ln x
i
_
=
=
n

2
+
2

3
n
i=1
ln x
i
=
n

2
+
2n

3
_
i=1
ln x
i
n
_
=
n

2

2n

3

=
n

2

2n

2
=
n

2
Finalmente,
2
L
=
=
n

2
< 0 n N, R
=
n
i=1
ln x
i
n
Es el estimador de MV para .
MAT042 HSR 166

Campus Santiago
b) Demostrar que es insesgado
Desarrollo:
Por demostrar que E( ) = , por lo que desarrollamos:
E( ) = E
_
i=1
ln x
i
n
_
=
1
n
n
i=1
E(ln x
i
)
=
1
n
n
i=1
__
1
0
ln(x
i
)
1
x
1
1
i
dx
i
_
= (sea u = ln x
i
du =
1
x
i
dx
i
y dv =
1
x
1
1
i
dx
i
v = x
1
i
)
=
1
n
n
i=1
_
x
1
i
ln x
i
1
0
_
1
0
1
x
i
x
1
i
dx
i
_
= notar que lm
x
i
0
x
1
i
ln x
i
= 0 y lm
x
i
1
x
1
i
ln x
i
= 0
=
1
n
n
i=1
_
_
1
0
1
x
i
x
1
i
dx
i
_
=
1
n
n
i=1
_
_
1
0
1
x
1
1
i
dx
i
_
=
1
n
n
i=1
()
=
1
n
(n)
=
Por lo tanto, el estimador es insesgado, ya que se cumple que E( ) = .
c) Determinar la cota de Cramer-Rao de y vericar la eciencia del estimador

Desarrollo:
La cota viene dada por:
V()
1
E
_
2
L
2
_
MAT042 HSR 167
Campus Santiago
Aparte,
E
_
2
L
2
_
= E
_
n
2
+
2
3
n
i=1
ln x
i
_
=
n
2

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

2
3
n
i=1
()
=
n
2

2
3
(n)
=
n
2
+
2n
2
=
n
2
V()

2
n
Ahora, calculamos la varianza del estimador,
V( ) = V
_
i=1
ln x
i
n
_
=
1
n
2
n
i=1
V(ln x
i
)
=
1
n
2
n
i=1
_
E
_
ln
2
x
i
_
(E(ln x
i
))
2
=
1
n
2
n
i=1
_
E
_
ln
2
x
i
_
()
2
MAT042 HSR 168

Campus Santiago
Aparte,
E
_
ln
2
x
_
=
_
1
0
(ln
2
x
i
)
1
x
1
1
dx
= (sea u = ln
2
x du =
2 ln x
x
dx y dv =
1
x
1
1
dx v = x
1
)
= x
1
ln
2
x
1
0
_
1
0
2 ln x
x
x
1
dx
= notar que lm
x0
x
1
ln
2
x = 0 y lm
x1
x
1
ln
2
x = 0
=
_
1
0
2 ln x
x
x
1
dx
= 2
_
1
0
ln x
1
x
1
1
dx
= 2()
= 2
2
Reemplazando,
1
n
2
n
i=1
_
E
_
ln
2
x
i
_
()
2
=
1
n
2
n
i=1
_
2
2
()
2
=
1
n
2
n
i=1
_
2
2
=
1
n
2
n
i=1
2
=
1
n
2
n
2
=

2
n
V( ) =

2
n
y como la varianza del estimador es igual a la cota de Cr amer-Rao, el estimador es eciente.
MAT042 HSR 169

Campus Santiago
Problema 2
1. Suponga que X e Y son variables aleatorias con funci on de cuanta p(x, y), demuestre que
E(X) = E(E(X [ Y = y))
Desarrollo:
E(E(X [ Y = y)) =
y
E(X [ Y = y) P(Y = y)
=
y
_
x
xP(X = x [ Y = y)
_
P(Y = y)
=
x
xP(X = x [ Y = y) P(Y = y)
=
x
xP(Y = y [ X = x) P(X = x)
=
x
xP(X = x)
_
y
P(Y = y [ X = x)
_
=
x
xP(X = x)
= E(X)
E(E(X [ Y = y)) = E(X)
2. Hay 20 personas donde 12 son hombres, 8 son mujeres. Se sacan 6 personas al azar. Si X,
n umero de mujeres, e Y , n umero de hombres
i) Determinar la funci on de cuanta conjunta de (X,Y)
Desarrollo:
la funcion de cuanta est a dada por:
f
XY
(x, y) =
_
8
x
__
12
y
_
_
20
6
_ x 0, 1, . . . , 8 e y 0, 1, . . . , 12
MAT042 HSR 170

Campus Santiago
a) Determinar P(X [ Y = 3)
Desarrollo:
P(X [ Y = 3) =
P (X, Y = 3)
P (Y = 3)
=
8
x
12
y
20
6
2
5
255
_
12
y
_
=
_
8
x
_
2
5
255
_
20
6
_
=
1
2
8
_
8
x
_
P(X [ Y = 3) =
1
2
8
_
8
x
_
MAT042 HSR 171

Campus Santiago
b) Determinar marginales.
Desarrollo:
Marginal de X:
f
X
(x) =
12
y=1
_
8
x
__
12
y
_
_
20
6
_
=
_
8
x
_
_
20
6
_
12
y=0
_
12
y
_
=
_
8
x
_
_
20
6
_
12
y=0
_
12
y
_
1
y
1
12y
. .
Teorema del Binomio
=
_
8
x
_
_
20
6
_2
12
= 2
12
_
8
x
_
14! 6!
20!
f
X
(x) =
2
9
255
_
8
x
_
con x 0, 1, . . . , 8
MAT042 HSR 172
Campus Santiago
Marginal de Y :
f
Y
(y) =
8
x=0
_
8
x
__
12
y
_
_
20
6
_
=
_
12
y
_
_
20
6
_
8
x=0
_
8
x
_
=
_
12
y
_
_
20
6
_
8
x=0
_
8
x
_
1
x
1
8x
. .
Teorema del Binomio
=
_
12
y
_
_
20
6
_2
8
= 2
8
_
12
y
_
14! 6!
20!
f
Y
(y) =
2
5
255
_
12
y
_
con y 0, 1, . . . , 12
c) Son X e Y independientes?
Desarrollo:
Las variables no son independientes, pues:
_
8
x
__
12
y
_
_
20
6
_ ,=
2
9
255
_
8
x
_
2
5
255
_
12
y
_
MAT042 HSR 173

Campus Santiago
Problema 3
Un estudio realizado a nivel mundial recolecto informaci on demogr aca y econ omica de 109 pases.
Se resgistraron variables como tasas de natalidad, mortalidad y mortalidad infantil, producto
interno bruto, regi on economica, esperanza de vida masculina y femenina, % anual de aumento
poblacional, ingesta diaria de caloras, entre otras.
a) El estudio revela una fuerte relacion entre la mortalidad infantil (calculada como el n umero de
muertes por cada mil nacidos vivos) y el porcentaje de personas alfabetizadas. Esta relaci on
es analizada a traves del ajuste de un modelo lineal, para el cual vericaremos se cumplan
algunos supuestos. Sean e
1
, e
2
, . . . , e
n
los residuos del modelo.
i ) Determine si se cumple que E(e) = 0.
ii ) Es posible armar que e N(0,
2
)?
Para cada caso, identique claramente las hipotesis, estadstico de prueba, regla de rechazo
y conclusion.
Desarrollo:
i ) Realizamos una prueba de hip otesis para la media con varianza desconocida, siendo als
hip otesis
H
0
: E() = 0
H
1
: E() ,= 0
y rechazamos esta hip otesis si [t
0
[ > t
n1,1/2
.
Calculamos t
0
con los valores de tabla
t
0
=
x
s/
n
=
0.005 0
16.65/
107
= 0.0031
y t
n1,1/2
= 1.98. Entonces como t
0
t
n1,1/2
, no podemos rechazar H
0
y en este
caso, decimos que los residuos tienen media 0.
MAT042 HSR 174

Campus Santiago
ii ) Las hip otesis son
H
0
: e N(0,
2
)
H
1
: e N(0,
2
)
Y rechazamos H
0
si valor p < . En este caso, el valor-p es 0.432, mucho mayor que
= 5 %, por lo que no rechazamos la hipotesis nula y, en este caso, decimos que los
residuos tienen distribucion normal con media 0 y varianza
2
.
b) Se pide determinar si existe relacion entre la ingesta diaria de caloras y la esperanza de

vida masculina. La tabla (b) muestra la distribuci on conjunta de estas variables, es posible
determinar con un nivel de signicancia del 5 % que estas variables est an asociadas? Plantee
hip otesis, regla de rechazo y conclusi on.
Desarrollo:
Primero que todo hay que enunciar la hipotesis nula y alternativa para este problema. Estas
son:
H
0
: Las variables no est an relacionadas
H
1
: Las variables estan relacionadas
La regla de rechazo para H
0
es si valor p <
Por la tabla de datos se obtiene que el valor p es igual a 0.0001 < 0.05
Entonces, se rechaza H
0
.
Por lo tanto, las variables est an relacionadas con una signicancia del 5 %.
c) Hist oricamente se ha planteado que las regiones m as ricas (OCDE, Europa Oriental) deben
tener una esperanza de vida mayor. Sin embargo, los analistas plantean que este indicador
es signicativamente menor en Europa Oriental. Es posible respaldar esta hip otesis con
= 5 %?
Desarrollo:
Se busca comprobar que:
MAT042 HSR 175
Campus Santiago
H
0
:
O

E
H
0
:
O
>
E
O: OCDE ; E: Europa Oriental
Como no se conoce la relacion que existe entre las varianzas de E y O es necesario primero
que todo, hacer un test de hip otesis que compare las varianzas.
Por lo tanto, la hip otesis nula y alternativa para las varianzas son:
H
0
:

2
1
2
2
= 1
H
1
:

2
1
2
2
,= 1
Se rechaza H
0
si F
0
> F
n
1
1,n
2
1,1/2
o F
0
< F
n
1
1,n
2
1,/2
F
n
1
1,n
2
1,1/2
= 2.947
F
n
1
1,n
2
1,/2
= 0.379
Se tiene que F
0
=
S
2
1
S
2
2
= 1.063
Como F
0
= 1.063 2.947 y 1.063 0.379, entonces no se rechaza H
0
.
Por lo tanto se asume que las varianzas son iguales y se procede a realizar el test de hipotesis
para la esperanza de vida en la OCDE y Europa Oriental que se plante o inicialmente.
H
0
:
O

E
H
0
:
O
>
E
Se rechaza H
0
si:
T
0
> t
n
1
+n
2
2,1
T
0
=
80.1 76
S
p
_
q
21
+
1
14
S
2
p
=
20 1.179
2
+ 13 1.109
2
33
=S
p
= 1.15
T
0
=
80.1 76
1.15
_
q
21
+
1
14
=T
0
= 10.48
t
n
1
+n
2
2,1
= 1.69
MAT042 HSR 176
Campus Santiago
Como 10.48 1.69, por lo tanto, se rechaza H
0
y podemos concluir que la esperanza de vida
femenina es menor en Europa Oriental, con una signicancia del 5 %.
MAT042 HSR 177

Recopilacion MAT042

Uploaded by

Document Information

Original Description:

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 MAT042

Uploaded by

Copyright:

Available Formats

Universidad Tecnica Federico Santa Mara

b) Se dene el coeciente de variaci on (CV ) como:

2. A continuaci on se presentan los valores experimentales de la presion de cierta masa de gas y

= C, donde y C son constantes.

b) Basta con reemplazar el valor dado, es decir:

c) Coeciente de correlaci on muestral

2. Al contestar una pregunta en un examen de seleccion m ultiple, un estudiante o sabe la

a) Sea P(A) = Probabilidad de que uno no este con licencia =P(A)

b) Sea P(B) = Probabilidad de tener licencia.

b) La probabilidad pedida es: P

3.2. Extras (Cadenas de Markov)

b) Se tienen las siguientes posibilidades:

b) ... en la decima prueba?

b) Dado que la cuota se ha incrementado, cu al es el candidato con mayor probabilidad

b) P(x < 1) = P(x = 2) +P(x = 1) +P(x = 0) = 0, 05 + 0, 1 + 0, 3 = 0, 45

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

5. El promedio de demandas en una compa na de seguros es de 3 demandas por da.

7. Para evitar que lo descubran en la aduana, un viajero ha agregado 6 tabletas de narcoticos

, por lo que es necesario calcular lm

, por lo que es necesario calcular lm

2. Se ha comprobado que el tiempo de vida de cierto marcapasos sigue una distribucion

3. Los procesos de falla de cada una de 10 componentes se comportan de manera prob-

4. Sea x una V.A.C. con funci on densidad:

c) E(y): se dene la esperanza como sigue:

, por lo que es necesario calcular lm

, por lo que es necesario calcular

5. El n umero de barcos que llegan al Puerto de Valparaso sigue un proceso de Poisson

b) Se pide el costo medio de C, es decir E(C), por lo que se tiene:

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

Segundo metodo, Funcion generadora de momentos:

7. Sea x una V.A.C con funcion distribuci on F

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

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

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

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

(x) : = X R : X k con k > 0

5. Sea X una variable aleatoria continua con funci on densidad f

2. Sea X una V.A. con funci on generadora de momentos

3. Sea X una variable aleatoria, con funci on generadora de momentos:

2. Con el objetivo de establecer un plan de produccion, una empresa ha estimado que

3 > 2, por lo que ambos valores no sirven para lo

6. Un circuito transere corriente desde A a B mediante los nodos 1, 2, 3 y 4. Estos nodos

b) Determine la funci on de distribuci on de probabilidad acumulada y la funcion de

Se pide la funci on de distribuci on de probabilidad acumulada de T, la cual se

b) Por denici on:

c) Ocuparemos la denici on de cambio de variable:

10.2. Vectores Aleatorios Continuos

b) Funci on densidad marginal de X:

d) Se pide V(X [ Y = 1), por lo que primero calcularemos f

f ) Se dene cov(X, Y ) = E(XY ) E(X)E(Y ), por lo que s olo debemos calcular

b) Fuci on densidad condicional de X:

2. La funci on de densidad de la variable aleatoria (X, Y, Z) es:

c) Las variables NO son independientes, pues:

MAT042 HSR 104

b) Al igual que el punto anterior, denamos el vector

z, por lo que al intersectar am-

z[. Luego la funci on desidad conjunta

MAT042 HSR 107

MAT042 HSR 109

b) Por demostrar que E

d) La cota de Cramer-Rao est a dada por:

MAT042 HSR 114