P. 1
cp_prob

cp_prob

|Views: 299|Likes:

More info:

Published by: Yesica Ortiz Mahecha on Sep 06, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/24/2012

pdf

text

original

Sections

  • Prefacio
  • Espacio muestral y combinatoria
  • 1.0.1. Placa de un carro
  • 1.0.2. Mesa redonda
  • 1.0.3. 3 Comit´es
  • 1.0.4. Con y sin reemplazo
  • 1.0.5. Probabilidad condicional
  • 1.0.6. Bernoulli
  • 1.0.7. Suma del Dado
  • 1.0.8. Tiempos de espera
  • 1.0.9. 10 Cartas y 10 Sobres
  • 1.0.10. Terremotos y Tormentas
  • 1.0.11. Casino
  • 1.0.12. Moneda simetrica
  • 1.0.13. Torneo de Boxeo
  • 1.0.14. Sexo de los hijos
  • 1.0.15. Examen Final
  • 1.0.16. Cumplea˜nos
  • 1.0.17. Mounty Hall
  • 1.0.18. Chimpanze Bernoulli
  • 1.0.19. Acotar la intersescci´on
  • 1.0.20. Piezas defectuosas
  • 1.0.21. Fallos simultaneos
  • 1.0.22. Fallos simultaneos en paralelo
  • 1.0.23. Esperanza de Vida
  • 1.0.24. Avi´on de 4 motores
  • 1.0.25. Moneda sesgada
  • Bayes y probabilidad condicional
  • 2.0.26. Piezas defectuosas
  • 2.0.27. Accidentes y seguros
  • 2.0.28. Moneda justa y moneda trucada
  • 2.0.29. Control de calidad
  • 2.0.30. Alarma de Lluvia
  • 2.0.31. 10 Urnas
  • 2.0.32. Avi´on de cuatro motores II
  • 2.0.33. El h´ıgado y el alcohol
  • 3.0.34. Experimento de Bernoulli
  • 3.0.35. Muestreo sin remplazo
  • 3.0.36. Percepci´on extransensorial
  • 3.0.37. Cumulativa gaussiana
  • 3.0.38. Llegar Tarde o Temprano
  • 3.0.39. x e y uniformes
  • 3.0.40. Triangulo
  • 3.0.41. Moneda en rejilla
  • 3.0.42. Aguja en Parrilla
  • 3.0.43. Superficie de la esfera
  • 3.0.44. Interiror de la esfera: Vector aleatorio
  • 3.0.45. Vector aleatorio
  • 3.0.46. Esfera Compleja
  • 3.0.47. Esfera en ℜn
  • 4.0.48. Distribuci´on Inversa
  • 4.0.49. Medida Deltaica
  • 4.0.50. Convoluci´on
  • 4.0.51. X*Y y X/Y
  • 4.0.52. M´aximo de un conjunto de variables
  • 4.0.53. Exponencial
  • 4.0.54. Generador de N´umeros Aleatorios
  • 4.0.55. Estirando Intervalos
  • 4.0.56. Flecha y Arco
  • 4.0.57. Distribuci´on de x + y
  • 4.0.58. Distribuci´on de x∗y
  • 4.0.59. Distribuci´on de x/y
  • 4.0.60. Moneda cargada
  • 4.0.61. Suma Gaussiana
  • 4.0.62. X menor que Y Exponencial
  • 4.0.63. Esperar un Omnibus
  • 4.0.64. El omnibus en Poissonville y Clockville
  • 4.0.65. Represa y Terremoto
  • 5.0.66. L´ımite Continuo
  • 5.0.67. Distribuci´on Gamma
  • 5.0.68. Densidad geom´etrica
  • 5.0.69. Funci´on Generatriz
  • 5.0.70. Suma aleatoria
  • 5.0.71. Adivinando distribuciones
  • Teorema Central del L´ımite
  • 6.0.72. Transformada de la Guassiana
  • 6.0.73. Demuestre TLC
  • 6.0.74. Aproximaci´on Gaussiana
  • 6.0.75. Tama˜no de una muestra
  • 6.0.76. Difusi´on en 1D
  • 7.0.77. Dos monedas
  • 7.0.78. Estimando la distribuci´on uniforme
  • 7.0.79. Estimando Poisson
  • 7.0.80. Conjugada de la Gaussiana
  • 7.0.81. El sesgo de la Varianza
  • 7.0.82. Term´ometro de Boltzman
  • 7.0.83. Contando Peces
  • 7.0.84. Intervalo de confianza Bayesiano
  • 7.0.85. Las frases del fortune
  • 8.1. Teor´ıa
  • 8.2. Ejercicios
  • 8.2.1. Formula Matricial para modelos lineales
  • 8.2.2. Recta y Parabola
  • 8.2.3. Recta y Parabola
  • 8.2.4. Parametro constante
  • Test de Hip´otesis
  • 9.1. Teor´ıa
  • 9.2. Ejercicios
  • 9.2.1. Internet y TV
  • 9.2.2. Media y Varianzas desconocidas
  • 9.2.3. El test del signo
  • 9.2.4. Varianza Conocida
  • 9.2.5. Producto de la tienda
  • 9.2.6. Michelson
  • 9.2.7. Cavendish
  • 10.1. Teor´ıa
  • 10.2. Ejercicios
  • 10.3. Significaci´on de MLR
  • 10.4. Test del VIH
  • 10.5. Test para la dist. Exponencial

Problemas de Probabilidades y Estad´ ısitica

Agustin y Alejandro 7 de enero de 2010

2

Prefacio
Este es el plan original de clases pr´cticas del curso de Probabilidades y Estad´ a ısitca impartido a en la Facultad de f´ ısica por Dr. Kalet Leon, Lic. Agustin Lage y Msc. Alejandro Lage. 1. Problemas de clculo de probabilidades bsicos con mucha combinatoria y en variables discretas. Todos los tipos de muestreo clsicos. Aplicaciones de la distribucin binomial y del concepto de independencia de eventos. 2. Problemas con funciones de variables aleatorias. Derivacin de la distribucin de probabilidades de una funcin de variables aleatorias con una o varias variables. Problemas que utilicen la distribucin acumulativa y las distribuciones marginales en una variable. 3. Calculo de las funciones generadoras de momento y los momentos de distribuciones conocidas. Ejercicios para utilizar las distribuciones mas conocidas, Normal, Log Normal, Poison, Exponencial, Gamma. Suma de mltiples distribuciones normales y Gamma. Multiplicacin 4. Problemas bsicos de inferencia de una distribucin o sus parmetros a partir de datos experimentales dados. Calculo con estimadores de Maximo Likelihood. Utilizar ambas estrategias tanto bayesianas como frequentista. 5. Problema de ajuste de modelos a datos experimentales utilizando el mtodo de los mnimos cuadrados. Estimacin de la bondad de ajuste con la distribucin de Chi-cuadrado. Ejemplo con tcnicas de boostraping. 6. Problemas de comparacin de hiptesis. Ilustrar algunos ejemplos de aplicacin de la distribucin de t de student y despus mucha inferencia bayesiana Alejandro Lage Castellanos La Habana, 2008

i

ii

PREFACIO

. . .26. . . . . . .10. . . . . . . . . . 1. . . . . . . . . . . . Fallos simultaneos en paralelo 1. .21. . . . . . . . . . . . . . . . . . . . . . . . Probabilidad condicional . . .11. . . . . . . . . .0. Casino . . . . . .27. . . . 1. . . . . . . . . . Con y sin reemplazo . . .0. . . .0. . . Espacio muestral y combinatoria 1.12. . . . . 1. . . . Fallos simultaneos . . . . . . Torneo de Boxeo . . .0. . . . . . .0. . . . . . . . . I . . . . o 1. . . . . . . . . . . . . . . . . . . . . . . . . . Mesa redonda . .0. . . . . Chimpanze Bernoulli . Suma del Dado . .14. . . . . . . . . Mounty Hall . . . .0. . Esperanza de Vida . . . . . . . . . . . . . . . . . . . . . Bayes y probabilidad condicional 2. . . . . . . . . . . . . . . . . . . 1 2 2 3 3 3 3 4 4 4 4 5 5 5 5 5 5 5 6 6 6 6 6 6 6 7 9 9 10 10 2. . . . . . n 1. . . . . .0. . . . . 1. . . . .3. . . 1. . . . . . . . . . . . . . . . Moneda simetrica . . . . . . .0. . . . . .0. . 1.0. . . . . . . . . . . . . . . . .0. . . . .15. . 1. . . . .´ Indice general Prefacio 1. . . . . . . . . . . . . . . . . . . . . . . . . . . .0. . . . . . . . . . . . . . . . . . . . . . . 1. . . . . iii . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .0. .6. . 1. . . . Bernoulli . . . . . . . . .20. . . . . . .7. . . . . .16. . . . . . . . . . . Placa de un carro . . .1.18. . . . . . 1. . . . . 1. 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8. . . . . . . . . . 1. . . . . . . . . .17.0. . .0. . . . . . . . Tiempos de espera . . . .25. .24. . .0. . . . . . . . . . . . . . .22. . . . 1. 1. Avi´n de 4 motores . . . . . Moneda sesgada . . . . . . . . . . . . . . . . . Piezas defectuosas . . 1. . . . . . . . . 1. . . . . . . . . . . . .0. . . . .5. . .0. o 1. . . . . . .23. . . . . . . . . . . . . Piezas defectuosas . . . . . . . . . . . . . Acotar la intersescci´n . . . . . . . . . . . Moneda justa y moneda trucada .9. .4. . . . . 10 Cartas y 10 Sobres . . . . . . . 3 Comit´s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Accidentes y seguros . . . .0.0. . . . . . . . . . . . . . Terremotos y Tormentas . . . . .0. . . . . .2. . . . . . . . . . . . . . . . Cumplea˜os . . . . . . . . . . . .0. . . 2. . . . .13. . . . . . . . .0. . Examen Final . .19. .0. . . . . . . . . . 1. . . . . . . .0. . . . e 1. . . . . . . . . . . . .28. . . . . . . . . . . . Sexo de los hijos . . 1. .0.0. . . . . . . . . . . . . . . . .

. . . . . . . . . . .41. . . . . . . . . . .0. 4. . . . . . . 3. . 3. . . . .0. . . . . . . .0. . . . . . . o 4. . . . . . . . . . . . . . . . . . .0. . . . . .0. . . . Esperar un Omnibus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. . . . . . . . . . . 3. . . . . . . . Distribuci´n de x + y . . . . . . . . . . . . . . . . . .0. . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . Flecha y Arco . . . . . . . . . . .37. . . . . . . . . . . . . . . . . M´ximo de un conjunto de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . .33. . . . . . . . . . . 4. . . . . .49. . . . . . . . .35. . . .54. . . y Distribuciones Multinomiales 3. . . Avi´n de cuatro motores o El h´ ıgado y el alcohol . . Suma Gaussiana . .61. . . . . . . . . . . . . . . . . Triangulo . u 4. . . . . . o 3. Convoluci´n . . .0. . . . . . . Experimento de Bernoulli . . . . . . . . . . . . . . . 2. . . . .56. . . . . . . . . . .46. . . . . . . . . . Cumulativa gaussiana . . . . . 3. . . . . . . . . . . . . Alarma de Lluvia . . . . 3. . . . . . . . 10 10 11 11 11 13 13 13 13 14 14 14 14 14 15 15 15 15 16 16 17 17 17 17 18 18 18 18 18 18 18 19 19 19 19 19 20 20 20 3. . 2. . 4. . . . .36. . . . . . . . .0. . . .0. . . . Moneda en rejilla . . . . . . . . . . . . . . . . . .63. . . . . . . . . . . . . . . . . . . .0. . . . . . . . .0. . . . . .0. . . . . . . Moneda cargada . . .52. . . . . . . . . . . . . . . .0. . . .0. . . . .0. . . . . . . . . . . . . . . . . . . . . . . x e y uniformes .0. . .0. . . . . . . Control de calidad . .38. . . 3. . Represa y Terremoto . . .50. . . . . . . . .iv 2. 4. . . .31. . Vector aleatorio . . . . . o 4. . . . .30. . . . . . . . . . . . . . . . . 4. Superficie de la esfera . . 3. . . . . . . . . . .34. . . . . . Esfera Compleja . . .55. . . . . .45.29. . . . . . 4. . . . . . . . .0. . . . . . . . . . . . . . . . .0. . . . . . . . .0. . . . . . .43. . . . . . . . .0. . . . . . . . . . . . . . . . . . . .39. . . . . . . . .0. . Aguja en Parrilla . . 10 Urnas . . . . . . Exponencial . . . . . .0. . . .0.0. . . . . . Distribuci´n de x ∗ y . . . . . . . . . . . . 4. . . . . . . . . . . . 3. . . . . . . . . . . . . .A. Estirando Intervalos . . . . . . . . . . . . . . . .0. . . . 4. . . . .57. . . . . . . . . . . . . . .0. Interiror de la esfera: Vector aleatorio 3. Muestreo sin remplazo . . 2. . . .0. . . . . . . . .53. . Distribuci´n Inversa . . . . . . . . 3. . o 4. . . . . Distribuci´n de x/y . . . . .44. .65. . . . . . . X*Y y X/Y . . . . . 3. Funci´n de Variables Aleatorias Continuas o 4. .60.32.62. . . . .59. .0. . . . . . .58. . . . . . . V. . . . . . . . . . 4. . . . . . . . . . . 3. . . . X menor que Y Exponencial . . . . . . . . . . . . . . . . . . . . . . .47. . . . . . a 4. . . . . . . . . . . . o 4. . . . . .0. II . . Medida Deltaica . .0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .64. . . . . .48. . . . . . . . . Generador de N´meros Aleatorios .51. . . . . . . . ´ INDICE GENERAL . . . . . . . . . .0. . . . . . . . . . . . . .0. . . . . . .0. . . . . . . . . . Percepci´n extransensorial . . . . . . El omnibus en Poissonville y Clockville 4. .42. . . . o 4. Llegar Tarde o Temprano . . . . . Esfera en ℜn .0. .0.0. . . . . . . . . . . .40. . . . . . . .

. . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .0. . Aproximaci´n Gaussiana . . . . . . 7. . . .0. . . . . . . . . . . Demuestre TLC . . . . . . . . . . . .0. . . . o 5. El test del signo . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . o . . . . . . . . o 5. . o 7. . . . . 9. . . .0.68. . . . . . . . . . . . . . . . . . . . . . . . . . . .82. . . . . . . . . Dos monedas . .4. . . . . . . . . . . . . . . . . . . . . . 6. . . . .2. . . . . . . . . . .1. . .80. . . . . 9. . . . . . . . . .74. . . . e 5. . . . . . n 6. 8. . . . . . . . . . . . . . . . . . . . . El sesgo de la Varianza . . .0. Las frases del fortune . . . . . . . . 7. . . .2. . . . . . . . . . . .3. . . . . 9. . . . . . . . . . . . . . . . . ıa 9. . . . . . . . . . . .0. . . Estimando Poisson . . . . . . . .83. .1. . . . . . . . . . . . . . . . .75. . . . . Conjugada de la Gaussiana . .2. . . . . . . . . . . . .0. . . . . . . .73. . . . . . . . . . . . . . . . .2. . . . . . .2. . . . . . . . . . 6. . 9. . o 6. . . . . . . .1. . . . . . . . .77. . . Cavendish . . . . . . . . . . . . Intervalo de confianza Bayesiano . . . . . . . . . . . . .0. . . Datos experimentales y M´ ınimos Cuadrados 8. . . . . . . .7. . . . . . . . . . . . . . . . . . . .0. . . . . . . . . . . . . . . . . . .´ INDICE GENERAL 5. . Term´metro de Boltzman . . .67.79. . . .0.71. . . 7. . . Funci´n Generatriz . Adivinando distribuciones y Distribuciones . . . . . . . . . . . . . . . . . . . . . . .0. . . . . . .78. . . . . . . 5. . . . . . . . . . . . . . . . . . . Teorema Central del L´ ımite 6. . .81. . . . . . Estimando la distribuci´n uniforme . . . . . . 8. . . . . . . . . . . . Recta y Parabola . . . . . . . . . . . . . . . . . . . 9. . . . .2. . . Formula Matricial para modelos lineales 8. . . . Teor´ . .2. . . . . . . . . . . . . . . . Densidad geom´trica . .4. . . . . . Tama˜o de una muestra . . . . . . . . . . . . . . . 7. . . . . . . . . . . . . . . .70.2. . . . .66. . . . .72. . .2. . . . Suma aleatoria . . . . . . . . .69. .2. . . . o 7. . . . .0. Transformada de la Guassiana 6. . . . Test de Hip´tesis o 9.0. . . . . Internet y TV . . .0. . . . . . . . . . . . .1. .2. . . . . . . . . . . .0. . . . . 7. . . . . . . . . . . Contando Peces . . . . . . Distribuci´n Gamma . . . . . . . . .0. . . . . . . . 9. . . . 8. . . . . . . . . .76. . . . . . . .5. . Teor´ . . Michelson . . . Ejercicios . . . ıa 8. . 5. 8. . . . . . . . . . .0. .0. . . . . . . . . . . . . .85. . . . . . comunes . . . . . . . . . . . . . . . . . . v 21 21 21 21 22 22 22 25 25 25 25 25 26 27 28 29 29 29 30 30 31 31 31 33 33 34 34 34 34 34 35 35 36 36 36 37 37 37 37 37 . Ejercicios . . . . . . . Varianza Conocida . . . . . . . . . . .2. . Parametro constante . . . . . . Producto de la tienda .2. . . . . .6. . . Media y Varianzas desconocidas 9. . . . . . . 7. . . . . . . . . . . . 9. . . . . . . . . . L´ ımite Continuo . . Recta y Parabola . . . . . . .0. . . . . . . . . . . . 7. . . Difusi´n en 1D . . . . . . . . . . . . . . . . . . . . . . . Inferencia Bayesiana y M´xima Similaridad a 7. . . . . . .84. Funci´n generadora de Momentos o 5. .3. . . m´s a . . . . . .0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . MAP . . . . . . . . . . . . . . . . . . . o 10. ıa 10. . . . . . . . . . . . . . . . . . .Comparaci´n de Hip´tesis con MLR y o o 10. . . . . ´ INDICE GENERAL 39 39 39 39 39 39 . . . . . . Teor´ . . . . . . . . . . . . . . . . . . .3. Significaci´n de MLR . . . . Ejercicios . . . .1. . . . . . . . 10. . . . . . . . . . . . . . . . . Test del VIH . . . . . . . . . . . . Exponencial . . . . . . . . . . . . . . Test para la dist. . . . . . . . . . . 10. . . . . . . . . .4. . . . . . .5. . .vi 10. . . . . . . .2. .

Demuestre que P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (AB) − P (AC) − P (BC) + P (ABC). Combinatoria. Proceso de Bernoulli. Aspectos a tratar Definici´n de probabilidad. En particular todos los ejercicios te´ricos o o fueron copiados de su libro. Todos los tipos de muestreo cl´sicos. Jos´ E. Vald´s Castro. o Muestreo con remplazo y sin remplazo. Pruebe que la probabilidad de que A ocurra antes que B es P (A)/[P (A) + P (B)].Cap´ ıtulo 1 Espacio muestral y combinatoria Problemas de c´lculo de probabilidades b´sicos con mucha combinatoria y en variables a a discretas. Nota: Buena parte de los ejercicios aqui presentados fueron extra´ ıdos del libro Teor´ ıa de las Probabilidades del Dr. probabilidad conjunta y eventos o independientes. 1 . Sean A y B sucesos mutuamente excluyentes en un experimento. Demuestre que P (AB) ≥ P (A) + P (B) − 1. de la Facultad de Matem´ticas y e e a Computaci´n de la Universidad de la Habana. Pruebe que la probabilidad de que ocurra exactamente uno de los sucesos A o B es P (A) + P (B) − 2P (AB). y C sucesos. 4. B . Sean A. 2. 3. Supongamos que el experimento se repite de manera independiente hasta que ocurre A o B. distribuci´n binomial. Teor´ ıa Ejercicios Te´ricos o 1. Aplicaciones de la distribuci´n binomial y a o del concepto de independencia de eventos. probabilidad condicional.

8. . dos sucesiones crecientes de sucesos con respectivos l´ ımites A y B . entonces la probabilidad de que ocurra A por primera vez en el n-esimo experimento sin haber ocurrido antes B sera P (ocurra A y no hallan ocurrido ni A ni B en los n − 1 primeros experimentos) = P (A)[P (Ac B c )]n−1 luego la probabilidad buscada es la suma de estas probabilidades para cada experimento. B y C 9. Demuestre que la independencia conjunta de los sucesos A. si: Mesa redonda En cuantas formas distintas se pueden sentar 10 personas alrededor de una mesa circular . ¿Cuantas matriculas distintas se pueden obtener? 1. entonces tambi´n son indee pendientes A y B . Pruebe que si An y Bn son independientes para cada n.. B y C implica la independencia de los sucesos: a) A y B ∪ C b) A y BC y la independencia conjunta de los sucesos A . es decir.2 Respuesta: CAP´ ITULO 1. ¿ Entonces la ocurrencia de A hace m´s probable la ocurrencia de B? a 10.2. Demuestre que si los sucesos A y B son independientes.0. ESPACIO MUESTRAL Y COMBINATORIA Consideremos la probabilidad de que no ocurra ni A ni B en el experimento n: P (Ac B c ) = 1 − P (A + B) para todo n ∈ N. para todo n ∈ N P (A)P (Ac B c )n−1 = n∈N P (A) 1 − P (Ac B c ) P (A) 1 − [1 − P (A + B)] P (A) P (A) + P (B) = = 5.. i=1 6. si y solo si P (∩∞ Ai ) = 1 . i = 1. n ≥ 1. Probar que P (Ai ) = 1. entonces A y B son independientes. Suponga que la ocurrencia del suceso B hace m´s probable la ocurrencia del suceso a A. 2. 7. Sean {An} y {Bn}.0.1. Placa de un carro Las matriculas de los autos en cuba constan de 3 letras y 3 numeros. Sean A y B dos sucesos. Ejercicios de C´lculo a 1. Analice la independencia de estos sucesos si: a) A ⊂ B b) AB =ø c) P (A) = 0.

Probabilidad condicional Un grupo de 100 chips semiconductores contiene 20 defectuoso.192x0.5. digamos exito o fallo. 3 Comit´s e Si 18 personas deben ser agrupadas en 3 comit´s de tama˜os 5.6.0. ¿Cual es la probabilidad de que ambos sean defectuosos? Solucion: a) La probabilidad de que el primero sea defectuoso es independiente del numero de chips que se seleccionan y es por tanto 20/100 = 0. Se escogen dos chips al azar. ¿Cual es la probabilidad de que el primero sea defectuoso? 2.3. Una sequencia de Bernoulli ocurre cuando se repite un experimento de Bernoulli muchas veces de forma independiente. Con y sin reemplazo Dos n´meros se escogen al azar entre los n´meros del 1 al 10.192 ver que cuando la n es muy grande la probabilidad es igual a la del primer evento.2 b) Si el primero es defectuoso la probabilidad de que el segundo lo sea es (20 − 1)/(100 − 1) = 0.4.0.2 1. 6 y 7. sin remplazo. hay 5 hombres y 5 mujeres y queremos que cada hombre tenga a su lado mujeres (y viceversa). de cu´ntas formas e n a es posible hacer esto? 1. Considere que se realizan una secuencia de n experimentos de Bernoulli.0.3 1. calcule la probilidad de . Halle la u u probabilidad de que el segundo n´mero escogido fuese el 5 ¿C´mo cambia esa probabilidad u o si el muestreo es con reemplazo? 1 9 Soluci´n: P (i2 = 5) = P (i2 = 5|i1 = 5) = 10 1 = 10 o 9 1. Considere cualquier dos ditribuciones como la misma si una resulta de una rotaci´n de o la mesa a partir de la otra (cada persona sique teniendo el mismo vecino a derecha y a izquierda que en la otra configuracion) 1. Bernoulli Un experimento de Bernoulli es un experimento aleatorio cuyo resultado puede ser clasificado de dos formas. ¿Cual es la probabilidad de que el segundo sea defectuoso dado que el primero lo era? 3. tal que la probabilidad de exito y de fallo (p y 1 − p) se mantienen la misma en cada una de las repeticioines.0. c) La de que ambos sean defectuosos es la probabilidad de los eventos independientes: P 1 ∗ P 2 = 0. 1. hay 5 parejas y deseamos que las parejas permanezcan sentadas juntas. 2.

Demostrar que el evento A y el evento C son independientes pero esto no se cumple para el evento B y el evento C. 1.9.e. at a particular location. the engineer frequently assumes: P (AU B) ≃ P (A) + P (B).8. are placed at random in 10 envelopes.earthquake in any single minute is 10−8 . ESPACIO MUESTRAL Y COMBINATORIA 1.0. Is this reasonable? 3. Building codes do not require the engineer to design buildings for the combined effects of these loads. 1. Supongamos que obsevamos el evento C que consiste en que el primer dado salio como 4. Determine the probability that exactly two envelopes will contain a card with a matching color. 1. If the events in consecutive minutes are mutually independent.4 CAP´ ITULO 1. 10 Cartas y 10 Sobres Suppose that 10 cards.7.0. Considere como A el evento en el que las suma de ambos dados es 7 y como B el evento de que la suma de ambos dados es 6. 1. of which five are red and five are green. Cual seria la probabilidad de esperar k o mas veces: 1. events with small probabilities of occurrence. Find the probability of joint occurrence of the two events during any minute. que al menos ocurri´ un exito.0. cual es la probabilidad que tengamos que esperar k veces para observar la primera cara. 2. Also suppose that. o 2.10. the probability of a ”high”wind occurring in any single minute is 10−5 and the probability of a ”moderate. que todos los intentos fueron exitosos. i. Find the probability of the occurrence of one or the other or both during any minute. Terremotos y Tormentas Suppose that the occurrences of earthquakes and high winds are unrelated. For rare events. que exactamente ocurrieran k 3. Suma del Dado Considere el experimento de lanzar dos dados no sesgados.0. what is the probability that there will be no moderate earthquake in year at this location? In 10 years? . of which five are red and five are green. Tiempos de espera Si lanzamos repetidamente una moneda con probabilidad de escudo p: 1. Is this reasonable? 2.

de contenido desconocido. ¿Cu´l es la probabilidad de que sean dos de cada a sexo? ¿Cu´l es la probabilidad de que tres sean del mismo sexo? a 1. Torneo de Boxeo En un torneo participan 8 boxeadores que se aparean mediante un sorteo. En el torneo participan dos boxeadores que se sabe que ganar´n con seguridad sus topes con los seis restantes. Compruebe que esta ıa probabilidad es mayor que 0. Usted selecciona una de las bolsas al azar. En la primera tirada una suma de 7 ou 11 ganan. Halle una f´rmula para la probabilidad de que coincida el o d´ de nacimiento (cumpleaos) de al menos dos estudiantes del grupo.17.11. le permite seguir jungando.15. Halle la probabilidad de que el n´mero de lanzamientos sea igual a cuatro.16. ¿cu´l es la probabilidad de que el estudiante resuelva correctamente a al menos 3 problemas (con ello aprueba)? ¿Cu´l es la distribuci´n de probabilidad de las notas del estudiante? a o 1.12.5 para r = 23 y mayor que 0. A partir de ese momento usted continua lanzando los dados hasta que ocurra una de las sumas 7 (y pierde) o x1 (y gana) ¿Cual es la probabilidad de ganar en el casino. Casino Considere el siguiente juego.0. Moneda simetrica Se lanza una moneda simtrica al azar hasta que aparezca escudo en dos lanzamientos consecutivos.0. 2. 1.0.5 1.14. una de las cuales contiene un premio. . le muestran una bolsa vac´ A continuaci´n ıa.0. ¿Cu´l es la probabilidad a a de que estos dos boxeadores ocupen el primero y el segundo lugar en el torneo? 1. Examen Final Un profesor entrega a un grupo de estudiantes 10 problemas de los cuales se seleccionar´n a de manera aleatoria 5 de ellos. u 1.0. y luego. que consistir´n en el examen final. En cada tope entre dos boxeadores se elimina al perdedor. 1.13. Calcule la probabilidad de quedarse con el premio para cada una de las estrategias. Se lanzan dos dados y se considere la suma de los numeros que salen. Si un estudiante sabe a resolver 7 problemas. o seleccionar la otra bolsa que queda.7 para r = 30. o puede seguir una de las dos siguientes estrategias: quedarse con la bolsa seleccionada al azar.3 y 12 pierden. y cualquier otra suma. Sexo de los hijos Un matrimonio tiene cuatro hijos. de las dos restantes. Cumplea˜os n Un grupo tiene r estudiantes.0. Mounty Hall Considere tres bolsas.0. digamos x1 .

2 = 0.9.8 e 1.19.0.7 ≤ P (AB) ≤ 0.20. Fallos simultaneos Un sistema est´ constituido por 3 bloques con probabilidades de fallo q1 . por otra parte como AB ⊂ B entonces P (AB) ≤ P (B) = 0.18. El avi´n o puede continuar su vuelo si funcionan al menos la mitad de los motores.0.0.8. si la probabilidad de fallo del sistema menor que α = 10 de funcionamiento de cada bloque en ese intervalo es p = 0.01.6 CAP´ ITULO 1. teni´ndose que 0.7. El fallo de cada motor es independiente del fallo de cualquier otro motor.8. ¿Qu´ es m´s seguro.7 ≤ P (AB) ≤ 0. Acotar la intersescci´n o Sean P (A) = 0. 1. hasta que teclee su nombre? 1.24. Calcule las probabilidades de fallo y de trabajo sin fallo del sistema. ESPACIO MUESTRAL Y COMBINATORIA 1.0. Chimpanze Bernoulli Un chimpanze de nombre Bernoulli es sentado delante de un teclado que contiene las 29 letras del alfabeto y la tecla del espacio.1 − 0.21.9 y P (B) = 0. Como promedio el chimpanze presiona dos teclas por segundo. en un intervalo de tiempo dado. Avi´n de 4 motores o Cada uno de los motores de un avi´n puede averiarse durante un vuelo.0.0. 1. Esperanza de Vida La tabla de longevidad en un cierto pa´ indica que la probabilidad de llegar a los 25 ıs a˜os es 0. Suponiendo que lo hace de forma desordenada. en un intervalo de tiempo dado. a respectivamente. Se seleccionan sucesivamente n piezas del lote al azar. Piezas defectuosas Un lote de N piezas contiene M piezas defectuosas. Si una persona n n tiene 25 aos. 1.0. q3 .8.23. q2 . con probabilidad o q = 0. mientras que la probabilidad de llegar a los 65 a˜os es 0. Verifique que 0. como promedio. Calcule el n´mero m´ u ınimo de bloques que garantiza una probabilidad 3 . Fallos simultaneos en paralelo Un sistema est´ constituido por n bloques en paralelo (el sistema falla si y solo si fallan a todos sus los bloques). Calcule la probabilidad de que la pieza obtenida en la i-´sima selecci´n sea e o no defectuosa. El sistema falla cuando fallan al menos 2 de sus bloques.22. Respuesta: P (AB) ≥ 1 − [P (Ac ) + P (B c )] = 1 − 0.95. ¿qu´ tiempo deberemos e esperar. e a . Considere los fallos de los bloques independientes.65. ¿Cu´l es la probabilidad de que llegue a los 65 a˜os? a n 1. Considere los fallos de los bloques independientes.

7 un avi´n de 2 motores o uno de 4 motores? Para que valores de q es m´s seguro un avi´n o a o de 4 motores? 1. pero e solo se posee una moneda sesgada que tiene probabilidad p desconocida de aparici´n de o escudo. Lanzar la moneda 2. El resultado del ultimo lanzamiento es el resultado deseado.0. Compruebe que con el siguiente procedimiento la probabilidad de aparici´n de cada o cara es igual a 1/2: 1. Moneda sesgada Se desea generar los resultados del lanzamiento al azar de una moneda sim´trica.25. Lanzar la moneda otra vez 3. ´ . 4. Si en ambos lanzamientos aparece la misma cara reiniciar con el paso 1.

8 CAP´ ITULO 1. ESPACIO MUESTRAL Y COMBINATORIA .

En el radio dijeron que en el 35 % de los accidentes de tr´nsito est´n involucrados a a choferes que han bebido.” haya otra en el avi´n es 10 o a 2.000 parts. Inferencia de hip´tesis a partir de la f´rmula de Bayes. y as´ la probabilidad de que ı −12 . “Mejor llevo yo mismo una bomba. dejando claro que es m´s seguro conducir despu´s de haber a e bebido. Inferencia Bayesiana. Analice donde falla el siguiente razonamiento.26. What is the probability that it came from plant 1 ? 9 . Plant 1 produces 1. Por tanto la probabiliu dad de viajar en un avi´n donde 2 pasajeros llevan una bomba es p2 = 10−12 .000 parts. Esto quiere decir que en el 65 % restante est´n involucradas a personas que no bebieron. Piezas defectuosas Two manufacturing plants produce similar parts. La probabilidad de viajar en un avion donde alg´n pasajero lleva una bomba escondida es p = 10−6 . y el vuelo es m´s seguro. un estudiante que no aprob´ el curso de probabilidades piensa o o de la siguiente forma. 100 of which are defective. a e o Aspectos a tratar Probabilidad condicional. ¿Por qu´ est´ mal la conclusi´n anterior? e a o 2. o o Teor´ ıa Ejercicios Te´ricos o 1. Plant 2 produces 2. 150 of which are defective.Cap´ ıtulo 2 Bayes y probabilidad condicional C´lculo de probabilidades inversas a trav´s de la f´rmula de Bayes. Antes o de un viaje en avi´n. A part is selected at random and found to be defective.0.

27. Suppose that a coin is selected at random and that when it is tossed three times. Si suena la alarma. Compare y comente los resultados previos. ¿Cu´l es la probabilidad de que una pieza que la m´quina indica como correcta sea a a de hecho correcta? 3. a e . Si una persona no alcoh´lica tuvo un accidente el a˜o pasado. 2. La experiencia acumulada indica que el 10 % de las piezas que salen son defectuosas.0. ¿Cu´l es la probabilidad de que una persona tomada al azar de la poblaci´n tenga un a o accidente en el transcurso de un a˜o? n 2. y 8 veces mayor para una persona alcoh´lica.10 CAP´ ITULO 2. detecta el 80 % del total de a a piezas defectuosas.0.0.8 y la probabilidad de que funcione err´neamente cuando no hay lluvia es 0. Accidentes y seguros La probabilidad de tener un accidente de tr´nsito en el transcurso de un a˜o es de a n p = 0. El 2 % de la poblaci´n de una Ciudad se sabe que consume alcohol o o habitualmente. 1.06. Adem´s suele equivocarse y catalogar como defectuosas al 5 % del total a de las piezas que no lo son.01 para una persona que no consume alcohol habitualmente. 1. BAYES Y PROBABILIDAD CONDICIONAL 2.28. La probabilidad de que la alarma funcione cuando llueve es 0. cu´l n a es la probabilidad de que vuelva a tener uno este a˜o? n 2. Moneda justa y moneda trucada Suppose that a box contains one fair coin and one coin with a head on each side.29. Alarma de Lluvia Se ha estimado que la probabilidad de que llueva es 0. Si una persona que no conocemos nos dice que tuvo un accidente el a˜o pasado. cu´l es la probabilidad o n a de que vuelva a tener uno este a˜o? n 3.04.30. Control de calidad Una m´quina que detecta piezas defectuosas en una f´brica.0. o ¿Cu´l es la probabilidad de que est´ lloviendo?. ¿Cu´l es la probabilidad de que una pieza que la m´quina indica como defectuosa sea a a de hecho defectuosa? 2. Una alarma en un local interior debe indicar si llueve. Determine the probability that the coin is the fair coin. 2. a head is obtained three times.

La compa˜´ FreeFall tiene el viernes en la tarde 100 aviones en vuelo. ¿Para que valores de q es m´s seguro un avi´n de 4 motores? a o 3. e a o u 2. a o . El h´ ıgado y el alcohol Dice la radio que en el 40 % de los pacientes con problemas hep´ticos. un avi´n de 2 motores o uno de 4 motores? Explique con n´meros. En Cuba el 5 % de la poblaci´n es consumidora habitual de alcohol. son consumidores a frecuentes de alcohol. Si N = 10 y nB = 7 ¿cu´l es la probabilidad de que la a urna escogida fuese u desde el punto de vista de Pedro? 2. 20 de los cuales nıa son de 2 motores (el resto son de 4). 10. En la urna u se tienen u bolas u negras y 10 − u bolas blancas.31. Calcule cu´nto m´s probable es tener un problema a a a hep´tico si se es alcoh´lico que si no. El fallo de cada motor es independiente del fallo de cualquier otro motor. El avi´n o puede continuar su vuelo si funcionan al menos la mitad de los motores. Jos´ selecciona una urna al azar y hace N extracciones e con reposici´ ıon.0. o 1.0. Avi´n de cuatro motores II o Cada uno de los motores de un avi´n puede averiarse durante un vuelo. 2.33. Luego le muestra el resultado del experimento a Pedro.0. 1. ¿ Si se toma al azar un paciente con problemas hep´ticos. etiquetadas con los n´meros 1 . con qu´ probabilidad no a e tiene un problema alcoh´lico? o 2. Parecer´ que es preferible tomar alcohol. con probabilidad o q = 0.01.01. ¿Cu´l es la probabilidad de que dicho avi´n fuese uno a o de los de 2 motores? Asuma q = 0. 10 Urnas Se tienen 10 urnas. obteniendo nB bolas blancas. ¿Qu´ es m´s seguro. .32. Llega la informaci´n imprecisa de que un avi´n o o de esta compa˜´ se ha ca´ nıa ıdo.11 2. pues m´s de la mitad de los pacientes con ıa a problemas hep´ticos son abstemios. . y N − nB bolas negras.

12 CAP´ ITULO 2. BAYES Y PROBABILIDAD CONDICIONAL .

Comentario: El Dr. Un ensayo cl´ ınico se acepta como respaldo cient’fico a un producto si el resultado obtenido tiene una probabilidad inferior al 5 % de ser reproducido por el azar. 3. Halle la funci´n o k(N ) del n´mero m´ u ınimo de ´xitos necesarios en la predicci´n del lanzamiento (N veces) e o de la moneda para garantizar estar dentro del criterio del 5 % de fiabilidad. Percepci´n extransensorial o Una persona dice tener percepci´n extrasensorial. Sea X el n´mero de unidades defectuosas en una muestra de 10 unidades seleccionadas u aleatoriamente del lote. Graf´ o ıquela. investigador en estad´ ıstica en el Centro de Informaci´n de Ciencias M´dicas (Infomed) y autor de varios libros. Hallar P (X = 0) y P (X > 2). Acierta en 7 de las 10 ocasiones.36.Cap´ ıtulo 3 V. Luis Carlos Silva.0.0. Numerar 100 frascos de agua y someter 50 a la acci´n de las pir´mides. Halle: e 1. Experimento de Bernoulli Supongamos que X representa la diferencia entre el n´mero de escudos y el n´mero de u u estrellas cuando se lanza n veces al azar una moneda sim´trica. los posibles valores de X. la distribuci´n de probabilidad de X cuando n = 3. la persona logre un resultado al menos tan bueno como el obtenido. sugiri´ el siguiente experimento o e o para someter a prueba cient´ ıfica los llamados efectos piramidales. Muestreo sin remplazo Suponga que un lote de 100 unidades de un producto contiene 6 unidades defectuosas. y Distribuciones Multinomiales 3. Halle la probabilidad de que si responde al azar.A. manteniendo en secreto la numeraci´n de o a o 13 . 3. 2.0.35.34. Grafique F (k) = P (X < k) usando una computadora. Para verificar esto se lanza 10 veces o al azar una moneda sim´trica y se le pide a la persona que prediga el resultado de cada e prueba.

Considere el caso particular de un tiempo de viaje con distribuci´n gaussiana t ∼ o N (30. la probabilidad de que x < y.5. la densidad de probabilidad de la variable aleatoria x + y.38.41. 4.0. Graf´ ıquela. ¿ Son independientes estas variables? Halle.A. Halle la densidad de probabilidad f (x. Suponga que el tiempo del viaje suyo hasta el lugar de la cita es una variable aleatoria con densidad de probabilidad f (t).0. y el costo por unidad de tiempo de una llegada antes de la hora fijada para la cita es c. donde x es el punto m´s o a a la izquierda) 3.0. x) (x.37. ¿Hasta cu´ntos errores podr´ permitirse los piram´logos a a ıan o para estar dentro del criterio del 5 %? 3. Luego devolver los 100 frascos a los defensores de la energ´ piramidal ıa y pedirles que por cualquier m´todo que ellos quisieran identificacen los frascos que hab´ e ıan sido sometidos a las pir´mides.39. Y DISTRIBUCIONES MULTINOMIALES los frascos escogidos.0. y) 3. e 3. 2. V. y) as´ como las o ı respectivas marginales. 3. 1]. Halle la probabilidad con la que se puede formar un tri´ngulo con los a tres segmentos resultantes de dicha selecci´n ((0. Calcule: P (X > 2).0. 10). Interpr´telos. x e y uniformes Sean x e y dos variables aleatorias con probabilidad uniforme en [0. ¿Cu´l es la probabilidad de que la moneda a no toque la rejilla? Respuesta (1 − a/b)2 .14 CAP´ ITULO 3.40. P (1 < X < 3). 1. Llegar Tarde o Temprano Suponga que usted tiene una cita. y) . El costo por unidad de tiempo de una llegada tarde a la cita es k . de forma aleatoria. Triangulo Considere la selecci´n aleatoria (con probabilidad uniforme) de dos puntos en un sego mento de longitud 1. Calcule el instante en que debe partir si k = c. la distrbuci´n cumulativa de probabilidad F (x. 1). Moneda en rejilla (MacKay) Una moneda circular de radio a se lanza sobre una rejilla cuadrada (dibujada en un papel) con lado b > a. 3. Cumulativa gaussiana 2 o o Sea F (x) = 1 − e−x la funci´n de distribuci´n de la variable aleatoria X . la densidad de probabilidad de la variable z = m´ ın(x. la probabilidad de que x < y dado que y < 0. Determine el instante en que usted debe partir para minimizar el costo esperado. y) y (y. y si k = 10c.

43. 1. 3. f (x). φ)? a o 4. 4. Demuestre que el m´dulo r y cualquier de las coordenadas angulares son variables o independientes. 5. Halle al densidad de probabilidad de (r.0. φ). 1. En qu´ rango de valores de θ y φ f (θ. Halle las probabilidades condicionales f (x|r) y f (r|x) que relacionan al m´dulo de un o vector con una de sus proyecciones. φ (coordenadas esf´ricas) para designar dichos puntos. y. Interiror de la esfera: Vector aleatorio Considere a todos los puntos del interior de una esfera de radio R como equiprobables. θ. R. 3. Defina la variable aleatoria θ. Considere todos los puntos equiprobables. y. φ) > 0 e 2. Halle la densidad de probabilidad de la variable (r. ¿Por qu´ no son todos los valores de (θ. Halle las probabilidades condicionales f (x|r) y f (r|x) que relacionan al m´dulo de un o vector con una de sus proyecciones.15 3. φ) equiprobables? e 5. ¿ Es esto cierto para x. y. .44. Halle la densidad marginal en x. ¿Cu´l es la distribuci´n cumulativa F (θ. Aguja en Parrilla (MacKay) Una aguja de longitud a es lanzada sobre un plano cubierto de lineas paralelas equidistantes (distancia b > a). φ). ¿Es igual a la del ejercicio anterior? 2. ¿Son independientes las variables θ y φ? 3. Vector aleatorio Considere a todos los puntos del interior de una esfera de radio R con probabilidades tales que el m´dulo del vector a un punto es una varaible aleatoria con distribuci´n uniforme o o en 0.45. Halle la densidad de probabilidad de la variable aleatoria (vector) r = (x. Graf´ ıquela. ¿Cu´l es la probabilidad de que la aguja intersecte alguna a 2a de las lineas? Respuesta πb 3.42.0. φ)? a 3. z? 6. z) 2. Superficie de la esfera Considere el espacio muestral compuesto por los puntos de la superficie de una esfera. z) 3. θ.0. Halle la densidad marginal en r f (r). e 1.0. Halle la densidad de probabilidad de la variable aleatoria (vector) r = (x. ¿Cu´l es la densidad de probabilidad f (θ.

Sobre su origen se situa una esfera de radio 1 de forma tangencial. Esfera Compleja Considere un plano coordenado.16 CAP´ ITULO 3.47. Si todos los puntos o de la esfera son equiprobables. le hacemos corresponder el unico punto del plano que esta en l´ ´ ınea con este y con el punto P . Considere a todos los puntos del interior de una esfera en ℜn como equiprobables. y P al punto diametralmente opuesto en la superficie de la esfera. Llamemos O al punto de tangencia.A. V. halle la densidad marginal del m´dulo del radio vector f (r).46.0. ¿Hacia qu´ valores o e de r se concentra dicha densidad de probabilidades?. Esto define una relaci´n biyectiva entre el plano y la superficie de la esfera. si el impacto de una flecha en un blanco circular est´ equidistribuido.0. c´mo distribuye su distancia al centro del a o blanco? Esfera en ℜn . cu´l es la densidad de probabilidad correspondiente a los a puntos (x. Y DISTRIBUCIONES MULTINOMIALES 3. Particularmente. Dado cualquier punto en la superficie de la esfera. Tomando en cuenta que el volumen contenido en el interior de una esfera de radio r es V (r) ∝ r n . y) del plano a trav´s de la biyecci´n descrita? e o 3.

Cap´ ıtulo 4 Funci´n de Variables Aleatorias o Continuas Ejercicios Te´ricos o 4. y). Y = ψ(X). F −1 (X) Distribuci´n Inversa o Demuestre que si la variable X ∼ U [0.50. Medida Deltaica Demuestre que si la variable aleatoria Y es funci´n de la variable aleatoria X. donde es una funci´n biyectiva. (Ver ejercicio siguiente como o aplicaci´n) o 4. 17 . Convoluci´n o Si X e Y son dos variables aleatorios independientes. entonces la distribuci´n cumulativa de Y viene dada por o o F (y).49. demuestre que la densidad de probabilidad de Z = X + Y viene dada por la convoluci´n de las densidades de las variables o originales.48.0. (Ver ejercicio del generador de n´meros aleatorios como aplicaci´n). o entonces una forma equivalente de hallar la densidad de probabilidad de Y es fY (y) = fX (x)δ(y − ψ(x))dx donde δ(x) es la delta de Dirac.0. u o 4.0. Demuestre particularmente que esta expresi´n se reduce a o la estudiada en clase y que adem´s cumple con la definici´n para la funci´n de distribuci´n a o o o cumulativa FY (y) = P (Y < y) Extienda este resultado al caso de distribuciones multivariadas f (x. 1] y la variable aleatoria Y = F −1 (X). en la cual se define una nueva variable aleatoria como funci´n de x e y.

con Xi ∼ f (x). Generador de N´meros Aleatorios u Considere que tiene una subrutina random() que genera n´meros aleatorios entre 0 y u ¯ 1.0.56. X2 . .52.A. cu´l es la densidad de la a variable z = x ∗ y y z = x/y? 4. Estirando Intervalos ¿ Qu´ funci´n matem´tica debe relacionar a la V. Flecha y Arco Si una flecha lanzada usando un arco tiene una probabilidad homog´nea de impactar e en cualquiera de los puntos de las diana (con forma circular). 1).54. Gaussiana? 2.53. y).i.d. . Halle las densidades de probabilidad de las variables aleatorias X n y 4. M´ximo de un conjunto de variables a Considere a las variables aleatorias independientes e id´nticamente distribuidas (i. X2 . eX . ¿C´mo es posible obtener a partir de la misma n´meros aleatorios con distribuci´n o u o 1. .0.57. Xn ). . Sea Y = max(X1 . o 4.0.0. e o a continua X ∼ U (0. Exponencial? Programe una de estas formas y compruebe haciendo un histograma de los n´meros obteu nidos que realmente cumplen con la distribuci´n deseada.0.0. Halle la funci´n de distribuci´n cumulativa de Y y su respectiva densidad de probabilidad.55. continua Y = g(X) con la V. (b) Exponencial. X*Y y X/Y Si las variables X e Y tienen densidad de probabilidad f (x. FUNCION DE VARIABLES ALEATORIAS CONTINUAS 4. o o Ejercicios de C´lculo a 4.18 ´ CAP´ ITULO 4. o .0.51.A. Exponencial Sea X ∼ U (0. . cu´l es la distribuci´n de a o probabilidad de la distancia del impacto al centro de la diana? 4. e random variables) = {X1 . Distribuci´n de x + y o Halle la densidad de probabilidad de la variable aleatoria z = x + y si tanto x como y son dos variables aleatorias con distribuci´n (a) Gaussiana. valores entre 0 y 1 (uniformemente) y con probabilidad 1/2 valores entre 1 y 3 (uniformemente)? 4. . 1) si se desea que Y tome con probabilidad 1/2. Xn }.

60. Distribuci´n de x ∗ y o Halle la densidad de probabilidad de la variable aleatoria z = x + y si tanto x como y son dos variables aleatorias con distribuci´n (a) Gaussiana. Halle la densidad de probabilidad del producto Z = XY de ambas variables. 3. (b) Poissonica.62.0.58.0. . σ]. Y ] mientras que la variable Y tiene una densidad exponencial f (y) = λe−λy definida para y > 0. estima el sesgo a e de la misma como h = e+c donde e es el n´mero de escudos y c es el de caras en el u experimento anterior. o 4. Halle la densidad de probabilidad f (x.0. 2. ¿Cu´l es la distribuci´n de h? a o 4. a u 1. Moneda cargada (MacKay) Una moneda no cargada (P (0) = P (1) = 1/2) es lanzada hasta que sale una cara. Se sabe que la suma de dos variables aleatorias X e Y distribuye N[0. (b) Poissonica. ¿Son estas variables independientes? Halle la densidad de probabilidad condicional f (x|y) e f (x|y). 3. Suma Gaussiana ESTA MAL REDACTADO. y) correspondiente.61. Halle la densidad de probabilidad de la diferencia Z = Y − X.59. 4.0. X menor que Y Exponencial La variable aleatoria X ∼ U [0.19 4. Distribuci´n de x/y o Halle la densidad de probabilidad de la variable aleatoria z = x + y si tanto x como y son dos variables aleatorias con distribuci´n (a) Gaussiana. y) correspondiente? a 2. 1. que no sabe que la moneda no est´ trucada (no cargada). ¿Cu´l es la densidad de probabilidad f (x. Halle la densidad marginal de cada una de estas variables f (x) y f (y). Alberto.0. o 4. 1. ¿Son independientes las variables X e Y ? Obtenga la probabilidad condicional de X dado Y .¿ Cu´l es el valor esperado del n´mero de lanzamientos?. 4.

donde el transporte llega en tiempos precisos. ¿Cu´l es el tiempo promedio que deber´ esperar? Respuesta 6 a a minutos. ¿Cu´l es el promedio entonces entre el autobus anterior y a el siguiente? Respuesta 12 minutos. Explique la aparente contradicci´n. Asumamos que a o o la probabilidad de que un terremoto se origine en cualquier punto de la falla es uniforme. Si la intensidad del terremoto I se reparte superficialmente (a una distancia r se siente I un temblor de intensidad ε = 2πr ). Considere ahora Clockville. Esperar un Omnibus Suponga que usted llego en un instante aleatorio a una parada de omnibus donde puede tomar dos rutas. como vimos anteriormente U ∼ 2U (0. FUNCION DE VARIABLES ALEATORIAS CONTINUAS 4. Una persona llega en un instante aleatorio a la parada. 10).0. Demuestre que la densidad de probabilidad de r es f (r) = 1 2r 2 (r − D 2 )− 2 L 1. luego +∞ EU = 0 10 [1 − 2U (0. entonces el tiempo de espera a la llegada del primer o o ´mnibus sera U = m´ ın(U1 . Considere la variable aleatoria r.64. o . Los omnibus de cada una de las rutas llegan uno tras otro a intervalos de diez minutos. exactamente cada 6 minutos. Una o persona llega a la parada.65. ¿Cu´nto a tiempo le queda por esperar como promedio? Respuesta 3 minutos. U2 ). calcule la densidad de probabilidad de sentir un terremoto de intensidad ε en la posici´n de la represa.0. o 1. ¿Cu´l es el valor esperado del tiempo de espera? a Respuesta: Sean U1 ∼ U (0. 10) + U 2 (0. 10) − U 2 (0.20 ´ CAP´ ITULO 4. 10)]dx 1−2 x2 x + 10 100 10 0 = 0 dx 10 1000 = 300 3 = x− x3 x2 + 10 300 = 10 − 10 + 4. definida como la distancia desde la represa hasta el punto de origen de un terremoto. 10) y U2 ∼ U (0. ¿Cu´nto ha transa currido como promedio desde que parti´ el omnibus anterior? ¿Cu´l es el tiempo o a promedio entre el omnibus partido y el que est´ a 4. Represa y Terremoto Se piensa construir una represa en un punto del rio Colorado que dista una distancia D del punto medio (y m´s pr´ximo) de una falla tect´nica de longitud 2L.0. ¿Cu´l es el tiempo promedio transcurrido desde que se fue el omnibus anterior a a su llegada? Respuesta 6 minutos. 10) las variables aleatorias que modelan el tiempo de espera en la parada para cada ´mnibus. El omnibus en Poissonville y Clockville En Poissonville los autobuses llegan a las paradas de forma aleatoria e independientes unos de otros (proceso de Poiss´n) con un promedio de un autobus cada 6 minutos.63.

A. . . Obtener la Poissonica 5.0. α) con distribuci´n Gamma o f (x) = donde Γ(α) es la funci´n gamma o ∞ λe−λx (λx)α−1 Γ(α) Γ(α) = 0 e−u uα−1 du 1. X ∼ Gam(λ. .67.0. Halle la funci´n generadora de momentos de la distrbuci´n Gamma. o o 2. Distribuci´n Gamma o Considere la V. ¿C´mo e o o se transforman los par´metros? a 5. Densidad geom´trica e Considere la V.Cap´ ıtulo 5 Funci´n generadora de Momentos o y Distribuciones m´s comunes a 5.} con distribuci´n geom´trica o e pX (j) = (1 − p)j−1 p 21 .66.68.A. 2. demuestre que la suma de dos variables aleatorias Z = X +Y que o distribuyen como Gamma. L´ ımite Continuo Obtener la densidad exponencial como limite del tiempo de espera en procesos de poisson Obtener la Gaussiana como limite de la binomial.0. Usando esta funci´n. X ∈ {1. es tambi´n una variable con distribuci´n Gamma.

5.} o con probabilidades P (X = k) = pk . todas con la misma distribuci´n. Halle la funci´n generatriz de la variable z = m−1 xi . Usando la misma halle el valor esperado y el momento de orden 2 de la variable X. Suma aleatoria Un dado no sesgado tiene un 0 en dos de sus caras. Use el resultado del ejercicio anterior. FUNCION GENERADORA DE MOMENTOS Y DISTRIBUCIONES MAS COMUNES 1. 2. un 1 en otras dos. Funci´n Generatriz o (Marinari y Parisi) La funci´n generatriz de la variable aleatoria discreta X ∈ {0.70. .´ ´ 22CAP´ ITULO 5. Halle la funci´n generadora de momentos de la variable X.69. . o 2. Y sea M o tambi´n una variable aleatoria en los naturales. Halle la varianza de X.71. Se lanza el dado repetidas veces hasta que salga una cara roja. y las dos restantes dibujadas de rojo. 5. . . donde m es el n´mero de lanzamientos o u i=0 realizados. X2 . y xi el resultado en cada uno de ellos. . 3. definamos una nueva variable aleatoria e como m Y = i=0 Xi Demuestre que la funci´n generadora de momentos de Y viene dada por la composici´n o o GM (GX (t) 5.0. . viene dada por la siguiente definici´m o +∞ G(t) = k=1 tk p k Considere las variables aleatorias X1 .0.0. Adivinando distribuciones ¿C´mo distribuyen las siguientes variables aleatorias? o # de llamadas equivocadas a un n´mero de tel´fono en ∆T u e # de errores tipogr´ficos en una p´gina de un libro a a # bacterias bajo el visor del microscopio # de personas con HIV en un avi´n o tiempo de espera hasta la llegada de la pr´xima guagua o tiempo de espera hasta desintegraci´n radioactiva o # de part´ ıculas gamma llegadas al detector desde una fuente radioactiva poco intensa en un ∆T .

23 cantidad de mujeres en un a˜o de la facultad de Derecho n edad media de las personas en una guagua .

FUNCION GENERADORA DE MOMENTOS Y DISTRIBUCIONES MAS COMUNES .´ ´ 24CAP´ ITULO 5.

U (0. Aproximaci´n Gaussiana o Compare el resultado de aproximar la suma de dos variables aleatorias z = x1 + x2 distribuidas uniformemente (x1. o Ejercicios 6.0. Tama˜o de una muestra n Se quiere hallar el promedio de estatura de los estudiantes de la UH. T )) por la gaussiana de igual media y desviaci´n o est´ndar.Cap´ ıtulo 6 Teorema Central del L´ ımite Aspectos a tratar Teorema Central del L´ ımite Funci´n Caracter´ o ıstica. 6.72.0.0.74. A partir de ellas encuentre M1 =< x > y M2 =< o x2 >. Funci´n generatriz. Demuestre TLC Usando cualquiera de las funciones del ejercicio anterior demuestre el teorema central del l´ ımite haciendo un desarrollo en Taylor.73. ¿De qu´ tama˜o e n se debe tomar la muestra par agarantizar que el valor obtenido tenga menos del 1 % de probabilidad de estar fuera de un margen del 10 % del valor real? 25 . a 6.2 .75.0. 6. Transformada de la Guassiana Halle la funci´n generadora de momentos φ(t) y la funci´n caracter´ o o ıstica G(k) =< exp ikx > de la distribuci´n gaussiana.

TEOREMA CENTRAL DEL L´ IMITE 6. o . t) ∂t donde µ > 0 es el coeficiente que caracteriza la rapidez de la difusi´n.76.0. t) − 2µP (n. t) es o ∂P (n. t) = µP (n + 1.26 CAP´ ITULO 6. o o la ecuaci´n diferencial para P (n. 0) = 1. t) + µP (n − 1. Partiendo de la condici´n inicial P (0. Difusi´n en 1D o Muestre c´mo resolver el problema de la difusi´n con tiempo continuo y espacio discreto o o usando la funci´n generatriz (transformada Z).

La distribuci´n condicional h(θ|x) de los par´metros dada la informaci´n o o a o experimental. Recordemos que en la forma tradicional del teorema de Bayes. o pues relfeja el conocimiento que tenemos sobre la distribuci´n de la variable X antes de o confrontar ninguna data experimental. Esta densidad se suele llamar distribuci´n a priori. suponemos que el par´metro de la distribuci´n es tambi´n una a a o e variable aleatoria con densidad h(θ). y refleja la expectativa que tenemos o en el valor de los par´metros una vez que juntamos nuestra creencia inicial con los datos a experimentales. La densidad de probabilidad de X es por tatno f (x|θ). es decir de los datos o experimentales que se usan para inferir los par´metros de la distribuci´n. En el an´lisis bayesiano. g(x) se expresa a partir de la integral (suma en el caso discreto) g(x) = f (x|θ)h(θ)dθ Otra forma de entenderlo es que g(x) es la constante de normalizaci´n para f (x|θ)h(θ) o como funci´n de x. que toma valores en el conjunto S. Recuerde que E(a|X) es funci´n de X. Si θ es un par´metro real. el valor esperado condicional a θ = E(θ|X) = θf (θ|X)dθ es el estimador de Bayes. Supongamos que la distribuci´n de X depende de un par´metro θ o a que toma valores en el espacio Θ. se le llama la distribuci´n a posteriori. a o 27 . Usando el teorema de Bayes tenemos h(θ|x) = f (x|θ)h(θ) g(x) donde g(x) es la densidad de probabilidad (marginal) de X.Cap´ ıtulo 7 Inferencia Bayesiana y M´xima a Similaridad Teor´ ıa Digamos que tenemos un observable (variable aleatoria) X de un experimento.

Tal familia se dice conjugada de la distribuci´n o o de la variable X. o ˆ El estimador de m´xima similaridad es θ = arg maxψ(θ). pues muchas o veces podemos calcular la distribuci´n posterior a partir de una f´rmula simple de sus o o par´metros. a M´xima Similaridad a Sea la variable aleatoria X con densidad de probabilidad fθ (x) (conocida excepto por el valor del par´metro θ). x2 . . . Se toma una al azar y se lanza 10 veces. xN ) = fθ (x1 )fθ (x1 ) . Se dice que un estimador θ es consistente si n→∞ l´ E(θ) = θ0 ım y l´ V ar(θ) = 0 ım n→∞ Se dice que un estimador es no sesgado (unbiased) si E(θ) = θ0 En ambos casos θ0 representa el valor real del par´metro de la distribuci´n que se estima. x2 . Dos monedas Se tienen dos monedas con probabilidades q = 1/2 y q = 3/4 de sacar cara (respectivamente). . se definen las siguientes e a propieades del mismo. obteni´ndose 3 escudos y 7 caras. a o Ejercicios 7. . INFERENCIA BAYESIANA Y MAXIMA SIMILARIDAD Familias Conjugadas En muchos casos especiales pero de importancia. Halle el estimador de Bayes correspondiente. x2 . . e 1. a Propiedades de los estimadores Cualquiera sea el m´todo usado para el c´lculo del estimador. Las familias conjugadas son c´modas computacionalmente. fθ (xN ) = f (xi |θ) = ψ(θ) donde ψ(θ) se llama funci´n de similaridad. tambi´n o e lo hace la distribuci´n posterior de θ dado x.28 ´ CAP´ ITULO 7.0. Halle el valor de q que da mayor verosimilitud al resultado obtenido 3. . . y (x1 . que ambas monedas pueden haber sido tomadas con igual probabilidad. .77. suponiendo. sin pasar directamente por el teorema de Bayes. . ¿C´mo distribuye el n´mero de caras obtenidas con cada una de estas monedas en 10 o u lanzamientos? 2. xN ) es el valor del par´metro θ a y fθ (x)? Por la indepencia de los valores de xi f (x1 . podemos hallar una familia param´trica e con la siguiente propiedad: Si la distribuci´n a priori de θ pertenece a esta familia. . desde luego. . xN ) el resultado de N muestreos de esta variable. Normalmente se calcula deria vando ψ(θ) para buscar su m´ximo. . ¿Cu´l a a ˆ que maximiza la similaridad entre los resultados (x1 .

6}. Estimando la distribuci´n uniforme o Considere que se tiene una muestra {x1 . 7. . Se tienen o o los siguiente conteos para 10 intervalos de 5 segundos: x = {3. b) de par´metros (obviamente) conocidos. b).29 7. Conjugada de la Gaussiana Demuestre que si x = {x1 .0. Halle ahora el estimador de Bayes. donde σ es conocida pero µ es desconocida. x2 . . 11. y tenemos un a priori normal para µ ∼ N(a. Estimando Poisson Considere la detecci´n de la desintegraci´n radioactiva por un contador Geiger. Recuerde que o f (x|λ) = P oisson(λ) = Gam(a. 7. Asuma una distribuci´n a priori para el par´metro λ de la distribuci´n o a o poiss´nica λ ∼ Gam(a. Estime los par´metros de la distribuci´n correspondiente (Poisson) usando el estimaa o dor de Bayes. Halle el estimador θ de m´xima similaridad. entonces la distribuci´n a posteriori tiene tambi´n a o e distribuci´n normal o b2 i xi + aσ 2 σb . . a 2. demuestre que la normal es la conjugada de la distribuci´n normal.80. o 2. xN } de la variable aleatoria X con distribuci´n uniforme U (0. 3. 3. .79. Obtenga el estimador de m´xima similaridad y compare con el de Bayes. b) = λx −λ e x! ae−λ (aλ)b−1 Γ(b) Demuestre primero que la distribuci´n Gamma es la conjugada de la Poissonica. ¿Cu´l es el o a estimador de Bayes correspondiente? .78.0. 4.√ ) f (µ|x) ∼ N( 2 + nb2 σ σ 2 + nb2 Es decir. . o a ˆ 1. 10. con a = 1 y b = 5. σ). Analice la consistencia y el sesgo de ambos estimadores. suponiendo que el par´metro θ tiene una distribua ci´n de Pareto con par´metros θm y α o a h(θ) = α αθm θ α+1 Demuestre primero que la distribuci´n de Pareto es la conjugada de la distribuci´n o o uniforme. a 7. 1. 0. θ) con par´metro θ desconocido. 1.0. xn } es una muestra de n experimentos con X ∼ N(µ. . .

3.0. INFERENCIA BAYESIANA Y MAXIMA SIMILARIDAD 7.4) De un intervalo de confianza para la temperatura real de la columna de aire. 26. 21.6. . con un nivel de confianza del 80 %. 1. Si o o se tienen los resultados (x1 . 24. Term´metro de Boltzman o Considere un grupo de N part´ ıculas en una columna vertical de aire. xn ). zN ) de la altura de las part´ ıculas).0. z2 . . obtenga un valor para el n´mero de part´ u ıculas con qu´ se e obtuvieron los resultados anteriores. Suponga ahora que de hecho disponemos de 10 fotos con los siguientes resultados para el estimador de la temperatura T = (25. Usando la relaci´n entre la varianza de las part´ o ıculas fotografiadas y la varianza de la temperatura estimada. obtenga el estimador de m´xima verosimilitud para a el valor esperado µ y la desviaci´n est´ndar σ de la Gaussiana.81.4. Suponga que de alguna forma usted tiene el valor exacto de T al cual est´ la columna a ˆ de aire. .3. 4.8. 24. 6. es o ˆ decir si usted toma muchas fotos de las part´ ıculas y hace el c´lculo de T para cada a una. 26.7. .9. .30 ´ CAP´ ITULO 7. x2 . Demuestre que es un estimador consistente y no sesgado. El sesgo de la Varianza Considere la repetici´n de una medici´n sobre una variable X que se asume Gaussiana.2. .3. . ˆ 2. Halle el estimador T de mayor similaridad que estima la temperatura de la columna de aire. cuando se tiene una foto instant´nea de las part´ a ıculas (N valores (z1 . 25.0. ¿C´mo distribuye la variable T − T si usted realiza muchos experimentos. 5. 22. 25. 23. Seg´n la ley de u Boltzman. β = 1/T es el inverso de la temperatura. Justifique a partir de este resultado por qu´ se suele escoger e σ ′2 = como estimador de la varianza. 1 ( n−1 n i 2 x2 − ( i xi )2 ) i 7. la probabilidad de encontrar una part´ ıcula a la altura z tiene la forma P (z) ∝ e−βz en las unidades apropiadas. . Analice si estos estimadores o a son consistentes y no sesgados. Normalice f (z) = P (z).82.

0. y como no sabe linux.0. se preocupa ahora por la cantidad de frases distintas que la computadora contiene. Un estudiante aburrido se dedica a leer estas frases. Tiramos una red o a un estanque y sacamos M peces. A modo de prueba se lanza la moneda 10 veces y se obtienen 7 caras. Demuestre que es posible estimar dicho n´mero.85. a 7. 1].84. Halle el estimador de Bayes para q y defina un intervalo de confianza con un nivel de confiabilidad del 90 %. esperando encontrar el sentido de la vida en ellas. Las frases del fortune Linux trae un comando fortune que imprime una frase c´lebre (extra´ aleatoriamente e ıda de un archivo) cada vez que se ejecuta. Esperamos un poco. Al cabo de media hora en esta tarea. Se tiene un a priori uniforme para el valor de q en el intervalo [0. es incapaz de hallar el archivo y contarlas. Intervalo de confianza Bayesiano Se tienen 10 lanzamientos de una moneda de la cual se desconoce el valor de la probabilidad q con la que se obtiene una cara como resultado. de los cuales resulta que m de ellos tienen o la marca realizada en la primera operaci´n. tal vez un dia. y sin haber encontrado lo que buscaba. Si el n´mero de peces sacados en cada ocasi´n o u o no es muy peque˜o. Los marcamos con un aro en la cola. Contando Peces ¿C´mo se cuentan los peces de un estanque? Una forma es la siguiente. 7.31 7. Realice el c´lculo. y los devolvemos al estanque antes de que sea demasiado tarde. u .0. se percata de que s´lo han salido repetidas 5 frases en o las 100 veces que ha ejecutado el programa. y luego repetimos la operaci´n sacando esta vez T peces. deber´ n ıamos ser capaces de estimar la cantidad total de peces a partir de estos datos obtenidos.83. Abandonando las preguntas trascendentales.

32 ´ CAP´ ITULO 7. INFERENCIA BAYESIANA Y MAXIMA SIMILARIDAD .

. . yn ) no satisfacen exactamente nuestra ecuaci´n para ningun juego de par´metros. de o a forma general los residuos de cada medici´n definidos como o ri = yi − h(xi .) = argminβ i 2 ri Si definimos S = n 2 i ri . β1 .) son los par´metros de nuestra teor´ que en general son un n´mero pea ıa. . β2 . . . En un caso simple. . por ejemplo. Es decir. mucho menor que el n´mero de mediciones.) no ser´n todos cero simult´neamente.) donde (β1 . u que˜o de ellos. . . . y2 . β2 .1. . . . . a a El m´todo de los m´ e ınimos cuadrados propone estimar los par´metros de forma que a minimicen la suma del cuadrado de los residuos n ˆ ˆ ˆ β = (β1 . . . Nuestra teor´ predice que ıa la relaci´n entre las mismas debe ser de la forma o y(x) = h(x. se tiene un conjunto de n mediciones de la variable a independiente x y de la correspondiente variable dependiente y. β2 . los par´metros estimados por m´ a ınimos cuadrados satisfacen ∂S =0 ∂βi 33 . . x2 . .Cap´ ıtulo 8 Datos experimentales y M´ ınimos Cuadrados 8. Debido a que las mediciones exn u perimentales siempre introducen errores. β1 . xn ) e y = (y1 . Teor´ ıa En muchas ramas de la ciencia aparece la necesidad de inferir par´metros de cierta a teor´ de forma que los mismos ajusten lo mejor posible las mediciones que se realizan en la ıa pr´ctica. . . el conjunto de valores que tenemos en mano x = (x1 . y a que tenemos m´s mediciones que par´metros de a a ajuste. .

. .2. β1 . yn ) es el vector de o las mediciones realizadas para la variable dependiente. Parametro constante Pruebe que si uno de los par´metros en un modelo lineal es una constante aditiva.4. tes Recta y Parabola Estudie la aplicaci´n del ajuste por m´ o ınimos cuadrados a los modelos no lineales siguien1. .2. 8.2.) = j=1 βj φj (xi ) donde φj (x) son funciones arbitrarias de los datos experimentales (no necesariamente lineales). .3.2. y = β1 + β2 x + β3 x2 8. .j = φj (xi ) es una matriz de dimensi´n n × m. . el estimador de m´ ınimos cuadrados viene dado por la expresi´n matricial o ˆ βLLSQ = (xT x)−1 xT y donde xi. Recta y Parabola Estudie la aplicaci´n del ajuste por m´ o ınimos cuadrados a los modelos lineales siguientes 1. . β2 .34 CAP´ ITULO 8. y2 . βm entran de forma a lineal en el modelo que estamos tratando de ajustar m y = h(xi . Demuestre que en el caso de modelos lineales.1. y = β1 exp(β2 x) Considere un ruido gausiano afectando los valores de xi 8. . 8. .2. y = β1 sin(β2 x) 2. Ejercicios Formula Matricial para modelos lineales Un modelo lineal es aquel en que los m par´metros β = β1 . e y = (y1 .2. a entonces la suma de los residuos es cero ri = 0 i . β2 . DATOS EXPERIMENTALES Y M´ INIMOS CUADRADOS 8. y = β1 + β2 x 2. . .

particularmente h ∼ N (µ0 . pues en el 68 % de las ocasiones los valores de h se encuentran dentro de este intervalo. esta tiene una cierta dispersi´n en torno al valor o esperado para cierta edad. En muchos casos se ha establecido el criterio del 5 %. y por tanto es preferible rechazarla. por ejemplo decidir que los o a valores de h que disten m´s que σ del valor esperado µ0 son valores raros. Si la hip´tesis nula H0 es cierta. y se ha perdido el a˜o escolar a que pertenece esta aula. C´mo n o cada a˜o escolar tiene una estatura caracter´ n ısitca. caracterizada por una desviaci´n est´ndar σ conocida. Uno puede. σ). es decir. y responde a la significaci´n deseada para el o o test en cuesti´n. con lo cual deja fuera s´lo el 4. En cambio H1 se llama hip´tesis o alternativa. n o N´tese que el criterio de corte es arbitrario. Tenemos dos hip´tesis en nuestro problema o H 0 : µ = µ0 H 1 : µ = µ0 La primera hip´tesis. Por ejemplo se tiene un el valor medio h de la estatura o de un aula en una escuela. La forma de campana de la gaussiana implica que los a valores muy alejados del valor esperado µ0 tengan una probabilidad muy baja de ocurrir. y se dice que es una hip´tesis compuesta. es decir. podemos intentar inferir el a˜o a partir n del dato que poseemos. por venir o a o dado como la suma de variables aleatorias.Cap´ ıtulo 9 Test de Hip´tesis o 9. que est´ bien definida se llama hip´tesis nula y en general es aquella o a o que buscamos rechazar con los datos experimentales. O uno puede tomar un intervalo de tama˜o 2σ.5 % de las realizaciones de h. no a o o est´ definida de forma precisa. cuyo valor esperado de estatura es µ0 o no. Por este motivo si tenemos una media de valor muy alejado del esperado podemos asumir que la informaci´n que esta nos est´ dando es que ese evento es muy raro si se asume la o a hip´tesis nula. a o El valor medio de la estatura de los muchachos tiene una distribuci´n gaussiana con valor o medio µ y desviaci´n cuadr´tica media σ o al menos esta es una buena suposici´n.1. Por ser la media una variable aleatoria (pues es la suma normalizada de las estaturas de los estudiantes del aula). Teor´ ıa En muchas ocasiones es necesario elegir entre modelos probabil´ ısticos a partir de la comparaci´n de estos con mediciones. y en este caso est´ definida como la negaci´n de la hip´tesis nula. Digamos o a que queremos saber si la media que poseemos pertenece a un grupo de 4to grado. tomar como o 35 . al distribuci´n o o ser´.

¿En el caso en que los datos fuesen generados con un valor esperado µ = 55.36 ´ CAP´ ITULO 9. . Calcule el n´mero de mediciones n necesarias para que la regla fijada arbitrariamente u tuviese una significaci´n del 5 % o . es decir. 1. de forma que la hip´tesis alternativa es cierta. 9.2. es fundamental conocer la forma de la distribuci´n o estad´ ıdistica del par´metro observado.5. x2 5) de n = 25 mediciiones con distribuci´n normal de o 2 = 100. u o Para establecer el criterio de corte. Media y Varianzas desconocidas Sea una muestra x = (x1 . con una desviaci´n est´ndar muestral de σ = 46. Un u o investigador tiene la hip´tesis de que a internet se le dedica menos tiempo. y como alternativa varianza σ o 0 0 que H1 : µ = µ0 . El investigao dor realiza su propia encuesta a 25 individuos. 9. 1). σ0 ). Un investigador fija una regla de rechazo para la hip´tesis nula de forma o arbitraria en x ≥ 52.1. y por tanto dan un criterio de rechazo para esta. se asume que los eventos experimentales con probabilidad de ocurrencia inferior al 5 % son eventos raros.2. Se tiene como hip´tesis nula que H : µ = µ = 50. x2 .7. ¿Qu´ regla de rechazo x ≥ c garantiza una significaci´n del 5 %? e 5. o o el estad´ ıgrafo m´s evidente ser´ la estandarizaci´n de la media observada H = h−µ0 ∼ a ıa o σ N (0. .8 minutos diarios a ver la televisi´n.2. con qu´ probabilidad se cometen errores de tipo o e II? o 4. En ocasiones es conveniente construir un estad´ a ıgrafo. . seg´n la hip´tesis nula. 2. En otras palabras. Supongamos que o a el tiempo que un individuo le dedica a internet es una variable aleatoria con distribuci´n o normal Ti ∼ N (µ0 . o 9. una combinaci´n de nuestros datos experimentales y de los par´metros de su o a distribuci´n que tienen una distribuci´n conocida de antemano. TEST DE HIPOTESIS criterio de rechazo los valores de la variable experimental m´s alejandos del valor esperado a y sobre los cuales se concentra el 5 % de la probabilidad.2. ¿Qu´ probabilidad tiene la regla fijada por el investigador de incurrir en errores de e tipo I? 3. Calcule la probabilidad de recharzar H0 como funci´n del valor esperado real µ (deso conocido normalmente) con que se generan los datos. Ejercicios Internet y TV Seg´n una encuesta los suecos dedican 154. ¿ Existe evidencia para la hip´tesis del investigador? Use el criterio o del 5 % para la significaci´n del test. En el ejemplo anterior. y halla que esa muestra dedica un tiempo promedio T = 128. .

2.5. Halle el punto de corte en w para rechazar la hip´tesis µ = µ0 con una significaci´n o o del 5 %. Usando una significaci´n del 5 % diga si es posible rechazar la hip´tesis nula en los casos siguientes o 1.3. diga si es posible afirmar que esta es mayor que c0 = 299000Km/s con una significaci´n o de 5 %. 2. 2. 9.2. diga si la raz´n entre la densidad de la tierra y del agua o es menor que 5.2. El test del signo El test del signo (no param´trico) para la mediana se define a trav´s del estad´ e e ıgrafo w= i Sign(xi − µ) 1. o . 9. calcule c´mo depende la regi´n o o o de rechazo de la hip´tesis nula con el tama˜o de la muestra. Halle la densidad de probabilidad porrespondiente a este estad´ ıgrafo. EJERCICIOS 37 9. Varianza Conocida Para el test de hip´tesis de la media con σ0 conocida.6.4.5 con un nivel de significaci´n del 5 %. 9.2. Cavendish Usando la data de Cavendish.9.2. Se miden 75 bolsitas o hallando P = 248g y σ = 5. 9.2. Producto de la tienda Una bolsa de papitas fritas dice tener 250g (gramos) de contenido. Michelson Usando la data de Michelson en su famoso experimento para medir la velocidad de la luz. H0 : σ ≥ 7 contra H1 : σ < 7.7. H0 : µ ≥ 250 contra H1 : µ ≤ 250. Comp´relos con los intervalos o n a de confianza para el estimador de la media.

TEST DE HIPOTESIS .38 ´ CAP´ ITULO 9.

Un persona de esta poblaci´n se realiza el test y le da positivo. 10.3.5. Test para la dist. ¿Con qu´ probabilidad una persona cuyo test da negativo est´ infectada? ¿Hay criterio e a para rechazar H1 ? 10. Exponencial Se tienen dos teor´ sobre cierto n´cleo at´mico raro. ¿ Con qu´ probabilidad o e est´ realmente infectada? ¿ Es un criterio fuerte el resultado del examen para rechazar a H0 ? 2. La prevalencia del VIH en cierta poblaci´n es del P (H1 ) = 3 % o 1.Cap´ ıtulo 10 Comparaci´n de Hip´tesis con o o MLR y MAP 10. de forma a n que P (T est + |H0 ) = 3 %. Se desea usar el conjunto de mediciones de 39 .4. donde por H0 estamos tomando la hip´tesis de que el paciente es sano. La primera predice un tiempo de ıas u o vida medio t1 = 1/b1 y la segunda t2 = 1/b2 . y por H1 que o est´ nefermo. 10. Test del VIH La prueba cl´ ınica para la detecci´n del VIH en las personas es muy precisa. El test tiene una peque˜a probabilidad de fallo en personas sanas.1. Teor´ ıa Ejercicios Significaci´n de MLR o f (x|θ0 ) f (x|θ1 )<k Compruebe que MLR con criterio de corte L = tiene nivel de significaci´n o α = P0 (L < k) 10.2. El test arroja o un resultado positivo siempre que se le aplica a una persona enferam P (T est+|H1 ) = 100 %.

.b (α) tiene significaci´n α o . Halle el estimador de m´xima verosimilitud par ala distribuci´n exponencial. t2 . demuestre que o el criterio de rechazo Y ≤ γn. Demuestre que el MLR es L = ( b1 )2 e−(b1 −b2 )Y b2 4. . tn ) para discernir entre estas teor´ ıas H0 : P1 (t) = b1 e−b1 t H1 : P2 (t) = b2 e−b2 t 1. Si definimos γn. a o 2.b (α) el percentil de orden α de la distribuci´n Gamma. . COMPARACION DE HIPOTESIS CON MLR Y MAP tiempos de vida t = (t1 . Demuestre que Y = ti ∼ Gam(n.40 ´ ´ CAP´ ITULO 10. 1/b) 3. .

Demuestre que la densidad o de probabilidad de la distancia del origen del terremoto al lugar de la represa es f (r) = 1 2r 2 (r − D 2 )− 2 L a) Si la energ´ que el terremoto disipa E se reparte superficialmente. . o o b) Calcule usando la misma el valor medio de la variable aleatoria z = x1 + x2 . . calcule la ıa densidad de probabilidad de sentir un terremoto de energ´ ε en la posici´n de ıa o la represa. XK ) que define el n´mero de personas Xi que desciende u en cada piso i-´simo. . Aleatoria Se piensa construir una represa en un punto del rio Colorado que dista una distancia D del punto medio de una falla tect´nica de longitud 2L. EXPONENCIAL 41 Examen intrasemestral de Probabilidades y Estad´ ıstica 2008 Bayes En una caja hay dos monedas. ¿Cu´l es la probabilidad de que la moneda a sacada fuese la normal? ¿Cu´l es la probabilidad de obtener cara o escudo en el 4to a lanzamiento? Combinatoria Se suben N personas en un elevador de un edificio de k pisos. Se saca una moneda al azar de la caja y se lanza 3 veces.5. una de las cuales es normal y la otra tiene un escudo por ambas caras. una vez que han bajado 2 personas. a V. obteni´ndose en e las 3 ocasiones un escudo como resultado. donde ambas xi distribuyen seg´n f (x). el problema de distribuir las restantes es an´logo al original. TEST PARA LA DIST. Estudiamos la variable aleatoria X = (X1 . X2 . Momentos Considere la distribuci´n de probabilidades siguiente o f (x) = 2x 0 si 0 < x < 1 en otro caso a) Halle la funci´n generadora de momentos de esta distribuci´n.10. e a) ¿Cu´ntos valores posibles puede tomar esta variable? a b) ¿En cuantos de estos casos se han bajado 2 personas en el 1er piso? Sugerencia: En el inciso b. . u .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->