You are on page 1of 42

Probabilidad y Estad´ıstica - 2006 - IMERL - FING 1

1 Problemas de conteo
Ejercicio 1.1
En cierta ciudad las matr´ıculas de los autos se forman con 2 vocales diferentes seguidas de 5
d´ıgitos todos diferentes. Determinar la cantidad de matr´ıculas que pueden hacerse y determinar
cu´antas de ellas comienzan con A y terminan con 89.
Ejercicio 1.2
Entre 3 ingenieros, 5 economistas y 4 arquitectos deben seleccionarse 4 para formar una comisi´on.
1. Calcular cu´antas comisiones diferentes podr´ıan formarse.
2. Calcular cu´antas de esas comisiones estar´ıan integradas por un ingeniero, dos economistas
y un arquitecto.
3. Calcular en cu´antas comisiones habr´ıa por lo menos dos arquitectos.
Ejercicio 1.3
En una f´abrica los productos se codifican con 3 letras distintas que indican 3 operaciones que
sufren cada uno de los productos y 3 cifras distintas y en ese orden: primero las letras y despu´es
los n´ umeros. Las letras utilizadas son A, B, C y D.
1. ¿Cu´antos productos pueden codificarse?
2. ¿Cu´antos c´odigos empiezan con A y terminan con 9?
3. ¿En cu´antos los n´ umeros 0 y 2 aparecen juntos y en ese orden?
4. ¿En cu´antos los n´ umeros 0 y 2 aparecen juntos?
5. ¿En cu´antos productos aparecen dos n´ umeros pares juntos y el otro es impar?
Ejercicio 1.4
Una caja fuerte se abre mediante una cierta clave de 5 d´ıgitos (pueden ser repetidos). Ud. es lo
suficientemente audaz como para intentar abrirla, y lo hace probando n´ umeros al azar. ¿Cu´antas
claves posibles hay? ¿Cu´antas claves posibles hay si se usan s´olo los d´ıgitos de 1 a 6 en vez de
usar los 10?
Ejercicio 1.5
Se juega a un juego del tipo 5 de Oro: hay que acertar 5 n´ umeros, elegidos dentro de 36 posibili-
dades.
1. ¿Cu´antas jugadas posibles hay?
2. Si se eligen 5 n´ umeros a priori, ¿cu´antas jugadas posibles hay que contengan exactamente
uno de los n´ umeros elegidos?
3. Si se eligen 5 n´ umeros a priori, ¿cu´antas jugadas posibles hay que contengan por lo menos
2 de los n´ umeros elegidos?
Ejercicio 1.6 *
Usted va a la panader´ıa a comprar una docena de bizcochos. En la panader´ıa s´olo quedan
croissants, margaritas y galletas en cantidades suficientes.
1. ¿Cu´antas elecciones distintas puede hacer?
2. Usted llega a la facultad con α croissants, β margaritas y γ galletas (α +β +γ = 12) y los
reparte entre usted y 11 amigos. ¿Cu´antos repartos puede hacer? (Calcular en funci´on de
α, β y γ). ¿Cu´anto deben valer α, β y γ para que dicha cantidad sea m´axima? (Sugerencia:
ver como var´ıa dicha cantidad al variar en una unidad alguno de los par´ametros)
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 2
2 Propiedades de la Probabilidad
Ejercicio 2.1
Sean A, B y C sucesos. Expresar mediante operaciones con conjuntos los sucesos que corresponden
a:
1. Ocurren A y B.
2. Ocurren los tres sucesos.
3. Ocurre A u ocurre B.
4. Ocurre por lo menos uno de los tres sucesos.
5. Ocurre A u ocurre B pero no los dos simult´aneamente.
6. No ocurre B.
7. No ocurre ni A ni B.
8. No ocurre ninguno de los tres sucesos.
9. Ocurre A y no ocurre B.
10. Ocurre exactamente uno de los tres sucesos.
11. Ocurren por lo menos dos de los tres sucesos.
Ejercicio 2.2
Se consideran dos sucesos A y B tales que P(A) = 1/3 y P(B) = 1/2. Determinar el valor de
P
_
A
C
∩ B
_
en los siguientes casos:
1. A y B incompatibles (mutuamente excluyentes).
2. A ⊂ B.
3. P(A∩ B) = 1/8.
Ejercicio 2.3
Se consideran los sucesos A y B con: P(A) = 0.375, P(B) = 0.5, P(A∩ B) = 0.25. Calcular:
1. P
_
A
C
_
y P
_
B
C
_
.
2. P(A∪ B).
3. P
_
A
C
∩ B
C
_
.
4. P
_
A
C
∩ B
_
y P
_
A∩ B
C
_
.
Ejercicio 2.4
Sea P una medida de probabilidad en Ω. Demostrar que:
1. Si A y B son sucesos tales que A ⊂ B entonces:
P(B \ A) = P(B) −P(A)
Deducir que P(A) ≤ P(B).
2. Probar que P(A∪ B) max{P(A) , P(B)} y que P(A∩ B) min{P(A) , P(B)}
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 3
3. * Si A, B y C son sucesos entonces se cumple que:
P(A∪ B ∪ C) = P(A)+P(B)+P(C)−P(A∩ B)−P(A∩ C)−P(B ∩ C)+P(A∩ B ∩ C)
4. * Si A
1
, . . . , A
n
son sucesos probar que:
P
_
n
_
i=1
A
i
_
=

1in
P(A
i
) −

1i<jn
P(A
i
∩ A
j
) +. . . + (−1)
n−1
P(A
1
∩ . . . ∩ A
n
)
Ejercicio 2.5
PSfrag replacements
I
II
III
IV
Y Z
Un sistema de canalizaci´on de agua tiene 4 compuertas, dispuestas como en la figura. Cada
compuerta se abre y cierra al azar, dejando pasa agua (si est´a abierta) o impidi´endolo. Suponga-
mos las probabilidades siguientes:
P(I abierta) = P(II abierta) = P(IV abierta) = 0.55, P(III abierta) = 0.36.
P(I cerrada, II abierta) = P(I abierta, IV cerrada) = P(I cerrada, III abierta) = 0.2.
P(II abierta, IV abierta) = 0.35, P(III abierta, IV cerrada) = 0.26.
P(II abierta, III abierta) = 0
P(I o II o IV abierta) = 0.85, P(I o III o IV abierta) = 0.87.
Calcular la probabilidad de que un torrente de agua lanzado en el punto Y llegue a Z. Se sugiere
utilizar el ejercicio anterior.
Ejercicio 2.6
Sea P una medida de probabilidad en Ω.
1. Mostrar que si A y B son sucesos entonces:
P(A∪ B) ≤ P(A) +P(B)
2. * Deducir que si A
1
, A
2
, . . . , A
m
son sucesos entonces:
P
_
m
_
n=1
A
n
_

m

n=1
P(A
n
)
3. ** Demostrar que si {A
n
}
n∈N
es una colecci´on de sucesos se cumplen:
P
_

_
n=1
A
n
_
= lim
N
P
_
N
_
n=1
A
n
_
P
_

n=1
A
n
_
= lim
N
P
_
N

n=1
A
n
_
Sugerencia: aplicar el teorema de continuidad de la probabilidad.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 4
4. ** Deducir que si {A
n
}
n∈N
es una colecci´on de sucesos entonces:
P
_

_
n=1
A
n
_

n=1
P(A
n
)
5. ** Deducir por ´ ultimo que si P(A
n
) = 0, ∀n ∈ N entonces P
_

n=1
A
n
_
= 0.
Ejercicio 2.7 **
Si Ω es un conjunto arbitrario no vac´ıo, una colecci´on A de subconjuntos de Ω se dice una σ−
´ algebra en Ω si:
• Ω ∈ A.
• A ∈ A ⇒ A
c
∈ A.
• {A
n
}
n∈N
⊂ A ⇒

n∈N
A
n
∈ A.
Si en lugar de esta ´ ultima propiedad se verifica en cambio la propiedad m´as d´ebil de que si
A, B ∈ A ⇒ A∪ B ∈ A se dice que A es un ´ algebra (de Boole) en Ω.
Se define una probabilidad como una funci´on P(:) A → [0, 1] tal que
• P(Ω) = 1
• ∀(A
n
)
n∈N
⊂ A sucesi´on de sucesos incompatibles (A
i
∩ A
j
= ∅, i = j) la serie

n=1
P(A
n
)
converge a P
_

_
n=1
A
n
_
Sean Ω cualquiera Ω = ∅, A σ-´algebra en Ω y P : A → [0, 1] tales que
• P(Ω) = 1
• ∀ A y B ∈ A incompatibles (esto es A∩ B = ∅) vale P(A∪ B) = P(A) +P(B).
• ∀(A
n
)
n∈N
⊂ A creciente (A
n
⊂ A
n+1
∀n ∈ N) vale P
_

_
n=1
A
n
_
= lim
n
P(A
n
).
Probar que P es una probabilidad.
Ejercicio 2.8 **
1. Demuestre que cualquiera sea Ω, las familias A
1
= {∅, Ω} y A
2
= P (Ω) = {A : A ⊂ Ω} son
σ−´algebras en Ω y cualquier otra σ−´algebra A cumple que A
1
⊂ A ⊂ A
2
.
2. Sea Ω = R y A = {A ⊂ R : A o A
c
numerable}. Mostrar que A es una σ−´algebra pero
[0, 1] / ∈ A.
3. Sea Ω = R y A = {A ⊂ R : A o A
c
finito}. Mostrar que A es una ´algebra pero no una
σ−´algebra en Ω.
4. Mostrar que si {A
α
}
α∈I
es una familia de σ−´algebras ⇒ A =

α∈I
A
α
es tambi´en una σ−
´algebra en Ω.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 5
5. Sea E una colecci´on arbitraria de subconjuntos de Ω. Utilice lo anterior para demostrar que
existe una σ−´algebra que denominaremos σ (E) (σ−´algebra generada por E) con la siguiente
propiedad: si E ⊂ A y A σ−´algebra en Ω entonces σ (E) ⊂ A (σ (E) es la σ−´algebra m´as
peque˜ na que contiene los conjuntos de E).
6. Si Ω = {1, 2, 3, 4, 5, 6} y E = {{0} , {0, 1}}, hallar σ (E).
7. Si Ω = R y E = {A ⊂ R : A o A
c
finito} , hallar σ (E). Haga lo mismo para E = {{x} : x ∈ R}.
8. Si Ω = R y
E
1
= {(a, b] : a < b}
E
2
= {[a, b] : a < b}
E
3
= {(a, b) : a < b}
E
4
= {(a, b) : a < b, a ∈ Q, b ∈ Q}
E
5
= {(−∞, b] : b ∈ R}
E
6
= {A ⊂ R : A abierto}
Demuestre que:
σ (E
1
) = σ (E
2
) = σ (E
3
) = σ (E
4
) = σ (E
5
) = σ (E
6
)
def
= B
Dicha σ−´algebra B se denomina σ− ´ algebra de Borel y a sus elementos borelianos.
Sugerencia: probar que E
i
⊂ σ (E
j
) ∀i, j y deducir que σ (E
i
) ⊂ σ (E
j
). Para trabajar
con E
6
puede usarse el resultado de que si A es abierto en R entonces existen intervalos
{(a
n
, b
n
)}
n∈N
tales que A =

n∈N
(a
n
, b
n
).
3 C´alculo de probabilidades
Ejercicio 3.1
Determinar el espacio muestral asociado a cada uno de los siguientes experimentos aleatorios, y
en el caso que sea finito, indicar su cardinal.
1
1. Lanzar al aire una moneda tres veces
2. Extraer dos fichas sucesivamente y sin reposici´on de una bolsa que contiene fichas numeradas
con los d´ıgitos pares.
3. Lanzar una moneda finalizando el experimento si sale n´ umero; si sale cara, tirar adem´as un
dado.
4. Seleccionar al azar dos alumnos de una clase de 30.
5. Valor de la tasa de inflaci´on para este a˜ no.
Ejercicio 3.2
1. Se juega a un juego del tipo 5 de Oro: hay que acertar 5 n´ umeros, elegidos dentro de 36
posibilidades.
(a) ¿Cu´al es la probabilidad de ganar?
(b) ¿Cu´al es la probabilidad de acertar en al menos 3 n´ umeros (es decir, acertar exacta-
mente 3, exactamente 4, o exactamente 5 n´ umeros)?
1
El cardinal de un conjunto finito es su cantidad de elementos, y se denota por card (A), #A o |A|.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 6
(c) Construir un espacio muestral para este experimento.
(d) Y si en lugar de 36, se elige sobre 20 n´ umeros, ¿cu´anto dan las probabilidades anterio-
res?
2. Se juega a la baraja con 40 cartas, 10 de cada palo. Si uno toma 3 cartas, ¿cu´al es la
probabilidad de elegirlas todas del mismo palo?
Ejercicio 3.3 *
Este ejercicio pretende formalizar el concepto de equiprobabilidad. Sea Ω un conjunto finito y
p : Ω →R una funci´on tal que:
• p (ω) 0 ∀ω ∈ Ω


ω∈Ω
p (ω) = 1
Demuestre entonces que:
1. La funci´on P : P (Ω) →R definida como:
P(A) =

ω∈A
p (ω) ∀A ⊂ Ω
es una probabilidad en (Ω, P (Ω)).
2. Si se supone adem´as p (ω) = p
0
> 0 constante ∀ω ∈ Ω entonces en ese caso p
0
=
1
|Ω|
y por
lo tanto la funci´on anterior se convierte en:
P(A) =
|A|
|Ω|
que es la interpretaci´on cl´asica de equiprobabilidad como casos favorables sobre casos posi-
bles.
Ejercicio 3.4
Si a un ´omnibus con n asientos suben i personas con i n (o sea que no debe ser un ´omnibus
montevideano, claramente).
1. ¿De cu´antas maneras posibles pueden elegirse los asientos en los que se sentar´a la gente?
2. ¿De cu´antas maneras distintas puede disponerse la gente en el ´omnibus?
3. Asumamos ahora que la gente se dispone al azar y que cada disposici´on particular tiene la
misma probabilidad (equiprobabilidad). Supongamos que n = 4m y que el ´omnibus tiene
un pasillo en el medio; y que a cada costado del pasillo hay m filas de 2 asientos. Para darle
un toque rom´antico, suponga ahora que sube al ´omnibus Keanu Reeves o Angelina Jolie
(seg´ un la opci´on de cada uno), ¿qu´e probabilidad tiene Ud. de quedar sentado al lado del
personaje en cuesti´on?
Ejercicio 3.5
1. Calcular la probabilidad de obtener una suma de puntos menor que 18 al tirar 3 dados.
2. * Se elige un grupo de n personas al azar. Descartando los a˜ nos bisiestos y suponiendo por
lo tanto a˜ nos de 365 d´ıas, ¿cu´al es la probabilidad de que al menos dos personas cumplan
el mismo dia? ¿Cu´anto tiene que ser n para que dicha probabilidad supere a 0.5?
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 7
Ejercicio 3.6
Si un dado est´a cargado de modo tal que P({i}) = αi, ∀i = 1, 2, . . . , 6.
1. Determinar el valor de α
2. ¿Cu´al es la probabilidad de sacar 5?
3. ¿Cu´al es la probabilidad de sacar par?
Ejercicio 3.7 *
Un secretario o secretaria vuelve a su oficina el 31 de diciembre luego de haber despedido el a˜ no
en el Mercado del Puerto. Su ´ unico trabajo consiste en enviar n cartas. Antes de la despedida ya
hab´ıa escrito el nombre del destinatario en cada una de las n cartas y cada uno de los n sobres
dispuestos para el env´ıo, de modo que lo ´ unico que debe hacer es acertar cada carta en el sobre
que le corresponde. Obviamente coloca las cartas en los sobres de manera totalmente aleatoria
(puede suponerse equiprobabilidad).
1. Calcular la probabilidad p
n
de que al menos una carta vaya a parar al sobre que le toca.
2. Calcular lim
n
p
n
Sugerencia: Considere la siguiente generalizaci´on de la f´ormula de la probabilidad de la uni´on:
P
_
n
_
i=1
A
i
_
=

1≤i≤n
P(A
i
) −

1≤i<j≤n
P(A
i
∩ A
j
) +. . . + (−1)
n−1
P(A
1
∩ . . . ∩ A
n
)
4 Variables aleatorias y funciones de distribuci´ on
Ejercicio 4.1
Sea X una variable aleatoria (v.a.) que toma los valores {−2, −1, 1, 1.5, 5} con probabilidades
1
6
,
1
6
,
1
6
,
1
4
y
1
4
respectivamente. Graficar su funci´on de distribuci´on.
Ejercicio 4.2
Se consideran las funciones F : R →R tales que:
1.
F(x) =
_
¸
¸
_
¸
¸
_
βe
x
si x < 0
β si x = 0
1/4 si 0 < x < 1
α
x
1+x
si 1 x
Hallar α y β para que F sea una funci´on de distribuci´on.
2.
F(x) =
_
_
_
α +e
x
si x −1
βx +γ si −1 < x 1
δ +εx si 1 < x
Hallar α, β, γ, δ, ε para que F sea una funci´on de distribuci´on.
Ejercicio 4.3
Se considera las funci´on de distribuci´on F
X
: R →R de la variable aleatoria X. Probar que:
1. P(X = a) = F
X
(a) − lim
x→a

F
X
(x)
2. P(a < X b) = F
X
(b) −F
X
(a)
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 8
3. P(a X b) = F
X
(b) − lim
x→a

F
X
(x)
4. P(a < X < b) = lim
x→b

F
X
(x) −F
X
(a)
5. P(a X < b) = lim
x→b

F
X
(x) − lim
x→a

F
X
(x)
6. P(X > a) = 1 −F
X
(a)
7. P(X a) = 1 − lim
x→a

F
X
(x)
Ejercicio 4.4
De las gr´aficas de la figura, indicar cu´ales son funci´on de distribuci´on (f.d.) y cu´ales no lo son.
1 1
1
1 1
1
1/2
1. 2. 3.
4. 5. 6.
Ejercicio 4.5
Se considera una variable aleatoria X cuya funci´on de distribuci´on es:
1. F
X
(x) =
_
¸
¸
_
¸
¸
_
0 si x < −3
1/4 si −3 x < 1
3/4 si 1 x < 2
1 si 2 x
Calcular:
(a) P(−3 X 1)
(b) P(−3 < X 1)
(c) P(−3 X < 1)
(d) P(−3 < X < 1)
(e) P(−2 < X < 2)
(f) P(−1 < X < 0)
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 9
2. F
X
(x) =
_
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
_
0 si x < 0
1/4 si 0 x < 1
1/3 si 1 x < 2
x/6 si 2 x < 4
x/8x + 1/4 si 4 x < 6
1 si 6 x
Calcular:
(a) P(1 X 5)
(b) P(2 < X 4)
(c) P(0 < X < 1)
(d) P(4 X < 6)
Ejercicio 4.6
De un grupo de 16 estudiantes de los cuales 5 estudian econom´ıa, 4 contador y 7 administraci´on
se eligen 3 al azar para formar una comisi´on.
1. Hallar la probabilidad de que los 3 sean economistas.
2. Hallar la probabilidad de que al menos 2 sean economistas.
3. Sea X la variable aleatoria que cuenta la cantidad de contadores que integran la comisi´on.
Hallar y graficar la funci´on de distribuci´on F
X
.
Ejercicio 4.7
Se presentan para un cargo de gerente 5 personas de las cuales 3 son contadores. Luego de
estudiar los correspondientes antecedentes, se determina que los m´eritos son similares y por lo
tanto la elecci´on se har´a teniendo en cuenta solamente el car´acter de contador. El jefe de personal
comienza a llamar al azar a los 5 involucrados. Si la primer persona cumple el requisito lo elige,
de lo contrario llama al siguiente. De esa manera procede hasta conseguir el candidato contador.
Sea X la variable aleatoria que cuenta la cantidad de entrevistas efectuadas.
1. Hallar y graficar la funci´on de distribuci´on F
X
.
2. Hallar la probabilidad que se efect´ uen al menos 2 entrevistas.
Ejercicio 4.8
Dada una v.a. X se dice que θ es una mediana de X si P(X θ)
1
2
y P(X θ)
1
2
.
1. Mostrar que si F
X
es estrictamente creciente y continua existe una ´ unica mediana.
2. Mostrar que siempre existe al menos una mediana, pero dar un ejemplo en que haya infinitas.
3. Sea X = θ + ε, siendo ε una v.a. con distribuci´on estrictamente creciente, continua y
sim´etrica respecto al 0. (ε ∼ −ε). Mostrar que θ es la ´ unica mediana de X.
Ejercicio 4.9 **
Una funci´on X : Ω → R se dice variable aleatoria (v.a.) respecto a la σ-´algebra A en Ω si
{X t} ∈ A ∀t ∈ R.
Dado B ⊂ R, sea X
−1
(B)
def
={ω ∈ Ω : X (ω) ∈ B}, que tambi´en escribiremos [X ∈ B].
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 10
1. Probar que X es una v.a. respecto de A si y s´olo si ∀B boreliano [X ∈ B] ∈ A.
Sugerencia: observar que
_
X
−1
(A∪ B) = X
−1
(A) ∪ X
−1
(B)
X
−1
_
A
C
_
=
_
X
−1
(A)
_
C
Deducir que ζ = {C ⊂ R : X
−1
(C) ∈ A} es una σ-´algebra en R.
Mostrar que (−∞, t] ⊂ ξ ∀t y usar las caracterizaciones de σ- ´algebra de Borel del pr´actico
2 (Propiedades de la probabilidad).
2. Sea f : R →R continua. Mostrar que es una v.a. respecto de B.
Sugerencia: ζ = {C ⊂ R : f
−1
(C) ∈ B} es una σ-´algebra, ζ contiene a los abiertos y usar
Pr´actico 1, ejercicio opcional 2) h), teniendo presente que si f es continua ∀U abierto de R,
f
−1
(U) tambi´en es abierto.
Deducir que si f : R →R continua y X : Ω →R v.a. respecto de A, entonces f(X) : Ω →R
v.a. respecto de A.
3. Si X
n
: Ω → R v.a. respecto de A, entonces: A =
_
ω : sup
n
X
n
(ω) = +∞
_
y B =
_
ω : inf
n
X
n
(ω) = −∞
_
∈ A
Se dir´a que Y : Ω →R = R∪{+∞} es una v.a. respecto de A, si [Y ∈ B] ∈ A ∀B boreliano
de R y si {Y = +∞}, {Y = −∞} ∈ A.
Con esta convenci´on mostrar que sup
n
X
n
, inf
n
X
n
, lim
n
X
n
, son v.a. respecto de A
5 Distribuciones Discretas
Ejercicio 5.1
La distribuci´on introducida en este ejercicio se denomina distribuci´ on binomial.
1. Se considera el natural n ≥ 1, 0 < p < 1 y el conjunto A = {0, 1, ..., n}. Probar que la
funci´on p : A → R tal que p (k) = C
n
k
p
k
(1 −p)
n−k
con k ∈ A define una probabilidad en
A. Sugerencia: utilizar el binomio de Newton.
2. La probabilidad de que una cierta clase de componente pase con ´exito una determinada
prueba de impacto es 3/4. Hallar la probabilidad de que exactamente 2 de los siguientes 4
componentes que se prueban pasen la prueba.
3. La probabilidad de que un paciente se recupere de una rara enfermedad de la sangre es 0.4.
Si se sabe que 15 personas han contra´ıdo esta enfermedad, ¿cu´al es la probabilidad de que:
(a) sobrevivan exactamente 5 personas.
(b) al menos 10 sobrevivan.
(c) sobrevivan entre 3 y 8 personas.
4. El sistema electr´onico de direcci´on de un cohete funciona correctamente con una probabili-
dad p cuando se pone a funcionar. Se quiere instalar n sistemas de respaldo independientes,
pero id´enticas, en el cohete de modo que la probabilidad de que al menos un sistema trabaje
en forma correcta no sea menor que 0.99. Hallar la cantidad n de sistemas electr´onicos de
direcci´on que se necesitan para satisfacer los requerimientos si p = 0.9 y si p = 0.8.
Ejercicio 5.2
La distribuci´on introducida en este ejercicio se denomina distribuci´ on hipergeom´etrica.
1. Se consideran los n´ umeros naturales N, D y n tales que n < D < N y N − D > n. Sea
tambi´en A = {0, 1, . . . , n}.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 11
(a) Probar que
n

k=0
C
N−D
n−k
C
D
k
= C
N
n
Sugerencia: observe que (1 +x)
N
= (1 +x)
N−D
(1 +x)
D
y utilice el desarrollo de
Newton para hallar el coeficiente de x
n
a ambos lados de la igualdad.
(b) Probar que la funci´on p : A → R tal que p (k) =
C
N−D
n−k
C
D
k
C
N
n
con k ∈ A define una
probabilidad en A.
2. Una empresa quiere comprar cajas que contienen 40 herramientas cada una. El procedi-
miento de control de calidad de cada caja consiste en tomar una muestra de 5 herramientas
al azar de dicha caja y rechazarla si se encuentra una herramienta defectuosa. Si la caja a
inspeccionar tiene 3 defectuosas, ¿cu´al es la probabilidad de rechazar la caja?
3. Ahora de un lote de 10 herramientas se seleccionan 4 al azar. Si el lote contiene 3 herra-
mientas con defectos de fabricaci´on, calcular la probabilidad de que:
(a) las 4 funcionen.
(b) al menos 2 no funcionen.
(c) s´olo una funciona.
(d) por lo menos una funciona.
Ejercicio 5.3
Graficar la funci´on de distribuci´on y la funci´on de probabilidad de una variable aleatoria con
distribuci´on Bin (6, 0.25).
Ejercicio 5.4
Diremos que θ es una moda de la variable aleatoria discreta X si y s´olo si se cumple que:
P(X = θ) = p
X
(θ) ≥ p
X
(x) = P(X = x) ∀x ∈ R
X
Sea X ∼ Bin (n, p)
1. Probar que:
p
X
(k)
p
X
(k −1)
= 1 +
(n + 1) p −k
(1 −p) k
k = 1, . . . , n
2. Calcular la(s) moda(s) de X discutiendo seg´ un p.
Sugerencia: estudiar el cociente de la parte anterior y compararlo con 1.
Ejercicio 5.5
En los siguientes ejercicios se asume que los fen´omenos se comportan seg´ un la distribuci´ on de
Poisson, dada por:
X ∼ P (λ) ⇔ p
X
(k) = e
−λ
λ
k
k!
k = 0, 1, . . .
1. El n´ umero promedio de part´ıculas radiactivas que pasan a trav´es de un contador durante un
milisegundo en un experimento de laboratorio es 4. ¿Cu´al es la probabilidad de que entren
6 part´ıculas al contador en un milisegundo determinado?
2. Se sabe que 10 es el n´ umero promedio de camiones-tanque de aceite que llegan por d´ıa a
una cierta ciudad portuaria. Las instalaciones del puerto pueden atender cuando mucho a
15 camiones-tanque en un d´ıa. ¿Cu´al es la probabilidad de que en un determinado d´ıa se
tengan que regresar algunos de los camiones-tanque?
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 12
3. Se certifica la calidad de discos de computadora pas´andolos por un certificador que cuenta
el n´ umero de sectores defectuosos. Una determinada marca de discos tiene un promedio de
0.1 sectores defectuosos por disco. Calcular la probabilidad de que::
(a) un disco que se inspeccione no tenga sectores defectuosos.
(b) un disco que se inspeccione tenga m´as de un sector defectuoso.
(c) dos discos que se inspeccionen no tengan sectores defectuosos.
Ejercicio 5.6
Se considera 0 < p < 1 y R
X
= {1, 2, 3, . . .} los enteros positivos.
1. Probar que p
X
: R
X
→ [0, 1] dada por p
X
(k) = (1 −p)
k−1
p es una funci´on de probabilidad.
Si una variable aleatoria discreta X tiene por funci´on de probabilidad p
X
como antes se
dice que X tiene distribuci´ on Geom´etrica de par´ametro p y se denota X ∼ Geo (p).
2. Consideramos un experimento aleatorio donde nos interesa estudiar la ocurrencia o no de
un suceso A con probabilidad p (0 < p < 1). Cada vez que ocurre A diremos que hay ´exito
y cada vez que ocurre A
c
diremos que hay fracaso. Repetimos el experimento en forma
independiente (es decir lo que ocurre en una repetici´on no influye en las otras) hasta obtener
´exito (ocurre A). Sea X una variable aleatoria que cuenta la cantidad de repeticiones.
Calcular P(X = n) con n ∈ N (la probabilidad de tener que realizar n repeticiones para
obtener un ´exito) y deducir que X ∼ Geo (p).
3. Usted va a jugar a la ruleta y tiene la obsesi´on de jugarle al 18. Tan obsesivo es, que si no
gana sigue y sigue jugando. Puede suponerse que el casino es serio y que todos los resultados
son igualmente probables, siendo los resultados de distintas tiradas independientes. Expe-
riencias previas indican que tras nueve jugadas sucesivas sin que salga el 18, Ud. comienza
a ponerse francamente hist´erico y que si sigue perdiendo hasta la jugada 12 (inclusive), Ud.
se vuelve un tanto violento e intenta destruir la banca, la ruleta, las fichas y todo lo que se
le cruce en el camino. ¿Cu´al es la probabilidad de llegar a ponerse hist´erico sin terminar la
velada en la comisar´ıa m´as cercana?
Sugerencia: no se olvide del 0.
4. El tablero de un conmutador telef´onico es de muy poca capacidad en cuanto al tiempo de
ocupado se refiere, de tal forma que las personas no pueden encontrar una l´ınea desocupada
para sus llamadas.
Puede ser de inter´es saber el n´ umero de intentos necesarios que se requieren para tener una
l´ınea disponible. Suponga que p = 0.05 es la probabilidad de tener l´ınea durante la mayor
congesti´on de llamadas. Se tiene el inter´es particular de saber la probabilidad de que sean
necesarios 5 intentos para lograr una comunicaci´on.
Ejercicio 5.7
Sea X el n´ umero de experiencias independientes que hay que realizar para observar por k-´esima
vez (k ≥ 1) el suceso A, con P(A) = p.
1. Hallar la distribuci´on de X. Esta distribuci´on se llama Binomial Negativa de par´ametros k
y p y se escribe X ∼ BN(k, p)
2. En una poblaci´on con 100000 personas donde 1800 son portadores de una enfermedad, se
realiza un muestreo con reposici´on donde se puede suponer equiprobabilidad. ¿Cu´al es la
probabilidad de obtener una muestra con 4 enfermos sin tener que seleccionar m´as de 8
personas?
3. Hallar la probabilidad de que una persona que lanza al aire tres monedas obtenga ya sea
s´olo caras o s´olo cruces por segunda ocasi´on en el quinto lanzamiento.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 13
4. Si X
1
, X
2
, . . . X
k
iid ∼ Geo (p), hallar la distribuci´on de X = X
1
+X
2
+. . . +X
k
.
Ejercicio 5.8 Primer parcial, 9 mayo de 1998
Se sabe que en una poblaci´on muy numerosa (pr´acticamente puede pensarse infinita), un 2%
de la poblaci´on es portadora de un cierto tipo de quistes. Dentro de los portadores de quistes
(conjunto que tambi´en es muy numeroso) un 30% presenta los quistes s´olo en los pulmones, un
60% s´olo en el h´ıgado y un 10% en ambos ´organos.
1. Si se eligen 10 individuos al azar dentro de toda la poblaci´on y X es el n´ umero de personas
afectadas de quistes de cualquier tipo, ¿cu´al es la probabilidad de elegir al menos dos
personas afectadas de quistes?
2. Si se eligen 10 personas al azar dentro de los portadores de quistes e Y es el n´ umero
de individuos con quistes hep´aticos (que tiene quistes s´olo en el h´ıgado o en el h´ıgado y
pulmones), ¿cu´al es la cantidad de portadores de quistes hep´aticos m´as probable? (o sea,
¿cu´al es el valor m´as probable para Y ?)
3. Si se elige al azar una cantidad Z de individuos de manera que en dicha muestra haya
exactamente 10 portadores de quistes (es decir, el Z-´esimo individuo seleccionado es el
d´ecimo portador que se encuentra) y sea W la cantidad de portadores de quistes hep´aticos
dentro de los Z individuos, ¿cu´al es la probabilidad de que Z = 11 y W = 4?
6 Distribuciones Continuas y Absolutamente Continuas
Ejercicio 6.1
Sea X una variable aleatoria real continua y a < b reales.
1. Demostrar que:
P(a < X b) = P(a X b) = P(a < X < b) = F
X
(b) −F
X
(a)
2. Si adem´as X es absolutamente continua con densidad f
X
deducir que:
P(a < X b) = P(a X b) = P(a < X < b) =
_
b
a
f
X
(x) dx
Ejercicio 6.2
¿Cu´ales de las gr´aficas de la figura corresponden a una densidad y cu´ales no?
PSfrag replacements
1
1
1
2
10
10
1. 2.
3.
4.
Ejercicio 6.3
Se considera la variable aleatoria X absolutamente continua con densidad:
f
X
(x) =
_
_
_
0 si x < 0
bx si x ∈ (0, 1]
ae
−x
si x > 1
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 14
Hallar a y b sabiendo que P(X ∈ [0, 2]) = 2P(X ∈ [2, 4]).
Ejercicio 6.4
Se consideran las siguientes funciones reales:
f
1
(x) =
_
c
1

x si x ∈ (0, 1)
0 si x / ∈ (0, 1)
f
2
(x) =
_
¸
¸
_
¸
¸
_
0 si x < 1
c
2
x
2
si x ∈ [1, 2]
c
2
x si x ∈ (2, 3)
0 si x ≥ 3
1. En cada caso, hallar c
i
para que f
i
sea una densidad.
2. Se considera ahora una variable aleatoria X con densidad f
i
(con el c
i
hallado).
(a) Calcular P(0.3 < X < 0.6), P(X > 2) y P
_
1
2
< X <
3
2
_
.
(b) Hallar la funci´on de distribuci´on de F
X
para cada densidad y graficar.
Ejercicio 6.5
En pruebas de medici´on de distancia de frenado de autom´oviles, los veh´ıculos que viajan a deter-
minada velocidad tienden a recorrer distancias de frenado que est´an distribuidas uniformemente
entre dos puntos a y b. Calcular la probabilidad de que uno de estos autom´oviles:
1. se detenga m´as cerca de a que de b.
2. se detenga de tal modo que la distancia a a sea por lo menos 3 veces mayor que la distancia
a b.
Ejercicio 6.6
Suponga que la concentraci´on de cierto contaminante se encuentra distribuida uniformemente en
el intervalo de 4 a 20 ppm (partes por mill´on). Si se considera t´oxica una concentraci´on de 15
ppm o m´as, ¿cu´al es la probabilidad de que al tomar una muestra la concentraci´on sea t´oxica?
Ejercicio 6.7
1. En la densidad normal est´andar, encuentre el ´area bajo la curva que est´a:
(a) a la derecha de z = 1.84.
(b) entre z = −1.97 y z = 0.86.
2. Si Z ∼ N (0, 1), encuentre los valores de k de tal forma que:
(a) P(Z > k) = 0.3015
(b) P(k < Z < −0.18) = 0.4197
3. En una distribuci´on normal con µ = 40 y σ = 6, encuentre el valor de x que tiene:
(a) 45% del ´area a la izquierda.
(b) 14% del ´area a la derecha.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 15
Ejercicio 6.8
En un proceso industrial el di´ametro de un balero es parte importante de un componente. El
comprador establece en sus especificaciones que el di´ametro debe ser 3.0 ± 0.01 cm. Por lo
tanto, no se acepta ning´ un balero que se salga de esa especificaci´on. Se sabe que en el proceso
de producci´on, el di´ametro de un balero tiene una distribuci´on normal con media µ = 3.0 cm
y desviaci´on est´andar σ = 0.005 cm. En promedio, ¿qu´e porcentaje de baleros fabricados se
descartar´an?
Ejercicio 6.9
Una cierta m´aquina produce resistencias el´ectricas que tienen un valor medio de 40Ω y una
desviaci´on est´andar de 2Ω. Suponga que los valores de las resistencias siguen una distribuci´on
normal.
1. ¿Qu´e porcentaje de las resistencias tendr´an un valor que exceda de 43Ω?
2. Si al medir el valor de las resistencias, el medidor redondea la medida al valor entero m´as
cercano (en Ω), ¿qu´e porcentaje de las resistencias ser´a considerada como mayores de 43Ω?
Ejercicio 6.10
Considere la siguiente funci´on f : R →R:
f (x) =
_
0 si x < 0
λe
−λx
si x ≥ 0
λ > 0
1. Demuestre que f es una funci´on de densidad para cualquier valor de λ > 0. Si una variable
aleatoria X absolutamente continua tiene una densidad de esta forma se dice que X tiene
distribuci´ on exponencial de par´ametro λ (X ∼ exp(λ)).
2. Si X ∼ exp (λ) hallar y graficar la funci´on de distribuci´on F
X
.
3. Sea X una variable aleatoria que mide el tiempo de vida (en a˜ nos) de un cierto aparato
electr´onico. El fabricante desea garantizar que la duraci´on de estos aparatos supera los x
0
a˜ nos con una probabilidad de 0.90. Si se sabe que X ∼ exp (0.01), determinar x
0
. Halle
tambi´en la menor cantidad de a˜ nos enteros que cumple con la condici´on.
4. Un sistema contiene cierto tipo de componente cuyo tiempo de vida en a˜ nos est´a dado por la
variable aleatoria T ∼ exp
_
1
8
_
. Si 5 de estos componentes se instalan en diferentes sistemas,
¿cu´al es la probabilidad de que al menos 2 contin´ uen funcionando despu´es de 8 a˜ nos?
Ejercicio 6.11 Gumbel: una distribuci´on max-estable
1. (a) Probar que la funci´on f : R →R tal que
f (x) =
1
β
exp
_

_
x −α
β
__
exp
_
−exp
_

_
x −α
β
___
es una funci´on de densidad
Diremos que una variable aleatoria X tiene distribuci´ on Gumbel si X es absolu-
tamente continua y la densidad de X es la dada en la parte anterior. Notaci´on:
X ∼ Gumbel (α, β)
(b) Si X ∼ Gumbel (α, β) hallar la funci´on de distribuci´on F
X
(c) Probar que X ∼ Gumbel (α, β) ⇔ Z =
X−α
β
∼ Gumbel (0, 1)
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 16
2. Sea X
1
, X
2
, ..., X
n
, .... una sucesi´on de variables aleatorias independientes e igualmente dis-
tribuidas con distribuci´on exp(1). Para cada n ≥ 1 definimos las variables
M
n
= max {X
1
, X
2
, ..., X
n
}
(a) Hallar la distribuci´on de M
n
(b) Probar
lim
n→+∞
P(M
n
−ln(n) ≤ x) = F
Z
(x)
donde Z ∼ Gumbel (0, 1).
Ejercicio 6.12
Sea U una variable aleatoria tal que U ∼ U [0, 1] y sea F una funci´on de distribuci´on continua y
estrictamente creciente.
1. Hallar la distribuci´on de X = F
−1
(U).
2. Sabiendo que un generador de n´ umeros aleatorios puede modelarse por una variable U (0, 1),
utilice el generador de una calculadora o computadora para construir un valor correspon-
diente a una v.a. X ∼ N (0.8, 4).
3. Si X ∼ N (0.8, 4), calcule P(X 1.3). Repita el experimento anterior 100 veces y calcule
qu´e proporci´on de veces se obtuvo un resultado menor o igual a 1.3. Haga lo mismo 1000
veces y compare con P(X 1.3).
Ejercicio 6.13 Examen, febrero de 2000
El consumo m´aximo de agua potable de una ciudad en un d
´
ia cualquiera es una variable aleatoria
X (en miles de m
3
) con densidad:
f (x) =
_
0 si x ≤ 0
kxe

x
3
si x > 0
1. Determine el valor de k para que f sea una densidad (de ahora en m´as se trabaja con ese
valor).
2. Si la capacidad m´axima de suministro de agua es de 27.000 m
3
, hallar la probabilidad de
que en un d
´
ia determinado no se pueda satisfacer la demanda de agua potable (y por lo
tanto haya corte de suministro).
3. Hallar la probabilidad de que en dos d´ıas cualesquiera de la pr´oxima semana haya corte de
suministro.
4. Hallar la probabilidad de que por lo menos en un d´ıa de la pr´oxima semana haya corte de
suministro.
Ejercicio 6.14 Primer parcial 2001
1. Sea X una variable aleatoria real absolutamente continua con densidad f, siendo f una
funci´on par (es decir, f (x) = f (−x) ∀x ∈ R). Sea F
X
su funci´on de distribuci´on. Probar
que F
X
(−x) = 1 −F
X
(x) ∀x ∈ R.
2. La intensidad relativa de una se˜ nal de sonido se puede modelar como una variable aleatoria
X absolutamente continua con densidad f (x) =
1
2
e
−|x|
∀x ∈ R (conocida como distribuci´on
de Laplace). Se sabe adem´as que una cierta se˜ nal de sonido es claramente perceptible para
el o´ıdo humano medio si la intensidad relativa medida por X est´a entre −2.1 y 2.1 ¿Cu´al
es la probabilidad de que al enviar una se˜ nal, esta no sea percibida claramente por los
destinatarios, suponiendo que los mismos son personas con capacidad auditiva media?
3. Se emiten se˜ nales de sonido en forma independiente hasta que se reciben 2 se˜ nales con
claridad. Hallar la probabilidad de tener que enviar exactamente 5 se˜ nales.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 17
7 Probabilidad Condicional e Independencia
Ejercicio 7.1
Se consideran los sucesos A y B tales que P(A) =
1
4
y P(A∪ B) =
1
3
. Calcular P(B) en los
siguientes casos:
1. Si A y B son independientes
2. Si A y B son disjuntos (o excluyentes)
3. Si A es un subconjunto de B
Ejercicio 7.2
Si A y B son sucesos independientes y B y C tambi´en son sucesos independientes. ¿Puede afir-
marse que A y C son independientes? En caso afirmativo demostrar, si no dar un contraejemplo.
Ejercicio 7.3
Demostrar que A es independiente de A si y s´olo si P(A) = 0 ´o P(A) = 1.
Ejercicio 7.4
Se consideran los eventos A y B tales que
1. P(A) =
1
2
, P(B) =
1
3
y P(A∩ B) =
1
4
. Calcular
(a) P(A|B)
(b) P(B|A)
(c) P
_
A
C
|B
_
(d) P
_
B
C
|A
_
(e) P
_
A
C
|B
C
_
(f) P
_
B
C
|A
C
_
2. P(A) =
3
8
, P(B) =
5
8
y P(A∪ B) =
3
4
. Calcular
(a) P(A|B)
(b) P(B|A)
3. B ⊆ A. Calcular P(A|B)
4. A y B son disjuntos (o excluyentes), esto es A ∩ B = ∅. Calcular P(A|B). ¿Qu´e se puede
decir de la independencia?
Ejercicio 7.5
1. Una caja contiene 12 l´amparas de las cuales 4 son defectuosas. Se toman al azar tres
l´amparas del lote una tras otra. Hallar la probabilidad de que las tres l´amparas no sean
defectuosas.
2. Se consideran ahora tres cajas con l´amparas:
La caja 1 contiene 10 l´amparas de las cuales 4 son defectuosas
La caja 2 contiene 6 l´amparas de las cuales 1 es defectuosa
La caja 3 contiene 8 l´amparas de las cuales 3 son defectuosas
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 18
Escogemos al azar una caja y luego sacamos una l´ampara al azar ¿Cu´al es la probabilidad
de que la l´ampara sea defectuosa?
Ejercicio 7.6
1. Se considera una caja que contiene 6 bolillas rojas, 4 blancas y 5 azules. Se extraen tres
bolillas en forma sucesiva (sin reposici´on). Calcular la probabilidad que la primera sea roja,
la segunda blanca y la tercera azul
2. Se consideran dos cajas con bolas. La caja 1 contiene 3 bolas rojas y 2 azules, la caja 2
contiene 2 bolas rojas y 8 azules. Se lanza una moneda, si se obtiene cara se saca una bola
de la caja 1, y si se obtiene cruz se saca una bola de la caja 2.
(a) Hallar la probabilidad que la bola extra´ıda sea roja.
(b) Si se sabe que la bola extra´ıda es roja, ¿cu´al es la probabilidad que provenga de la caja
1?
Ejercicio 7.7
1. La probabilidad de que el jugador 1 de en el blanco es
1
6
, la probabilidad de que el jugador
2 de en el blanco es
1
4
y la probabilidad de que el jugador 3 de en el blanco es
1
3
. Cada uno
dispara una vez al blanco.
(a) ¿Cu´al es la probabilidad de que el blanco sea alcanzado solamente una vez?
(b) Si s´olo uno da en el blanco, ¿cu´al es la probabilidad que haya sido el jugador 1?
2. La probabilidad de que el jugador 1 de en el blanco es
1
4
y la probabilidad de que el jugador
2 de en el blanco es
1
3
.
(a) Si cada uno dispara dos veces, ¿cu´al es la probabilidad de que el blanco sea alcanzado
por lo menos una vez?
(b) Supongamos ahora que cada uno dispara una vez. Dado que el blanco fue alcanzado
solamente una vez, ¿cu´al es la probabilidad que haya sido el jugador 1?
Ejercicio 7.8
Se ha observado que los hombres y las mujeres reaccionan de una manera diferente en cierta
circunstancia; el 70 % de las mujeres reaccionan positivamente en dicha circunstancia, mientras
que el porcentaje de los hombres es solamente el 40 %. Se someti´o a una prueba a un grupo de
20 personas, 15 mujeres y 5 hombres para descubrir sus reacciones. Una prueba escogida al azar
de las 20 result´o negativa. ¿Cu´al es la probabilidad de que haya sido realizada por un hombre?
Ejercicio 7.9
Este ejercicio consiste en demostrar y aplicar una generalizaci´ on de la F´ ormula de Bayes.
1. Sea B
1
, B
2
, . . . , B
n
una partici´on de Ω (es decir B
1
, B
2
, . . . , B
n
incompatibles y
n

i=1
B
i
= Ω)
y sea A otro suceso cualquiera, probar que
P(B
j
|A) =
P(A|B
j
) P(B
j
)
n

i=1
P(A|B
i
) P(B
i
)
para todo j = 1, . . . , n.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 19
2. En un pa´ıs hay cuatro partidos pol´ıticos que se dividen la opini´on p´ ublica. Se sabe que:
El 35% de la poblaci´on adhiere al partido I
El 31% adhiere al partido II
El 28% adhiere al partido III
El 6% adhiere al partido IV
Entre los adherentes al partido I, un 36% corresponde a personas con ingresos inferiores a
dos salarios m´ınimos
Entre los adherentes al partido II, esa proporci´on es del 52%
Para el partido III, es un 42%
Para el partido IV, 11%
Si se elige una persona al azar y resulta tener ingresos inferiores a dos salarios m´ınimos.
Calcular la probabilidad de que sea un adherente al partido I; al partido II; al partido III y
al partido IV.
3. Tres m´aquinas A, B y C producen respectivamente 50%, 30% y 20% del n´ umero total de
art´ıculos de una f´abrica. Los porcentajes de producci´on de defectuosos de cada m´aquina
son 3%, 4% y 5% respectivamente. Se toma al azar un art´ıculo de la producci´on total. Si el
art´ıculo seleccionado es defectuoso, hallar la probabilidad de que halla sido producido por
la m´aquina A.
Ejercicio 7.10 Primer parcial, mayo de 1999
Supongamos que en un pa´ıs un 40% de los ciudadanos habilitados para votar es adherente al
partido A, un 35% al partido B y un 25% al partido C.
Se realiza de manera simult´anea una elecci´on interna en los tres partidos, pero como no se
requiere acreditar la adhesi´on a cada partido, el voto “extrapartidario” es posible: un votante de
un partido puede, si quiere, participar en la interna de otro partido.
Supongamos que Ud. sabe que:
Entre los adherentes de A, un 10% vot´o en la elecci´on interna de otro partido
Entre los adherentes de B, un 15% vot´o en la interna de A
Entre los adherentes de C, un 5% vot´o en la interna de A
1. ¿Cu´al fue el porcentaje de votos obtenidos por el partido A en las internas?
2. Si se elige al azar una persona dentro de todas las que en las votaron a A,
(a) ¿cu´al es la probabilidad que sea un adherente de B?
(b) ¿y cu´al es la probabilidad que sea un adherente de C?
3. Si 400.000 personas votaron en la interna de A,
(a) ¿en cu´anto estimar´ıa la cantidad de votantes de A que son adherentes de B?
(b) ¿y la cantidad de votantes de A que son adherentes de C?
Ejercicio 7.11 Examen, marzo de 2003
Se admite que entre los jugadores profesionales de ping pong un 5% consume anfetaminas antes
de cada partido. Durante un campeonato se les toma una muestra de orina a todos los jugadores.
La muestra de cada jugador se divide en dos submuestras iguales a las que se les aplica un test
cl´ınico: si el resultado de aplicar el test a las dos submuestras da positivo entonces el jugador es
sancionado; en cualquier otro caso el jugador no es sancionado.
Considere los eventos:
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 20
A
1
= { el resultado de la primera submuestra da positivo }
A
2
= { el resultado de la segunda submuestra da positivo }
B = { el jugador es sancionado}
D = { el jugador consumi´o anfetaminas }
Se asume que los eventos A
1
y A
2
condicionados a los eventos D y a D
c
son independientes,
esto es: P(A
1
∩ A
2
|D) = P(A
1
|D)P(A
2
|D) y P(A
1
∩ A
2
|D
c
) = P(A
1
|D
c
)P(A
2
|D
c
).
Se sabe adem´as que P(A
i
|D) = 0.90 y P(A
i
|D
c
) = 0.02 para i = 1, 2.
1. Calcule P(D|A
1
), esto es, la probabilidad de que un jugador haya consumido anfetaminas
dado que el resultado de la primera submuestra es positivo.
2. Calcule P(B), esto es, la probabilidad de que un jugador sea sancionado. ¿Son A
1
y A
2
eventos independientes?
3. Calcule P(D|B), esto es, la probabilidad de que un jugador sancionado haya consumido
anfetaminas.
Ejercicio 7.12 Examen, febrero 2004
De una caja que contiene 3 bolas rojas y 2 azules se extrae una bola al azar y se la coloca en una
segunda caja que contiene 4 bolas azules y 2 rojas. A continuaci´on se extrae una bola al azar
de la segunda caja.
1. ¿Cu´al es la probabilidad de que se extraiga la misma bola que se extrajo de la primera caja?
2. ¿Cu´al es la probabilidad de que la bola extra´ıda de la segunda caja sea roja?
3. Si la bola extra´ıda de la segunda caja es roja, ¿cu´al es la probabilidad de que sea la misma
bola que se extrajo de la primera caja?
8 Distribuci´ on conjunta. Variables independientes.
Ejercicio 8.1 Distribuciones “marginales”
Sea F
XY
la distribuci´on conjunta de las variables aleatorias X e Y . Probar que lim
y→+∞
F
XY
(x, y) =
F
X
(x) y que lim
x→+∞
F
XY
(x, y) = F
Y
(y)
Ejercicio 8.2
1. Sean X e Y dos variables aleatorias cuya distribuci´on conjunta es
F
XY
(x, y) =
_
¸
¸
_
¸
¸
_
1 si x ≥ 1, y ≥ 1
y si y ∈ [0, 1) , x ≥ y
x si x ∈ [0, 1) , y ≥ x
0 en los otros casos
Hallar la distribuciones marginales F
X
y F
Y
.
2. Sean X e Y dos variables aleatorias cuya distribuci´on conjunta es
F
XY
(x, y) =
_
¸
¸
¸
¸
_
¸
¸
¸
¸
_
1 si x ≥ 1, y ≥ 1
y si x ≥ 1, y ∈ [0, 1)
x si x ∈ [0, 1) , y ≥ 1
xy si x ∈ [0, 1) , y ∈ [0, 1)
0 en los otros casos
Hallar la distribuci´on (marginal) F
X
y la distribuci´on (marginal) F
Y
.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 21
3. Si X e Y son variables aleatorias, ¿las distribuciones marginales F
X
y F
Y
determinan la
distribuci´on conjunta F
XY
? ¿En qu´e caso F
X
y F
Y
determinan la distribuci´on conjunta?
Ejercicio 8.3
Se considera la siguiente funci´on p
XY
: R
2
→R
p
XY
(x, y) =
_
k (2x +y) si x ∈ {0, 1, 2, 3} , y ∈ R
Y
= {1, 2, 3}
0 en los otros casos
1. Hallar k para que p
XY
sea funci´on de probabilidad puntual conjunta.
2. Sean X e Y variables aleatorias discretas con R
X
= {0, 1, 2, 3} y R
Y
= {1, 2, 3}, cuya
funci´on de probabilidad puntual conjunta es p
XY
. Hallar las funciones de probabilidad
puntuales (marginales) p
X
y p
Y
.
3. ¿X e Y son independientes? Justifique la respuesta.
4. Calcular P(1 ≤ X < 3, 2 < Y ≤ 3) y P(X +Y < 3).
Ejercicio 8.4
Se considera la siguiente funci´on f
XY
: R
2
→R
f
XY
(x, y) =
_
kxy si x ∈ (0, 4) y ∈ (1, 5)
0 en los otros casos
1. Hallar k para que f
XY
sea la funci´on de densidad conjunta de dos variables aleatorias X,
Y absolutamente continuas.
2. Hallar las densidades (marginales) f
X
y f
Y
.
3. Hallar la distribuci´on conjunta F
XY
y la distribuciones (marginales) F
X
y F
Y
.
4. ¿X e Y son independientes? Justifique la respuesta.
5. Calcular P(X ≥ 3, Y ≤ 2) y P(X +Y > 4).
Ejercicio 8.5
Sean X
1
, X
2
, . . . , X
n
iid con distribuci´on F.
1. Calcular la funci´on de distribuci´on de X

n
= max{X
1
, X
2
, . . . , X
n
}.
2. Calcular la funci´on de distribuci´on de X

1
= min{X
1
, X
2
, . . . , X
n
}.
Ejercicio 8.6 Gumbel: una distribuci´on max-estable
1. (a) Probar que la funci´on f : R →R tal que
f (x) =
1
β
exp
_

_
x −α
β
__
exp
_
−exp
_

_
x −α
β
___
es una funci´on de densidad.
Diremos que una variable aleatoria X tiene distribuci´ on Gumbel si X es absolu-
tamente continua y la densidad de X es la dada en la parte anterior. Notaci´on:
X ∼ Gumbel (α, β).
(b) Si X ∼ Gumbel (α, β) hallar la funci´on de distribuci´on F
X
.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 22
(c) Probar que X ∼ Gumbel (α, β) ⇔ Z =
X−α
β
∼ Gumbel (0, 1).
2. Sea X
1
, X
2
, ..., X
n
, .... una sucesi´on de variables aleatorias independientes e igualmente dis-
tribuidas con distribuci´on exp(1). Para cada n ≥ 1 definimos las variables
M
n
= max {X
1
, X
2
, ..., X
n
}
(a) Hallar la distribuci´on de M
n
.
(b) Probar
lim
n→+∞
P(M
n
−log(n) ≤ x) = F
Z
(x) donde Z ∼ Gumbel (0, 1)
Ejercicio 8.7
Hallar la distribuci´on F
Y
y la densidad f
Y
de la variable aleatoria
1. Y = log(X) donde X es una variable aleatoria con densidad f
X
(x) =
_
1
x
2
x ∈ (1, +∞)
0 en los otros casos
2. Y = X
2
donde X es una variable aleatoria con densidad
f
X
(x) =
_
2xe
−x
2
x ∈ (0, +∞)
0 en los otros casos
3. Y = 3X + 1 donde X ∼ U [0, 1]
Ejercicio 8.8
Sean X, Y v.a. independientes tales que X ∼ Bin(n, p), Y ∼ Bin(m, p). Hallar la funci´on de
distribuci´on de X +Y .
Ejercicio 8.9
1. Sean X, Y v.a. independientes tales que X ∼ P(λ
1
), Y ∼ P(λ
2
). Hallar la funci´on de
distribuci´on de X +Y .
2. En las mismas condiciones que en 1. calcular P(X = k|X +Y = n) ∀k = 0, . . . , n.
3. Se tienen dos centrales digitales A y B. El n´ umero de llamadas que llegan en 15 minutos a
las centrales se puede modelar con dos variables aleatorias independientes, X para la central
A e Y para la central B tales que X ∼ P(λ
1
), Y ∼ P(λ
2
). Supongamos adem´as que en 15
minutos
La probabilidad de que no llegue ninguna llamada a A es dos veces la probabilidad de que
no llegue ninguna llamada a B
La probabilidad de que llegue exactamente una llamada a A y la probabilidad de que llegue
exactamente una llamada a B son iguales
Se sabe que en en 15 minutos llegaron 10 llamadas (entre A y B). ¿Cu´al es la probabilidad
de qu´e A haya recibido m´as llamadas que B?
Ejercicio 8.10
Sean X, Y v.a. independientes tales que X, Y ∼ U[0, 1]. Hallar la funci´on de distribuci´on de
X +Y y de XY .
Ejercicio 8.11
Sean X e Y variables aleatorias independientes tales que X ∼ exp(1) e Y ∼ exp(1). Se consideran
las variables aleatorias Z = X +Y y W =
X
Y
.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 23
1. Probar que P(X > 0, Y > 0) = 1 y probar que la densidad conjunta f
XY
es
f
XY
(x, y) =
_
e
−(x+y)
si x > 0 y > 0
0 en los otros casos
2. Se consideran los conjuntos A =
_
(x, y) ∈ IR
2
: x > 0, y > 0
_
y B
zw
=
_
(x, y) ∈ /R
2
: x +y ≤ z,
x
y
≤ w
_
con z > 0 e w > 0. Dibujar A∩ B
zw
.
3. Probar que la distribuci´on conjunta F
ZW
es F
ZW
(z, w) =
_ _
w
1+w
_
(1 −e
−z
−ze
−z
) si z > 0 w > 0
0 en los otros casos
Sugerencia: considerar A∩ B
zw
.
4. Probar que Z y W son independientes, y deducir las distribuciones de Z y de W
Ejercicio 8.12 **
Sean X
1
, X
2
, X
3
, X
4
iid ∼ U[0, 1].
1. Halle la densidad conjunta f(x
1
, x
2
, x
3
, x
4
) del vector (X
1
, X
2
, X
3
, X
4
).
2. Integre en una regi´on adecuada la densidad anterior para hallar la probabilidad del suceso
A = {X
1
< X
3
< X
2
< X
4
}. Interprete el resultado.
3. Se sortean ahora cuatro puntos A, B, C, D de una circunferencia de longitud 1 de forma
independiente y con distribuci´on uniforme. Calcule la probabilidad de que las cuerdas AB
y CD se corten. Sugerencia: descomponga el suceso en sucesos de la forma vista en la parte
anterior.
9 Esperanza, Covarianza y Varianza
Ejercicio 9.1
Al invertir en la bolsa de valores, una persona puede lograr una ganancia de 4000 d´olares en un
a˜ no con una probabilidad de 0.3 o bien tener una p´erdida de 1000 d´olares con probabilidad 0.7.
¿Cu´al ser´ıa la ganancia esperada de esta persona?
Ejercicio 9.2
Un comerciante de joyas antiguas est´a interesado en comprar un collar de oro para el cual las
probabilidades de venderlo ganando 250 d´olares, 100 d´olares, nada o perdiendo 100 d´olares, son
respectivamente, 0.22, 0.36, 0.28, 0.14 . ¿Cu´al es la ganancia esperada del comerciante?
Ejercicio 9.3
La funci´on de probabilidad de una variable aleatoria discreta X est´a dada por:
p
X
(x) = KC
3
x
_
1
4
_
x
_
3
4
_
3−x
con x = 1, 2, 3.
Hallar K y la esperanza de X.
Ejercicio 9.4
La funci´on de densidad de la variable aleatoria X que mide los di´ametros de paso de los hilos de
la rosca de una pieza est´a dada por: f(x) =
_
_
_
4
π (1 −x
2
)
0 en cualquier otro caso
1. ¿Cu´al es el valor esperado de X?
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 24
2. Si ahora definimos una variable aleatoria Y tal que Y = 3X + 1, ¿cu´al es el valor esperado
de Y ?
Ejercicio 9.5
Una variable aleatoria continua X tiene densidad dada por: f(x) =
_
e
−x
si x > 0
0 en cualquier otro caso
Obtenga el valor esperado de g (X) = e
2X
3
.
Ejercicio 9.6
Sea U ∼ U[0, 1]. Hallar la funci´on de distribuci´on de la variable aleatoria X =
1

U
, su densidad
y su esperanza. Verificar que la esperanza coincide con el valor hallado mediante la f´ormula
E(g(U)) =
_
g(t)f
U
(t)dt.
Ejercicio 9.7
Consideremos dos juegos de azar.
1. Se eligen 5 n´ umeros entre 1 y 20 y se sortea mediante bolilleros 5 n´ umeros entre 1 y 20
(suponemos equiprobabilidad). Si salen los 5 n´ umeros elegidos por nosotros (aunque sea en
otro orden), ganamos 20 veces lo apostado; si salen 4 de los 5, ganamos 4 veces lo apostado;
si salen 3 de los 5, ganamos el doble de lo apostado, y en cualquier otro caso perdemos lo
apostado. (Atenci´on: cuando decimos ‘ganar’ nos referimos a cu´anto se nos paga, y no a la
ganancia neta. En realidad, la ganancia neta se obtiene luego de restar lo apostado, por ej.:
si acertamos los 5 n´ umeros, la ganancia neta es 19 veces lo apostado.)
2. Se eligen 5 cartas de un mazo de 32, si las 5 son del mismo color y en escalera (supongamos
las cartas numeradas del 1 al 8; las escaleras son cuatro: 1 a 5, 2 a 6, 3 a 7, 4 a 8) ganamos
8 veces lo apostado, si obtenemos 5 cartas del mismo color pero no en escalera, ganamos 2
veces lo apostado; si obtenemos cartas en escalera pero no del mismo color, recuperamos lo
apostado; en cualquier otro caso se pierde lo apostado. (Vale la misma precisi´on que en el
juego anterior respecto de la ganancia y tambi´en suponemos equiprobabilidad.)
Queremos jugar una vez por semana uno de estos juegos, con las siguientes reglas:
Jugaremos siempre una suma fija S,
Jugaremos siempre el mismo juego,
Las distintas jugadas son totalmente independientes, no hay influencia de una jugada en la
otra
Jugaremos por un tiempo indefinido, muy largo.
¿Cu´al de los juegos elegir´ıa ud.? Al cabo de 1000 semanas, ¿cu´anto estimar´ıa usted que es
la ganancia neta que se obtendr´ıa jugando siempre al primer juego? ¿Y al segundo?.
Ejercicio 9.8
Si a ud. le dicen que el 12% de la poblaci´on est´a desempleada, el 48% tiene un solo empleo, el
35% tiene dos empleos y el 5% tiene tres, y por otra parte en una muestra tomada al azar, de
manera independiente, de 1400 personas resulta que el promedio de empleos por persona es 2.04.
¿Usted qu´e dir´ıa? ¿Le parece que alg´ un dato puede estar mal, o no? Si alg´ un dato puede estar
mal, ¿de cu´ales sospechar´ıa? ¿Qu´e tipos de errores podr´ıa contener la informaci´on? Si adem´as,
entre esas 1400 personas hay 312 desempleados, ¿qu´e responder´ıa a las preguntas anteriores?
Ejercicio 9.9
Calcular la esperanza y la varianza de las siguientes distribuciones:
1. U{1, ..., n} (uniforme discreta)
2. U[a, b] (uniforme continua)
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 25
3. P(λ) (Poisson)
4. exp(λ) (exponencial)
5. Geo(p) (geom´etrica)
Ejercicio 9.10
Calcular esperanza y varianza de la distribuci´on BN(k, p) (binomial negativa).
Sugerencia: Utilizar que si X
1
, . . . , X
k
iid ∼ Geo(p) entonces X
1
+· · · +X
k
∼ BN(k, p).
Ejercicio 9.11
Calcular esperanza y varianza de la distribuci´on H(n; N; D) (hipergeom´etrica).
Ejercicio 9.12
En este ejercicio se demostrar´an la Desigualdad de Markov y la Desigualdad de Tchebycheff.
1. Demostrar la Desigualdad de Markov. Sean g : R →R
+
, X v.a. real y a > 0, entonces
P(g(X) a)
E(g (X))
a
.
Sugerencia: g(X) a1
{g(X)a}
.
2. Demostrar la Desigualdad de Tchebycheff. Si X v.a. real tal que E
_
X
2
_
< ∞, entonces
P(|X −E(X)| ε)
Var (X)
ε
2
∀ε > 0.
3. La producci´on diaria de motores el´ectricos en una f´abrica es (en promedio) µ = 120 con una
desviaci´on est´andar de σ = 10. Hallar un intervalo que contenga por lo menos el 90% de la
cantidad diaria de motores producidos.
4. El costo diario por conectarse a un servidor de internet tiene una media µ = 13U$ con una
desviaci´on est´andar de σ = 6.4U$. Acotar la probabilidad de que el costo sea mayor que 30
U$.
5. Una empresa de electr´onica se encarga de suministrar tarjetas de impresoras a una f´abrica
de montaje de microcomputadoras.
Se estudi´o la demanda mensual de tarjetas durante algunos meses y se vio que el promedio
era µ = 280 con una desviaci´on est´andar de σ = 4.
¿Cu´al es el stock de tarjetas que debe tener la empresa de electr´onica al principio de cada
mes para que la demanda sea mayor que la oferta cuando mucho con una probabilidad de
0.10?
Ejercicio 9.13 Primer parcial, Mayo de 1999
Se ponen a funcionar en un mismo momento (que tomamos como tiempo 0) dos lamparitas de
dos marcas distintas, A y B, que se dejan prendidas hasta que se rompan. Llamemos X al tiempo
de duraci´on de la lamparita A e Y al tiempo de duraci´on de la lamparita B. Admitamos que X
e Y son independientes, que X sigue una distribuci´on exponencial de par´ametro λ
1
> 0 y que Y
sigue una distribuci´on exponencial de par´ametro λ
2
> 0.
Llamemos S al tiempo en que ocurre la primera rotura de alguna de las dos lamparitas y T
al tiempo en que se rompe la restante lamparita.
1. Calcular las funciones de distribuci´on de S y T.
2. Calcular E(S), E(T).
3. Calcular E(ST). ¿Son S y T independientes? Justifique la respuesta.
4. Calcular P(S = T).
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 26
10 Ley Fuerte de los Grandes N´ umeros
Ejercicio 10.1
Se afirma que el 12% de la poblaci´on est´a desempleada, el 48% tiene un solo empleo, el 35% tiene
dos empleos y el 5% tiene tres, y por otra parte en una muestra tomada al azar y de manera
independiente, de 1400 personas resulta que el promedio de empleos es 2,04. ¿Qu´e opina de la
afirmaci´on anterior? Si adem´as en esas 1400 personas hay 312 desempleados, ¿qu´e puede afirmar?
Ejercicio 10.2
Este ejercicio describe el m´etodo de Montecarlo para el c´alculo de integrales.
1. Sean (U
i
)
i∈N
∼ U[a, b] iid y f ∈ R[a, b] (f es integrable Riemann en [a, b]), mostrar que:
1
n
n

i=1
f (U
i
)
c.s.
−→
n
1
b −a
b
_
a
f (x) dx.
2. Mediante la generaci´on de 100 n´ umeros aleatorios, obtenga una estimaci´on de
1
_
0
e

x
2
2


dx.
Comparar el resultado obtenido con el provisto por las tablas de la distribuci´on N(0, 1).
3. Sea D una regi´on arbitraria de [0, 1] × [0, 1] y sean U
1
, U
2
, . . . , U
n
variables aleatorias
independientes e id´enticamente distribuidas con distribuci´on U ([0, 1] ×[0, 1]), es decir que
se cumple que P(U ∈ A) = ´area(A∩ [0, 1] ×[0, 1]).
Si a
n
=
#{i : 1 i n y U
i
∈ D}
n
probar que a
n
c.s.
−→
n
´area(D).
Ejercicio 10.3
Sean (X
i
)
i∈N
variables independientes e id´enticamente distribuidas. Suponga que E(X
1
) = 0 y
sea Y
i
=
X
i
+X
i+1
2
.
Demostrar que Y
n
c.s.
−→
n
0, aunque Y
n
, Y
n+1
pueden ser dependientes para todo n.
Ejercicio 10.4
Demostrar que si X
n
c.s.
−→
n
a y g : R →R continua entonces g(X
n
)
c.s.
−→
n
g(a).
Ejercicio 10.5
Sea {X
n
: n ∈ N} una sucesi´on de v.a. iid con E(X
1
) = a > 0. Probar que entonces
n

i=1
X
i
c.s.
−→
n
+∞
11 Estimaci´ on Puntual
Consistencia de un estimador
Sean {X
n
}
n∈N
iid con distribuci´on F
θ
donde θ es un par´ametro. Se considera la familia {T
n
(X
1
, . . . , X
n
)}
n∈N
donde T
n
es una funci´on de los n datos (que cumple ciertas hip´otesis). T
n
(X
1
, . . . , X
n
) se llama
un estimador de θ. Un estimador se dice consistente si T
n
(X
1
, . . . , X
n
)
c.s.
−→
n
θ.
Ejercicio 11.1
Sean (X
n
)
n∈N
iid tales que E(X
1
) = µ y Var (X
1
) = σ
2
< ∞ (σ > 0).
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 27
1. Demostrar que X
n
es un estimador consistente de µ, esto es que X
n
c.s.
−→
n
µ.
2. Demostrar que si σ
2
n
=
1
n
n

i=1
_
X
i
−X
n
_
2
y s
2
n
=
1
n −1
n

i=1
_
X
i
−X
n
_
2
entonces
σ
2
n
c.s.
−→
n
σ
2
s
2
n
c.s.
−→
n
σ
2
σ
n
c.s.
−→
n
σ s
n
c.s.
−→
n
σ
Sugerencia:
1
n
n

i=1
_
X
i
−X
n
_
2
=
1
n
n

i=1
(X
i
)
2

_
X
n
_
2
y usar los siguientes resultados:
Si X
n
c.s.
−→
n
X y g : R →R es continua entonces g (X
n
)
c.s.
−→
n
g (X)
Si X
n
c.s.
−→
n
X e Y
n
c.s.

n
Y y g : R
2
→R es continua entonces g (X
n
, Y
n
)
c.s.
−→
n
g (X, Y )
Ejercicio 11.2
Definimos el coeficiente de correlaci´ on de dos variables aleatorias X e Y tales que Var (X) < ∞,
Var (Y ) < ∞, Var (X) , Var (Y ) > 0 como
ρ =
Cov(X, Y )
_
Var (X)
_
Var (Y )
Sean (X
n
)
n∈N
, (Y
n
)
n∈N
iid, tales que Var (X
n
) = σ
2
(X) < ∞, Var (Y
n
) = σ
2
(Y ) < ∞, σ
2
(X),
σ
2
(Y ) > 0. Sea
ρ
n
=
1
n
n

i=1
_
X
i
−X
n
_ _
Y
i
−Y
n
_
σ
n
(X) σ
n
(Y )
con σ
2
n
(X) =
1
n
n

i=1
_
X
i
−X
n
_
2
y an´alogamente con σ
2
n
(Y ).
Demostrar que ρ
n
c.s.
−→
n
ρ. Sugerencia:
1
n
n

i=1
_
X
i
−X
n
_ _
Y
i
−Y
n
_
=
1
n
n

i=1
X
i
Y
i
−X
n
Y
n
Ejercicio 11.3
Una pieza de una m´aquina se verifica al final de cada hora de producci´on y se cambia por una
nueva en caso de encontrarse rota. El tiempo de vida en horas de la pieza se puede modelar con
una variable aleatoria T con distribuci´on exponencial de par´ametro λ (T ∼ exp(λ)), por lo tanto
el tiempo en horas que transcurre hasta el recambio de la pieza se puede modelar con una variable
aleatoria X = [T] +1, donde [T] es la parte entera de T (esto es, X = n si y s´olo si n−1 ≤ T < n).
1. Hallar la funci´on de probabilidad de la variable aleatoria X y probar que tiene distribuci´on
geom´etrica de par´ametro 1 −e
−λ
(X ∼ Geo(1 −e
−λ
)).
2. A partir de los tiempos en los que se realiza el recambio de las piezas se desea estimar el
par´ametro λ del tiempo de vida de dichas piezas.
(a) Calcular λ en funci´on de µ siendo µ = E(X).
(b) ¿C´omo estimar´ıa µ a partir de las observaciones X
1
, X
2
, . . . , X
n
de los tiempos de
recambio de las piezas?
(c) Construir un estimador consistente para λ en funci´on de las observaciones X
1
, X
2
, . . . , X
n
de los tiempos de recambio de las piezas.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 28
Estimaci´on por m´axima verosimilitud
Sean X
1
, X
2
, . . . X
n
iid ∼ F Encontrar los estimadores de m´axima verosimilitud para los siguientes
par´ametros:
1. p si la distribuci´on es Ber(p)
2. λ si la distribuci´on es P(λ)
3. p si la distribuci´on es Geo(p)
4. µ y σ
2
si la distribuci´on es N(µ, σ
2
)
5. a y b si la distribuci´on es U[a, b].
Sesgo de un estimador
Sean {X
n
: n ∈ N} iid con distribuci´on F
θ
. Se define el sesgo de un estimador de θ, T
n
=
T
n
(X
1
, . . . , X
n
) como E(T
n
−θ). Un estimador T
n
se dice insesgado si su sesgo es cero, es decir
E(T
n
) = 0 ∀ n ∈ N. Decimos que es asint´ oticamente insesgado si E(T
n
−θ) →
n
0.
Ejercicio 11.4
Sean (X
n
)
n∈N
iid tales que E(X
1
) = µ y Var (X
1
) = σ
2
< ∞ (σ > 0).
1. Mostrar que X
n
es insesgado como estimador de µ, que σ
2
n
no es insesgado como estimador
de σ
2
y que s
2
n
es insesgado para σ
2
.
2. Mostrar que σ
n
y s
n
no son insesgados como estimadores de σ.
3. Sea X
1
, . . . , X
n
∼ exp(λ) iid, entonces
1
X
n
es consistente como estimador de λ pero no
insesgado.
Sugerencia: para las dos ´ ultimas partes usar la desigualdad de Jensen
2
.
Ejercicio 11.5
Se considera una muestra X
1
, X
2
, ..., X
n
iid con media E(X) = µ y varianza Var (X) = σ
2
. Se
considera el estimador ´ µ =
n

i=1
a
i
X
i
(una combinaci´on lineal de las observaciones).
1. Hallar la relaci´on que tienen que cumplir los coeficientes a
i
para que ´ µ sea un estimador
insesgado de la media µ.
2. Entre todos los estimadores lineales e insesgados de la media µ hallar el de varianza m´ınima.
Sugerencia: usar la desigualdad de Cauchy-Schwarz para vectores en R
n
.
Ejercicio 11.6
Una forma de evaluar la eficiencia de un estimador es a trav´es del error cuadr´ atico medio, que
se define como ECM(T
n
) = E
_
(T
n
−θ)
2
_
. Demostrar que si el estimador T
n
tiene sesgo a
n
entonces ECM(T
n
) = Var (T
n
) +a
2
n
.
Ejercicio 11.7
Sean X
1
, . . . , X
n
iid ∼ P(λ).
1. Estimar λ por el m´etodo de los momentos. Observar que es insesgado y calcular el error
cuadr´atico medio.
2
Desigualdad de Jensen: si ϕ : R → R es una funci´on con ϕ(x)

0 ∀x, entonces ϕ(E(X)) E(ϕ(X)).
Adem´as el igual se cumple si ϕ(x) es lineal. El enunciado anterior es v´alido m´as en general para cualquier ϕ
convexa
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 29
2. Probar que s
2
n
tambi´en es un estimador insesgado para λ.
3. Encontrar el estimador de m´axima verosimilitud para λ y observar que coincide con el
estimador obtenido por el m´etodo de los momentos.
Ejercicio 11.8
Sean X
1
, . . . , X
n
iid ∼ U[0, θ]. Interesa estimar el valor de θ.
1. Hallar el estimador de θ por el m´etodo de los momentos.
2. Estudiar su sesgo, varianza y error cuadr´atico medio.
3. Demostrar que el estimador de m´axima verosimilitud de θ es X

n
, el m´aximo de los valores
muestrales.
Ejercicio 11.9
Sea X ∼ Gumbel (α, β), es decir que X es absolutamente continua con densidad
f (x) =
1
β
exp
_

_
x −α
β
__
exp
_
−exp
_

_
x −α
β
___
Hallar estimaciones de los par´ametros α y β por el m´etodo de momentos.
Sugerencia: X ∼ Gumbel (α, β) ⇔ Z =
X−α
β
∼ Gumbel (0, 1), con E(Z) = γ donde γ =
0, 5772 es la constante de Euler y Var (Z) = π
2
/6.
Ejercicio 11.10 Examen diciembre de 2003
Para modelar la cantidad X de productos defectuosos que se encuentran en una l´ınea de
producci´on en determinado per´ıodo de tiempo se utiliza un modelo de dos par´ametros llamado
“Poisson con Ceros Forzados” (PCF).
Decimos que la variable X tiene distribuci´on de Poisson con ceros Forzados, y se nota X ∼
PCF(λ, p), si X puede escribirse como X = Y Z con Y , Z independientes tales que:
Y tiene distribuci´on de Poisson de par´ametro λ (Y ∼ P (λ))
Z tiene distribuci´on de Bernoulli de par´ametro p (Z ∼ Ber (p))
El modelo representa que si la producci´on tiene una muy baja tasa de errores, la probabilidad
de que no haya defectuosos es m´as alta que en un modelo de Poisson tradicional.
1. Hallar P(X = k) ∀k ≥ 0.
2. Decimos que X = 0 es un “cero forzado” cuando ocurre Z = 0. Dado que se observa X = 0
hallar la probabilidad de que no sea un “cero forzado” (esto es Z = 1).
3. Hallar E(X), E
_
X
2
_
y Var (X).
4. Dada una muestra X
1
, . . . , X
n
iid ∼ PCF (λ, p), halle estimadores
ˆ
λ y ˆ p de los par´ametros
por el m´etodo de los momentos.
5. Para la siguiente lista de 10 observaciones: 0, 0, 0, 2, 0, 0, 4, 1, 0, 0, estime λ y p por el
m´etodo de los momentos.
Ejercicio 11.11
En este ejercicio hallaremos un estimador consistente para la media de una distribuci´on. Para
hacerlo, se sugiere leer la parte II del cap´ıtulo 8 en el fasc´ıculo 3 de Probabilidad y Estad´ıstica
de Gonzalo Perera.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 30
1. Probar la siguiente afirmaci´on: Si la sucesi´on de sucesos {A
n
: n ∈ N} verifican que


n=1
P(A
n
) < ∞, entonces P
_

m=1

n=m
A
n
_
= 0(lema de Borel-Cantelli).
2. Sea (Y
n
)
n∈N
una sucesi´on de VA reales tales que ∀ε > 0

n=1
P(|Y
n
| > ε) < ∞ ⇒ Y
n
−→
n
0
c.s., es decir, P(lim
n
Y
n
= 0) = P({ω ∈ Ω : lim
n
Y
n
(ω) = 0}) = 1
3. Sean X
1
. . . X
n
VA reales independientes tales que E(X
4
i
) < ∞∀i, E(X
i
) = 0∀i ⇒
(a) E
_
_
_
n

i=1
E(X
4
i
)
_
4
_
_
=
n

i=1
E(X
4
i
) +C
4
2

1≤i=j≤n
E(X
2
i
)E(X
2
j
)
(b) E
_
_
_
n

i=1
E(X
4
i
)
_
4
_
_
≤ 6
_
n

i=1
E(X
4
i
)
_
2
.
4. (LFGN) Sean (X
i
)
i∈N
variables independientes tales que:
(a) E(X
4
i
) ≤ M < ∞∀i ∈ N.
(b) E(X
i
) = µ∀i ∈ N
Se cumple que X
n
−→
n
µ c.s., donde X
n
=
1
n
n

i=1
X
i
Ejercicio 11.12
En este ejercicio hallaremos un estimador consistente para la mediana de una distribuci´on. (Dada
una v.a. X se dice que θ es una mediana de X si P(X θ)
1
2
y P(X θ)
1
2
.)
1. Utilice la desigualdad de Markov para v.a. iid con g(x) = x
4
para demostrar que
P

¸
X
n
¸
¸
> ε
_

1
n
4
ε
4
E
_
_
_
n

i=1
X
i
_
4
_
_
2. Sea X
n
∼ Bin(n, δ) ∀n 1 con δ <
1
2
y a
n
sucesi´on real tal que
a
n
n

n
1
2
. Utilizar la siguiente
desigualdad
E
_
_
_
n

i=1
X
i
_
4
_
_
6
_
n

i=1
_
E(X
4
i
)
_
2
y la descomposici´on de la binomial en suma de Ber(δ) independientes para probar que

n=1
P(X
n
a
n
) < ∞
3. Sean X
1
, . . . , X
n
iid ∼ F y sean X

1
, . . . , X

n
los estad´ısticos de orden (la muestra ordenada
de menor a mayor). Supongamos que la distribuci´on de los datos tiene una mediana ´ unica
θ. Mostrar que si a
n
es una sucesi´on de enteros tal que
a
n
n

n
1
2
, entonces X

a
n
c.s.
−→
n
θ.
Sugerencia: considerar los sucesos {|X

a
n
− θ| > ε}, con ε > 0 arbitrario y probar que
n

i=1
1
{X
i
<t}
∼ Bin(n, F(t)). Usar la parte anterior y el lema de Borel-Cantelli.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 31
4. Deducir que la mediana emp´ırica definida por
m
n
=
_
¸
_
¸
_
X

n+1
2
si n impar
1
2
_
X

n
2
+X

n
2
+1
_
si n par
es un estimador consistente de θ, es decir que m
n
c.s.
−→
n
θ.
Concluir que en el modelo de posici´on X
n
= θ + ε
n
con (ε
n
)
n∈N
variables iid, sim´etricas
respecto de 0 (ε
n
∼ −ε
n
∀n), la mediana emp´ırica es un estimador consistente de la mediana
θ.
5. Simular muestras de tama˜ no 50, 100, 200, y 500 para el modelo de posici´on X
n
= θ + ε
n
,
con ε
n
∼ N(0, 1) para θ a su elecci´on. Comparar la eficiencia de X
n
y m
n
como estimadores
de θ. ¿Cu´al se acerca m´as r´apidamente a θ? ¿Qu´e pasa si en lugar de N(0, 1) toma C(0, 1)?
¿Qu´e resultado espera encontrar al comparar ambos estimadores?
12 Teorema Central del L´ımite
Ejercicio 12.1
1. Sea X ∼ Bin(144, 0.25), calcular P(X 40).
2. Sea X ∼ P(100), calcular P(X > 90).
3. Computadora mediante, simule 100 variables Bin(144, 0.25) y cuente cu´antas veces X 40;
sea A ese n´ umero. Comparar
A
100
con el c´alculo realizado en 1. Usar el Teorema Central
del L´ımite para hallar, a partir de
A
100
un intervalo de confianza aproximado a nivel α para
el verdadero valor de µ = P(X 40). Decidir si el c´alculo de 1. es correcto o no.
Ejercicio 12.2
Los resistores de cierto tipo de tienen resistencias que en promedio son de µ = 200 ohms, con
una desviaci´on est´andar de σ = 10 ohms. Se toman (al azar) 25 de estos resistores y se conectan
(en forma independiente) en un circuito.
1. Calcular la probabilidad (aproximada) de que la resistencia promedio de los 25 resistores
este entre 199 y 202 ohms.
2. Calcular la probabilidad (aproximada) de que la resistencia total de los 25 resistores no sea
mayor que 5100 ohms.
Ejercicio 12.3
Si X
1
, . . . , X
n
iid ∼ exp(5) y n es muy grande, ¿por qu´e distribuci´on puede aproximarse la
distribuci´on de X
n
?
Ejercicio 12.4
1. Si X ∼ BN(k, p), con k muy grande, hallar una aproximaci´on de su distribuci´on. Sugerencia:
Usar la descomposici´on de una BN como suma de geom´etricas.
2. Si X ∼ BN(1600, 0.25), calcular P(X > 6200).
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 32
Ejercicio 12.5
En este ejercicio aplicaremos el Teorema Central del L´ımite al m´etodo de Montecarlo.
Sean D una regi´on de [0, 1]
2
, (U
i
)
i∈N
iid ∼ U([0, 1]
2
) y a
n
=
{i : 1 ≤ i n y U
i
∈ D}
n
. Mostrar
que para n grande
P
_

n|a
n
−´area(D)|
_
´area(D)(1 −´area(D))
z
α
2
_

= α.
Ejercicio 12.6 Primer parcial, mayo de 1999
Supongamos que un bolillero contiene N bolillas que pueden ser rojas, blancas o azules.
Supongamos que hay r bolillas rojas y b blancas (y por lo tanto N−(r+b) azules), con r 1, b 1.
Tomamos una muestra de n bolillas elegidas al azar con reposici´on.
Definimos
X = n´ umero de bolillas rojas observadas en la muestra,
Y = n´ umero de bolillas blancas observadas en la muestra,
Z = n´ umero de bolillas azules observadas en al muestra.
1. Calcular las funciones de probabilidad de X, de Y y de Z (si se reconoce alguna distribuci´on
conocida, tanto mejor para usted).
2. Calcular E(X) , Var (X) , E(Y ) , Var (Y ).
3. Hallar la funci´on de probabilidad de X +Y . Calcular E(X +Y ) , Var (X +Y ).
4. ¿Son X e Y independientes? Justifique la respuesta.
5. Supongamos que N = 2000. Si se repite 2500 veces de manera independiente la experiencia
de muestrear 10 bolillas con reposici´on y se obtiene una cantidad promedio de 3,2 bolillas
rojas y 4,6 bolillas blancas, ¿le parece cre´ıble que en el bolillero haya m´as de 1250 bolillas
azules?
Ejercicio 12.7 Segundo parcial diciembre de 2004
Dados dos n´ umeros, a y λ > 0, decimos que X es una variable Pseudo Exponencial de
par´ametros a y λ (y lo denotamos X ∼ PE(a, λ)) si su funci´on de densidad est´a definida por:
f
X
(x) =
_
0 si x < a
Ce
−λx
si a ≤ x
(1)
donde C es una constante.
1. (a) Calcule C como funci´on de a y λ.
(b) Calcule m
X
, la mediana de la variable X, E(X) y Var(X).
2. Considere una muestra de variables aleatorias X
1
, X
2
, . . . X
n
i.i.d ∼ PE(a, λ). Construya
estimadores consistentes para los par´ametros a y λ.
(a) por el m´etodo de los momentos.
(b) usando promedio emp´ırico X
n
y la mediana emp´ırica es m
n
.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 33
3. Suponga que a = 2 y que las variables aleatorias X
1
, X
2
, . . . X
n
i.i.d. ∼ PE(2, λ) modelan
los tiempos de recambio de componentes en un sistema electr´onico; de manera que el tiempo
en que se realiza el n-´esimo recambio es Y
n
= X
1
+X
2
+. . . X
n
.
Estime el m´aximo valor de λ para que el tiempo de recambio de la pieza n´ umero 144 (esto
es, Y
144
) sea superior a 576 con probabilidad mayor o igual que
1
2
.
Ejercicio 12.8 Examen diciembre de 2004
Considere una variable aleatoria X absolutamente continua con densidad de probabilidad
f
X
(x) =
_
2a
x
2
si 1 ≤ x ≤ b
0 en caso contrario,
donde a >
1
2
y b > 1. (2)
1. Calcule b como funci´on de a.
2. Calcule E(X), Var(X) y m
X
, la mediana de X.
Considere ahora una muestra, X
1
, X
2
, . . . , X
100
, de variables aleatorias i.i.d. con densidad
dada por (2).
3. Construya un estimador consistente para el par´ametro b. Justifique su respuesta.
4. Suponiendo a = 1, estime la probabilidad de que el promedio de la muestra est´e en el
intervalo [1.8 log 2, 2.1 log 2].
13 Estimaci´ on por Intervalos
Ejercicio 13.1
1. Una m´aquina de refrescos est´a ajustada de tal manera que la cantidad de l´ıquido despachada
se distribuye aproximadamente en forma normal con una desviaci´on est´andar igual a 0.15
decilitros. Encontrar un intervalo de confianza al nivel 0.05 para la media de todos los
refrescos que sirve esta m´aquina si una muestra aleatoria de 36 refrescos tiene un contenido
promedio de 2.25 decilitros.
2. ¿Qu´e tan grande tiene que ser la muestra si se desea tener una confianza del 95% de que la
media muestral no difiere en m´as de 0.03 decilitros de la media real µ?
Ejercicio 13.2
Se ha llevado a cabo un experimento para determinar la vida ´ util de un cierto tipo de mecha (en
condiciones extremas). Para esto se tomaron 50 mechas al azar de un stock mayor de mechas,
y se les midi´o el tiempo de vida (en cientos de horas) obteni´endose los como promedio muestral
X
n
= 2.266. Por estudios previos se sabe que el tiempo de vida de las mechas de ese tipo tiene
una distribuci´on N(µ, σ
2
) con σ = 1.935.Determinar un intervalo de confianza para la vida ´ util
promedio µ de las mechas de ese tipo, con un nivel de confianza igual a 0.95.
Ejercicio 13.3
Los contenidos de 7 recipientes similares de ´acido sulf´ urico son 9.8, 10.2, 10.4, 9.8, 10.0, 10.2 y 9.6
litros. Encontrar un intervalo de confianza al nivel 0.05 para la media de todos los recipientes,
suponiendo una distribuci´on aproximadamente normal.
Ejercicio 13.4
Una m´aquina produce piezas met´alicas de forma cil´ındrica. Se toma una muestra de piezas cuyos
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 34
di´ametros son 1.01, 0.97, 1.03, 1.04, 0.99, 0.98, 0.99, 1.01 y 1.03 cent´ımetros. Encontrar un
intervalo de confianza al nivel 0.01 para el di´ametro promedio de piezas de esta m´aquina, si se
supone una distribuci´on aproximadamente normal.
Ejercicio 13.5
Los siguientes son los pesos, en decagramos, de 10 paquetes de semillas de pasto distribuidos por
determinada compa˜ n´ıa: 46.4, 46.1, 45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46.0. Encontrar un
intervalo de confianza al nivel de 0.05 para la varianza de todos los paquetes de semillas de pasto
que distribuy´o esta compan´ıa, suponiendo una poblaci´on normal.
Ejercicio 13.6
Un fabricante de bater´ıas para autom´ovil asegura que sus bater´ıas duran, en promedio, 3 a˜ nos
con una varianza de un a˜ no. Si 5 de estas bater´ıas tienen duraciones de 1.9, 2.4, 3.0, 3.5 y 4.2
a˜ nos, determine un intervalo de confianza al nivel 0.05 para σ
2
e indique si es v´alida la afirmaci´on
del fabricante de que σ
2
= 1. Se supone que la poblaci´on de las duraciones de las bater´ıas se
distribuye aproximadamente en forma normal.
Ejercicio 13.7
1. Al probar 100 barras de acero que fabric´o la compa˜ n´ıa A se encuentra que 12 no cumplieron
con las especificaciones.
(a) Determinar un intervalo de confianza al nivel 5% para la proporci´on verdadera de las
barras de acero que no cumplen las especificaciones.
(b) Si se desea estimar la proporci´on verdadera que no cumple con las especificaciones con
una exactitud de 0.05 y a un nivel de confianza de 0.05. ¿ Cu´antas barras se deben
muestrear
2. (a) Hallar un intervalo de confianza al nivel 2% para la proporci´on de art´ıculos defectuosos
en un proceso de producci´on, si se encontraron 8 art´ıculos defectuosos en una muestra
de tama˜ no 100.
(b) ¿Qu´e tan grande debe ser la muestra para tener una confianza de 98% de que la
proporci´on estimada no difiera m´as de 0.05 de la proporci´on verdadera de defectuosos?
3. Se est´a considerando un nuevo sistema de montaje industrial. El sistema actual tiene una
probabilidad de montaje “perfecto” del 80% . Se realiza una muestra de 40 montajes
experimentales con el nuevo sistema y 34 de ellos son “perfectos”. Hallar un intervalo de
confianza al nivel 5% para la probabilidad de ´exito (montaje “perfecto”) del nuevo sistema.
¿ Se obtienen grandes mejoras con el nuevo sistema?
14 Pruebas de Hip´ otesis
Ejercicio 14.1
Un medicamento para los s´ıntomas de determinada alergia es eficaz en el 50% de los pacientes.
Para determinar si un nuevo medicamento es mejor se les administra el medicamento a 20 personas
afectadas por alergia. Si 15 o m´as personas no presentan s´ıntomas despu´es del tratamiento se
considera que el nuevo medicamento es mejor.
1. Considere el test de hip´otesis con hip´otesis nula p = 0, 5 e hip´otesis alternativa p > 0, 5,
donde p es la probabilidad de que una persona no presente m´as s´ıntomas de alergia luego
del tratamiento, con el criterio de decisi´on anterior.
(a) Calcular la probabilidad α de decidir que el medicamento nuevo es mejor, cuando en
realidad no lo es (error de tipo I).
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 35
(b) Calcular la probabilidad β de quedarse con el medicamento viejo cuando el nuevo es
mejor y es eficaz en el 70% de los casos (error de tipo II, con la hip´otesis alternativa
p = 0, 7).
2. Considere como criterio de decisi´on una regi´on cr´ıtica del tipo R = {X c}, siendo X la
cantidad de personas, dentro de la muestra de 20, para las cuales el tratamiento es eficaz.
(Es decir que si X c se decide que el nuevo medicamento es mejor).
(a) Construya una regi´on cr´ıtica para que α = 0, 01.
(b) Calcular β en este caso.
Ejercicio 14.2
Para probar la hip´otesis nula de que la resistencia media de determinado pl´astico es µ
0
=
10 lb/pulg
2
contra la posibilidad de que sea µ
1
= 10, 3 lb/pulg
2
(hip´otesis alternativa) se rea-
lizaron las siguientes mediciones:
9.8, 10.4, 10.6, 9.6, 9.7, 9.9, 10.9, 11.1, 9.6, 9.9, 11.2, 10.6, 9.8, 10.5, 10.1, 9.7,
de la resistencia de este pl´astico. Las mediciones son independientes, con distribuci´on normal con
σ = 0, 6.
1. Se decide seg´ un el siguiente criterio: si el promedio de las mediciones es menor que 10,15
consideramos que la resistencia es 10, y de lo contrario consideramos que la resistencia es
10,3. ¿Qu´e decisi´on tomar´ıa para los datos anteriores? Calcular α y β.
2. Se usa la siguiente regi´on cr´ıtica para testear al nivel α: R
α
=
_

n(X
n
−µ
0)
σ
z
α
_
.
(a) Decidir si se puede rechazar la hip´otesis nula para los siguientes niveles α
1
= 0, 01,
α
2
= 0, 05 y α
3
= 0, 1.
(b) Calcular β en cada caso. Observar que a medida que crece α, decrece β.
La regi´on cr´ıtica utilizada en esta parte corresponde a un test sobre la media para datos
normales.
Ejercicio 14.3
Una compa˜ n´ıa produce un tipo de tubos fluorescentes cuya duraci´on promedio est´a distribuida
en forma normal con una media µ = 1600horas y una desviaci´on est´andar de σ = 120 horas.
Al tomar una muestra de 100 tubos fluorescentes producidos por la compa˜ n´ıa, se obtuvo una
duraci´on muestral promedio X
100
= 1570 horas.
1. Testear la hip´otesis nula µ = 1600 horas contra la hip´otesis alternativa µ = 1600 horas con
un nivel de significaci´on α = 0, 01, usando la siguiente regi´on cr´ıtica para testear al nivel α:
R
α
=

¸
¸
¸

n(X
n
−µ
0)
σ
¸
¸
¸
¸
≥ z
α
2
_
.
2. Testear la hip´otesis nula µ = 1600 horas contra la hip´otesis alternativa µ < 1600 horas
con un nivel de significaci´on α = 0, 01. Para este test usamos la siguiente regi´on cr´ıtica:
R
α
=
_

n(X
n
−µ
0)
σ
−z
α
_
.
3. Se cree que mediante un nuevo proceso de fabricaci´on se puede mejorar la duraci´on promedio
de los tubos fluorescentes. (Se mantiene una desviaci´on est´andar de σ = 120 horas.) La
regla de decisi´on basada en la duraci´on promedio de los 100 tubos fabricados por el nuevo
proceso, para rechazar el proceso primitivo al nivel de significaci´on 0,01 se hace utilizando la
siguiente regi´on cr´ıtica para testear al nivel α: R
α
=
_

n(X
n
−µ
0)
σ
z
α
_
. Bajo esta regla
de decisi´on hallar la probabilidad de quedarse con el proceso primitivo cuando en realidad
el nuevo proceso incrementa la duraci´on promedio a 1640 horas.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 36
Ejercicio 14.4
Se toma una muestra aleatoria de n habitantes de una ciudad muy grande, en la que una propor-
ci´on p de personas padecen una cierta enfermedad. La muestra es de n = 400 y se encuentran
165 personas enfermas.
1. Se desea concluir sobre el valor de p.
(a) Construir un intervalo de confianza al 5% para p.
(b) Testear, al nivel α = 0, 05, para los datos anteriores:
_
H
0
: p = 35%
H
1
: p = 40%
usando como
criterio de decisi´on la siguiente regi´on cr´ıtica al nivel α: R
α
=
_

n(X
n
−p
0)

p
0
(1−p
0
)
z
α
_
.
2. Calcular β.
3. Calcular el p-valor. ¿Cu´al es la decisi´on en este caso?
Ejercicio 14.5
Supongamos que X
1
, X
2
, X
3
, X
4
iid, con densidad f(x) =
ae
−|x|a
2
∀ x ∈ R
1. Para testear
_
H
0
: a = 1
H
1
: a = 2
se utiliza la siguiente regi´on cr´ıtica: R = {M < 3}, siendo
M = max {X
1
, X
2
, X
3
, X
4
}. Calcular α y β.
2. Idem si se utiliza la regi´on cr´ıtica R

= {m > 1}, donde m = min {X
1
, X
2
, X
3
, X
4
}.
3. Considere ahora regiones cr´ıticas del tipo R = {M < c}.
(a) Hallar α y β en funci´on de c. Graficar.
(b) Hallar el p-valor para los siguientes datos: 2.2, 2.5, 1.8, 1.3. ¿Cu´al es la decisi´on ?
Ejercicio 14.6 Examen agosto 2003
1. Considere tres cajas: la Caja 1 contiene 2 bolas rojas y 2 azules, la Caja 2 contiene 3 bolas
rojas y 1 azul y la Caja 3 est´a inicialmente vac´ıa. Se extraen al azar de manera independiente
una bola de la Caja 1 y una bola de la Caja 2 y se las coloca en la Caja 3.
(a) Calcule la probabilidad de que en la Caja 3 queden dos bolas rojas.
(b) Calcule la probabilidad de que en la Caja 3 queden una bola roja y otra azul.
(c) Si se extrae al azar una bola de la caja 3, ¿cu´al es la probabilidad de que ´esta sea roja?
(d) Dado que al extraer una bola al azar de la caja 3, ´esta result´o ser roja, ¿cu´al es la
probabilidad de que la restante bola en la caja tambi´en sea roja?
2. Se necesita decidir entre dos hip´otesis relativas a la Caja 3:
_
H
0
: las dos bolas son rojas
H
1
: una de las bolas es roja y la otra azul.
El criterio para decidir entre una u otra hip´otesis es el siguiente: se hacen dos extracciones
con reposici´ on de la Caja 3 y se decide H
0
en caso de que en las dos extracciones se obtenga
una bola roja; se decide H
1
en caso contrario.
(a) ¿Cu´al es la probabilidad de decidir H
0
siendo H
1
verdadera?
(b) ¿Cu´al es la probabilidad de decidir H
1
siendo H
0
verdadera?
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 37
14.1 Test de Aleatoriedad
Ejercicio 14.7
Un corredor observ´o la siguiente venta de bonos a lo largo de un a˜ no:
enero 19 julio 22
febrero 23 agosto 24
marzo 20 setiembre 25
abril 17 octubre 28
mayo 18 noviembre 30
junio 20 diciembre 21
1. Aplique el test de rachas para decidir si los datos pueden considerarse iid.
2. Utilizando el test de correlaci´on de rangos de Spearman analice posibles tendencias en la
venta de bonos.
Ejercicio 14.8
Al realizar pruebas de torsi´on con un determinado tipo de alambre de acero se obtuvieron los
siguientes resultados. Estudie su aleatoriedad.
x
1
= 2.5 x
6
= 3.79 x
11
= 4.98 x
16
= 3.36 x
21
= 3.38 x
26
= 4.04 x
31
= 4.68
x
2
= 4.15 x
7
= 4.85 x
12
= 2.57 x
17
= 3.54 x
22
= 4.07 x
27
= 4.16 x
32
= 3.88
x
3
= 2.72 x
8
= 2.87 x
13
= 2.97 x
18
= 3.89 x
23
= 2.7 x
28
= 4.71 x
33
= 4.19
x
4
= 2.63 x
9
= 3.47 x
14
= 4.5 x
19
= 3.03 x
24
= 2.82 x
29
= 2.96 x
34
= 2.52
x
5
= 3.69 x
10
= 4.13 x
15
= 4.95 x
20
= 3.98 x
25
= 3.29 x
30
= 3.97 x
35
= 2.8
Ejercicio 14.9
Se consideraron 14 muestras de un determinado mineral para determinar su contenido de hierro,
obteni´endose los siguientes datos:
74.3 74.1 75.4 67.4 69.3 70.5 70.1 69.9 68.7 70.3 70.7 71.1 74.4 70.2
Estudiar la aleatoriedad de la muestra.
Ejercicio 14.10
Las siguientes son mediciones de temperatura tomadas a la misma hora durante 20 d´ıas:
1 22.67 6 17.88 11 21.21 16 22.54
2 21.66 7 23.17 12 20.60 17 21.60
3 16.31 8 24.85 13 17.44 18 17.14
4 15.95 9 15.17 14 23.33 19 21.02
5 15.15 10 23.19 15 17.63 20 21.05
1. Aplique tests de aleatoriedad para determinar si la muestra puede considerarse aleatoria.
2. En caso de que se rechace la hip´otesis de datos iid, intente determinar el grado de de
dependencia de los datos.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 38
Ejercicio 14.11
Los siguientes datos corresponden a porcentaje de divorcios en los Estados Unidos:
A˜ no Porcentaje
1945 3.5%
1950 2.6%
1955 2.3%
1960 2.2%
1965 2.5%
1970 3.5%
1975 4.8%
1980 5.2%
1985 5.0%
Establezca si existe una tendencia en los datos.
14.2 Test de Ajuste
Ejercicio 14.12
Los siguientes datos son mediciones iid de la concentraci´on de hierro en una aleaci´on. Usar el
test de Kolmogorov-Smirnov para ajustar a una distribuci´on de Cauchy con par´ametros M = 50
y b = 2 (C(50, 2
2
)).
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
X
14
X
15
62 47 50 49 55 52 49 15 53 49 50 52 57 51 46
Ejercicio 14.13
Simular una muestra de 100 datos iid con distribuci´on uniforme en el intervalo [−1, 1].
1. Usar un test de de Kolmogorov-Smirnov para ajustar la muestra a una distribuci´on uniforme
en el intervalo [−1, 1] (U[−1, 1]).
2. Suponga que quiere ajustar la misma muestra a una distribuci´on uniforme pero no conoce
los par´ametros. Utilizando una parte de la muestra para estimar y otra para hacer el
test use Kolmogorov-Smirnov para ajustar a una distribuci´on uniforme con los par´ametros
estimados. Compare los resultados que obtiene estimando par´ametros por el m´etodo de
m´axima verosimilitud y por el m´etodo de los momentos.
Ejercicio 14.14
Se tienen las siguientes mediciones iid del punto de ebullici´on de un compuesto de silicio (en
grados Celsius).
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
99.78 99.17 100.06 100.14 99.43 100.60 100.59 99.98
X
9
X
10
X
11
X
12
X
13
X
14
X
15
X
16
100.16 100.09 99.91 100.36 99.71 101.09 99.93 100.06
1. Realizar un test de D’Agostino para la muestra. ¿Puede asumir que los datos son normales?
2. Realizar un test de Shapiro-Wilk para la muestra.
Ejercicio 14.15
Se tienen los siguientes tiempos de falla iid (en minutos) de ciertos componentes electr´onicos.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 39
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
1.75 0.13 1.63 0.56 18.45 7.95 0.80 3.37 0.46 1.23
X
11
X
12
X
13
X
14
X
15
X
16
X
17
X
18
X
19
X
20
1.50 4.24 7.18 7.44 6.62 3.45 0.62 2.85 0.81 3.10
1. Estudiar si puede considerar que los datos son exponenciales de par´ametro λ = 0.25 reali-
zando un test de Kolmogorov-Smirnov.
2. Estudiar si puede considerar que los datos son exponenciales.
Ejercicio 14.16
Se desea ajustar la distribuci´on de la cantidad de mensajes que recibe el controlador de tr´afico
a´ereo de un aeropuerto durante un intervalo de cinco minutos. Para 400 intervalos de cinco
minutos se contaron la cantidad de mensajes recibidos y se obtuvieron las siguientes frecuencias:
n´ umero de radio-mensajes a lo sumo 1 2 3 4 5 6 7 8 9 m´as de 10
frecuencias observadas 18 47 76 68 74 46 39 15 9 8
¿Los datos pueden considerarse distribuidos con la distribuci´on de Poisson con λ = 4.6?
Ejercicio 14.17
Se tienen 100 datos iid correspondientes a variaciones de precios. Se desea saber si los datos tienen
distribuci´on log´ıstica. Para eso se determinaron 10 intervalos I
1
= (−∞, a
1
], . . . , I
10
= (a
9
, +∞),
donde los extremos de los intervalos son a
1
= 1.41, a
2
= 3.84, a
3
= 5.46, a
4
= 6.78, a
5
=
8, a
6
= 9.22, a
7
= 10.54, a
8
= 12.16, a
9
= 14.59, y se cont´o la cantidad de datos en cada
intervalo resultando:
I
1
I
2
I
3
I
4
I
5
I
6
I
7
I
8
I
9
I
10
14 7 11 9 13 8 16 10 6 6
1. Decidir si los datos tienen distribuci´on log´ıstica con par´ametros µ = 8 y a = 3 (L(8, 3)).
Los intervalos I
1
, . . . , I
10
se tomaron de modo que si X ∼ L(8, 3), entonces P(X ∈ I
k
) =
0.1, k = 1, . . . , 10.
2. Decidir si los datos tienen distribuci´on log´ıstica sin asumir ninguna hip´otesis previa sobre
los par´ametros. (Sugerencia: para la estimaci´on de par´ametros con ‘solver’ en Excel usar
para la condici´on inicial que el promedio de los datos es X
100
= 7.2948 y que el estimador
de la desviaci´on est´andar es s
100
= 5.2984.)
14.3 Test de Comparaci´ on
Ejercicio 14.18
Los datos siguientes representan las variaciones de poblaci´on (en porcentajes) entre 1970 y 1980
en regiones Aplicar el test de Kolmogorov-Smirnov para ver si las variaciones son iguales.
rural 1.1 -21.7 -16.3 -11.3 -10.4 -7 -2 1.9 6.2
no rurales -2.4 9.9 14.2 18.4 20.1 23.1 70.4
Ejercicio 14.19
Sean las siguientes muestras iid independientes. La muestra A tiene distribuci´on F y la muestra
B tiene distribuci´on G.
A 79 13 138 129 59 76 75 53
B 96 141 133 107 102 128 110 104
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 40
Testear
_
H
0
: θ = 0
H
1
: θ = 0
con el modelo G(x) = F(x −θ).
14.4 Test de Medianas
Ejercicio 14.20
La resistencia de determinado pl´astico a la fatiga debe ser de 15.5 lb/pulg
2
. Los resultados de 20
piezas del pl´astico fueron los siguientes:
1 14.77
2 14.19
3 15.66
4 12.82
5 16.34
6 12.4
7 14.25
8 14.29
9 17.39
10 16.68
11 16.68
12 15.28
13 14.87
14 14.24
15 15.55
16 14.05
17 13.93
18 14.71
19 13.64
20 15.6
¿Hay suficiente evidencia experimental como para dudar de que no se cumple con las especifica-
ciones?
Ejercicio 14.21
Se dispone de 12 valores obtenidos del generador aleatorio de n´ umeros marca ACME.
0.99 0.84 0.48 0.37 0.44 0.98 0.75 0.81 0.68 0.7 0.5 0.23
Si el generador es bueno, esos doce n´ umeros deber´ıan ser:
(i) iid (independientes e id´enticamente distribuidos),
(ii) con distribuci´on U[0, 1], y por lo tanto,
(iii) su “media”debe ser
1
2
.
1. Investigue si el generador aleatorio de n´ umeros marca ACME es bueno testeando las afir-
maciones (i) y (ii).
2. Investigue la afirmaci´on (iii).
Ejercicio 14.22
Se presume que un tratamiento reduce el peso de las personas. Mediante una muestra aleatoria se
seleccionan 10 personas que siguieron dicho tratamiento durante todo el tiempo exigido. Puede
suponerse que los datos de los pacientes son (X
1
, Y
1
), . . . , (X
10
, Y
10
) iid. El peso de cada paciente,
antes y despu´es del tratamiento (medido en kg) es el siguiente:
persona 1 2 3 4 5 6 7 8 9 10
peso antes 108 72 81 104 69 73 114 86 92 98
peso despu´es 95 76 69 81 56 81 95 81 71 97
14.5 Test de Independencia
Ejercicio 14.23
Un grupo de investigadores desea evaluar si un nuevo equipo de tratamiento aguas residuales es
efectivo para reducir los niveles de contaminantes de las aguas vertidas a un r´ıo por 10 curtiembres.
A tales efectos se midi´o el nivel de contaminantes antes (A) y despu´es (B) del tratamiento, los
resultados fueron los siguientes:
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 41
Muestra A
1 2 3 4 5 6 7 8 9 10
1.52 2.92 4.44 4.24 1.72 3.70 3.64 4.82 2.12 2.08
Muestra B
1 2 3 4 5 6 7 8 9 10
2.08 3.03 0.80 0.96 2.71 2.39 3.07 2.87 0.33 1.76
Utilizando pruebas de hip´otesis:
1. Estudiar la aleatoriedad de ambas muestras.
2. ¿Hay independencia entre los datos de una muestra y otra? Justifique su respuesta.
Ejercicio 14.24
1. Para comparar el desempe˜ no de los estudiantes en un curso en relaci´on con su desempe˜ no
en la prueba de ingreso, se toma al azar una muestra de 400 estudiantes de los archivos de
la bedel´ıa y se obtienen los siguientes datos
Desempe˜ no en la prueba de ingreso
Desempe˜ no
en el curso
Mala Normal Muy Buena Total
Aplazado 23 60 29 112
Normal 28 79 60 167
Muy Buena 9 49 63 121
Total 60 188 152 400
¿El desempe˜ no en la prueba de ingreso y el desempe˜ no en el curso son independientes?.
(Use el nivel de significaci´on de α = 0.01).
2. Repita el an´alisis anterior tras combinar las categor´ıas mala y normal en la prueba de ingreso
y las categor´ıas aplazado y normal del curso de facultad.
Ejercicio 14.25
Se tiene una muestra de 200 ratones afectados por una cierta enfermedad. Se suministra un suero
a 100 ratones (grupo A) pero no al resto (grupo B). Se encuentra que 75 ratones del grupo A y
65 ratones del grupo B se recuperan de la enfermedad. ¿Los datos proporcionan evidencia de que
el suero cure la enfermedad?
14.6 Test param´etricos
Ejercicio 14.26
Puede suponerse que el registro de lluvias de 10 puntos distintos del pa´ıs aporta resultados iid
gaussianos, decidir si el promedio de lluvias es 12 mm, si los datos (en mm.) son:
14, 8, 30, 6, 12, 11, 10, 14, 12, 8
Ejercicio 14.27
Se consideran 16 mediciones de una cierta concentraci´on. Puede suponerse que las mediciones
X
1
, . . . , X
1
6 siguen el modelo: X
i
= m+e
i
, donde e
1
, . . . , e
16
iid ∼ N(0, s
2
).
1. Si la muestra es:
0.50, 0.38, 0.61, 0.44, 0.53, 0.42, 0.43, 0.47, 0.58, 0.36, 0.55, 0.51, 0.57, 0.59, 0.46, 0.48
Hallar un intervalo de confianza al nivel 5% para m.
Probabilidad y Estad´ıstica - 2006 - IMERL - FING 42
2. Si se considera el test:
_
H
0
: µ = 0.50
H
1
: µ = 0.50
¿Cu´al es su decisi´on para a = 0.05?
3. Para el test anterior calcular el p-valor a

¿Cu´al es su decisi´on final? ¿Puede determinar la
probabilidad de error en su decisi´on?
Ejercicio 14.28
Se posee una muestra de 9 mediciones de una longitud. Puede suponerse que los datos observados
son iid y gaussianos (N(µ, σ
2
)).
1. Si los datos son:
1.838415, 2.7354, 3.871649, 3.503454, 2.506013, 1.819116, 2.912714, 4.764129, 3.100576
testear si σ = 0.95 ´o no.
2. Utilizando la decisi´on tomada en la parte anterior y los mismos datos, testear las hip´otesis:
_
H
0
: µ = 3.0
H
1
: µ = 3.5
Ejercicio 14.29
Se debe reparar una m´aquina en una f´abrica cuando produce m´as de 10% de piezas defectuosas
en un lote grande de art´ıculos producido diariamente. Una muestra aleatoria de tama˜ no 100
art´ıculos de la producci´on del d´ıa contiene 15 piezas defectuosas y el supervisor dice que se debe
reparar la m´aquina. Testear la hip´otesis nula de la proporci´on de piezas defectuosas es menor o
igual al 10%”contra la hip´otesis alternativa “la proporci´on de piezas defectuosas es mayor que el
10%”
Ejercicio 14.30
Se toma una muestra aleatoria de n habitantes de una ciudad muy grande, en la que una propor-
ci´on p de personas padecen una cierta enfermedad.
1. Si n = 400 y se encuentran 165 personas enfermas, estimar p y construir un intervalo de
confianza al 5
2. Testear para los datos anteriores
_
H
0
: p = 0.35
H
1
: p = 0.40
Ejercicio 14.31
En un estudio de rocas sedimentarias se obtuvieron los siguientes di´ametros (medidos en mm.)
de dos tipos de arena:
Arena I:
0.63, 0.17, 0.35, 0.49, 0.18, 0.43, 0.12, 0.20, 0.47, 1.36, 0.51, 0.45, 0.84, 0.32, 0.40
Arena II:
1.13, 0.54, 0.96, 0.26, 0.39, 0.88, 0.92, 0.53, 1.01, 0.48, 0.89, 1.07, 1.11, 0.58
Se supone que ambas muestras son iid, gaussianas e independientes entre s´ı. Se desea saber
si los dos tipos de arena son iguales o no lo son.
Ejercicio 14.32
Se desea comparar la proporci´on de motores defectuosos que se producen en dos turnos de traba-
jadores. Se seleccionaron al azar un gran n´ umero de motores que se produjeron en una semana
determinada, de los cuales n
1
= 50 motores son de la producci´on del turno 1 y n
2
= 60 moto-
res son de la producci´on del turno 2. Result´o que 4 motores del turno 1 eran defectuosos y 6
de la producci´on del turno 2. ¿Hay una diferencia significativa entre las cantidades de motores
defectuosos en los dos turnos?