Problemas de Probabilidades y Estad´ ısitica

Agustin y Alejandro 7 de enero de 2010

2

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

i

ii

PREFACIO

. . . . . . 2. . . . . . . . . . . . . . . . . . . . . . .18. .4. . . . . . . . . .0. . . . . . 1. . . . . . . . . . . . . . . . . .0. . . . . . . . . . .0. . . . . . . . .0. . . . . . . . . . . . . . . . . . . . 1. Avi´n de 4 motores . . . . . . . . . . . . . . .0. . . . . . .24. . . . . .0. . . . .21. . . . . . . . . . . . . . . 1. . . . Probabilidad condicional . . . . . . . .5. . . . . . . . . . . . . . . . . . . . . . . . .25. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Placa de un carro . . . . 1. . 1. . . . . Mesa redonda . . . . . . . . . . . . . . . . . . . . . . . . .0.0. . . . 1.0. . . . . . . Acotar la intersescci´n . . . . . . . . . . . . . . . . .19. . . . . Moneda simetrica . . . . . . . . . . . . .11. . . . . . . .0. . . e 1.0. . . . . .13. . . . . . .26.0. . . . . . 1. . . . Examen Final .2. . . 1. . . . .16. . . . . n 1. Suma del Dado . . . . . . . . . . . . . . . . . .0. . . . . .22. . . .28. . . .0. . . . . . . . . .3. 1. . . . . . . . . . . .0. . .27. . . . . . . . . . . . . . Moneda justa y moneda trucada . . . . . . . .6. . Moneda sesgada . . . . . . . . . . . . . . . . 3 Comit´s . . . . . . . . . . . . . Tiempos de espera . .0.14. . . . . 1.0. 1.0. . . . Piezas defectuosas . 1. .0. . . . . . .7. . . . . . . . Cumplea˜os . . Esperanza de Vida .17. . . . . . . . o 1. . . . . . . . I . 1. . . . . Casino . . . .0. . Con y sin reemplazo . . . . . . . 1.0. . . . . . . . . . . . 1. . 1. . . . Terremotos y Tormentas . . . . . . . . . . . . . 1 2 2 3 3 3 3 4 4 4 4 5 5 5 5 5 5 5 6 6 6 6 6 6 6 7 9 9 10 10 2.0. . . . . . . . . . . . . . . . . . . . . . . . . . .9. 10 Cartas y 10 Sobres . . . . . 1. . .12. . . . . . . . . . . . .8. . . . Chimpanze Bernoulli . . . . . . . . . . . . . . . . . . . .´ Indice general Prefacio 1. . . . . Sexo de los hijos . . . . .0. . . . . 1. . . . . . . . . Espacio muestral y combinatoria 1. . . . .0. . . . . . .15. . . . . . . . . . . Torneo de Boxeo . . . . . . . . . . . . . . . . . . . . .23.10. . .0. . . . . . . Bernoulli . . . . . . . . . . . . . . . . . . Bayes y probabilidad condicional 2. . . . . . . . o 1. . . . . . . . . . . . . . . Fallos simultaneos en paralelo 1. . . . .20. . . . . . . . . . .1.0. . . . . . . . . . . . Piezas defectuosas . 2. . . Accidentes y seguros . . . . . . . . . . . . . . . . . . . . . . . . . . . .0. . . . 1. . . . . . . Fallos simultaneos . . . . . . . . . . . . . . . . . .0. . Mounty Hall . . . iii . . . . . . . . . .

. . . . . . . 4. 4. . . . . . . . . . . . .31. .0. . . . . . . . . . . . . . . . .0. . . . . . . . Muestreo sin remplazo . . . . . . .0. . . . . . . . . . . . . Convoluci´n . . . o 4. . . . . . . . . . . . . . . . . 3. . . 3. . .0.60. . . . . . . . . . . Interiror de la esfera: Vector aleatorio 3. 4. . . Alarma de Lluvia . . . . . .0. . . . . X menor que Y Exponencial . . . . . . 4. . . o 4. . .48. .0. . . . .0. .iv 2. 3. . . . . . . . . . . 10 Urnas . . . . Llegar Tarde o Temprano . . .39.55. . . . . . . . . . .0. . . . . . . . . Cumulativa gaussiana . . . . . . . . . Moneda en rejilla . . . . . . . . . . .41. . . . . . . . a 4. . . . . . . . . . . . . . . . . . . . . . . . . . .0. Moneda cargada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Suma Gaussiana . . . . . . . . . . . ´ INDICE GENERAL . . . . Avi´n de cuatro motores o El h´ ıgado y el alcohol . . . . . . . . . . . . . . . . . .0.45. . . . . . 2. .0. . . . . . . . . . .33. . . . . X*Y y X/Y . . . .0. . . . . .0. . . . . . Esfera en ℜn . . . . . . . . . . . . . . . . Triangulo . . 3. . . . . .0. .0. . . .65. . . . . . . . . . . . . . . . . . . . . . . .0. . . . . . . . 3. .0. . . . . . . . . . .32. . . . . . . . . .52. . . .46. . .49. . . . . . Generador de N´meros Aleatorios . . . . . . . .0. . . . .37. . . . . . . . . . .51.0. . . . . Estirando Intervalos . . o 4. . . . . . . .0. . . . . . . . . . . . . . . . . . . . . .0. . . . .59. . . . . . . . . . . . Percepci´n extransensorial . . . 4. . . . . . . . . .36. . . 3.50. . . 3. . . . . . . . . . . . . . . . . . . . . . . . . . Distribuci´n Inversa . . . . . . . . . . . . . . . . . . Experimento de Bernoulli . . . 3. . Aguja en Parrilla . . . . . . . . . . . . . Represa y Terremoto . . . . . . . II . . . Distribuci´n de x ∗ y . . . Medida Deltaica . . .0. . . . 2. . . . . . 3. . . . . . . .44. .0.38. . . . . . . .40. . 4. . . . . . . . . . . . . . . . . . . . . . . .0. . . . . . . . 4. . . . . . . . . . . . Distribuci´n de x + y . . . . . . . . . . . . . . . . . . . . . . . . . . . . Esperar un Omnibus . x e y uniformes . . . . . . . . . . . . . . . . . . . . . . . . . 4. . . .43. . . . . . .30.0. . 4. . Esfera Compleja . . . . . . . . 2. o 4. . . . . . V. . . . . . . . . . . . . . . . . . . . . . . . 2. . u 4. . .0. . . . . . . . .A.0. . . . . . . Funci´n de Variables Aleatorias Continuas o 4. . . . . Superficie de la esfera . . . . . . . . . .53. . . . . .29. . . . . .42. . . . . . . . . . . . .63.0. .58.0. . . . . . . . . . Flecha y Arco . . . . . . .0. . . . . . . . . . . . . . . Control de calidad . . . . . .0. . . . o 3. . . . . . . . . 3. . . . . . . . . . .57. o 4. . . . . . . . . . . .0. Distribuci´n de x/y . . . . . . . . . . .0. . .47. . El omnibus en Poissonville y Clockville 4. . . . . . . . . . . . . . . . . . . . . . . . . M´ximo de un conjunto de variables . . . . . . . . . . . . . . .61. . . . . . . . . . . . .0. . y Distribuciones Multinomiales 3. . . . .0. . 4. . . . . .64.54. . . . . . . . . . Vector aleatorio . . 3.56. . . . . Exponencial .62. . . .34. . . . . . . . . . . . . 10 10 11 11 11 13 13 13 13 14 14 14 14 14 15 15 15 15 16 16 17 17 17 17 18 18 18 18 18 18 18 19 19 19 19 19 20 20 20 3. . . . . . . . . . . . . . . . . . . . . . . . .0. . . . . . .0. . . . . . .35. . . .

.2. . . 6.2. . . . . . . . . . . .2. . .1. . . . . Ejercicios . . . . . . . . . . . . . . . .2.78.82. .80. . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .72. . .83. . . . . . . . . . . .84. . . . . . . . . . . . . . . . . . . . . . . 9. . . . . . . . o 6. . 7. . . . . . . . . . . . . Funci´n generadora de Momentos o 5. . . . . . . Densidad geom´trica . . Teor´ . . . Teor´ . . . . . Term´metro de Boltzman .1. . . . . . . . . . . . . . . Recta y Parabola . . . . . . . . 7. .4. .85. .1. . . . Estimando la distribuci´n uniforme . Funci´n Generatriz . .0. . . . . . . Transformada de la Guassiana 6. .81. . . Ejercicios . .67. . . 8. . . . . . . . . Michelson . . . . . 6. . 7. . . . 9. . . . . . . . . . . . . . . . . . . . . . 8. . . . 8. . . . . . . 9. . . . . . . . . . . . . Varianza Conocida . .73. . . . . . . . . . . . . . . . . . 9. . . . . . . . . . . . . Aproximaci´n Gaussiana . . . . . 7. Recta y Parabola . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . El test del signo . . . . . .2.74.68. . . . . . .0. . . . o . . Dos monedas . . . . . . . . . o 7. . . . . . . . . .2. . . . . . . . . . Internet y TV . .0. . . 8. . . Las frases del fortune . . . . . . . . .0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .0. . . . 5. . . . . . . .0. . . . . . . . . . . .0. . .5. . . .2. . . L´ ımite Continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . comunes . . . . . . . . . . . . .0. . . . . . .7. . . Suma aleatoria . . . . . . . 9. . . . . .0. . . .6. . . . . . . . . . . . .3. . . . . Test de Hip´tesis o 9. . . . . . o 7. . . . .2. . . . . . . . . . .0. . . .2. . . . .69. . . . . . . Demuestre TLC . . . . . . . .´ INDICE GENERAL 5.0. . . . . . . . . . . . . . . . . . . . . Conjugada de la Gaussiana . . . . . . . . . . . . . .70.1. . . . . . . . . Difusi´n en 1D .77. . .2. . . .2.0. . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . .0. . . . . .0. . . . . . . . . . . . .2. . . . . Intervalo de confianza Bayesiano . . . . . . . . . . . . . . n 6. . . . . . . . . Distribuci´n Gamma .2. . 7. Contando Peces . . . . . . . . Parametro constante . . . . . . . .0. . . . . . . . .0. . . . . . . Media y Varianzas desconocidas 9. .2. . . . . . . . . . . . . . . . . . . .0. o 5. Datos experimentales y M´ ınimos Cuadrados 8. . . Formula Matricial para modelos lineales 8. . . . . . . . Adivinando distribuciones y Distribuciones . . . .0. 7. . . . . . . . . . . . . . ıa 8. . . Cavendish . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . .0. . . . . 9. . . . . . Producto de la tienda . . . . . . . . . . . . . .75. . . . . . . .76. . . Tama˜o de una muestra . . . . . . . . . . . . . . . . Inferencia Bayesiana y M´xima Similaridad a 7. o 5. . . . . . . . Estimando Poisson .0. . .71. . . v 21 21 21 21 22 22 22 25 25 25 25 25 26 27 28 29 29 29 30 30 31 31 31 33 33 34 34 34 34 34 35 35 36 36 36 37 37 37 37 37 . . . . . . . . m´s a . . . . . . . . . . . . . . . . . . . 9. . . . . ıa 9. . . . . . . . . . . . . . . .79. . . . . . . . . . . . . . . . . . . . . . . . . . . . El sesgo de la Varianza . . e 5. . . . . . . . . . . . . . . . . . 7. . . . . . . . Teorema Central del L´ ımite 6. . . . .66. . . .

. . . . . . . . . . . . . .1. Exponencial . . . . .Comparaci´n de Hip´tesis con MLR y o o 10.3. . . . . . . . . . . . . . . . . Significaci´n de MLR . . . Ejercicios . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . Test para la dist. . . . . . . . ´ INDICE GENERAL 39 39 39 39 39 39 . . . . . . . . . . . . . . . . . . . . . Test del VIH . o 10. . .5. . . . . . . . . . . . . . .vi 10. . . . . . . . . . . 10. . . . ıa 10. . . . . . . . . . . . . . . . Teor´ . . . . . . . .4. . MAP . . . . . . . . . . . . . . . . . . . 10. .

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

Ejercicios de C´lculo a 1.2 Respuesta: CAP´ ITULO 1. i = 1. dos sucesiones crecientes de sucesos con respectivos l´ ımites A y B .1. i=1 6. B y C 9. Suponga que la ocurrencia del suceso B hace m´s probable la ocurrencia del suceso a A. 2. ¿ Entonces la ocurrencia de A hace m´s probable la ocurrencia de B? a 10. entonces tambi´n son indee pendientes A y B . para todo n ∈ N P (A)P (Ac B c )n−1 = n∈N P (A) 1 − P (Ac B c ) P (A) 1 − [1 − P (A + B)] P (A) P (A) + P (B) = = 5. Pruebe que si An y Bn son independientes para cada n. Demuestre que si los sucesos A y B son independientes. Demuestre que la independencia conjunta de los sucesos A. entonces A y B son independientes. Sean {An} y {Bn}. . 7. Placa de un carro Las matriculas de los autos en cuba constan de 3 letras y 3 numeros.. entonces la probabilidad de que ocurra A por primera vez en el n-esimo experimento sin haber ocurrido antes B sera P (ocurra A y no hallan ocurrido ni A ni B en los n − 1 primeros experimentos) = P (A)[P (Ac B c )]n−1 luego la probabilidad buscada es la suma de estas probabilidades para cada experimento. ESPACIO MUESTRAL Y COMBINATORIA Consideremos la probabilidad de que no ocurra ni A ni B en el experimento n: P (Ac B c ) = 1 − P (A + B) para todo n ∈ N.0. si y solo si P (∩∞ Ai ) = 1 . es decir. si: Mesa redonda En cuantas formas distintas se pueden sentar 10 personas alrededor de una mesa circular . ¿Cuantas matriculas distintas se pueden obtener? 1. Probar que P (Ai ) = 1. B y C implica la independencia de los sucesos: a) A y B ∪ C b) A y BC y la independencia conjunta de los sucesos A .. Analice la independencia de estos sucesos si: a) A ⊂ B b) AB =ø c) P (A) = 0.0. 8. n ≥ 1. Sean A y B dos sucesos.2.

¿Cual es la probabilidad de que el primero sea defectuoso? 2. tal que la probabilidad de exito y de fallo (p y 1 − p) se mantienen la misma en cada una de las repeticioines. Bernoulli Un experimento de Bernoulli es un experimento aleatorio cuyo resultado puede ser clasificado de dos formas.0. sin remplazo. 2. Considere que se realizan una secuencia de n experimentos de Bernoulli.3. Halle la u u probabilidad de que el segundo n´mero escogido fuese el 5 ¿C´mo cambia esa probabilidad u o si el muestreo es con reemplazo? 1 9 Soluci´n: P (i2 = 5) = P (i2 = 5|i1 = 5) = 10 1 = 10 o 9 1.192x0. Probabilidad condicional Un grupo de 100 chips semiconductores contiene 20 defectuoso.0.3 1. 3 Comit´s e Si 18 personas deben ser agrupadas en 3 comit´s de tama˜os 5.5. ¿Cual es la probabilidad de que el segundo sea defectuoso dado que el primero lo era? 3.0.6.192 ver que cuando la n es muy grande la probabilidad es igual a la del primer evento. Una sequencia de Bernoulli ocurre cuando se repite un experimento de Bernoulli muchas veces de forma independiente.0.2 b) Si el primero es defectuoso la probabilidad de que el segundo lo sea es (20 − 1)/(100 − 1) = 0. c) La de que ambos sean defectuosos es la probabilidad de los eventos independientes: P 1 ∗ P 2 = 0. digamos exito o fallo. ¿Cual es la probabilidad de que ambos sean defectuosos? Solucion: a) La probabilidad de que el primero sea defectuoso es independiente del numero de chips que se seleccionan y es por tanto 20/100 = 0. de cu´ntas formas e n a es posible hacer esto? 1. hay 5 hombres y 5 mujeres y queremos que cada hombre tenga a su lado mujeres (y viceversa). Considere cualquier dos ditribuciones como la misma si una resulta de una rotaci´n de o la mesa a partir de la otra (cada persona sique teniendo el mismo vecino a derecha y a izquierda que en la otra configuracion) 1.4.2 1. calcule la probilidad de . 6 y 7. 1. Con y sin reemplazo Dos n´meros se escogen al azar entre los n´meros del 1 al 10. hay 5 parejas y deseamos que las parejas permanezcan sentadas juntas. Se escogen dos chips al azar.

Is this reasonable? 3. are placed at random in 10 envelopes. of which five are red and five are green. 1. 1.10. o 2. the probability of a ”high”wind occurring in any single minute is 10−5 and the probability of a ”moderate. 1.e.8. the engineer frequently assumes: P (AU B) ≃ P (A) + P (B). Supongamos que obsevamos el evento C que consiste en que el primer dado salio como 4. 1.4 CAP´ ITULO 1. que al menos ocurri´ un exito. cual es la probabilidad que tengamos que esperar k veces para observar la primera cara. what is the probability that there will be no moderate earthquake in year at this location? In 10 years? .0. For rare events. que exactamente ocurrieran k 3. que todos los intentos fueron exitosos.9. 2.0. Demostrar que el evento A y el evento C son independientes pero esto no se cumple para el evento B y el evento C.0. of which five are red and five are green. Considere como A el evento en el que las suma de ambos dados es 7 y como B el evento de que la suma de ambos dados es 6. Find the probability of joint occurrence of the two events during any minute. Building codes do not require the engineer to design buildings for the combined effects of these loads. 10 Cartas y 10 Sobres Suppose that 10 cards.0. Also suppose that. Determine the probability that exactly two envelopes will contain a card with a matching color. If the events in consecutive minutes are mutually independent. Terremotos y Tormentas Suppose that the occurrences of earthquakes and high winds are unrelated. i. Cual seria la probabilidad de esperar k o mas veces: 1.7. Suma del Dado Considere el experimento de lanzar dos dados no sesgados. ESPACIO MUESTRAL Y COMBINATORIA 1. events with small probabilities of occurrence.earthquake in any single minute is 10−8 . Tiempos de espera Si lanzamos repetidamente una moneda con probabilidad de escudo p: 1. at a particular location. Find the probability of the occurrence of one or the other or both during any minute. Is this reasonable? 2.

y cualquier otra suma.0. u 1. Torneo de Boxeo En un torneo participan 8 boxeadores que se aparean mediante un sorteo. de las dos restantes. le permite seguir jungando. Moneda simetrica Se lanza una moneda simtrica al azar hasta que aparezca escudo en dos lanzamientos consecutivos. Calcule la probabilidad de quedarse con el premio para cada una de las estrategias. una de las cuales contiene un premio. En cada tope entre dos boxeadores se elimina al perdedor.0.0. Si un estudiante sabe a resolver 7 problemas.16.0. Halle la probabilidad de que el n´mero de lanzamientos sea igual a cuatro. y luego. o puede seguir una de las dos siguientes estrategias: quedarse con la bolsa seleccionada al azar. A partir de ese momento usted continua lanzando los dados hasta que ocurra una de las sumas 7 (y pierde) o x1 (y gana) ¿Cual es la probabilidad de ganar en el casino.0. En el torneo participan dos boxeadores que se sabe que ganar´n con seguridad sus topes con los seis restantes. digamos x1 .11. Casino Considere el siguiente juego. Halle una f´rmula para la probabilidad de que coincida el o d´ de nacimiento (cumpleaos) de al menos dos estudiantes del grupo. 1. Mounty Hall Considere tres bolsas. ¿Cu´l es la probabilidad de que sean dos de cada a sexo? ¿Cu´l es la probabilidad de que tres sean del mismo sexo? a 1.5 1.0. Sexo de los hijos Un matrimonio tiene cuatro hijos. Cumplea˜os n Un grupo tiene r estudiantes.15. le muestran una bolsa vac´ A continuaci´n ıa.0.7 para r = 30.14. Se lanzan dos dados y se considere la suma de los numeros que salen.13. ¿cu´l es la probabilidad de que el estudiante resuelva correctamente a al menos 3 problemas (con ello aprueba)? ¿Cu´l es la distribuci´n de probabilidad de las notas del estudiante? a o 1. 2.12.3 y 12 pierden. Examen Final Un profesor entrega a un grupo de estudiantes 10 problemas de los cuales se seleccionar´n a de manera aleatoria 5 de ellos. 1.5 para r = 23 y mayor que 0. Usted selecciona una de las bolsas al azar. o seleccionar la otra bolsa que queda. de contenido desconocido. que consistir´n en el examen final. Compruebe que esta ıa probabilidad es mayor que 0. ¿Cu´l es la probabilidad a a de que estos dos boxeadores ocupen el primero y el segundo lugar en el torneo? 1.17. En la primera tirada una suma de 7 ou 11 ganan. .

en un intervalo de tiempo dado.95.0. ¿qu´ tiempo deberemos e esperar. 1.7. El sistema falla cuando fallan al menos 2 de sus bloques. Esperanza de Vida La tabla de longevidad en un cierto pa´ indica que la probabilidad de llegar a los 25 ıs a˜os es 0.1 − 0. Calcule la probabilidad de que la pieza obtenida en la i-´sima selecci´n sea e o no defectuosa. hasta que teclee su nombre? 1. El fallo de cada motor es independiente del fallo de cualquier otro motor. como promedio. Calcule las probabilidades de fallo y de trabajo sin fallo del sistema. ESPACIO MUESTRAL Y COMBINATORIA 1. El avi´n o puede continuar su vuelo si funcionan al menos la mitad de los motores. e a . q2 .0.0.8. 1.8. Suponiendo que lo hace de forma desordenada. Si una persona n n tiene 25 aos. en un intervalo de tiempo dado.9. teni´ndose que 0. Chimpanze Bernoulli Un chimpanze de nombre Bernoulli es sentado delante de un teclado que contiene las 29 letras del alfabeto y la tecla del espacio. Piezas defectuosas Un lote de N piezas contiene M piezas defectuosas.8 e 1. Verifique que 0. Se seleccionan sucesivamente n piezas del lote al azar.21. Acotar la intersescci´n o Sean P (A) = 0.65.2 = 0. Considere los fallos de los bloques independientes. Avi´n de 4 motores o Cada uno de los motores de un avi´n puede averiarse durante un vuelo.24. ¿Qu´ es m´s seguro. mientras que la probabilidad de llegar a los 65 a˜os es 0.8.9 y P (B) = 0. 1. Considere los fallos de los bloques independientes.0. Respuesta: P (AB) ≥ 1 − [P (Ac ) + P (B c )] = 1 − 0. por otra parte como AB ⊂ B entonces P (AB) ≤ P (B) = 0. con probabilidad o q = 0.0.23.6 CAP´ ITULO 1. Calcule el n´mero m´ u ınimo de bloques que garantiza una probabilidad 3 . Como promedio el chimpanze presiona dos teclas por segundo. si la probabilidad de fallo del sistema menor que α = 10 de funcionamiento de cada bloque en ese intervalo es p = 0.7 ≤ P (AB) ≤ 0.22.18.0.0. q3 .20.7 ≤ P (AB) ≤ 0. Fallos simultaneos Un sistema est´ constituido por 3 bloques con probabilidades de fallo q1 . Fallos simultaneos en paralelo Un sistema est´ constituido por n bloques en paralelo (el sistema falla si y solo si fallan a todos sus los bloques).01. ¿Cu´l es la probabilidad de que llegue a los 65 a˜os? a n 1. a respectivamente.19.

Lanzar la moneda 2.0. Lanzar la moneda otra vez 3.7 un avi´n de 2 motores o uno de 4 motores? Para que valores de q es m´s seguro un avi´n o a o de 4 motores? 1.25. Si en ambos lanzamientos aparece la misma cara reiniciar con el paso 1. Compruebe que con el siguiente procedimiento la probabilidad de aparici´n de cada o cara es igual a 1/2: 1. ´ . 4. El resultado del ultimo lanzamiento es el resultado deseado. pero e solo se posee una moneda sesgada que tiene probabilidad p desconocida de aparici´n de o escudo. Moneda sesgada Se desea generar los resultados del lanzamiento al azar de una moneda sim´trica.

8 CAP´ ITULO 1. ESPACIO MUESTRAL Y COMBINATORIA .

Antes o de un viaje en avi´n. A part is selected at random and found to be defective. 150 of which are defective. o o Teor´ ıa Ejercicios Te´ricos o 1. La probabilidad de viajar en un avion donde alg´n pasajero lleva una bomba escondida es p = 10−6 .” haya otra en el avi´n es 10 o a 2. Inferencia de hip´tesis a partir de la f´rmula de Bayes. Analice donde falla el siguiente razonamiento. Inferencia Bayesiana.000 parts. Plant 1 produces 1.26. What is the probability that it came from plant 1 ? 9 . ¿Por qu´ est´ mal la conclusi´n anterior? e a o 2. y as´ la probabilidad de que ı −12 . En el radio dijeron que en el 35 % de los accidentes de tr´nsito est´n involucrados a a choferes que han bebido. 100 of which are defective. y el vuelo es m´s seguro. “Mejor llevo yo mismo una bomba.Cap´ ıtulo 2 Bayes y probabilidad condicional C´lculo de probabilidades inversas a trav´s de la f´rmula de Bayes.000 parts. un estudiante que no aprob´ el curso de probabilidades piensa o o de la siguiente forma. Esto quiere decir que en el 65 % restante est´n involucradas a personas que no bebieron. dejando claro que es m´s seguro conducir despu´s de haber a e bebido. Plant 2 produces 2. Piezas defectuosas Two manufacturing plants produce similar parts. Por tanto la probabiliu dad de viajar en un avi´n donde 2 pasajeros llevan una bomba es p2 = 10−12 . a e o Aspectos a tratar Probabilidad condicional.0.

04. Alarma de Lluvia Se ha estimado que la probabilidad de que llueva es 0. cu´l n a es la probabilidad de que vuelva a tener uno este a˜o? n 2. El 2 % de la poblaci´n de una Ciudad se sabe que consume alcohol o o habitualmente. Si una persona no alcoh´lica tuvo un accidente el a˜o pasado.30.27. ¿Cu´l es la probabilidad de que una pieza que la m´quina indica como correcta sea a a de hecho correcta? 3. Si suena la alarma. Moneda justa y moneda trucada Suppose that a box contains one fair coin and one coin with a head on each side. Una alarma en un local interior debe indicar si llueve. Control de calidad Una m´quina que detecta piezas defectuosas en una f´brica. 1. Suppose that a coin is selected at random and that when it is tossed three times. BAYES Y PROBABILIDAD CONDICIONAL 2. Accidentes y seguros La probabilidad de tener un accidente de tr´nsito en el transcurso de un a˜o es de a n p = 0. a head is obtained three times. o ¿Cu´l es la probabilidad de que est´ lloviendo?. Adem´s suele equivocarse y catalogar como defectuosas al 5 % del total a de las piezas que no lo son. Compare y comente los resultados previos. detecta el 80 % del total de a a piezas defectuosas. La probabilidad de que la alarma funcione cuando llueve es 0. y 8 veces mayor para una persona alcoh´lica. ¿Cu´l es la probabilidad de que una persona tomada al azar de la poblaci´n tenga un a o accidente en el transcurso de un a˜o? n 2. a e . ¿Cu´l es la probabilidad de que una pieza que la m´quina indica como defectuosa sea a a de hecho defectuosa? 2. Determine the probability that the coin is the fair coin.06. 2.0.0.01 para una persona que no consume alcohol habitualmente. 1. cu´l es la probabilidad o n a de que vuelva a tener uno este a˜o? n 3.29.28. 2.10 CAP´ ITULO 2.0. Si una persona que no conocemos nos dice que tuvo un accidente el a˜o pasado.8 y la probabilidad de que funcione err´neamente cuando no hay lluvia es 0. La experiencia acumulada indica que el 10 % de las piezas que salen son defectuosas.0.

a o . Parecer´ que es preferible tomar alcohol. . Llega la informaci´n imprecisa de que un avi´n o o de esta compa˜´ se ha ca´ nıa ıdo.11 2. El fallo de cada motor es independiente del fallo de cualquier otro motor. etiquetadas con los n´meros 1 . 1. En la urna u se tienen u bolas u negras y 10 − u bolas blancas. un avi´n de 2 motores o uno de 4 motores? Explique con n´meros. ¿Cu´l es la probabilidad de que dicho avi´n fuese uno a o de los de 2 motores? Asuma q = 0. Jos´ selecciona una urna al azar y hace N extracciones e con reposici´ ıon. 2. . ¿Para que valores de q es m´s seguro un avi´n de 4 motores? a o 3. 10 Urnas Se tienen 10 urnas. e a o u 2. 10. y N − nB bolas negras. 20 de los cuales nıa son de 2 motores (el resto son de 4). obteniendo nB bolas blancas. El h´ ıgado y el alcohol Dice la radio que en el 40 % de los pacientes con problemas hep´ticos. con probabilidad o q = 0. son consumidores a frecuentes de alcohol.01. con qu´ probabilidad no a e tiene un problema alcoh´lico? o 2.0.0. o 1.0. En Cuba el 5 % de la poblaci´n es consumidora habitual de alcohol. pues m´s de la mitad de los pacientes con ıa a problemas hep´ticos son abstemios. Luego le muestra el resultado del experimento a Pedro. Avi´n de cuatro motores II o Cada uno de los motores de un avi´n puede averiarse durante un vuelo. ¿ Si se toma al azar un paciente con problemas hep´ticos. ¿Qu´ es m´s seguro.31.01. Calcule cu´nto m´s probable es tener un problema a a a hep´tico si se es alcoh´lico que si no. El avi´n o puede continuar su vuelo si funcionan al menos la mitad de los motores.33. La compa˜´ FreeFall tiene el viernes en la tarde 100 aviones en vuelo.32. Si N = 10 y nB = 7 ¿cu´l es la probabilidad de que la a urna escogida fuese u desde el punto de vista de Pedro? 2.

12 CAP´ ITULO 2. BAYES Y PROBABILIDAD CONDICIONAL .

35. Acierta en 7 de las 10 ocasiones. Halle la probabilidad de que si responde al azar. Experimento de Bernoulli Supongamos que X representa la diferencia entre el n´mero de escudos y el n´mero de u u estrellas cuando se lanza n veces al azar una moneda sim´trica. Percepci´n extransensorial o Una persona dice tener percepci´n extrasensorial. Halle: e 1.0.34. Graf´ o ıquela. Grafique F (k) = P (X < k) usando una computadora. 3. Comentario: El Dr. Luis Carlos Silva. Muestreo sin remplazo Suponga que un lote de 100 unidades de un producto contiene 6 unidades defectuosas.A. la persona logre un resultado al menos tan bueno como el obtenido. Hallar P (X = 0) y P (X > 2). Para verificar esto se lanza 10 veces o al azar una moneda sim´trica y se le pide a la persona que prediga el resultado de cada e prueba.Cap´ ıtulo 3 V. manteniendo en secreto la numeraci´n de o a o 13 .0. los posibles valores de X. Numerar 100 frascos de agua y someter 50 a la acci´n de las pir´mides. y Distribuciones Multinomiales 3. 2. 3.36. sugiri´ el siguiente experimento o e o para someter a prueba cient´ ıfica los llamados efectos piramidales. Un ensayo cl´ ınico se acepta como respaldo cient’fico a un producto si el resultado obtenido tiene una probabilidad inferior al 5 % de ser reproducido por el azar. la distribuci´n de probabilidad de X cuando n = 3.0. Halle la funci´n o k(N ) del n´mero m´ u ınimo de ´xitos necesarios en la predicci´n del lanzamiento (N veces) e o de la moneda para garantizar estar dentro del criterio del 5 % de fiabilidad. Sea X el n´mero de unidades defectuosas en una muestra de 10 unidades seleccionadas u aleatoriamente del lote. investigador en estad´ ıstica en el Centro de Informaci´n de Ciencias M´dicas (Infomed) y autor de varios libros.

Considere el caso particular de un tiempo de viaje con distribuci´n gaussiana t ∼ o N (30. ¿Cu´l es la probabilidad de que la moneda a no toque la rejilla? Respuesta (1 − a/b)2 . 1). V.40. Y DISTRIBUCIONES MULTINOMIALES los frascos escogidos. Halle la densidad de probabilidad f (x. y) 3. ¿ Son independientes estas variables? Halle. x) (x. ¿Hasta cu´ntos errores podr´ permitirse los piram´logos a a ıan o para estar dentro del criterio del 5 %? 3. Graf´ ıquela. y) as´ como las o ı respectivas marginales. y) . x e y uniformes Sean x e y dos variables aleatorias con probabilidad uniforme en [0. Calcule el instante en que debe partir si k = c. 1.0. la distrbuci´n cumulativa de probabilidad F (x.38. Llegar Tarde o Temprano Suponga que usted tiene una cita. P (1 < X < 3). la probabilidad de que x < y dado que y < 0.0. la probabilidad de que x < y. Cumulativa gaussiana 2 o o Sea F (x) = 1 − e−x la funci´n de distribuci´n de la variable aleatoria X . Determine el instante en que usted debe partir para minimizar el costo esperado. Suponga que el tiempo del viaje suyo hasta el lugar de la cita es una variable aleatoria con densidad de probabilidad f (t). 2.0. 10). 3. Halle la probabilidad con la que se puede formar un tri´ngulo con los a tres segmentos resultantes de dicha selecci´n ((0.37. El costo por unidad de tiempo de una llegada tarde a la cita es k .41. 1]. Calcule: P (X > 2). y si k = 10c. la densidad de probabilidad de la variable aleatoria x + y. y) y (y.A. 4. 3.14 CAP´ ITULO 3. Triangulo Considere la selecci´n aleatoria (con probabilidad uniforme) de dos puntos en un sego mento de longitud 1. Interpr´telos. y el costo por unidad de tiempo de una llegada antes de la hora fijada para la cita es c.5.0. donde x es el punto m´s o a a la izquierda) 3. de forma aleatoria.39. la densidad de probabilidad de la variable z = m´ ın(x. Moneda en rejilla (MacKay) Una moneda circular de radio a se lanza sobre una rejilla cuadrada (dibujada en un papel) con lado b > a. Luego devolver los 100 frascos a los defensores de la energ´ piramidal ıa y pedirles que por cualquier m´todo que ellos quisieran identificacen los frascos que hab´ e ıan sido sometidos a las pir´mides.0. e 3.

z? 6. . Interiror de la esfera: Vector aleatorio Considere a todos los puntos del interior de una esfera de radio R como equiprobables. Superficie de la esfera Considere el espacio muestral compuesto por los puntos de la superficie de una esfera. Defina la variable aleatoria θ. Considere todos los puntos equiprobables. φ)? a 3. Graf´ ıquela. Halle la densidad de probabilidad de la variable aleatoria (vector) r = (x.42. Halle la densidad marginal en r f (r). ¿Por qu´ no son todos los valores de (θ.0. φ) equiprobables? e 5. ¿Cu´l es la densidad de probabilidad f (θ.44.43. z) 3. Halle al densidad de probabilidad de (r. Vector aleatorio Considere a todos los puntos del interior de una esfera de radio R con probabilidades tales que el m´dulo del vector a un punto es una varaible aleatoria con distribuci´n uniforme o o en 0. Halle la densidad de probabilidad de la variable (r. Aguja en Parrilla (MacKay) Una aguja de longitud a es lanzada sobre un plano cubierto de lineas paralelas equidistantes (distancia b > a). 3. ¿Es igual a la del ejercicio anterior? 2. R. Halle las probabilidades condicionales f (x|r) y f (r|x) que relacionan al m´dulo de un o vector con una de sus proyecciones. θ. ¿Cu´l es la distribuci´n cumulativa F (θ. z) 2. 3. 1. 1.0.0. En qu´ rango de valores de θ y φ f (θ. ¿Son independientes las variables θ y φ? 3. y. ¿ Es esto cierto para x. ¿Cu´l es la probabilidad de que la aguja intersecte alguna a 2a de las lineas? Respuesta πb 3. φ) > 0 e 2.45. 5. θ. φ (coordenadas esf´ricas) para designar dichos puntos. y. φ). f (x). φ). e 1. Halle las probabilidades condicionales f (x|r) y f (r|x) que relacionan al m´dulo de un o vector con una de sus proyecciones. Demuestre que el m´dulo r y cualquier de las coordenadas angulares son variables o independientes.15 3.0. y. 4. φ)? a o 4. Halle la densidad de probabilidad de la variable aleatoria (vector) r = (x. Halle la densidad marginal en x.

0. Si todos los puntos o de la esfera son equiprobables. Llamemos O al punto de tangencia.0. ¿Hacia qu´ valores o e de r se concentra dicha densidad de probabilidades?. le hacemos corresponder el unico punto del plano que esta en l´ ´ ınea con este y con el punto P . c´mo distribuye su distancia al centro del a o blanco? Esfera en ℜn .46. cu´l es la densidad de probabilidad correspondiente a los a puntos (x. V. Esfera Compleja Considere un plano coordenado. Esto define una relaci´n biyectiva entre el plano y la superficie de la esfera.47. halle la densidad marginal del m´dulo del radio vector f (r).16 CAP´ ITULO 3. Y DISTRIBUCIONES MULTINOMIALES 3. Considere a todos los puntos del interior de una esfera en ℜn como equiprobables. Particularmente.A. y) del plano a trav´s de la biyecci´n descrita? e o 3. Tomando en cuenta que el volumen contenido en el interior de una esfera de radio r es V (r) ∝ r n . Dado cualquier punto en la superficie de la esfera. Sobre su origen se situa una esfera de radio 1 de forma tangencial. y P al punto diametralmente opuesto en la superficie de la esfera. si el impacto de una flecha en un blanco circular est´ equidistribuido.

(Ver ejercicio siguiente como o aplicaci´n) o 4. en la cual se define una nueva variable aleatoria como funci´n de x e y.Cap´ ıtulo 4 Funci´n de Variables Aleatorias o Continuas Ejercicios Te´ricos o 4.48.0.49.50. Convoluci´n o Si X e Y son dos variables aleatorios independientes. Demuestre particularmente que esta expresi´n se reduce a o la estudiada en clase y que adem´s cumple con la definici´n para la funci´n de distribuci´n a o o o cumulativa FY (y) = P (Y < y) Extienda este resultado al caso de distribuciones multivariadas f (x.0. Medida Deltaica Demuestre que si la variable aleatoria Y es funci´n de la variable aleatoria X. y). F −1 (X) Distribuci´n Inversa o Demuestre que si la variable X ∼ U [0. 1] y la variable aleatoria Y = F −1 (X). (Ver ejercicio del generador de n´meros aleatorios como aplicaci´n). Y = ψ(X). donde es una funci´n biyectiva. o entonces una forma equivalente de hallar la densidad de probabilidad de Y es fY (y) = fX (x)δ(y − ψ(x))dx donde δ(x) es la delta de Dirac. entonces la distribuci´n cumulativa de Y viene dada por o o F (y). 17 . demuestre que la densidad de probabilidad de Z = X + Y viene dada por la convoluci´n de las densidades de las variables o originales.0. u o 4.

54. Estirando Intervalos ¿ Qu´ funci´n matem´tica debe relacionar a la V. e o a continua X ∼ U (0. X2 .0.56. y). 1) si se desea que Y tome con probabilidad 1/2. Xn ). FUNCION DE VARIABLES ALEATORIAS CONTINUAS 4.0.0. e random variables) = {X1 . . continua Y = g(X) con la V. o 4. o o Ejercicios de C´lculo a 4.57. Exponencial Sea X ∼ U (0.53. .18 ´ CAP´ ITULO 4.i. . ¿C´mo es posible obtener a partir de la misma n´meros aleatorios con distribuci´n o u o 1. M´ximo de un conjunto de variables a Considere a las variables aleatorias independientes e id´nticamente distribuidas (i.0. X2 .A. . o . Flecha y Arco Si una flecha lanzada usando un arco tiene una probabilidad homog´nea de impactar e en cualquiera de los puntos de las diana (con forma circular). cu´l es la densidad de la a variable z = x ∗ y y z = x/y? 4. valores entre 0 y 1 (uniformemente) y con probabilidad 1/2 valores entre 1 y 3 (uniformemente)? 4.0. Halle las densidades de probabilidad de las variables aleatorias X n y 4. Generador de N´meros Aleatorios u Considere que tiene una subrutina random() que genera n´meros aleatorios entre 0 y u ¯ 1.A. X*Y y X/Y Si las variables X e Y tienen densidad de probabilidad f (x.0.0.52. . Sea Y = max(X1 . Gaussiana? 2. (b) Exponencial. . Halle la funci´n de distribuci´n cumulativa de Y y su respectiva densidad de probabilidad. Exponencial? Programe una de estas formas y compruebe haciendo un histograma de los n´meros obteu nidos que realmente cumplen con la distribuci´n deseada. Xn }. cu´l es la distribuci´n de a o probabilidad de la distancia del impacto al centro de la diana? 4. eX . con Xi ∼ f (x). 1).51.d.55. Distribuci´n de x + y o Halle la densidad de probabilidad de la variable aleatoria z = x + y si tanto x como y son dos variables aleatorias con distribuci´n (a) Gaussiana.

0.19 4.62.61. σ]. 4. 4. que no sabe que la moneda no est´ trucada (no cargada). ¿Cu´l es la distribuci´n de h? a o 4. o 4. Distribuci´n de x/y o Halle la densidad de probabilidad de la variable aleatoria z = x + y si tanto x como y son dos variables aleatorias con distribuci´n (a) Gaussiana. (b) Poissonica. Halle la densidad de probabilidad de la diferencia Z = Y − X. estima el sesgo a e de la misma como h = e+c donde e es el n´mero de escudos y c es el de caras en el u experimento anterior. Se sabe que la suma de dos variables aleatorias X e Y distribuye N[0. y) correspondiente? a 2.0. Y ] mientras que la variable Y tiene una densidad exponencial f (y) = λe−λy definida para y > 0. Distribuci´n de x ∗ y o Halle la densidad de probabilidad de la variable aleatoria z = x + y si tanto x como y son dos variables aleatorias con distribuci´n (a) Gaussiana. ¿Son estas variables independientes? Halle la densidad de probabilidad condicional f (x|y) e f (x|y). . 2. 1.0. y) correspondiente. ¿Son independientes las variables X e Y ? Obtenga la probabilidad condicional de X dado Y .0. Moneda cargada (MacKay) Una moneda no cargada (P (0) = P (1) = 1/2) es lanzada hasta que sale una cara.¿ Cu´l es el valor esperado del n´mero de lanzamientos?. o 4. (b) Poissonica. Halle la densidad marginal de cada una de estas variables f (x) y f (y). Halle la densidad de probabilidad f (x. X menor que Y Exponencial La variable aleatoria X ∼ U [0.60.59.0. Suma Gaussiana ESTA MAL REDACTADO. ¿Cu´l es la densidad de probabilidad f (x. 3. 1. 3. Halle la densidad de probabilidad del producto Z = XY de ambas variables. a u 1. Alberto.58.

¿Cu´l es el valor esperado del tiempo de espera? a Respuesta: Sean U1 ∼ U (0. Considere la variable aleatoria r. Esperar un Omnibus Suponga que usted llego en un instante aleatorio a una parada de omnibus donde puede tomar dos rutas. ¿Cu´nto ha transa currido como promedio desde que parti´ el omnibus anterior? ¿Cu´l es el tiempo o a promedio entre el omnibus partido y el que est´ a 4. Una o persona llega a la parada.0.0. FUNCION DE VARIABLES ALEATORIAS CONTINUAS 4. o . Demuestre que la densidad de probabilidad de r es f (r) = 1 2r 2 (r − D 2 )− 2 L 1.65.64. ¿Cu´l es el promedio entonces entre el autobus anterior y a el siguiente? Respuesta 12 minutos. Una persona llega en un instante aleatorio a la parada. entonces el tiempo de espera a la llegada del primer o o ´mnibus sera U = m´ ın(U1 . ¿Cu´l es el tiempo promedio transcurrido desde que se fue el omnibus anterior a a su llegada? Respuesta 6 minutos. 10) las variables aleatorias que modelan el tiempo de espera en la parada para cada ´mnibus. 10)]dx 1−2 x2 x + 10 100 10 0 = 0 dx 10 1000 = 300 3 = x− x3 x2 + 10 300 = 10 − 10 + 4.20 ´ CAP´ ITULO 4.0. Explique la aparente contradicci´n.63. U2 ). Asumamos que a o o la probabilidad de que un terremoto se origine en cualquier punto de la falla es uniforme. Si la intensidad del terremoto I se reparte superficialmente (a una distancia r se siente I un temblor de intensidad ε = 2πr ). definida como la distancia desde la represa hasta el punto de origen de un terremoto. calcule la densidad de probabilidad de sentir un terremoto de intensidad ε en la posici´n de la represa. El omnibus en Poissonville y Clockville En Poissonville los autobuses llegan a las paradas de forma aleatoria e independientes unos de otros (proceso de Poiss´n) con un promedio de un autobus cada 6 minutos. 10) + U 2 (0. Los omnibus de cada una de las rutas llegan uno tras otro a intervalos de diez minutos. donde el transporte llega en tiempos precisos. luego +∞ EU = 0 10 [1 − 2U (0. como vimos anteriormente U ∼ 2U (0. Considere ahora Clockville. o 1. 10). 10) y U2 ∼ U (0. ¿Cu´nto a tiempo le queda por esperar como promedio? Respuesta 3 minutos. 10) − U 2 (0. Represa y Terremoto Se piensa construir una represa en un punto del rio Colorado que dista una distancia D del punto medio (y m´s pr´ximo) de una falla tect´nica de longitud 2L. exactamente cada 6 minutos. ¿Cu´l es el tiempo promedio que deber´ esperar? Respuesta 6 a a minutos.

X ∼ Gam(λ.} con distribuci´n geom´trica o e pX (j) = (1 − p)j−1 p 21 .Cap´ ıtulo 5 Funci´n generadora de Momentos o y Distribuciones m´s comunes a 5. . α) con distribuci´n Gamma o f (x) = donde Γ(α) es la funci´n gamma o ∞ λe−λx (λx)α−1 Γ(α) Γ(α) = 0 e−u uα−1 du 1. L´ ımite Continuo Obtener la densidad exponencial como limite del tiempo de espera en procesos de poisson Obtener la Gaussiana como limite de la binomial. Obtener la Poissonica 5. 2. Distribuci´n Gamma o Considere la V. Usando esta funci´n. ¿C´mo e o o se transforman los par´metros? a 5. . Halle la funci´n generadora de momentos de la distrbuci´n Gamma. o o 2. demuestre que la suma de dos variables aleatorias Z = X +Y que o distribuyen como Gamma.A.0. X ∈ {1.A.66.0. Densidad geom´trica e Considere la V.67. es tambi´n una variable con distribuci´n Gamma. .68.0.

. Se lanza el dado repetidas veces hasta que salga una cara roja.0. un 1 en otras dos. 3.} o con probabilidades P (X = k) = pk .´ ´ 22CAP´ ITULO 5. donde m es el n´mero de lanzamientos o u i=0 realizados.70. Halle la funci´n generatriz de la variable z = m−1 xi . . o 2. Suma aleatoria Un dado no sesgado tiene un 0 en dos de sus caras. FUNCION GENERADORA DE MOMENTOS Y DISTRIBUCIONES MAS COMUNES 1. .0. Halle la varianza de X. 5. . X2 . Use el resultado del ejercicio anterior. viene dada por la siguiente definici´m o +∞ G(t) = k=1 tk p k Considere las variables aleatorias X1 . definamos una nueva variable aleatoria e como m Y = i=0 Xi Demuestre que la funci´n generadora de momentos de Y viene dada por la composici´n o o GM (GX (t) 5. Halle la funci´n generadora de momentos de la variable X. .71. 5. Usando la misma halle el valor esperado y el momento de orden 2 de la variable X. y xi el resultado en cada uno de ellos.0.69. Funci´n Generatriz o (Marinari y Parisi) La funci´n generatriz de la variable aleatoria discreta X ∈ {0. Adivinando distribuciones ¿C´mo distribuyen las siguientes variables aleatorias? o # de llamadas equivocadas a un n´mero de tel´fono en ∆T u e # de errores tipogr´ficos en una p´gina de un libro a a # bacterias bajo el visor del microscopio # de personas con HIV en un avi´n o tiempo de espera hasta la llegada de la pr´xima guagua o tiempo de espera hasta desintegraci´n radioactiva o # de part´ ıculas gamma llegadas al detector desde una fuente radioactiva poco intensa en un ∆T . 2. y las dos restantes dibujadas de rojo. . todas con la misma distribuci´n. Y sea M o tambi´n una variable aleatoria en los naturales.

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

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

75. A partir de ellas encuentre M1 =< x > y M2 =< o x2 >.74. U (0. ¿De qu´ tama˜o e n se debe tomar la muestra par agarantizar que el valor obtenido tenga menos del 1 % de probabilidad de estar fuera de un margen del 10 % del valor real? 25 .2 .0. Funci´n generatriz. T )) por la gaussiana de igual media y desviaci´n o est´ndar.Cap´ ıtulo 6 Teorema Central del L´ ımite Aspectos a tratar Teorema Central del L´ ımite Funci´n Caracter´ o ıstica.0. a 6.0.0. Demuestre TLC Usando cualquiera de las funciones del ejercicio anterior demuestre el teorema central del l´ ımite haciendo un desarrollo en Taylor.73.72. 6. Transformada de la Guassiana Halle la funci´n generadora de momentos φ(t) y la funci´n caracter´ o o ıstica G(k) =< exp ikx > de la distribuci´n gaussiana. o Ejercicios 6. Tama˜o de una muestra n Se quiere hallar el promedio de estatura de los estudiantes de la UH. Aproximaci´n Gaussiana o Compare el resultado de aproximar la suma de dos variables aleatorias z = x1 + x2 distribuidas uniformemente (x1. 6.

0) = 1.76. t) es o ∂P (n. Partiendo de la condici´n inicial P (0.26 CAP´ ITULO 6. t) − 2µP (n.0. o o la ecuaci´n diferencial para P (n. t) + µP (n − 1. o . t) ∂t donde µ > 0 es el coeficiente que caracteriza la rapidez de la difusi´n. TEOREMA CENTRAL DEL L´ IMITE 6. t) = µP (n + 1. Difusi´n en 1D o Muestre c´mo resolver el problema de la difusi´n con tiempo continuo y espacio discreto o o usando la funci´n generatriz (transformada Z).

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

o ˆ El estimador de m´xima similaridad es θ = arg maxψ(θ). . pues muchas o veces podemos calcular la distribuci´n posterior a partir de una f´rmula simple de sus o o par´metros. x2 . xN ) = fθ (x1 )fθ (x1 ) . . ¿Cu´l a a ˆ que maximiza la similaridad entre los resultados (x1 . . sin pasar directamente por el teorema de Bayes. fθ (xN ) = f (xi |θ) = ψ(θ) donde ψ(θ) se llama funci´n de similaridad. Tal familia se dice conjugada de la distribuci´n o o de la variable X. a Propiedades de los estimadores Cualquiera sea el m´todo usado para el c´lculo del estimador. que ambas monedas pueden haber sido tomadas con igual probabilidad. desde luego. xN ) el resultado de N muestreos de esta variable. . podemos hallar una familia param´trica e con la siguiente propiedad: Si la distribuci´n a priori de θ pertenece a esta familia. Las familias conjugadas son c´modas computacionalmente. . . suponiendo. Normalmente se calcula deria vando ψ(θ) para buscar su m´ximo. x2 . . . a o Ejercicios 7. a M´xima Similaridad a Sea la variable aleatoria X con densidad de probabilidad fθ (x) (conocida excepto por el valor del par´metro θ). Se toma una al azar y se lanza 10 veces. . . y (x1 . se definen las siguientes e a propieades del mismo. ¿C´mo distribuye el n´mero de caras obtenidas con cada una de estas monedas en 10 o u lanzamientos? 2. Halle el estimador de Bayes correspondiente. xN ) es el valor del par´metro θ a y fθ (x)? Por la indepencia de los valores de xi f (x1 . e 1. Dos monedas Se tienen dos monedas con probabilidades q = 1/2 y q = 3/4 de sacar cara (respectivamente). INFERENCIA BAYESIANA Y MAXIMA SIMILARIDAD Familias Conjugadas En muchos casos especiales pero de importancia. x2 . Halle el valor de q que da mayor verosimilitud al resultado obtenido 3.28 ´ CAP´ ITULO 7.0. .77. . Se dice que un estimador θ es consistente si n→∞ l´ E(θ) = θ0 ım y l´ V ar(θ) = 0 ım n→∞ Se dice que un estimador es no sesgado (unbiased) si E(θ) = θ0 En ambos casos θ0 representa el valor real del par´metro de la distribuci´n que se estima. tambi´n o e lo hace la distribuci´n posterior de θ dado x. obteni´ndose 3 escudos y 7 caras.

80.0. 1. Halle el estimador θ de m´xima similaridad. . 10. Asuma una distribuci´n a priori para el par´metro λ de la distribuci´n o a o poiss´nica λ ∼ Gam(a. Analice la consistencia y el sesgo de ambos estimadores. xn } es una muestra de n experimentos con X ∼ N(µ.0. ¿Cu´l es el o a estimador de Bayes correspondiente? . θ) con par´metro θ desconocido. a 2. . b) = λx −λ e x! ae−λ (aλ)b−1 Γ(b) Demuestre primero que la distribuci´n Gamma es la conjugada de la Poissonica.78. xN } de la variable aleatoria X con distribuci´n uniforme U (0. 0. b). entonces la distribuci´n a posteriori tiene tambi´n a o e distribuci´n normal o b2 i xi + aσ 2 σb . 4. . Estime los par´metros de la distribuci´n correspondiente (Poisson) usando el estimaa o dor de Bayes. o a ˆ 1. . 1. Estimando Poisson Considere la detecci´n de la desintegraci´n radioactiva por un contador Geiger. b) de par´metros (obviamente) conocidos. Conjugada de la Gaussiana Demuestre que si x = {x1 . Se tienen o o los siguiente conteos para 10 intervalos de 5 segundos: x = {3. Obtenga el estimador de m´xima similaridad y compare con el de Bayes. Halle ahora el estimador de Bayes.29 7. donde σ es conocida pero µ es desconocida. o 2. a 7. 6}. Recuerde que o f (x|λ) = P oisson(λ) = Gam(a. 7.√ ) f (µ|x) ∼ N( 2 + nb2 σ σ 2 + nb2 Es decir. 7. . 3. 11.79. 3. . y tenemos un a priori normal para µ ∼ N(a. suponiendo que el par´metro θ tiene una distribua ci´n de Pareto con par´metros θm y α o a h(θ) = α αθm θ α+1 Demuestre primero que la distribuci´n de Pareto es la conjugada de la distribuci´n o o uniforme. con a = 1 y b = 5. σ). x2 . demuestre que la normal es la conjugada de la distribuci´n normal. Estimando la distribuci´n uniforme o Considere que se tiene una muestra {x1 . .0.

. Halle el estimador T de mayor similaridad que estima la temperatura de la columna de aire. 21. . El sesgo de la Varianza Considere la repetici´n de una medici´n sobre una variable X que se asume Gaussiana. Suponga que de alguna forma usted tiene el valor exacto de T al cual est´ la columna a ˆ de aire. 26. 3. Seg´n la ley de u Boltzman. 6. la probabilidad de encontrar una part´ ıcula a la altura z tiene la forma P (z) ∝ e−βz en las unidades apropiadas.30 ´ CAP´ ITULO 7. Term´metro de Boltzman o Considere un grupo de N part´ ıculas en una columna vertical de aire.7. obtenga un valor para el n´mero de part´ u ıculas con qu´ se e obtuvieron los resultados anteriores.3. x2 . . . Demuestre que es un estimador consistente y no sesgado.8. 24. 4.6. 26. cuando se tiene una foto instant´nea de las part´ a ıculas (N valores (z1 . ¿C´mo distribuye la variable T − T si usted realiza muchos experimentos. 25. INFERENCIA BAYESIANA Y MAXIMA SIMILARIDAD 7.2.0.82.81. es o ˆ decir si usted toma muchas fotos de las part´ ıculas y hace el c´lculo de T para cada a una.4) De un intervalo de confianza para la temperatura real de la columna de aire. . xn ).9.0. .0. 1.4. obtenga el estimador de m´xima verosimilitud para a el valor esperado µ y la desviaci´n est´ndar σ de la Gaussiana. .3. Suponga ahora que de hecho disponemos de 10 fotos con los siguientes resultados para el estimador de la temperatura T = (25. 24. 1 ( n−1 n i 2 x2 − ( i xi )2 ) i 7. β = 1/T es el inverso de la temperatura. z2 . Analice si estos estimadores o a son consistentes y no sesgados. 25. 5. Justifique a partir de este resultado por qu´ se suele escoger e σ ′2 = como estimador de la varianza. con un nivel de confianza del 80 %. Si o o se tienen los resultados (x1 . Normalice f (z) = P (z). ˆ 2. 22. Usando la relaci´n entre la varianza de las part´ o ıculas fotografiadas y la varianza de la temperatura estimada. . 23. zN ) de la altura de las part´ ıculas).

85. Realice el c´lculo. se percata de que s´lo han salido repetidas 5 frases en o las 100 veces que ha ejecutado el programa. A modo de prueba se lanza la moneda 10 veces y se obtienen 7 caras. es incapaz de hallar el archivo y contarlas. Un estudiante aburrido se dedica a leer estas frases. a 7. Halle el estimador de Bayes para q y defina un intervalo de confianza con un nivel de confiabilidad del 90 %. se preocupa ahora por la cantidad de frases distintas que la computadora contiene. y sin haber encontrado lo que buscaba. Se tiene un a priori uniforme para el valor de q en el intervalo [0.0. y los devolvemos al estanque antes de que sea demasiado tarde.83. y como no sabe linux. Esperamos un poco.31 7. Tiramos una red o a un estanque y sacamos M peces. de los cuales resulta que m de ellos tienen o la marca realizada en la primera operaci´n.84. Los marcamos con un aro en la cola. y luego repetimos la operaci´n sacando esta vez T peces. Las frases del fortune Linux trae un comando fortune que imprime una frase c´lebre (extra´ aleatoriamente e ıda de un archivo) cada vez que se ejecuta. Si el n´mero de peces sacados en cada ocasi´n o u o no es muy peque˜o. 1]. Intervalo de confianza Bayesiano Se tienen 10 lanzamientos de una moneda de la cual se desconoce el valor de la probabilidad q con la que se obtiene una cara como resultado. esperando encontrar el sentido de la vida en ellas. Contando Peces ¿C´mo se cuentan los peces de un estanque? Una forma es la siguiente. Demuestre que es posible estimar dicho n´mero.0. 7. Al cabo de media hora en esta tarea. u . deber´ n ıamos ser capaces de estimar la cantidad total de peces a partir de estos datos obtenidos. Abandonando las preguntas trascendentales.0. tal vez un dia.

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

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

Parametro constante Pruebe que si uno de los par´metros en un modelo lineal es una constante aditiva. β2 . . β1 . y = β1 sin(β2 x) 2.) = j=1 βj φj (xi ) donde φj (x) son funciones arbitrarias de los datos experimentales (no necesariamente lineales).2. el estimador de m´ ınimos cuadrados viene dado por la expresi´n matricial o ˆ βLLSQ = (xT x)−1 xT y donde xi.2. e y = (y1 .2.4. Ejercicios Formula Matricial para modelos lineales Un modelo lineal es aquel en que los m par´metros β = β1 .2.j = φj (xi ) es una matriz de dimensi´n n × m. .3. 8.1. . 8.2. .34 CAP´ ITULO 8. Demuestre que en el caso de modelos lineales.2. . y = β1 + β2 x 2. . . βm entran de forma a lineal en el modelo que estamos tratando de ajustar m y = h(xi . y = β1 + β2 x + β3 x2 8. a entonces la suma de los residuos es cero ri = 0 i . y = β1 exp(β2 x) Considere un ruido gausiano afectando los valores de xi 8. . . . Recta y Parabola Estudie la aplicaci´n del ajuste por m´ o ınimos cuadrados a los modelos lineales siguientes 1. tes Recta y Parabola Estudie la aplicaci´n del ajuste por m´ o ınimos cuadrados a los modelos no lineales siguien1. DATOS EXPERIMENTALES Y M´ INIMOS CUADRADOS 8. yn ) es el vector de o las mediciones realizadas para la variable dependiente. y2 . β2 . .

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

TEST DE HIPOTESIS criterio de rechazo los valores de la variable experimental m´s alejandos del valor esperado a y sobre los cuales se concentra el 5 % de la probabilidad. . 1. ¿Qu´ regla de rechazo x ≥ c garantiza una significaci´n del 5 %? e 5.7. es decir. Calcule la probabilidad de recharzar H0 como funci´n del valor esperado real µ (deso conocido normalmente) con que se generan los datos. o o el estad´ ıgrafo m´s evidente ser´ la estandarizaci´n de la media observada H = h−µ0 ∼ a ıa o σ N (0. es fundamental conocer la forma de la distribuci´n o estad´ ıdistica del par´metro observado. ¿En el caso en que los datos fuesen generados con un valor esperado µ = 55. con una desviaci´n est´ndar muestral de σ = 46. y halla que esa muestra dedica un tiempo promedio T = 128. u o Para establecer el criterio de corte.2.2. ¿Qu´ probabilidad tiene la regla fijada por el investigador de incurrir en errores de e tipo I? 3. El investigao dor realiza su propia encuesta a 25 individuos. . En otras palabras.2.8 minutos diarios a ver la televisi´n. Se tiene como hip´tesis nula que H : µ = µ = 50. y por tanto dan un criterio de rechazo para esta. con qu´ probabilidad se cometen errores de tipo o e II? o 4. ¿ Existe evidencia para la hip´tesis del investigador? Use el criterio o del 5 % para la significaci´n del test. una combinaci´n de nuestros datos experimentales y de los par´metros de su o a distribuci´n que tienen una distribuci´n conocida de antemano. Supongamos que o a el tiempo que un individuo le dedica a internet es una variable aleatoria con distribuci´n o normal Ti ∼ N (µ0 . Un investigador fija una regla de rechazo para la hip´tesis nula de forma o arbitraria en x ≥ 52. En el ejemplo anterior. Media y Varianzas desconocidas Sea una muestra x = (x1 . .2. 1). x2 5) de n = 25 mediciiones con distribuci´n normal de o 2 = 100.1. . y como alternativa varianza σ o 0 0 que H1 : µ = µ0 . 2. Un u o investigador tiene la hip´tesis de que a internet se le dedica menos tiempo. 9. seg´n la hip´tesis nula.36 ´ CAP´ ITULO 9.5. o 9. σ0 ). de forma que la hip´tesis alternativa es cierta. Ejercicios Internet y TV Seg´n una encuesta los suecos dedican 154. 9. En ocasiones es conveniente construir un estad´ a ıgrafo. Calcule el n´mero de mediciones n necesarias para que la regla fijada arbitrariamente u tuviese una significaci´n del 5 % o . x2 . se asume que los eventos experimentales con probabilidad de ocurrencia inferior al 5 % son eventos raros.

EJERCICIOS 37 9. 2. Cavendish Usando la data de Cavendish.2.2. diga si la raz´n entre la densidad de la tierra y del agua o es menor que 5. diga si es posible afirmar que esta es mayor que c0 = 299000Km/s con una significaci´n o de 5 %. Producto de la tienda Una bolsa de papitas fritas dice tener 250g (gramos) de contenido. Halle la densidad de probabilidad porrespondiente a este estad´ ıgrafo.5 con un nivel de significaci´n del 5 %. o . H0 : σ ≥ 7 contra H1 : σ < 7. 2.7. H0 : µ ≥ 250 contra H1 : µ ≤ 250.3. Usando una significaci´n del 5 % diga si es posible rechazar la hip´tesis nula en los casos siguientes o 1. 9. Se miden 75 bolsitas o hallando P = 248g y σ = 5. Varianza Conocida Para el test de hip´tesis de la media con σ0 conocida.2. El test del signo El test del signo (no param´trico) para la mediana se define a trav´s del estad´ e e ıgrafo w= i Sign(xi − µ) 1.2.2. calcule c´mo depende la regi´n o o o de rechazo de la hip´tesis nula con el tama˜o de la muestra. 9.6.9.4.2. Comp´relos con los intervalos o n a de confianza para el estimador de la media. 9. 9. Michelson Usando la data de Michelson en su famoso experimento para medir la velocidad de la luz.5. Halle el punto de corte en w para rechazar la hip´tesis µ = µ0 con una significaci´n o o del 5 %.

TEST DE HIPOTESIS .38 ´ CAP´ ITULO 9.

Teor´ ıa Ejercicios Significaci´n de MLR o f (x|θ0 ) f (x|θ1 )<k Compruebe que MLR con criterio de corte L = tiene nivel de significaci´n o α = P0 (L < k) 10. de forma a n que P (T est + |H0 ) = 3 %.1. Un persona de esta poblaci´n se realiza el test y le da positivo. Exponencial Se tienen dos teor´ sobre cierto n´cleo at´mico raro. Test del VIH La prueba cl´ ınica para la detecci´n del VIH en las personas es muy precisa. La prevalencia del VIH en cierta poblaci´n es del P (H1 ) = 3 % o 1. 10. ¿Con qu´ probabilidad una persona cuyo test da negativo est´ infectada? ¿Hay criterio e a para rechazar H1 ? 10. y por H1 que o est´ nefermo. El test tiene una peque˜a probabilidad de fallo en personas sanas.5. donde por H0 estamos tomando la hip´tesis de que el paciente es sano. Test para la dist.Cap´ ıtulo 10 Comparaci´n de Hip´tesis con o o MLR y MAP 10. El test arroja o un resultado positivo siempre que se le aplica a una persona enferam P (T est+|H1 ) = 100 %.4.2.3. 10. ¿ Con qu´ probabilidad o e est´ realmente infectada? ¿ Es un criterio fuerte el resultado del examen para rechazar a H0 ? 2. La primera predice un tiempo de ıas u o vida medio t1 = 1/b1 y la segunda t2 = 1/b2 . Se desea usar el conjunto de mediciones de 39 .

a o 2.40 ´ ´ CAP´ ITULO 10. Demuestre que Y = ti ∼ Gam(n. . tn ) para discernir entre estas teor´ ıas H0 : P1 (t) = b1 e−b1 t H1 : P2 (t) = b2 e−b2 t 1. . Halle el estimador de m´xima verosimilitud par ala distribuci´n exponencial. . t2 . 1/b) 3. Si definimos γn. Demuestre que el MLR es L = ( b1 )2 e−(b1 −b2 )Y b2 4.b (α) tiene significaci´n α o .b (α) el percentil de orden α de la distribuci´n Gamma. . demuestre que o el criterio de rechazo Y ≤ γn. COMPARACION DE HIPOTESIS CON MLR Y MAP tiempos de vida t = (t1 .

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

Sign up to vote on this title
UsefulNot useful