Guia Probabilidad 3

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 3

Ingeniería Matemática

FACULTAD DE CIENCIAS
FÍSICAS Y MATEMÁTICAS
UNIVERSIDAD DE CHILE
MA 3403, 09/11/17, Prof. R. Gouet.

Guía de Ejercicios #3

1. El CEI ha instalado un kiosco donde ofrece mote con huesillo a los 1250 asistentes a un evento
social. Se sabe que cada persona decide independientemente de las demás el número X de vasos que
consumirá, el cual puede considerarse como una va discreta con valores en el conjunto {0, 1, 2, 3}
y probabilidades p0 = 0.1, p1 = 0.6, p2 = 0.2, p3 = 0.1. La empresa debe encargar previamente el
número total de vasos a un proveedor, siendo muy importante que nadie se quede sin su mote con
huesillo pero al mismo tiempo, intentando que no sobren demasiados porque eso iría a pérdida.

(a) Calcule la esperanza y la varianza de la v.a. M definida como el número total de vasos consu-
midos en el evento.
(b) Muestre que la función de distribución FM (x) de la va M es aproximadamente Φ( x−1625
27.58 ), donde
Φ es la función de distribución de la v.a. normal N (0, 1).
(c) Use el resultado de la parte (b) para calcular aproximadamente el número de vasos N que
debe encargar al proveedor, de manera que la probabilidad de que todos queden satisfechos sea
superior a 0.95. Exprese su resultado en términos de Φ o su inversa.

2. Sean X1 , X2 , . . . , Xn va independientes de Poisson con parámetros


Pn respectivos λ1 , λ2 , . . . , λn . Usando
la
Pn función generadora de momentos, muestre que S n = i=1 Xi es una v.a. de Poisson con parámetro
λ
i=1 i .

3. Sean X1 , . . . , Xn v.a. iid normales, de parámetros µ = 0, σ 2 = 1. Muestre que la va X12 + . . . + Xn2 ,


(n ∈ N, n ≥ 1) tiene ley gama de parámetros λ = 1/2 y p = n/2 (χ2 (chi cuadrado) con n grados
de libertad). Ind: demuestre el resultado por inducción sobre n, para lo cual requiere poco más que
un cambio de variable en R2 . Alternativamente, si prefiere, puede usar la función generadora de
momentos.

4. Sean X e Y v.a. independientes, ambas con densidad exponencial1 de parámetros respectivos λ y µ.

(a) Determine la densidad conjunta del vector (U, V ), donde U = λX/(λX + µY ), V = λX + µY .


Ind: use el método del Jacobiano.
(b) Calcule las marginales de U y V y demuestre que son v.a.independientes.

5. Sean X e Y variables aleatorias absolutamente continuas, con densidad conjunta f (x, y) = (1 +


xy(x2 − y 2 ))/4, para |x|, |y| ≤ 1 y f (x, y) = 0 en otro caso. Determine la densidad de probabilidad
de Z = X + Y .

6. Sean X, Y v.a. independientes uniformes en [−1, 1]. Obtenga la densidad de las siguientes v.a.

(a) X + Y
(b) X − Y
(c) XY
(d) X/Y
(e) X 2 + Y 2
1
La densidad exponencial con parámetro λ es λe−λx , x > 0.
7. Sean X, Y v.a. independientes, ambas con densidad exponencial de parámetro λ. Determine la
densidad conjunta del vector (U, V ), donde U = X/Y , V = X 2 + Y 2

8. Sean X, Y v.a. independientes normales N (0, 1) y U una v.a. uniforme en [0, 1], independiente de
X, Y . Muestre que la v.a.
UX + Y
Z=√
U2 + 1
tiene ley normal N (0, 1). Ind: use probabilidades totales, condicionando en U .

9. Un profesor afectado por el stress, sale a tomar aire y realiza un paseo de tipo aleatorio en la
calle Beauchef. El paseo consiste en dar, cada 10 segundos, un paso hacia adelante o uno hacia
atrás, con probabilidades 1/2, 1/2, independientemente unos de otros. Suponga que cada paso mide
exactamente 40 centímetros. Aplique el Teorema Central de Límite (TCL) para calcular (aproxi-
madamente) la probabilidad de que el profesor se encuentre a menos de 4 metros de su punto de
partida, al cabo de 1 hora de paseo. Exprese su resultado en términos de la función Φ (distribución
de una N (0, 1)).

10. Se sabe que una fábrica produce un 10% de artículos defectuosos. De qué tamaño se debe tomar
una muestra (MAS) de artículos de manera que la proporción de defectuosos en la muestras sea
inferior a 12% con probabilidad al menos 99%? Ind: suponga que dispone de una MAS del modelo
de Bernoulli con p = 0.1 y aplique el TCL para aproximar la probabilidad, luego despeje n de la
desigualdad resultante.

11. Considere el siguiente método muy rudimentario para calcular π. Se lanzan n puntos al azar en un
cuadrado unitario y se cuenta el número Nn de puntos que están a una distancia ≤ 1/2 del centro
del cuadrado.

(a) Use la LGN para mostrar que π̂n := 4Nn /n → π c.s.


(b) Use el TCL para determinar aproximadamente el número de puntos que son necesarios para
que |π̂n − π| < 10−4 con probabilidad 0.9.

12. La duración de una componente electrónica es una v.a. T positiva, con densidad de probabilidad
f (t|θ) = 1θ e−t/θ , t ≥ 0, θ > 0, donde θ > 0 es un parámetro desconocido que se quiere estimar, a
Pn de una muestra de tiempos de duración T1 , T2 , . . . , Tn iid. Muestre que el estimador θ̂ = T n =
partir
i=1 Ti es insesgado para θ.

13. El número de fallas de una máquina, durante le intervalo de tiempo [0, t] (expresado en horas) se
puede modelar como una v.a. K con función de probabilidad de Poisson, dada por

e−θt (θt)k
p(k|θ) = ,
k!
donde k = 0, 1, 2, . . . , t > 0 y θ > 0 es un parámetro desconocido que se requiere estimar, a partir
de una muestra K1 , K2 , . . . , Kn iid.

(a) Muestre que K n /t es estimador insesgado de θ .


(b) Se han efectuado 8 observaciones independientes de la máquina, en períodos de 24 horas, ob-
teniéndose los resultados siguientes, respecto del número de fallas: 1,3,0,5,2,3,2,4. Calcule una
estimación (numérica) para θ, a partir del estimador en (a).

2
14. Dadas observaciones iid X1 , X2 , . . . , Xn de un modelo de Poisson de parámetro λ. Interesa estimar la
probabilidad del valor 0, es decir, g(λ) = Pλ (X1 = 0) = e−λ . Para ello consideramos tres estimadores:

gb1 (X1 , X2 , . . . , Xn ) = e−X n ,


n
1X
gb2 (X1 , X2 , . . . , Xn ) = 1{Xi =0}
n
i=1

(proporción de ceros en la muestra) y

gb3 (X1 , X2 , . . . , Xn ) = (1 − 1/n)nX n .

Muestre que el primer estimador es sesgado y los dos últimos son insesgados para g(λ).

15. Considere X1 , X2 , . . . , Xn va iid del modelo uniforme en [0, θ], con θ > 0 parámetro desconocido.
Considere los estimadores de θ dados por

θb1 (X1 , X2 , . . . , Xn ) = max{X1 , X2 , . . . , Xn },

θb2 (X1 , X2 , . . . , Xn ) = X n .
Estudie insesgamiento y error cuadrático medio de ambos estimadores.

16. Sean X1 , X2 , . . . , Xn va iid N (0, 1). Sea A = (aij ) una matriz invertible n × n y Σ = (σij ) := AAt .
Se definen las va
Xn
Yi = aij Xj , i = 1, . . . , n.
j=1

(a) Calcule E[Yi ], i = 1, . . . , n y cov(Yi , Yj ), i 6= j.


(b) Calcule la densidad conjunta de las va Y1 , . . . , Yn y exprese su resultado en términos de la matriz
Σ.

También podría gustarte