Prácticas de Teoría de La Probabilidad III

UNIVERSIDAD CENTRAL DE VENEZUELA
FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES
ESCUELA DE ESTADÍSTICA Y CIENCIAS ACTUARIALES
DEPARTAMENTO DE ESTADÍSTICA Y PROBABILIDAD
CÁTEDRA DE PROBABILIDAD E INFERENCIA
PRÁCTICAS DE TEORÍA DE LA PROBABILIDAD III
PROF. TWIGGY L. GUERRERO M.
AÑO 2002
MATERIA: TEORÍA DE LA PROBABILIDAD III
PRÁCTICA Nº 1
1.- Sea X = (X1, X2) un vector aleatorio, en el cual cada Xi es la variable aleatoria asociada al lanzamiento de
un dado correcto. Halle la función de masa de la variable aleatoria Y = X + X .
1 2
2.- Sea X = (X1, X2) un vector aleatorio con función de masa definida por:
(
P x , x = I{)
1
( )
X 1 2 16 1,2,3,4} 1 {1,2,3,4} 2
x I x ( )
Halle la función de masa de la variable:
a.- Y = X 1 + X 2 . c.- Y = X 1 − X 2 .
b.- Y = X 1 − X 2 . d.- Y = ( X 1 − 2 )( X 2 − 3) .
3.- Sea X = (X1, X2) un vector aleatorio con función de masa dada por:
X1/X2 -1 0 1 2
-2 h 2h 3h 4h
-1 3h h 4h 2h
0 h 4h h 2h
1 h 2h h h
Halle la función de masa de la variable Y = X 1 − X 2 .
4.- Sea X = (X1, X2) un vector aleatorio del ejercicio anterior. Halle la función de masa conjunta de:
a.- Y1 = X 1 ; Y2 = X 2 . b.- Y1 = X 1 − X 2 ; Y2 = X 2 .
x +x 2−x −x
(
P x ,x =  
X 1 2 3
)
 2 1 2 1

3

1 2
I{ } x I{ } x
0,1 1 0,1 2
( ) ( )
Halle la función de masa conjunta de Y1 = X 1 − X 2 ; Y2 = X 1 + X 2 .
X 1 2
( )
xx
P x , x = 1 2 I{ } x I{ } x ( )
36 1,2,3 1 1,2,3 2
( )
Halle la función de masa conjunta de Y1 = X 1 X 2 ; Y2 = X 2 .
7.- Sea X = (X1, X2) un vector aleatorio, en el cual X1 y X2 son variables aleatorias independientes con
distribución Poisson de parámetros λ1 y λ2, respectivamente. Halle la función de masa conjunta de
Y1 = X 1 + X 2 ; Y2 = X 2 . Halle las marginales. Demuestre que la distribución condicional de Y2 dado
Y1 es binomial.
distribución binomial b(ni, p), para cada i = 1, 2. Halle la función de masa conjunta de
Y1 = X 1 + X 2 ; Y2 = X 2 . Halle la marginal de Y1.
9.- Sea X = (X1, X2, X3) un vector aleatorio, en el cual X1, X2 y X3 son variables aleatorias independientes con
distribución Poisson de parámetros λ1, λ2 y λ3 respectivamente. Halle la función de masa de
Y = X1 + X 2 + X 3 .
10.- Sea X = (X1, X2) un vector aleatorio continuo con función de densidad fX. Halle la función de densidad de la
variable aleatoria:
a.- Y = X1 + X 2 . c.- Y = X 1 X 2 .
b.- Y = X1 − X 2 . d.- Y = X1 / X 2 .
11.- Sea X = (X1, X2) un vector aleatorio con función de densidad definida por: f x , x = I( ) x I( ) x .
X 1 2 0,1 1 0,1 2
( ) ( ) ( )
Halle la función de densidad de Y = X 1 + X 2 .
1
( )
12.- Sea X = (X1, X2) un vector aleatorio con función de densidad dada por: f x , x = I( ) x I( ) x . Halle
X 1 2 2 0,2 1 0,1 2
( ) ( )
la función de densidad de Y = X 1 X 2 .
(
13.- Sea X = (X1, X2) un vector aleatorio con función de densidad definida por: f x , x = 3x I( ) x I
X 1 2
) x .
1 0,1 1  0, x  2
( ) ( )
 
 1
Halle la función de densidad de Y = X 1 − X 2 .
14.- Sea X = (X1, X2) un vector aleatorio con función de densidad dada por:
 2 2 
x
 1 + x 
 2
1 −
(
f x ,x =
X 1 2 2π
e ) 2 ( )( )
I x I x . Halle la función de densidad de Y = X 1 / X 2 .
R 1R 2
15.- Sea X =
(X1, X2) un vector aleatorio con función de densidad definida por:
2x x2
( ) ( ) ( )
f x , x = 1 2 I( ) x I( ) x .Halle la función de densidad de Y = X1 X 2 .
X 1 2 9 0,1 1 0,3 2
16.- Sea X = (X1, X2) un vector aleatorio con función de densidad similar a la del problema 14, hallar la
distribución de:
a.- Y = X12 + X 22 . b.- Y = X12 + X 22 .
 
− +
( ) ( ) ( )
 ax bx 
 1 2
f x , x = ke
0,+∞ ) 1 (0,+∞ ) 2
I( x I x . Halle la función de densidad conjunta de
X 1 2
Y1 = X1 + X 2 ; Y2 = X1 − X 2 .
distribución exponencial de parámetros λ. Demuestre que las variables aleatorias
Y1 = X1 + X 2 ; Y2 = X 1 / X 2 son independientes.
distribución chicuadrado con ni grados de libertad, para i = 1, 2. Demuestre que las variables aleatorias
Y1 = X1 + X 2 ; Y2 = X 1 / X 2 son independientes.
20.- Sea X = (X1, X2) un vector aleatorio, donde cada Xi tiene una distribución uniforme en el intervalo (0,1) y
son independientes, para i = 1, 2. Demuestre que las variables aleatorias
1
( 1 2
) 2 1
( 2
)
Y = − 2 ln X cos 2πX ; Y = − 2 ln X sen2πX son independientes y con distribución N(0,1).
21.- Sea X = (X1, X2) un vector aleatorio con función de densidad definida por:
( ) ( ) ( )
f x , x = 4 x x I( ) x I( ) x . Halle la función de densidad de Y1 =
X 1 2 1 2 0,1 1 0,1 2
X 12 ; Y2 = X 22 .
22.- Sea X = (X1, X2) un vector aleatorio con función de densidad dada por: ( 1
f x , x = I( ) ( )
X 1 2 4 − 1,1) 1 (− 1,1) 2
x I x . ( )
Halle la función de densidad de Y1 = X12 ; Y2 = X 22 .
1 2 2
23.- Sea X = (X1, X2) un vector aleatorio con función de densidad definida por: f x , x =  π
X 1 2
(
 ; x1 + x 2 ≤ 1
. )
0, t.o.l

Halle la función de densidad de Y1 = X12 + X 22 ; Y2 = arctg ( X 2 / X1 ) .
k; A
24.- Sea X = (X1, X2) un vector aleatorio con función de densidad dada por: f x , x = 
X 1 2 0, t.o.l
(
, donde A es el )
triángulo de vértices (1,0), (-1,0), (0,1). Halle la función de densidad conjunta de
Y1 = X1 + X 2 ; Y2 = X1 − X 2 .
k; A
25.- Sea X = (X1, X2) un vector aleatorio con función de densidad definida por: f x , x = 
X 1 2 0, t.o.l
(
, donde A es )
el triángulo de vértices (0,0), (1,0), (0,3). Halle la función de densidad conjunta de
Y1 = X 1 + X 2 ; Y2 = X 1 − X 2 .
(
26.- Sea X = (X1, X2) un vector aleatorio con función de densidad dada por: f x , x = I( ) x I( ) x . Halle la
X 1 2 0,1 1 0,1 2
) ( ) ( )
función de densidad de:
a.- Y1 = X1 + X 2 ; Y2 = X1 − X 2 . b.- Y1 = X1 + X 2 ; Y2 = X 1 X 2 .
1; x1 + x 2 ≤ 2,0 < x1 < x 2 , x1 > 0, x 2 > 0
f x ,x =  (
X 1 2 0, t.o.l
) .

Halle la función de densidad conjunta de:
a.- Y1 = X1 + X 2 . b.- Y = X 1 − X 2 .
c.- Y1 = X 1 − X 2 ; Y2 = 2 X 1 .
distribución exponencial de parámetro λ, para i = 1, 2. Halle la función de densidad de la variable aleatoria
X1
Y= .
X1 + X 2
distribución normal N(µi, σ2) para i = 1, 2. Demuestre que la variable aleatoria Y = X 1 + X 2 tiene una
distribución normal N(µ1 + µ2, 2σ2).
30.- Sea X = (X1, X2, X3) un vector aleatorio con función de densidad dada por:
 
−  x + x + x 
(
f x ,x ,x
X 1 2 3
) =e  1 2 3 I
(0,+∞ )(x1)I(0,+∞ )(x2 )I(0,+∞ )(x3 )
X1 X1 + X 2
Halle la función de densidad conjunta de: Y1 = , Y2 = , Y3 = X1 + X 2 + X 3 .
X1 + X 2 X1 + X 2 + X 3
¿Son Y1, Y2, Y3 independientes?
31.- Sea X = (X1, X2, ...,Xn) un vector aleatorio con función de distribución FX. Sean Mn y Nn las variables
aleatorias definidas por: M n = máx{X1, X 2 ,..., X n } y N n = mín{X1, X 2 ,..., X n } . Demuestre que:
a.- FM n ( y ) = FX ( y , y ,..., y ) . b.- FN n ( y ) = 1 − P ( X 1 > y , X 2 > y ,..., X n > y )
32.- Obtenga las funciones de distribución para las variables Mn y Nn definidas anteriormente, para el caso en
que las v. a. X1, X2, ..., Xn sean independientes.
33.- Sea X = (X1, X2) un vector aleatorio con función de densidad definida por: f X (x1, x2 ) = I (0,1) ( x1 )I (0,1) (x2 ) .
Obtenga la distribución del vector aleatorio definido por:
(1,2) 0 < x1 < 1 ,0 < x 2 < 1 − x1
Y= 2 2 .
(3,4 ) t.o.l
34.- Sea X = (X1, X2) un vector aleatorio continuo con igual distribución al del ejercicio anterior, determine la
distribución del vector: Y = ([x1 + x2 ], [x1 − x2 ])
distribución de la variable aleatoria definida por:
1 , 0 ≤ x1 ≤ 1 , 0 ≤ x 2 ≤ 1 − x1
 2 2
Y = X1 + X 2 , 0 ≤ x1 ≤ 1, 1 − x1 ≤ x 2 ≤ 1 .
2 t.o.l

distribución de la variable aleatoria definida por:
([X + X 2 ], [X1 − X 2 ]) 0 < x1 < 1, 0 < x 2 < x1
Y= 1 .
 (X1 + X 2 , X1 − X 2 ) 0 < x1 < 1, x1 < x 2 < 1
TG / tg / 2002
PRÁCTICA Nº 2
 − x1 − x 2

f x , x = e
x 1 2
( )
; x > 0, x > 0
1 2
0 ; t.o.l
Demuestre que: E(X1X2) = E(X1) E(X2).
2 ; 0 < x1 < x 2 , 0 < x 2 < 1
f x ,x = 
x 1 2 0 ; t.o.l
( )

Demuestre que: E(X1X2) ≠ E(X1) E(X2).
3.- Calcule la covarianza y diga qué tipo de relación existe entre las variables X1 y X2 para cada una de las
funciones de masa conjuntas:
1/2 ; en (1, 1); (-1,-1)
a.- Px (x1 , x 2 ) = 
0 ; t.o.l
1/4 ; en (1, 1);(1,-1)

b.- Px (x1 , x 2 ) = 1/2 ; en (-1, 0) º
0 ; t.o.l

1/2 ; en (-1,1); (1,-1)
c.- Px (x1 , x 2 ) = 
0 ; t.o.l
4.- Demuestre que:

a.- Var (X1 + X2) = Var (X1) + Var (X2) + 2 Cov(X1, X2)
b.- Var (X1 - X2) = Var (X1) + Var (X2) - 2 Cov(X1, X2)
5.- Calcule la covarianza para cada una de las siguientes funciones de masa conjuntas. ¿Qué deduce de tales
resultados?
1/2 ; en (-1,- 1);(1,1)
a.- Px (x1 , x 2 ) = 
0 ; t.o.l
1/2 ; en (-10,- 10);(10,10)
b.- Px (x1 , x 2 ) = 
0 ; t.o.l
X1/X2 -1 0 1
-1 h h h
0 h 0 h
1 h h h
a.- ¿Son X1 y X2 incorrelacionadas? b.- ¿Son independientes?
7.- Sean A y B sucesos asociados a un cierto espacio probabilizado, tales que P(A) > 0 y P(B) > 0. Sean las
variables aleatorias X1 = IA, X2 = IB. Demuestre que si ρ = 0 entonces X1 y X2 son independientes.
8.- Sean los sucesos A y B tales que P(A) =0.25, P(B/A) =0.50 y P(A/B) = 0.75. Sean las variables aleatorias
definida por: X1 = IA, X2 = IB. Halle m10, m01, σ 12 , σ 22 , ρ. ¿Son independientes?
9.- Se lanzan en forma independiente dos monedas con caras numeradas 1 y 2. Sean las variables aleatorias
definida por X1: suma de los números y X2: máximo de los números obtenidos. Halle ρ.
10.- Considere una muestra aleatoria de tamaño 2 extraída con reemplazamiento (sin reemplazamiento) de una
caja que contiene 4 fichas numeradas del 1 al 4. Sea X1 el menor de los números (o el número común en
caso de que coincidan) y X2 el máximo de los números (o el número común en caso de que coincidan).
Halle ρ.
 x12 + x 22
 ; x1 = 0,1,2,3 ; x 2 = 0,1
Px (x1 , x 2 ) =  32
0 ; t.o.l

Halle Cov(X1, X2). Halle ρ.
12.- Sean X1 y X2 variables aleatorias independientes. Sean las variables Y1 = X1 + X2, Y2 = X1 – X2. ¿Bajo qué
condiciones son Y1 y Y2 incorrelacionadas?
13.- Sean X1 y X2 variables aleatorias no correlacionadas con varianzas σ 12 y σ 22 respectivamente. Sean las
variables Y1 = X1 + X2, Y2 = X1 – X2. Halle ρ.
14.- Sean X1, X2 y X3 variables aleatorias no correlacionadas con varianzas iguales. Sean las variables aleatorias
Y1 = X1 + X2, Y2 = X1 + X3. Halle rY1 X 3 , rY2 X 3 y rY1Y2 .
15.- Sean X1 y X2 los resultados del lanzamiento de dos dados correctos. Sean las variables aleatorias:
Y1 = X1 - X2, Y2 = X1 + X2.
a.- Halle Cov(Y1, Y2). c.- ¿Son Y1 y Y2 incorrelacionadas?
b.- Calcule P(Y2 = 4), P(Y2 = 4 /Y1 = 3). d.- ¿Son independientes?
16.- Sean X1 y X2 variables aleatorias independientes tales que E(Xi) = 0 y además Var(Xi) = σ 2 (i =1,2). Sean
las variables Y1 = a1X1 + a2X2, Y2 = b1X1 + b2X2. ¿Qué relación deben verificar a1, a2, b1 y b2 para que el
coeficiente de correlación entre Y1 y Y2 sea 0, 1 y –1?
17.- Demuestre que si X1i es una variable aleatoria con función de densidad par (simétrica respecto de cero),
entonces X1 y X2 = X12 son incorrelacionadas.
18.- Sea X1i una variable aleatoria con distribución uniforme en el intervalo (-1, 1). Halle rX 1 X 2 sí a) X 2 = X12 y
b) X 2 = X13 .
19.- Sea X = (X1, X2) un vector aleatorio discreto con función de masa positiva en los puntos de intersección de
las curvas: X1 = X 22 y X1 = KX 2 (K = 1, 2, ...). No hay masa en el origen. La masa de probabilidad de hay en
cada punto (x1, x2) es inversamente proporcional a 2 x 2 , donde x2 es la ordenada del punto. Halle rX 1 X 2 .
20.- Demuestre que:

1
a.- E  ≥
1
. ( )
b.- E( X ) ≤ 1 + E X 2
 X  E(X )
c.- E[X 2E[X1 / X 2 ]] = E(X1X 2 ) .
1/3 ; en (0,0); (1,1); (2,0)
Px (x1 , x 2 ) = 
0 ; t.o.l
Demuestre que E[E[X1 / X 2 ]] = E(X1 ) . Halle ρ. ¿Son X1 y X2 independientes?
X1/X2 -1 0 1 2
-2 h 2h 3h h
-1 3h h 4h 2h
0 h 4h h 2h
1 h 2h h h
Halle ρ y demuestre que E[E[X1 / X 2 ]] = E(X1 ) .
2 ; 0 < x1 < x 2 < 1
fx (x1 , x 2 ) = 
0 ; t.o.l
a.- Halle ρ. Demuestre que E[E[X1 / X 2 ]] = E(X1 ) .
b.- Halle las curvas de regresión y las rectas de regresión mínimo cuadráticas.
n!
Px (x1 , x 2 ) = p1x 1 p 2x 2 pn3− x 1 − x 2
x1! x 2 ! (n − x1 − x 2 )!
para x1 = 0, 1, ... ; x2 = 0, 1, ...; x1 + x2 ≤ n; p1 + p2 +p3 = 1.
 p  p 
a.- Demuestre que ρ = −  1  2  .
 1 − p1   1 − p 2 
b.- Demuestre que E[E[X 1 / X 2 ]] = E ( X 1 ) .
c.- Halle las curvas de regresión y las rectas de regresión mínimo cuadráticas.
 e −2
 ; en x1 = 0, 1,..., x 2 ; x 2 = 0, 1, ...
Px (x1 , x 2 ) =  x1! (x 2 − x1 )!
0 ; t.o.l

Halle ρ. Demuestre que E[E[X1 / X 2 ]] = E(X1 ) .
 x1  1  x 1  x 
    1  ; en x1 = 1,2,3,4,5 ; x 2 = 0, 1, ..., x1
Px (x1 , x 2 ) =  x 2  2   15 

0 ; t.o.l
Halle ρ. Demuestre que E[E[X 2 / X1 ]] = E(X 2 ) .
 x1  x 2 +1 2x 1 − x 2
 p q ; en x1 = 0,1,2,...; x 2 = 0, 1, ..., x1; p + q = 1
Px (x1 , x 2 ) =  x 2 

0 ; t.o.l
Halle ρ. Verifique que E[E[X1 / X 2 ]] = E(X1 ) .
 x1  1  x 1  1 
     ; en x1 = 1,2,3 ; x 2 = 0, 1, ..., x1
Px (x1 , x 2 ) =  x 2  2   3 

0 ; t.o.l
Demuestre que ρ = 0.5.
1 ; - x 2 < x1 < x 2 ; 0 < x 2 < 1
fx (x1 , x 2 ) = 
0 ; t.o.l
a.- Halle ρ. ¿Son X1 y X2 independientes?
b.- Demuestre que E[E[X1 / X 2 ]] = E(X1 ) .
c.- Halle las curvas de regresión y las rectas de regresión mínimo cuadráticas.
k(x − 4 )2 ; en x1 + x 2 − 8 ≤ 4; x1x 2 ≥ 0
fx (x1 , x 2 ) =  1
0 ; t.o.l
Halle E [X1 / X 2 ] y ρ.
31.- Se selecciona aleatoriamente un número X1 entre los números 1, 2, 3 y 4. a continuación se selecciona un

nuevo número entre 1, ..., X1 que llamaremos X2. Halle el coeficiente de correlación entre: a) X1 y X2 y b)
X1 y E(X2/ X1).
2 2
 ; x + x 2 ≤ 1; x 2 ≥ 0
2
fx (x1 , x 2 ) =  π 1
0 ; t.o.l

a.- Halle ρ.
1  2 2 
1 − 2  x1 − 2x1x 2 + 2x 2 
f x ,x = e
x 1 2 2π
( ) ;−∞ < x < +∞; i = 1,2
i
a.- Halle las marginales y las condicionales.
b.- Halle su función generatriz de momentos.
c.- Halle m10, m01, σ 12 , σ 22 , σ12, ρ.
d.- Halle las curvas de regresión y las rectas de regresión mínimo cuadráticas.
1  2 
 x − 2rx x + x 2 
−   1 

1 − r 2  
1 2 2 
2
f x ,x =
x 1 2
( 1
) e




;−∞ < x < +∞; i = 1,2;−1 < r < 1
i
2π 1 − r 2
c.- Halle m10, m01, σ 12 , σ 22 , σ12, ρ.
 
 2     2 
1  x1 − m1   x − m  x − m 
 1 1  2
x −m  
2+ 1 2  
−  
   − 2r     
2  s   s  s   s 
21 − r  
 
2  
( ) 1 1   1  2  
 
f x ,x = e  ;−∞ < x < +∞; i = 1,2;−1 < r < 1
x 1 2 2 i
2πs s 1 − r
12

c.- Halle m10, m01, σ 12 , σ 22 , σ12, ρ.
36.- Demuestre que las variables aleatorias X1 y X2 son independientes sí y sólo sí

α X (t 1 , t 2 ) = α X (t 1 ,0 )α X (0, t 2 ) .
37.- Sea X = (X1, X2) un vector aleatorio con función generatriz de momentos
(
α X (t 1 , t 2 ) = a e t 1 + t 2 + 1 + b e t 1 + e t 2) ( )
donde a + b = 1/2. Demuestre que ρ=4a – 1.
38.- Sea X = (X1, X2) un vector aleatorio con función generatriz de momentos
[(
α X (t1, t 2 ) = a e t1 + t 2
) ( t1
+1 + b e + e t2
)]
2
donde a + b = 1/2. Demuestre que Cov(X1, X2) = 2a – ½
39.- Si se define la varianza condicional de X2 dado X1 por:

( )
var (X 2 / X1 ) = E X 22 / X1 − [E(X 2 / X1 )]
2
Demuestre que:
a.- var (X 2 ) = E[var (X 2 / X 1 )] + var[E(X 2 / X1 )] .
b.- var (X 2 ) = E[var (X 2 / X1 )] si X1 y X2 son independientes.
X1/X2 0 1 2
0 h h h
1 h 0 2h
2 2h h 6h
a.- ¿Son X1 y X2 v.a. incorrelacionadas?
b.- ¿Son independientes?
c.- Verifique que E[E[X1 / X 2 ]] = E(X1 ) .
d.- Obtenga la función generatriz de momentos.
e.- Obtenga las curvas de regresión y las rectas de regresión mínimo cuadráticas.
f.- [( ) ] [( )
Determine el valor de E X 21 + 2X 2 / X 2 = 1 y de E X 31 + 3X 1 X 42 / X 1 = 2 . ]
[(
g.- Determine el coeficiente de correlación entre las variables X2 y E X 22 + 5X 2 + 6 / X 1 . ) ]
{ [( ) ]}
h.- Calcule el valor de var E X 31 + X 2 / X 2 .
k ; en A
fx (x1 , x 2 ) = 
0 ; t.o.l
donde A es el triángulo de vértices (1, 0), (-1, 0) y (0, 1).
a.- Halle K.
b.- Halle la densidad de Y1 = X1 + X2, Y2 = X1 – X2. Halle ρ.
c.- Verifique que Cov(Y1, Y2) = Var(X1) - Var(X2).
d.- ¿A qué se debe tal resultado?
e.- ¿Son X1 y X2 v.a. incorrelacionadas?
f.- ¿Son independientes?
g.- Verifique que E[E[X1 / X 2 ]] = E(X1 ) .
h.- Obtenga la función generatriz de momentos del vector aleatorio.
i.- Obtenga las curvas de regresión y las rectas de regresión mínimo cuadráticas.
[( ) ] [(
j.- Determine el valor de E 2X1+ X12 / X 2 = 0.5 y de E X 31 + 3X 1 X 2 / X 1 = −0.5 .) ]
k.- Determine el coeficiente de correlación entre las variables X2 y E[(X 2
2
) ]
+ 5X 2 + 6 / X 1 .
{ [( ) ]}
l.- Calcule el valor de var E X 31 + X 2 / X 2 .
k (x1 − 1)(x 2 − 2) ; en ∀(x1 , x 2 ) ∈ D
fx (x1 , x 2 ) = 
0 ; t.o.l
donde D la región mostrada en la siguiente figura:
D 4
-4 4
-4
a.- Obtenga E[X1 / X 2 ] .
c.- Halle la función generatriz de momentos del vector aleatorio.
43.- Si X = (X1, X2) es un vector aleatorio mixto, X1 discreto y X2 continuo, se define la esperanza de la v.a
g(X1, X2) como:
+∞
E[g(X1 , X 2 )] = ∑ ∫ g(x , x )M (x , x )dx
1 2 X 1 2 2
∀x 1 − ∞
siendo MX(x1, x2) la ley de probabilidades del vector X. En virtud de la definición anterior, obtenga: a) la
función generatriz de momentos del vector aleatorio, el coeficiente de correlación entre X1 y X2 y las
curvas de regresión y las rectas de regresión mínimo, para el vector mixto cuya ley de probabilidades es:
 x
 λx 1 e − (λ + 1)
(
M x ,x = 
x 1 2
)
 2
x!
; en x > 0, X = 0,1,2,...
2 1
 1
0 ; t.o.l

44.- Sea X = (X1, X2) un vector aleatorio, tal que X 1 ≈ U [0,3] y X2 se distribuye uniformemente en el intervalo
[0,X1]. Calcule el coeficiente de correlación entre las variables X1 y X2 y el coeficiente de correlación entre
las variables X1 y E[X 2 / X 1 ] .
3 3
45.- Si E[Y / X ] = − X − 2 y E[X / Y ] = − Y − 3 , obtenga:
2 5
a.- El coeficiente de correlación entre X y Y. b.- µX y µY.
46.- Demuestre que ρ2 = 1 ⇔ P[X2 = AX1 + B] = 1, para algunas constantes A y B.
47.- Sean X1, X2 variables aleatorias con coeficiente de correlación ρ. Demuestre que: var [Y1 ± Y2 ] = 2(1 ± ρ ) ,
X − µi
siendo Yi = i ; i = 1,2 .
σi
48.- Sea X = (X1, X2) un vector aleatorio, g y h funciones medibles, a, b, c constantes; demuestre que:
a.- E[c / X 2 ] = c .
b.- E[(aX1 + b ) / X 2 ] = aE[X1 / X 2 ] + b .
c.- E[(ag(X 1 ) + bh(X1 )) / X 2 ] = aE[g(X1 ) / X 2 ] + bE[h(X1 ) / X 2 ] .
49.- Demuestre las siguientes igualdades:

a.- E[(g(Y )h(X )) / Y ] = g(Y )E[h(X ) / Y ] .
b.- Si X e Y son v.a. independientes entonces E[(g(Y )h(X )) / Y ] = g(Y )E[h(X )] .
c.- E[(X + Y ) / Y ] = E[X / Y ] + Y .
d.- Var [(X + Y ) / Y ] = Var [X / Y ] .
e.- Si X e Y son v.a. independientes entonces Var[(X + Y ) / Y ] = Var[X ] .
f.- E[E[g(X )]/ Y ] = E[g(X )] .
g.- Var (X ) = E[Var (X / Y )] + Var[E(X / Y )] .
[
50.- Sea X = (X1, X2) un vector aleatorio. Pruebe que la función g(X2) que minimiza a E (X 1 − g(X 2 ))
2
] es
g(X2) = E(X1 / X2).
51.- Sea X = (X1, X2) un vector aleatorio. Deduzca las expresiones que le permitan calcular los coeficientes
asociados a:
a.- La recta de regresión mínimo cuadrática de X1sobre X2.
b.- La parábola de regresión mínimo cuadrática de X1sobre X2.
c.- La exponencial de regresión mínimo cuadrática de X1sobre X2.
52.- Sea L1 y L2 las rectas de regresión mínimo cuadrática de X1sobre X2 y de X2sobre X1, respectivamente.
Demuestre que:
a.- L1 ∩ L2 = {(µ1, µ2)}. b.- L1 = L2 ⇔ |ρ| = 1.
53.- Sea X = (X1, X2) un vector aleatorio, sea ρ el coeficiente de correlación entre X1 y X2. si la regresión de
[ ] ( )
X1sobre X2 es lineal, demuestre que σ12.2 = E (X1 − E(X1 / X 2 )) = σ12 1 − ρ2 .
2
54.- Sea X = (X1, X2) un vector aleatorio con función generatriz de momentos α X (t1 ,t2 ) . Obtenga las derivadas
sucesivas de la función ψ X (t1, t2 ) = ln α X (t1, t2 ) . ¿Cuál es su conclusión?
55.- Señale un ejemplo en donde se ponga de manifiesto el hecho de que ρ = 0 no implica independencia.
56.- Demuestre que el coeficiente de correlación lineal no se afecta por un cambio de escala - lineal, esto es,
pruebe que si ρ es el coeficiente de correlación entre X1 y X2, entonces el coeficiente de correlación entre
(AX1 + B) y (CX2 + D) también es ρ.
57.- Establezca e ilustre con ejemplos, la interpretación estadística de:

a.- Covarianza.
b.- Coeficiente de correlación.
c.- Curva de regresión.
TG / tg / 2002
PRÁCTICA Nº 3
1.- Sean Xmxn, Ymxn matrices aleatorias, y Apxm, Bnxp matrices constantes; pruebe que:
a.- E(X + Y) = E(X) + E(Y). c.- E(XB) = E(X)B.
b.- E(AX) = AE(X). d.- E(AXB) = AE(X)B
2.- Pruebe que si Y ≈ N(0, In) entonces las variables Yj, j = 1, ..., n son normales, N(0,1), e independientes.
3.- Demuestre que sí X ≈ N(µ, V) entonces: a) E(X) = µ. b)Var(X) = V.
4.- Demuestre que si Xi y Xj son variables aleatorias con distribución conjunta normal bivariante, entonces una
condición necesaria y suficiente para que sean independientes es que ρij = 0, i ≠ j
5.- Deduzca la función generatriz de momentos de un vector normal multivariante de parámetros µ y V.
6.- Sea X ≈ N(µ, V), si Amxn es una matriz de rango m ≤n y bmx1 un vector columna, pruebe que Y = AX + b se
distribuye normal multivariante de parámetros (Aµ + b, AVAt).
7.- Establezca la manera de obtener µ y v a partir de la forma cuadrática Q asociada a un vector normal
multivariante.
8.- Sean Xi y Xj dos variables aleatorias de un vector normal multivariante X. Demuestre que la curva de
regresión de Xi sobre Xj coincide con la recta de regresión mínimo cuadrática de Xi sobre Xj.
9.- Basándose en la definición de coeficiente de correlación múltiple, obtenga una expresión para su cálculo.
10.- Demuestre que si Xt = (X1, X2) es un vector normal bivariante, su función de densidad puede ser escrita
como:
−Q
f X ,X =(
1 2 2πσ σ
)
1
e 2
1
2 1 − ρ2
siendo σi2 = var (Xi ) , ρ es el coeficiente de correlación lineal entre X1 y X2,
1  X − µ  2  ( X 1 − µ1 )( X 2 − µ 2 )   X 2 − µ 2  
2
      
 − 2ρ 
Q= 1 1
 + σ  
1 − ρ 2  σ 1   σ 1σ 2   2 
 
 1 

µ1t1 + µ t +  σ2t 2 + σ2 t 2 + 2σ σ t t  
donde µi = E(Xi), i = 1, 2. Pruebe además que: α t , t = e
X 1 2
( ) 
2 2 2 1 1 22 1 2 1 2  
11.- Sea Xt = (X1, X2, ..., Xn) un vector aleatorio. Pruebe que X sigue una distribución normal multivariante si y
sólo si t1X 1 + t 2 X 2 + ... + t n X n tiene distribución normal para cualquier vector tt = (t1, t2, ..., tn). Sugerencia:
ver Pág. 235. Rohatgi.
12.- Sea Xt = (X1, X2) un vector aleatorio normal bivariante, con vector de medias el vector nulo. Sean:
W = X1 cos θ + X 2 senθ y Z = X1 cos θ − X 2 senθ . Determine θ para que W y Z sean independientes.
13.- Sea Xt = (X1, X2) un vector aleatorio normal bivariante de parámetros µ y V. Obtenga una condición
necesaria y suficiente para que X 1 + X 2 y X 1 − X 2 sean independientes.
14.- Sea X un vector aleatorio normal multivariante de parámetros µ y V. Sean Y = ct X y Z = dt X , variables

aleatorias con ct = (c1, c2, ..., cn) y dt = (d1, d2, ..., dn) vectores reales. Pruebe que Y e Z son independientes sí
y sólo si ct V d = 0.
15.- Dada la forma cuadrática:

Q = 6X 12 + 3X 22 + X 23 + X 24 + 4 X1X 2 + 2X1X 3 + X1X 4 + X 2 X 4
asociada al vector normal multivariante X ≈ N(µ, V), obtenga:
a.- µ y V.
b.- la función de densidad y la función generatriz de momentos del vector X
c.- la función de densidad y la función generatriz de momentos del subvector (X1, X4)t
d.- la esperanza, varianza, la función de densidad y la función generatriz de momentos de los vectores:
 X1   X 2   X 4   X3   X1   X 3 
d.1.   /   . d.2.   /  . d.3.   / 
 X3   X 4   X 2   X1   X2   X4 
e.- los coeficientes de regresión de:
e.1. X1 sobre X3 y de X1 sobre X4
f.- los coeficientes de correlación parcial:
f.1. r r r
12. X (4 ) 12. X (6 )
(2 ) f.2. f.3.
12. X
g.- los coeficientes de correlación múltiple:
g.1. R (2 )
1• x (4 ) 1• x (6 )
g.3. R g.5. R
1• x
2• x (2 ) 2• x (4 ) 2• x (6 )
g.2. R g.4. R g.6. R
h.- los coeficientes de correlación entre:
h.1. X1 y X4 h.2. 2X1 +X3 y 4X4

Q=
1 2
2
( )
X1 + 4 X 22 + 3X 23 + 2X1X 2 − 2X1X 3 − 6X 2 X 3 − 4X 3 + 6
a.- µ y V.
b.- la esperanza, varianza, la función de densidad y la función generatriz de momentos de los vectores:
 X1   X3   X1 
b.1.   / ( X 2 ) b.2. ( X 2 ) /   b.3.   / ( X 3 )
 X3   X1   X2 
c.- los coeficientes de regresión de:
c.1. X1 sobre X3 y de X2 sobre X3
d.- los coeficientes de correlación parcial:
d.1. r r d.3. r
12. X (4 )
(2 ) d.2.
12. X 12. X (6 )
e.- los coeficientes de correlación múltiple:
1• x (2 ) 1• x (4 ) 1• x (6 )
e.1. R e.3. R e.5. R
2• x (2 ) 2• x (4 ) 2• x (6 )
e.2. R e.4. R e.6. R
f.- los coeficientes de correlación entre:
f.1. X1 y X4 f.2. 2X1 +X3 y 4X4

1
(
Q = 5X 12 + 3X 22 + 5X 23 − 6X 1X 2 + 8X1X 3 − 6X 2 X 3 + 14 X1 + 16X 3 − 12X 2 + 14
3
)
a.- µ y V.
b.- la esperanza, varianza, la función de densidad y la función generatriz de momentos de los vectores:
 X1   X3   X1 
b.1.   / ( X 2 ) b.2. ( X 2 ) /   b.3.   / ( X 3 )
 X3   X1   X2 
d.1. r r d.3. r
12. X (4 )
(2 ) d.2.
12. X 12. X (6 )
e.1. R (2 )
1• x (4 ) 1• x (6 )
e.3. R e.5. R
1• x
2• x (2 ) 2• x (4 ) 2• x (6 )
e.2. R e.4. R e.6. R
f.1. X1 y X4 f.2. 2X1 +X3 y 4X4
g.- la esperanza, varianza, la función de densidad y la función generatriz de momentos del vector:
Yt = (Y1, Y2, Y3), siendo: Y1 = X1 − 2X 2 + X 3 , Y2 = 2X1 + X 2 + X 3 y Y3 = X 1 + 3X 2 − X 3 .
18.- Sea X el vector aleatorio con distribución normal multivariante N(µ, V), donde:
 +1  + 2 −1 + 0
   
µ =  + 0 V = −1 + 2 +1 
 −1  + 0 +1 +1 
   
Obtenga:
a.- la esperanza, varianza, la función de densidad y la función generatriz de momentos de los
vectores:
 X1   X3   X1 
a.1.   / ( X 2 ) a.2. ( X 2 ) /  a.3. ( X 2 ) / 
 X3   X1   X3 
b.- la esperanza, varianza, la función de densidad y la función generatriz de momentos del vector:
Yt = (Y1, Y2), siendo: Y1 = 3 X1 − 2 X 2 + X 3 y Y2 = X 1 − X 3 .
d.1. r (2 ) d.2. r (4 ) d.3. r (6 )
12. X 12. X 12. X
1• x (2 ) 1• x (4 ) 1• x (6 )
e.1. R e.3. R e.5. R
2• x (2 ) 2• x (4 ) 2• x (6 )
e.2. R e.4. R e.6. R
f.1. X1 y X4 f.2. 2X1 +X3 y 4X4
1  2 0 1 2
   
2 0 1 0 1
µ=  V =
3
  1 0 3 1
4  
  2 1 1 4 

Obtenga:
vectores:
 X1   X 2   X 4   X3   X1 
a.1.   /   a.2.   /   a.3. ( X 2 ) / 
 X3   X4   X 2   X1   X3 
Yt = (Y1, Y2, Y3), siendo: Y1 = 3 X1 − 2 X 2 + X 3 , Y2 = X 1 − X 3 y Y3 = X 4 − X 2 .
d.1. r (2 ) d.2. r (4 ) d.3. r (6 )
12. X 12. X 12. X
e.1. R (2 )
1• x (4 ) 1• x (6 )
e.3. R e.5. R
1• x
2• x (2 ) 2• x (4 ) 2• x (6 )
e.2. R e.4. R e.6. R
f.1. X1 y X4 f.2. 2X1 +X3 y 4X4
 + 6 2 0 3 0
   
 − 1 0 5 0 2
µ=  V=
+0 3 0 5 0
   
 + 3  0 2 0 1
   
Obtenga:
vectores:
 X1   X 2   X4   X3   X1 
a.1.   /  a.2.   /   a.3. ( X 2 ) / 
 X3   X4   X 2   X1   X3 
Yt = (Y1, Y2, Y3), siendo: Y1 = 3 X1 − 2 X 2 + X 3 , Y2 = X1 − X 3 y Y3 = X 4 − X 2 .
d.1. r r d.3. r
12. X (4 )
(2 ) d.2.
12. X 12. X (6 )
e.1. R (2 )
1• x (4 ) 1• x (6 )
e.3. R e.5. R
1• x
2• x (2 ) 2• x (4 ) 2• x (6 )
e.2. R e.4. R e.6. R
f.1. X1 y X4 f.2. 2X1 +X3 y 4X4
 1 1 0 1 0
   
 2 0 2 0 2
µ=  V=
0 1 0 3 1
   
 1 0 2 1 4
   
Obtenga:
vectores:
 X1   X 2   X4   X3   X1 
a.1.   /  a.2.   /   a.3. ( X 2 ) / 
 X3   X4   X 2   X1   X3 
d.1. r (2 ) d.2. r (4 ) d.3. r (6 )
12. X 12. X 12. X
e.1. R (2 )
1• x (4 ) 1• x (6 )
e.3. R e.5. R
1• x
2• x (2 ) 2• x (4 ) 2• x (6 )
e.2. R e.4. R e.6. R
f.1. X1 y X4 f.2. 2X1 +X3 y 4X4
 + 0  + 2 + 1 − 1
   
µ =  + 1 V =  + 1 + 3 + 1
 − 1  − 1 + 1 + 2
   
Obtenga:
vectores:
 X1   X3   X1 
a.1.   / ( X 2 ) a.2. ( X 2 ) /  a.3. ( X 2 ) / 
 X3   X1   X3 
b.- la esperanza, varianza, la función de densidad y la función generatriz de momentos del vecto:
Yt = (Y1, Y2), siendo: Y1 = 3 X1 − 2 X 2 + X 3 y Y2 = X 1 − X 3 .
d.1. r r d.3. r
12. X (4 )
(2 ) d.2.
12. X 12. X (6 )
e.1. R (2 )
1• x (4 ) 1• x (6 )
e.3. R e.5. R
1• x
2• x (2 ) 2• x (4 ) 2• x (6 )
e.2. R e.4. R e.6. R
f.1. X1 y X4 f.2. 2X1 +X3 y 4X4
 + 1  1 0 1 0
   
 − 1 0 3 0 2
µ=  V=
+2 1 0 5 0
   
 + 0 0 2 0 3
   
Obtenga:
vectores:
 X1   X 2   X4   X3   X1 
a.1.   /   a.2.   /   a.3. ( X 2 ) / 
 X3   X4   X 2   X1   X3 
d.1. r (2 ) d.2. r (4 ) d.3. r (6 )
12. X 12. X 12. X
e.1. R (2 )
1• x (4 ) 1• x (6 )
e.3. R e.5. R
1• x
2• x (2 ) 2• x (4 ) 2• x (6 )
e.2. R e.4. R e.6. R
f.1. X1 y X4 f.2. 2X1 +X3 y 4X4
 + 2  2 1 2 0
   
 + 0  1 2 0 0
µ=  V=
−1 2 0 3 1
   
 + 1  0 0 1 5
   
Obtenga:
vectores:
 X1   X 2   X4   X3   X1 
a.1.   /   a.2.   /   a.3. ( X 2 ) / 
 X3   X4   X 2   X1   X3 
Yt = (Y1, Y2, Y3), siendo: Y1 = 3X 1 − 2X 2 + X 3 , Y2 = X1 − X 3 y Y3 = X 4 − X 2 .
d.1. r (2 ) d.2. r (4 ) d.3. r (6 )
12. X 12. X 12. X
e.1. R (2 )
1• x (4 ) 1• x (6 )
e.3. R e.5. R
1• x
2• x (2 ) 2• x (4 ) 2• x (6 )
e.2. R e.4. R e.6. R
f.1. X1 y X4 f.2. 2X1 +X3 y 4X4

Q = 3X12 + 2X 22 + 2X 23 + X 24 + 2X1X 2 + 2X 3 X 4 − 6X1 − 2X 2 − 6X 3 − 2X 4 + 8
a.- µ y V.
b.- la función de densidad y la función generatriz de momentos del vector X.
c.- la función de densidad y la función generatriz de momentos del subvector (X1, X3)t
d.- la esperanza, varianza, la función de densidad y la función generatriz de momentos de los
vectores:
 X1   X 2   X4   X3 
d.1.   /   d.2.   /  
 X3   X4   X 2   X1 
e.- la esperanza, varianza, la función de densidad y la función generatriz de momentos del vector:
Yt = (Y1, Y2, Y3), siendo: Y1 = 2 X 1 + X 2 − X 3 , Y2 = X1 − X 2 + X 4 , Y3 = X 3 − X 4 .
f.- la esperanza, varianza, la función de densidad y la función generatriz de momentos del vector:
 X 1 − 2X 2   X 1 
  / 
 X 1 + 3X 3   X 1 + 3X 4 
g.- los coeficientes de regresión de:
g.1. X1 sobre X3 y de X1 sobre X4
g.2. Y1 sobre Y2 y de Y3 sobre Y2
g.3. Y3 sobre 2X1 + 3X2 -4X4
h.- los coeficientes de correlación parcial:
h.1. rx , x x h.2. rx , x y , x h.3. ry , y ; x x
1 2; 3 3 4; 1 2 1 3 2; 3
i.- los coeficientes de correlación múltiple:
i.1. Rx3 • x1, x2 i.3. R y1 • y 2 , y3 i.5. Rx1 • x3, x4
i.2. R y3 • x1 i.4. R y1 + x2• x1 , x3 i.6. R2 x1 • x3 , x4
i.7. ¿Existe alguna relación entre los coeficientes calculados en (i5) e (i6)?
j.- los coeficientes de correlación entre:
j.1. X1 y X4 j.2. 2X1 +X3 y Y2 j.3. X1 y Y3
j.4. ¿Guarda alguna relación el coeficiente calculado en (j3) con el calculado en (i5)?
26.- Sea Xt = (X1, X2, X3) un vector aleatorio normal multivariante. Demuestre que:
ρρ ρ
x ,x − x ,x x ,x
r = 1 2 1 3 2 3
x ,x ;x
1 2 3   
 1 − ρ2  1 − ρ2 
 X , X  X ,X 
 1 3  2 3
27.- Sea X un vector normal multivariante, sean X(1) y X(2) subvectores que generan una partición sobre X.
[ ]
obtenga Cov(Y, X(1)), siendo Y el vector dado por Y = X (1) − E X (1) / X (2 ) . ¿Son Y e X(2) vectores
independientes?
28.- Sean X1, X2, ..., Xn variables aleatorias independientes con distribución normal N(µ, σ2). Halle la
distribución de:
a.- Xt = (X1, X2, ..., Xn).
n Y
∑
b.- La v.a. Y = X i .
i =1
c.- La v.a. X = .
n
29.- Sean los vectores independientes X con distribución normal multivariante N(µx, Vx) e Y ≈ N(µy, Vy), donde:
2  3 2 1
   
µx =  2  Vx =  2 4 1
2 1 1 2 
   
3  4 2 0
   
µy =  4  Vy =  2 4 2 
2  0 2 4
   
Halle la distribución de:
X b.- El vector X − Y .
a.- El vector Z =   .
Y 
c.- El vector X + Y .  X −Y 
d.- El vector W =   .
X +Y 
30.- Sean los vectores aleatorios X e Y del ejercicio anterior. Sean las matrices:
 + 1 + 1 + 1
 + 2 − 1 − 1  
A =   B =  + 1 − 1 + 0
 + 0 + 1 − 1  + 0 + 1 − 1
 
Halle la distribución de:
a.- AX b.- BX
 AX   AX 
c.-   d.-  
 BY   BX 
31.- Sean X1, X2, ..., Xn variables aleatorias independientes con distribución Chi-cuadrado con K grados de
n
∑X
i =1
i
 nk n 
libertad. Demuestre que la variable: X = sigue una distribución Gamma G  , .
n  2 2
32.- Sea T una variable aleatoria con distribución T de Student con n grados de libertad. Demuestre que:
a.- E(T) = 0. b.- Var(T) = E(Fm,n).
c.- T2 sigue una distribución F1,n.
33.- Sea Z una variable con distribución Z de Fisher con m y n grados de libertad. Demuestre que:
m(m + 2 )
a.- E(Z ) =
m
n−2
( )
b.- E Z 2 =
(n − 2)(n − 4 )
2m(m + n − 2)
c.- Var (Z ) =
(n − 2)2 (n − 4 )
34.- Sea z una variable aleatoria con distribución Z de Fisher con m y n grados de libertad. Demuestre que:
Z m n
a.- La variable X = sigue una distribución Beta B ,  .
1+ Z  2 2
1 n m
b.- La variable 1 − X = sigue una distribución Beta B ,  .
1+ Z 2 2 
35.- Sea X una variable aleatoria con distribución F de Snedecor con m y n grados de libertad. Demuestre que la
variable 1/X sigue una distribución F de Snedecor con n y m grados de libertad.
36.- Sea Z una variable aleatoria con distribución Z de Fisher no central Z’(m,n,λ). Demuestre que:
a.- E(Z ) =
m + 2λ
. ( )
b.- . E Z 2 =
(2m + 8λ ) + (m + 2λ )2
n−2 (n − 2)(n − 4 )
2  (m + 2λ ) (m + 4λ )  .
2
c.- Var (Z ) = +
(n − 2)  (n − 2)(n − 4 ) (n − 4 ) 

37.- Sea X una variable aleatoria con distribución Chi-cuadrado no central χ2(n, λ, 1). Demuestre que:
a.- E(X ) = n + 2λ . b.- Var (X ) = 2n + 8λ .
TG / tg / 2002
PRÁCTICA Nº 4
1.- Sea Anxn una matriz aleatoria, demuestre que E(tr (A )) = tr (E(A ))
2.- Sea Xnx1 un vector aleatorio con vector de medias µ y matriz de varianzas y covarianzas V; demuestre que
E(XX ') = V + µµ'
3.- Sea Xnx1 un vector aleatorio con vector de medias µ y matriz de varianzas y covarianzas V; sea Anxn una
matriz real simétrica y Q =X’AX su forma cuadrática asociada; demuestre que: E(Q ) = tr (AV ) + µ' Aµ
4.- Sea Xnx1 un vector normal multivariante N(µ, V). Sea Anxn una matriz real simétrica; demuestre que:
a.- E [( X − µ )( X − µ )' A( X − µ )] = θ b.- Cov (X , X ' AX ) = 2VAµ
5.- Pruebe que:

−
1
( )
X ' W − 1X + G ' X
= (2π )
n
(det W ) 12 e
( )
1 G' W ' G
∫Rn
e 2 dx 1dx 2 ...dx n
2 2
6.- Usando el resultado anterior, deduzca la expresión correspondiente a la función generatriz de momentos de
la forma cuadrática Q=X’AX.
7.- Sea Xnx1 un vector normal multivariante N(θ, In). Sea Anxn una matriz real simétrica. Demuestre que una
condición necesaria y suficiente para que Q=X’AX ≈ χr2 es que A sea idempotente y de rango r.
8.- Sea Xnx1 un vector normal multivariante N(µ, In). Sea Anxn una matriz real simétrica. Demuestre que una
µ ' Aµ
condición necesaria y suficiente para que Q=X’AX ≈ χ r2,'λ , con λ = es que A sea idempotente y de
2
rango r.
9.- Sea Xnx1 un vector normal multivariante N(µ, V). Sea Anxn una matriz real simétrica. Demuestre que una
µ' Aµ
condición necesaria y suficiente para que Q=X’AX ≈ χ r2,'λ , con λ = es que AV sea idempotente y de
2
rango r.
10.- Sea Xnx1 un vector normal multivariante N(µ, V); sean Q = X’AX, L = BX, una forma cuadrática y una
forma lineal, respectivamente, asociadas a X. Demuestre que una condición necesaria y suficiente para que
Q y L sean independientes, es que BVA = θ.
11.- Sea Xnx1 un vector normal multivariante N(µ, V); sean Q1 = X’AX, Q2 = X’BX, dos formas cuadráticas
asociadas a X. Demuestre que una condición necesaria y suficiente para que las formas cuadráticas Q1 y Q2
sean independientes, es que BVA = θ y AVB = θ.
12.- Sea el vector aleatorio X con distribución normal multivariante N(µ, V). Demuestre que la forma
cuadrática:
a.- Q1 = (X − µ )' V −1 (X − µ ) sigue una distribución χ n2
b.- Q 2 = X ' V −1X sigue una distribución χ n2,'λ . Determine λ, el parámetro de excentricidad.
13.- Sea el vector aleatorio X con distribución normal multivariante N(θ, In). Sean las formas cuadráticas
Q1 = X ' AX y Q 2 = X ' BX , donde:
 + 2 − 1 − 1  1 1 1
1  1 
A =  − 1 + 2 − 1 B =  1 1 1
3  3 
 − 1 − 1 + 2  1 1 1
Halle:
a.- E (Q1 ) , E (Q2 )
b.- Distribución de Q1 y de Q2.
c.- Distribución conjunta de Q1 y Q2.
14.- Sea el vector aleatorio X con distribución normal multivariante N(θ, In). Sean las formas cuadráticas
Q1 = X ' AX y Q 2 = X ' BX , donde:
 1 1 0 +1 −1 + 0
   
A =  1 1 0 B =−1 +1 + 0
 0 0 2 + 0 + 0 + 0 
  
Halle:
a.- E (Q1 ) , E (Q2 )
Q
d.- Distribución de 1
2Q 2
15.- Sea el vector aleatorio Y con distribución normal multivariante N(θ, In). Sean las formas cuadráticas
Q1 = Y ' AY y Q2 = Y ' BY , donde: A = X (X ' X ) X ' y B = I − X (X ' X ) X ' con Xnxp (n > p) es una matriz de rango
−1 −1
p. Halle:
a.- E (Q1 ) , E (Q2 )
 n − p  Q1 
d.- Distribución de   
 p  Q 2 
16.- Sea el vector aleatorio Y con distribución normal multivariante N(XM, In), donde Xnxp (n > p) es una matriz
de rango p y Mpx1 es un vector de constantes. Sean las formas cuadráticas Q1 = Y ' AY y Q2 = Y ' BY , donde:
A = X ( X ' X )−1 X ' y B = I − X (X ' X ) X ' Halle:
−1
a.- Distribución conjunta de Q1 y Q2.

 n − p  Q1 
b.- Distribución de   
 p  Q 2 
n
∑ Xi
17.- Sea Xnx1 un vector normal multivariante N(θ, σ In); sea X = 2 i =1 .
n
a.- Halle la matriz asociada a Q1 = nX 2
n
∑ (X i − X )
2
b.- Halle la matriz asociada a Q2 =
i =1
c.- Halle la distribución de Q1 y de Q2.
d.- Halle la distribución conjunta de Q1 y Q2.
(n−1)Q
e.- Halle la distribución de Q 1 .
2
f.- Pruebe que Q3 = nX y Q2 son independientes.

g.- Halle E (Q1 ) , E (Q2 ) E (Q3 ) ,
18.- Sean X1, X2, ..., Xn, v.a.i.i.d., Xi ≈ N(0,σ2). Obtenga:

n(n − 1)X 2
a.- La distribución de la v.a U = n
∑ (X i − X )2
i =1
nX
b.- La distribución de Q1 =
σ
c.- La distribución de Q2 =
(n − 1)S 2
σ2
d.- La distribución de Q3 =
(n − 1)Q12
Q2
n n
∑ Xi ∑ (X i − X )
2
siendo: X = i =1 S 2 = i =1
n n −1
n (X − µ )
19.- Sean X1, X2, ..., Xn, v.a.i.i.d., Xi ≈ N(µ,σ2). Obtenga la distribución de: Y =
S
20.- Sea Ynx1 un vector normal, N(θ, In), sea Xnxp (n > p) una matriz real de rango p; sea bpx1 un vector real;
obtenga la distribución de:
W =
b ' X 'Y (n − p )
(
b' X 'VXb Y ' I − X ( X ' X )−1 X ' Y )
21.- Sean X1, X2, ..., Xn, v.a.i.i.d., Xi ≈ N(0,1). Obtenga la distribución de:
2
 n 
∑
 Xi 
 i =1 
Y= 2
n
 n 
∑
n Xi −  Xi 
i =1
2
∑
 i =1 
22.- Sean X1, X2, ..., Xn, v.a.i.i.d., Xi ≈ N(µ1,σ12). Sean Y1, Y2, ..., Yn, v.a.i.i.d., Yi ≈ N(µ2,σ22). Considere el
hecho de que las v.a. Xi son independientes de las v.a Yi. Obtenga la distribución de:
S 22
σ2
F= 2 2
S1
σ12
TG / tg / 2002
PRÁCTICA Nº 5
En los ejercicios del 1 al 10, se considera que X1, X2, ..., Xn es una muestra aleatoria de una población fX con
media µ y varianza σ2.
1.- Demuestre que:
n n
∑ X i2 − nX 2
∑ ( X i − µ )2 − n(X − µ )2
i =1 b.- S 2 = i =1
a.- S 2 =
n −1 n −1
2.- Demuestre que:

a.- E (X − µ ) = 0 σ2
b.- E (X − µ )  =
2
  n
µ
c.- E (X − µ )  = 23 µ + 3(n − 1)σ 4
d.- E (X − µ )  = 4
3 4
  n   3
n
3.- Demuestre que:

a.- E (X ) = µ
[ ]
b.- E X 2 =
σ2
n
+ µ2
[ ] nµ
c.- E X 3 = 3
2
+
3µσ 2
n
+ µ3
E [X ] =
µ
4 + 3(n − 1)σ 4 4 µµ 3 6 µ 2σ 2
d.- 4 + + + µ4
n3 n2 n
4.- Demuestre que:

r r
r  ' r 
a.- µ r = ∑  µ r − j (− µ ) j
j
b.- µ 'r = ∑  j µ r − j µ j
j =0   j =0
5.- Demuestre que:

   
( )
n n n
a.- E 
 ∑∑ X i X j  = n nµ 2 + σ 2

b.- E  X ∑
X i  = nµ 2 + σ 2
 i =1 
 i =1 j =1 
6.- Demuestre que: (

cov M r' , M q' = ) µ r' + q − µ r' µ q'
n
7.- Demuestre que:
(
a.- cov X , X 2 = ) µ3
n2
+
2 µσ 2
n

b.- cov X ,

n
∑

X i2  = µ3 + 2 µσ 2

 i =1 
(
c.- cov X , S 2 = ) µ3
n
8.- Demuestre que:

 n  
2
µ + 3(n − 1)σ 4

a.- E  
 ∑ 2 
( X i − µ )   = n µ 4 + (n − 1)σ 4 ( ) 
4
(
b.- E n 2 X − µ  = 4 ) 
n
 i =1  
 n  
2
 2 
 2
2E 

(Xi − µ )   ∑
n
 =  
( )∑
i 1
c.- E 2n X − µ
2
( Xi − µ)  = 
  n
 i =1 

d.- E S 2
 ( ) 
2  µ4
= +
(n − 1)2 + 2 σ 4 [ ]
 n n(n − 1)
9.- Demuestre que:

µ + 3[n − 1]σ 4  2
a.- var n(X − µ )  = 4
( )
2 n
−σ 4
∑ i
  n b.- var  (X − µ )  = n µ −σ 4
 4
 i =1 


n 2 
2 ( ) 1 (n − 3)σ 4 
c.- cov ∑ (X i − µ ) ( )
, n X − µ  = µ4 − σ 4 d.- var S 2 =  µ4 −
n  n −1

 i =1  
 
10.- Demuestre que:

 2  n
µ 
b.- E (X − µ )
n
a.- E (X − µ ) ∑ ( X i − µ ) = 3
2
 ∑ ( X i − µ )  = µ3  i =1  n
 i =1 
c.- E[M 3 ] =
(n − 1)(n − 2)µ3
n2
11.- Sea X1, X2, ..., Xn es una muestra aleatoria de una población normal N(µ, σ2). Demuestre que:
Y=
(n − 1)S 2 ≈ χ n2−1
σ2
12.- Sea X1, X2, ..., Xn es una muestra aleatoria de una población normal N(µ, σ2). Demuestre que:
X −µ
≈ t n −1
S/ n
13.- Sea X1, X2, ..., Xn es una muestra aleatoria de una población normal N(µ, σ2), calcule:
a.- µ 4 = 3σ 4
b.- var S 2 =
2σ 4
( ) n −1
14.- Sea X1, X2 una muestra aleatoria de una población normal N(θ, θ). Demuestre que:
[ ]
a.- E ( X1 − X 2 )2 = 2θ c.- var ( X1 − X 2 )2 = 8θ 2 [ ]
b.- E [( X + X ) ] = 2θ (1 + 2θ )
1 2
2
d.- var[( X + X ) ] = 8θ
1 2
2 2
(1 + 4θ )
15.- Sea X1, X2, ..., Xn es una muestra aleatoria de una población normal N(0, θ). Demuestre que:
 n +1
 n  Γ 
X i2  = 
2 
E
 ∑  n
2θ
 i =1  Γ  
2
16.- Sea X1, X2, ..., Xn es una muestra aleatoria de una población normal N(µ,σ2). Demuestre que:
n
Γ 
E[S ] =
2 2 σ
n −1  n −1 
Γ 
 2 
17.- Sea X1, X2, ..., Xn es una muestra aleatoria de una población normal N(µ, 1). Demuestre que:
[ ] 1
a.- E X 2 = + µ 2
n
b.- var X [ ]
2
=
2 4µ 2
2
+
n n
18.- Sean X1, X2, ..., Xn; Y1, Y2, ..., Ym muestras aleatorias de las poblaciones normales N(µx, σ X2 ) y N(µY, σ Y2 ),
respectivamente. Demuestre que:
σ2 σ2 S2 σ 2
a.- (X − Y ) ≈ N ( µ X − µY , X + Y ) b.- X2 Y2 ≈ Fn −1, m −1
n m SY σ x
19.- Sea {Xn} una sucesión de variables aleatorias independientes e idénticamente distribuidas con media µ y
varianza σ2. Demuestre que:
a.- La sucesión {X n } converge estocásticamente a µ.
{ }
b.- La sucesión Sn2 converge estocásticamente a σ2.
20.- Sea {Xn} una sucesión de variables aleatorias independientes e idénticamente distribuidas, tales
{ }
que µ 2' r existe. Demuestre que la sucesión M r' converge estocásticamente a µ r' .
TG / tg / 2002
PRÁCTICA Nº 6
1.- Sea X1, X2, X3 una muestra aleatoria de una población uniforme U(0, 1). Halle las funcione de densidad de
Y1, Y3, Md, R y T.
2.- Sea X1, X2, X3, X4 una muestra aleatoria de una población exponencial de parámetro 1. Calcule P(Y4 > 3).
3.- Sea X1, X2, X3 una muestra aleatoria de una población Beta B(2, 1). Calcule la probabilidad de que el valor
más pequeño de la muestra exceda a la mediana de la distribución.
4.- Obtenga una expresión que le permita calcular el percentil 100p de un conjunto de datos muestrales.
5.- Sea X1, X2 una muestra aleatoria de una población Beta B(1, 2). Calcule la probabilidad de que uno de los
valores muestrales sea por lo menos el doble del otro.
6.- Sea X1, X2, X3, X4 una muestra aleatoria de una población uniforme U(0, 1). Halle la probabilidad de que el
recorrido muestral sea menor que 0.5.
7.- Sea X1, X2, ..., Xn una muestra aleatoria de una población continua cuya mediana es η. Demuestre que:
n
1
P[Y1 < η ] = P[Yn > η ] = 1 −  
2
8.- Sea X1, X2, ..., Xn una muestra aleatoria de una población uniforme U(0, θ). Demuestre que:
n −1 1
2
a.- P[R > T ] = 1 −   b.- Corr (Y1, Yn ) =
n
3
( )
9.- Sea X1, X2, ..., Xn una muestra aleatoria de una población uniforme U − 1 2 , 1 2 . Demuestre que la densidad
del centro recorrido T viene dada por: fT (t ) = n(1 − 2 t )n −1 I (− 1 ,1 )(t )
2 2
10.- Sea X1, X2, ..., Xn una muestra aleatoria de una población uniforme U(0, 1). Demuestre que Yk tiene una
distribución beta, B(k, n-k+1).
11.- Sea X1, X2, ..., X2k+1 una muestra aleatoria de una población uniforme U(0, 1). Demuestre que Md tiene una
distribución beta, B(k+1, k+1).
σ
12.- Sea X1, X2 una muestra aleatoria de una población normal N(0, σ2). Demuestre que: E (Y2 ) = − E (Y1 ) =
π
13.- Sea X1, X2 una muestra aleatoria de una población normal N(0, 1). Halle E(R).
14.- Sea X1, X2, ..., X2k+1 una muestra aleatoria de una población normal N(µ, σ2). Demuestre que la densidad de
Md es simétrica respecto a µ, y por lo tanto, E(Md) = µ.
15.- Sea X1, X2, ..., Xn una muestra aleatoria de una población uniforme U(0, θ). Halle E(R) y Var(R).
16.- Sea X1, X2, ..., Xn una muestra aleatoria de una población uniforme U(m-√3s, m+√3s). Halle la densidad
conjunta de R y T. Halle las marginales. Calcule E(R).
17.- Sea X1, X2, ..., Xn una muestra aleatoria de una población uniforme U(θ1, θ2). Demuestre que:
 n −1
E (R ) =  (θ 2 − θ1 )
 n +1
18.- Sea X1, X2, ..., Xn una muestra aleatoria de una población X. Demuestre que X tiene una distribución Beta,
B(θ, 1), si y solo si Yn tiene una distribución beta B(nθ, 1)
19.- Sea X1, X2, ..., Xn una muestra aleatoria de una población X. Demuestre que X tiene una exponencial,
exp(1/nθ), si y solo si Y1 tiene distribución exponencial, exp(1/θ.)
20.- Sea X1, X2, ..., Xn una muestra aleatoria de una población X. Deduzca la expresión que le permita obtener:
a.- La densidad de Yk
b.- La densidad conjunta de (Yr, Ys, Yt), r < s< t
21.- Sea X1, X2, ..., Xn una muestra aleatoria de una población continua con función de densidad f y función de
1
distribución F. Demuestre que: E[F (Y1 )] =
n +1
22.- Sea {Xn} una sucesión de variables aleatorias independientes e idénticamente distribuidas, con distribución
uniforme, U(0, θ).
a.- Demuestre que la sucesión {Yn} converge estocásticamente a θ.
b.- Halle la distribución límite de la sucesión {Zn}, donde Zn = nY1
23.- Sea {Xn} una sucesión de variables aleatorias independientes e idénticamente distribuidas, con función de
densidad:
f X (x ) = e − ( x −θ )I (θ ,+∞ ) (x )
a.- Demuestre que: {X n } converge estocásticamente a (θ + 1).

b.- Demuestre que: Y1 converge estocásticamente a θ
24.- Sea X1, X2, X3 una muestra aleatoria de una población Beta B(2, 1). Demuestre que las variables
Y1 Y
Z1 = , Z 2 = 2 , Z 3 = Y3 son independientes.
Y2 Y3
25.- Sea X1, X2, ..., Xn una muestra aleatoria de una población exponencial, exp(θ). Demuestre que las variables
Z1 = Y1 y Z 2 = Yn − Y1 son independientes.
26.- Sea X1, X2, ..., Xn una muestra aleatoria de una población exponencial, exp(1). Demuestre que las variables
Z r = (n − r + 1)(Yr − Yr −1 ) , r = 1, 2, ..., n, Y0 = 0 son independientes e idénticamente distribuidas según una
exponencial, exp(1).
27.- Sea X1, X2, ..., Xn una muestra aleatoria de una población uniforme, U(0, 1). Demuestre que las variables
Yr
Zr = , r = 1, 2, ..., n, Zn = Yn son independientes.
Yr +1
28.- Sea X1, X2, ..., Xn una muestra aleatoria de una población uniforme discreta, U{1, 2, ..., θ}. Obtenga las
funciones de masa correspondientes a Y1 y Yn.
TG / tg / 2002

Prácticas de Teoría de La Probabilidad III

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Prácticas de Teoría de La Probabilidad III

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD CENTRAL DE VENEZUELA

FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES

ESCUELA DE ESTADÍSTICA Y CIENCIAS ACTUARIALES

DEPARTAMENTO DE ESTADÍSTICA Y PROBABILIDAD

CÁTEDRA DE PROBABILIDAD E INFERENCIA

PRÁCTICAS DE TEORÍA DE LA PROBABILIDAD III

PROF. TWIGGY L. GUERRERO M.

Halle la función de masa de la variable Y = X 1 − X 2 .

Demuestre que: E(X1X2) = E(X1) E(X2).

4.- Demuestre que:

a.- ¿Son X1 y X2 incorrelacionadas? b.- ¿Son independientes?

20.- Demuestre que:

31.- Se selecciona aleatoriamente un número X1 entre los números 1, 2, 3 y 4. a continuación se selecciona un

a.- Halle las marginales y las condicionales.

36.- Demuestre que las variables aleatorias X1 y X2 son independientes sí y sólo sí

39.- Si se define la varianza condicional de X2 dado X1 por:

46.- Demuestre que ρ2 = 1 ⇔ P[X2 = AX1 + B] = 1, para algunas constantes A y B.

49.- Demuestre las siguientes igualdades:

57.- Establezca e ilustre con ejemplos, la interpretación estadística de:

3.- Demuestre que sí X ≈ N(µ, V) entonces: a) E(X) = µ. b)Var(X) = V.

5.- Deduzca la función generatriz de momentos de un vector normal multivariante de parámetros µ y V.

14.- Sea X un vector aleatorio normal multivariante de parámetros µ y V. Sean Y = ct X y Z = dt X , variables

15.- Dada la forma cuadrática:

16.- Dada la forma cuadrática:

17.- Dada la forma cuadrática:

25.- Dada la forma cuadrática:

5.- Pruebe que:

a.- Distribución conjunta de Q1 y Q2.

f.- Pruebe que Q3 = nX y Q2 son independientes.

18.- Sean X1, X2, ..., Xn, v.a.i.i.d., Xi ≈ N(0,σ2). Obtenga:

2.- Demuestre que:

3.- Demuestre que:

4.- Demuestre que:

5.- Demuestre que:

6.- Demuestre que: (

7.- Demuestre que:

8.- Demuestre que:

9.- Demuestre que:

10.- Demuestre que:

a.- Demuestre que: {X n } converge estocásticamente a (θ + 1).

Potrebbero piacerti anche