Problemas de Probabilidades y Estad sitica

Agustin y Alejandro 7 de enero de 2010

Prefacio
Este es el plan original de clases prcticas del curso de Probabilidades y Estad a sitca impartido a en la Facultad de f sica 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

ii

PREFACIO

 Indice general
Prefacio 1. Espacio muestral y combinatoria 1.0.1. Placa de un carro . . . . . . . 1.0.2. Mesa redonda . . . . . . . . . 1.0.3. 3 Comits . . . . . . . . . . . e 1.0.4. Con y sin reemplazo . . . . . 1.0.5. Probabilidad condicional . . . 1.0.6. Bernoulli . . . . . . . . . . . 1.0.7. Suma del Dado . . . . . . . . 1.0.8. Tiempos de espera . . . . . . 1.0.9. 10 Cartas y 10 Sobres . . . . 1.0.10. Terremotos y Tormentas . . . 1.0.11. Casino . . . . . . . . . . . . . 1.0.12. Moneda simetrica . . . . . . . 1.0.13. Torneo de Boxeo . . . . . . . 1.0.14. Sexo de los hijos . . . . . . . 1.0.15. Examen Final . . . . . . . . . 1.0.16. Cumpleaos . . . . . . . . . . n 1.0.17. Mounty Hall . . . . . . . . . 1.0.18. Chimpanze Bernoulli . . . . . 1.0.19. Acotar la intersesccin . . . . o 1.0.20. Piezas defectuosas . . . . . . 1.0.21. Fallos simultaneos . . . . . . 1.0.22. Fallos simultaneos en paralelo 1.0.23. Esperanza de Vida . . . . . . 1.0.24. Avin de 4 motores . . . . . o 1.0.25. Moneda sesgada . . . . . . .
I

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

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. Bayes y probabilidad condicional 2.0.26. Piezas defectuosas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.0.27. Accidentes y seguros . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.0.28. Moneda justa y moneda trucada . . . . . . . . . . . . . . . . . . . . iii

iv 2.0.29. 2.0.30. 2.0.31. 2.0.32. 2.0.33. Control de calidad . . . Alarma de Lluvia . . . . 10 Urnas . . . . . . . . Avin de cuatro motores o El h gado y el alcohol . . . . . . . II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

INDICE GENERAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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. V.A. y Distribuciones Multinomiales 3.0.34. Experimento de Bernoulli . . . . . . . 3.0.35. Muestreo sin remplazo . . . . . . . . . 3.0.36. Percepcin extransensorial . . . . . . . o 3.0.37. Cumulativa gaussiana . . . . . . . . . 3.0.38. Llegar Tarde o Temprano . . . . . . . 3.0.39. x e y uniformes . . . . . . . . . . . . . 3.0.40. Triangulo . . . . . . . . . . . . . . . . 3.0.41. Moneda en rejilla . . . . . . . . . . . . 3.0.42. Aguja en Parrilla . . . . . . . . . . . . 3.0.43. Supercie de la esfera . . . . . . . . . 3.0.44. Interiror de la esfera: Vector aleatorio 3.0.45. Vector aleatorio . . . . . . . . . . . . . 3.0.46. Esfera Compleja . . . . . . . . . . . . 3.0.47. Esfera en n . . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

4. Funcin de Variables Aleatorias Continuas o 4.0.48. Distribucin Inversa . . . . . . . . . . . o 4.0.49. Medida Deltaica . . . . . . . . . . . . . 4.0.50. Convolucin . . . . . . . . . . . . . . . . o 4.0.51. X*Y y X/Y . . . . . . . . . . . . . . . . 4.0.52. Mximo de un conjunto de variables . . a 4.0.53. Exponencial . . . . . . . . . . . . . . . . 4.0.54. Generador de Nmeros Aleatorios . . . u 4.0.55. Estirando Intervalos . . . . . . . . . . . 4.0.56. Flecha y Arco . . . . . . . . . . . . . . . 4.0.57. Distribucin de x + y . . . . . . . . . . o 4.0.58. Distribucin de x y . . . . . . . . . . . o 4.0.59. Distribucin de x/y . . . . . . . . . . . o 4.0.60. Moneda cargada . . . . . . . . . . . . . 4.0.61. Suma Gaussiana . . . . . . . . . . . . . 4.0.62. X menor que Y Exponencial . . . . . . . 4.0.63. Esperar un Omnibus . . . . . . . . . . . 4.0.64. El omnibus en Poissonville y Clockville 4.0.65. Represa y Terremoto . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

 INDICE GENERAL 5. Funcin generadora de Momentos o 5.0.66. L mite Continuo . . . . . 5.0.67. Distribucin Gamma . . . o 5.0.68. Densidad geomtrica . . . e 5.0.69. Funcin Generatriz . . . . o 5.0.70. Suma aleatoria . . . . . . 5.0.71. Adivinando distribuciones y Distribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ms a . . . . . . . . . . . . . . . . . . comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

v 21 21 21 21 22 22 22 25 25 25 25 25 26 27 28 29 29 29 30 30 31 31 31 33 33 34 34 34 34 34 35 35 36 36 36 37 37 37 37 37

. . . . . .

. . . . . .

. . . . . .

. . . . . .

6. Teorema Central del L mite 6.0.72. Transformada de la Guassiana 6.0.73. Demuestre TLC . . . . . . . . 6.0.74. Aproximacin Gaussiana . . . . o 6.0.75. Tamao de una muestra . . . . n 6.0.76. Difusin en 1D . . . . . . . . . o

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

7. Inferencia Bayesiana y Mxima Similaridad a 7.0.77. Dos monedas . . . . . . . . . . . . . . 7.0.78. Estimando la distribucin uniforme . . o 7.0.79. Estimando Poisson . . . . . . . . . . . 7.0.80. Conjugada de la Gaussiana . . . . . . 7.0.81. El sesgo de la Varianza . . . . . . . . 7.0.82. Termmetro de Boltzman . . . . . . . o 7.0.83. Contando Peces . . . . . . . . . . . . . 7.0.84. Intervalo de conanza Bayesiano . . . 7.0.85. Las frases del fortune . . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

8. Datos experimentales y M nimos Cuadrados 8.1. Teor . . . . . . . . . . . . . . . . . . . . . . . a 8.2. Ejercicios . . . . . . . . . . . . . . . . . . . . . 8.2.1. Formula Matricial para modelos lineales 8.2.2. Recta y Parabola . . . . . . . . . . . . . 8.2.3. Recta y Parabola . . . . . . . . . . . . . 8.2.4. Parametro constante . . . . . . . . . . . 9. Test de Hiptesis o 9.1. Teor . . . . . . . . . . . . . . . . . . . a 9.2. Ejercicios . . . . . . . . . . . . . . . . . 9.2.1. Internet y TV . . . . . . . . . . . 9.2.2. Media y Varianzas desconocidas 9.2.3. El test del signo . . . . . . . . . 9.2.4. Varianza Conocida . . . . . . . . 9.2.5. Producto de la tienda . . . . . . 9.2.6. Michelson . . . . . . . . . . . . . 9.2.7. Cavendish . . . . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

vi 10.Comparacin de Hiptesis con MLR y o o 10.1. Teor . . . . . . . . . . . . . . . . . . a 10.2. Ejercicios . . . . . . . . . . . . . . . . 10.3. Signicacin de MLR . . . . . . . . . . o 10.4. Test del VIH . . . . . . . . . . . . . . 10.5. Test para la dist. Exponencial . . . . . MAP . . . . . . . . . . . . . . . . . . . .

INDICE GENERAL 39 39 39 39 39 39

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

Cap tulo 1

Espacio muestral y combinatoria

Problemas de clculo de probabilidades bsicos con mucha combinatoria y en variables a a discretas. Todos los tipos de muestreo clsicos. Aplicaciones de la distribucin binomial y a o del concepto de independencia de eventos. Aspectos a tratar Denicin de probabilidad, probabilidad condicional, probabilidad conjunta y eventos o independientes. Combinatoria, distribucin binomial, Proceso de Bernoulli. o Muestreo con remplazo y sin remplazo. Nota: Buena parte de los ejercicios aqui presentados fueron extra dos del libro Teor a de las Probabilidades del Dr. Jos E. Valds Castro, de la Facultad de Matemticas y e e a Computacin de la Universidad de la Habana. En particular todos los ejercicios tericos o o fueron copiados de su libro.

Teor a Ejercicios Tericos o

1. Sean A, B , y C sucesos. Demuestre que P (A B C) = P (A) + P (B) + P (C) P (AB) P (AC) P (BC) + P (ABC). 2. Demuestre que P (AB) P (A) + P (B) 1. 3. Pruebe que la probabilidad de que ocurra exactamente uno de los sucesos A o B es P (A) + P (B) 2P (AB). 4. Sean A y B sucesos mutuamente excluyentes en un experimento. Supongamos que el experimento se repite de manera independiente hasta que ocurre A o B. Pruebe que la probabilidad de que A ocurra antes que B es P (A)/[P (A) + P (B)]. 1

2 Respuesta:

CAP ITULO 1. 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, 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 )]n1 luego la probabilidad buscada es la suma de estas probabilidades para cada experimento, es decir, para todo n N P (A)P (Ac B c )n1 =
nN

P (A) 1 P (Ac B c ) P (A) 1 [1 P (A + B)] P (A) P (A) + P (B)

= =

5. Probar que P (Ai ) = 1, i = 1, 2, ... si y solo si P ( Ai ) = 1 . i=1 6. Demuestre que si los sucesos A y B son independientes, entonces tambin son indee pendientes A y B . 7. Sean A y B dos sucesos. Analice la independencia de estos sucesos si: a) A B b) AB = c) P (A) = 0. 8. Demuestre que la independencia conjunta de los sucesos A, 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 , B y C 9. Suponga que la ocurrencia del suceso B hace ms probable la ocurrencia del suceso a A. Entonces la ocurrencia de A hace ms probable la ocurrencia de B? a 10. Sean {An} y {Bn}, n 1, dos sucesiones crecientes de sucesos con respectivos l mites A y B . Pruebe que si An y Bn son independientes para cada n, entonces A y B son independientes.

Ejercicios de Clculo a
1.0.1. Placa de un carro
Las matriculas de los autos en cuba constan de 3 letras y 3 numeros. Cuantas matriculas distintas se pueden obtener?

1.0.2.
si:

Mesa redonda

En cuantas formas distintas se pueden sentar 10 personas alrededor de una mesa circular

3 1. hay 5 hombres y 5 mujeres y queremos que cada hombre tenga a su lado mujeres (y viceversa); 2. hay 5 parejas y deseamos que las parejas permanezcan sentadas juntas. Considere cualquier dos ditribuciones como la misma si una resulta de una rotacin 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 conguracion)

1.0.3.

3 Comits e

Si 18 personas deben ser agrupadas en 3 comits de tamaos 5, 6 y 7, de cuntas formas e n a es posible hacer esto?

1.0.4.

Con y sin reemplazo

Dos nmeros se escogen al azar entre los nmeros del 1 al 10, sin remplazo. Halle la u u probabilidad de que el segundo nmero escogido fuese el 5 Cmo cambia esa probabilidad u o si el muestreo es con reemplazo? 1 9 Solucin: P (i2 = 5) = P (i2 = 5|i1 = 5) = 10 1 = 10 o 9

1.0.5.

Probabilidad condicional

Un grupo de 100 chips semiconductores contiene 20 defectuoso. Se escogen dos chips al azar. 1. Cual es la probabilidad de que el primero sea defectuoso? 2. Cual es la probabilidad de que el segundo sea defectuoso dado que el primero lo era? 3. 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 = 0,2 b) Si el primero es defectuoso la probabilidad de que el segundo lo sea es (20 1)/(100 1) = 0,192 ver que cuando la n es muy grande la probabilidad es igual a la del primer evento. c) La de que ambos sean defectuosos es la probabilidad de los eventos independientes: P 1 P 2 = 0,192x0,2

1.0.6.

Bernoulli

Un experimento de Bernoulli es un experimento aleatorio cuyo resultado puede ser clasicado de dos formas, digamos exito o fallo. Una sequencia de Bernoulli ocurre cuando se repite un experimento de Bernoulli muchas veces de forma independiente, tal que la probabilidad de exito y de fallo (p y 1 p) se mantienen la misma en cada una de las repeticioines. Considere que se realizan una secuencia de n experimentos de Bernoulli, calcule la probilidad de

CAP ITULO 1. ESPACIO MUESTRAL Y COMBINATORIA 1. que al menos ocurri un exito. o 2. que exactamente ocurrieran k 3. que todos los intentos fueron exitosos.

1.0.7.

Suma del Dado

Considere el experimento de lanzar dos dados no sesgados. 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. Supongamos que obsevamos el evento C que consiste en que el primer dado salio como 4. Demostrar que el evento A y el evento C son independientes pero esto no se cumple para el evento B y el evento C.

1.0.8.

Tiempos de espera

Si lanzamos repetidamente una moneda con probabilidad de escudo p: 1. cual es la probabilidad que tengamos que esperar k veces para observar la primera cara. 2. Cual seria la probabilidad de esperar k o mas veces:

1.0.9.

10 Cartas y 10 Sobres

Suppose that 10 cards, of which ve are red and ve are green, are placed at random in 10 envelopes, of which ve are red and ve are green. Determine the probability that exactly two envelopes will contain a card with a matching color.

1.0.10.

Terremotos y Tormentas

Suppose that the occurrences of earthquakes and high winds are unrelated. Also suppose that, at a particular location, the probability of a highwind occurring in any single minute is 105 and the probability of a moderate.earthquake in any single minute is 108 . 1. 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 eects of these loads. Is this reasonable? 2. Find the probability of the occurrence of one or the other or both during any minute. For rare events, i.e. events with small probabilities of occurrence, the engineer frequently assumes: P (AU B) P (A) + P (B). Is this reasonable? 3. If the events in consecutive minutes are mutually independent, what is the probability that there will be no moderate earthquake in year at this location? In 10 years?

1.0.11.

Casino

Considere el siguiente juego. Se lanzan dos dados y se considere la suma de los numeros que salen. En la primera tirada una suma de 7 ou 11 ganan, 2,3 y 12 pierden, y cualquier otra suma, digamos x1 , le permite seguir jungando. 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.

1.0.12.

Moneda simetrica

Se lanza una moneda simtrica al azar hasta que aparezca escudo en dos lanzamientos consecutivos. Halle la probabilidad de que el nmero de lanzamientos sea igual a cuatro. u

1.0.13.

Torneo de Boxeo

En un torneo participan 8 boxeadores que se aparean mediante un sorteo. En cada tope entre dos boxeadores se elimina al perdedor. En el torneo participan dos boxeadores que se sabe que ganarn con seguridad sus topes con los seis restantes. Cul es la probabilidad a a de que estos dos boxeadores ocupen el primero y el segundo lugar en el torneo?

1.0.14.

Sexo de los hijos

Un matrimonio tiene cuatro hijos. Cul es la probabilidad de que sean dos de cada a sexo? Cul es la probabilidad de que tres sean del mismo sexo? a

1.0.15.

Examen Final

Un profesor entrega a un grupo de estudiantes 10 problemas de los cuales se seleccionarn a de manera aleatoria 5 de ellos, que consistirn en el examen nal. Si un estudiante sabe a resolver 7 problemas, cul es la probabilidad de que el estudiante resuelva correctamente a al menos 3 problemas (con ello aprueba)? Cul es la distribucin de probabilidad de las notas del estudiante? a o

1.0.16.

Cumpleaos n

Un grupo tiene r estudiantes. Halle una frmula para la probabilidad de que coincida el o d de nacimiento (cumpleaos) de al menos dos estudiantes del grupo. Compruebe que esta a probabilidad es mayor que 0.5 para r = 23 y mayor que 0.7 para r = 30.

1.0.17.

Mounty Hall

Considere tres bolsas, una de las cuales contiene un premio. Usted selecciona una de las bolsas al azar, y luego, de las dos restantes, le muestran una bolsa vac A continuacin a. o puede seguir una de las dos siguientes estrategias: quedarse con la bolsa seleccionada al azar, o seleccionar la otra bolsa que queda, de contenido desconocido. Calcule la probabilidad de quedarse con el premio para cada una de las estrategias.

CAP ITULO 1. ESPACIO MUESTRAL Y COMBINATORIA

1.0.18.

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. Como promedio el chimpanze presiona dos teclas por segundo. Suponiendo que lo hace de forma desordenada, qu tiempo deberemos e esperar, como promedio, hasta que teclee su nombre?

1.0.19.

Acotar la intersesccin o

Sean P (A) = 0,9 y P (B) = 0,8. Verique que 0,7 P (AB) 0,8. Respuesta: P (AB) 1 [P (Ac ) + P (B c )] = 1 0,1 0,2 = 0,7, por otra parte como AB B entonces P (AB) P (B) = 0,8, tenindose que 0,7 P (AB) 0,8 e

1.0.20.

Piezas defectuosas

Un lote de N piezas contiene M piezas defectuosas. Se seleccionan sucesivamente n piezas del lote al azar. Calcule la probabilidad de que la pieza obtenida en la i-sima seleccin sea e o no defectuosa.

1.0.21.

Fallos simultaneos

Un sistema est constituido por 3 bloques con probabilidades de fallo q1 , q2 , q3 , a respectivamente, en un intervalo de tiempo dado. El sistema falla cuando fallan al menos 2 de sus bloques. Calcule las probabilidades de fallo y de trabajo sin fallo del sistema. Considere los fallos de los bloques independientes.

1.0.22.

Fallos simultaneos en paralelo

Un sistema est constituido por n bloques en paralelo (el sistema falla si y solo si fallan a todos sus los bloques). Calcule el nmero m u nimo de bloques que garantiza una probabilidad 3 , en un intervalo de tiempo dado, si la probabilidad de fallo del sistema menor que = 10 de funcionamiento de cada bloque en ese intervalo es p = 0,9. Considere los fallos de los bloques independientes.

1.0.23.

Esperanza de Vida

La tabla de longevidad en un cierto pa indica que la probabilidad de llegar a los 25 s aos es 0,95, mientras que la probabilidad de llegar a los 65 aos es 0,65. Si una persona n n tiene 25 aos, Cul es la probabilidad de que llegue a los 65 aos? a n

1.0.24.

Avin de 4 motores o

Cada uno de los motores de un avin puede averiarse durante un vuelo, con probabilidad o q = 0,01. El fallo de cada motor es independiente del fallo de cualquier otro motor. El avin o puede continuar su vuelo si funcionan al menos la mitad de los motores. Qu es ms seguro, e a

7 un avin de 2 motores o uno de 4 motores? Para que valores de q es ms seguro un avin o a o de 4 motores?

1.0.25.

Moneda sesgada

Se desea generar los resultados del lanzamiento al azar de una moneda simtrica, pero e solo se posee una moneda sesgada que tiene probabilidad p desconocida de aparicin de o escudo. Compruebe que con el siguiente procedimiento la probabilidad de aparicin de cada o cara es igual a 1/2: 1. Lanzar la moneda 2. Lanzar la moneda otra vez 3. Si en ambos lanzamientos aparece la misma cara reiniciar con el paso 1. 4. El resultado del ultimo lanzamiento es el resultado deseado.

CAP ITULO 1. ESPACIO MUESTRAL Y COMBINATORIA

Cap tulo 2

Bayes y probabilidad condicional

Clculo de probabilidades inversas a travs de la frmula de Bayes. Inferencia Bayesiana. a e o Aspectos a tratar Probabilidad condicional. Inferencia de hiptesis a partir de la frmula de Bayes. o o

Teor a Ejercicios Tericos o

1. Analice donde falla el siguiente razonamiento. La probabilidad de viajar en un avion donde algn pasajero lleva una bomba escondida es p = 106 . Por tanto la probabiliu dad de viajar en un avin donde 2 pasajeros llevan una bomba es p2 = 1012 . Antes o de un viaje en avin, un estudiante que no aprob el curso de probabilidades piensa o o de la siguiente forma. Mejor llevo yo mismo una bomba, y as la probabilidad de que 12 , y el vuelo es ms seguro. haya otra en el avin es 10 o a 2. En el radio dijeron que en el 35 % de los accidentes de trnsito estn involucrados a a choferes que han bebido. Esto quiere decir que en el 65 % restante estn involucradas a personas que no bebieron, dejando claro que es ms seguro conducir despus de haber a e bebido. Por qu est mal la conclusin anterior? e a o

2.0.26.

Piezas defectuosas

Two manufacturing plants produce similar parts. Plant 1 produces 1,000 parts, 100 of which are defective. Plant 2 produces 2,000 parts, 150 of which are defective. A part is selected at random and found to be defective. What is the probability that it came from plant 1 ? 9

10

CAP ITULO 2. BAYES Y PROBABILIDAD CONDICIONAL

2.0.27.

Accidentes y seguros

La probabilidad de tener un accidente de trnsito en el transcurso de un ao es de a n p = 0,01 para una persona que no consume alcohol habitualmente, y 8 veces mayor para una persona alcohlica. El 2 % de la poblacin de una Ciudad se sabe que consume alcohol o o habitualmente. 1. Cul es la probabilidad de que una persona tomada al azar de la poblacin tenga un a o accidente en el transcurso de un ao? n 2. Si una persona no alcohlica tuvo un accidente el ao pasado, cul es la probabilidad o n a de que vuelva a tener uno este ao? n 3. Si una persona que no conocemos nos dice que tuvo un accidente el ao pasado, cul n a es la probabilidad de que vuelva a tener uno este ao? n

2.0.28.

Moneda justa y moneda trucada

Suppose that a box contains one fair coin and one coin with a head on each side. Suppose that a coin is selected at random and that when it is tossed three times, a head is obtained three times. Determine the probability that the coin is the fair coin.

2.0.29.

Control de calidad

Una mquina que detecta piezas defectuosas en una fbrica, detecta el 80 % del total de a a piezas defectuosas. Adems suele equivocarse y catalogar como defectuosas al 5 % del total a de las piezas que no lo son. La experiencia acumulada indica que el 10 % de las piezas que salen son defectuosas. 1. Cul es la probabilidad de que una pieza que la mquina indica como defectuosa sea a a de hecho defectuosa? 2. Cul es la probabilidad de que una pieza que la mquina indica como correcta sea a a de hecho correcta? 3. Compare y comente los resultados previos.

2.0.30.

Alarma de Lluvia

Se ha estimado que la probabilidad de que llueva es 0.06. Una alarma en un local interior debe indicar si llueve. La probabilidad de que la alarma funcione cuando llueve es 0.8 y la probabilidad de que funcione errneamente cuando no hay lluvia es 0.04. Si suena la alarma, o Cul es la probabilidad de que est lloviendo?. a e

11

2.0.31.

10 Urnas

Se tienen 10 urnas, etiquetadas con los nmeros 1 . . . 10. En la urna u se tienen u bolas u negras y 10 u bolas blancas. Jos selecciona una urna al azar y hace N extracciones e con reposici on, obteniendo nB bolas blancas, y N nB bolas negras. Luego le muestra el resultado del experimento a Pedro. Si N = 10 y nB = 7 cul es la probabilidad de que la a urna escogida fuese u desde el punto de vista de Pedro?

2.0.32.

Avin de cuatro motores II o

Cada uno de los motores de un avin puede averiarse durante un vuelo, con probabilidad o q = 0,01. El fallo de cada motor es independiente del fallo de cualquier otro motor. El avin o puede continuar su vuelo si funcionan al menos la mitad de los motores. 1. Qu es ms seguro, un avin de 2 motores o uno de 4 motores? Explique con nmeros. e a o u 2. Para que valores de q es ms seguro un avin de 4 motores? a o 3. La compa FreeFall tiene el viernes en la tarde 100 aviones en vuelo, 20 de los cuales na son de 2 motores (el resto son de 4). Llega la informacin imprecisa de que un avin o o de esta compa se ha ca na do. Cul es la probabilidad de que dicho avin fuese uno a o de los de 2 motores? Asuma q = 0,01.

2.0.33.

El h gado y el alcohol

Dice la radio que en el 40 % de los pacientes con problemas hepticos, son consumidores a frecuentes de alcohol. En Cuba el 5 % de la poblacin es consumidora habitual de alcohol. o 1. Si se toma al azar un paciente con problemas hepticos, con qu probabilidad no a e tiene un problema alcohlico? o 2. Parecer que es preferible tomar alcohol, pues ms de la mitad de los pacientes con a a problemas hepticos son abstemios. Calcule cunto ms probable es tener un problema a a a heptico si se es alcohlico que si no. a o

12

CAP ITULO 2. BAYES Y PROBABILIDAD CONDICIONAL

Cap tulo 3

V.A. y Distribuciones Multinomiales

3.0.34. Experimento de Bernoulli
Supongamos que X representa la diferencia entre el nmero de escudos y el nmero de u u estrellas cuando se lanza n veces al azar una moneda simtrica. Halle: e 1. los posibles valores de X. 2. la distribucin de probabilidad de X cuando n = 3. Graf o quela.

3.0.35.

Muestreo sin remplazo

Suponga que un lote de 100 unidades de un producto contiene 6 unidades defectuosas. Sea X el nmero de unidades defectuosas en una muestra de 10 unidades seleccionadas u aleatoriamente del lote. Hallar P (X = 0) y P (X > 2). Graque F (k) = P (X < k) usando una computadora.

3.0.36.

Percepcin extransensorial o

Una persona dice tener percepcin extrasensorial. Para vericar esto se lanza 10 veces o al azar una moneda simtrica y se le pide a la persona que prediga el resultado de cada e prueba. Acierta en 7 de las 10 ocasiones. Halle la probabilidad de que si responde al azar, la persona logre un resultado al menos tan bueno como el obtenido. Un ensayo cl nico se acepta como respaldo cientco a un producto si el resultado obtenido tiene una probabilidad inferior al 5 % de ser reproducido por el azar. Halle la funcin o k(N ) del nmero m u nimo de xitos necesarios en la prediccin del lanzamiento (N veces) e o de la moneda para garantizar estar dentro del criterio del 5 % de abilidad. Comentario: El Dr. Luis Carlos Silva, investigador en estad stica en el Centro de Informacin de Ciencias Mdicas (Infomed) y autor de varios libros, sugiri el siguiente experimento o e o para someter a prueba cient ca los llamados efectos piramidales. Numerar 100 frascos de agua y someter 50 a la accin de las pirmides, manteniendo en secreto la numeracin de o a o 13

14

CAP ITULO 3.

V.A. Y DISTRIBUCIONES MULTINOMIALES

los frascos escogidos. Luego devolver los 100 frascos a los defensores de la energ piramidal a y pedirles que por cualquier mtodo que ellos quisieran identicacen los frascos que hab e an sido sometidos a las pirmides. Hasta cuntos errores podr permitirse los piramlogos a a an o para estar dentro del criterio del 5 %?

3.0.37.

Cumulativa gaussiana
2

o o Sea F (x) = 1 ex la funcin de distribucin de la variable aleatoria X . Calcule: P (X > 2), P (1 < X < 3).

3.0.38.

Llegar Tarde o Temprano

Suponga que usted tiene una cita. El costo por unidad de tiempo de una llegada tarde a la cita es k , y el costo por unidad de tiempo de una llegada antes de la hora jada para la cita es c. Suponga que el tiempo del viaje suyo hasta el lugar de la cita es una variable aleatoria con densidad de probabilidad f (t). Determine el instante en que usted debe partir para minimizar el costo esperado. Considere el caso particular de un tiempo de viaje con distribucin gaussiana t o N (30, 10). Calcule el instante en que debe partir si k = c, y si k = 10c. Interprtelos. e

3.0.39.

x e y uniformes

Sean x e y dos variables aleatorias con probabilidad uniforme en [0, 1]. Halle la densidad de probabilidad f (x, y) , la distrbucin cumulativa de probabilidad F (x, y) as como las o respectivas marginales. Son independientes estas variables? Halle. 1. la probabilidad de que x < y. 2. la probabilidad de que x < y dado que y < 0,5. 3. la densidad de probabilidad de la variable aleatoria x + y. Graf quela. 4. la densidad de probabilidad de la variable z = m n(x, y)

3.0.40.

Triangulo

Considere la seleccin aleatoria (con probabilidad uniforme) de dos puntos en un sego mento de longitud 1. Halle la probabilidad con la que se puede formar un tringulo con los a tres segmentos resultantes de dicha seleccin ((0, x) (x, y) y (y, 1), donde x es el punto ms o a a la izquierda)

3.0.41.

Moneda en rejilla

(MacKay) Una moneda circular de radio a se lanza sobre una rejilla cuadrada (dibujada en un papel) con lado b > a, de forma aleatoria. Cul es la probabilidad de que la moneda a no toque la rejilla? Respuesta (1 a/b)2

15

3.0.42.

Aguja en Parrilla

(MacKay) Una aguja de longitud a es lanzada sobre un plano cubierto de lineas paralelas equidistantes (distancia b > a). Cul es la probabilidad de que la aguja intersecte alguna a 2a de las lineas? Respuesta b

3.0.43.

Supercie de la esfera

Considere el espacio muestral compuesto por los puntos de la supercie de una esfera. Considere todos los puntos equiprobables. Dena la variable aleatoria , (coordenadas esfricas) para designar dichos puntos. e 1. En qu rango de valores de y f (, ) > 0 e 2. Cul es la densidad de probabilidad f (, )? a 3. Cul es la distribucin cumulativa F (, )? a o 4. Por qu no son todos los valores de (, ) equiprobables? e 5. Son independientes las variables y ?

3.0.44.

Interiror de la esfera: Vector aleatorio

Considere a todos los puntos del interior de una esfera de radio R como equiprobables. 1. Halle la densidad de probabilidad de la variable aleatoria (vector) r = (x, y, z) 2. Halle la densidad marginal en x, f (x). 3. Halle la densidad de probabilidad de la variable (r, , ). 4. Halle la densidad marginal en r f (r). Graf quela. 5. Demuestre que el mdulo r y cualquier de las coordenadas angulares son variables o independientes. Es esto cierto para x, y, z? 6. Halle las probabilidades condicionales f (x|r) y f (r|x) que relacionan al mdulo de un o vector con una de sus proyecciones.

3.0.45.

Vector aleatorio

Considere a todos los puntos del interior de una esfera de radio R con probabilidades tales que el mdulo del vector a un punto es una varaible aleatoria con distribucin uniforme o o en 0, R. 1. Halle al densidad de probabilidad de (r, , ). Es igual a la del ejercicio anterior? 2. Halle la densidad de probabilidad de la variable aleatoria (vector) r = (x, y, z) 3. Halle las probabilidades condicionales f (x|r) y f (r|x) que relacionan al mdulo de un o vector con una de sus proyecciones.

16

CAP ITULO 3.

V.A. Y DISTRIBUCIONES MULTINOMIALES

3.0.46.

Esfera Compleja

Considere un plano coordenado. Sobre su origen se situa una esfera de radio 1 de forma tangencial. Llamemos O al punto de tangencia, y P al punto diametralmente opuesto en la supercie de la esfera. Dado cualquier punto en la supercie de la esfera, le hacemos corresponder el unico punto del plano que esta en l nea con este y con el punto P . Esto dene una relacin biyectiva entre el plano y la supercie de la esfera. Si todos los puntos o de la esfera son equiprobables, cul es la densidad de probabilidad correspondiente a los a puntos (x, y) del plano a travs de la biyeccin descrita? e o

3.0.47.

Considere a todos los puntos del interior de una esfera en n como equiprobables. Tomando en cuenta que el volumen contenido en el interior de una esfera de radio r es V (r) r n , halle la densidad marginal del mdulo del radio vector f (r). Hacia qu valores o e de r se concentra dicha densidad de probabilidades?. Particularmente, si el impacto de una echa en un blanco circular est equidistribuido, cmo distribuye su distancia al centro del a o blanco?

Esfera en n

Cap tulo 4

Funcin de Variables Aleatorias o Continuas

Ejercicios Tericos o
4.0.48.
F 1 (X)

Distribucin Inversa o

Demuestre que si la variable X U [0, 1] y la variable aleatoria Y = F 1 (X), donde es una funcin biyectiva, entonces la distribucin cumulativa de Y viene dada por o o F (y). (Ver ejercicio del generador de nmeros aleatorios como aplicacin). u o

4.0.49.

Medida Deltaica

Demuestre que si la variable aleatoria Y es funcin de la variable aleatoria X, Y = (X), o entonces una forma equivalente de hallar la densidad de probabilidad de Y es fY (y) = fX (x)(y (x))dx

donde (x) es la delta de Dirac. Demuestre particularmente que esta expresin se reduce a o la estudiada en clase y que adems cumple con la denicin para la funcin de distribucin a o o o cumulativa FY (y) = P (Y < y) Extienda este resultado al caso de distribuciones multivariadas f (x, y), en la cual se dene una nueva variable aleatoria como funcin de x e y. (Ver ejercicio siguiente como o aplicacin) o

4.0.50.

Convolucin o

Si X e Y son dos variables aleatorios independientes, demuestre que la densidad de probabilidad de Z = X + Y viene dada por la convolucin de las densidades de las variables o originales. 17

18

CAP ITULO 4. FUNCION DE VARIABLES ALEATORIAS CONTINUAS

4.0.51.

X*Y y X/Y

Si las variables X e Y tienen densidad de probabilidad f (x, y), cul es la densidad de la a variable z = x y y z = x/y?

4.0.52.

Mximo de un conjunto de variables a

Considere a las variables aleatorias independientes e idnticamente distribuidas (i.i.d. e random variables) = {X1 , X2 , . . . Xn }, con Xi f (x). Sea Y = max(X1 , X2 , . . . Xn ). Halle la funcin de distribucin cumulativa de Y y su respectiva densidad de probabilidad. o o

Ejercicios de Clculo a
4.0.53.
eX .

Exponencial

Sea X U (0, 1). Halle las densidades de probabilidad de las variables aleatorias X n y

4.0.54.

Generador de Nmeros Aleatorios u

Considere que tiene una subrutina random() que genera nmeros aleatorios entre 0 y u 1. Cmo es posible obtener a partir de la misma nmeros aleatorios con distribucin o u o 1. Gaussiana? 2. Exponencial? Programe una de estas formas y compruebe haciendo un histograma de los nmeros obteu nidos que realmente cumplen con la distribucin deseada. o

4.0.55.

Estirando Intervalos

Qu funcin matemtica debe relacionar a la V.A. continua Y = g(X) con la V.A. e o a continua X U (0, 1) si se desea que Y tome con probabilidad 1/2, valores entre 0 y 1 (uniformemente) y con probabilidad 1/2 valores entre 1 y 3 (uniformemente)?

4.0.56.

Flecha y Arco

Si una echa lanzada usando un arco tiene una probabilidad homognea de impactar e en cualquiera de los puntos de las diana (con forma circular), cul es la distribucin de a o probabilidad de la distancia del impacto al centro de la diana?

4.0.57.

Distribucin 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 distribucin (a) Gaussiana, (b) Exponencial. o

19

4.0.58.

Distribucin 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 distribucin (a) Gaussiana, (b) Poissonica. o

4.0.59.

Distribucin 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 distribucin (a) Gaussiana, (b) Poissonica. o

4.0.60.

Moneda cargada

(MacKay) Una moneda no cargada (P (0) = P (1) = 1/2) es lanzada hasta que sale una cara. Cul es el valor esperado del nmero de lanzamientos?. a u 1. Alberto, que no sabe que la moneda no est trucada (no cargada), estima el sesgo a e de la misma como h = e+c donde e es el nmero de escudos y c es el de caras en el u experimento anterior. Cul es la distribucin de h? a o

4.0.61.

Suma Gaussiana

ESTA MAL REDACTADO. Se sabe que la suma de dos variables aleatorias X e Y distribuye N[0, ]. 1. Cul es la densidad de probabilidad f (x, y) correspondiente? a 2. Halle la densidad marginal de cada una de estas variables f (x) y f (y). 3. Son independientes las variables X e Y ? Obtenga la probabilidad condicional de X dado Y . 4. Halle la densidad de probabilidad del producto Z = XY de ambas variables.

4.0.62.

X menor que Y Exponencial

La variable aleatoria X U [0, Y ] mientras que la variable Y tiene una densidad exponencial f (y) = ey denida para y > 0. 1. Halle la densidad de probabilidad f (x, y) correspondiente. 2. Son estas variables independientes? Halle la densidad de probabilidad condicional f (x|y) e f (x|y). 3. Halle la densidad de probabilidad de la diferencia Z = Y X.

20

CAP ITULO 4. FUNCION DE VARIABLES ALEATORIAS CONTINUAS

4.0.63.

Esperar un Omnibus

Suponga que usted llego en un instante aleatorio a una parada de omnibus donde puede tomar dos rutas. Los omnibus de cada una de las rutas llegan uno tras otro a intervalos de diez minutos. Cul es el valor esperado del tiempo de espera? a Respuesta: Sean U1 U (0, 10) y U2 U (0, 10) las variables aleatorias que modelan el tiempo de espera en la parada para cada mnibus, entonces el tiempo de espera a la llegada del primer o o mnibus sera U = m n(U1 , U2 ), como vimos anteriormente U 2U (0, 10) U 2 (0, 10), luego
+

EU

=
0 10

[1 2U (0, 10) + U 2 (0, 10)]dx 12 x2 x + 10 100

10 0

=
0

dx 10 1000 = 300 3

x3 x2 + 10 300

= 10 10 +

4.0.64.

El omnibus en Poissonville y Clockville

En Poissonville los autobuses llegan a las paradas de forma aleatoria e independientes unos de otros (proceso de Poissn) con un promedio de un autobus cada 6 minutos. Una o persona llega a la parada. Cul es el tiempo promedio que deber esperar? Respuesta 6 a a minutos. Cul es el tiempo promedio transcurrido desde que se fue el omnibus anterior a a su llegada? Respuesta 6 minutos. Cul es el promedio entonces entre el autobus anterior y a el siguiente? Respuesta 12 minutos. Explique la aparente contradiccin. o 1. Considere ahora Clockville, donde el transporte llega en tiempos precisos, exactamente cada 6 minutos. Una persona llega en un instante aleatorio a la parada. Cunto a tiempo le queda por esperar como promedio? Respuesta 3 minutos. Cunto ha transa currido como promedio desde que parti el omnibus anterior? Cul es el tiempo o a promedio entre el omnibus partido y el que est a

4.0.65.

Represa y Terremoto

Se piensa construir una represa en un punto del rio Colorado que dista una distancia D del punto medio (y ms prximo) de una falla tectnica de longitud 2L. Asumamos que a o o la probabilidad de que un terremoto se origine en cualquier punto de la falla es uniforme. Considere la variable aleatoria r, denida como la distancia desde la represa hasta el punto de origen de un terremoto. Demuestre que la densidad de probabilidad de r es f (r) =
1 2r 2 (r D 2 ) 2 L

1. Si la intensidad del terremoto I se reparte supercialmente (a una distancia r se siente I un temblor de intensidad = 2r ), calcule la densidad de probabilidad de sentir un terremoto de intensidad en la posicin de la represa. o

Cap tulo 5

Funcin generadora de Momentos o y Distribuciones ms comunes a

5.0.66. L mite 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

5.0.67.

Distribucin Gamma o

Considere la V.A. X Gam(, ) con distribucin Gamma o f (x) = donde () es la funcin gamma o

ex (x)1 ()

() =
0

eu u1 du

1. Halle la funcin generadora de momentos de la distrbucin Gamma. o o 2. Usando esta funcin, demuestre que la suma de dos variables aleatorias Z = X +Y que o distribuyen como Gamma, es tambin una variable con distribucin Gamma. Cmo e o o se transforman los parmetros? a

5.0.68.

Densidad geomtrica e

Considere la V.A. X {1, 2, . . .} con distribucin geomtrica o e pX (j) = (1 p)j1 p 21

 22CAP ITULO 5. FUNCION GENERADORA DE MOMENTOS Y DISTRIBUCIONES MAS COMUNES 1. Halle la funcin generadora de momentos de la variable X. o 2. Usando la misma halle el valor esperado y el momento de orden 2 de la variable X. 3. Halle la varianza de X.

5.0.69.

Funcin Generatriz o

(Marinari y Parisi) La funcin generatriz de la variable aleatoria discreta X {0, 2, . . .} o con probabilidades P (X = k) = pk , viene dada por la siguiente denicim o
+

G(t) =
k=1

tk p k

Considere las variables aleatorias X1 , X2 , . . . todas con la misma distribucin. Y sea M o tambin una variable aleatoria en los naturales, denamos una nueva variable aleatoria e como
m

Y =
i=0

Xi

Demuestre que la funcin generadora de momentos de Y viene dada por la composicin o o GM (GX (t)

5.0.70.

Suma aleatoria

Un dado no sesgado tiene un 0 en dos de sus caras, un 1 en otras dos, y las dos restantes dibujadas de rojo. Se lanza el dado repetidas veces hasta que salga una cara roja. Halle la funcin generatriz de la variable z = m1 xi , donde m es el nmero de lanzamientos o u i=0 realizados, y xi el resultado en cada uno de ellos. Use el resultado del ejercicio anterior.

5.0.71.

Adivinando distribuciones

Cmo distribuyen las siguientes variables aleatorias? o # de llamadas equivocadas a un nmero de telfono en T u e # de errores tipogrcos en una pgina de un libro a a # bacterias bajo el visor del microscopio # de personas con HIV en un avin o tiempo de espera hasta la llegada de la prxima guagua o tiempo de espera hasta desintegracin radioactiva o # de part culas gamma llegadas al detector desde una fuente radioactiva poco intensa en un T

23 cantidad de mujeres en un ao 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

Cap tulo 6

Teorema Central del L mite

Aspectos a tratar Teorema Central del L mite Funcin Caracter o stica, Funcin generatriz. o

Ejercicios
6.0.72. Transformada de la Guassiana

Halle la funcin generadora de momentos (t) y la funcin caracter o o stica G(k) =< exp ikx > de la distribucin gaussiana. A partir de ellas encuentre M1 =< x > y M2 =< o x2 >.

6.0.73.

Demuestre TLC

Usando cualquiera de las funciones del ejercicio anterior demuestre el teorema central del l mite haciendo un desarrollo en Taylor.

6.0.74.

Aproximacin Gaussiana o

Compare el resultado de aproximar la suma de dos variables aleatorias z = x1 + x2 distribuidas uniformemente (x1,2 , U (0, T )) por la gaussiana de igual media y desviacin o estndar. a

6.0.75.

Tamao de una muestra n

Se quiere hallar el promedio de estatura de los estudiantes de la UH. De qu tamao 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

26

CAP ITULO 6. TEOREMA CENTRAL DEL L IMITE

6.0.76.

Difusin en 1D o

Muestre cmo resolver el problema de la difusin con tiempo continuo y espacio discreto o o usando la funcin generatriz (transformada Z). Partiendo de la condicin inicial P (0, 0) = 1, o o la ecuacin diferencial para P (n, t) es o P (n, t) = P (n + 1, t) + P (n 1, t) 2P (n, t) t donde > 0 es el coeciente que caracteriza la rapidez de la difusin. o

Cap tulo 7

Inferencia Bayesiana y Mxima a Similaridad

Teor a
Digamos que tenemos un observable (variable aleatoria) X de un experimento, que toma valores en el conjunto S. Supongamos que la distribucin de X depende de un parmetro o a que toma valores en el espacio . La densidad de probabilidad de X es por tatno f (x|). En el anlisis bayesiano, suponemos que el parmetro de la distribucin es tambin una a a o e variable aleatoria con densidad h(). Esta densidad se suele llamar distribucin a priori, o pues relfeja el conocimiento que tenemos sobre la distribucin de la variable X antes de o confrontar ninguna data experimental. Usando el teorema de Bayes tenemos h(|x) = f (x|)h() g(x)

donde g(x) es la densidad de probabilidad (marginal) de X. Recordemos que en la forma tradicional del teorema de Bayes, g(x) se expresa a partir de la integral (suma en el caso discreto) g(x) = f (x|)h()d

Otra forma de entenderlo es que g(x) es la constante de normalizacin para f (x|)h() o como funcin de x. La distribucin condicional h(|x) de los parmetros dada la informacin o o a o experimental, se le llama la distribucin a posteriori, y reeja la expectativa que tenemos o en el valor de los parmetros una vez que juntamos nuestra creencia inicial con los datos a experimentales. Si es un parmetro real, el valor esperado condicional a = E(|X) = f (|X)d

es el estimador de Bayes. Recuerde que E(a|X) es funcin de X, es decir de los datos o experimentales que se usan para inferir los parmetros de la distribucin. a o 27

28

CAP ITULO 7. INFERENCIA BAYESIANA Y MAXIMA SIMILARIDAD

Familias Conjugadas En muchos casos especiales pero de importancia, podemos hallar una familia paramtrica e con la siguiente propiedad: Si la distribucin a priori de pertenece a esta familia, tambin o e lo hace la distribucin posterior de dado x. Tal familia se dice conjugada de la distribucin o o de la variable X. Las familias conjugadas son cmodas computacionalmente, pues muchas o veces podemos calcular la distribucin posterior a partir de una frmula simple de sus o o parmetros, sin pasar directamente por el teorema de Bayes. a

Mxima Similaridad a
Sea la variable aleatoria X con densidad de probabilidad f (x) (conocida excepto por el valor del parmetro ), y (x1 , x2 . . . , xN ) el resultado de N muestreos de esta variable. Cul a a que maximiza la similaridad entre los resultados (x1 , x2 . . . , xN ) es el valor del parmetro a y f (x)? Por la indepencia de los valores de xi f (x1 , x2 . . . , xN ) = f (x1 )f (x1 ) . . . f (xN ) = f (xi |) = ()

donde () se llama funcin de similaridad. o El estimador de mxima similaridad es = arg max(). Normalmente se calcula deria vando () para buscar su mximo. a Propiedades de los estimadores Cualquiera sea el mtodo usado para el clculo del estimador, se denen las siguientes e a propieades del mismo. Se dice que un estimador es consistente si
n

l E() = 0 m

y l V ar() = 0 m
n

Se dice que un estimador es no sesgado (unbiased) si E() = 0 En ambos casos 0 representa el valor real del parmetro de la distribucin que se estima. a o

Ejercicios
7.0.77. Dos monedas
Se tienen dos monedas con probabilidades q = 1/2 y q = 3/4 de sacar cara (respectivamente). Se toma una al azar y se lanza 10 veces, obtenindose 3 escudos y 7 caras. e 1. Cmo distribuye el nmero de caras obtenidas con cada una de estas monedas en 10 o u lanzamientos? 2. Halle el valor de q que da mayor verosimilitud al resultado obtenido 3. Halle el estimador de Bayes correspondiente, suponiendo, desde luego, que ambas monedas pueden haber sido tomadas con igual probabilidad.

29

7.0.78.

Estimando la distribucin uniforme o

Considere que se tiene una muestra {x1 , x2 . . . , xN } de la variable aleatoria X con distribucin uniforme U (0, ) con parmetro desconocido. o a 1. Halle el estimador de mxima similaridad. a 2. Halle ahora el estimador de Bayes, suponiendo que el parmetro tiene una distribua cin de Pareto con parmetros m y o a h() =
m +1

Demuestre primero que la distribucin de Pareto es la conjugada de la distribucin o o uniforme. 3. Analice la consistencia y el sesgo de ambos estimadores.

7.0.79.

Estimando Poisson

Considere la deteccin de la desintegracin radioactiva por un contador Geiger. Se tienen o o los siguiente conteos para 10 intervalos de 5 segundos: x = {3, 0, 7, 11, 1, 3, 4, 10, 6}. 1. Estime los parmetros de la distribucin correspondiente (Poisson) usando el estimaa o dor de Bayes. Asuma una distribucin a priori para el parmetro de la distribucin o a o poissnica Gam(a, b), con a = 1 y b = 5. Recuerde que o f (x|) = P oisson() = Gam(a, b) = x e x! ae (a)b1 (b)

Demuestre primero que la distribucin Gamma es la conjugada de la Poissonica. o 2. Obtenga el estimador de mxima similaridad y compare con el de Bayes. a

7.0.80.

Conjugada de la Gaussiana

Demuestre que si x = {x1 , . . . , xn } es una muestra de n experimentos con X N(, ), donde es conocida pero es desconocida, y tenemos un a priori normal para N(a, b) de parmetros (obviamente) conocidos, entonces la distribucin a posteriori tiene tambin a o e distribucin normal o b2 i xi + a 2 b , ) f (|x) N( 2 + nb2 2 + nb2 Es decir, demuestre que la normal es la conjugada de la distribucin normal. Cul es el o a estimador de Bayes correspondiente?

30

CAP ITULO 7. INFERENCIA BAYESIANA Y MAXIMA SIMILARIDAD

7.0.81.

El sesgo de la Varianza

Considere la repeticin de una medicin sobre una variable X que se asume Gaussiana. Si o o se tienen los resultados (x1 , x2 , . . . , xn ), obtenga el estimador de mxima verosimilitud para a el valor esperado y la desviacin estndar de la Gaussiana. Analice si estos estimadores o a son consistentes y no sesgados. Justique a partir de este resultado por qu se suele escoger e 2 = como estimador de la varianza. 1 ( n1
n i 2

x2 ( i

xi )2 )
i

7.0.82.

Termmetro de Boltzman o

Considere un grupo de N part culas en una columna vertical de aire. Segn la ley de u Boltzman, la probabilidad de encontrar una part cula a la altura z tiene la forma P (z) ez en las unidades apropiadas. = 1/T es el inverso de la temperatura. 1. Normalice f (z) = P (z). 2. Halle el estimador T de mayor similaridad que estima la temperatura de la columna de aire, cuando se tiene una foto instantnea de las part a culas (N valores (z1 , z2 . . . , zN ) de la altura de las part culas). 3. Demuestre que es un estimador consistente y no sesgado. 4. Suponga que de alguna forma usted tiene el valor exacto de T al cual est la columna a de aire. Cmo distribuye la variable T T si usted realiza muchos experimentos, es o decir si usted toma muchas fotos de las part culas y hace el clculo de T para cada a una. 5. Suponga ahora que de hecho disponemos de 10 fotos con los siguientes resultados para el estimador de la temperatura T = (25,2, 26,0, 22,3, 21,4, 26,3, 24,7, 25,6, 25,9, 23,8, 24,4) De un intervalo de conanza para la temperatura real de la columna de aire, con un nivel de conanza del 80 %. 6. Usando la relacin entre la varianza de las part o culas fotograadas y la varianza de la temperatura estimada, obtenga un valor para el nmero de part u culas con qu se e obtuvieron los resultados anteriores.

31

7.0.83.

Contando Peces

Cmo se cuentan los peces de un estanque? Una forma es la siguiente. Tiramos una red o a un estanque y sacamos M peces. Los marcamos con un aro en la cola, y los devolvemos al estanque antes de que sea demasiado tarde. Esperamos un poco, tal vez un dia, y luego repetimos la operacin sacando esta vez T peces, de los cuales resulta que m de ellos tienen o la marca realizada en la primera operacin. Si el nmero de peces sacados en cada ocasin o u o no es muy pequeo, deber n amos ser capaces de estimar la cantidad total de peces a partir de estos datos obtenidos. Realice el clculo. a

7.0.84.

Intervalo de conanza 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. Se tiene un a priori uniforme para el valor de q en el intervalo [0, 1]. A modo de prueba se lanza la moneda 10 veces y se obtienen 7 caras. Halle el estimador de Bayes para q y dena un intervalo de conanza con un nivel de conabilidad del 90 %.

7.0.85.

Las frases del fortune

Linux trae un comando fortune que imprime una frase clebre (extra aleatoriamente e da de un archivo) cada vez que se ejecuta. Un estudiante aburrido se dedica a leer estas frases, esperando encontrar el sentido de la vida en ellas. Al cabo de media hora en esta tarea, y sin haber encontrado lo que buscaba, se percata de que slo han salido repetidas 5 frases en o las 100 veces que ha ejecutado el programa. Abandonando las preguntas trascendentales, se preocupa ahora por la cantidad de frases distintas que la computadora contiene, y como no sabe linux, es incapaz de hallar el archivo y contarlas. Demuestre que es posible estimar dicho nmero. u

32

CAP ITULO 7. INFERENCIA BAYESIANA Y MAXIMA SIMILARIDAD

Cap tulo 8

Datos experimentales y M nimos Cuadrados

8.1. Teor a

En muchas ramas de la ciencia aparece la necesidad de inferir parmetros de cierta a teor de forma que los mismos ajusten lo mejor posible las mediciones que se realizan en la a prctica. En un caso simple, por ejemplo, se tiene un conjunto de n mediciones de la variable a independiente x y de la correspondiente variable dependiente y. Nuestra teor predice que a la relacin entre las mismas debe ser de la forma o y(x) = h(x, 1 , 2 , . . .) donde (1 , 2 , . . .) son los parmetros de nuestra teor que en general son un nmero pea a, u queo de ellos, mucho menor que el nmero de mediciones. Debido a que las mediciones exn u perimentales siempre introducen errores, y a que tenemos ms mediciones que parmetros de a a ajuste, el conjunto de valores que tenemos en mano x = (x1 , x2 , . . . , xn ) e y = (y1 , y2 , . . . , yn ) no satisfacen exactamente nuestra ecuacin para ningun juego de parmetros. Es decir, de o a forma general los residuos de cada medicin denidos como o ri = yi h(xi , 1 , . . .) no sern todos cero simultneamente. a a El mtodo de los m e nimos cuadrados propone estimar los parmetros de forma que a minimicen la suma del cuadrado de los residuos
n

= (1 , 2 , . . .) = argmin
i

2 ri

Si denimos S =

n 2 i ri ,

los parmetros estimados por m a nimos cuadrados satisfacen S =0 i 33

34

CAP ITULO 8. DATOS EXPERIMENTALES Y M INIMOS CUADRADOS

8.2.
8.2.1.

Ejercicios
Formula Matricial para modelos lineales

Un modelo lineal es aquel en que los m parmetros = 1 , 2 , . . . , m entran de forma a lineal en el modelo que estamos tratando de ajustar
m

y = h(xi , 1 , 2 , . . .) =
j=1

j j (xi )

donde j (x) son funciones arbitrarias de los datos experimentales (no necesariamente lineales). Demuestre que en el caso de modelos lineales, el estimador de m nimos cuadrados viene dado por la expresin matricial o LLSQ = (xT x)1 xT y donde xi,j = j (xi ) es una matriz de dimensin n m, e y = (y1 , y2 , . . . , yn ) es el vector de o las mediciones realizadas para la variable dependiente.

8.2.2.

Recta y Parabola

Estudie la aplicacin del ajuste por m o nimos cuadrados a los modelos lineales siguientes 1. y = 1 + 2 x 2. y = 1 + 2 x + 3 x2

8.2.3.
tes

Recta y Parabola

Estudie la aplicacin del ajuste por m o nimos cuadrados a los modelos no lineales siguien1. y = 1 sin(2 x) 2. y = 1 exp(2 x) Considere un ruido gausiano afectando los valores de xi

8.2.4.

Parametro constante

Pruebe que si uno de los parmetros en un modelo lineal es una constante aditiva, a entonces la suma de los residuos es cero ri = 0
i

Cap tulo 9

Test de Hiptesis o
9.1. Teor a

En muchas ocasiones es necesario elegir entre modelos probabil sticos a partir de la comparacin de estos con mediciones. Por ejemplo se tiene un el valor medio h de la estatura o de un aula en una escuela, y se ha perdido el ao escolar a que pertenece esta aula. Cmo n o cada ao escolar tiene una estatura caracter n sitca, podemos intentar inferir el ao a partir n del dato que poseemos. Por ser la media una variable aleatoria (pues es la suma normalizada de las estaturas de los estudiantes del aula), esta tiene una cierta dispersin en torno al valor o esperado para cierta edad, caracterizada por una desviacin estndar conocida. Digamos o a que queremos saber si la media que poseemos pertenece a un grupo de 4to grado, cuyo valor esperado de estatura es 0 o no. Tenemos dos hiptesis en nuestro problema o H 0 : = 0 H 1 : = 0

La primera hiptesis, que est bien denida se llama hiptesis nula y en general es aquella o a o que buscamos rechazar con los datos experimentales. En cambio H1 se llama hiptesis o alternativa, y en este caso est denida como la negacin de la hiptesis nula, es decir, no a o o est denida de forma precisa, y se dice que es una hiptesis compuesta. a o El valor medio de la estatura de los muchachos tiene una distribucin gaussiana con valor o medio y desviacin cuadrtica media o al menos esta es una buena suposicin, por venir o a o dado como la suma de variables aleatorias. Si la hiptesis nula H0 es cierta, al distribucin o o ser, particularmente h N (0 , ). La forma de campana de la gaussiana implica que los a valores muy alejados del valor esperado 0 tengan una probabilidad muy baja de ocurrir. Por este motivo si tenemos una media de valor muy alejado del esperado podemos asumir que la informacin que esta nos est dando es que ese evento es muy raro si se asume la o a hiptesis nula, y por tanto es preferible rechazarla. Uno puede, por ejemplo decidir que los o a valores de h que disten ms que del valor esperado 0 son valores raros, pues en el 68 % de las ocasiones los valores de h se encuentran dentro de este intervalo. O uno puede tomar un intervalo de tamao 2, con lo cual deja fuera slo el 4,5 % de las realizaciones de h. n o Ntese que el criterio de corte es arbitrario, y responde a la signicacin deseada para el o o test en cuestin. En muchos casos se ha establecido el criterio del 5 %, es decir, tomar como o 35

36

CAP ITULO 9. TEST DE HIPOTESIS

criterio de rechazo los valores de la variable experimental ms alejandos del valor esperado a y sobre los cuales se concentra el 5 % de la probabilidad. En otras palabras, se asume que los eventos experimentales con probabilidad de ocurrencia inferior al 5 % son eventos raros, segn la hiptesis nula, y por tanto dan un criterio de rechazo para esta. u o Para establecer el criterio de corte, es fundamental conocer la forma de la distribucin o estad distica del parmetro observado. En ocasiones es conveniente construir un estad a grafo, es decir, una combinacin de nuestros datos experimentales y de los parmetros de su o a distribucin que tienen una distribucin conocida de antemano. En el ejemplo anterior, o o el estad grafo ms evidente ser la estandarizacin de la media observada H = h0 a a o N (0, 1).

9.2.
9.2.1.

Ejercicios
Internet y TV

Segn una encuesta los suecos dedican 154.8 minutos diarios a ver la televisin. Un u o investigador tiene la hiptesis de que a internet se le dedica menos tiempo. El investigao dor realiza su propia encuesta a 25 individuos, y halla que esa muestra dedica un tiempo promedio T = 128,7, con una desviacin estndar muestral de = 46,5. Supongamos que o a el tiempo que un individuo le dedica a internet es una variable aleatoria con distribucin o normal Ti N (0 , 0 ). Existe evidencia para la hiptesis del investigador? Use el criterio o del 5 % para la signicacin del test. o

9.2.2.

Media y Varianzas desconocidas

Sea una muestra x = (x1 , x2 , . . . , x2 5) de n = 25 mediciiones con distribucin normal de o 2 = 100. Se tiene como hiptesis nula que H : = = 50, y como alternativa varianza o 0 0 que H1 : = 0 . Un investigador ja una regla de rechazo para la hiptesis nula de forma o arbitraria en x 52. 1. Calcule la probabilidad de recharzar H0 como funcin del valor esperado real (deso conocido normalmente) con que se generan los datos. 2. Qu probabilidad tiene la regla jada por el investigador de incurrir en errores de e tipo I? 3. En el caso en que los datos fuesen generados con un valor esperado = 55, de forma que la hiptesis alternativa es cierta, con qu probabilidad se cometen errores de tipo o e II? o 4. Qu regla de rechazo x c garantiza una signicacin del 5 %? e 5. Calcule el nmero de mediciones n necesarias para que la regla jada arbitrariamente u tuviese una signicacin del 5 % o

9.2. EJERCICIOS

37

9.2.3.

El test del signo

El test del signo (no paramtrico) para la mediana se dene a travs del estad e e grafo w=
i

Sign(xi )

1. Halle la densidad de probabilidad porrespondiente a este estad grafo. 2. Halle el punto de corte en w para rechazar la hiptesis = 0 con una signicacin o o del 5 %.

9.2.4.

Varianza Conocida

Para el test de hiptesis de la media con 0 conocida, calcule cmo depende la regin o o o de rechazo de la hiptesis nula con el tamao de la muestra. Comprelos con los intervalos o n a de conanza para el estimador de la media.

9.2.5.

Producto de la tienda

Una bolsa de papitas fritas dice tener 250g (gramos) de contenido. Se miden 75 bolsitas o hallando P = 248g y = 5. Usando una signicacin del 5 % diga si es posible rechazar la hiptesis nula en los casos siguientes o 1. H0 : 250 contra H1 : 250. 2. H0 : 7 contra H1 : < 7.

9.2.6.

Michelson

Usando la data de Michelson en su famoso experimento para medir la velocidad de la luz, diga si es posible armar que esta es mayor que c0 = 299000Km/s con una signicacin o de 5 %.

9.2.7.

Cavendish

Usando la data de Cavendish, diga si la razn entre la densidad de la tierra y del agua o es menor que 5,5 con un nivel de signicacin del 5 %. o

38

CAP ITULO 9. TEST DE HIPOTESIS

Cap tulo 10

Comparacin de Hiptesis con o o MLR y MAP

10.1. 10.2. 10.3. Teor a Ejercicios Signicacin de MLR o
f (x|0 ) f (x|1 )<k

Compruebe que MLR con criterio de corte L =

tiene nivel de signicacin o

= P0 (L < k)

10.4.

Test del VIH

La prueba cl nica para la deteccin del VIH en las personas es muy precisa. El test arroja o un resultado positivo siempre que se le aplica a una persona enferam P (T est+|H1 ) = 100 %, donde por H0 estamos tomando la hiptesis de que el paciente es sano, y por H1 que o est nefermo. El test tiene una pequea probabilidad de fallo en personas sanas, de forma a n que P (T est + |H0 ) = 3 %. La prevalencia del VIH en cierta poblacin es del P (H1 ) = 3 % o 1. Un persona de esta poblacin se realiza el test y le da positivo. Con qu probabilidad o e est realmente infectada? Es un criterio fuerte el resultado del examen para rechazar a H0 ? 2. Con qu probabilidad una persona cuyo test da negativo est infectada? Hay criterio e a para rechazar H1 ?

10.5.

Test para la dist. Exponencial

Se tienen dos teor sobre cierto ncleo atmico raro. La primera predice un tiempo de as u o vida medio t1 = 1/b1 y la segunda t2 = 1/b2 . Se desea usar el conjunto de mediciones de 39

40

CAP ITULO 10. COMPARACION DE HIPOTESIS CON MLR Y MAP

tiempos de vida t = (t1 , t2 , . . . , tn ) para discernir entre estas teor as H0 : P1 (t) = b1 eb1 t H1 : P2 (t) = b2 eb2 t

1. Halle el estimador de mxima verosimilitud par ala distribucin exponencial. a o 2. Demuestre que Y = ti Gam(n, 1/b)

3. Demuestre que el MLR es L = ( b1 )2 e(b1 b2 )Y b2 4. Si denimos n,b () el percentil de orden de la distribucin Gamma, demuestre que o el criterio de rechazo Y n,b () tiene signicacin o

10.5. TEST PARA LA DIST. EXPONENCIAL

41

Examen intrasemestral de Probabilidades y Estad stica 2008

Bayes En una caja hay dos monedas, una de las cuales es normal y la otra tiene un escudo por ambas caras. Se saca una moneda al azar de la caja y se lanza 3 veces, obtenindose en e las 3 ocasiones un escudo como resultado. Cul es la probabilidad de que la moneda a sacada fuese la normal? Cul es la probabilidad de obtener cara o escudo en el 4to a lanzamiento? Combinatoria Se suben N personas en un elevador de un edicio de k pisos. Estudiamos la variable aleatoria X = (X1 , X2 , . . . , XK ) que dene el nmero de personas Xi que desciende u en cada piso i-simo. e a) Cuntos 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, una vez que han bajado 2 personas, el problema de distribuir las restantes es anlogo al original. a V. Aleatoria Se piensa construir una represa en un punto del rio Colorado que dista una distancia D del punto medio de una falla tectnica de longitud 2L. 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 supercialmente, calcule la a densidad de probabilidad de sentir un terremoto de energ en la posicin de a o la represa. Momentos Considere la distribucin de probabilidades siguiente o f (x) = 2x 0 si 0 < x < 1 en otro caso

a) Halle la funcin generadora de momentos de esta distribucin. o o b) Calcule usando la misma el valor medio de la variable aleatoria z = x1 + x2 , donde ambas xi distribuyen segn f (x). u