Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
PROBABILIDAD y ESTAD́ISTICA (61.06 - 81.09) Evaluación Integradora Segundo cuatrimestre – 2017 Duración: 4 horas. 22/II/18 – 14:00 hs. 1. Sean P1, P2, P3, tres puntos aleatorios independientes, cada uno con distribución uni- forme sobre el rectángulo de vértices (0, 0), (π, 0), (π, 9), (0, 9). Calcular la probabilidad de que exactamente dos de esos tres puntos estén a distancia mayor que 3/2 de los vértices del rectángulo. R. [Referencia: Ejercicio 2.3 y Ejercicio 2.22] SeaR el rectángulo de vértices v1 = (0, 0), v2 = (π, 0), v3 = (π, 9), v4 = (0, 9), y sea Λ el conjunto de todos los puntos P del rectángulo R que están a distancia mayor que 3/2 de los vértices del rectángulo: Λ = { P ∈ R : mı́n 1≤i≤4 d(P, vi) > 3 2 } = R \ 4 ⋃ i=1 ( B̄(vi; 3/2) ∩R ) , donde d((x, y), (x0, y0)) = √ (x− x0)2 + (y − y0)2 y B̄((x0, y0); r) es el ćırculo de centro (x0, y0) y radio r. Sea N la cantidad de puntos Pj, j = 1, 2, 3, a distancia mayor que 3/2 de los vértices del rectángulo R. Tenemos P(N = 2) = ( 3 2 ) p2(1− p) = 3p2(1− p), donde p = P(Pj ∈ Λ) = área(Λ) área(R) = área(R)−∑4i=1 área(B̄(vi; 3/2) ∩R) área(R) = 1− área(B̄(0; 3/2)) área(R) = 1− π(3/2)2 9π = 1− 1 4 = 3 4 . Por lo tanto, P(N = 2) = 3 ( 3 4 )2( 1 4 ) = 27 64 ≈ 0.42. 2. Sea X una variable aleatoria con función de distribución FX(x) = x 5 1{1 ≤ x < 2}+ 3 5 1{2 ≤ x < 3}+ x+ 1 5 1{3 ≤ x < 4}+ 1{4 ≤ x}. Calcular E[X|X > 2]. R. [Referencia:Ejercicio 3.1] Graficamos la función de distribución de la variable aleatoria X para determinar a qué clase pertenece: 0 1 2 3 4 5 0. 0 0. 2 0. 4 0. 6 0. 8 1. 0 x F (x ) Observamos que se trata de una función de distribución discontinua con saltos de lon- gitud 1 5 en los puntos del conjunto A = {1, 2, 3}, y tal que su derivada en R \ A es dFX(x) dx = 1 5 1{1 < x < 2}+ 1 5 1{3 < x < 4}. Para calcular E[X|X > 2] usamos la identidad E[X|X > 2] = E[X1{X > 2}] P(X > 2) , y la expresión general de la esperanza de funciones de X: E[g(X)] = ∫ R\A g(x) · dFX(x) dx dx+ ∑ x∈A g(x) ·P(X = x). Como P(X = x) = 1 5 , para x ∈ A, y dFX(x) dx = 1 5 1{1 < x < 2} + 1 5 1{3 < x < 4} para x ∈ R \ A, se obtiene E[g(X)] = 1 5 ( ∫ 2 1 g(x)dx+ ∫ 4 3 g(x)dx+ ∑ x∈A g(x) ) , y evaluando esa expresión particular en g(x) = x1{x > 2}, resulta E[X1{X > 2}] = 1 5 ( ∫ 4 3 xdx+ 3 ) = 1 5 ( 42 − 32 2 + 3 ) = 13 10 . Como, por otra parte, P(X > 2) = 1− FX(2) = 1− 35 = 25 , se concluye que E[X|X > 2] = 13/10 2/5 = 13 4 = 3.25. 3. Cada vez que se enfrenta a un oponente, el campeón mundial de piedra, papel o tijera, juega piedra con probabilidad 0.4, papel con probabilidad 0.25, o tijera con probabilidad 0.35. En su próximo torneo se enfrentará a 250 oponentes. Calcular la covarianza entre la cantidad de veces que jugará piedra y la cantidad de veces que jugará tijera. R. [Referencia: Ejercicio 6.18] Sean X1, X2, X3 las cantidades de piedras, papeles, y tijeras que jugará el campeón mundial en los 250 enfrentamientos, respectivamente. Quer- emos calcular cov(X1, X3). Teniendo en cuenta que (X1, X2, X3) ∼ Mul(250, 0.4, 0.25, 0.35), y recordando que para (X1, X2, X3) ∼ Mul(n, p1, p2, p2) se tiene cov(Xi, Xj) = −n · pi · pj, obtenemos cov(X1, X3) = −250 · 0.4 · 0.35 = −35 4. Los equipos β y µ juegan un partido de fútbol. Los goles que hacen los equipos obedecen a dos procesos de Poisson independientes: de intensidad 3 cada 90 minutos para el equipo β, y de intensidad 1/2 cada 90 minutos para el equipo µ. Sabiendo que durante el partido se hicieron exactamente 2 goles, calcular la probabilidad de que el equipo β haya hecho exactamente un gol en los primeros 30 minutos y el partido haya terminado 2 a 0. R. [Referencia: Ejercicio 7.1 y Ejercicio 7.7] Ponemos el 0 al comienzo del partido y la unidad de escala representa 90 minutos. Sean Πβ y Πµ los procesos de Poisson de los goles que hacen durante el partido los equipos β y µ, respectivamente, y sean Nβ(t) y Nµ(t) sus respectivas funciones de conteo. La función de conteo del proceso de goles que se hacen durante el partido es N(t) = Nβ(t)+Nµ(t). Queremos calcular la probabilidad condicional p := P(Nβ(1/3) = 1, Nβ(1) = 2, Nµ(1) = 0|N(1) = 2) = P(Nβ(1/3) = 1, Nβ(1) = 2, Nµ(1) = 0) P(N(1) = 2) . Como los procesos Πβ y Πµ son independientes resulta P(Nβ(1/3) = 1, Nβ(1) = 2, Nµ(1) = 0) = P(Nβ(1/3) = 1, Nβ(1) = 2) ·P(Nµ(1) = 0). Descomponiendo el evento que aparece en el primer factor del lado derecho de la igual- dad en la forma {Nβ(1/3) = 1, Nβ(1/3, 1) = 1}, y teniendo en cuenta que para el proceso Πβ los incrementos Nβ(s, t) := Nβ(t) − Nβ(s), s < t, son independientes con distribución Poisson de media 3(t− s), resulta P(Nβ(1/3) = 1, Nβ(1) = 2) = P(Nβ(1/3) = 1, Nβ(1/3, 1) = 1) = P(Nβ(1/3) = 1) ·P(Nβ(1/3, 1) = 1) · = ( e−3(1/3) · 3(1/3) ) · ( e−3(2/3) · 3(2/3) ) = 2 · e−3. Utilizando que la función de conteo Nµ(t) tiene la distribución Poisson de media (1/2) · t tenemos P(Nµ(1) = 0) = e −1/2. Combinando ambos resultados tenemos P(Nβ(1/3) = 1, Nβ(1) = 2) ·P(Nµ(1) = 0) = ( 2 · e−3 ) · ( e−1/2 ) = 2 · e−7/2. Por el Teorema de superposición para procesos de Poisson independientes tenemos que la variable N(t) tiene la distribución Poisson de media (3 + (1/2)) · t = (7/2) · t, y en consecuencia P(N(1) = 2) = e−7/2 · (7/2) 2 2 = (49/8) · e−7/2. Por lo tanto, p = 2 · e−7/2 (49/8) · e−7/2 = 16 49 . Otro modo. Por el Teorema de superposición y competencia para procesos de Poisson in- dependientes tenemos que: (a) los tiempos entre goles (medidos en minutos) son variables aleatorias independientes con distribución exponencial de intensidad 3 90 + (1/2) 90 = (7/2) 90 = 7 180 ; (b) cada gol puede ser del equipo β con probabilidad 3/90 7/180 = 6 7 o del equipo µ con proba- bilidad 1 7 ; y (c) los tiempos entre goles y la naturaleza de los mismos son independientes. Como sabemos que se hicieron exactamente dos goles durante el partido, podemos utilizar el Teorema de la distribución condicional de los tiempos de llegada y considerar que los instantes en que ocurren esos goles son dos variables aleatorias independientes con distribución uniforme sobre el intervalo [0, 90], lo que nos permite deducir que la probabilidad de que se haga exactamente un gol durante los primeros 30 minutos del partido es p1 = 2 · 3090 · 6090 = 49 . Por otra parte, la probabilidad de que el equipo β haya hecho los dos goles es p2 = ( 6 7 )2 . Por lo tanto, p = p1 · p2 = 4 9 · 36 49 = 16 49 . 5. El costo por transportar 100 barriles de whisky desde Canadá hasta EE.UU. es 100000 dólares. Los volúmenes de los barriles de whisky (en litros) son variables aleatorias indepen- dientes con distribución normal de media 160 y varianza 1. ¿Qué precio debe tener como mı́nimo el litro de whisky transportado para que la probabilidad de que el transportista tenga una ganancia superior a 10000 dólares sea por lo menos 0.95? R. [Referencia: Ejercicio 8.6] Sea d el precio por litro de whisky transportado, y sea Wi el volumen en litros del i-ésimo barril transportado, i = 1, . . . , 100. El precio total por transportar los 100 barriles es d ·∑100i=1 Wi y la ganancia del transportista será G(d) = d ·∑100i=1 Wi − 100000. Se quiere hallar los valores de d tales que P(G(d) > 10000) ≥ 0.95. Como las combinaciones lineales, ∑n i=1 ci · Wi, de variables aleatorias independientes con distribuciones normales de media µi y varianza σ 2 i tienen distribución normal de media ∑n i=1 ci · µi y varianza ∑n i=1 c 2 i · σ2i , si ponemos n = 100, ci = 1, µi = 160 y σ2i = 1 se obtiene ∑100 i=1 Wi ∼ N (16000, 100), y en consecuencia Z := ∑ 100 i=1 Wi−16000 10 ∼ N (0, 1). En consecuencia, P(G(d) > 10000) = P ( d · 100 ∑ i=1 Wi − 100000 > 10000 ) = P ( 100 ∑ i=1 Wi > 110000 d ) = P ( Z > 110000 d − 16000 10 ) = 1− Φ ( 11000− 1600 · d d ) . De donde se obtiene P(G(d) > 10000) ≥ 0.95 ⇐⇒ 11000− 1600 · d d ≤ z0.05 ⇐⇒ 11000 ≤ d (1600 +z0.05) ⇐⇒ d ≥ 11000 1600 + z0.05 = 11000 1598.4 ≈ 6.88. Por lo tanto, el precio por litro de whisky transportado debe ser como mı́nimo 6.88 dólares. PROBABILIDAD y ESTAD́ISTICA (61.09 - 81.04) Evaluación Integradora Segundo cuatrimestre – 2017 Duración: 4 horas. 22/II/18 – 14:00 hs. 1. Sean P1, P2, P3, tres puntos aleatorios independientes, cada uno con distribución uni- forme sobre el rectángulo de vértices (0, 0), (π, 0), (π, 9), (0, 9). Calcular la probabilidad de que exactamente dos de esos tres puntos estén a distancia mayor que 3/2 de los vértices del rectángulo. R. [Referencia: Ejercicio 2.3 y Ejercicio 2.22] SeaR el rectángulo de vértices v1 = (0, 0), v2 = (π, 0), v3 = (π, 9), v4 = (0, 9), y sea Λ el conjunto de todos los puntos P del rectángulo R que están a distancia mayor que 3/2 de los vértices del rectángulo: Λ = { P ∈ R : mı́n 1≤i≤4 d(P, vi) > 3 2 } = R \ 4 ⋃ i=1 ( B̄(vi; 3/2) ∩R ) , donde d((x, y), (x0, y0)) = √ (x− x0)2 + (y − y0)2 y B̄((x0, y0); r) es el ćırculo de centro (x0, y0) y radio r. Sea N la cantidad de puntos Pj, j = 1, 2, 3, a distancia mayor que 3/2 de los vértices del rectángulo R. Tenemos P(N = 2) = ( 3 2 ) p2(1− p) = 3p2(1− p), donde p = P(Pj ∈ Λ) = área(Λ) área(R) = área(R)−∑4i=1 área(B̄(vi; 3/2) ∩R) área(R) = 1− área(B̄(0; 3/2)) área(R) = 1− π(3/2)2 9π = 1− 1 4 = 3 4 . Por lo tanto, P(N = 2) = 3 ( 3 4 )2( 1 4 ) = 27 64 ≈ 0.42. 2. Sea X una variable aleatoria con función de distribución FX(x) = x 5 1{1 ≤ x < 2}+ 3 5 1{2 ≤ x < 3}+ x+ 1 5 1{3 ≤ x < 4}+ 1{4 ≤ x}. Calcular E[X|X > 2]. R. [Referencia:Ejercicio 3.1] Graficamos la función de distribución de la variable aleatoria X para determinar a qué clase pertenece: 0 1 2 3 4 5 0. 0 0. 2 0. 4 0. 6 0. 8 1. 0 x F (x ) Observamos que se trata de una función de distribución discontinua con saltos de lon- gitud 1 5 en los puntos del conjunto A = {1, 2, 3}, y tal que su derivada en R \ A es dFX(x) dx = 1 5 1{1 < x < 2}+ 1 5 1{3 < x < 4}. Para calcular E[X|X > 2] usamos la identidad E[X|X > 2] = E[X1{X > 2}] P(X > 2) , y la expresión general de la esperanza de funciones de X: E[g(X)] = ∫ R\A g(x) · dFX(x) dx dx+ ∑ x∈A g(x) ·P(X = x). Como P(X = x) = 1 5 , para x ∈ A, y dFX(x) dx = 1 5 1{1 < x < 2} + 1 5 1{3 < x < 4} para x ∈ R \ A, se obtiene E[g(X)] = 1 5 ( ∫ 2 1 g(x)dx+ ∫ 4 3 g(x)dx+ ∑ x∈A g(x) ) , y evaluando esa expresión particular en g(x) = x1{x > 2}, resulta E[X1{X > 2}] = 1 5 ( ∫ 4 3 xdx+ 3 ) = 1 5 ( 42 − 32 2 + 3 ) = 13 10 . Como, por otra parte, P(X > 2) = 1− FX(2) = 1− 35 = 25 , se concluye que E[X|X > 2] = 13/10 2/5 = 13 4 = 3.25. 3. Los equipos β y µ juegan un partido de fútbol. Los goles que hacen los equipos obedecen a dos procesos de Poisson independientes: de intensidad 3 cada 90 minutos para el equipo β, y de intensidad 1/2 cada 90 minutos para el equipo µ. Sabiendo que durante el partido se hicieron exactamente 2 goles, calcular la probabilidad de que el equipo β haya hecho exactamente un gol en los primeros 30 minutos y el partido haya terminado 2 a 0. R. [Referencia: Ejercicio 7.1 y Ejercicio 7.7] Ponemos el 0 al comienzo del partido y la unidad de escala representa 90 minutos. Sean Πβ y Πµ los procesos de Poisson de los goles que hacen durante el partido los equipos β y µ, respectivamente, y sean Nβ(t) y Nµ(t) sus respectivas funciones de conteo. La función de conteo del proceso de goles que se hacen durante el partido es N(t) = Nβ(t)+Nµ(t). Queremos calcular la probabilidad condicional p := P(Nβ(1/3) = 1, Nβ(1) = 2, Nµ(1) = 0|N(1) = 2) = P(Nβ(1/3) = 1, Nβ(1) = 2, Nµ(1) = 0) P(N(1) = 2) . Como los procesos Πβ y Πµ son independientes resulta P(Nβ(1/3) = 1, Nβ(1) = 2, Nµ(1) = 0) = P(Nβ(1/3) = 1, Nβ(1) = 2) ·P(Nµ(1) = 0). Descomponiendo el evento que aparece en el primer factor del lado derecho de la igual- dad en la forma {Nβ(1/3) = 1, Nβ(1/3, 1) = 1}, y teniendo en cuenta que para el proceso Πβ los incrementos Nβ(s, t) := Nβ(t) − Nβ(s), s < t, son independientes con distribución Poisson de media 3(t− s), resulta P(Nβ(1/3) = 1, Nβ(1) = 2) = P(Nβ(1/3) = 1, Nβ(1/3, 1) = 1) = P(Nβ(1/3) = 1) ·P(Nβ(1/3, 1) = 1) · = ( e−3(1/3) · 3(1/3) ) · ( e−3(2/3) · 3(2/3) ) = 2 · e−3. Utilizando que la función de conteo Nµ(t) tiene la distribución Poisson de media (1/2) · t tenemos P(Nµ(1) = 0) = e −1/2. Combinando ambos resultados tenemos P(Nβ(1/3) = 1, Nβ(1) = 2) ·P(Nµ(1) = 0) = ( 2 · e−3 ) · ( e−1/2 ) = 2 · e−7/2. Por el Teorema de superposición para procesos de Poisson independientes tenemos que la variable N(t) tiene la distribución Poisson de media (3 + (1/2)) · t = (7/2) · t, y en consecuencia P(N(1) = 2) = e−7/2 · (7/2) 2 2 = (49/8) · e−7/2. Por lo tanto, p = 2 · e−7/2 (49/8) · e−7/2 = 16 49 . Otro modo. Por el Teorema de superposición y competencia para procesos de Poisson in- dependientes tenemos que: (a) los tiempos entre goles (medidos en minutos) son variables aleatorias independientes con distribución exponencial de intensidad 3 90 + (1/2) 90 = (7/2) 90 = 7 180 ; (b) cada gol puede ser del equipo β con probabilidad 3/90 7/180 = 6 7 o del equipo µ con proba- bilidad 1 7 ; y (c) los tiempos entre goles y la naturaleza de los mismos son independientes. Como sabemos que se hicieron exactamente dos goles durante el partido, podemos utilizar el Teorema de la distribución condicional de los tiempos de llegada y considerar que los instantes en que ocurren esos goles son dos variables aleatorias independientes con distribución uniforme sobre el intervalo [0, 90], lo que nos permite deducir que la probabilidad de que se haga exactamente un gol durante los primeros 30 minutos del partido es p1 = 2 · 3090 · 6090 = 49 . Por otra parte, la probabilidad de que el equipo β haya hecho los dos goles es p2 = ( 6 7 )2 . Por lo tanto, p = p1 · p2 = 4 9 · 36 49 = 16 49 . 4. El punto de ebullición del agua (en grados Fahrenheit) puede considerarse una variable aleatoria X con distribución N (µ, σ2). En un laboratorio se realizan 16 experimentos in- dependientes y se registran los valores del punto de ebullición del agua xi. El laboratorio procesa los datos e informa que x̄ = 202.38 y s2X = 439.75. En base a esa información muestral construir un intervalo de confianza de nivel 0.95 para µ. R. [Referencia: Ejercicio 11.3] Queremos construir un intervalo de confianza de nivel de confianza 0.95 para µ basados en el valor observado del estad́ıstico (X̄, S2X) = ( 1 16 16 ∑ i=1 Xi, 1 15 16 ∑ i=1 (Xi − X̄)2 ) de una muestra aleatoria de tamaño 16, X = (X1, . . . , X16), de la variable X. Por el Teorema de Fischer sobre la distribución de (X̄, S2X) se sabe que √ 16(X̄ − µ) SX = 4(X̄ − µ) SX ∼ t15. En consecuencia, indicando mediante t15,p al cuantil de orden p de la distribución t de Student con 15 grados de libertad, se tiene Pµ ( t15,0.025 ≤ 4(X̄ − µ) SX ≤ t15,0.975 ) = 0.975− 0.025 = 0.95 para todo µ ∈ R. Teniendo en cuenta que t15,0.025 = −t15,0.975 = −2.1314 y observando que −2.1314 ≤ 4(X̄−µ) SX ≤ 2.1314 ⇐⇒ X̄ − 2.1314·SX 4 ≤ µ ≤ X̄ + 2.1314·SX 4 , se concluye que Pµ ( µ ∈ [ X̄ − 2.1314 · SX 4 , X̄ + 2.1314 · SX 4 ]) = 0.95 para todo µ ∈ R. Por lo tanto, Iµ(X̄, S 2 X) := [ X̄ − 2.1314 · √ S2X 4 , X̄ + 2.1314 · √ S2X 4 ] define un intervalo de confianza de nivel 0.95 para µ basado en (X̄, S2X). Utilizando la información muestral se construye el siguiente intervalo Iµ(202.38, 439.75) = [ 202.38− 2.1314 · √ 439.75 4 , 202.38 + 2.1314 · √ 439.75 4 ] = [191.21, 213.55]. 5. La probabilidad de que al tirar un doblón se obtenga cara es p. A priori, p es una variable aleatoria con distribución β(4, 3). En 5 tiros del doblón se observaron exactamente 3 caras. En base a esa información muestral calcular la probabilidad de que en un nuevo tiro del doblón se obtenga cara. R. [Referencia: Ejercicio 12.6] Para representar el resultado del i-ésimo tiro del doblón utilizamosuna variable aleatoria Xi a valores en el conjunto {0, 1}: Xi = 1 significa que en el i-ésimo tiro se obtuvo cara y Xi = 0 significa que se obtuvo cruz. La cantidad de caras obtenidas en 5 tiros del doblón es N = ∑5 i=1 Xi. Queremos calcular P(X6 = 1|N = 3). A priori, la densidad de p es fp(q) = 6! 3! · 2! q 3(1− q)21{0 < q < 1}. Como para cada q ∈ (0, 1), X1|p = q, . . . , X5|p = 6, X6|p = q son variables aleatorias independientes, cada una con distribución Bernoulli(q), y observando que N = ∑5 i=1 Xi es una función de X1, . . . , X5, se tiene que N |p = q y X6|p = q son independientes, siendo N |p = q ∼ Binomial(5, q). Utilizando la versión proporcional de la fórmula de Bayes para la distribución a poste- riori de p, basada en la observación N = 3, tenemos fp|N=3(q) ∝ P(N = 3|p = q) · fp(q) ∝ ( q3(1− q)2 ) · ( q3(1− q)21{0 < q < 1} ) = q6(1− q)41{0 < q < 1}, y en consecuencia, como p|N = 3 ∼ β(7, 5), se tiene fp|N=3(q) = P(N = 3|p = q) · fp(q) P(N = 3) = 11! 6! · 4! q 6(1− q)41{0 < q < 1}. Utilizando la fórmula de probabilidades totales, y teniendo en cuenta que P(X6 = 1, N = 3|p = q) = P(X6 = 1|p = q) ·P(N = 3|p = q) = q ·P(N = 3|p = 3), se obtiene P(X6 = 1|N = 3) = P(X6 = 1, N = 3) P(N = 3) = ∫ P(X6 = 1, N = 3|p = q) · fp(q) dq P(N = 3) = ∫ q · ( P(N = 3|p = q) · fp(q) P(N = 3) ) dq = 11! 6! · 4! ∫ 1 0 q7(1− q)4 dq = 11! 6! · 4! · 7! · 4! 12! = 7 12 ≈ 0.5833.
Compartir