Revisión actual |
Tu texto |
Línea 6: |
Línea 6: |
|
| |
|
| === Ejercicio 1 === | | === Ejercicio 1 === |
| Se tiene una urna con cuatro pelotitas negras y tres rojas. Se quitan tres sin reposición. | | Se tiene una urna con cuatro pelotitas negras y tres rojas. Se quitan tres sin reposicion. |
| # Dar la probabilidad de que la primera haya sido negra y la tercera roja. | | # Dar la probabilidad de que la primera halla sido negra y la tercera roja. |
| # Si se sabe que la tercera fue roja. Cual es la probabilidad de que la segunda haya sido negra?. | | # Si se sabe que la tercera fue roja. Cual es la probabilidad de que la segunda halla sido negra?. |
|
| |
|
| === Ejercicio 2 === | | === Ejercicio 2 === |
Línea 16: |
Línea 16: |
| Posible resolución | | Posible resolución |
| <div class="mw-collapsible-content" style="overflow-x:scroll"> | | <div class="mw-collapsible-content" style="overflow-x:scroll"> |
| <math> P(X+Y = k)=P(X=k-Y) \overset{\overset{\text{Proba total}}{\downarrow}}{=} | | <math> P(X+Y = k)=P(X=k-Y) = |
| \sum\limits_{i=0}^k P(X=k-Y | Y=i)P(Y=i) = | | \sum\limits_{i=0}^k P(X=k-Y | Y=i)P(Y=i) = |
| \sum\limits_{i=0}^k P(X=k-i | Y=i)P(Y=i) \overset{\overset{\perp\!\!\!\perp}{\downarrow}}{=} | | \sum\limits_{i=0}^k P(X=k-i | Y=i)P(Y=i) = |
| \sum\limits_{i=0}^k P(X=k-i)P(Y=i) = | | \sum\limits_{i=0}^k P(X=k-i)P(Y=i) = |
| \sum\limits_{i=0}^k \left(\frac{\lambda^{k-i}}{(k-i)!} e^{-\lambda} \right) \left(\frac{\mu^{i}}{(i)!} e^{-\mu}\right) = | | \sum\limits_{i=0}^k \left(\frac{\lambda^{k-i}}{(k-i)!} e^{-\lambda} \right) \left(\frac{\mu^{i}}{(i)!} e^{-\mu}\right) = |
Línea 28: |
Línea 28: |
| </div> | | </div> |
| </div> | | </div> |
| | |
| | === Ejercicio 3 === |
| | Sean <math>X_1, \dots, X_n</math>, <math>Y_1, \dots, Y_n</math> variables aleatorias independientes. Siendo <math>X_i</math> con distribucion geometrica de parametro <math>p</math> y <math>Y_i</math> con distribucion normal de media 0 y varianza 1. Dar el valor limite de: |
| | |
| | <math>\frac{1}{n}\sum\limits_{i=0}^n X_i\ \mathbb{I}_{\{Y_i>0\}}</math> |
|
| |
|
| === Ejercicio 3 === | | === Ejercicio 3 === |
Línea 59: |
Línea 64: |
|
| |
|
| Converge en distribucion a una normal e indique con que parametros. | | Converge en distribucion a una normal e indique con que parametros. |
|
| |
| <div class="toccolours mw-collapsible mw-collapsed">
| |
| Posible resolución
| |
| <div class="mw-collapsible-content" style="overflow-x:scroll">
| |
| Primero hay que saber que decir que algo converge en distribucion es lo mismo a decir que <math>\lim_{n\to\infty} F_{X_n} = F_X</math> en todo punto donde la acumulada es buena. Es lo mismo que decir que las generadoras de momentos convergen (i.e. <math>\lim_{n\to\infty} M_{X_n} = M_X</math>).
| |
|
| |
| Con esto voy a usar la generadora de momentos de la distribucion <math>\Gamma(n, \lambda)</math> que es <math>M_X(t)=\left(\frac{\lambda}{\lambda-t}\right)^n</math>
| |
|
| |
| <math> M_{\frac{S_n-n/\lambda}{\sqrt{n}/\lambda}} (t) = </math>
| |
| <math> e^{-\sqrt{n}} M_{\frac{S_n}{\sqrt{n}/\lambda}}(t) = </math>
| |
| <math> e^{-\sqrt{n}} M_{S_n}(t\lambda/\sqrt{n}) = </math>
| |
| <math> e^{-\sqrt{n}} \left(\frac{\lambda}{\lambda-\frac{t\lambda}{\sqrt{n}}}\right)^n = </math>
| |
| <math> e^{-\sqrt{n}} \left(\frac{1}{1-\frac{t}{\sqrt{n}}}\right)^n = </math>
| |
|
| |
| Si <math>\lim_{n\to\infty} M_{X_n} = M_X</math> entonces <math>\lim_{n\to\infty} \log(M_{X_n}) = \log(M_X)</math> pues es una funcion biyectiva en su dominio, entonces le tomo logaritmo a lo anterior
| |
|
| |
| <math>\log\left(e^{-\sqrt{n}} \left(\frac{1}{1-\frac{t}{\sqrt{n}}}\right)^n \right) = </math>
| |
| <math> -\sqrt{n} + n\log\left(\frac{1}{1-\frac{t}{\sqrt{n}}}\right) = </math>
| |
| <math> -\sqrt{n} + n\left[-\log\left(1-\frac{t}{\sqrt{n}}\right)\right] = </math>
| |
| <math> -\sqrt{n} - n\log\left(1-\frac{t}{\sqrt{n}}\right) = </math>
| |
|
| |
| Aqui hay que recordar (O saber hacer...) la expansion de Taylor para x<<1 <math>\log(1+x) = x - \frac{x^2}{2} + \mathcal{O}(x^3)</math>
| |
|
| |
| <math> -\sqrt{n} - n\log\left(1-\frac{t}{\sqrt{n}}\right) \approx -\sqrt{n} - n\left(\frac{t}{\sqrt{n}} - \frac{t^2}{2n}\right) </math>
| |
|
| |
| Entonces queda que
| |
|
| |
| <math> \lim_{n\to\infty} M_{S_n} =\lim_{n\to\infty}\exp\left(-\sqrt{n}(1+t) + \frac{t^2}{2}\right) = \exp\left(\frac{t^2}{2}\right) = M_Z(t), Z\sim\mathcal{N}(0,1)</math>
| |
|
| |
| Quedo demostrado entonces la convergencia en distribucion de la funcion original a una normal con media cero y varianza uno.
| |
|
| |
| <hr/>
| |
|
| |
| Edit: Solución alternativa.
| |
|
| |
| Desconozco si durante el examen se informó que no se podía usar TCL, pero en caso de que se pueda una solución alternativa y directa sería:
| |
|
| |
| Notar que como <math>S_n \sim \Gamma(n, \lambda)</math>:
| |
|
| |
| <math>E(S_n) = \frac{n}{\lambda}, SD(S_n) = \frac{\sqrt{n}}{\lambda}</math>
| |
|
| |
| Entonces, <math>\frac{S_n - n/\lambda}{\sqrt{n}/\lambda}</math> es una estandarización de <math>S_n</math> y por Teorema Central del Límite <math>\frac{S_n - n/\lambda}{\sqrt{n}/\lambda}\overset{d}{\longrightarrow}Z \sim\mathcal{N}(0,1)</math>
| |
| </div>
| |
| </div>
| |
|
| |
|
| === Ejercicio 5 === | | === Ejercicio 5 === |