República Bolivariana de Venezuela

Universidad Experimental del Táchira

Nombre: Endersson García

C.I.: V- 24.780.357

San Cristóbal 4 de Septiembre de 2018

Ejercicio Nº1:

X f(x)
0 0,41
1 0,37
2 0,16
3 0,005
4 0,01

Función de distribución Acumulada F(x):

F(x)=P (X≤x)= ∑𝑡≤𝑥 𝑓(𝑡) para −∞ ≤ 𝑥 ≤ ∞

Quiere decir que la variable aleatoria tome un valor menor o igual a un valor dado.

F(x) 0, 𝑥<0
0,41 0,41, 0≤𝑥<1
0,78 0,78, 1≤𝑥<2
𝐹(𝑥) =
0,94 0,94, 2≤𝑥<3
0,95 0,99, 3≤𝑥<4
{ 1, 𝑥≥4
0,96
Ejercicio Nº2:

Dado que me dan una función de distribución de probabilidad acumulada por ser F(x) se
calcula la derivada para hallar la función densidad:

𝑑𝐹(𝑥) 𝑑(1−𝑒 −2𝑥 )

f(x)= = =2𝑒 −2𝑥
𝑑𝑥 𝑑𝑥

Como ya tenemos la función de probabilidad acumulada se utiliza esta para hallar las
probabilidades.

b. La probabilidad de x>2= 𝑃(𝑋 > 2) = 1 − 𝐹(2) = 1 − (1 − 𝑒 −2(2) ) = 0.0183

c. La probabilidad de que -3<x≤4= 𝑃(−3 < 𝑋 ≤ 4) = 𝐹(4) − 𝐹(−3) = (1) − (0) = 1

Ejercicio Nº3:

¿Qué se entiende por valor esperado de una variable aleatoria?:

Se entiende en estadística como la esperanza matemática o también la media de una
variable aleatoria, puede decirse que es una representación de la cantidad media o valor
centralizado media que se espera como resultado de un experimento aleatorio.

¿Qué significado tiene la varianza y desviación estándar?:

La varianza es una medida de dispersión que representa la variabilidad de una serie

de datos respecto a la media.
La desviación estándar al igual que la varianza es una medida de dispersión
alternativa, con la desviación estándar podemos conocer cuánto se están desviando los
datos en su distribución respecto de la media aritmética.

¿Qué significa que dos variables sean estadísticamente independientes?

Dos variables son estadísticamente independientes cuando el comportamiento
estadístico de una de ellas no se ve afectado por los valores que toma la otra.

Ejercicio Nº4:

𝑿𝒊 f(x)=P(X=x)
0 0,9
1 0,06
2 0,02
3 0,01
4 0,01

Media= E(x)=∑𝑛𝑥=1 𝑥𝑛 𝑓(𝑥𝑛) = 0.17

Como se observa el valor de la media la probabilidad de que un turno de trabajo salga 0.17
zapatos defectuosos, quiere decir que en 100 turnos de trabajo pueden aparecer 17 zapatos
defectuosos

Varianza Var(x)= 𝐸(𝑥 2 ) − 𝐸(𝑥)2

=(𝐸(𝑥 2 ) = ∑𝑛𝑥=1 𝑥𝑛2 ∗ 𝑓(𝑥𝑛) = 0.39

=0.39-0.17=0.22

Desviación estándar Des(x)=√𝑣𝑎𝑟(𝑥) = 0.47

Y con g(x)=2x:

E (g(x))=2x

E (g(x))=E (2x)
= 2𝑥1 . 𝑓(𝑥1 ) + 2𝑥2 . 𝑓(𝑥2 ) + 2𝑥3 . 𝑓(𝑥3 ) + 2𝑥4 . 𝑓(𝑥4 ) + 2𝑥5 . 𝑓(𝑥5 )

=0.34

Como se puede ver la nueva esperanzan matemática no varía mucho con respecto a la
anterior calculada

Ejercicio Nº5:

x 250 150 0 -150

P(x=x) 0,22 0,36 0,28 0,18

Calculando la esperanza podemos decir que el valor como da positivo es una ganancia ya
que ese valor es positivo.

E(x)= 82

Ejercicio Nº6:

Un factor importante en el combustible sólido para proyectiles es la distribución del tamaño

de las partículas. Cuando las partículas son demasiado grandes se presentan problemas
importantes. A partir de datos de producción históricos se determinó que la distribución del
3𝑥 − 4, 𝑥 > 1
tamaño en micras de las partículas se caracteriza por: f(x)={
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Para calcular el tamaño medio de la partícula se hace con la fórmula de esperanza

matemática que es :
𝑀 = 𝐸(𝑥) = ʃ∞ −∞ 𝑥 ∗ 𝑓(𝑥)𝑑𝑥
 ∞ 3 3 3
= ∫1 𝑥(3𝑥 −4 )𝑑𝑥 = − 2 𝑥 −2 |1∞ = − 2(∞−2 − 1−2 ) = 2
El tamaño medio de la partícula de combustible es 1.5

𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝐸(𝑥)2 ;

∞ 2 −1 ∞
𝐸(𝑥 2 ) = ʃ∞ 2 −4
−∞ 𝑥 ∗ 𝑓(𝑥)𝑑𝑥 = ʃ1 𝑥 (3𝑥 )𝑑𝑥 = −3𝑥 |1 = −3(∞
−1
− 1−1 ) = 3

3 2 3
𝑉𝑎𝑟(𝑥) = 3 − ( ) =
2 4
El valor de variación del tamaño de la partícula es 0.75
√3
𝐷𝑒𝑠(𝑥) = √𝑉𝑎𝑟(𝑥) = √3/4 = ≅ 0.866
2
Y la desviación típica con respecto al promedio( media) es de 0.866

Ejercicio Nº7:

x
f(x,y)
2 4
1 0,1 0,15 0,25
y 3 0,2 0,3 0,5 f(y)
5 0,1 0,15 0,25
0,4 0,6
f(x)

M(x)=E(X) 3,2
M(y)=E(Y) 3

𝑉𝑎𝑟(𝑥, 𝑦) = 𝐸(𝑥, 𝑦) − 𝑀𝑥 ∗ 𝑀𝑦
0,2 0,6
𝐸(𝑥, 𝑦) = ∑𝒙 ∑𝒚 𝒙𝒚 𝒇(𝒙, 𝒚) = 1,2 3,6 = 9,6
1 3

𝑉𝑎𝑟(𝑥, 𝑦) = 9,6 − 3,2 ∗ 3 = 0

𝑉𝑎𝑟(𝑥,𝑦)
Coeficiente de correlación 𝐶(𝑥, 𝑦) = 𝐷𝑒𝑠(𝑥)∗𝐷𝑒𝑠(𝑦)
Para poder calcularlo se necesita de algunos datos:

E(x^2) = 𝑥12 𝑓(𝑥1 ) + 𝑥22 𝑓(𝑥2 )=11,2

E(y^2) 𝑦12 𝑓(𝑦1 ) + 𝑦22 𝑓(𝑦2 ) + 𝑦32 𝑓(𝑦3 )=11
 Var(x) =E(x^2)-E(x)^2 =0,96
Var(y) = E(y^2)-E(y)^2 =2
Des(x) 0,98
Des(y) 1,41

0
𝐶(𝑥, 𝑦) = =0
0.98 ∗ 1.41

Debido a que el coeficiente es cero (0) podemos decir que la relación lineal entre las
variables es nula.

Ejercicio Nº8:

Al probar cierta clase de neumático para camión en un terreno accidentado, se

encuentra que el 25% de los camiones no completan la prueba de recorrido sin
ponchaduras. De los siguientes 15 camiones probados, calcule la probabilidad de que:
a) La probabilidad de que entre 3 a 6 autos tengan ponchaduras=

P(3≤X≤6)= 𝑃(𝑥 = 3) + 𝑃(𝑥 = 4) + 𝑃(𝑥 = 5) + 𝑃(𝑥 = 6)

𝑛
Según la ecuación de distribución binomial = 𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥
n=15; x=3,4,5,6; p=0.25;

P(3≤X≤6)= 0.2252 + 0.2252 + 0.1651 + 0.0917 = 0.7072

b) Menos de 4 autos tengan ponchaduras:

P(x<4) =P(x≤3)=P(x=0)+ P(x=1)+ P(x=2)+ P(x=3)

d=0.0134+0.0668+0.1559+0.2252=0.4613 l

c) Más de 5 autos tengan ponchaduras:

P(x>5)= 1-P (x≤5)=1-[P(x=0) +P(x=1)+ P(x=2)+ P(x=3)+ P(x=4)+ P(x=5])

=1-[0.0134+0.0668+0.1559+0.2252+0.2252+0.1651]=0.1484

d) M=E(x)= n*p =15*0.25 =3.75

Con la media el valor esperado de autos que no completan la prueba es de 3.75

Var(x) = n*p*q =15*0.25*0.75=2.81

q=1-0.25=0.75

Des(x) =√𝑉𝑎𝑟(𝑥) =1.68

La desviación de autos en su distribución es 1.68 con respecto a la media.

e) Utilice el teorema de Chebyshev para interpretar el intervalo μ ± 2σ.

El teorema dice que la probabilidad de que cualquier variable aleatoria x tome un valor k
desviaciones estándar de su media es al menos 1-1/k^2, entonces:

µ±2σ≥1-1/k^2; Para un k =2

Media o μ= 3,75

Desviación estándar o σ=1,68

3.75±2 (1.68) = (3.75-3.36; 3.75+3.36) ≥ 0,75 = de 0.39 a 7.11 ≥0.75

Según el teorema podemos decir que de 15 camiones probados tienen una probabilidad de
amenos 0.75 de tener ponchaduras entre 0.39 a 7.77 o entre 1 a 8 camiones por ser datos
discretos.

Ejercicio Nº9:

Un fabricante de automóviles se preocupa por una falla en el mecanismo de freno de un modelo

específico. En raras ocasiones la falla puede causar una catástrofe al manejarlo a alta velocidad. La
distribución del número de automóviles por año que experimentara la catástrofe es una variable
aleatoria de Poisson con λ = 5.

𝒆−𝝀 ∗(𝝀)
Según la aproximación binomial por Poisson = 𝒙!

a) P(a lo sumo 3 At/año)=P(x≤3) = P(x=0)+ P(x=1)+ P(x=2)+ P(x=3)

=0.0067+0.0337+0.0842+0.1404=0.2650
b) P(x>1)= 1-P(x≤1)=1-[P(x=0)+P(x=1)] =1-[0.0067+0.0337]=0.9596
Ejercicio Nº10:

Distribución Función de probabilidad Media o Varianza

Esperanza
matemática
Uniforme 1 𝑘 𝑘
𝑓(𝑥, 𝑘) = 1 1
𝑘 µ = ∑ 𝑥𝑖 σ = ∑(𝑥𝑖 − µ)2
2
𝑘 𝑘
𝑖=1 𝑖=1
Multinomial 𝑛 𝑥 𝜇 = 𝑛𝑝 σ2 = 𝑛𝑝𝑞
𝑓(𝑥𝑘 ; 𝑝𝑘 ; 𝑛) = (𝑥 ) 𝑝𝑘 𝑘
𝑘

Geométrica 𝑔(𝑥; 𝑝) = 𝑝𝑞 𝑥−1 1 1−𝑝

𝜇= σ2 =
𝑝 𝑝2
Pascal o Binomial 𝑥 − 1 𝑘 𝑥−𝑘 𝑘(1 − 𝑝) 𝑘(1 − 𝑝)
𝑏(𝑥; 𝑘; 𝑝) = ( )𝑝 𝑞 𝜇= σ2 =
negativa 𝑘−1 𝑝 𝑝2