ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.

DEPARTAMENTO ACADÉMIC O DE
UNSCH FACULTAD DE
INGENIERÍA DE MINAS, GEO LOGÍA Y CIVIL MATEMÁTIC A Y FÍSICA

ÁREA ACADÉMIC A DEESTADÍSTIC A

APELLIDO PATERNO Código UNSCH27130541

TINEO
APELLIDO MATERNO
…MORALES Cell. Móvil…923710781
NOMBRES
1677-2021

REAL, PONTIFICIA Y NACIONAL

ELVIS D.N.I………70139174
UNIVERSIDAD SAN CRISTÓBAL
DE HUAMANGA
TRABAJO PRÁCTICO N° 2, ES-244 = Solucionario de la
EVALUACIÓN ESCRITA PARCIAL-II, ES-244, Estadística II:
Variables Aleatorias, Distribuciones Especiales de Probabilidad, Tablas E
Asignatura: Estadística II; Sigla: ES-244; Plan de Estudios por objetivos EPIS: 2005.
Escuela Profesional: Ingeniería de Sistemas; Grupos: I (Turno tardes), II (Turno mañanas).
Docente Universitario: Ing° CIP Guillermo Bernardino TAPIA CALDERÓN; Ing° Estadístico e
Informático, (UNA La Molina); Maestría en Ciencias-Planificación y Gestión Urbana y Regional
(UPG-FAUA-UNI); Candidato al Grado académico de Doctor en Educación (UPG-FCE-UNSCH).
Semestre Académico Regular: 2020-2-H * Hora inicio: 7:20 hrs * Hora entrega: 10:30 hrs.

PARTE A. VARIABLES ALEATORIAS UNIDIMENSIONALES

I) Dada la función de cuantía f :
x 0 1 2 3
Tabla N° A-1
f(x) 0.2 0.1 0.4 0.3
Calcular:
I-a) Esperanza Matemática E(x) o Media Teórica µx .
I-b) Variancia σ2 =V(x) o Varianza Var (x).

Solucion I-a y I-B

ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.
ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.

I-c) Momentos alrededor del origen:

‫ى‬r = E[ X r ] es el r- ésimo momento con respecto al origen (0,0) de la v.a.d. X.
Hallar: I-c.1) Momento cero alrededor del origen (0‫) ى‬.

• 𝑬[𝑿𝒌 ] = 𝑬[(𝒙 − 𝟎)𝒌 ] = ∑𝒙𝒌𝒊 𝒇(𝒙𝒊 )

• 𝒙𝒊 𝒆𝒔 𝒖𝒏𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒂𝒍𝒆𝒂𝒕𝒐𝒓𝒊𝒂 𝒅𝒊𝒔𝒄𝒓𝒆𝒕𝒂
• 𝑬(𝑿𝟎 ) = 𝑬[(𝒙 − 𝟎)𝟎 ] = ∑𝒙𝒌𝒊 𝒇(𝒙𝒊 ) 𝒏𝒐 𝒆𝒙𝒊𝒔𝒕𝒆 𝒑𝒐𝒓𝒒𝒖𝒆 𝒙 = 𝟎

I-c.2) 1er. Momento alrededor del origen (1‫ = ) ى‬Esperanza Matemática E[ X ] ó µ.

• 𝑬(𝑿𝟏 ) = 𝑬[(𝒙 − 𝟎)𝟏 ] = ∑𝒙𝒌𝒊 𝒇(𝒙𝒊 ) = 𝟏. 𝟖

I-c.3) 2do.Momento alrededor del origen (2‫) ى‬.

• 𝑬(𝑿𝟐 ) = ∑𝒙𝟐𝒊 ∗ 𝒇(𝒙𝒊 ) = 𝜹𝟐 = 𝟒. 𝟒𝟒

I-c.4) 3er. Momento alrededor del origen (3‫) ى‬.

• 𝑬(𝑿𝟑 ) = ∑𝒙𝟑𝒊 ∗ 𝒇(𝒙𝒊 ) = 𝜹𝟑 = 𝟏𝟏. 𝟒

I-c.5) 4to.Momento alrededor del origen (4‫) ى‬.

• 𝑬(𝑿𝟒 ) = ∑𝒙𝟒𝒊 ∗ 𝒇(𝒙𝒊 ) = 𝜹𝟒 = 𝟑𝟎. 𝟖

I-c.6) 5to.Momento alrededor del origen (5‫) ى‬.

𝑬(𝑿𝟓 ) = ∑𝒙𝟓𝒊 ∗ 𝒇(𝒙𝒊 ) = 𝜹𝟒 = 𝟖𝟓. 𝟖

Solucion IC

I-d) Momentos Centrales:

µr = E[ (X - µ )r es el r- ésimo momento con respecto a la Media µ.
( o es el r- ésimo momento central de la v.a.d. X ).

Hallar: I-d.1) Momento cero alrededor de la Media (µ0).

✓ 𝝁𝟎 = 𝑬[(𝑿 − 𝝁)𝟎 ] = 𝟏

I-d.2) 1er. Momento alrededor de la Media (µ1).

✓ 𝝁𝟏 = 𝑬[(𝑿 − 𝝁)𝟏 ] = 𝟎

I-d.3) 2do.Momento alrededor de la Media (µ2) = Variancia σ2 ó V(x).

𝝁𝟐 = 𝑬[(𝑿 − 𝝁)𝟐 ] = 𝟏. 𝟖

I-d.4) 3er. Momento alrededor de la Media (µ3).

𝝁𝟐 = 𝑬[(𝑿 − 𝝁)𝟑 ] = −𝟎. 𝟔𝟎𝟗

I-d.5) 4to.Momento alrededor de la Media (µ4).

ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.

𝝁𝟐 = 𝑬[(𝑿 − 𝝁)𝟒 ] = 𝟐. 𝟕𝟔𝟑𝟐

I-e) Segundo momento central.
I-f) Cuarto momento central.
I-g) Momentos factoriales: mr = E[x(x-1)(x-2)(x-3)…(x-k+1) ]
Hallar: I-g.1) Momento factorial cero m0 .
▪ 𝑚0 = 𝐸(𝑥) = 1.6

I-g.2) 1er. Momento factorial m1 ,

𝑚1 = 𝐸[𝑥(𝑥 − 1)] = 𝐸[𝑥 2 − 𝑥] = 𝐸(𝑥 2 ) − 𝐸(𝑥) = 1.8
I-g.3) 2do.Momento factorial m2 .
𝑚2 = 𝐸[𝑥(𝑥 − 1)(𝑥 − 2)] = 𝐸[𝑥 3 − 3𝑥 2 + 2𝑥] = 𝐸(𝑥 3 ) − 3𝐸(𝑥 2 ) + 2𝐸(𝑥) = 1.68
I-g.4) 3er. Momento factorial m3 .

▪ 𝑚3 = 𝐸[𝑥(𝑥 − 1)(𝑥 − 2)(𝑥 − 3)] = 𝐸[𝑥 4 − 6𝑥 3 + 11𝑥 2 − 6𝑥]

= 𝐸(𝑥 4 ) − 6𝐸(𝑥 3 ) + 11𝐸(𝑥 2 ) − 6𝐸(𝑥) = 0

II) Sea X una variable aleatoria continua (v.a.c.) con función de densidad dado por:

f(x) = k (x ) ; si 1 ≤x≤2
0 ; en otros casos
II-a) Calcular el valor de la constante k.
2

∫(𝑘)𝑥𝑑𝑥 = 1
1
3𝑘 2
=1→𝑘=
2 3

II-b) Escribir la función de densidad especifica f(x).

𝟐
𝒍𝒖𝒆𝒈𝒐; 𝑭(𝒙) = 𝒇(𝒙) = { ′ ∗𝒙 ; 𝒔𝒊 𝟏 ≤ 𝑥 ≤ 2
𝟑
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

II-c) Graficar función de densidad f y Función de Distribución Acumulada F .

F(x)
f(x)

0.6 1

0.35
1 2 X 0 1 2 X

II-d) Hallar la Función de Distribución Acumulada F(x).

ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.

Función de distribución acumulada 𝑭(𝒙).

𝟐
𝑭(𝒙) = 𝒇(𝒙) = { ′ ∗𝒙 ; 𝒔𝒊 𝟎 ≤ 𝑥 ≤ 2
𝟑
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

II-e) Calcular la probabilidad : P(- 0.5 ≤ x ≤ 1.5).

𝐏(−𝟎. 𝟓 < 𝑥 < 1.5) = 𝑭(𝟏. 𝟓) − (𝟏 − 𝑭(−𝟎. 𝟓)) = 𝟏 − (𝟏 − 𝟎) = 𝟏 − 𝟏 = 𝟎

II-f) Calcular la Esperanza Matemática E(x) o Media Teórica µx

+∞

𝐸(𝑋) = ∫ 𝑥 ∗ 𝑓(𝑥)𝑑𝑥
−∞
0 2 +∞
𝟐 𝟐 𝟐
𝐸(𝑥) = ∫( ∗ 𝒙)𝑑𝑥 + ∫( ∗ 𝒙)𝑑𝑥𝑑𝑥 + ∫ ( ∗ 𝒙)𝑑𝑥𝑑𝑥
𝟑 𝟑 𝟑
−∞ 1 2

2
𝟐
𝐸(𝑋) = 0 + ∫ ( ∗ 𝒙) 𝑑𝑥 + 0
𝟑
1

𝐸(𝑋) = 1

II-g) Hallar la variancia σ2 =V(x) o varianza Var (x).

𝑽(𝑿) = 𝑬(𝑿𝟐 ) − 𝝁𝟐

𝟐
𝟐 𝟐
𝑽(𝒙) = ∫ ∗ 𝒙 𝒅𝒙 = 𝟏. 𝟓𝟓𝟓
𝟏 𝟑

II-h) Hallar la desviación estándar o desviación típica= √σ2 =σx

√𝝈𝟐 = √𝟏. 𝟓𝟓𝟓 = 𝟏. 𝟐𝟒𝟔𝟗

II-i) Calcular el 2do.Momento alrededor del origen (2‫ ) ى‬para v.a.c. X.

• 𝑬(𝑿𝟐 ) = ∑𝒙𝟐𝒊 ∗ 𝒇(𝒙𝒊 ) = 𝜹𝟐 = 𝟒. 𝟒𝟒

II-i) Calcular el 1er.Momento alrededor de la media (µ1) para v.a.c. X ó 2do. Momento Central.
✓ 𝝁𝟏 = 𝑬[(𝑿 − 𝝁)𝟏 ] = 𝟎

II-j) Calcular el 3er. Momento Central para v.a.c. X.

II-k) Hallar el 1er. Momento factorial para v.a.c. X.

𝑚1 = 𝐸[𝑥(𝑥 − 1)] = 𝐸[𝑥 2 − 𝑥] = 𝐸(𝑥 2 ) − 𝐸(𝑥) = 1.8
ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.

III) El tiempo en minutos que un hombre tiene que esperar en la estación de un tren es un fenómeno
aleatorio con una Función de Distribución Acumulada F(x) definida por:

0 ; x≤ 0
(½) x ; 0 < x <1
F(x) = 1/2 ; 1≤x<2
(1/4) x ; 2 ≤ x < 4
1 ; x≥4

III-1) ¿Cuál es la probabilidad de que el hombre tenga que esperar el tren…

III-1.a) menos de 3 minutos?

III-1.b) entre 1 minuto y 3 minutos?

III-2) Hallar:

III-2.c) P(|X| < 2) ;

𝑃(|𝑋| < 1)
𝑃(−1 < 𝑋 < 1) = 𝑃(−1 < 𝑋 ≤ 0) = 𝐹(0) − 𝐹(−1) = 0 − 0 = 0

III-2.d) P(X ≥ 1.5).

3 1
𝑃(𝑋 ≥ 0.5) = 1 − 𝑃(𝑋 < 0.5) = 1 − 𝑃(𝑋 ≤ 0) = 1 − =
4 4
dF(x)
III-3) Hallar su función de densidad: f(x) = ▬▬▬

𝟎 ;𝑿 ≤ 𝟎
𝟏
∗𝑿 𝟎<𝑿< 𝟏
𝟐
𝟏
𝟐 ; 𝟏≤𝑿<𝟐
𝟏
{𝟏 − (𝟐𝑿) ; 𝑿 ≥ 𝟐

Derivando las ecuaciones se determina de la siguiente manera.

ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.

𝟎 ;𝑿 < 𝟎
𝑿
;𝟎 ≤ 𝑿 ≤ 𝟏
𝑭, (𝑿) 𝟐
𝟏
𝟐 ; 𝟏<𝑿<𝟐
{ ∄ ;𝑿 ≥ 𝟐

dx
III-4) Hallar la Esperanza Matemática E(x) o Media Teórica µx

𝒇(𝒙) = 𝑭(𝒙) − 𝑭(𝒙)

𝑓(−2) = 𝐹(−2) − 𝐹(−3) x 𝒇(𝒙) 𝒙𝟏 𝒇(𝒙) 𝒙𝟐 𝒇(𝒙)

= 1⁄4 − 0 = 1⁄4
-2 1⁄4 −2⁄4 4⁄4
𝑓(−1) = 𝐹(−1) − 𝐹(−2)
-1 1⁄4 −1⁄4 1⁄4
= 1⁄2 − 1⁄4 = 1⁄4
0 1⁄4 0 0
𝑓(0) = 𝐹(0) − 𝐹(−1)
1 1⁄4 1⁄4 1⁄4
= 3⁄4 − 1⁄2 = 1⁄4
𝑓(1) = 𝐹(1) − 𝐹(0) suma 𝟏 −𝟏⁄𝟐 𝟑⁄𝟐
= 1 − 3⁄4 = 1⁄4

• De tabla hallamos E(x):

2 1 1 1
𝐸(𝑥) = 
xDf
xf ( x) = − − + 0 + = −
4 4 4 2

IV) Problema de Esperanza Matemática

13) La producción mínima de una máquina es de 2,000 tornillos y la máxima es de 6,000.
Si la función de densidad del número de miles de tornillos producidos se pueden
representar por : 3
f(x) = ▬▬▬ ( 8x2 – x3 - 12x).
128
Determinar la producción esperada.

SOLUCION:

• Sea x: la producción de una maquina

𝟑
(𝟖𝒙𝟐 − 𝒙𝟑 − 𝟏𝟐𝒙) ; 𝟐, 𝟎𝟎𝟎 ≤ 𝒙 ≤ 𝟔, 𝟎𝟎𝟎
𝒇(𝒙) = {𝟏𝟐𝟖
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

• Nos pide la producción esperada:

ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.

+∞

𝐸(𝑥) = ∫ 𝑥𝑓(𝑥)𝑑𝑥
−∞

2,000 6,000 +∞

𝐸(𝑥) = ∫ 𝑥(0)𝑑𝑥 + ∫ 𝑥𝑓(𝑥)𝑑𝑥 + ∫ 𝑥(0)𝑑𝑥

−∞ 2,000 6,000

2,000 6,000 +∞
3
𝐸(𝑥) = ∫ (0)𝑑𝑥 + ∫ 𝑥(8𝑥 2 − 𝑥 3 − 12𝑥)𝑑𝑥 + ∫ (0)𝑑𝑥
128
−∞ 2,000 6,000

6,000
3
𝐸(𝑥) = 0 + ∫ (8𝑥 3 − 𝑥 4 − 12𝑥 2 )𝑑𝑥 + 0
128
2,000

6,000
3 𝑥5
𝐸(𝑥) = (2𝑥 − − 4𝑥 3 )|
4
128 5 2,000

𝐸(𝑥) = 4,200

• Llegamos a la conclusión que la producción esperada es 4,200

PARTE B). MANEJO DE TABLAS ESTADÍSTICAS

V) MANEJO DE TABLAS ESTADÍSTICAS DE DISTRIBUCIÓN BINOMIAL
USO DE TABLA I ó 1 (Función de Distribución Binomial). Hallar :

V-a) B(8 ; 18 , 0.45);

n = 18
p= 0.45
Respuesta=0.6085

V-b) B(5 ; 15 , 0.40);

n = 15
p= 0.40
Respuesta=0.7827

V-c) b(8 ; 18 , 0.45);

n = 18
p= 0.45
Respuesta=0.6085

V-d) b(5 ; 15 , 0.40);

ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.

n = 15
p= 0.40
Respuesta=0.7827

V-e) b(8 ; 12 , 0.70) ;

n = 12
p= 0.70
Respuesta=0.8822

V-f) b(8 ; 12 , 0.70);

n = 12
p= 0.70
Respuesta=0.8822

9
V-g) Σ b( k ; 9 , 0.80);
k=3

K=42

b( 42 ; 9 , 0.80);

n=9
p= 0.80
Respuesta=0

20
V-h) Σ b( k ; 20 , 0.10)

k=5

K=200

b( 42 ; 9 , 0.80);

n = 20
p= 0.80
Respuesta=0

VI) MANEJO DE TABLAS ESTADÍSTICAS DE DISTRIBUCIÓN DE POISSON

USO DE TABLA II ó 2 (Función de Distribución de Poisson). Hallar :
 ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.

VI-a) F(9;15); VI-b) f(9;15); VI-c) F(5; 3.6).

VII) MANEJO DE TABLAS ESTADÍSTICAS DE DISTRIBUCIÓN NORMAL ESTÁNDAR

USO DE TABLA III ó 3 (Función de la Distribución Normal Estándar).

Si X ~ n(x ; 100, 25). Calcular las siguientes probabilidades:

VII-a) P(95<X<110) ; VII-b) P( | X- µ | ≤2σ ; VII-c) P( | X-µ | ≤ 3σ

PARTE C). MODELOS DE DISTRIBUCIONES DE UNA V.A. DISCRETA
VIII) Una compañía de seguros encuentra que la probabilidad de accidentes de trabajo en una
fábrica en un año es de 0.005. ¿ Cuál es la probabilidad que la compañía pague a 3 de los
1,000 asegurados?

Solucion:
Sea p: probabilidad de accidentes de trabajo en una fabrica en un año p=0.005
Sea x: Variable aleatoria que representa el numero de personas accidentadas en un año dado
n = 1000 asegurados o tamaño de la muestra
Este problema se aplicara la formula de la función binomial

𝑋~𝑏(1000,0.005)

cosa que por aquí resultaría muy laborioso, pero basta observar que p es muy pequeño
(𝑝 → 0), 𝑦 𝑛 𝑒𝑠 𝑚𝑢𝑦 𝑔𝑟𝑎𝑛𝑑𝑒 , (𝑛 → ∞); luego podemos resolver el problema aproximado a la distribución
Poisson
𝑛 = 1000
𝑝 = 0.005
Aproximando con poisson
𝜆 = 𝑛𝑝 = 1000(0.005) = 5

𝑒 −𝜆 𝜆𝑥
𝑃(𝑋 = 𝑘) = ; 𝑥 ∈ ℤ+ , 𝑥 = 0,1,2,3,5, …
𝑥!
¿Cuál es la probabilidad que la compañía pague a 3 de los
1,000 asegurados?

𝑒 −5 53
𝑃(𝑋 = 3) = = 0.14037
3!

IX) Un ambulante tiene 20 relojes del mismo modelo para vender , 4 de estos relojes tienen defectos
que no se pueden detectar a simple vista. Si Ud. le compra 5 relojes; se pregunta:
IX-a) ¿ Cuál es la probabilidad de que los 5 relojes comprados no tengan defectos?

Solucion
Usando la distribución de Bernoulli:
Sea:
1 , si se elige un reloj no defectuoso
X={
0 , si se elige un reloj defectuoso

Definamos nuestra variable:

X:numero de relojes no tengan defectos.
𝑝 = 20/16 = 1.25 probabilidad de no defectuoso
n =20 es el numero mayor
ES-244, ESTADÍSTICA II- Evaluación Escrita Parcial II, Ing° CIP Guillermo B.TAPIA CALDERÓN.

𝑃(𝑋 = 5) = 𝐶520 1.255 (1 − 1.25)20−5

𝑃(𝑋 = 5) = 0.08808

IX-b) ¿ Cuál es la probabilidad de que 3 de los 5 relojes tengan defectos?

IX-c) ¿ Cuál es la probabilidad de que por lo menos 4 de los 5 relojes no tengan defectos?
X) La probabilidad de una lancha anchovetera encuentre pescado es 0.70. Si se hacen a la
15 lanchas:
X-a) ¿ Cuál es la probabilidad de que las 15 regresen vacías?
X-b) ¿ Cuál es la probabilidad de que las 15 regresen cargadas?
X-c) ¿ Cuál es la probabilidad que sólo 2 regresen con pescado?
X-d) Halle el promedio de esta distribución.
X-e) Halle la variancia de esta distribución.
PARTE D). MODELOS DE DISTRIBUCIONES DE UNA V.A. CONTINUA
XI) Un estudio demostró que los tiempos de vida de cierta clase de batería de automóvil se distribuyen
normalmente con una media de 1248 días y una desviación típica de 185 días. Si un fabricante desea
garantizar sus baterías por 36 meses (se tomarán meses de 30 días), ¿ qué porcentaje de baterías
deberán ser cambiadas, estando aún en vigor la garantía?
XII. Respecto a las siguientes proposiciones de las DISTRIBUCIONES DE PROBABILIDAD,
complete entre paréntesis con (V) si Ud. considera que la proposición es VERDADERA y con (F),
si a su parecer dicha sentencia es FALSA:
12.1 La integral de -∞ hasta +∞ de una función de densidad siempre será uno.........................( v )
12.2 La función de cuantía de Poisson tiene dos parámetros: n y p ...........................................( v )
12.3 La Función de Distribución Acumulada Normal, calcula F(z) ..........................................( f )
12.4 En la Distribución Normal Estándar se cumple: F(z0) = F(-z0 ) ..........................................( v)
12.4 8.5 Son distribuciones de muestras: t, F y Chi- Cuadrada....................................................( f)
12.4 8.6Si z1 ‹0, P(Z ≥ -z1) = F(z1) y se aplica Tabla III...............................................................( v )
12.4 8.7 También son modelos de distribuciones de una v.a.continua: Log_normal, de Cauchy,
de Pearson, de Weibull, Exponencial.....................................................................................( v )
12.4 8.8 Si la Esperanza Matemática es negativa, realmente esperamos perder en la lotería.......( v )
12.4 8.9 Si la semilla se selecciona con reposición, la Distribución es Hipergeométrica.............( v )
12.4 8.10 Si la semilla se selecciona sin reposición, la Distribución es Binomial........................( f )
• TRABAJO PRÁCTICO N° 2, ES-244, EPIS: Resolver este Examen Parcial II en casa para
subir a la Plataforma Virtual Classroom hasta el día viernes 02-JULIO-2021, 23:45 Hrs
EL DOCENTE UNIVERSITARIO ES-244, Grupos: I y II