UNIVERSIDAD NACIONAL DE

COLOMBIA

SEDE MANIZALES

Tarea 4 y Examen 3

PRESENTA

Juan Sebastián García Alvarez

ID: 1002609297

PROFESORA

Ph.D Nubia Esteban Duarte

ASIGNATURA

Probababilidad y Estadistica

15 de Diciembre de 2020
Manizales
Caldas
2
Índice general

1. Distribuciones 5
1.1. Distribuciones exponencial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Distribución Gamma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3. Distribución Normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2. Función Generadora de momentos. 15

2.1. Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2. Gamma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Ji-Cuadrada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4. Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3. Distribución uniforme. 19
3.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

4. Coeficiente de correlación de Pearson. 21

4.1. Aplicaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2. Tipos de Correlación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.3. Agradecimientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3
4 ÍNDICE GENERAL
Capítulo 1

Distribuciones

1.1. Distribuciones exponencial.

El ejercicio que se escogió para ilustrar la distribución exponencial es el ejercicio 108 de la
pagina 185 del capitulo 4 del libro de Jay L. Devore. [1]
El enunciado del ejercicio dice así:

El artículo “Determination of the MTF of Positive Photoresists Using the Monte Carlo Method”
(Photographic Sci. and Engr., 1983: 254-260) propone la distribución exponencial con parámetro λ
0.93 como modelo de la distribución de una longitud de trayectoria libre de fotones (µm) en ciertas
circunstancias. Suponga que éste es el modelo correcto.

Tenemos un valor λ = 0.93 el cual significa que este es el promedio de los valores en micro metros
(µm) listo definido el parámetro λ y que hace este, ahora la variable aleatoria continua se define
como:

X := "Valor de la longitud de trayectoria libre de fotones."

Ya definido las dos cosas con las que vamos a trabajar durante todo el ejercicio y la simulación.

a) ¿Cuál es la longitud de trayectoria esperada y cuál es su desviación estándar?

En este punto voy a resolver y concluir la esperanza, la desviación estándar y la varianza. La
esperanza sera igual a

1
E[X] =
λ
1
E[X] =
0.93
E[X] = 1, 075µm

esta nos dice que se espera que el valor de la longitud sea de 1, 075µm ahora la varianza de x

5
6 CAPÍTULO 1. DISTRIBUCIONES

va a ser igual:
1
var[X] =
λ2
1
var[X] =
(0.93)2
var[X] = 1, 16µm

El valor donde va a fluctuar nuestra longitud es el valor de la varianza y ahora el valor de la

desviación estándar va ser igual a:
r
2 1
σx =
λ2
1
=
λ
1
=
0.93
= 1.075µm

Por consiguiente nuestro valor de intervalos es:

0 1.075 2.15

Figura 1.1: Intervalo

b) ¿Cuál es la probabilidad de que la longitud de trayectoria exceda de 3.0? ¿Cuál es la proba-

bilidad de que la longitud de trayectoria esté entre 1.0 y 3.0?
Primero vamos a hallar la probabilidad de que la onda sea mayor que 3 vamos a calcularla,
recordemos que el valor de λ es 0.93.
P(X > 3) = e−(0.93)(3) = 0.0614 ≈ 6, 14 %
La probabilidad de que la longitud de que la onda sea mayor de 3 es igual a 6.14 % es
muy poco probable de que esto pase, ahora veremos que pasa en el intervalo entre 1 y 3
(1, 0 ≤ x ≤ 3, 0).

P(1, 0 ≤ X ≤ 3, 0) = (1 − e−(0.93)(3) ) − (1 − e−(0.93)(1) )

= 1 − e−2.79 − 1 + e0.93
= e−2.79 + e0.93
= 0.33
≈ 33, 3 %
1.1. DISTRIBUCIONES EXPONENCIAL. 7

Vemos que la probabilidad en este intervalo es un valor que es factible de que suceda, esto
puede suceder, no muy seguramente pero si es muy probable.

c) ¿Qué valor es excedido por sólo 10 % de todas las longitudes de trayectoria?

Para entender un poco mas este ejercicio hice un bosquejo que sera presentado en la figura
c) en donde ilustramos que el valor R es desde donde esta excediendo el 10 % y pues la
probabilidad de estos como se muestra es igual a 0.90, miramos el bosquejo. Después de esto

Figura 1.2: Bosquejo guía para el ejercicio.

procedemos a encontrar el valor R de la siguiente forma:

0.90 = e−λ R
ln (0.90) = ln (e−λ R )
ln (0.90) = −λ R
ln (0.90)
= R
−λ
−0.105
= R
−0.93
0.11 = R

Si comparamos esto con la simulación podemos ver que estamos en lo cierto, comparemos
con la figura c) que nos arroja la simulación en el programa R.
8 CAPÍTULO 1. DISTRIBUCIONES

Figura 1.3: Simulación del ejercicio.

Cuando vemos donde esta la linea roja podemos ver que efectivamente esta después de 0.11
esta el 90 % entonces podemos ver que la solución del ejercicio esta bueno, sobre la simu-
lación importante de que hay muy pocas longitudes mayores que uno, y cambiando el λ a
5 y también a 0.23, podemos ver según la figura c) podemos ver que con 0.23 es muy poco
probable de que pase de 1 micro metro y que con 5, va tener una caída muy notable en 5,
pero igual va ser muy poco probable.

Figura 1.4: Simulación del ejercicio con varios parametros λ .

1.2. DISTRIBUCIÓN GAMMA. 9

1.2. Distribución Gamma.

El ejercicio que se escogió para la distribución Gamma (Γ(α)) que viene en el libro de proba-
bilidad de la profesora Liliana Blanco, el ejercicio 47, capitulo 4, pagina 179.

El cual dice así:

Supóngase que le tiempo de duración (medido en meses) de una pula tamaño AA y de marca "la
pila.es una variable aleatoria con distribución gamma de parámetros 1 y 0.2.
Primero definimos la variable aleatoria continua X y los parámetros λ y α.
X := "Tiempo de duración de las pilas. (Meses)"
α: 1, esta es la cantidad de objetos que hay
λ : 0.2, es el valor promedio de la vida de las baterias.
Ya definido las dos cosas con las que vamos a trabajar durante todo el ejercicio y la simulación,
empezamos a resolver los puntos.

1. Calcular la probabilidad de que una de tales pilas dure al menos 7 meses.

Vamos a hallar con la formula de distribución acumulada de la gamma, entonces por consi-
guiente:

P(X ≥ 7) = 1 − p(X ≤ 7)
α−1
(−0.2)(7)k
= 1 − (1 − (exp(−0.2)(7))( ∑ ))
k=0 k!
= exp−1.4
= 0.24

Que esto pase es muy poc probable la verdad, las pilas no tienen tendencia para que duren
mas de 7 meses.

2. Si cuatro pilas de tamaño AA y marca "la pila"son necesarios para que una linterna funcione
y si esta funcionan solo cuando todas las pilas funcionan ¿Cuál es la probabilidad de que
la linterna funcione al menos siete meses?. Exponer claramente los supuestos que se hagan.
¿Son estos supuestos realistas?

Yo propongo hacer dos supuestos, uno mas real y otro menos posible, el primero es que
estas pilas fallen disparejamente, entonces hay 4! formas de que fallen y pues solo nos va
a importar la primera, pero la probabilidad de que esto pase es lo mas normal, pero no se
calcularla, ya que si nos ponemos a pensar pueden existir fallas antes de tiempo y eso es lo
que esperaría yo que pase, y el segundo caso es en el que todas fallan a la misma vez, este
supuesto no es muy real y la probabilidad de que este pase seria 0.24 para las cuatro pilas.

3. ¿Cuál es la probabilidad de que se tengan que reponer exactamente dos pilas a los 7 meses o
menos?
10 CAPÍTULO 1. DISTRIBUCIONES

Primero vamos a tomar la variable aleatoria continua X y vamos a encontrar cuando este vale
menos que 7 entonces como ya conocemos cuanto es la probabilidad de que este sea mayor
que 7, entonces de que sea menor a eso es 1-P(X ≥ 7) y eso nos da 0.76. Ahora definimos
una variable aleatoria Z

Z := "Numero de pilas que fallan."

Ahora hallamos una probabilidad binomial de distribución Z ∼ Bin(4, 0.76) y resolvemos.

 
4 2
P(X = 2) = p (1 − p)4
2
= 6(0.76)2 (0.24)2
= 0.0155

La probabilidad de remplazar exactamente 2 es muy pequeña. entonces se puede decir que

cambios pares de pilas son muy pocos posibles
Vamos a Hallar esperanza, Varianza y desviación estándar
1
E[X] =
0.2
= 5meses

Se espera que un bombillo tenga como duracion 5 meses.

1
var[X] =
0.025
= 25meses

p
σX = var(x)
= 5meses

Con respecto a la simulación para el cambio de los parámetros vemos que la función se com-
porta de maneras similares manteniendo la curva en si misma y haciendo un proceso parecido en
todos los parámetros.
1.3. DISTRIBUCIÓN NORMAL. 11

Figura 1.5: Simulación del ejercicio con varios parametros λ .

1.3. Distribución Normal.

Este ejercicio fue tomado del libro de Jay L. Devore.

Se sabe que el voltaje de ruptura de un diodo seleccionado al azar de cierto tipo está normal-
mente distribuido con valor medio de 40 V y desviación estándar de 1.5 V.
µ = 40: Promedio de voltios en donde se rompe el diodo.
σ = 1.5: Valor de la desviación estándar.

X := "Voltaje de ruptura del diodo."

1. ¿Cuál es la probabilidad de que el voltaje de un solo diodo esté entre 39 y 42?

Calculamos esa probabilidad como:
39 − 40 42 − 40
P(39 ≤ Z ≤ 42) = P( ≤Z≤ )
1.5 1.5
= P(−0, 67 ≤ Z ≤ 1, 33)
= P(Z ≤ 1, 33) − P(Z ≤ −0, 67)
= Φ(1, 33) − Φ(−0, 67)
= 0, 9082 − 0, 2514
= 0, 6568 ≈ 65, 68 %

La probabilidad de que un diodo se rompa entre 39 y 42 V es del 65,68 %

12 CAPÍTULO 1. DISTRIBUCIONES

x
39 40 42

Figura 1.6: Presentación del ejercicio

2. ¿Qué valor es tal que sólo 15 % de todos los diodos tengan voltajes que excedan ese valor?
Para resolver esto decimos que el 15 % es un percentil de la distribución normal no estándar
entonces podemos decir que C es el valor que vamos a exceder, por consiguiente podemos
decir lo siguiente:
P(X > C) = 0, 15 = P(X ≤ C) = 0, 85
Y de ahí podemos despejar C de la siguiente manera C = n(0, 85) se busca en la tabla el 0.85
es igual a 1.04 y ahora podemos calcular así:

C = µ + (σ )(p(0.85))

C = 40 + (1.5)(1.04)
C = 41, 56
Podemos decir que desde 41,56, solo un 15 % de los valores se exceden en este punto, si
miramos la simulación podemos ver que aunque no parezca muy claro, si se puede evidenciar
un avance del 85 % dentro de la distribución.

3. Si se seleccionan cuatro diodos independientemente, ¿cuál es la probabilidad de que por lo

menos uno tenga un voltaje de más de 42?
Primero vamos a hacer la probabilidad de que X > 42.

P(X > 42) = 1 − P(X < 42)

= 1 − Φ(1.33)
= 1 − 0, 9082
= 0, 0918 ≈ 9, 18 %
1.3. DISTRIBUCIÓN NORMAL. 13

Figura 1.7: Simulación del ejercicio distribución normal.

Ahora vamos a hacer la binomial de 4 tomar 1 sola pilas entonces tenemos n=4 y p = 0,0918

P(X ≥ 1) = 1 − P(X ≤ 1)
 
4
= 1−( (0.092)1 (0, 91)3 )
1
= 1 − 0, 27
= 0, 73 ≈ 73 %

La probabilidad de que al menos una que se escoja de mas de 42V es igual a 73 %, es muy
probable que de 4 uno de estos llegue a mas de el valor.

La esperanza E[X]=40, la varianza es es igual a 2,25 y la desviación estándar a 1,5 podemos

decir que hay un intervalo entre [38,5;41,5] con esto podemos ver valores muy fluctuantes, en la
simulación con diferentes medias podemos ver que:
14 CAPÍTULO 1. DISTRIBUCIONES

Figura 1.8: Simulación del ejercicio distribución normal con diferentes σ .

Vemos que con la variación de la desviación estándar se pueden hacer muchas cosas, como que
estas desviaciones no llegan a la cantidad completa de simulaciones.
Capítulo 2

Función Generadora de momentos.

2.1. Exponencial
R∞
La función generadora de momentos se define como E[etx ] y el valor de la esperanza es E[X] =
−∞ x f (x) ahora con este resultado podemos calcular desde 0 hasta ∞, para hallar Mt(x) que es la
función generadora de momentos.
Z ∞
Mt(x) = E[etx ] = etx λ e−λ x dx
0Z
∞
=λ etx e−λ x dx
Z0∞
=λ e−(λ −t)x dx
0
λ ∞ Z
= (λ − t)e−(λ −t)x dx
λ − t |0 {z }
1
λ
=
λ −t
Ya encontramos la función generadora de momentos, llegamos al uno ya que esta es la función de
densidad de la distribución exponencial,y como es toda eso nos da igual a 1, ahora llegaremos a la
media, por la derivada de la función generadora.

dMx(t) λ
=
dt λ −t
d
dt (λ − t)
= −λ
(λ − t)2
−1 t=0
= −λ
(λ − t)2

λ 1
= 2=
λ λ
Encontramos ya el valor de la esperanza para la distribución exponencial.

15
16 CAPÍTULO 2. FUNCIÓN GENERADORA DE MOMENTOS.

2.2. Gamma.
 α
La función generadora de momentos de la distribución gamma que es igual a Mx(t) = λλ−t
utilizaremos la función Generadora de Momentos de la Distribución Gamma y encontrar la Espe-
ranza.
 α
dMx(t) λ λα
= =
dt λ −t (λ − t)α
d
α dt (λ − t)α
= −λ
(λ − t)2α
α(λ − t)α−1 (−1)
= −λ α
(λ − t)2α
= λ α α(λ − t)α−1 (λ − t)−2α
h i t=0
α −(α+1) 
= λ α (λ − t) 
= λ α αλ −α−1 = αλ −1
1 α
=α =
λ λ
Con estas operaciones queda demostrada la esperanza de la distribución gamma mediante la deri-
vada de la función generadora.

2.3. Ji-Cuadrada.
La función ji-cuadrada se puede encontrar mediante la derivada de la función generadora y
pues también por la definición de los grados de libertad en α = 2k y el parámetro λ = 12 entonces
podemos remplazar en la esperanza encontrada por la distribución gamma.
k
α 2 2k
E[x] = = 1
= =k
λ 2
2
De esta forma demostramos otra parametrización de la esperanza de la distribución ji-cuadrado .

2.4. Normal
En la normal tenemos que la función generadora de momentos de la siguiente manera Mt(x) =
σ 2t 2
eµt+ 2 de esa manera vamos a encontrar media o esperanza y también vamos a encontrar la
varianza.
22
 
dMx(t) µt+ σ 2t
=e
dt
22 
 
2 µt+ σ 2t t=0
= (µ + σ t)e 
= (µ + 0)(1)
=µ
2.4. NORMAL 17

Encontramos el primer momento que es la esperanza, ahora por la formula de varianza que nos
muestra la ecuación 2.1 y por consiguiente necesitamos tener el segundo momento que es la segun-
da derivada de la función generadora.

Var[X] = E[X 2 ] − (E[X])2 (2.1)

Ahora encontremos el segundo momento E[X 2 ]:

22
 
d2Mx(t) µt+ σ 2t
=e
d2t
22
 
dMx(t) 2 µt+ σ 2t
= (µ + σ t)e
dt
22
 
2 2 2 µt+ σ 2t t=0
= σ + ([µ + σ t] )e 
= (σ 2 + µ 2 )(1)
= σ 2 + µ2

Y ahora remplazamos en la ecuación 2.1 y encontramos la varianza:

Var[X] = E[X 2 ] − (E[X])2

= (µ 2 + σ 2 ) − (µ)2
= µ2 + σ 2 − µ2
= σ2

Ya quedo demostrado usando la función generadora de momentos la esperanza de tres distribucio-

nes y la varianza de una.
18 CAPÍTULO 2. FUNCIÓN GENERADORA DE MOMENTOS.
Capítulo 3

Distribución uniforme.

3.1. Definición

la distribución uniforme nos modela sucesos probabilisticos donde el valor de la probabilidad

se mantiene constante en intervalos de tiempo, o intervalos en general, esos movimientos vienen
modelados por lo siguiente, la probabilidad por fuera de los intervalos van a valer 0 y las que estan
1
dentro del suceso probabilistico son iguales en el intervalo [a,b] a b−a .

1

b−a si a ≤ x ≤ b
f (x) =
0 en otro caso

Ahora cuando tenemos que hallar la esperanza, la varianza y la desviación estandar

Z b
1
E[X] = x dx
a b−a
Z b  2 
1 1 x b
= xdx =
b−a a b−a 2 a


1 b2 − a2
=
b−a 2
1 (b − a)(b + a)
=
(b − a) 2
b+a
=
2

Vamos a encontrar el segundo momento para la varianza usada en la ecuación 2.1.

19
20 CAPÍTULO 3. DISTRIBUCIÓN UNIFORME.

Z b
2 1
E[X ] = x2 dx
a b−a
Z b  3 
1 2 1 x b
= x dx =
b−a a b−a 3 a


1 b3 − a3
=
b−a 3
1 (b − a)(b2 + ab + a2 )
=
(b − a) 3
2
b + ab + a 2
=
3
Seguimos ahora si con la varianza.

Var[X] = E[X 2 ] − (E[X])2

b2 + ab + a2 b+a 2
= −( )
3 2
b2 + ab + a2 b2 + 2ab + a2
= −
3 4
4b + 4ab + a − 3b − 6ab − 3a2
2 2 2
=
12
b2 − 2ab + a2 (b − a)2
= =
12 12
p
La desviación estandar es igual a Var[x] y vamos a encontrarla
p
Sd[X] = Var[X]
r
(b − a)2
=
p 12
(b − a)2 (b − a)
= √ = √
12 12
Capítulo 4

Coeficiente de correlación de Pearson.

4.1. Aplicaciones.
Esta correlación puede servir para darle cierta predicción a la variable donde solo nos dan la otra
variable, también le da relación cuantitativa a múltiples valores de un banco de datos, en temas mas
prácticos es muy usado en la economía, para identificar la relación en el que se afectan variables
determinantes en los monitoreo económicos, y generalmente en estudios donde tengan que ver los
impactos entre variables.

4.2. Tipos de Correlación

Para mostrar un poco de las correlaciones yo escogí el banco de datos de "stackloss"que descri-
ben los datos operacionales de una planta que oxida amoniaco (NH3 ) y ácido nítrico (HNO3 ), hay
variables como flujo de aire, la temperatura del agua , la concentración del ácido y la perdida de
amoniaco ionizado en el proceso.

1. Correlación positiva:
Las variables flujo de aire y "stack.loss"nos dan un coeficiente positivo de 0.9196, esto lo
podemos interpretar ya que los valores del flujo del aire disminuyen a la vez que se va dismi-
nuyendo la perdida de amoniaco ionizado, entonces como avanzan a una razón muy parecida,
como se ve en la figura 1

21
22 CAPÍTULO 4. COEFICIENTE DE CORRELACIÓN DE PEARSON.

Figura 4.1: Correlación positiva.

2. Correlación negativa:
Para la correlacion negativa, vemos que entre las variables de concentración del ácido con la
perdida del amoniaco ionizado, esto tiene sentido ya que la concentración ácida y la perdida
de iones para regular el ph, esto tiene una correlación de 0.39, y se puede ver en la figura 2

Figura 4.2: Correlación negativa.

3. Cercana a cero:
En nuestro ejercicio podemos ver que la concentración de ácido, y la temperatura de agua
tienen un valor de correlación muy cercana a 0 de 0.390, es lo mas pequeño pero no se ve
tan claro en la figura, pero igual, creo que es porque hay valores muy limitados, y que esta
variable se podría llevar a 0. (Ver figura 3)
4.3. AGRADECIMIENTOS 23

Figura 4.3: Correlación próxima a 0.

4.3. Agradecimientos
Profe:
Esta sección normalmente va al inicio de cualquier documento, pero, aprovecho la ultima tarea
para agradecerle por su entrega con el curso, por todo lo aprendido, disfrute mucho este periodo, y
quedo muy agradecido por todo.
Un saludo.
24 CAPÍTULO 4. COEFICIENTE DE CORRELACIÓN DE PEARSON.
Bibliografía

[1] Jay L Devore. Probabilidad y estadística para ingenierías y ciencias. Cengage Learning
Editores, 2008.

25