UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN

FACULTAD DE CIENCIAS FISICO MATEMATICAS

Maestría en Ciencia de Datos

Evidencia 4 – Estimación Puntual

Materia: Métodos Estadísticos Básicos

Profesor: MET. Alejandra Guadalupe Cerda Ruiz

Alumno: Leobardo García Reyes

David Eduardo Gallardo Fernández
Matricula: 1616825
0931556

San Nicolás de los Garza, N.L. 30 de junio de 2021

 Evidencia 4
MÉTODOS ESTADÍSTICOS BÁSICOS
MET. Alejandra Cerda

Lea detenidamente los siguientes enunciados y calcule la probabilidad

indicada mediante el uso de técnicas de conteo adecuadas según
corresponda. Incluya la evidencia de su procedimiento.

I.- Considere una muestra aleatoria de tamaño n con distribución Binomial(p)

a) Genere una estimación para p por el método de momentos

Momento Poblacional Momento Muestral

𝑀1 = 𝐸[𝑋] = 𝑛𝑝 𝑚1 = 𝑥̅

• Igualamos los momentos 𝑀1 = 𝑚1 y despejamos 𝑝

𝑛𝑝 = 𝑥̅

̅
𝒙
̂=
𝒑
𝒏

∴ Este es el estimador para 𝒑

b) Genere una estimación para p por el método de MLE

𝑛
𝑓(𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑝𝑎𝑟𝑎 𝑥 = 0,1,2, … (1)
𝑥

• Calculamos la función de verosimilitud, a partir de la ecuación (1)

𝑛 𝑛
𝑛 (2)
𝐿(𝑝) = ∏ 𝑓(𝑥𝑖 ) = ∏ ( ) 𝑝 𝑥𝑖 (1 − 𝑝)𝑛−𝑥𝑖
𝑥𝑖
𝑖=1 𝑖=1

𝑛 𝑛 𝑛 (3)
𝐿(𝑝) = ( ) 𝑝 𝑥1 (1 − 𝑝)𝑛−𝑥1 ∗ ( ) 𝑝 𝑥2 (1 − 𝑝)𝑛−𝑥2 ∗ … ∗ ( ) 𝑝 𝑥𝑛 (1 − 𝑝)𝑛−𝑥𝑛
𝑥1 𝑥2 𝑥𝑛

𝑛
∑𝑛 𝑛2 −∑𝑛
𝑛 (4)
𝐿(𝑝) = 𝑝 𝑖=1 𝑥𝑖 (1 − 𝑝) 𝑖=1 𝑥𝑖 ∏( )
𝑥𝑖
𝑖=1
• Aplicando logaritmo natural a la ecuación (4)

𝑛
∑𝑛 𝑛2 −∑𝑛
𝑛
𝑙𝑛(𝐿(𝑝)) = 𝑙𝑛 [𝑝 𝑖=1 𝑥𝑖 (1 − 𝑝) 𝑖=1 𝑥𝑖 ∏ ( )] (5)
𝑥𝑖
𝑖=1

𝑛
∑𝑛 𝑛2 −∑𝑛
𝑛
𝑙𝑛(𝐿(𝑝)) = 𝑙𝑛(𝑝 𝑖=1 𝑥𝑖 ) + 𝑙𝑛[(1 − 𝑝) 𝑖=1 𝑥𝑖 ] + 𝑙𝑛 [∏ ( )] (6)
𝑥𝑖
𝑖=1

• Buscamos el máximo, derivamos con respecto a 𝑝 la ecuación (6)

𝑛
𝑑 𝑑 𝑛 2 𝑛 𝑛 (7)
𝑙𝑛(𝐿(𝑝)) = [𝑙𝑛(𝑝∑𝑖=1 𝑥𝑖 ) + 𝑙𝑛[(1 − 𝑝)𝑛 −∑𝑖=1 𝑥𝑖 ] + 𝑙𝑛 [∏ ( )]]
𝑑𝑝 𝑑𝑝 𝑥𝑖
𝑖=1

𝑑 ∑𝑛𝑖=1 𝑥𝑖 𝑛 1 (8)
𝑙𝑛(𝐿(𝑝)) = − (𝑛2 − ∑ 𝑥𝑖 ) ( )
𝑑𝑝 𝑝 𝑖=1 1−𝑝

• Igualamos a 0 la ecuación (8)

∑𝑛𝑖=1 𝑥𝑖 𝑛 1
− (𝑛2 − ∑ 𝑥𝑖 ) ( )=0 (9)
𝑝 𝑖=1 1−𝑝

• Como

∑𝑛𝑖=1 𝑥𝑖
= 𝑥̅
𝑛

• Despejaremos la sumatoria

𝑛
∑ 𝑥𝑖 = 𝑛𝑥̅
𝑖=1

• Usaremos esa igualdad para sustituirla en nuestra ecuación (9)

𝑛𝑥̅ 1
− (𝑛2 − 𝑛𝑥̅ ) ( )=0 ( 10 )
𝑝 1−𝑝
 • Despejaremos 𝑝 de la ecuación (10)

𝑛𝑥̅ 1 ( 11 )
= (𝑛2 − 𝑛𝑥̅ ) ( )
𝑝 1−𝑝

𝑛𝑥̅ 1 ( 12 )
= 𝑛(𝑛 − 𝑥̅ ) ( )
𝑝 1−𝑝

(1 − 𝑝) 1 ( 13 )
= 𝑛(𝑛 − 𝑥̅ ) ( )
𝑝 𝑛𝑥̅

1 𝑛 ( 14 )
−1= −1
𝑝 𝑥̅

1 𝑛 ( 15 )
=
𝑝 𝑥̅

̅
𝒙 ( 16 )
̂𝑴𝑳𝑬 =
𝒑
𝒏

∴ Candidato a máximo para 𝒑

• Comprobamos si es un máximo obteniendo la segunda derivada de la

ecuación (6), pero como ya habíamos derivado, de la ecuación (8) volvemos
a derivar

𝑑2 − ∑𝑛𝑖=1 𝑥𝑖 2
𝑛 1 ( 17 )
𝑙𝑛(𝐿(𝑝)) = − (𝑛 − ∑ 𝑥𝑖 ) [ ]
𝑑𝑝2 𝑝2 𝑖=1 (1 − 𝑝)2

𝑑2 ∑𝑛𝑖=1 𝑥𝑖 𝑛2 ∑𝑛𝑖=1 𝑥𝑖 ( 18 )
𝑙𝑛(𝐿(𝑝)) = − − + <0
𝑑𝑝2 𝑝2 (1 − 𝑝)2 (1 − 𝑝)2

∴ Este es el estimador para 𝒑

 𝟏/𝟐 −𝜸(𝒙−𝝁)𝟐
𝜸
II.- Considere una muestra aleatoria de tamaño n con 𝒇(𝒙) = (𝟐𝝅𝒙𝟑 ) 𝒆 𝟐𝝁𝟐 𝒙

𝒏
para valores de x>0, muestre que 𝝁 ̅𝒚𝜸
̂ 𝑴𝑳𝑬 = 𝒙 ̂𝑴𝑳𝑬 = 𝟏 𝟏
∑𝒏
𝒊=𝟏(𝒙 −𝒙 )
𝒊 ̅

2 (1)
𝛾 1/2 −𝛾(𝑥−𝜇)
𝑓(𝑥) = ( ) 𝑒 2𝜇2𝑥 𝑝𝑎𝑟𝑎 𝑥 > 0
2𝜋𝑥 3

• Calculamos la función de verosimilitud, a partir de la ecuación (1)

𝑛 𝑛 2
𝛾 1/2 −𝛾(𝑥
2𝜇
𝑖 −𝜇)
2𝑥 (2)
𝐿(𝜇, 𝛾) = ∏ 𝑓(𝑥𝑖 ) = ∏ ( 3
) 𝑒 𝑖
2𝜋𝑥𝑖
𝑖=1 𝑖=1

2 2
𝛾 1/2 −𝛾(𝑥1 −𝜇) 𝛾 1/2 −𝛾(𝑥𝑛 −𝜇)
2𝜇 2 𝑥1 (3)
𝐿(𝜇, 𝛾) = ( ) 𝑒 ∗ … ∗ ( ) 𝑒 2𝜇2𝑥𝑛
2𝜋𝑥1 3 2𝜋𝑥𝑛 3

𝑛 2
𝛾 𝑛/2 1 1/2 ∑𝑛𝑖=1−𝛾(𝑥 𝑖 −𝜇)
2𝜇 2 𝑥𝑖 (4)
𝐿(𝜇, 𝛾) = ( ) ∏ ( 3 ) 𝑒
2𝜋 𝑥𝑖
𝑖=1

• El exponente de la exponencial, lo vamos a simplificar. Primero

desarrollamos binomio de la sumatoria

𝑛 −𝛾(𝑥𝑖 − 𝜇)2 𝑛 −𝛾(𝑥 2 − 2𝜇𝑥 + 𝜇 2 )

𝑖 𝑖
∑ 2
=∑ 2
𝑖=1 2𝜇 𝑥𝑖 𝑖=1 2𝜇 𝑥𝑖

• Distribuimos la sumatoria y simplificamos términos

𝛾 𝑛 𝛾𝑛 𝛾 𝑛 1
− ∑ 𝑥 + − ∑ (5)
𝑖
2𝜇 2 𝑖=1 𝜇 2 𝑖=1 𝑥𝑖

• Sustituimos la ecuación (5) en la ecuación (4) y aplicamos logaritmo natural

a la misma

𝑛
𝛾 𝑛/2 1 1/2 −𝛾2 ∑𝑛𝑖=1 𝑥𝑖 +𝛾𝑛 𝛾
− ∑𝑛
1
𝜇 2 𝑖=1𝑥𝑖 ]
(6)
𝑙𝑛(𝐿(𝜇, 𝛾)) = 𝑙𝑛 [( ) ∏ ( 3 ) 𝑒 2𝜇
2𝜋 𝑥𝑖
𝑖=1
 𝑛
𝑛 𝛾 1 1/2 𝛾 𝑛 𝛾𝑛 𝛾 𝑛 1
(7)
𝑙𝑛(𝐿(𝜇, 𝛾)) = 𝑙𝑛 ( ) + 𝑙𝑛 [∏ ( 3 ) ] − 2 ∑ 𝑥𝑖 + − ∑
2 2𝜋 𝑥𝑖 2𝜇 𝑖=1 𝜇 2 𝑖=1 𝑥𝑖
𝑖=1

• Buscamos el máximo, derivamos parcialmente con respecto a 𝜇 la ecuación

(7)

𝑛
𝑑 𝑑 𝑛 𝛾 1 1/2 𝛾 𝑛 𝛾𝑛 𝛾 𝑛 1 (8)
𝑙𝑛(𝐿(𝜇, 𝛾)) = [ 𝑙𝑛 ( ) + 𝑙𝑛 [∏ ( 3 ) ] − 2 ∑ 𝑥𝑖 + − ∑ ]
𝑑𝜇 𝑑𝜇 2 2𝜋 𝑥𝑖 2𝜇 𝑖=1 𝜇 2 𝑖=1 𝑥𝑖
𝑖=1

𝑑 4𝜇𝛾 𝑛 𝛾𝑛 𝛾 𝑛 𝛾𝑛 (9)
𝑙𝑛(𝐿(𝜇, 𝛾)) = 4 ∑ 𝑥𝑖 − 2 = 3 ∑ 𝑥𝑖 − 2
𝑑𝜇 4𝜇 𝑖=1 𝜇 𝜇 𝑖=1 𝜇

• Igualamos a 0 la ecuación (9) y despejamos 𝜇

𝛾 𝑛 𝛾𝑛 ( 10 )
∑ 𝑥𝑖 − =0
𝜇3 𝑖=1 𝜇2

𝛾 𝑛 𝛾𝑛 ( 11 )
3
∑ 𝑥𝑖 = 2
𝜇 𝑖=1 𝜇

𝛾 𝑛 𝜇3 ( 12 )
∑ 𝑥𝑖 = 2
𝛾𝑛 𝑖=1 𝜇

• Como

∑𝑛𝑖=1 𝑥𝑖
= 𝑥̅
𝑛

∑𝒏𝒊=𝟏 𝒙𝒊 ( 13 )
𝝁
̂ 𝑴𝑳𝑬 = ̅
=𝒙
𝒏

∴ Candidato a máximo para 𝝁

• Buscamos el otro máximo, derivamos parcialmente con respecto a 𝛾 la

ecuación (7)

𝑛
𝑑 𝑑 𝑛 𝛾 1 1/2 𝛾 𝑛 𝛾𝑛 𝛾 𝑛 1 ( 14 )
𝑙𝑛(𝐿(𝜇, 𝛾)) = [ 𝑙𝑛 ( ) + 𝑙𝑛 [∏ ( 3 ) ] − 2 ∑ 𝑥𝑖 + − ∑ ]
𝑑𝛾 𝑑𝛾 2 2𝜋 𝑥𝑖 2𝜇 𝑖=1 𝜇 2 𝑖=1 𝑥𝑖
𝑖=1
 𝑑 𝑛 1⁄2𝜋 1 𝑛 𝑛 1 𝑛 1 ( 15 )
𝑙𝑛(𝐿(𝜇, 𝛾)) = ( ) − 2 ∑ 𝑥𝑖 + − ∑
𝑑𝛾 2 𝛾⁄2𝜋 2𝜇 𝑖=1 𝜇 2 𝑖=1 𝑥𝑖

𝑑 𝑛 1 𝑛 𝑛 1 𝑛 1 ( 16 )
𝑙𝑛(𝐿(𝜇, 𝛾)) = − 2 ∑ 𝑥𝑖 + − ∑
𝑑𝛾 2𝛾 2𝜇 𝑖=1 𝜇 2 𝑖=1 𝑥𝑖

• Igualamos a 0 la ecuación (16) y despejamos 𝛾

𝑛 1 𝑛 𝑛 1 𝑛 1 ( 17 )
− 2 ∑ 𝑥𝑖 + − ∑ =0
2𝛾 2𝜇 𝑖=1 𝜇 2 𝑖=1 𝑥𝑖

𝑛 1 𝑛 𝑛 1 𝑛 1 ( 18 )
= 2 ∑ 𝑥𝑖 − + ∑
2𝛾 2𝜇 𝑖=1 𝜇 2 𝑖=1 𝑥𝑖

𝑛 1 1 𝑛 2𝑛 𝑛 1 ( 19 )
= ( 2 ∑ 𝑥𝑖 − +∑ )
2𝛾 2 𝜇 𝑖=1 𝜇 𝑖=1 𝑥𝑖

𝑛
𝛾= ( 20 )
1 𝑛 2𝑛 1
∑ 𝑥 − ∑𝑛
𝜇 2 𝑖=1 𝑖 𝜇 + 𝑖=1 𝑥𝑖

• Como

∑𝑛𝑖=1 𝑥𝑖
= 𝑥̅
𝑛

• Despejaremos la n

∑𝑛𝑖=1 𝑥𝑖
𝑛=
𝑥̅

• Nos centraremos en el denominador para darle forma y usaremos el

candidato de 𝜇̂ 𝑀𝐿𝐸 reemplazándolo en las 𝜇

𝑛
𝛾= ( 21 )
1 𝑛 2𝑛 1
∑ 𝑥 − ∑𝑛
𝜇 2 𝑖=1 𝑖 𝜇 + 𝑖=1 𝑥𝑖
 𝑛 𝑛 𝑛 ( 22 )
𝛾= = =
∑𝑛𝑖=1 𝑥𝑖 2 ∑𝑛𝑖=1 𝑥𝑖 1 ∑𝑛𝑖=1 𝑥𝑖 2 ∑𝑛𝑖=1 𝑥𝑖 1 1 ∑𝑛 𝑥
− 𝑥̅ ( ) + ∑𝑛𝑖=1 − + ∑𝑛𝑖=1 𝑥 ∑𝑛𝑖=1 − 𝑖=12 𝑖
𝑥̅ 2 𝑥̅ 𝑥𝑖 𝑥̅ 2 𝑥̅ 2 𝑖 𝑥𝑖 𝑥̅

𝑛 𝑛 𝑛
𝛾= 𝑛 = = ( 23 )
1 1 ∑ 𝑥 1 𝑛 1 1
∑𝑛𝑖=1 − ( ) 𝑖=1 𝑖 ∑𝑛𝑖=1 𝑥 − 𝑥̅ ∑𝑛𝑖=1(𝑥 − 𝑥̅ )
𝑥𝑖 𝑥̅ 𝑥̅ 𝑖 𝑖

𝒏 ( 24 )
̂𝑴𝑳𝑬 =
𝜸
𝟏 𝟏
∑𝒏𝒊=𝟏( − )
̅
𝒙𝒊 𝒙

∴ Candidato a máximo para 𝜸

• Comprobamos si son un máximo obteniendo la matriz Hessiana

𝜕 2𝑓 𝜕 2𝑓
⋯
𝜕𝑥1 2 𝜕𝑥1 𝜕𝑥𝑛 ( 25 )
𝐻(𝑓) = ⋮ ⋱ ⋮
𝜕 2𝑓 𝜕2𝑓
⋯
(𝜕𝑥𝑛 𝜕𝑥1 𝜕𝑥𝑛 2 )

𝜕2 𝜕2
( 26 )
𝜕𝜇 2 𝜕𝜇𝜕𝛾
𝐻(𝑓) =
𝜕2 𝜕2
(𝜕𝛾𝜕𝜇 𝜕𝛾 2 )

• Además, el teorema de Schwarz dice que no importa el orden de derivación,

es decir, derivar parcialmente primero respecto la variable 𝑥1 y después
respecto la variable 𝑥2 es lo mismo que derivar parcialmente primero
respecto 𝑥2 y luego respecto 𝑥1

• Hallaremos la segunda derivada parcial de la ecuación (7) respecto a cada

parámetro, pero como ya habíamos derivado parcialmente, de la ecuación
(9) y (16) volvemos a derivar

𝜕2 3𝜇 2 𝛾 ∑𝑛𝑖=1 𝑥𝑖 2𝜇𝛾𝑛 3𝛾 ∑𝑛𝑖=1 𝑥𝑖 2𝛾𝑛 ( 27 )

𝑙𝑛(𝐿(𝜇, 𝛾)) = − + = − + 3
𝜕𝜇 2 𝜇6 𝜇4 𝜇4 𝜇

𝜕2 2𝑛 𝑛 ( 28 )
2
𝑙𝑛(𝐿(𝜇, 𝛾)) = − 2 = − 2
𝜕𝛾 4𝛾 2𝛾
 𝜕2 𝜕2 ∑𝑛𝑖=1 𝑥𝑖 𝑛 ( 29 )
𝑙𝑛(𝐿(𝜇, 𝛾)) = 𝑙𝑛(𝐿(𝜇, 𝛾)) = − 2
𝜕𝜇𝜕𝛾 𝜕𝛾𝜕𝜇 𝜇3 𝜇

• Calculamos la determinante Hessiano

3𝛾 ∑𝑛𝑖=1 𝑥𝑖 2𝛾𝑛 ∑𝑛𝑖=1 𝑥𝑖 𝑛

− 4
+ 3 − 2
𝜇 𝜇 𝜇3 𝜇 | ( 30 )
|𝐻| = || 𝑛 |
∑𝑖=1 𝑥𝑖 𝑛 𝑛
− 2 − 2
𝜇3 𝜇 2𝛾

• Sustituimos los candidatos a máximos

𝑛 𝑛
| 3( 1 1 ) ∑𝑛𝑖=1 𝑥𝑖 2 ( 1 1 )𝑛 |
∑𝑛𝑖=1( − ) ∑𝑛𝑖=1( − )
𝑥𝑖 𝑥̅ 𝑥𝑖 𝑥̅ ∑𝑛𝑖=1 𝑥𝑖 𝑛
− + −
𝑥̅ 4 𝑥̅ 3 𝑥̅ 3 𝑥̅ 2 ( 31 )
|𝐻| = | 𝑛
∑𝑖=1 𝑥𝑖 𝑛 𝑛 |
− 2 − 2
𝑥̅ 3 𝑥̅
| 𝑛 |
2[ 1 1 ]
𝑛
∑𝑖=1( − )
𝑥𝑖 𝑥̅

𝑛 𝑛 𝑛
| 3 [ 𝑛 1 1 ] ∑𝑖=1 𝑥𝑖 2 [ 𝑛 1 1 ] 𝑛 |
∑𝑖=1( − ) ∑𝑖=1( − ) ∑𝑛𝑖=1 𝑥𝑖
𝑥𝑖 𝑥̅ 𝑥𝑖 𝑥̅ 𝑛
− 4
+ −
𝑥̅ 𝑥̅ 3 𝑥̅ 3 𝑥̅ 2 ( 32 )
|𝐻| = | 𝑛
∑𝑖=1 𝑥𝑖 𝑛 𝑛 |
− 2 − 2
𝑥̅ 3 𝑥̅
| 𝑛 |
2[ 1 1 ]
∑𝑛𝑖=1( − )
𝑥𝑖 𝑥̅

• Como

∑𝑛𝑖=1 𝑥𝑖
= 𝑥̅
𝑛
 • Despejaremos la sumatoria

𝑛
∑ 𝑥𝑖 = 𝑛𝑥̅
𝑖=1

𝑛2 𝑥̅ 𝑛2
| 3[ 𝑛 1 1 ] 2[ 𝑛 1 1 ] |
∑𝑖=1( − ) ∑𝑖=1( − ) 𝑛
∑𝑖=1 𝑥𝑖 𝑛
𝑥𝑖 𝑥̅ 𝑥𝑖 𝑥̅
− + − 2
𝑥̅ 4 𝑥̅ 3 𝑥̅ 3 𝑥̅ ( 33 )
|𝐻| = | 𝑛
∑𝑖=1 𝑥𝑖 𝑛 𝑛 |
− − 2
𝑥̅ 3 𝑥̅ 2
| 𝑛 |
2[ 1 1 ]
𝑛
∑𝑖=1( − )
𝑥𝑖 𝑥̅

𝑛2 𝑛2
| 3[ 𝑛 1 1 ] 2[ 𝑛 1 1 ] |
∑𝑖=1( − ) ∑𝑖=1( − ) 𝑛
∑𝑖=1 𝑥𝑖 𝑛
𝑥𝑖 𝑥̅ 𝑥𝑖 𝑥̅
− + − 2
𝑥̅ 3 𝑥̅ 3 𝑥̅ 3 𝑥̅ ( 34 )
|𝐻| = | ∑𝑛𝑖=1 𝑥𝑖 𝑛 𝑛 |
− − 2
𝑥̅ 3 𝑥̅ 2
| 𝑛 |
2[ 1 1 ]
𝑛
∑𝑖=1( − )
𝑥𝑖 𝑥̅

𝑛2
| [ 1 1 ] |
∑𝑛𝑖=1( − ) 𝑛
∑𝑖=1 𝑥𝑖 𝑛
𝑥𝑖 𝑥̅
− 3
− 2
𝑥̅ 𝑥̅ 3 𝑥̅ ( 35 )
|𝐻| = | ∑𝑛 𝑥 𝑛 𝑛 |
𝑖=1 𝑖
− 2 − 2
𝑥̅ 3 𝑥̅
| 𝑛 |
2[ 1 1 ]
∑𝑛𝑖=1( − )
𝑥𝑖 𝑥̅

𝝏𝟐
∴ Como 𝝏𝝁𝟐 < 𝟎 o 𝑯𝟏𝟏 < 𝟎, los estimadores para 𝝁, 𝜸, son máximos
III.- Considere los siguientes datos correspondiente a una muestra aleatoria
de duración en horas para determinado componente eléctrico. Suponga que
la duración del componente es modelada por una distribución Weibull con
parámetro de forma α=2.5.

84.2 116.3 134.1 98.5 106.2 126.5 130.7

125.1 142 110.9 135 102.1 104.5 76.8

a) Indique el estimador de momentos para 𝛽

Momento Poblacional Momento Muestral

1
𝑀1 = 𝐸[𝑋] = 𝛽𝛤 (1 + ) 𝑚1 = 𝑥̅
𝛼

• Igualamos los momentos 𝑀1 = 𝑚1, sustituimos el valor de 𝛼 y despejamos 𝛽

1
𝛽𝛤 (1 + ) = 𝑥̅
2.5

2
𝛽𝛤 (1 + ) = 𝑥̅
5

𝛽 (0.8872) = 𝑥̅

̅
𝒙
̂=
𝜷
𝟎. 𝟖𝟖𝟕𝟐

∴ Este es el estimador para 𝜷

• Calculamos 𝑥̅ con los datos proporcionados y sustituimos en el estimador de

𝛽

113.7786
𝛽̂ = = 128.2353
0.8872

b) Calcule el número de horas esperado para la duración del componente eléctrico

𝟏
𝑬[𝑿] = 𝜷𝜞 (𝟏 + ) = 𝟏𝟐𝟖. 𝟐𝟑𝟓𝟑(𝟎. 𝟖𝟖𝟕𝟐) = 𝟏𝟏𝟑. 𝟕𝟕𝟖𝟔
𝜶
c) Calcule la probabilidad de que un componente eléctrico tenga una duración mayor
a 100 horas

• Sea 𝑋 = {𝐷𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 ℎ𝑜𝑟𝑎𝑠 𝑝𝑎𝑟𝑎 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒}. Nos piden

calcular la 𝑃(𝑋 > 100) = 1 − 𝑃(𝑋 <= 100), el cual usaremos R Studio para
calcular dicha probabilidad.

𝑷(𝑿 > 𝟏𝟎𝟎) = 𝟎. 𝟓𝟖𝟒𝟒