Probabilidad & estadística - Taller

Final
Carlos Andrés Muñoz Rodríguez
Brayam Camilo Bayona Rodríguez

1. Suponga que se lanza un dado corriente dos veces consecutivas. Sean X: máximo valor
obtenido e Y: suma de los valores obtenidos. Calcular el valor esperado de g (X, Y) = XY
Realizando el planteamiento comenzamos con determinar la variables aleatorias X,Y, con las
distribuciones podemos calcular el valor esperado
Para iniciar el planteamiento, se determina las distribuciones de las variables aleatorias X & Y.
Después se procede a usar las distribuciones para calcular el valor esperado de la función g (X, Y) =
XY.
Variable aleatoria X:
X px

1 1/36
2 3/36
3 5/36
4 7/36
5 9/36
6 11/36

Variable aleatoria Y:
La suma de los valores obtenidos en los dos lanzamientos puede variar de 2 a 12.
Ya que en ambos dados el mínimo valor es 1 al ser dos dados daría 2, para el caso del valor máximo
podría salir 6 y 6 en los dos dados por lo que se tiene 12.
Determinamos el resultado esperado de la función g (X, Y) = XY mediante el cálculo de la suma
ponderada de los productos XY, estimando las distribuciones de X y Y.
El resultado esperado se obtiene de multiplicar cada producto XY por su respectiva probabilidad,
después sumarlos.
E( g ( X , Y ))=Σ( XY∗P(X =x , Y = y))
Resultados:

( ( )) ( ( )) ( ( )) ( ( )) ( ( )) ( ( )) ( ( )) ( ( )) ( ( )
E ( g ( X , Y ) )= 12
1
36
+ 23
3
36
+ 34
5
36
+ 45
7
36
+ 56
9
36
+ 67
11
36
+ 24
3
36
+ 35
4
36
+ 46
5
36
4
 2. Sean X e Y variables aleatorias con función de densidad de probabilidad conjunta dada por:

{
f ( x , y )= 4 )
( }
c
∗sen ( 2 x+ 2 y ) si 0 ≤ x ≤(π /2), 0 ≤ y ≤(π / 4)

0 en cualquier otro caso

Determinar el valor de c: aplicamos la propiedad de normalización a la función de densidad
conjunta. La integral de la función de densidad conjunta la igualamos a 1
∫ ∫ f ( x , y) dx dy=1
c
∫ 4 ∗sen(2 x+ 2 y )dx dy =1
−cos ( 2 x+2 y ) π
∫ (c /4)∗[ ][0 , ]dy=1
2 2

(c / 4)∗[
−cos 2(( ) )
π
2
+2 y +cos ( 2 ( 0 )+ 2 y )
]∨[0 ,
π
]=1
2 4
−cos ( π +2 y ) +cos ( 2 y )
(c / 4)∗[ ]∨[0 , π / 4 ]=1
2

( 4c )∗[−cos ( π4 )+ cos ( 0) ]=1

c
( )∗[−1/ √ 2+1]=1
4
−c c
+ =1
4 √2 4
c c
− =1
4 4√2
4
(
c∗ 1−
1
√2
=4
c=
)1−
1
√2
 Gráfico de f (x,y)
Haciendo una integración a la función de densidad de f(x,y), teniendo en cuenta la variable no
deseada, Integrando con respecto a x podemos encontra la función de densida marginal de y, de
igual forma con respecto a y para encontrar la función de densidad de x.

Función de densidad marginal de X:

f X ( x )= ∫ f (x , y ) dy
f X ( x )= ∫ (c /4)∗sen (2 x+2 y )dy
f X ( x )=( c /4)∗[−cos (2 x +2 y)/2]∨[ 0 , π / 4 ]
f X ( x )=( c / 4)∗[−cos (2 x + π /2)+ cos(2 x)/2]
f X ( x )=( c /4)∗[−sin(2 x)+ cos(2 x)/2]
f X ( x )=( c /4)∗(−sin (2 x )+cos( 2 x )/2)

Función de densidad marginal de Y:

f Y ( y)= ∫ f ( x , y) dx
f Y ( y)= ∫ ( c /4)∗sen( 2 x +2 y) dx
f Y ( y)=(c /4 )∗[−cos(2 x+ 2 y )/2]∨[0 , π /2]
f Y ( y)=(c / 4 )∗[−cos(π +2 y)/2+cos (2 y)/2]
f Y ( y)=(c / 4 )∗[−cos(π /2+2 y)+cos (2 y)/2]
f Y ( y)=(c /4 )∗(sin(2 y)+ cos(2 y )/2)

P (0 < X < π/4, 0 < X < π/4):

Se calcula la integral de f (x, y) en la región 0 < X < π/4 y 0 < X < π/4 para obtener la probabilidad
Hacemos una integral con la función f(x,y), con el intervalo P (0 < X < π/4, 0 < X < π/4) para hallar
la probabilidad
.

( π
4
π
)
P 0< X < , 0< X < = ∫ ∫ f ( x , y ) dx dy
4

P (0< X < , 0< X < )= ∫ ∫ ( )∗sen ( 2 x+ 2 y ) dx dy

π π c
4 4 4

P (0< X < , 0< X < )=( )∗[

π
4
π
4
c
4
−cos ( 2 x +2 y )
2 ]|[ 0,
π
4 ]|[ 0,
4]
π

π
P(0< X < π /4 ,0< X < π /4 )=( c /4)∗[−cos ⁡(π /2)+cos ⁡(0)/2]∨[ 0 , ]
4
π
P(0< X < π /4 ,0< X < π /4 )=( c /4)∗[ 0+1/2]∨[0 , ]
4
π
P(0< X < π /4 ,0< X < π /4 )=( c /8)∨[ 0 , ]
4
π
P(0< X < π /4 ,0< X < π /4 )=(c /8)∗( )
4
 ( π π c∗π
P 0< X < , 0< X < =
4 4 32 )
( 4 √2
( √2−1 ))∗π
( π π
P 0< X < , 0< X < =
4 4 ) 32
≈ 1.33992

3. Sean X e Y variables aleatorias discretas con distribución conjunta dada por:

Cov (X , Y )=E[( X−E[ X ])∗(Y −E[ Y ])]

E [ X ]=Σ( x∗P( X=x ,Y ))
E [Y ]=Σ( y∗P( X ,Y = y))

E [ X ]= ( 1∗29 )+( 1∗3

18 ) ( 9 ) ( 9 )
+
1∗1
+
2∗1
+ ( 2∗0 ) +(
6 ) ( 6 ) ( 18 )
2∗1
+
3∗1
+
3∗1
+(3∗0)

1
E [ X ]=
3

E [ Y ]= ( −1∗2
9 ) ( 18 ) ( 9 ) ( 9 )
+
0∗3
+
2∗1
+
−1∗1
+ ( 0∗0 )+ (
6 ) ( 6 ) ( 18 )
2∗1
+
−1∗1
+
0∗1
+ ( 2∗0 )

1
E [ Y ]=
18

Cov (X , Y )=E[( X−E[ X ])∗(Y −E[ Y ])]

Cov (X , Y )=Σ [( x−E[ X ])∗( y −E[Y ])∗P(X =x ,Y = y)]

Cov ( X , Y )=
( 1− )∗(−1− )∗2 (1− )∗( 0− )∗3 ( 1− )∗(2− )∗1 ( 2− )∗(−1− )∗1
1
3
1
18
+
1
3
1
18
+
1
3
1
18
+
1
3
1
18
+( 2− )
1
9 18 9 9 3
−1
Cov ( X , Y )=
27

Cov ( X , Y )
ρ ( X , Y )=
√Var ( X )∗√ Var (Y )

varianzas:

(−1−0 )2∗2 ( 0−0 )2∗3 ( 2−0 )2∗1 (−1−0 )2∗1 2 ( 2−0 )2∗1 (−1−0 )2∗1 ( 0−0 )2∗1
Var ( X )= + + + + ( 0−0 ) ∗0+ + + +( 2
9 18 9 9 6 6 18
7
Var ( X )=
9

Var ( Y )=
( )
1−
5 2
9 ( )
5 2 5 2 5 2
( )5 2
( )
5 2
∗2 1− ∗1 0− ∗3 0− ∗1 2− ∗1 2− ∗1
+
9
+
9
+
9
+
9
+
9 ( ) ( )
9 9 18 9 6 18
11
Var ( Y )=
18

Correlación p
Cov ( X , Y )
ρ ( X , Y )=
√Var ( X )∗√ Var (Y )

ρ ( X , Y )=
( −127 )
( √ 79∗√ 1118 ) ≈−0.333 ¿
¿
−1
Cov ( x , y )=
27

P ( x , y )=−0.33333333
4. Para realizar el siguiente ejercicio puede tener en cuenta la lista de videos, particularmente
los numerados del 11 − 13 LISTA Se desea determinar la relación entre las mediciones de
plomo en el tejido cerebral (μgr/gr) de dos espectrofotómetros X y Y . Como muestra la
tabla se tomaron 11 muestras

 Graficar el diagrama de dispersión

 5. La siguiente tabla indica las notas obtenidas por 11 alumnos de la Universidad Distrital en
las materias de Termodinámica Aplicada y Diseño por Elementos Finitos.
5. La siguiente tabla indica las notas obtenidas por 11 alumnos de la Universidad Distrital en las
materias de Termodinámica Aplicada y Diseño por Elementos Finitos.

Calcular Cov (X, Y) y ρ (X, Y). ¿Qué concluye?

Escriba aquí laecuación .

Se calcula la varianza de X y se emplea en la fórmula de regresión lineal con dependencia de una de

las dos variables (X,Y) y con una de estas dos es posible hallar el valor de otra variable.
Finalmente, el coeficiente de correlación entre las notas de Termodinámica Aplicada y Diseño por
Elementos Finitos es de 0,05769, lo que indica una relación positiva débil entre ambas notas. Esto
significa que existe una pequeña tendencia positiva en las calificaciones de ambas asignaturas. Sin
embargo, el coeficiente de correlación es relativamente bajo, lo que sugiere que hay otras variables
que también influyen en las calificaciones de los estudiantes. Por lo tanto, no se puede predecir de
manera precisa el rendimiento en una asignatura basándose únicamente en el rendimiento en la otra.
R
El análisis de regresión lineal se utiliza para predecir el valor de una variable basándose en el valor
de otra variable. La variable que deseas predecir se llama variable dependiente, mientras que la
variable que utilizas para predecir se llama variable independiente. En el código, por ejemplo, se
utiliza la función "cor()" para calcular el coeficiente de correlación entre las variables. La función
"plot()" genera un gráfico de dispersión que muestra la relación entre las variables. La función
"lm()" se utiliza para ajustar un modelo de regresión lineal, y la función "coef()" proporciona los
coeficientes correspondientes a esa regresión. La función "summary()" proporciona información
relevante, como el valor de R cuadrado ajustado y el valor de R cuadrado, que representan el grado
de ajuste del modelo a los datos. R cuadrado es una medida que evalúa la proporción de variabilidad
de la variable, con valores entre 0 y 1. Un valor de 0 indica que el modelo no explica la
variabilidad, mientras que un valor de 1 indica una explicación completa. Un valor cercano a 1
indica un mejor ajuste del modelo a los datos. Por otro lado, R cuadrado ajustado es un coeficiente
que indica la calidad del ajuste de un modelo de regresión teniendo en cuenta el número de
variables explicativas en el modelo. Este coeficiente es útil para comparar modelos con diferentes
variables.

Los residuos representan la diferencia entre el valor observado de la variable dependiente y el valor
predicho por el modelo. Los residuos son útiles para evaluar la discrepancia entre los datos reales y
las estimaciones del modelo. Se espera que los residuos se distribuyan aleatoriamente alrededor de
cero. Para hacer una predicción básica, se utiliza la función "predict()" para obtener una estimación
para una nueva edad. En el ejemplo proporcionado, se muestra cómo hacer una predicción para una
edad de 50 años.
Código QR