Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PEC Estadística Final
PEC Estadística Final
V.A.: X: tiempo (en horas) que tarda un operario en realizar un ajuste adicional.
𝑋~𝑈(𝑎, 𝑏)
a= 0 b= 1
1
𝑠𝑖 𝑋 ∈ [𝑎, 𝑏]
𝑓(𝑥) = {𝑏 − 𝑎
0 𝑠𝑖 𝑋 ∉ [𝑎, 𝑏]
1
∴ 𝑓(𝑥) = =1 𝑠𝑖 𝑋 ∈ [0,1]
1−0
V.A.: Y: tiempo (en horas) que tarda una máquina en completar una tarea.
𝑌~𝐸𝑥𝑝(𝑎)
1
𝜇= =1
𝑎
∴ 𝑎=1
−𝑎𝑌
𝑔(𝑦) = { 𝑎𝑒 𝑠𝑖 𝑌 > 0
0 𝑠𝑖 𝑌 ≤ 0
−𝑌
∴ 𝑔(𝑦) = { 𝑒 𝑠𝑖 𝑌 > 0
0 𝑠𝑖 𝑌 ≤ 0
1 ∞ 1
∞
𝑃(𝑋, 𝑌) = ∫ ∫ 𝑒 −𝑌 𝑑𝑌𝑑𝑋 = ∫ [−𝑒 −𝑌 ] 𝑑𝑋
0 2−𝑋 0 2−𝑋
1 1
𝑃(𝑋, 𝑌) = ∫ [−(𝑒 −∞ − 𝑒 −(2−𝑋) )]𝑑𝑋 = ∫ [(0 + 𝑒 𝑋−2 )]𝑑𝑋
0 0
1
1 1 𝑋 1
𝑃(𝑋, 𝑌) = ∫ 𝑒 𝑋−2 𝑑𝑋 = 2
∫ 𝑒 𝑑𝑋 = 2 [𝑒 1 − 𝑒 0 ]
0 𝑒 0 𝑒
𝑒−1
𝑃(𝑋, 𝑌) =
𝑒2
𝑷(𝑿, 𝒀) ≈ 𝟎, 𝟐𝟑𝟐𝟓𝟒𝟒
P 2. (0.2 puntos) De una variable aleatoria continua X se sabe que para todo a ≥ 0
1
𝑃(𝑋 > 𝑎) =
1+𝑎
Determine una función de densidad para X.
1
∴ 𝑃(𝑋 ≤ 𝑎) = 1 − 𝑃(𝑋 > 𝑎) = 1 −
1+𝑎
1+𝑎−1 𝑎
𝑃(𝑋 ≤ 𝑎) = =
1+𝑎 1+𝑎
𝑎
𝑃(𝑋 ≤ 𝑎) = 𝐹(𝑎) =
1+𝑎
(función de distribución acumulada)
𝑋
𝐹(𝑋) = ∫ 𝑓(𝑣)𝑑𝑣
−∞
𝑋
𝑑(𝐹(𝑋)) 𝑑 (1 + 𝑋) 1 ∙ (1 + 𝑋) − 1 ∙ 𝑋 1 + 𝑋 − 𝑋
𝑓(𝑋) = = = =
𝑑𝑋 𝑑𝑋 (1 + 𝑋)2 (1 + 𝑋)2
1
𝑓(𝑋) =
(1 + 𝑋)2
(función de densidad)
𝟏
𝒔𝒊 𝑿 ≥ 𝟎
𝒇(𝒙) = {(𝟏 + 𝑿)𝟐
𝟎 𝒔𝒊 𝑿 < 𝟎
(i) (0.1 puntos) ¿Qué probabilidad hay de que (al menos) una de ellas finalice su
tarea en menos de 30 minutos?
(ii) (0.1 puntos) ¿Qué probabilidad hay de que (al menos) una de ellas tarde más de
90 minutos en finalizar la tarea?
V.A.: X: tiempo (en horas) que tarda una máquina en completar una tarea.
𝑋~𝐸𝑥𝑝(𝑎)
1
𝜇= =1
𝑎
∴ 𝑎=1
−𝑋
𝑓(𝑋) = {𝑒 𝑠𝑖 𝑋 > 0
0 𝑠𝑖 𝑋 ≤ 0
𝑋
𝐹(𝑋) = ∫ 𝑒 −𝑣 𝑑𝑣 = 1 − 𝑒 −𝑥 𝑠𝑖 𝑋 > 0
0
(i) 𝑃(𝑌 ≥ 1) =?
𝑃(𝑌 ≥ 1) = 1 − 𝑃(𝑌 = 0)
n= 4
4
𝑃(0) = ( ) 0,3934690 (1 − 0,393469)4−0
0
∴ 𝑃(𝑌 ≥ 1) = 1 − 0,135336
𝑷(𝒀 ≥ 𝟏) = 𝟎, 𝟖𝟔𝟒𝟔𝟔𝟒
La probabilidad de que (al menos) una de ellas finalice su tarea en menos de 30 minutos
es de 0,8647 (86,47%).
(ii) 𝑃(𝑌 < 4) =?
La probabilidad de que (al menos) una de ellas tarde más de 90 minutos, en finalizar la
tarea, es de 0,6358 (63,58%).
P 4. (0.2 puntos) Supongamos que tenemos una moneda de la que no sabemos la
probabilidad p de obtener cara. Lanzamos la moneda 30 veces y obtenemos 12 veces
cara. Vamos a utilizar el enfoque Bayesiano para estimar p. Asumiendo que no tenemos
ninguna información sobre el valor de p, es decir, que la distribución a priori de p es
uniforme en [0, 1], determine la distribución a posteriori f(12|p) y obtenga el estimador
Bayesiano de p. (Sugerencia: use un programa informático para calcular el valor de las
integrales).
𝑓(12|𝑝) ∙ 𝑓(𝑝)
𝑓(𝑝|12) =
𝑔(𝑝)
1
𝑠𝑖 𝑝 ∈ [𝑎, 𝑏]
𝑓(𝑝) = {𝑏 − 𝑎
0 𝑠𝑖 𝑝 ∉ [𝑎, 𝑏]
1
∴ 𝑓(𝑝) = =1 𝑠𝑖 𝑝 ∈ [0,1]
1−0
30
𝑓(12|𝑝) = 𝐵(30, 𝑝, 12) = ( ) 𝑝12 (1 − 𝑝)30−12
12
1 1
30
𝑔(𝑥) = ∫ 𝑓(12|𝑝)𝑑𝑝 = ∫ ( ) 𝑝12 (1 − 𝑝)18 𝑑𝑝
0 0 12
(30
12
)𝑝12 (1 − 𝑝)18 ∙ 1 𝑝12 (1 − 𝑝)18
𝑓(𝑝|12) = 1 = 1
(30) 𝑝12 (1 − 𝑝)18 𝑑𝑝
12 ∫0 ∫0 𝑝12 (1 − 𝑝)18 𝑑𝑝
Es una función de densidad de una distribución beta:
𝑥 𝛼−1 ∙ (1 − 𝑥)𝛽−1
𝑓(𝑥) = 1
∫0 𝑥 𝛼−1 (1 − 𝑥)𝛽−1 𝑑𝑥
∴ 𝑝~𝐵(𝛼, 𝛽)
𝛼 − 1 = 12 𝛽 − 1 = 18
𝛼 = 13 𝛽 = 19
𝛼
𝐸(𝑥) =
𝛼+𝛽
13 13
𝐸(𝑝) = =
13 + 19 32
∴ 𝒑 = 𝟎, 𝟒𝟎𝟔𝟐𝟓
P 5. (0.2 puntos) Un ingeniero de producción sospecha que existe una diferencia entre
las proporciones de elementos defectuosos producidos por dos máquinas diferentes. La
proporción en ambos casos está alrededor de 0.03. Si el inspector quiere estimar con un
intervalo de confianza la diferencia en las proporciones con una precisión de 0.005 y con
una probabilidad del 95%, ¿cuántos artículos debería seleccionar al azar de la producción
de cada máquina?
2𝑝(1 − 𝑝)
𝑒𝑟𝑟𝑜𝑟 = 𝑍𝛼 ∙ √
2 𝑛
2 2𝑝(1 − 𝑝)
𝑒 2 = (𝑍𝛼 ) ( )
2 𝑛
2 2𝑝(1 − 𝑝)
𝑛 = (𝑍𝛼 ) ( )
2 𝑒2
2 ∙ 0,03(1 − 0,03)
𝑛 = (1,96)2 ( ) = 8943,24 ≈ 8944
0,0052
𝒏 = 𝟖𝟗𝟒𝟒