UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

UNIVERSIDAD NACIONAL DE SAN

CRISTOBAL DE HUAMANGA
FACULTAD DE INGENIERIA DE MINAS GEOLOGIA Y
CIVIL

E.F.P DE INGENIERIA CIVIL

II EXAMEN PARCIAL-CASA-DE ESTADISTICA Y

PROBABILIDADES (ES-241)
Profesor: Profesor: M. Sc. UNI, Ing.
CIP Estadístico e Informático
UNALM. Guillermo B. TAPIA CALDERÓN.

Alumno: BERROCAL SACCATOMA, Julian

Curso: Estadística y Probabilidades (IC-241)
Código: 16125725
Correo: juliancivil12@gmail.com
juliancivil12@hotmail.com
Ayacucho-Perú

2013
1
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

DEDICATORIA

Primeramente a dios por haberme permitido llegar hasta este punto y

haberme dado salud, ser el manantial de vida y darme lo necesario para
seguir adelante día a día para lograr mis objetivos, además de su infinita
bondad y amor.

a mi madre por haberme apoyado en todo momento, por sus consejos,

sus valores, por la motivación constante que me ha permitido ser una
persona de bien, pero más que nada, por su amor. A mi padre por los
ejemplos de perseverancia y constancia que lo caracterizan y que me ha
infundado siempre, por el valor mostrado para salir adelante y por su
amor.

2
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

EXAMEN PARCIAL-CASA-DE ESTADISTICA Y

PROBABILIDADES (ES-241)
I. Respecto a las siguientes proposiciones de la teoría de probabilidad, complete en
forma apropiada entre paréntesis con (V) si es VERDADERO y con (F) si es
FALSO

1.1 La probabilidad de un evento imposible es siempre cero………………………………….......(V)

1.2 Para dos eventos mutuamente excluyentes A y B se cumple:
𝑃(𝐴 ∪ 𝐵) = (𝐴) + 𝑃(𝐵)…………………………………………………………………….….. (V)
1.3 Si 𝑃(𝐴) = 0,no necesariamente se cumple 𝐴 = ∅……………………………………………….….(F)
1.4 Fenómenos aleatorios o no determinísticos son aquellos cuyo estado final se puede
predecir con exactitud a partir del estado inicial………………………………………………....…(F)
1.5 Si 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵), los eventos A y B son mutuamente independientes (V)
1.6 Si 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) × 𝑃(𝐵/𝐴), lo eventod A y B so dependientes…………………….. (V)
1.7 Los modelos especiales de probabilidad discretos son: Bernoulll, Binomial, Poisson
Hipergeométrica, Geométrica, Binomial negativa o pascal………………………………….. (V)
1.8 Los modelos especiales de probabilidad continuos son: Distb. Uniforme, Distrib.
Exponencial, Distribución Normal y Distribución Normal Estándar………………….…….(V)
1.9 El teorema de Bayes compara la probabilidad previa (a priori) 𝑃(𝐴) con la probabilidad
Posterior o posteriori 𝑃(𝐴/𝐵)…………………………………………………………………………….…(V)
1.10 Probabilidad de que ocurra un evento, sabiendo que otro evento ha ocurrido se llama
probabilidad condicional o condicionada……………………………………………………….……(V)
1.11 si el rango de la función X es contable, entonces X es una v.a continua ……………..(v )
1.12 Los modelos especiales de probabilidad discretos son: Bernoulll, Binomial, Poisson
Hipergeométrica, Geométrica, Binomial negativa o pascal……………………………… (V)
1.13 Los modelos especiales de probabilidad continuos son: Distb. Uniforme, Distrib.
Exponencial, Distribución Normal y Distribución Normal Estándar……………….……. (V)
1.14 un problema de Lotería Electrónica es una aplicación de E(x)>0 ………………………….(v)
1.15 si el juego al azar es equitativo, entonces E(X) = 0 ………………………………………………(v)

II. Sea A y B eventos tales que : P(A) = 1/2 ; P(B) = 1/3 P(A∩B) = ¼
Hallar:

𝑃(𝐴𝑛𝐵) 1/4
2.1) P (A/B) = = = 0.75
𝑃(𝐴) 1/3

3
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

𝑃(𝐴𝑛𝐵) 1/4
2.2) P (B/A) = = = 0.5
𝑃(𝐵) 1/2

2.3) P (AUB) = P (A) + P (B) – P (A∩B) = 0.5 + 0.3 – 0.25 = 0.58

𝑃(𝐴∩𝐵𝑐 ) 𝑃(𝐴)(1−𝑃(𝐵/𝐴))
2.4) P (𝐴𝑐 /𝐵 𝑐 ) = 1 – = 1-
𝑃(𝐵𝑐 ) 𝑃(𝐵𝑐 )

𝑃(𝐵𝑐 )− 𝑃(𝐴)+ 𝑃(𝐴𝑛𝐵) 2/3− 1/2 +1/4

= =
𝑃(𝐵𝑐 ) 2/3

P (𝐴𝑐 /𝐵 𝑐 ) = 0.625
𝑃(𝐵∩𝐴𝑐 ) 𝑃(𝐵)(1−𝑃(𝐴/𝐵))
2.5) P (𝐵 𝑐 /𝐴𝑐 ) = 1 – = 1-
𝑃(𝐴𝑐 ) 𝑃(𝐴𝑐 )

𝑃(𝐴𝑐 )− 𝑃(𝐵)+ 𝑃(𝐴∩𝐵) 1/2− 1/5 +1/4

= =
𝑃(𝐴𝑐 ) 1/2

P (𝐵 𝑐 /𝐴𝑐 ) = 0.833

𝑃(𝐵)𝑃(𝐴𝑐/𝐵 ) 𝑃(𝐵)(1−𝑃(𝐴/𝐵))
2.6) P (B/𝐴𝑐 ) = 1 – = 1-
𝑃(𝐴𝑐 ) 𝑃(𝐴𝑐 )

𝑃(𝐵)− 𝑃(𝐴∩𝐵) 1/3−1/4

= =
𝑃(𝐴𝑐 ) 1/2

P (B/𝐴𝑐 ) = 0.167

2.7) 𝑃(𝐴 ∩ 𝐵)𝑐 = 1 - P (A∩B) = 0.75

2.8) 𝑃(𝐴𝑈𝐵)𝑐 = 1 - P (A∩B) = 0.42

III. En la escuela de Ingeniería civil – UNSCH; el 25%de los estudiantes se

han des matriculado de la asignatura de Análisis Matemático; el 15%
se ha des matriculado en física II y el 10% se han des matriculado de
Análisis Matemático y Física II.se elige un estudiante al azar y se
pide;

U=100%
A B

15% 5%
10%

4
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

A: análisis matemático

B: física II

P(A) = 0.25 ; P (B) = 0.15; P (A∩B) = 0.10

3.1) si se ha des matriculado en física II ¿cuál es la probabilidad de

que se haya des matriculado en Análisis Matemático?

P [A/B] = P (A∩B) / P (B) = 0.1/0.15

P [A/B] = 0.67

Interpretación estocástica: la probabilidad de ocurrencia del evento “que se

haya des matriculado en análisis matemático, si se des matriculado en física II”
es: 0.67

3.2) Si se ha matriculado en Análisis Matemático; ¿cuál cual es la

probabilidad que se haya des matriculado en Física II?

P [B/A] = p (A∩B) / P (A) = 0.1/0.25

P [B/A] = 0.4

Interpretación Estocástica: la probabilidad de ocurrencia del evento “que se

haya des matriculado en Física II, si se ha des matriculado en Análisis
Matemático” es: 0.4

3.3 ¿cuál es la probabilidad de que se haya des matriculado en Análisis

Matemático o en física II?

P [A U B] = P (A) +P (B) – P (A ∩ B) = 0.25 + 0.15 - 0.10

P [A U B] = 0.3

Interpretación estocástica.- la probabilidad de ocurrencia del evento “que se

haya des matriculado en Análisis Matemático o Física II es: 0.30

5
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

IV. En la ciudad de Trujillo el porcentaje de personas que leen periódicos:

“El Comercio”(A) = 9.8%; “Perú 21” (B) = 22.9%; “La República” (C) =
12.1%
A y B = 5.1%; A y C = 3.7%; B y C = 6.0%; A, B y C = 2.4%.

4.1) ¿Qué porcentaje de la población lee al menos uno de los periódicos

A, B y C?

a) P(A U B U C) = P(A)+P(B)+P(C)-[P(AB)+P(AC)+P(BC)]+P(ABC)
= 9.8 + 22.9 + 12.1 – (5.1 - 3.7 - 6.0) + 2.4
P(A U B U C) = 0.324 = 32.4%

Interpretación estocástica.- por lo tanto leen al menos uno de lo periódicos

32.4% de la población

4.2) ¿cuál es la probabilidad que una persona seleccionada

aleatoriamente de esta población sea lector del “El Comercio”(A) y
no lo sea de los periódicos “Perú 21” (B) y “La República” (C) .

P(A ∩ BC ∩ CC ) =?

Observamos los diagramas de VENN:

A = ABC 𝐔 ABCC 𝐔 ABC C 𝐔 AB C CC

P(A) = P(ABC) + P(ABCC ) + P(ABC C) + P(ABC CC )

→ P(ABC CC ) = P(A) − P(ABC) − P(ABCC ) − P(ABC C) ⋯ ⋯ ⋯ ⋯ (a)

Análogamente

AB = ABC U ABCC ; AC = ABC U A BC C

P(AB) = P(ABC) + P(AB CC ) → P(AB CC ) = P(AB) −

P(ABC) ⋯ ⋯ ⋯ (b)

6
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

P(AC) = P(ABC) + P(A BC C) → P(A BC C) = P(AC) − P(ABC) ⋯ ⋯ (c)

Reemplazando (b) y (c) en (a), se tiene:

P(A BC CC ) = P(A) − P(ABC) − P(AB) + P(ABC) − P(AC) + P(ABC)

= 0.098 − 0.051 − 0.037 + 0.024

P(ABC CC ) = 0.034

V. La urna 1 contiene (X+1) esferas blancas e (y-1) rojas. La urna II

contiene “Z” esferas blancas y “W” rojas.se escoge una esfera al
azar de la urna I y se pone en la urna II. Entonces se escoge una
esfera al azar de la urna II ¿Cuál es la probabilidad de que esta esfera
sea blanca?

Sugerencia.- probabilidad condicional y teorema de multiplicación de

eventos.

Solución:

Sea el evento o suceso esfera blanca: la probabilidad de que sea blanca de

sacar de la segunda urna tenemos dos casos que sea roja la primera y
luego blanca la segunda o blanca la primera y blanca la segunda.

𝐵 = 𝑅1 𝐵2 ⋃𝐵1 𝐵2

𝑃(𝐵) = 𝑃(𝑅1 𝐵2 ) + 𝑃(𝐵1 𝐵2 ), 𝑃𝑢𝑒𝑠 𝑅1 𝐵2 ∩ 𝐵1 𝐵2 = ∅

𝑃(𝐵) = 𝑃(𝑅1 )𝑃(𝐵2 /𝑅1 ) + 𝑃(𝐵1 )𝑃(𝐵2 /𝐵1 )

𝑦−1 𝑧 𝑥+1 𝑧+1

𝑃(𝐵) = ( )( )+( )( )
𝑥 + 𝑦 (𝑤 + 1) + 𝑧 𝑥 + 𝑦 𝑤 + (𝑧 + 1)

Interpretación estocástica.- la probabilidad que la esfera sea blanca es

𝑦−1 𝑧 𝑥+1 𝑧+1
( )( )+( )( )
𝑥 + 𝑦 (𝑤 + 1) + 𝑧 𝑥 + 𝑦 𝑤 + (𝑧 + 1)

7
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

VI. Una Cía., perforadora de petróleo debe decidir si taladra o no un

lugar determinado que la compañía tiene bajo contrata. Por
investigaciones geológicas practicadas se sabe que existe una
probabilidad de 0.45 que una formación de TIPO I se extiende debajo
del lugar prefijado par taladrar, 0.30 de probabilidad que exista una
formación de TIPO II y de 0.25 de TIPO III. Estudios anteriores indican
que el petróleo se encuentra un 30 % de la veces de la formación
TIPO I, en un 40% de la formación TIPO II, en un 20% en la de TIPO
III. Determinar la probabilidad que sí no se encontró petróleo, la
perforación fue hecha en la formación TIPO I.

Sugerencia.-Aplicar partición del 𝜴, teoremas de probabilidad Total y de Bayes.

Solución:

Graficaremos el Diagrama del Árbol de la siguiente manera:

Entonces, tendremos:

𝑃(𝐴′ ) = 𝑃(𝐼 𝐴′ ) + 𝑃(𝐼𝐼 𝐴′ ) + 𝑃(𝐼𝐼𝐼 𝐴′ )

𝑃(𝐴′ ) = 𝑃(𝐼)𝑃(𝐴𝑐 ⁄𝐼 ) + 𝑃(𝐼𝐼)𝑃(𝐴𝑐 ⁄𝐼 𝐼) + 𝑃(𝐼𝐼𝐼)𝑃(𝐴𝑐 ⁄𝐼 𝐼𝐼)

𝑃(𝐴′ ) = 0.45 ∗ 0.70 + 0.30 ∗ 0.60 + 0.25 ∗ 0.80

𝑃(𝐴′ ) = 0.315 + 0.180 + 0.200

𝑃(𝐴′ ) = 0.695

𝑃(𝐴)𝑃(𝐴′ ⁄𝐴) (0.45 × 0.70 )

𝑃(𝐴/𝐴′ ) = = = 0.4532
𝑃(𝐴′ ) 0.695

Interpretación estocástica.- La probabilidad de ocurrencia del evento de que Una

Cía. Perforadora de petróleo debe decidir si la taladra o no en un lugar determinado,
que si encontró o no petróleo, dado que la perforación fue hecha en la formación de
TIPO I.es de 0.4532

8
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

VII. En la figura Nº 7.1 se supone que la probabilidad de cada relé este

cerrado es “P” y que cada relé se abre o se cierra
independientemente de cualquier otro. Encontrar la probabilidad de
que la corriente pase I a D:

Sugerencia.- Aplicar probabilidad de eventos Independientes a

circuitos eléctricos

Figura Nº 7.1

Solución:

Sea E y F la corriente que pasa respectivamente, entonces:

1) E = (E1 óE3 )E2

P(E) = P[(E1 ∪ E3 ) ∩ E2 ]

P(E) = P(E1 ∪ E3 )P(E2 )

P(E) = [P(E1 ) + P(E3 ) − P (E1 ∩ E3 )] ∗ P(E2 )

P(E) = [P(E1 ) + P(E3 ) − P (E1 ) ∗ P(E3 )] ∗ P(E2 )

P(E) = [p + p − p ∗ p] ∗ p

P(E) = [2p − p2 ] ∗ p

P(E) = 2 p2 − p3

2) F = F4 ó(F5 F6 )

P(F) = P(F4 ∪ (F5 ∩ F6 ))

P(F) = P(F4 ) + 𝑃(F5 ∩ F6 ) − P(F4 ∩ F5 ∩ F6 )

P(F) = P(F4 ) + 𝑃(F5 )𝑃(F6 ) − P(F4 )P(F5 )𝑃(F6 )

P(F) = p + 𝑝𝑥𝑝 − 𝑝𝑥𝑝𝑥𝑝

P(F) = p + p2 − p3

9
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

3) Sea R la corriente que pasa de I a D:

R = EóF

P(R) = P(E ∪ F)

P(R) = P(E) + P(F) − P(E ∩ F)

P(R) = P(E) + P(F) − P(E)P(F)

P(R) = (2p2 − p3 ) + (p + p2 − p3 ) − (2p2 − p3 )(p + p2 − p3 )

P(R) = p + 3p2 − 2p3 − (2p3 + p4 − 3p5 + p6 )

P(R) = p + 3p2 − 4p3 − p4 + 3p5 − p6

Interpretación estocástica: la probabilidad del evento “que la corriente pase de I a D”

Es: p + 3p2 − 4p3 − p4 + 3p5 − p6

VARIABLES ALEATORIAS UNIDIMENSIONALES

VIII. Dada la función de cuantía f, usando la

TABLA Nº 02

𝒙 0 1 2 3
𝒇(𝒙) 0.1 0.3 0.5 0.1

*Calcular:
VIII-a) Esperanza Matemática E(x); Variancia o varianza V(x);
VIII-b Momento cero alrededor del origen (𝜹𝟎 ). Además 𝜹𝟏 , 𝜹𝟐 , 𝜹𝟑 , 𝜹𝟒 .
VIII-c) Momento cero alrededor de la media (𝝁𝟎 ).Además, 𝝁𝟏 , 𝝁𝟐 , 𝝁𝟑 , 𝝁𝟒 .
VIII-d) Momento factoriales: 𝒎𝟎 , 𝒎𝟏 , 𝒎𝟐 , 𝒎𝟑

Solución:

𝒙 𝑭(𝒙) 𝒙𝑭(𝒙) 𝒙𝟐 𝑭(𝒙) 𝒙𝟑 𝑭(𝒙 𝒙𝟒 𝑭(𝒙) (𝒙 − 𝟏. 𝟔)𝟎 𝑭(𝒙)

0 0.1 0 0 0 0 0.1
1 0.3 0.3 0.3 0.3 0.3 0.3
2 0.5 1 2 4 8 0.5
3 0.1 0.3 0.9 2.7 8.1 0.1
1 1.6 3.2 7 16.4 1

10
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

(𝒙 − 𝟏. 𝟔)𝟏 𝑭(𝒙) (𝒙 − 𝟏. 𝟔)𝟐 𝑭(𝒙) (𝒙 − 𝟏. 𝟔)𝟑 𝑭(𝒙) (𝒙 − 𝟏. 𝟔)𝟒 𝑭(𝒙)

-0.16 0.256 -0.4096 0.65536
-0.18 0.108 0.0648 0.03888
0.2 0.08 0.032 0.0128
0.14 0.196 0.2744 0.38416
0 0.64 -0.168 1.0912

VIII-a)

Esperanza Matemática o Media Teórica E(x);

𝐸(𝑥) = ∑ 𝑥𝑓(𝑥) = 0 + 0.3 + 1 + 0.3 = 1.6

Variancia o varianza V(x);

𝑉(𝑥) = 𝐸[(𝑥 − 𝑢)2 ] = ∑ (𝑥 − 𝑢)2 𝑓(𝑥)

∀𝑥∈𝐷𝑓

𝑉(𝑥) = 0.256 + 0.108 + 0.08 + 0.196 = 0.64

VIII-b) Momento cero alrededor del origen (𝜹𝟎 ). Además 𝜹𝟏 , 𝜹𝟐 , 𝜹𝟑 , 𝜹𝟒 .

 𝑬(𝑿𝟎 ) = 𝒏𝒐 𝒆𝒙𝒊𝒔𝒕𝒆 𝒑𝒐𝒓𝒒𝒖𝒆 𝒙 = 𝟎

 𝑬(𝑿𝟏 ) = 𝜹𝟏 = 𝟏. 𝟔
 𝑬(𝑿𝟐 ) = 𝜹𝟐 = 𝟑. 𝟐
 𝑬(𝑿𝟑 ) = 𝜹𝟑 = 𝟕
 𝑬(𝑿𝟒 ) = 𝜹𝟒 = 𝟏𝟔. 𝟒

VIII-c) Momento cero alrededor de la media (𝝁𝟎 ).Además, 𝝁𝟏 , 𝝁𝟐 , 𝝁𝟑 , 𝝁𝟒 .

 𝝁𝟏 = 𝑬[(𝑿 − 𝝁)𝟎 ] = 𝟏

 𝝁𝟐 = 𝑬[(𝑿 − 𝝁)𝟏 ] = 𝟎

 𝝁𝟐 = 𝑬[(𝑿 − 𝝁)𝟐 ] = 𝟏. 𝟏𝟔

 𝝁𝟐 = 𝑬[(𝑿 − 𝝁)𝟑 ] = −𝟎. 𝟔𝟎𝟗

 𝝁𝟐 = 𝑬[(𝑿 − 𝝁)𝟒 ] = 𝟐. 𝟕𝟔𝟑𝟐

11
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

VIII-d) Momento factoriales: 𝒎𝟎 , 𝒎𝟏 , 𝒎𝟐 , 𝒎𝟑

 𝑚0 = 𝐸(𝑥) = 1.6
 𝑚1 = 𝐸[𝑥(𝑥 − 1)] = 𝐸[𝑥 2 − 𝑥] = 𝐸(𝑥 2 ) − 𝐸(𝑥) = 1.6
 𝑚2 = 𝐸[𝑥(𝑥 − 1)(𝑥 − 2)] = 𝐸[𝑥 3 − 3𝑥 2 + 2𝑥] = 𝐸(𝑥 3 ) − 3𝐸(𝑥 2 ) + 2𝐸(𝑥) = 0.6
 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

IX. Sea x una variable aleatoria continua con función de densidad dado por:

𝒌(𝟔𝒙 − 𝟐𝒙𝟐 ) ; 𝒔𝒊 𝟎 < 𝑥 < 2

𝒇(𝒙) = {
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

IX-a) Calcular el valor de la constante k y la función de densidad especifica.

IX-b) Graficar 𝒇 y 𝑭. Hallar la función de distribución acumulada 𝑭(𝒙).
IX-c) Calcular: 𝐏(−𝟏 < 𝑥 < 2)
IX-d) Calcular la Esperanza Matemática 𝑬(𝒙).
IX-e) Hallar la variancia o varianza 𝑽(𝒙).

Solución:
IX-a)
+∞
Si 𝒇(𝒙) es una variable aleatoria continua, entonces: ∫−∞ 𝒇(𝒙)𝒅𝒙 = 𝟏

+∞ 𝟎 𝟐 +∞

∫ 𝒇(𝒙)𝒅𝒙 = ∫ 𝒇(𝒙)𝒅𝒙 + ∫ 𝒇(𝒙)𝒅𝒙 + ∫ 𝒇(𝒙)𝒅𝒙 = 𝟏

−∞ −∞ 𝟎 𝟐

+∞ 𝟐
𝟐 𝟐
∫ 𝒇(𝒙)𝒅𝒙 = ∫ 𝒌(𝟔𝒙 − 𝟐𝒙𝟐 )𝒅𝒙 = 𝒌 [(𝟑(𝟐)𝟐 − (𝟐)𝟑 ) − (𝟑(𝟎)𝟐 − (𝟎)𝟑 )]
𝟑 𝟑
−∞ 𝟎

+∞
𝟏𝟔 𝟐𝟎𝒌
∫ 𝒇(𝒙)𝒅𝒙 = 𝒌 (𝟏𝟐 − )= = 𝟏; → 𝒌 = 𝟑/𝟐𝟎
𝟑 𝟑
−∞

𝟑(𝟑𝒙 − 𝒙𝟐 )
∴ 𝒇(𝒙) = { ; 𝒔𝒊 𝟎 < 𝑥 < 2
𝟏𝟎
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

𝟑(𝟑 − 𝟐𝒙)
𝒍𝒖𝒆𝒈𝒐; 𝑭(𝒙) = 𝒇(𝒙)′ = { ; 𝒔𝒊 𝟎 < 𝑥 < 2
𝟏𝟎
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

12
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

IX-b) gráfica de la función 𝑭(𝒙) y 𝒇(𝒙).

F(x)
f(x)

0.6 1

0.35
0
2 X 0 1 2 X

Función de distribución acumulada 𝑭(𝒙).

𝟑(𝟑 − 𝟐𝒙)
𝑭(𝒙) = 𝒇(𝒙) = { ′ ; 𝒔𝒊 𝟎 < 𝑥 < 2
𝟏𝟎
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

IX-c)

𝟑(𝟑−𝟐(−𝟏)) 𝟑 𝟏
𝐏(−𝟏 < 𝑥 < 2) = 𝑭(𝟐) − (𝟏 − 𝑭(−𝟏)) = 𝟎 − 𝟏 + 𝟏𝟎
=𝟐−𝟏=𝟐

IX-d)
+∞ 𝟎 𝟐 +∞
𝑬(𝒙) = ∫−∞ 𝒙𝒇(𝒙)𝒅𝒙 = ∫−∞ 𝒙𝒇(𝒙)𝒅𝒙 + ∫𝟎 𝒙𝒇(𝒙)𝒅𝒙 + ∫𝟐 𝒙𝒇(𝒙)𝒅𝒙

+∞ 𝟐
𝟑𝒙(𝟑𝒙 − 𝒙𝟐 )
𝑬(𝒙) = ∫ 𝒙𝒇(𝒙)𝒅𝒙 = ∫ 𝒅𝒙 = 𝟏. 𝟐
𝟏𝟎
−∞ 𝟎

IX-e)
+∞ +∞
𝑽(𝒙) = ∫−∞ (𝒙 − 𝒖)𝟐 𝒇(𝒙)𝒅𝒙 = ∫−∞ (𝒙 − 𝟏. 𝟐)𝟐 𝒇(𝒙)𝒅𝒙

+∞ 𝟎 𝟐 +∞

𝑽(𝒙) = ∫ (𝒙 − 𝒖) 𝒇(𝒙)𝒅𝒙 = ∫(𝒙 − 𝟏. 𝟐) 𝒇(𝒙)𝒅𝒙 + ∫(𝒙 − 𝟏. 𝟐) 𝒇(𝒙)𝒅𝒙 + ∫ (𝒙 − 𝟏. 𝟐)𝟐 𝒇(𝒙)𝒅𝒙

𝟐 𝟐 𝟐

−∞ −∞ 𝟎 𝟐

𝟐
(𝒙 − 𝟏. 𝟐)𝟐 𝟑(𝟑𝒙 − 𝒙𝟐 )
𝑽(𝒙) = ∫ 𝒅𝒙 = 𝟎. 𝟐𝟒
𝟏𝟎
𝟎

13
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

X. Para la función de cuantía de la Tabla N`2, sea 𝑦 = 𝑥 2 + 2𝑥. Calcule:

Solución

X-a)
La media teórica de la V.A.D “y”

𝐸(𝑦) = 𝐸[𝑥(𝑥 + 2)]

E (y) = E(x) [E(x)+2]
E (y) = 1.6 [1.6+2]
E (y) = 5.76

X-b)
La variancia o Varianza de la v.a.d “y”

V (y) = V [x(x+2)]
V (y) = V(x) [V(x)+2]
V (y) = 3.2 (3.2+2)
V (y) = 16.64

XI. Si la variable aleatoria continua X tiene la función de acumulación expresada

por:

𝟎;𝑿 < 𝟎
𝑿𝟐
;𝟎 ≤ 𝑿 ≤ 𝟏
𝟒
𝑭(𝑿) 𝑿 𝟏
(𝟐) − 𝟒 ; 𝟏 < 𝑿 < 𝟐
𝟏
{ 𝟏 − (𝟐𝑿) ; 𝑿 ≥ 𝟐

Hallar:

XI-a) 𝑃(|𝑋| < 1)

XI-b) 𝑃(𝑋 ≥ 0.5)
𝑑𝐹(𝑥)
XI-c) Su función de cuantía NO es: 𝑓(𝑥) = 𝑑𝑥 . Calcularlo.
XI-d) La media teórica 𝜇 o esperanza matemática E(x)

SOLUCION:

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

14
UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

XI-b)
3 1
𝑃(𝑋 ≥ 0.5) = 1 − 𝑃(𝑋 < 0.5) = 1 − 𝑃(𝑋 ≤ 0) = 1 − 4 = 4

XI-c) Calculado:

𝟎 ;𝑿 < 𝟎
𝑿𝟐
;𝟎 ≤ 𝑿 ≤ 𝟏
𝟒
𝑭(𝑿) 𝑿 𝟏
(𝟐) − 𝟒 ; 𝟏 < 𝑿 < 𝟐
𝟏
{ 𝟏 − (𝟐𝑿) ; 𝑿 ≥ 𝟐

Derivando las ecuaciones se determina de la siguiente manera.

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

V-d)

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

15
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

XII. La producción mínima de una maquina 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 puede 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:

+∞

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(8𝑥2 − 𝑥3 − 12𝑥)𝑑𝑥 + ∫ (0)𝑑𝑥
128
−∞ 2,000 6,000

6,000
3
𝐸(𝑥) = 0 + ∫ (8𝑥3 − 𝑥4 − 12𝑥2 )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

16