Cartilla 2

Solución Unidad 3: Modelos de distribución de probabilidad

1)
a) X = “ El número de accidentes automovilísticos
Discreta., Rec X = {0,1,2,... 
b) Y = “La vida útil en horas de un dispositivo electrónico”
Continua, Rec Y = [0, )
c) Z =”presión interna de una cierta tubería”
Continua, Rec Z = [0, )
d) T = “Cantidad de alumnos”
Discreta., Rec X = {0,1,2,... 

2) a) E = probar percutores de un lote grande hasta que se observa un defectuoso

S = {D, ND; NND; NNND, NNNND, NNNNN
b) X = ”Número de percutores inspeccionados”
Variable cuantitativa discreta, Rec X = {1,2,3,4,5
c)
k PX(k)
1 0.1
2 0.09
3 0.081
4 0.0729
5 0.6561

0,7

0,6

0,5

0,4
PX(k)

0,3

0,2

0,1

0,0
1 2 3 4 5
k

1
Cartilla 2

3) a) Función de distribución Acumulada

 0
0.04

0.29

FX ( x )  0.69
0.87

0.97
 1


b)
i) P(14 < X  16 ) = F(16) – F (14) = 0.87 - 0.29 = 0.58
ii) P(X < 17) = P(X  16) = F(16) = 0.87
4)
a) c = 2
0 .5 e 2 x 0 .5
b) P( X  0.5)   2 e 2 x dx  2  1  e  0.63
0 2 0

c) Sea x > 0,
x 0 x

   2e
 2u
FX ( x )  f ( u )du  0 du  du  1  e  2 x
  0

1  e 2 x x  0
FX ( x )  
0 en otro caso

5)
a) EX = 117500
EX2 = 76375
σ=250.14*1000
b) Ganancia neta = Y= 1.3X

Y(miles de dolares) PY(y)

0 0.60
65 0.15
130 0.10
650 0.10
1300 0.05

G = Ganancia total = Ganancia neta- costo

c) EG= 1000*EY - 50000 = 152700

6)
a) EX= 0.5, EX2 = 0.3, V(X) = 0.05

b) Ganancia =G
P(X<0.8) = 0.896

G pG(g)

2
Cartilla 2

5 0.896
-2 0.104

c) EG = 4.272,
Interpretación: Si se venden muchos productos de este tipo, en promedio se ganará
$4.272 por cada uno.
d) σG = 4.56

7)

6(1  2y ) 0  y  0.5
a) f Y ( y ) 

0 en otro caso

b) EY= 0.15
V(Y) = 0.013
8)
a) P(750< X <1050) = P(|X-900|<3σ)>1-1/32 = 0.89
El porcentaje de focos que dura entre 750 y 1050 es mayor al 89%.
1
b) P(X<1000) = P(X-900<100)  P(|X-|  2)  1   0.75
22
9)
A' ' ( M )
A(m)  A( M )  A' ( M )(M   M )  (M   M ) 2
2!
A' ' ( M )
E( A)A( M )  M 2
2!
Para calcular la varianza solo considero hasta el término lineal
V (A )  A ( M )  A '2 ( M ) 2M

8 1 11
EM= , EM2= por lo tanto la V(M)=  0.0489
15 3 225

E(A)  22.03
V(A)  79.75

10)
a) Y=X2; Como 0<x<1 entonces 0<y<1
Para 0<y<1
FY (y) = P(Yy) =P(X2y) = P( |X| y ) = P (X y ) = FX( y ).
1 2 y
fY(y) = fX( y ). 2 =2 1
y y

3
Cartilla 2

1 0  y 1
Por lo tanto f Y ( y)  0 en otro caso


b) Y=2X-1; Como 0<x<1 entonces -1<y<1

Para -1<y<1
y 1 y 1
FY (y) = P(Yy) =P(2X-1y) = P( X ) = = FX( ).
2 2
y 1 1 y 1 1 y 1
fY(y) = fX( ). =2  
2 2 2 2 2

y 1
 1 y 1
f
Por lo tanto Y ( y )   2

 0 en otro caso

1
c) Y= ; Como 0<x<1 entonces 1/4<y<1/3
X3
Para 1/4<y<1/3
1 1 1
FY (y) = P(Yy) =P( y) = P( y  3  X) = 1- P( X  y  3 )=
X3

1 1   1  1 
1-FX( y  3 ).   2  = 2 y  3  2
y   y

 1  1 1 1
2  3  2 y
f
Por lo tanto Y ( y )   y y 4 3
 0 en otro caso


11)
a) Y=X2
1 1
1 1
EY=EX =  x 2 xdx  EY =  x 2 xdx 
22 2 4
;
0
2 0
3

Var Y = EY2 – (EY)2 = 1/3 - 1/4

1
2
b) EX= =  x 2 xdx  ; EY=E(2X-1)=2EX-1
0 3

Var X= EX2-(EX)2 = 1/2 – (2/3)2

Var Y =4 Var X

1 1
1 3 1
 ER =  6r (1  r )dr 
2 3
12) ER= 6r (1  r )dr  ; 2
Var R=
0
2 0
10 20

4
Cartilla 2

1
24
Para calcular en forma exacta: EA=  4r 6r (1  r )dr  20
2

1
16 2
EA2=  4r 6r (1  r )dr 
3

0
7

2
16 2  24 
Por lo tanto Var A=    8.346
7  20 

Para calcular en forma aproximada:

a ' ' ( R )
A= a ( R )  a ' ( R )(R   R )  (r   R ) 2
2!
8 2
E (A )  4 2R   R  3.77
2!

16 2
V( A)   a ' ( R )  2  R 2 
20

La esperanza que se obtiene de manera aproximada coincide con la esperanza encontrada de

forma exacta, esto se debe a que la función es un polinomio de orden 2. Con la varianza no
ocurre lo mismo porque en la aproximación se tiene en cuenta solo hasta el término de primer
orden.