0% encontró este documento útil (0 votos)
20 vistas19 páginas

Exámen 1 Estocástica II José Sánchez

El documento aborda diversos conceptos de estadística y probabilidad, incluyendo la distribución del mínimo muestral y la distribución Gamma para el promedio de muestras. Se presentan fórmulas y métodos para calcular probabilidades y estimaciones, así como la aplicación del teorema del límite central y la desigualdad de Chebyshev en diferentes contextos. Además, se discuten funciones generadoras y la resolución de integrales para obtener resultados estadísticos específicos.

Cargado por

Gabriel Pulido
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
0% encontró este documento útil (0 votos)
20 vistas19 páginas

Exámen 1 Estocástica II José Sánchez

El documento aborda diversos conceptos de estadística y probabilidad, incluyendo la distribución del mínimo muestral y la distribución Gamma para el promedio de muestras. Se presentan fórmulas y métodos para calcular probabilidades y estimaciones, así como la aplicación del teorema del límite central y la desigualdad de Chebyshev en diferentes contextos. Además, se discuten funciones generadoras y la resolución de integrales para obtener resultados estadísticos específicos.

Cargado por

Gabriel Pulido
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

Estudiante: José Sánchez

C.I: 29.520.098
Profesor: Francisco Barillas
Materia: Estocástica II

1er examen estocástica II

1. Aunque el ejercicio esté definido con variables aleatorias hasta Xn, justamente en
la función fx(x) existe I(0,1)(x) definiendo que la función densidad será entre el
intervalo [0,1], y según el libro “Inferencia estadística” del autor Mayorga, del
corolario 1.5.3 sacamos la siguiente fórmula para determinar la distribución del
mínimo muestral de la muestra:

����(��) = 1 − {1 − ����(��)}��

“n” será el número de muestras, en este caso son n muestras, y FX(x) será la
función de distribución. Con esta fórmula buscamos saber la probabilidad de que
el mínimo valor de la muestra (intervalo) sea menor o igual a un valor específico de
x.

Pero para llegar al resultado, debemos calcular FX(x), que ayudará a saber lo que
necesitamos, y la fórmula para saberlo es la siguiente integral:

��
����(��) = ∫ ����(��) −∞ ����

Pero al conocer el intervalo y la función densidad, es simplemente sustituir y


resolver la sencilla integral que deja:

��
����(��) = ∫ 2�� 0 ����

����(��) = ��2|0��

����(��) = ��2

Al saber lo anterior tenemos que la distribución del mínimo muestral

será: ����(��) = 1 − {1 − ��2}��

2. La distribución muestral se refiere a la distribución de un estadístico, un ejemplo


de ello es el ejercicio pasado buscando el mínimo muestral, pero en este ejercicio
nos piden el promedio de la muestra, también dicho la media. En esta ocasión
contamos con una población de distribución exponencial de la muestra con un
parámetro T. Así que también tenemos una función de densidad en este caso para
las variables aleatorias, que cuenta con la siguiente fórmula:

��(��) = ����−����

También cabe aclarar algo importante, proveniente del libro “Probabilidad y


estadística para ingeniería y ciencias” de los autores Walpole y Myers, además de
recursos en la web, las muestras con distribuciones exponenciales hacen
referencias a eventos durante el tiempo, y en estos casos usamos lo que es
llamado distribución Gamma, ya que la fórmula cuenta con otras variables que
ayudan a determinar estos cambios.

−����
����Γ(��)∗ �� ∗ ����−1

Γ(��, ��) =1

Los parámetros α y β están sujetos a lo que buscamos, como en este caso es la


media, tomarán los siguientes valores:

�� 2
�� = 2; �� = ����

Se llaman parámetros de distribución Gamma, y tendrán estos valores en


específico por tratarse de la distribución exponencial de un promedio, Alpha
siendo la relación de el número de observaciones entre 2, y Beta la función del
número de observaciones por el parámetro, ambos dividiendo un 2. Este 2
pertenece a la definición de este caso en particular.

Así, de esta manera podemos saber la distribución muestral del promedio de la


muestra, con los parámetros de distribución Gamma.

3. Como dijimos anteriormente, la función densidad será igual a:

��(��) = ����−����

Y además nos piden el mínimo de la muestra de variables aleatorias hasta Xn, la


cual definimos con anterioridad que sería n, pero al crecer de manera exponencial
con el parámetro T, tenemos que será nT, por lo que la función de densidad
quedará como:

��(��) = ������−������

Y de esta manera encontramos la distribución muestral del mínimo de la muestra.


4. Debemos determinar la probabilidad de que ambas líneas no difieran en más de
3ml, para eso usamos la fórmula del teorema del límite central dada por:

�� =�� − ����
����

Buscamos la distribución normal estándar, donde x es el valor que nos interesa


que la muestra difiera, en este caso los 3 ml, mientras que µ (valor esperado) y
�� (desviación estándar) serán las diferencias muestrales de ambas líneas A y
B sacadas de las siguientes fórmulas:

���� − ���� ≤ 3���� = ��

���� = ���� − ����

���� = ����

���� = 0

���� = √����2
2
����+����2 ����

���� = √(12)2
2
2
36 +(4) 49

���� = √4 +

0.32 2 ����
= 2.07
Sustituyendo los valores tenemos que:

�� =3
2.07

�� = 1.44

Para hallar la probabilidad necesitaremos usar las tablas de distribución normal,


así que nos valemos de que:
��(|��| ≤ 3)

��(−3 ≤ �� ≤ 3)

��(−1.44 ≤ �� ≤ 1.44)

�� = 0.9236 − 0.0764

Cabe aclarar que este es el procedimiento cuando se tienen dos valores de z, ya


que el ejercicio pide que la diferencia absoluta de los promedios muestrales sea
menor o igual a 3, entonces para culminar tenemos que:

�� = 0.8502

�� = 85.02%

5. La función de distribución continua describe la probabilidad de que una variable


aleatoria continua X tome un valor menor o igual a cierto numero x, dando la
fórmula:

����(��) = ��(�� ≤ ��)


Además, debemos manejar otro dato, y es que esta función agarra valores entre el
intervalo [0,1] por lo que la mediana de la población será 0.5; de este modo,
deberemos ver la probabilidad de que exceda ese 0.5 de la mediana.
Entonces, la función de distribución continua arroja imágenes de cada dato,
dejando que:

��(���� ≤ ��) = ��(��)��

“n” siendo el total de datos, dejando el máximo valor de la variable aleatoria. Por
lo que diremos gracias a esa fórmula:

��(���� ≤ ��) = (0.5)��

Por lo que la probabilidad de que lo exceda será:

��(���� > ��) = 1 − (0.5)��

6. Para este ejercicio usaremos el teorema del límite central y la distribución normal
estándar, por lo que tendremos que calcular lo siguiente:
��(|�� − µ| < 0.1) > 0.95

�� =√��(�� − ����)
����

Por lo que ahora tendremos que realizar el valor absoluto y además relacionar
ambas fórmulas:

��(−0.1 < �� − µ < 0.1)

(�� − ����) =�� ∗ ����


√��

�� (−0.1 <�� ∗ ��
√��< 0.1)

�� (−0.1 ∗ √��

2< �� <0.1 ∗ √��

2)

�� (−√��

20 < �� <√��

20) > 0.95


Esa es la probabilidad de Z en estar dentro del intervalo requerido, por lo que la
probabilidad de quedar fuera es 0.05%, dando 0.025% en cada cola, esto lo vemos
para sacar valores críticos, dejando que:

�� = 0.975

Usando la tabla Z tenemos que:

�� = 1.96

Sustituyendo en el intervalo para sacar n, ya que debemos recordar que es el nro.


de muestras, da que:

1.96 <√��
20

√�� > 39.2


�� > 1537

Dejando que el tamaño mínimo de la muestra debe ser mayor a las 1537 unidades.

7. Para este ejercicio nos podemos basar en muchos procesos del anterior, pero al no
contar con un resultado esperado y varianza, debemos usar otra formula, esta será
la del intervalo de confianza:

�� ± ��√��(1 − ��)
��

Donde P se refiere a la proporción muestral de la muestra, Z al valor crítico de


distribución normal estándar y n el número de muestras, pero necesitamos que la
diferencia de la proporción muestral de la muestra y la proporción muestral
indicada p( 0.8%) sea menor o igual al 1%. Dejando que:

��√��(1 − ��)

��≤ 0.01
Y al pedirnos que sea superior al 95%, nos pide exactamente lo mismo que el
ejercicio anterior, dejando que el valor Z sea igual a 1.96, entonces al realizar el
respectivo despeje, tenemos que:
��√��(1 − ��)

��≤ 0.01

(1.96)2(0.008)(1 − 0.008)
2
(0.01) ≤ ��

�� ≥ 305

8. Para este ejercicio usaremos dos fórmulas y compararemos los resultados que estas
den, por lo que empezaremos por la desigualdad de Chevysev, dando que es:

1
��(|�� − ��| ≤ ����) ≥ 1 − ��2

X siendo la distribución muestral, �� el valor esperado, que corresponde a la


media de las variables aleatorias (muestra), �� la desviación estándar y r será las
unidades por las que difiere, además, según el libro de Mayorga podemos
aprovechar cierta relación en la desigualdad que nos puede ayudar en los cálculos,
esta teniendo ciertas similitudes con la fórmula del teorema central del límite,
dejando que:
�� ��
�� (|�� − ��| ≤ 5∗ 6) ≥ 1 −1
�� 2
( 5)

�� (|�� − ��| ≤��2


25
30) ≥ 1 − ��2

Ahora para comparar, aplicaremos el teorema del límite central, dando que:

�� =�� − ����
����

Entonces buscamos lo mismo que con la desigualdad de Chevysev, diremos

que: �� (|�� − ��| ≤��2

30)

��
�� (|��| ≤ 30)
�� ��
�� (− 30 ≤ �� ≤ 30)

�� (|�� − ��| ≤��2


�� ��
30) = �� (− 30 ≤ �� ≤ 30)

Para comparar los resultados, debemos aclarar para que funciona cada fórmula,
porque mientras que la desigualdad de Chevysev funciona mejor para dar
estimaciones generales, el teorema del límite central es más precisa mientras más
grande sea la muestra, en este caso se recomienda ser mayor igual a 30, por lo que
dependiendo de la desviación estándar, es más probable que el teorema del límite
central de una mejor estimación porque la muestra es de un tamaño de 36.

9.

a) Para la resolución de este ejercicio usaremos lo siguiente:

��
����
����(��) = ∫ �� ��(��)����
−��

Esto porque las variables son continuas en x>0, sustituyendo tendremos


que:
����
����(��) = ∫ �� ����−��4

0
16 ����

1 ����−��4
����(��) = 16 ∫ ���� ����
0


1 ��(
����(��) = 16 ∫ ���� 4��−1
)
4 ����
0

Para la resolución de la integral deberemos aplicar la integración por partes:

���� = ����(4��−1) 4��−1��


��(4��−1)

1 ∞
4
���� �� =4 ����(��) = 16 (��4 4
− ∫4
4
; �� = �� ���� = ����
4
��(4��−1) ����
4�� − 1��
)
��(4��−1) 0
4�� − 1��
1 ∞

����(��) = 16 ([��4 4 | 0−16

��(4��−1) ��(4��−1)
4�� − 1�� 4��
4
2 ����
(4�� − 1) ∫4�� − 1 )
0

Luego de resolver la integral impropia, aplicando el respectivo límite, nos


da como resultado la función generadora:

����(��) =1
(4�� − 1)2

b) Aplicando las respectivas fórmulas que se encuentran en las referencias del


trabajo, para encontrar la media y la varianza de x tenemos que derivar esta
misma de la siguiente manera:

−2
���� =��(4�� − 1)
������(��) ������(��)
����|�� = 0
���� =8
3
(1 − 4��) |�� = 0

������(��)
���� = 8 = ��(��)

��2����(��)
2
���� =8
3
(1 − 4��) |�� = 0

��2����(��)
2
���� =96
4
(1 − 4��) |�� = 0

��2����(��)
2
���� = 96 =

��(��2)
������(��) =

��(��2) −

��2(��)
������(��) =
96 − 64 = 32
10. Al momento de usar parámetros usamos la siguiente fórmula, que será la fórmula
para la función generadora de Poisson:

������(��) = ������(����−1)

Y, según el teorema 7.1 del libro de estadística de Canavos “Probabilidad y


estadística, aplicaciones y métodos”, con ai = 1, sabemos que:

�� = ��1 + ��2 + ⋯ + ����

Sabiendo esto, haremos la siguiente relación:

����(��) = ����1(��) ∗ ����2(��) ∗ … ∗ ������(��)


����(��) = ����1(����−1)∗ ����2(����−1)∗ … ∗ ������(����−1)

����(��) = ��[��1(����−1)+��2(����−1)+⋯+����(����−1)]

����(��) = ��[(��1+��2+⋯+����)(����−1)]

11. Tenemos que:

�� = ��1 − ��2

Y por el teorema 7.1, con ai = 1, además apoyándonos de la resolución del ejercicio


anterior, diremos que:

����(��) = ��{��[(��1+��2+⋯+����)(����−1)]}

����(��) = ��{��[��(��1−��2)]}

����(��) = ��{��[��(��1−��2)]}

����(��) = ��{������1��−����2}

����(��) = ��{������1} ∗ ��{��−����2}

����(��) = ����1(��) ∗ ����2(−��)


����(��) = ����1(��−1)∗ ����2(−��−1)

Esta diferencia dentro de la variable t, demuestra que no son variables aleatorias


de Poisson

12. Debemos utilizar la función generadora de momentos:

����(��) = [(1 − ��) + ������]��

Y por el teorema 7.1, con ����=1. La suma de las variables

binomial sería: �� = ��1 + ��2

Por lo que nos quedaría la siguiente fórmula para satisfacer el

enunciado: ����(��) = ����1(��) ∗ ����2(��)

����(��) = [(1 − ��) + ������]��1 ∗ [(1 − ��) + ������]��2

����(��) = [(1 − ��) + ������](��1+��2)


13. Utilizaremos la siguiente función generadora:

����(��) =��
�� − ��

Y, por el teorema 7.1 antes mencionado, tenemos que:

�� = ��1 + ��2

Por lo que tendremos:

����(��) = ����1(��) ∗ ����2(��)

����(��) =��

�� − ��∗��
�� − ��

����(��) = (��
2
�� − ��)

De esta manera es como satisfacemos el enunciado.


14.

a) Tenemos los siguientes datos:

��(��1) = 400 ; ����(��1) = 100


��(��2) = 800 ; ����(��2) = 800
��(��3) = 100 ; ����(��3) = 100

Y utilizando el teorema 7.2 del libro de Canavos, con ��1 = 1, Tendremos


que:

��(��) = ∑��(����)
��=1

��(��) = 400 + 800 + 100 = 1300

√����(��) = √(100)2 + (250)2 + (40)2 = √74100 = 10√39

Entonces, utilizando distribución normal estándar nos queda la


probabilidad de que no sea mayor a $1600 está dada por:

��~��(1300,10√39)
��(�� ≤ 1600) = 0.86 = 86%

b) Utilizando los datos anteriores, nos quedará lo siguiente:

��(�� ≥ 2100) = 0.0016 = 0.16%

15. Para satisfacer el enunciado, debemos repetir el proceso del ejercicio anterior,
dejando que:

��(��) = 8000 + 15000 + 12000 = 35000

√����(��) = √(2000)2 + (5000)2 + (3000)2 = √74100 =

6164.41 ��~��(35000,6164.41)

��(�� ≥ 5000) = 0.007 = 0.7%


16.

17. Para la resolución de este ejercicio usaremos la fórmula del teorema del límite
central utilizando la distribución normal estándar, tablas Z:

�� = √���� − ����
����

a) P(985 < x < 1015)

�� (√100(985 − 1000)

126 < �� <√100(1015 − 1000)

126 )

�� (−150

126 < �� <150

126) = 0.76 = 76%

b) P(960 < x < 1040)

�� (√100(960 − 1000)

126 < �� <√100(1040 − 1000)

126 )
�� (−400

126 < �� <400

126) = 0.99 = 99%

c) P(x>1020)

�� (�� <√100(1020 − 1000)

126 ) = 0.058 = 5.8%

d) P(x<975)

�� (�� <√100(975 − 1000)

126 ) = 0.023 = 2.3%


18. Para realizar este ejercicio continuaremos con el mismo proceso de los anteriores,
utilizando las tablas Z, no se resaltará mucho proceso por temas de ya conocerlo:

�� (�� <√64(1000 − 1000)

80 ) = 0.5 = 50%

Dando que la probabilidad de que la contratista consiga las lámparas sea del

50% 19.

�� (�� <√100(748 − 750)

5) = 0.000031 = 0.0031%

Al ser una probabilidad tan baja, la hipótesis del inspector fue la correcta

20. Para la resolución de este ejercicio no tenemos los datos de x, por lo que primero
deberemos despejar:

�� = √���� − ����
����

±�� ∗ ����
2√��+ ���� = ��
Se considera el ± ya que se encuentra entre un intervalo el valor Z, por lo que
también lo dividimos entre dos, así que para dar el resultado tendremos dos x, con
el valor de:

��1 = −1.6448 ∗ 0.005


2√64+ 5

��1 = 4.999486

��2 =1.6448 ∗ 0.005


2√64+ 5

��2 = 5.000514
21. Para la resolución de este ejercicio debemos indicar el valor de µ, por lo que
despejando tenemos que:

���� = �� −�� ∗ ����


√��

���� = 250 −1.6448 ∗ 25


√50

���� = 255.8154

22. Sean, σ = 0.01 la desviación estándar y la varianza muestral S = 0.015. Si la varianza


de la población es ��2 = 0.012. Entonces la probabilidad de ��2 ≥ 0.0152,
cuando el muestreo se lleva a cabo sobre N(0, 0.01) con n = 25 es igual a la de:

�� ��

�� [∑(���� − ��)2 = �� ≥ ��2 = ∑(���� − ��)2 ]


��=1 �� ��=1
��2 ��
��

�� [∑(���� − ��)2 ��=1 2


�� ]
= ��2�� ≥ ����2 = ∑(���� − ��)2
]
��=1

2
�� [�� ≥����

2
�� [�� ≥25 ∗ (0.015)
2
(0.01) ]

��[�� ≥ 56.25] = 0.0003365632

Al ser una probabilidad tan baja, se llega a la conclusión de que no es muy


probable que la varianza muestral llegue a ser mayor o igual que
(0.015)2����2.

23. Apoyándonos un poco de algunas fórmulas anteriores, tenemos que:

��

��2 = ∑(���� − ��)2


��=1 �� − 1
��

�� = ∑(���� − ��)2
��=1
��2

Con estos datos nos es posible determinar lo

siguiente: ��(��2

2
�� ≤ 2.041)

2
∑(���� − ��)
��( ��
��=1 �� − 1 ≤ 2.041)
2
∑(���� − ��)
��
��=1
��(��
��

�� − 1≤ 2.041)

��(�� ≤ (�� − 1)2.041)

��(�� ≤ (16 − 1)2.041)

��(�� ≤ 30.615) = 0.9901128

24. Apoyándonos un poco de algunas fórmulas anteriores, tenemos que:


��

��2 = ∑(���� − ��)2


��=1 �� �� − 1

�� = ∑(���� − ��)2
��=1
2
��(��
��2

2
�� ≤ 1.421)

2
∑(���� − ��)
��( ��
��=1 �� − 1 ≤ 1.421)
2
∑(���� − ��)
��
��=1
��(��
��

�� − 1≤ 1.421)
��(�� ≤ (20) ∗ 1.421)

��(�� ≤ 28.42) = 0.9001761

25. Utilizando el teorema 7.7 tendremos que:

��1−��,��
1 − ��(�� ≤ ��1−��,��) = 1 − ∫ ��(��; ��)����
−∞

1 − ��(�� ≤ ��1−��,��) = 1 − ∫Γ[(�� + 1)


��1−��,�� −∞ �� 2 − 2
√����Γ( 2)[1 + (�� ��)] ��+1

2] ����
Ahora juntando los datos que nos proporciona el ejercicio tenemos que:

√16
1 − �� (0.75 − 0.6 175
) = 1 − ��(�� ≤ 3.428571)
1 − �� (0.75 − 0.6 175

2] ) = 1 − ∫Γ[(15 + 1) 15 )] 15+1
√16 15 2
3.428571 −∞
√��15Γ( 2)[1 + ((3.428571)2 ����

Luego de operar la integral tenemos que: 175


√16
) = 0.001866207
1 − �� (0.75 − 0.6

Por lo que se concluye que el resultado de la organización es muy poco

probable

Anexos

También podría gustarte