UNIVERSIDAD NACIONAL DE SAN CRISTBAL DE HUAMANGA

FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y CIVIL

ESCUELA PROFESIONAL DE INGENIERA DE SISTEMAS

TEMA : TRABAJO ENCARGADO N 03 y 04

DOCENTE : ING. CIP GUILLERMO B. TAPIA CALDERN

CURSO : ESTADSTICA II

ALUMNO : MENDOZA MORALES, Juan carlos

CDIGO : 27120559

AYACUCHO - PER
2017
 TRABAJO ENCARGADO N3
UNIDAD III

PARTE I
A. Si una variable aleatoria X puede tomar los valores: 0, 1, 2, 3, 4, 5. Indicar
si cada una de las siguientes funciones definen una Funcin de
Probabilidad:
1 2 1
() = ; () = ; () = ; () =
6 15 50 9

Solucin

A.1 SI ES FUNCIN DE PROBALIDAD

1
= 0, 1, 2, 3, 4,5 () = 6 cumple la primera condicin.
Como 5=0 () = 1 cumple la segunda condicin.

A.2 SI ES FUNCIN DE PROBALIDAD

Evaluando () = 15 para cada uno de los valores de = 0, 1, 2, 3, 4, 5.
(0) = 0, (1) = 1/15, (2) = 2/15, (3) = 3/15, (4) = 4/15, (5) =
5/15 () 0 cumple la primera condicin.

Ahora sumamos cada una de las funciones halladas

5

(() = )=1
15
=0
Cumple la segunda condicin.

A.3 NO ES FUNCIN DE PROBALIDAD

2
Evaluando () = para cada uno de los valores de = 0, 1, 2, 3, 4, 5.
50

4 9
(0) = 0, (1) = 1/50, (2) = , (3) = ,
50 50
16 25
(4) = , (5) = () 0
50 50
Por lo tanto, cumple la primera condicin.
Ahora la sumatoria de las funciones halladas
 5
2
(() = ) 1
50
=0
No cumple la segunda condicin

A.4 NO ES FUNCIN DE PROBALIDAD

1
Evaluando () = para cada uno de los valores de = 0, 1, 2, 3, 4, 5.
9

1 1 2 3
(0) = , (1) = 0, (2) = , (3) = , (4) = ,
9 9 9 9
4
(5) = () 0, (0)
9
Por lo tanto, no cumple la primera condicin.

Ahora la sumatoria de las funciones halladas

5
1
(() = )=1
9
=0
cumple la segunda condicin

B. Si () = () , = , , , , define una funcin de cuanta.

B.1 Encontrar K.

Solucin.
Como f(x) es una funcin de cuanta.
1

=0 (3) = 1 desarrollamos esta serie: (1 + 2 + 3 + 4 + ) = 1
3 2
( ) = 1, =
2 3
 B.2 Determinar F (Funcin de probabilidad)

Solucin
Sea .
2 1
( ) ( ) ; = 0,1, 2, 3 ;
3 3

0 ; < 0
2
( ) ;0 < 1
3
2 1
( ) [1 + ( )] ;1 < 2
3 3
() = 2 1 1 2
( ) [1 + ( + ( ) ] ; 2 < 3
3 3 3
.
.
.
.
{ .
0 ; <0
2
;0 < 1
3
8
;1 < 2
() = 9
26
;2 < 3
27 .
.
{ .

B.3 Calcular las siguientes probabilidades

( )
( 3) = 1 ( < 3)
= 1 ( 3) 1 ( 3)
26 1
= 1 (2) = + 1 =
27 27

F (1)
8
() = 1 < 2
9
 F (1.5)
8
() = 1 < 2
9

( . )
(0 1.5)
= (1 < 1.5 ) (1.5)
8 8
(1) (1.5) = (1) = 0 = 0
9 9

C Dada la funcin discreta.

= {(0, ), (1,0.1), (2,0.4), (4, 2)}

C.1 Encontrar c tal f definida una funcin de cuanta.

Solucin
4

() = 1, + 0.1 + 0.4 + 2 + 2 = 1,
=0
=

C.2 Hallar E(x).

Solucin.
x f(x) x f(x) () ()
0.1 0 0 0
0
0.1 0.1 0.1 0.1
1
0.4 0.8 1.6 3.2
2
0.2 0.6 1.8 5.4
3
0.2 0.8 3.2 12.8
4
1 2.3 6.7 21.5

E(x)=() = () = 0.1 + 0.1 + 1.4 + 0.2 + 0.2 = 1, () = 1

C.3 Hallar V(x).

Solucin.
() = [( 2 )] = [ 2 2 + 2 ] = ( 2 ) 2() + 2 ,
: () = 6.7 (2.3)2 = 1.41
E. Dada la funcin de densidad.
1(2 )
() = { ; 0<<2
2
0;

E.1 Hallar F(x).

0
a) () = 0, () = 0

b) 0 < < 2, 0 () , () = ( > ).

c)

1(2 )
= , () = 2 +
0 2 0 0 2

d) > 2

2 2
1(2 ) 2
= ( )] = 1
0 2 4 0

0 ; < 0
2
() = { ;0 < < 2
4
1 ; > 2
E.2 Graficar.

F. Una compaa de seguros ofrece al dueo de casa una pliza de seguros

de 15.000 dlares. cul es la ganancia de la cia?

Solucin.

x f(x) xf(x)

5 0.999 49.95

-9950 0.001 -9.95

1.000 40.000

Como E(x)=40, la ganancia que espera la cia por la venta de la pliza es de 40.00
dlares, la ganancia por lo tanto debe ser positiva para cubrir los gastos
administrativos, beneficios, etc.

Pero el valor esperado de los juegos puede ser negativo como en este caso.
G. Una lotera vende 100.00 boletos a 20.00 soles cada boleto, se dar un
premio de 500.000 soles al favorecido, suponiendo que hemos comprado
un boleto Cunto debemos esperar ganar?

Solucin.

x f(x) x f(x)

-20 0.99991 -19.998

500.000 0.00001 5.0

1 -14.998

Donde tenemos: E(x)=-14,998 soles, espera ganar -14,998 soles, esto significa
prdida.
 TRABAJO ENCARGADO N4
UNIDAD IV

PARTE II
DISTRIBUCIONES ESPECIALES DE PROBABILIDAD DISCRETAS Y CONTINUAS
IV.1) DISTRIBUCION ESPECIAL DE PROBABILDAD DISCRETA
Se denomina distribucin de variable discreta a aquella cuya funcin de
probabilidad slo toma valores positivos en un conjunto de valores de finito o
infinito numerable. A dicha funcin se le llama funcin de masa de probabilidad.
Es un conjunto dado de distribuciones tiene sus funciones de distribucin con la
misma estructura funcional, diremos que pertenece a la misma familia de
distribuciones, al mismo modelo de probabilidad o a la misma distribucin-tipo.

I. DISTRIBUCION DE BERNOULLI
Es la distribucin de probabilidad que se asocia a variables que slo toman dos valores,
el 0 y el 1.

Las variables de Bernoulli pueden tomar dos valores numricos, 0 y 1, donde 1

corresponde a un evento y 0 corresponde a un no evento. Una variable aleatoria X sigue
una distribucin de Bernoulli si P(X = 1) = p y P(X = 0) = 1 p, donde p es la probabilidad
de ocurrencia del evento.

Intuitivamente, una variable dicotmica de Bernoulli aparece asociada a un

experimento xito-fracaso, donde 1 representa el xito y 0 el fracaso. = p , 2 = p(1
p).

En trminos estrictos el proceso de Bernoulli se caracteriza por lo siguiente:

El experimento consta de ensayos repetidos.

Cada ensayo produce un resultado que se puede clasii car como xito o fracaso.
La probabilidad de un xito, que se denota con p, permanece constante de un
ensayo a otro.
Los ensayos repetidos son independientes.
Propiedades:

1. = E(X) = 0 q + 1 p = p.
2. = Var(X) = E(X2) E2(X) = p p2 = pq.

El campo de variacin de la variable es : {0,1} y la funcin de cuanta es :

() = ; = ,

() = ; = ,
II. DISTRIBUCION BINOMIAL
Es una distribucin de probabilidad discreta que cuenta el nmero de xitos en una
secuencia de n ensayos de Bernoulli independientes entre s, con una probabilidad fija
p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se caracteriza
por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se
denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite n
veces, de forma independiente, y se trata de calcular la probabilidad de un determinado
nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de
Bernoulli.

Caractersticas de la Distribucin Binomial La distribucin binomial puede considerarse

como una generalizacin del modelo de Bernoulli,(experimento aleatorio xito-fracaso)
en donde el experimento se realiza n veces y se utiliza en experimentos o eventos que
tienen las siguientes caractersticas:

Slo hay 2 posibles resultados.

Los resultados son independientes
La probabilidad de xito permanece constante en todas las veces que se realice
el experimento.
El experimento se realiza n veces bajo las mismas condiciones y estamos
interesados en que hayan x xitos.
Cuando hay extraccin de elementos, se debe realizar con reemplazo.

Propiedades:

1. = 1 + 2 + + , 1, ,
(1, ) = E(X) = np.

2. 2 = Var(X) = n p q.

3. X1 B(n1, p) y X2 B(n2, p) v. a. independientes, entonces X1 + X2

B(n1 + n2, p).

Por lo que tendriamos:

() = ( ) ( ) ; = , , , ,

() = (; , )
TABLA DE DISTRIBUCION BINOMIAL

Funcion de masa de probabilidad.

Funcion de distribucion acumulada

III. DISTRIBUCION HIPERGEOMETRICA

La distribucin Hipergeomtrica de parmetros , , n y N (HG (k, n, N)) surge en
situaciones en donde el modelo aproximado de probabilidad se corresponde con
muestreo sin reemplazamiento de una poblacin dicotmica (Exito y Fracaso) finita
Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:
Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de
resultados.
Las probabilidades asociadas a cada uno de los resultados no son constantes.
Cada ensayo o repeticin del experimento no es independiente de los dems.
El nmero de repeticiones del experimento (n) es constante.

Propiedades:

1
1) Esperanza: () =

1.2 ( )
2) Varianza: ( ) =
2 .( 1)
Si del conjunto anterior extraemos n individuos sin reemplazamiento (n N), la variable
X que representa el nmero k de individuos que pertenecen a la categora A (de los n
extrados) tiene por funcin de densidad:

( )( )
() = ; = , , , , .

( )

IV. DISTRIBUCION DE POISSON

Consideremos sucesos ("xitos") que ocurren aleatoriamente a lo largo del tiempo
de y sea la v.a. X ="no de sucesos en el intervalo de tiempo (0, t)". La distribucin
de Poisson de parmetro surge en los llamados procesos de Poisson que se
presenta en relacin con el acontecimiento de xitos de un tipo particular 6 durante
un intervalo continuo de tiempo. Las suposiciones de un proceso de Poisson,
durante un intervalo de tiempo que empieza en t = 0.

La distribucin de Poisson se caracteriza por las siguientes propiedades:

Sea una poblacin de tamao .

Sea una muestra de tamao n bastante elevado (se suele hablar de que tiende
a )
 Los sucesos son independientes entre si.
Sea A un suceso que tiene una probabilidad p de suceder durante un periodo
de tiempo, siendo esta probabilidad de ocurrencia durante un periodo de tiempo
concreto muy pequea (se suele hablar de que tiende a 0).

su funcin de probabilidad es:

( ) = ; = 0,1,2,3
!
Donde:

( = ) es la probabilidad de ocurrencia cuando la variable discreta X toma un valor

finito x.

promedio de osurrencias en un intervalo (tiempo, volumen, rea, etc.).

tiene un valor aproximado de 2. 71828183..

es el nmero de ocurrencias.

V. DISTRIBUCION GEOMETRICA
La distribucin geomtrica es un modelo adecuado para aquellos procesos en los
que se repiten pruebas hasta la consecucin del xito a resultado deseado y tiene
interesantes aplicaciones en los muestreos realizados de esta manera. Tambin
implica la existencia de una dicotoma de posibles resultados y la independencia de
las pruebas entre s.

Las siguientes caractersticas

El proceso consta de un nmero no definido de pruebas o experimentos
separados o separables. El proceso concluir cuando se obtenga por primera
vez el resultado deseado (xito).
Cada prueba puede dar dos resultados mutuamente excluyentes : A y no A.
La probabilidad de obtener un resultado A en cada prueba es p y la de obtener
un resultado no A es q siendo (p + q = 1).
Las probabilidades p y q son constantes en todas las pruebas ,por tanto , las pruebas
,son independientes (si se trata de un proceso de "extraccin" ste se llevar a , cabo
con devolucin del individuo extrado)

La distribucin geomtrica es la probabilidad de la funcin masa:

() = ( ) ; = , , , .

dnde :

P= probabilidad de xito en cada ensayo

x= ensayos que sean necesarios para obtener un xito, para x = 1, 2, 3,..

Lo anterior solo se cumple si y solo si:

Las pruebas son idnticas e independientes entre s.

La probabilidad de xito es p y se mantiene constante de prueba en prueba

Funcin de distribucin:

La funcin de densidad de la variable aleatoria geomtrica slo depende del parmetro

p, y presenta siempre una asimetra a la derecha como se puede observar en las
siguientes funciones de densidad.
VI. DISTRIBUCION BINOMIAL NEGATIVA
En relacin con ensayos repetidos de Bernoulli, algunas veces nos interesa al numero
del ensayo en el cual ocurre el k-simo acierto. Por ejemplo, podemos encontrar la
probabilidad de que el decimo estudiantes del 3MQ expuesto a una enfermedad
contagiosa sea el tercero en contraerla, o la probabilidad de que un ladrn sea capturado
por segunda vez en su octavo robo. Si el k-simo acierto va a ocurrir en el x-simo, debe
de haber k-1 aciertos en los primeros x-1 ensayos.

Caractersticas:

Surge como una secuencia infnita de intentos del tipo de Bernoulli que verifcan:

La secuencia de intentos es independiente.

Cada resultado del intento puede tomar nicamente dos resultados mutuamente
excluyentes, que denotaremos por XITO (E) FRACASO (F).
La probabilidad de xito (y por lo tanto la de fracaso) es constante en cada
intento.
Los intentos continuan (se ejecutan ) hasta que un total de r exitos se hayan
observado.

La funcin masa de probabilidad por:

() = (+1
)(1 ) ; = 0,1,2,3, .
Propiedades del modelo Binomial negativo

1) Esperanza: () =

2) Varianza: ( ) =
2

la funcion de distribucion por:

( )

{
0 >0

= +1
( ) (1 ) 0

=0
 PARTE III
IV.2) DISTRIBUCION ESPECIALES DE PROBABILIDAD CONTINUAS
En teora de la probabilidad una distribucin de probabilidad se llama continua
si su funcin de distribucin es continua. Puesto que la funcin de distribucin
de una variable aleatoria X viene dada por () = ( ), la definicin
implica que en una distribucin de probabilidad continua X se cumple
[ = ] = 0 para todo nmero real a, esto es, la probabilidad de que X tome
el valor a es cero para cualquier valor de a. Si la distribucin de X es continua,
se llama a X variable aleatoria continua.

En las distribuciones de probabilidad continuas, la distribucin de probabilidad

es la integral de la funcin de densidad, por lo que tenemos entonces que:

() = ( ) = ()

Una distribucin de probabilidad continua, la distribucin normal.

VII. DISTRIBUCION UNIFORME O RECTANGULAR

A continuacin, se estudia la distribucin uniforme continua como la extensin natural

de la distribucin uniforme discreta, es decir, aquella que toma con igual probabilidad
valores dentro de dos conjuntos cualesquiera de igual amplitud e incluidos en el intervalo
de valores posibles de la variable.

Sus caractersticas ms importantes son:

La variable sigue una distribucin uniforme o rectangular en el

intervalo (, ), (, ) . cuando su funcin de densidad viene dada de la siguiente
forma:

Su representacin grfica justifica el nombre de rectangular:

Figura: Distribucin uniforme

VIII. DISTRIBUCION GAMMA

Utilice la distribucin gamma para modelar valores de datos positivos que sean
asimtricos a la derecha y mayores que 0. La distribucin gamma se utiliza comnmente
en estudios de supervivencia de fiabilidad. Por ejemplo, la distribucin gamma puede
describir el tiempo que transcurre para que falle un componente elctrico. La mayora
de los componentes elctricos de un tipo particular fallar aproximadamente en el mismo
momento, pero unos pocos tardarn ms en fallar.

La distribucin gamma es una distribucin continua que se define por sus parmetros
de forma y escala. La distribucin gamma de 3 parmetros se define por sus parmetros
de forma, escala y valor umbral. Por ejemplo, en la siguiente grfica, la distribucin
gamma se define segn valores de forma y escala diferentes cuando el valor umbral se
establece en 0.0. Note que la mayora de los valores en una distribucin gamma ocurren
cercanos entre s, pero algunos valores quedan al final de la cola superior.

Distribucin gamma.

Una variable aleatoria X tiene una distribucin gamma si su funcin de densidad est
dada por:

Donde (p) es la funcin gamma de Euler, que se describe al final de la exposicin

terica del tema.

Esperanza matemtica y varianza :

Moda :

Propiedades de la distribucin Gamma

Su esperanza es p.
Su varianza es p2
La distribucin Gamma (, p = 1) es una distribucin Exponencial de parmetro
. Es decir, el modelo Exponencial es un caso particular de la Gamma con p =
1.
Dadas dos variables aleatorias con distribucin Gamma y parmetro comn:
~ (, ) ~(, )
IX. DISTRIBUCION BETA
La distribucin de probabilidad beta es una funcin de densidad con dos parmetros
definidaen el intervalo cerrado 0 <= y <= 1. Se utiliza frecuentemente como modelo
para fracciones,tal como la proporcin de impurezas en un producto qumico o la
fraccin de tiempo que unamaquina est en reparacin.
En estadstica la distribucin beta es una distribucin de probabilidad continua con
dos parmetros cuya funcion de densidad para valores0 1.

Funcion probabilistica de distribucion BETA.

CARACTERISTICAS:
Campo de variacion: 00
Parametros:
: , > 0
: , > 0

Si solo si la funcion densidad de x esta representada por la expresion:

Donde una funcion beta es definida por:

La media de una varianza de distribucion beta en las que los parametros son:

X. DISTRIBUCION DE GAUCHY

La distribucin de Cauchy es una distribucin continua que se define por sus parmetros
de ubicacin y escala.

Utilice la distribucin de Cauchy para probar qu tan bien funcionan las tcnicas
robustas bajo diversos supuestos de distribucin. La distribucin de Cauchy se utiliza
frecuentemente en fsica.

La distribucin de Cauchy se representa con una curva en forma de campana, similar a

una distribucin normal, como lo ilustran las siguientes grficas. Sin embargo, en la
distribucin de Cauchy, las colas se aproximan a cero con mayor lentitud que las colas
de la distribucin normal.

Una variable aleatoria se dice que sigue una distribucin de Cauchy(, ), si tiene
funcin de densidad:

La distribucin de Cauchy solo tiene momentos de orden p < 1:

Grafica Ditribucion de cauchy

XI. DISTRIBUCION LOGARITMICO NORMAL
La distribucin normal surge formalmente de la suma de muchas variables aleatorias.
En mltiples situaciones es preciso considerar el producto de variables, resuelto con la
presente distribucin.

Una variable aleatoria es logartmico-normal (o lognormal) , si su logartmo ( ln(X) )

corresponde a una distribucin normal. Funcin de densidad :

siendo y la media y desviacin tpica de la distribucin normal de partida

XII. DISTRIBUCIN CHI-CUADRADO DE PEARSON

Sea X1, X2, X3....Xn variables aleatorias que se distribuyen como normales N(0,1),
y se define una nueva variable = 12 + 22 + + 2 , entonces se dice que X se
distribuye como una Chi-Cuadrado o Ji-cuadrado con n grados de libertad, donde n
es el nmero de variables aleatorias normales independientes elevadas al cuadrado
que se han sumado. Esta se representa como:
2 ,

y su funcion de densidad es de forma :

 Grficamente, la variable aleatoria Chi-cuadrado se representa,

PROPIEDADES:
Es una funcion asimetrica.
() =
() = 2
Sean dos variables aleatorias chi-cuadrado que se distribuyen 1 2 y
2
1 , se define una nueva variable de la forma Y=1 + 2 , estonces
esta nueva variable se distribuye como:
Cuando el nmero de variables aleatorias es muy grande, es decir, cuando
, la variable se puede aproximar por una normal.

XIII. DISTRIBUCIN T- STUDENT

Sea X una variable aleatoria que se distribuye como (0,1) y sea Y otra
variable aleatoria que se distribuye como 2 , tal que X e Y son
independientes, entonces podemos definir otra variable aleatoria
se dice que esta se distribuye como una t-Student con n grados de libertad y su
funcin de densidad viene dada por:

Esta distribucin es muy utilizada, que se construye a partir de una normal y un

chi-cuadrado. Veamos una grfica comparativa con una distribucin normal y
algunas de las propiedades que verifica.

PROPIEDADES:
Es simetria, esta centrada en el punto (0,0)
[] = > 1

[] = >

cuando el numero de variables aleatorias es muy grande, es decir,

cuando , la variable se puede aproximar por un normal