Académique Documents
Professionnel Documents
Culture Documents
CURSO : ESTADSTICA II
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
5
(() = )=1
15
=0
Cumple la segunda condicin.
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
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.
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 .
.
{ .
( )
( 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
() = 1, + 0.1 + 0.4 + 2 + 2 = 1,
=0
=
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
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;
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.
Solucin.
x f(x) xf(x)
5 0.999 49.95
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)
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.
1. = E(X) = 0 q + 1 p = p.
2. = Var(X) = E(X2) E2(X) = p p2 = pq.
() = ; = ,
() = ; = ,
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.
Propiedades:
1. = 1 + 2 + + , 1, ,
(1, ) = E(X) = np.
2. 2 = Var(X) = n p q.
() = ( ) ( ) ; = , , , ,
() = (; , )
TABLA DE DISTRIBUCION BINOMIAL
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:
( )( )
() = ; = , , , , .
( )
( ) = ; = 0,1,2,3
!
Donde:
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.
() = ( ) ; = , , , .
dnde :
Funcin de distribucin:
Caractersticas:
Surge como una secuencia infnita de intentos del tipo de Bernoulli que verifcan:
() = (+1
)(1 ) ; = 0,1,2,3, .
Propiedades del modelo Binomial negativo
1) Esperanza: () =
2) Varianza: ( ) =
2
( )
{
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.
() = ( ) = ()
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:
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.
CARACTERISTICAS:
Campo de variacion: 00
Parametros:
: , > 0
: , > 0
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.
Una variable aleatoria se dice que sigue una distribucin de Cauchy(, ), si tiene
funcin de densidad:
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.
PROPIEDADES:
Es simetria, esta centrada en el punto (0,0)
[] = > 1
[] = >