ESTADISTICA

SEGUNDO PARCIAL


ALEX MUOZ
CHRISTIAN LOZA
ANDRES OATE

Distribucin de probabilidad
Variable aleatoria discreta:
Distribuciones de probabilidad de una variable aleatoria.- Se define a la distribucin de una
variable aleatoria como el conjunto de todos los resultados de un experimento a los cuales
podemos asignar una ocurrencia o una probabilidad, lo que permite obtener grficos que entre los
ms importantes tenemos:
Ley de densidad o probabilidad
Funcin de distribucin
Valor esperado o esperanza matemtica (E(x)) es el valor medio ponderado de todos los
resultados que toma la variable aleatoria y se define como la sumatoria siendo Pi la probabilidad
de Xi y Xi la variable aleatoria.
E(x) = Pi Xi
m
=1

Varianza.- Es la diferencia entre la variable aleatoria y al esperanza matemtica, esto elevado al
cuadrado.
I(x) = (xi E(x))
2
m
=1

Desviacin estndar.- Es la reis cuadrada de la varianza
EJERCICIO
Lanzados 4 monedas consideramos el numero de cruces obtenidas calcular dicha variable
aleatoria.
a) La ley de probabilidad
b) La funcin de distribucin
c) La esperanza matemtica, varianza y desviacin estndar
d) La moda, la mediana
Cruz (+) cara
1) = 0 +
2) +,,,; ,+,,; ,,+,; ,,,+ = 1+
3) +,+,,; ,+,+; ,,+,+; +,,,+; +,,+,; ,+,,+ = 2+
4) +,+,+,; +,+,,+; +,,+,+; +,,+,+; ,+,+,+ = 3+
5) +,+,+,+ = 4+
Total probabilidad= 16
a)
x 0 1 2 3 4
P(x) 1/16 1/4 3/8 1/4 1/16

b)


x 0 1 2 3 4
P(x) 1/16 1/4 3/8 1/4 1/16
F(x) 1/16 5/16

11/16 15/16 1/16


0 x<0

1/16 0<=x<1

5/16 1<=x<2
F(x)= 7 3/16 2<=x<4

15/16 x>=4
0
1/20
1/10
3/20
1/5
1/4
3/10
7/20
2/5
0 1 2 3 4
P(x)
P(x)


c)
E(x) = Pi Xi
m
=1

E(x) =
1
16
u +
1
4
1 +
3
8
2 +
1
4
S +
1
16
4

d)
I(x) = (xi E(x))
2
m
=1

=(u 2)
1
16
+ (1 2)
1
16
+

MODA = 2
Complete la ley de probabilidad siguiente sabiendo que la esperanza matemtica es 1.8 y realizar
el grafico de la distribucin, obtener la varianza.
x 0 1 2 3
P(x) 0,2 a b 0,3
F(x) 0,2 0,3 0,7 1
E(x)=1,8
1,8= 0(0,2)+1(a)+2(b)+3(,3)
0
1/5
2/5
3/5
4/5
1
0 1 2 3 4
F(x)
F(x)
1,8=a+2b+,9
a=0,1 b=0,4






0,0 x<0

0,2 0<=x<1

0,3 1<=x<2
F(x)= 0,7 2<=x<3
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0 1 2 3
P(x)
P(x)
0
0,2
0,4
0,6
0,8
1
1,2
0 1 2 3
F(x)
F(x)

1,0 x>=3

V(X)=4 o(X) = 2

Distribuciones de Variables Aleatorias

Distribucin Binomial
Distribucin de Poisson
Distribucin Hipergeometrica

Distribucin Binomial

Es uno de los modelos matemticos mas tiles, la misma q se utiliza cuando la variable aleatoria
discreta de inters es el numero de xitos en una muestra compuesta por n observaciones. La
distribucin binomial tiene 4 propiedades fundamentales:
La muestra se compone de un nmero fijo de observaciones n.
Cada observacin se clasifica en 1 de 2 categoras normalmente denominadas xitos y
fracasos.
La probabilidad de que una observacin se clasifique como xito (p) es constaste de una
observacin se clasifique como falso (1-p) es constante en todas las observaciones.
El resultado (xito o fracaso) de cualquier observacin es independiente del resultado de
cualquier otra observacin.

Existe un modelo matemtico que brinda una formula general para calcular cualquier probabilidad
binomial. La ecuacin es el modelo matemtico que se utiliza para representar la distribucin
binomial y calcular el nmero de xitos (x) dados los valores n y p.

P(x) =
n!
x! (n x)!
p
x
q
n-x

X= variable aleatoria
P= numero de xitos
Q= numero de fracasos
N= tamao de la muestra

mcJio Jc Jistribucion binomiol
u(x) = n p

Jcs:iocion
o(x) = n p q

Ejercicio:
En cierta poblacin la prevalencia de alergia es del 20 %. Si se selecciona una muestra aleatoria de
n=10. Calcular la probabilidad de que la muestra contenga:
a) Un alrgico
b) Ms de 6 alrgicos
c) Tres o menos alrgicos

a) P(x = 1) =
n!
x!(n-x)!
p
x
q
n-x

P(x = 1) =
1u!
1! (9)!
u.2
1
u.8
9

P(x = 1) = u.26 = 26%

b) P(x>6) = P(x=7) + P(x=8) + P(x=9)+ P(x=10)
P(x=7)= 7,864 1u
-4

P(x=8)= 7,S72 1u
-5

P(x=9)= 4,u96 1u
-6

P(x=10)= 1,u24 1u
-7

P(x>6) = 8,64 1u
-4


a) P(x<=3) = P(x=0) + P(x=1) + P(x=2)+ P(x=3)
P(x=0) = 0, 1073
P(x=1) = 0, 2384
P(x=2) = 0, 3019
P(x=3) = 0, 2013
P(x<=3) = 0, 8789

Un agente de seguros vende plizas a 5 personas de la misma edad y que tiene buena salud. Segn
las tablas actuales la probabilidad de que una persona en estas condiciones viva 30 aos o ms es
2/3. Hallar la probabilidad que transcurrido 30 aos vivan las 5 personas, al menos 3 personas y
exactamente 3 personas.

a) P(x = S) =
n!
x!(n-x)!
p
x
q
n-x

P(x = S) =
S!
S! (u)!
2S
5
1S
0

P(x = S) = u.1S2 = 1S.2%

b) P(x>=3) = P(x=3) + P(x=4) + P(x=5)

P(x = S) =
n!
x! (n x)!
p
x
q
n-x

P(x = S) =
S!
S! (2)!
2S
3
1S
2

P(x = S) = u.S29

P(x = 4) =
n!
x! (n x)!
p
x
q
n-x

P(x = 4) =
S!
4! (1)!
2S
4
1S
1

P(x = 4) = u.S29
P(x>=3) = 0, 132 + 0, 329 + 0, 329
P(x>=3) = 0, 79 = 79%

c) P(x = S) =
n!
x!(n-x)!
p
x
q
n-x

P(x = S) =
S!
S! (2)!
2S
3
1S
2

P(x = S) = u.S29 = S2,9%

En una urna hay 30 bolas 10 rojas y 20 blancas. Se elije una bola al azar y se anota si es rija, el
proceso se repite devolviendo la bola 10 veces, calcular la media y la desviacin tpica.

u(x) = n p
u(x) = 1u 1S
u(x) = S.SS

o(x) = n p q
o(x) = 1u 1S 2S
o(x) = 2u9
o(x) = 1.49



Distribucin de Poisson

Se utiliza en situaciones donde las sucesiones son imprescindibles o de ocurrencia aleatoria, en
otras palabras no se sabe el total de posibles resultados.
Permite determinar la probabilidad de ocurrencia de un evento con resultado discreto.
Es muy til cuando la muestra o segmento n es grande.
Se utiliza cuando la probabilidad del evento que nos interesa se distribuye en un segmento n,
dado como por ejemplo el rea, volumen, tiempo, distancia, etc.

P(x) =
z
x
c
-x
x!

u(x) = z
o = z
Ejemplo:
La probabilidad de que haya un accidente en una compaa de manofactiras es de 0,02 por cada
dia de trabajo, si se trabaja 300 dias al ao, cual es la probabilidad de tener 3 accidentes?.

P=0.02 *300 = 6 =
X = 3
P(x = S) =
6
3
c
-6
S!

P(x = S) = u.u89
P(x = S) = 8.9%

Ejemplo:
En una gasolinera sigue la distribucin de poisson de = 1.6
a) El nmero de vehculos que lleguen sea superior a 3
b) Que este comprendido entre 2 y 5
c) Que llegue algn vehculo

a) P(x>3) = 1 = 0.08
P(x=0) = 0.2
P(x=1) = 0.32
P(x=2) = 0.25
P(x=3) = 0.14
---------=

b) P(2<=x<=5) =
P(x=2) = 0.24
P(x=3) = 0.14
P(x=4) = 0.05
P(x=5) = 0.02
P (2<=x<=5) = 0.046

c) P(x=0) = 1 0.2 = 0.8


Distribucin de Poisson

En la distribucin binomial y geomtrica los ensayos son indispensables, es decir el resultado de
uno de los ensayos no tienen ningn efecto sobre el resultado que se obtenga es otro ensayo. Esto
se debe a que los ensayos se realiza con remplazo. Pero que sucede si dichos ensayos se realizan
sin remplazos entonces se obtiene una distribucin llamada hipergeomtrica.

P(x = k) =

N1
k

N2
k

N
n

N= tamao de la poblacin
N1, N2 = nmero de elementos de la poblacin original que pertenecen a la categora deseada
n= tamao de la muestra extrada
k=nmero de elementos en la muestra que pertenecen a dicha categora
Ejemplo:
En una urna hay 7 bolas blancas y 5 negras, se sacan 4 bolas, cual es la probabilidad de que 3 sean
blancas?

P(x = k) =

N1
k

N2
k

N
n

P(x = S) =

7
S

S
1

12
4

P(x = S) =
SS S
49S
= u.SS

Ejemplo:
En una fiesta hay 20 personas 14 casados y 6 solteras, se eligen 5 personas al azar cual es la
probabilidad de que los 5 sean solteros, de que al menos 2 sean solteros y que ninguno sea
soltero.
a) P(x = k) =

N1
k

N2
k

N
n

P(x = S) =

14
S

6
u

2u
S

P(x = S) =
2uu2 1
1SSu4
= u.129

b) P(x 2) =

14
0

6
S

20
S

14
1

6
4

20
S

14
2

6
3

20
S

P(x 2) =
1 6
1SSu4
+
14 1S
1SSu4
+
91 2u
1SSu4

P(x 2) = u,uuuS869 +u,u1SS44 +u,117S89
P(x 2) = u,1S1S

c) P(x = u) =

14
0

6
S

20
S

P(x = u) = u,uuuS869






Variable Aleatoria Continua

Definicin: Una variable aleatoria x es absolutamente continua si existe una
funcin.
F: R R
+
tol quc
F(x) = ] {(t)Jt
x
-


Nota: La funcin f se llama funcin de densidad de la variable aleatoria x
Comentarios:
1.- Si x es variable aleatoria continua entonces f es continua.
2.- F es continua si y solo s P(x=xo)=0 para todo Xo ER
3.- Si x es variable aleatoria contina entonces
P(a<=x<=b)=F(b)-F(a)=] {(x)Jx
b
u
para todo a<=b

Propiedades de la funcin de densidad
Son funciones que van {: R R que cumple dos propiedades.
a){(x) > u x R
b) ] {(x)Jx = 1

-

Relacin entre la funcin de densidad y la funcin de distribucin si se
conoce la funcin de distribucin de una variable aleatoria continua puede
calcularse su funcin de densidad derivando es decir f(x)=f~(x) x R donde
f es derivable.
Esperanza Matemtica.
F(x) = _ x. (x). dx

-

Varianza de x
Far(x) = F(X
2
) (F(x))
2


Ejercicios:
1.- La variable aleatoria continua x toma valores entre 1y5 y tiene una
funcin de densidad {(x) = u,S ox, a es una constante. Hallar:
a) El valor del parmetro a
b) La probabilidad entre 2 y 3 P(2<x<3)=?
c) La probabilidad entre 0 y 4 P(0<x<4)=?
d) E(x)=?
e) Var(x)=?
_ {(x)Jx = 1

-

_ (u,S ox)Jx
5
1
= 1
_ u,SJx _ oxJx = 1
5
1
5
1

u,Sx _
5
1
ox
2
2
_ = 1
5
1

|(u,S(S)) (u,S(1))] _
2So
2

o
2
_ = 1
o =
1
12

{(x) = u,S
x
12

Grafica cuando vale =1
Vale=5

0,41

0.008
1 2 3 4 5

b) ] [u,S
x
2
Jx =
8
2

_ u,SJx _
x
12
3
2
Jx
3
2
=
|u,S(S) u,S(2)] j[
9
24
[
4
24
[ = 0.2916
c) P(0<x<4)= 0+] (u,S
x
12
)Jx
4
1

= _ [u,S
x
2
Jx
4
1

=u,Sx
4
1
x
2
24
.
4
1

=[(0,5(4))-0,5(1)]-[(
16
24
) (
1
24
)]
=0,875
d) E(x) = ] x{(x)Jx

-

E(X) = _ .
5
1
x(u,S
x
12
)Jx
E(x) = _ x(u,S
x
2
12
)Jx
5
1

E(X) =
u,SX
2
2
_ .
5
1

X
3
S6
_ .
5
1

E(X) = 2,SS
e) Var(x)=E(X
2
) (E(X))
2

Ior = _ x
2
[u,S
x
12
Jx (2,SS)
2
5
1

Ior = u,S
x
3
S
_
x
4
48
_ (2,SS)
2
5
1
5
1

Ior = 1,16

2.- Sea una variable aleatoria cuya funcin de densidad viene dada por f(x),
calcule su funcin de distribucin.
F(x)=
x
2
u x 2
0 en cualquier otro caso


f(x)=


x<0
{(x) = _ {(t)Jt
x
-
= _ uJt
0
-
= u
0<=x<=2
{(x) = _ {(t)Jt +_ {(t)Jt
x
0
=
x
2
4
0
-

2 < x
{(x) = _ {(t)Jt
2
-
+ _ {(t)Jt

2
= 1

3) Una calculadora genera nmeros al azar en el intervalo [0,1], con igual
probabilidad para cada nmero del intervalo. Una variable as definida es
continua, y adems de reparte uniformemente la probabilidad en el intervalo
[0,1]. La funcin de densidad es.

f(x)= 1 Si 0<=x<=1
0 cualquier otro caso
] {(x)Jx

-
= ] 1Jx
1
0
= 1(x)1 = (1 u) = 1


1


4.- Se tiene Y la funcin de densidad.
[
3
2
y
2
+y u y 1
f(y)= 0 en cualquier otro punto

E(y) = _ y __
S
2
y
2
+yJy
1
0

E(y) =
S
2

y
4
4
_ +
1
0
y
3
S
_ .
1
0

E(y) =
S
8
+
1
S
= u,7u8

:(y) = u,SS (u,7u8)
2

:(y) = u,u487
E(y
2
) = _ y
2
(
S
2
y
2+
1
0
y)Jy
E(y
2
) =
S
2

y
5
S
_ +
y
4
4
_ .
1
0
1
0

E(y
2
) =
S
1u
+
1
4
= u,SS





Distribucin Normal

u u +
u = Media
: =Desviacion tpica
u = p n
=
x u

I = n p q
E(x)=u
Var(x)=:
2

Funcin de densidad=
1

2
2
c
1
2
[

2

1) A un grupo de 1200 estudiantes elegidos al azar y de edades de 15 a 18
aos. Suponiendo que el test y los resultados obedecen una ley normal
de media 94 y desviacin tpica 10,5. Hallar el nmero de estudiantes
con coeficientes:
a) Mayores e iguales a 90 puntos.
b) Con 100 puntos.
c) Inferior a 80 puntos.

0,1480
94
a)P(X>=40)=?
=
x u
:

=
9u 94
1u,S

= u,S8 = u,S8 P(x 9u) = u,148u+0,5
=0,648
Nmero de estudiantes P(>=90)=0,648*1200
P(>=90)=776
b) P(X=100)

94 99,5 100 100,5

P(X=100)=?
1 =
99,5-94
10,5
=0,52 0,1985
Z2=
100,5-94
10,5
= u,62 0,2324
P(X=100)=0,23-0,1985
P(X=100)=0,034
Nmero de estudiantes = 0,034*12000
=408 estudiantes
c) P(x<80)=?

79,5 80 94
1 =
94-79,5
10,5
= 1,S8 0,4162
P(X<80)=0,5-0,4162
P(X<80)=0,084
Nmero de estudiantes: 0,084*12000
Nmero de estudiantes: 1008

2) Un experimento consiste en lanzar 2 dados 90 veces. Hallar la
probabilidad de que el resultado de la suma de sus caras nos de 7
entre 10 y 15 veces inclusive utilizando distribucin normal
u = p n p =
1
6
; q =
5
6

u =
1
6
9u
u = 1S
o =

9u _
1
6
(
S
6
)
= S,S4


10 15
=
1u 1S
S,S4

Z=1,41 0,4207