UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA: SOFTWARE
DOCENTE: ING. ALONSO ANGUIZACA JOSE LUIS
CURSO: ESTADÍSTICA II 4 - 5
INTEGRANTES:
- Brayan Fabian Morales Soledispa
- José Luis Sellan Alvarado
- Leonardo Israel Sellan Fajardo
- Jazmín Elena Velasco Macías
- Kevin Michael Tamayo Florea
Ejercicio #1
Sea la función de densidad:
Traza la gráfica correspondiente
Encuentra 𝑃(0,5 < 𝑥 < 1)
1
𝑃(0,5 < 𝑥 < 1) = ∫ 6𝑥(1 − 𝑥) 𝑑𝑥 = 3𝑥 2 − 2𝑥 3 + 𝐶
0,5
[(3(1) − 2(1)] − [3(0,5) − 3(0,5)] = 1 − 0,5 = 0,5
Ejercicio #2
Sea la función de densidad
Traza la gráfica correspondiente:
Encuentra 𝑃(1/4 < 𝑥 < 1/2)
1
2
1 1 𝑘𝑥 2 (2𝑥 − 3)
𝑃 ( < 𝑥 < ) = ∫ 𝑘𝑥(1 − 𝑥) 𝑑𝑥 = − +𝐶
4 2 6
1
4
1 1 1 1
𝑘(2)2 (2 2 − 3) 𝑘(4)2 (2 4 − 3) 11𝑘
[− ] − [− ]=
6 6 192
1 1 1
Encuentra 𝑃(𝑥 > 3 / 4 < 𝑥 < 2)
1 1
1 𝑘(1)2 (2(1) − 3) 𝑘(3)2 (2 3 − 3) 10𝑘
𝑃 ( < 𝑥 < 1) = [− ] − [− ]=
3 6 6 81
10𝑘
81 = 1920𝑘 = 2,15
11𝑘 891𝑘
192
Cuestionario
1.- ¿Que es una variable aleatoria?
una variable aleatoria es una función que asigna un valor, numérico, al resultado de un
experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado dos veces: (1, 1),
(1, 2), etc. o un número real (por ejemplo, la temperatura máxima medida a lo largo del día en
una ciudad concreta).
2.- ¿Cómo se define una variable aleatoria discreta y una continua?
Una variable discreta es una variable que no acepta cualquier valor, solo aquellos que
pertenecen al conjunto. se determina una variable discreta como la variable que hay entre dos
valores observables, hay por lo menos un valor no observable. Como ejemplo, el número de
animales en una granja (0, 1, 2, 3, 4, 5, 6, 7, …). Otro ejemplo sería el número de hijos en una
familia (1; 2; 3; 4; …).
Una variable continua puede tomar un valor fijo dentro de un intervalo determinado. Y
siempre entre dos valores observables va a existir un tercer valor intermedio que también
podría tomar la variable continua. nunca puede ser medida con exactitud; el valor observado
depende en gran medida de la precisión de los instrumentos de medición. Con una variable
continua hay inevitablemente un error de medida. Como ejemplo, la estatura de una persona
(1,72 m; 1,719 m; 1,718 6 m....).
3- ¿En qué se diferencia una función de probabilidad de una función de densidad de
probabilidad? ¿Cuáles son las propiedades de cada una?
Se llama función de probabilidad de una variable aleatoria discreta X a la aplicación que asocia
cada valor de xi o Y de la variable su probabilidad que no debe exceder la unidad ,
gráficamente se representa en un diagrama de barras y la sumatoria de probabilidades se debe
de obtener la unidad, mientras una función de densidad de probabilidad es una teoría para
definir cómo se distribuye una variable numérica en una determinada población o muestra
permitiéndonos así calcular el área debajo de la curva en un determinado intervalo
4.- ¿Cómo se representa gráficamente la probabilidad en una variable aleatoria
discreta y una variable aleatoria continua?
Para representar gráficamente la probabilidad en una variable aleatoria discreta primero se
debe de tener en cuanta cuantos posibles resultados se pueden obtener aleatoriamente, luego
calculamos la probabilidad de cada uno usando la fórmula de probabilidad
Después verificamos que la suma de las probabilidades de como resultado la unidad para
después representarlo gráficamente teniendo en cuenta que X son los resultados posibles y
“Y” son la probabilidad.
Ejemplo:
Para representar gráficamente la probabilidad en una variable aleatoria continua primero se
tiene que tomar en cuenta el valor más pequeño y después el valor más grande,
hipotéticamente seria: , por lo tanto podremos formar una integral de la
manera el grafico dependería de los valores mínimos y máximos, ejemplos
de gráficos posibles serian:
En estadística el área bajo la curva podría tener forma
triangular o rectangular, como, por ejemplo:
5.- ¿Cómo se define la función de probabilidades acumuladas en una variable
aleatoria discreta y en una continua? ¿Cómo se representan cada una? ¿Cuáles son
sus propiedades?
En la teoría de la probabilidad y en estadística, la función de distribución
acumulada (FDA, designada también a veces simplemente como función de
distribución o FD) o función de probabilidad acumulada asociada a una variable
aleatoria real X sujeta a cierta ley de distribución de probabilidad, es una función
matemática de la variable real X que describe la probabilidad de que X tenga un
valor menor o igual que .
Función de Probabilidad Acumulada
La función distribución acumulada de la variable aleatoria discreta , cuya
distribución de probabilidad es , es la probabilidad de que la variable sea
menor o igual al valor Esto es,
Ejemplo
Para el ejemplo tratado anteriormente, La función distribución acumulada de la
variable aleatoria discreta es determinada así:
1. Divida el rango de la variable en subintervalos: y . Esta
división es realizada de acuerdo con la partición de la recta real dada en la función de
probabilidad.
2. Calcule la función de probabilidad acumulada para un valor que se encuentre en
el intervalo como la suma de las probabilidades de los valores de la variable menores
a .
ya que según la definición de la función de
probabilidad cuando como es en este caso.
Luego La función distribución acumulada de la variable aleatoria discreta es
dada por
Caso Continuo
Una variable es llamada continua si toma todos sus valores sobre un intervalo de la
recta real. Esto es, el conjunto es un intervalo sobre . Como
ejemplo este caso se puede considerar variables tiempo, edad y estatura.
Función de Densidad
Sea una variable aleatoria definida sobre La función de
densidad es dada por alguna función integrable sobre tal que
para todo evento
Teorema
Sea una variable aleatoria definida sobre . Toda función que es
integrable sobre y satisface:
es la función de densidad de alguna variable aleatoria continua .
Este teorema nos sirve para determinar cuándo una función integrable sobre es una
función de densidad de alguna variable aleatoria continua .
Ejemplo
Sea una función sobre dada por
Esta es una función integrable que satisface que para todo como se
puedo observar en la figura 1.
GRAFICOS INDEPENDIENTES DEL EJEMPLO
Propiedades de la función de probabilidad de una variable discreta:
Es una función acotada:
La suma es la unidad, .
Además, si conocemos la función de probabilidad podemos obtener la función de
distribución y viceversa de la siguiente manera:
•
Ejemplo: en la gráfica apreciamos la función en escalera (la distribución) de la variable
discreta anterior, superpuesta con la función de probabilidad
Propiedades de la función de densidad:
1. Es una función positiva:
2. Su integral es la unidad
Además, si conocemos la función de densidad podemos obtener la función de
distribución y viceversa de la siguiente manera:
• por ser la función de densidad la derivada de la función
de distribución.
Ejemplo: la gráfica muestra una función de densidad
6.- Cuando se habla de una función de distribución de probabilidades.
¿A qué función se refiere?
Dada una variable aleatoria x, su función de distribución, 𝒇x(x), es
7) ¿Cómo se interpreta F(a)? (Expresa F(a) de todas las formas posibles y grafica F(a) )
Función de distribución
En la teoría de la probabilidad y en estadística, la función de distribución acumulada
(FDA, designada también a veces simplemente como función de distribución o FD) o
función de probabilidad acumulada asociada a una variable aleatoria real {\displaystyle
X}X sujeta a cierta ley de distribución de probabilidad,
Función de distribución acumulada
Normal con media = 12 y desviación estándar = 0.25
x P( X ≤ x )
11.5 0.022750
12.5 0.977250
Función de distribución acumulada
Uniforme discreto desde 1 hasta 6
x P( X ≤ x )
1 0.16667
2 0.33333
3 0.50000
4 0.66667
5 0.83333
6 1.00000
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA: SOFTWARE
DOCENTE: ING. ALONSO ANGUIZACA JOSE LUIS
CURSO: ESTADÍSTICA II 4 - 5
INTEGRANTES:
- Brayan Fabian Morales Soledispa
- José Luis Sellan Alvarado
- Leonardo Israel Sellan Fajardo
- Jazmín Elena Velasco Macías
- Kevin Michael Tamayo Florea
Taller # 3: Distribuciones binomiales
Resolver los siguientes ejercicios:
7. Considere una variable aleatoria binomial con n= 5 y p = 0.6. Aísle la columna apropiada en
la tabla 1 y llene las probabilidades siguientes. Una de las probabilidades, P(x ≤ 3) ya esta
llena.
k 0 1 2 3 4 5
P(x ≤ k) 1.010 0.077 0.23 0.663 0,259 0,078
Cuando k = 0.
5!
𝑃(𝑋 = 0) = 𝐶05 ∗ 0.60 ∗ (1 − 0.6)5−0 = ∗ 0.60 ∗ 0.45 = 1.010
0! (5 − 0)!
5!
𝑃(𝑋 = 1) = 𝐶15 ∗ 0.61 ∗ (1 − 0.6)5−1 = ∗ 0.61 ∗ 0.44 = 0.077
1! (5 − 1)!
5!
𝑃(𝑋 = 2) = 𝐶25 ∗ 0.62 ∗ (1 − 0.6)5−2 = ∗ 0.62 ∗ 0.43 = 0,23
2! (5 − 2)!
5!
𝑃(𝑋 = 4) = 𝐶45 ∗ 0.64 ∗ (1 − 0.6)5−4 = ∗ 0.64 ∗ 0.41 = 0,259
4! (5 − 4)!
5!
𝑃(𝑋 = 5) = 𝐶55 ∗ 0.65 ∗ (1 − 0.6)5−5 = ∗ 0.65 ∗ 0.40 = 0,078
(5
5! − 5)!
8. Complete los espacios en blanco en la tabla siguiente. El segundo problema ya está hecho.
El problema Lista de valores Escriba la Reescriba la Encuentre la
de x probabilidad probabilidad (si probabilidad
es necesario)
4 o menos 3,4 P(x ≤ 4) 0,259
4 o más 4,5 P(x ≥ 4) 1 - P(x ≤ 3) 1 – 0.663 =
0.337
Más de 4 5,6 P(x>4) P(x ≤ 5) 0,078
Menos de 4 2,3 P(x<4) P(x ≤ 3) 0.663
Entre 2 y 4 2,3,4 P(2≤ 𝑥 ≤ 4) P(x ≤ 4) - P(x ≤ 0,259 - 0.077 =
(inclusive) 1) 0,182
Exactamente 4 4 P(x=4) P(x ≥ 4) - P(x ≤ 0.337 - 0,259 =
4) 0,078
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA: SOFTWARE
DOCENTE: ING. ALONSO ANGUIZACA JOSE LUIS
CURSO: ESTADÍSTICA II 4 - 5
INTEGRANTES:
- Brayan Fabian Morales Soledispa
- José Luis Sellan Alvarado
- Leonardo Israel Sellan Fajardo
- Jazmín Elena Velasco Macías
- Kevin Michael Tamayo Flores
1. Subraya la opción correcta
a) Una distribución normal es (simétrica, asimétrica) respecto a la media.
b) La distribución normal estándar tiene media de (0,1) y desviación estándar de
(0,1).
c) La 𝑃(𝑍 ≤ 0) es (1, 0.5)
d) Los puntos de inflexión de una distribución normal se encuentran a (+/-2, +/-1)
desviaciones estándar.
𝑥−𝜇
e) El proceso de cambiar la variable aleatoria X por Z = = se llama
𝜎
(transformación, estandarización).
f) En el punto máximo de una distribución normal se cumple que (media = moda =
mediana, media ≠moda ≠ mediana).
g) Si Z es una variable aleatoria con distribución normal estándar, entonces P (-2 < Z <
2) es aproximadamente igual a (0.99, 0.95, 0.68).
h) Si se transforma una distribución normal en una distribución normal estándar,
entonces lo que no cambia es (la media, la forma, la varianza).
i) Si la probabilidad es menor a 0.5, entonces el valor de Z es (negativo, positivo).
j) En una distribución normal, si la variable aleatoria X tiene un valor positivo muy
grande, entonces tiene una (mayor, menor) probabilidad de ocurrir.
1 – 0.9778 = 0.002222
1 – P (Z < 1,24) = 1 – 0,8925 = 0.1075
La probabilidad de estar por debajo de 1.78 es 0.9635
P (Z < 2.31) – [1 – P (Z < 1.25)]
2.31 –(1 – 1.25)
2-31 – (-0.25)
2.56
P(Z = (18-25) / 5)
P(Z < 1.4) = 0.9192
P(Z = (30-25) / 5)
1- P(Z <= 1)
0.5000
P(Z = (27-25) / 5)
P(Z <= 0.4)
0.6554 – 0.4206
0.2347
σ = √3.1 = 1.76
De acuerdo con la Organización de Naciones Unidas (ONU), los años de educación promedio son
de 8.1 y una varianza de 3.1 en países latinoamericanos. Suponiendo que los años de educación
promedio se distribuyen como una normal, calcula la probabilidad de que un país:
1. Tenga más de 10 años de educación promedio.
2. Tenga entre 7.5 y 10.5 años de educación promedio.
3. ¿A partir de qué valor se tiene el 5% más bajo de educación?
1. La probabilidad de que una persona tenga más de 10 años de educación promedio: 0,86.
2. La probabilidad de que una persona tenga entre 7,5 y 10,5 años de educación promedio: 0,55.
3. A partir de qué valor se tiene el 5% más bajo de educación: 9,015.
◘Desarrollo:
Datos:
μ= 8,1
σ^2= 3,1
σ= √3,1= 1,76
Empleamos la distribución normal estandarizada, esto es N(0,1). Entonces la variable X la
denotamos por Z:
Z= X - μ/σ
donde:
σ=desviación
μ=media
X= variable aleatoria
X≈N (μ= 8,1; σ= 1,76)
1. La probabilidad de que una persona tenga más de 10 años de educación promedio:
2. La probabilidad de que una persona tenga entre 7,5 y 10,5 años de educación promedio:
3. A partir de qué valor se tiene el 5% más bajo de educación:
El 5% más bajo es la probabilidad de tener una educación promedio de 0,05. En la tabla de
distribución normal el valor de Z para una probabilidad de 0,1 es de 0,5199. El valor que
representa dicho % sería el siguiente:
Z= X - μ/σ
0,5199= x-8,1/1,76
0,5199*1,76+8,1= x
x= 9,015
A. - P(Z<1.45)
P (Z>2.01) = 1-P (Z<=1.45) =1-0.9265=0.0735
Solución
La probabilidad de estar por debajo de 1.45 es de 0.9265
B.- P (Z>2.01) = 1-P (Z<=2.01)=1-0.9778=0.002222
Solución
La probabilidad de estar por encima de 2.01 es de 0.9778
C.- P (Z<-1.24) =P (Z>1.24) =1-P (Z<1.24) = 1-0.8925=0.1075
D.P (Z<1.78)
Solución
La probabilidad de estar por debajo de 1.78 es de 0.9625
E.P (-1.25<Z<2.31) =P (Z<2.31)-P (Z<=-1.25)
P (Z<2.31)-P (Z>1.25)
P (Z<2.31)- [1-P (Z<1.25)]
2.31-(1-1.25)
2.31-(-0.25)
2.56
