UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

Curso: ESTADSTICA COMPLEJA

PRESENTADO POR:
JOSE ALEXANDER CACERES
CODIGO: 4194174
MISAEL ARTURO TRIANA SNCHEZ
CODIGO 4192163





PRESENTADO A:
JAVIER ERNESTO RODRGUEZ




Mayo de 2014




DESARROLLO TEMATICO
VARIABLE ALEATORIA DISCRETA: Una variable aleatoria X es discreta
cuando el nmero de valores que puede tomar es finito o infinito contable. Esta
debe cumplir con los siguientes requisitos:

.X 0 1 2
P(X=x) 0,02 0,42 0,56
P(X=x) =P(X=0) +P(X=1) +P(X=3)
P(X=x) =0.02+0.42+0.56
P(X=x) =1


Funcin de probabilidad:
Debe cumplir los siguientes requisitos:


Determine si la funcin f(x)=P(X=x)= x/8 es una funcin de probabilidad, donde x
puede ser (1,2 o 5)

X 1 2 5
F(x)=P(X=x) 1/8 2/8 5/8

f(x)= 1/8+2/8+5/8= 1 Si es una funcin de probabilidad, ya que cumple con los
requisitos

VARIABLE ALEATORIA DISCRETA

Se dice que una variable aleatoria X es discreta si el nmero de valores que puede
tomar es finito (o infinito contable). Frecuentemente el inters recae en la




probabilidad de que una variable aleatoria tome un valor particular, para ello se
requiere primero definir claramente la variable aleatoria. Ser importante pues,
acordar la siguiente simbologa: {X = x} de notar el evento formado por todos los
resultados para los que X = x y P(X = x) ser la probabilidad de dicho evento.
La distribucin de probabilidad de una variable aleatoria X es una descripcin del
conjunto de posibles valores de X, junto con la probabilidad asociada con cada
uno de estos valores. Esta distribucin bien puede ser una grfica, una tabla o una
ecuacin que da la probabilidad de cada valor de la variable aleatoria y se
considera como el resumen ms til de un experimento aleatorio. Toda
distribucin de probabilidad debe satisfacer cada uno de los dos requisitos
siguientes:

Cuando la distribucin de probabilidad se describe a partir de una ecuacin, se le
denomina funcin de probabilidad. Esta funcin f (x) = P(X = x) va del conjunto de
los valores posibles de la variable aleatoria discreta X (denominado rango de X) al
intervalo [0,1] y satisface las siguientes propiedades:

TEOREMA DE HBYSHEV: Para demostrar cmo la desviacin estndar es
indicadora de la dispersin de la distribucin de una variable aleatoria, el
matemtico ruso Pafnuty Lvovich Chbyshev desarroll un teorema en el que
ofrece una garanta mnima acerca de la probabilidad de que una variable
aleatoria asuma un valor dentro de k desviaciones estndar alrededor de la media.
La desigualdad de Chbyshev es muy importante, ya que permite determinar los
lmites de las probabilidades de variables aleatorias discretas o continuas sin tener
que especificar sus funciones de probabilidad. Este teorema asegura que la
probabilidad de que una variable aleatoria se aleje de la media no ms de k
desviaciones estndar, es menor o igual a 1/k2 para algn valor de k >1. Aunque
la garanta no siempre es muy precisa, la ventaja sobre este teorema es su gran
generalidad por cuanto es aplicable a cualquier variable aleatoria con cualquier
distribucin de probabilidad, ya sea discreta o continua.


DISTRIBUCIN HIPERGEOMTRICA: El muestreo se haca con reemplazo,
asegurando la independencia de los ensayos y la probabilidad constante.
Caractersticas de los experimentos que tienen 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

DISTRIBUCION DE POISSON: Es el principal modelo de probabilidad empleado
para analizar problemas de lneas de espera, confiabilidad y control de calidad. La




distribucin de Poisson se utiliza en situaciones donde los sucesos son
impredecibles o de ocurrencia aleatoria. En otras palabras no se sabe el total de
posibles resultados. Permite determinar la probabilidad de ocurrencia de un
suceso con resultado discreto. Es muy til cuando la muestra o segmento n es
grande y la probabilidad de xitos p es pequea. Se utiliza cuando la probabilidad
del evento que nos interesa se distribuye dentro de un segmento n dado como por
ejemplo distancia, rea, volumen o tiempo definido. Se utiliza en situaciones
donde los sucesos son impredecibles o de ocurrencia aleatoria. En otras palabras
no se sabe el total de posibles resultados. Permite determinar la probabilidad de
ocurrencia de un suceso con resultado discreto. Es muy til cuando la muestra o
segmento n es grande y la probabilidad de xitos p es pequea. Se utiliza cuando
la probabilidad del evento que nos interesa se distribuye dentro de un segmento n
dado como por ejemplo distancia, rea, volumen o tiempo definido. A continuacin
veremos la funcin de probabilidad de la distribucin de Poisson. Dnde:


P (X=K) es la probabilidad de ocurrencia cuando la variable discreta X toma
un valor finito k.
= Lambda es la ocurrencia promedio por unidad (tiempo, volumen, rea, etc.).
Es igual a p por el segmento dado
La constante e tiene un valor aproximado de 2.711828
K es el nmero de xitos por unidad.

LA DISTRIBUCIN BINOMIAL: En las empresas tenemos muchas situaciones
donde se espera que ocurra o no un evento especfico. ste puede ser de xito o
fracaso sin dar paso a un punto medio. Por ejemplo, en la produccin de un
artculo, ste puede salir bueno o malo. Casi bueno no es un resultado de inters.
Para situaciones como stas se utilizan la distribucin binomial, en este mdulo se
describe el uso de la distribucin binomial para obtener la probabilidad de
ocurrencia de ese evento que representa un resultado esperado. El mdulo va
dirigido al estudiantado de Administracin de Empresas en sus distintas
concentraciones.

DISTRIBUCIN UNIFORME: Se dice que una variable X tiene una distribucin
uniforme en el intervalo [a,b], Cuando su funcin de densidad es la siguiente:
f(x)=1/b-a si a < x < b




Con esta ley, la probabilidad de que al realizar un experimento aleatorio, el valor
de X este comprendido en un subintervalo de [a,b] depende solamente de la
longitud del semejante, no de su posicin. Ejemplo: El precio de la leche
considerado para el prximo mes ser entre 1500 y 1600 por litro. Calcular la
funcin de distribucin y el precio medio esperado:

F(x)= 1 = 3.2
1600-1500
El precio medio esperado
E(x)= 1500+1600 = 1550
2


MICELANEA DE EJERCICIOS
CAPITULO 4
5.- Suponga que un comerciante de joyera antigua est interesado en comprar
una gargantilla de oro para la cual las probabilidades de poder venderla con una
ganancia de $ 250, $ 100, al costo, o bien con una prdida de $150 son:
respectivamente: 0.22, 0.36, 0.28, 0.14. Cul es la ganancia esperada del
comerciante?
SOLUCION
La variable X es 250, 100, 0, 150
La probabilidad es 0.22, 0.36, 0.28, 0.14

() ( )

() ( )

()

9.- Sea X una variable aleatoria continua con funcin de densidad





a.- Determine el valor de a para que la funcin sea efectivamente una funcin
de densidad de probabilidad
b.- Calcule P (1 < X < 2)
Solucin:

a). Para que sea distribucin de probabilidad debe cumplir La variable x
corresponde a 0, 1, 2 y 3
[(()

) (()

) (()

) (()

)]
[0+4 +10+18]=1
(32)=1
=

El Valor correspondiente a =

= 0.031

b). P (1 < X < 2)= ()

P (1 < X < 2)=

()

P (1 < X < 2)==

[(

) (

)]
P (1 < X < 2)==

*(
()

()

) (
()

()

)+

[(

) (

)]
P (1 < X < 2)=

El valor de P es de 0.17

CAPITULO 5
12.- Los registros muestran que el 30% de todos los pacientes admitidos a una
clnica mdica no pagaron sus cuentas y estas nunca fueron cobradas. Si llegan




cuatro pacientes nuevos a la clnica, encuentre la probabilidad de que una cuenta
de estas no sea cobrada.

Se emplea la distribucin binomial con n = 4, p = 0,30, x = 1.

La frmula es P(x) = n!/[x!(n-x)!] p^x (1 - p)^(n-x)

En este caso:
P(1) = 4!/(1!3!) 0,3^1 x 0,7^3 = 4 x 0,3 x 0,343 = 0,4116 = 41,16%


10. Un jugador tiene tres oportunidades de lanzar una moneda para que
aparezca una cara, el juego termina en el momento en que cae una cara o
despus de tres intentos, lo que suceda primero. Si en el primero, segundo o
tercer lanzamiento aparece cara el jugador recibe $20000, $40000 o $80000
respectivamente, si no cae cara en ninguno de los tres pierde $200000. Si X
representa la ganancia del jugador:

a.- Encuentre la funcin de probabilidad f(x)
b.- Encuentre el valor esperado E(x), la varianza V(x) y la desviacin estndar S(x)
Probabilidad de sacar cara en la primera tirada = Probabilidad de tirar una moneda
y que salga cara

()

( )

Probabilidad de sacar cara en la segunda tirada = Probabilidad de tirar una
moneda y que salga ceca la primera vez y volver a tirarla y que salga cara la
segunda vez

( )

( )

Probabilidad de sacar cara en la tercera tirada = Probabilidad de tirar una moneda
y que salga ceca la primera vez y volver a tirarla y que salga ceca la segunda vez
y volver nuevamente tirarla y que salga cara

( )

( )

Probabilidad de no sacar cara en ninguna de las tres tiradas = Probabilidad de tirar
una moneda y que salga ceca la primera vez y volver a tirarla y que salga ceca la
segunda vez y volver nuevamente tirarla y que salga ceca

( )

( )

Ganancia esperada
() () ()
( ) ( )

Ganancia esperada
( )

Ganancia esperada
( )

1. En una clase de ciencias naturales de 12 alumnos se elegir un representante
de grupo, para lo cual se usar el nmero de lista de cada alumno. Se anotan
12 papeles con nmeros del 1 al 12 respectivamente se doblan y se meten en
un frasco. Luego se extrae al azar un papel para designar al representante.
Determine la probabilidad de que el nmero que salga sea menor que 5;
determine la probabilidad de que el numero sea mayor que 3 pero menor que 7
La probabilidad P de un evento A o P(A) se calcula con el cociente del nmero de
casos favorables "n" sobre el nmero de casos posibles "E"

() los casos posibles en este problema son 12


Evento A: extraer un nmero menor que 5
n=4 (si sale 1, 2, 3, 4)
()

Evento B: extraer un nmero mayor que 3, pero menor que 7
n=3 (si sale 4, 5, 6)
()
Suponga que un comerciante de joyera antigua est interesado en comprar una
gargantilla de oro para la cual las probabilidades de poder venderla con una
ganancia de $ 250, $ 100, al costo, o bien con una prdida de $150 son:




respectivamente: 0.22, 0.36, 0.28, 0.14. Cul es la ganancia esperada del
comerciante?
SOLUCION
La variable X es 250, 100, 0, 150
La probabilidad es 0.22, 0.36, 0.28, 0.14

() ( )

() ( )

()
Sea X una variable aleatoria continua con funcin de densidad

a.- Determine el valor de a para que la funcin sea efectivamente una funcin
de densidad de probabilidad
b.- Calcule P (1 < X < 2)
Solucin:

a). Para que sea distribucin de probabilidad debe cumplir La variable x
corresponde a 0, 1, 2 y 3
[(()

) (()

) (()

) (()

)]
[0+4 +10+18]=1




(32)=1
=

El Valor correspondiente a =

= 0.031
b). P (1 < X < 2)= ()

P (1 < X < 2)=

()

P (1 < X < 2)==

[(

) (

)]
P (1 < X < 2)==

*(
()

()

) (
()

()

)+

[(

) (

)]
P (1 < X < 2)=

El valor de P es de 0.17
Los registros muestran que el 30% de todos los pacientes admitidos a una clnica
mdica no pagaron sus cuentas y estas nunca fueron cobradas. Si llegan cuatro
pacientes nuevos a la clnica, encuentre la probabilidad de que una cuenta de
estas no sea cobrada.
Se emplea la distribucin binomial con n = 4, p = 0,30, x = 1.
La frmula es P(x) = n!/[x!(n-x)!] p^x (1 - p)^(n-x)
En este caso:
P(1) = 4!/(1!3!) 0,3^1 x 0,7^3 = 4 x 0,3 x 0,343 = 0,4116 = 41,16%









BIBLIOGRAFIA

Mdulo de estadstica compleja UNAD
http://www.slideshare.net/jesussanval/la20-distribucion20de20-poissonl20ejer1
http://www.slideshare.net/roxanaparedes27/distribucion-de-poisson
www.itch.edu.mx/academic/.../03Ddistr%20Hipergeometrica.htme