You are on page 1of 18

TRABAJO COLABORATIVO 2

PROBABILIDAD GRUPO: 100402 – 167

NELLY PATRICIA BERNAL NORA MILENA GUIRAL CANO DARWIN RODRIGUEZ JOSE JAHIR LARA RODRIGUEZ RUBY JULIETA DELGADO

Trabajo presentado a: HERNANDO MORENO LEMUS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD 2010

frases como "probablemente. sus propiedades y los campos de aplicación de las mismas. varianza y desviación estándar. En el lenguaje habitual. "es poco probable que.. La teoría de la probabilidad pretende ser una herramienta para novelizar y tratar con situaciones de este tipo. En términos de su función de probabilidad. "hay muchas posibilidades de que." hacen referencia a esta incertidumbre. Las distribuciones de probabilidad son de tipo discreto y continuo.. valor esperado. Por otra parte. Estos fenómenos... cuando aplicamos las técnicas estadísticas a la recogida. es pertinente comentar que en todo fenómeno. se ven afectados por la incertidumbre. los datos obtenidos tienen un comportamiento específico. la función que la identifica. El estudio de las distribuciones de probabilidad. . Por ejemplo.". es necesario familiarizarse con sus elementos básicos. En la vida cotidiana aparecen muchas situaciones en las que los resultados observados son diferentes aunque las condiciones iníciales en las que se produce la experiencia sean las mismas... según la variable aleatoria que este en cuestión. . análisis e interpretación de los datos. Debido al importante papel desempeñado por la probabilidad dentro de la estadística. al lanzar una moneda unas veces resultará cara y otra cruz. lo que constituye el objetivo del presente tema..".. la teoría de la probabilidad proporciona una base para evaluar la fiabilidad de las conclusiones alcanzadas y las inferencias realizadas. denominados aleatorios. es así como el análisis de las distribuciones de probabilidad permite determinar que distribución de probabilidad es la pertinente para un conjunto de datos. luego dichas distribuciones.INTRODUCCION. sus principios.

 Definir función de probabilidad de una variable aleatoria discreta.  Estandarizar una variable aleatoria. hipergeometrica y Poisson.  Obtener probabilidades de eventos que involucren variables aleatorias discretas o continuas. de las diferentes distribuciones de probabilidad discreta y continua. tales como Media.  Obtener probabilidades de eventos haciendo uso de la función de probabilidad de una variable aleatoria discreta.  Establecer las propiedades de la función de distribución de probabilidad acumulada de una variable aleatoria discreta.  Definir y obtener la varianza y la desviación estándar de una variable aleatoria. . haciendo uso de su función de distribución acumulada. tanto discreta como continua. tanto discreta como continua.  Emplear la distribución normal para aproximar las probabilidades de una variable aleatoria binomial y Poisson. binomial negativa.  Calcular e interpretar parámetros estadísticos. geométrica.  Definir función de densidad de una variable aleatoria continua. binomial. varianza y desviación estándar.OBJETIVOS  Definir variable aleatoria discreta y continua.  Identificar y diferenciar las distribuciones de probabilidad discretas más comunes. como son: distribución uniforme discreta.  Definir y obtener el valor esperado de una variable aleatoria.  Interpretar y utilizar correctamente las tablas existentes para cada una de las distribuciones de probabilidad discretas y continuas.

La distribución de probabilidad de una variable aleatoria X es una descripción Del conjunto de posibles valores de X. Frecuentemente el interés recae en la probabilidad de que una variable aleatoria tome un valor particular.EJERCICIO 1 TRABAJO COLABORATIVO DOS TEMA: DEFINICIÓN DE VARIABLE ALEATORIA DISCRETA. la media o valor esperado de una variable aleatoria discreta X es: μ X = E(X ) Σ x [x *f (x)] PROBLEMA O EJERCICIO SOLUCION f (x) = a(x2 + 4) x = 0. para ello se requiere primero definir claramente la variable aleatoria. acordar la siguiente simbología: {X = x} denotara el evento formado por todos los resultados para los que X = x y P(X = x) será la probabilidad de dicho evento. junto con la probabilidad asociada con cada uno de estos valores. Se simboliza con _ y se calcula al sumar el producto de cada valor de X con su probabilidad correspondiente. 1. una tabla o una ecuación que da la probabilidad de cada valor de la variable aleatoria y se considera como el resumen más útil de un experimento aleatorio. 3 F(x) = 1/ (02 +4) + (12 +4) + (22 +4) + (32 +4) = 1/ (4 +5 +8 + 13) = 1 / 30 . 2. Esta distribución bien puede ser una grafica. DISTRIBUCIÓN DE PROBABILIDAD Y VALOR ESPERADO PARA UNA VARIABLE ALEATORIA DISCRETA ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL PLANTEAMIENTO Determine el valor de a de manera que cada una de las siguientes funciones pueda servir como distribución de probabilidad de la variable aleatoria discreta X FUNDAMENTACIÓN TEÓRICA VARIABLE ALEATORIA DISCRETA Se dice que una variable aleatoria X es discreta si el numero de valores que Puede tomar es finito (o infinito contable). Sera importante pues. Toda distribución de probabilidad debe satisfacer cada uno de los dos requisitos siguientes: • ΣP(X = x) = 1 • 0 ≤ P(X = x) ≤ 1 EL VALOR ESPERADO (también Llamado media o esperanza matemática) de una variable aleatoria discreta X es una medida de posición para la distribución de X. En otras palabras.

1988 DANIEL. George C. Bioestadística. (1990).La FUNCION DE PROBABILIDAD ES DE 1/30 0 SE A 0.033 Tomado de Probabilidad y estadística. Limusa Wiley . Canavos. W. México. McGraw Hill. Aplicaciones y métodos.

Esta función f(x) no es la misma función de probabilidad de una variable aleatoria discreta.33 ejemplo. pero si no sale número primo.66 . gana tantos cientos de dólares como marca el dado. pierde tantos cientos de dólares como marca el dado.66 100 valor entre dos valores que pueda tomar una variable continua. Se dice que una variable aleatoria X es continua si el número de valores que puede tomar E(X) = 100*1/6 = 16. Si sale número primo. f (x) ≥ 0 P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b) para − ∞<x<∞ LA DISTRIBUCION DE PROBABILIDAD de una variable aleatoria continua X está caracterizada por una función f(x) que recibe el nombre de función de densidad de probabilidad. es aquella que 1 2 3 4 5 6 puede tomar un valor cualquiera para un x determinado intervalo. en el caso de medidas como el peso. Determinar la función de probabilidad y la esperanza matemática del juego. O sea en la 30 100 200 -400 500 práctica los valores para esta variable 0 600 solo están limitados por la precisión de 1/6 1/6 1/6 1/6 1/6 1/6 los instrumentos de medición.66 dólares están contenidos en un intervalo (finito o infinito) de números reales.66 33. LA MEDIA Y LA VARIANZA de una variable aleatoria continua se definen de manera similar al caso de la variable E(X) 100 1/6 16. por dar un F(x) 16. DISTRIBUCIÓN DE PROBABILIDAD Y VALOR ESPERADO PARA UNA VARIABLE ALEATORIA CONTINUA ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL TRABAJO COLABORATIVO DOS PLANTEAMIENTO Un jugador lanza un dado corriente. o sea siempre va a haber un 66.EJERCICIO 2 TEMA: DEFINICIÓN DE VARIABLE ALEATORIA CONTINUA.33 50 83. FUNDAMENTACIÓN TEÓRICA PROBLEMA O EJERCICIO VARIABLE ALEATORIA CONTINUA SOLUCION Una variable continua.

Estadística Pasó a Paso. la VARIANZA de La función de probabilidad se reconoce como f(x) = x*1/6 y la esperanza matemática es de US $ 16. Howard B. (1999). la integración sustituye a la sumatoria. .aleatoria discreta.66 dólares CHRISTENSEN. En las definiciones. México: Editorial McGraw Hill. Así mismo.

031454 = 0. 0.314(10 −7 ). Bioestadística.0. 5.0) El 96. 2002. la 0.314 −i = 4.14 ) =1 − P ( X ≤ 6 ) =1 −∑    0.BINOM(6.343.9685 = 96.90 Sea p la probabilidad de éxitos en un solo ensayo y q= 1-p la P(X<7) =1 .DISTR. 5.7.0.2401. 3003   la probabilidad de que un seceso ∴ 0.7. FUNDAMENTACIÓN TEÓRICA PROBLEMA O EJERCICIO Es una distribución de probabilidad discreta que mide el SOLUCION número de éxitos en una secuencia de n ensayos Calcular la probabilidad que el futbolista haga por lo independientes de Bernoulli con una probabilidad fija p de menos 7 goles.031454 0 probabilidad de fallo. W. (1990).BINOM(x. En un entrenamiento.7 i =1.1680.594(10 −7 ).782(10 −8 ). 364. 14 6 La distribución binomial es una distribución de probabilidad n  n!  discreta. 1001. Limusa Wiley . 0.771(10 −6 ).14.7 ensayos.3 i =7 i =0  i  =1 −0. 14.p. 91.85% es la probabilidad que el futbolista haga por lo menos 7 goles 14  i 14  P ( X ≥ 7 ) = ∑f (i. 0. 0.85% probabilidad de que el suceso se presente exactamente X veces en N ensayos esta dado por la relación: p(x) = NCXpXqN-x P(X=0) =DISTR. ∴ 0.7.9685 Daniel.n.7 0. Nos permite determinar ∴ i   = i!( n −i )! =1. 1.1176 se pueda presentar exactamente X veces en repetidos ensayos.49.1)= 1 – 0.EJERCICIO 3 TRABAJO COLABORATIVO DOS TEMA: DISTRIBUCIÓN BINOMIAL ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL PLANTEAMIENTO La probabilidad que un futbolista profesional haga gol de tiro libre es del 70%. 0. ocurrencia del éxito entre los n =14 p = 0. este futbolista hace 14 tiros libres. 0. 1.

La distribución geométrica es el caso concreto de la binomial negativa cuando k = 1. b). DISTRIBUCIÓN GEOMÉTRICA Si la probabilidad de éxito en cada ensayo es p. Su función de probabilidad es PROBLEMA O EJERCICIO SOLUCION es una distribución geométrica o de Pascal G(p = 1/6 ) luego P(X = k) = p qk−1 P(X = 3) = p q2-1 = (1/6)* (5/6)2 = 0. El número de experimentos de Bernoulli de parámetro θ independientes realizados hasta la consecución del k-ésimo éxito es una variable aleatoria que tiene una distribución binomial negativa con parámetros k y θ.22% si se cuentan también los k-1 éxitos. Luego P(X > 4) = q4 = (5/6) 4 = 0..1) = 0. FUNDAMENTACIÓN TEÓRICA En estadística la distribución binomial negativa es una distribución de probabilidad discreta que incluye a la distribución de Pascal.0) = 0. Propiedades. Equivalentemente.GEOM (5. Si X mide el número del lanzamiento en que ocurre. 2.4822 = 48.23% Su media es Si se piensa en el número de fracasos únicamente y P(X > 4) =DISTR. Calcular P(X = 3). 3.1/6. Se pide: a). donde En la geométrica k . la probabilidad de que haya x fallos antes del primer éxito es para x = 0.GEOM (3. El valor esperado de una variable aleatoria X distribuida geométricamente es y dado que Y = X-1. entonces la probabilidad de que x ensayos sean necesarios para obtener un éxito es para x = 1.6... 3.. Calcular P(X > 4). Su varianza es en ambos casos..48225309 = 48.57% se tiene que Para enteros x mayores o iguales que k. P(X > k) = q .1157 = 11.EJERCICIO 4 TRABAJO COLABORATIVO DOS TEMA: DISTRIBUCIÓN BINOMIAL NEGATIVA Y GEOMÉTRICA ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL PLANTEAMIENTO Se lanza un dado todas las veces necesarias hasta que aparece un 6.6.57% P(X = 3) =DISTR.. 2.1. .11574074 = 11...1/6.

En ambos casos. González. la varianza es La probabilidad de un salga un 3 es de 11.57% y que salga un número mayor a 4 es de 48. 2001 .22% ESTADISTICA. DISTRIBUCIONES. Alberto Lucena y Francisco J.

n es el tamaño de la muestra extraída. Supóngase que se tiene una población de N elementos de los cuales.4.254545= 25.EJERCICIO 5 TRABAJO COLABORATIVO DOS PLANTEAMIENTO TEMA: DISTRIBUCIÓN HIPERGEOMÉTRICA ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL Una caja con 12 artículos tiene 4 defectuosos. La notación hace referencia al coeficiente binomial. en un caso sin re emplazamiento.3.12)= 0. d pertenecen a la categoría A y N-d a la B. Si se toma una muestra de 3.254545= 25.45% PROBLEMA O EJERCICIO SOLUCIÓN: Sin re emplazamiento.HIPERGEOM(0. Propiedades La función de probabilidad de una variable aleatoria con distribución hipergeométrica puede deducirse a través de razonamientos combinatorios y es igual a P (X=2) = 4C0 * 12-3C4-0 12C4 P (X=2)= 4C0 * 9C4 12C4 =1*126/495= 0. ¿cual será la probabilidad de no incluir artículos defectuosos en la muestra? FUNDAMENTACIÓN TEÓRICA Distribución hipergeométrica En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta relacionada con muestreos aleatorios y sin reemplazo.45% Donde N es el tamaño de población. La distribución hipergeométrica mide la probabilidad de obtener x ( ) elementos de la categoría A en una muestra de n elementos de la población original. X sigue una distribución Híper geométrica N=12. El valor esperado de una variable aleatoria X . d es el número de elementos en la población original que pertenecen a la categoría deseada y x es el número de elementos en la muestra que pertenecen a dicha categoría. el número de combinaciones posibles al seleccionar b elementos de un total a. n=3 y k=4 luego: P(x = 0) =DISTR. es decir.

En situaciones en las que el número esperado de repeticiones en el muestreo es presumiblemente bajo.45% CHRISTENSEN. Estadística Pasó a Paso. En la fórmula anterior. . puede aproximarse la primera por la segunda.que sigue la distribución hipergeométrica es y su varianza. definiendo Y se obtiene La distribución hipergeométrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. (1999). Howard B. es pequeño La probabilidad de no incluir artículos defectuosos en la muestra es de 25. Esto es así cuando N es grande y el tamaño relativo de la muestra extraída. n/N. México: Editorial McGraw Hill.

8 < X < 0. su función de probabilidad es 900 – 800 /1000 = 0.8) = .9) = 900/ 1000 = 0. . (1999). Estadística Pasó a Paso. Es de 90% y la Probabilidad de que la cantidad demandada este comprendida entre 800 y 900 kg es de 10%. CHRISTENSEN. a). 1) con asume un número finito de valores con la misma f(x) = 1 FX = x 0 < x < 1 probabilidad. b).EJERCICIO 6 TRABAJO COLABORATIVO DOS TEMA: DISTRIBUCIÓN UNIFORME DISCRETA Y UNIFORME CONTINUA ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL PLANTEAMIENTO Se sabe que la cantidad aleatoria demandada durante un cierto periodo de tiempo por parte de una empresa textil tiene distribución uniforme y no supera la tonelada.9 Si la distribución asume los valores reales b). la distribución uniforme discreta es una distribución de probabilidad que Sea X U (0.9) = FX(0.9) − FX(0. Probabilidad de que la cantidad demandada no supere los 900 kg. Howard B. P(0. Determinar para dicho periodo de tiempo: a). México: Editorial McGraw Hill. Probabilidad de que la cantidad demandada este comprendida entre 800 y 900 kg.1 y su función de distribución la función escalonada Su media estadística es y su varianza La Probabilidad de que la cantidad demandada no supere los 900 kg. P(X < 0. FUNDAMENTACIÓN TEÓRICA Distribución uniforme discreta PROBLEMA O EJERCICIO SOLUCIÓN: En teoría de la probabilidad.

el número promedio de ocurrencias del experimento aleatorio.36% de que un evento aislado ocurra un numero especifico de veces en un intervalo de tiempo (o un espacio) dado. como el número e −λ λx de personas que llegan a un lugar determinado en P( X ) = x! un tiempo definido.5. Calcular la probabilidad que en un partido cualquiera el equipo haga Cuatro goles. el numero de bacterias en un e −2. el numero de fallas de una maquina en una hora o en un día.5 4 ( ) P X = 4 = = 0. Así tiempo fijo si estos eventos ocurren con una frecuencia media conocida y son independientes del tiempo discurrido desde el último evento. Serie de compendios Schaum.2. lleva un promedio de 2. (1991).5 2.EJERCICIO 7 TRABAJO COLABORATIVO DOS TEMA: DISTRIBUCIÓN DE POISSON ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL PLANTEAMIENTO Un equipo de fútbol. etc. La función de masa de la distribución de Poisson es La probabilidad que en un partido cualquiera el equipo haga Cuatro goles es de 13. Su parámetro es λ. FUNDAMENTACIÓN TEÓRICA En teoría de probabilidad y estadística.5 goles anotados. . confiabilidad y control de calidad. los defectos en piezas similares para el material. Estadística.5 para analizar problemas de líneas de espera. = POISSON (4. PROBLEMA O EJERCICIO Solución.133601 cultivo.133601 = 13. al fijarse la tasa de acontecimientos en un continuo temporal (o espacial). el número de llamadas telefónicas por minuto.0) La distribución Poisson representa la probabilidad p(x=4) =0. México: Trillas. la cantidad de vehículos que transitan por una autopista. λ). la distribución de Poisson es una distribución de probabilidad discreta.36% SPIEGEL. es el principal modelo de probabilidad empleado X= 4 λ = 2. el número de goles anotados en un partido 4! de futbol. Murray R. En muchos casos se denota como ℘(x. en un campeonato local.

.

entonces La ventaja.EJERCICIO 8 TRABAJO COLABORATIVO DOS TEMA: DISTRIBUCIÓN NORMAL ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL PLANTEAMIENTO El peso de las naranjas sigue una distribución normal de media 180 g y desviación típica 20 g. son 6826 kg .00 = 0. en P ( Z < 150) z=x-m/s Z= 1 . Un almacenista ha comprado 10.5 = 1 .1 kg b.1587 = 0.06681 = 668.(180 torno a un valor central que coincide con el valor 150/20) = -1.σ2).00 – 1. Esta distribución de caracteriza porque los valores se distribuyen formando una campana de Gauss.6826 = 6826 kg RTA (A): los Kilos de naranjas que se espera pesen menos de 150 g. Calcular: FUNDAMENTACIÓN TEÓRICA DISTRIBUCION NORMAL O GAUSSIANA Es el modelo de distribución más utilizado en la práctica.1 kg RTA (B):los Kilos de naranjas cuyo peso se espera que este entre 160 y 200 g.8413 – 0.0.9332 = 0. ENTONCES los kilos de naranja son = 10000 * 0.000 kg. por la enorme cantidad de variables incontrolables que en ellos intervienen. ya que multitud de fenómenos se comportan según una distribución normal.(180 -160/20) = 1. PROBLEMA O EJERCICIO SOLUCIÓN a) Kilos de naranjas que se espera pesen menos de 150 g.200/20) . La importancia de esta distribución radica en que permite modelar numerosos fenómenos naturales. el uso del modelo normal puede justificarse asumiendo que cada observación se obtiene como la suma de unas pocas causas independientes. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenómenos son desconocidos.6826 entonces los kilos de naranja son = 10000 * 0. son 668. Kilos de naranjas cuyo peso se espera que este entre 160 y 200 g. sociales y psicológicos. P (160 < Z < 200) z=x-m/s Z= (180 . de las probabilidades para cada valor de la curva se encuentra recogidas en una tabla.06681 medio de la distribución: Si X ~ N(μ.

CHRISTENSEN. México: Editorial McGraw Hill. Howard B. Estadística Pasó a Paso. . (1999).

González. México: Editorial McGraw Hill.pdf http://www.unal.edu.pdf http://estio.ujaen. Universidad Nacional Abierta y Distancia. PUENTES MEJIA.htm http://www. Bioestadística. Bogotá D.BIBLIOGRAFIA DANIEL..es/Asignaturas/TrabSoc/estad/tema1. (1991).es/~carrascs/PDF/aproximacion%20estadistica.html . 2007. (1999). Elementos de Probabilidad y de Métodos Estadísticos.uv.co/cursos/ciencias/2001091/index.Probabilidades. Serie de compendios Schaum.C. Estadística. Alberto Lucena y Francisco J. (1990). ESTADISTICA. Estadística Pasó a Paso. Howard B. Limusa Wiley MORALES ROBAYO. Santafé de Bogotá: UNISUR. Adriana . W. Murray R. 2001 http://www.arrakis.es/~mcj/azar10.virtual. DISTRIBUCIONES. SPIEGEL. México: Trillas. Carlos Eduardo (1995). CHRISTENSEN.