PROBABILIDAD

Act 10 Trabajo Colaborativo 2

Jorge Enrique Taboada
Tutor

Lizeth Viviana Yaima Aroca
Código: 1070601875

Universidad Nacional Abierta Y A Distancia
Escuela de Ciencias Administrativas, Contables, Económicas y de
Negocios

Cead Girardot
2013

se calcula al sumar el valor de x con su respectiva probabilidad y se representa con la siguiente formula Lección 20: TEOREMA DE CHÉBYSHEV: Es un teorema en el que ofrece una garantía mínima acerca de la probabilidad de que una variable aleatoria asuma un valor dentro de k desviaciones estándar alrededor de la media.CAPITULO 4 VARIABLES ALEATORIAS LECCION 16: CONCEPTO DE LAS VARIABLES ALEATORIAS: Es la función que asigna un numero real a cada espacio muestral de un experimento aleatorio ya que este busca conocer el número total de veces que se obtiene un mismo resultado en un determinado número de ejecuciones y no en cual ejecución se obtiene el resultado Lección 17: VARIABLE ALEATORIA DISCRETA: La variable aleatoria es discreta si el numero de valores que puede tomar es finito o infinito contable dentro de un intervalo o espacio muestral de un experimento aleatorio. Formalmente.b] se cumple que: Lección 19: VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA: Es una medida de posición para la distribución de x. se define como tal si para cualquier intervalo de números reales [a. Lección 18: VARIABLE ALEATORIA CONTINUA: La variable es continua si el numero de valores que pueden tomar están en un intervalo finito o infinito de números reales es casi la misma definición que la discreta pero cuando el rango de todos los valores es bien alto o muy pequeño es mejor utilizar la variable aleatoria continua. la función de densidad de probabilidad f(x) de una variable aleatoria continua. Simbólicamente se expresa con la siguientes formulas .

Distribución Hipergeométrica: La distribución hipergeométrica suele aparecer en procesos muéstrales sin reemplazo. siempre que el proceso de producción sea estable (la proporción de piezas defectuosas se mantiene constante a largo plazo) y sin memoria (el resultado de cada pieza no depende de las anteriores). BN(r. La variable aleatoria que proporciona la probabilidad de que se produzcan k fracasos antes de obtener el r. Esta distribución asigna igual probabilidad a todos los valores enteros entre el límite inferior y el límite superior que definen el recorrido de la variable.CAPITULO 5 DISTRIBUCIONES DE PROBABILIDAD DISCRETA Distribución Uniforme discreta : Describe el comportamiento de una variable discreta que puede tomar n valores distintos con la misma probabilidad cada uno de ellos. cada una de ellas con la misma probabilidad de “éxito” igual a p. La distribución geométrica corresponde al caso particular en que r=1. Distribución Binomial negativa y geométrica: Una generalización obvia de la distribución geométrica aparece si se supone que un experimento se continúa hasta que un determinado suceso. Este modelo se aplica a poblaciones finitas de las que se toma elementos al azar con reemplazo. si un paciente hospitalizado desarrolla o no una infección. generalmente clasificada como “éxito” o “fracaso”. Distribución Binomial: Esta distribución aparece de forma natural al realizar repeticiones independientes de un experimento que tenga respuesta binaria. . Un ejemplo es el número de lanzamientos fallidos de un dado antes de obtener un 6 en tres ocasiones. en los que se investiga la presencia o ausencia de cierta característica.p). de probabilidad p. ocurre cuando los valores son enteros consecutivos. sigue una distribución binomial de parámetros n y p.vez. Un caso particular de esta distribución. ocurre por r. y también a poblaciones conceptualmente infinitas. La variable discreta que cuenta el número de éxitos en n pruebas independientes de ese experimento. como por ejemplo las piezas que produce una máquina. esa respuesta puede ser el hábito de fumar (sí/no). Por ejemplo.éxito sigue una distribución binomial negativa de parámetros r y p. o si un artículo de un lote es o no defectuoso.

T. llamamos distribución tStudent con n grados de libertad.CAPITULO 6 DISTRIBUCIONES DE PROBABILIDAD CONTINUA Lección 27: DISTRIBUCION UNIFORME Se dice que una variable X posee una distribución uniforme en el intervalo [a. . no de su posición. independientes. Lección 29: DISTRIBUCION EXPONENCIAL Y CHI CUADRADO Distribución Exponencial Esta distribución se utiliza como modelo para la distribución de tiempos entre la presentación de eventos sucesivos.b]. el valor de X este comprendido en cierto subintervalo de [a. la probabilidad de que al hacer un experimento aleatorio. donde . . Lección 28: DISTRIBUCION NORMAL Y USO DE LA DISTRIBUCIÓN NORMAL ESTANDAR: Esta distribución de caracteriza porque los valores se distribuyen formando una campana de Gauss.b] depende únicamente de la longitud del mismo. o rutinas de cálculo que permiten obtener esos mismos valores. De modo preciso. si su función de densidad es la siguiente: Con esta ley de probabilidad. donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribución. Se dice que una variable aleatoria continua tiene una distribución exponencial con parámetro _ > 0 si su función de densidad es Lección 30: OTRAS DISTRIBUCIONES CONTINUAS: DISTRIBUCION tSTUDENT Distribución t-Student La distribución t -Student se construye como un cociente entre una normal y la raíz de una independientes. Este tipo de distribuciones aparece cuando tenemos n+1 v.a. se denomina "normal tipificada".a. en torno a un valor central que coincide con el valor medio de la distribución: Distribución normal estándar o tipificada Cuando la media de la distribución normal es 0 y la varianza es 1. Existe un tipo de variable aleatoria que obedece a una distribución exponencial la cuál se define como EL TIEMPO QUE OCURRE DESDE UN INSTANTE DADO HASTA QUE OCURRE EL PRIMER SUCESO. y su ventaja reside en que hay tablas. a la de una v.

1.2. respectivamente..1.24) .4.2.4. 6 y 7 P3=1.1.4. Si se toman dos balotas de la urna sin sustitución y X es la suma de los números de las dos balotas extraídas.4.1=212=16 P4=1.3.3=212=16 PX=X=16+16+13+16+16=1 2-El rango de la variable aleatoria X es [0. calcule x.3.3.3. donde x es una incógnita.3.2. 4.4. Media=xi/n (0+1+2+3+x)/5 ejecuciones = 6 6+x=30 X=30-6 x=24 entonces la respuesta es X= (0.3.1.3.1.3.4.2. 5. Si cada valor es igualmente probable y la media de X es 6.2. LAS DOS BALOTAS EXTRAIDAS.2.3.2.1=212=16 P5=1.1=412=13 P6=2. 3. determine la distribución de probabilidad de X y represéntela por medio de un histograma.2=212=16 P7=3. 1.4.4. S=1.4.1.EJERCICIOS CAPITULO 4 Una urna contiene cuatro balotas con los números 1. x].4. 2.2.4.2.3 La variable X corresponde a 3. 2.4.2.2. 3 y 4.3.

95 = 0.05 x 0.05 Para 6 fracasos 0.9025.05 x 0.05 x 0.05 x 0.9025+0.9025 que ninguno haya fracasado 0.25^x * 0.75^(7-2) = 0. el segundo no 0.05 = 0.0475 primero no fracaso.3115 . Según los registros universitarios fracasa el 5% de los alumnos de cierto curso.095) La totalidad de los casos da 1 o sea el 100% Para la pregunta de 6 casos y al menos 3 fracasos Sería encontras 3 fracasos .3115 = 0.1) * 0. se haya accidentado? n=7 p=0.25^1 * 0.095 Si sumas estos números vemos que da 1 (0.05 Para 5 fracasos 0.1335 P(X=1) = C(7.x) * p^x * (1-p)^(n-x) P(X=x) = C(7.1335 .95 x 0.0.0025 que los dos hayan fracasado 0.05 x 0.x) * 0.05 x 0.05 x 0.05 x 0.0025 1 fracaso 0.P(X=2) P(X=0) = C(7.95 = 0.25 P(X=x) = C(n.05)se mantiene porque la muestra es grande 4.05 x 0.5 ó 6 Para 3 fracasos 0.0) * 0. menos de 3 hayan fracasado? Probabilidad de fracaso 5 % o sea 5/100= 0.95 x 0. 4.05 x 0.P(X=0) .05 Para 4 fracasos 0.0025+00.3115 P(X>=3) = 1 .EJERCICIOS CAPITULO 5. Cuál es la probabilidad de que por lo menos 3 de una Muestra de 7 vehículos asegurados.75^(7-x) P(X>=3) = 1. el segundo si O sea sin fracasos 0.05 x 0.2435 .05 sumar los cuatro valores En este caso la probabilidad (0.0.P(X=1) . Una compañía de seguros considera que alrededor del 25% de los carros se Accidentan cada año.05 x 0.05 Si tomaras uno al azar tendrías 5% de posibilidad de que haya fracasado y 95 % que no Si tomaras 2 estudiantes tendrías 0. ¿cuál es la probabilidad de que de 6 estudiantes seleccionados al azar.05 x 0.3115 P(X=2) = C(7.2) * 0.75^(7-1) = 0. 2.75^(7-0) = 0.05 = 0.05 x 0.0475 primero fracaso.05 x 0.0.25^2 * 0.05 x 0. dos fracasos 0.25^0 * 0.P(X<=2) = 1.

5596) = 0.5-3.5) = 0.62) = 0.0. 9 aproximadamente b) Análogamente z1= (4-4.25 = 25% c) P(X=3) = 100% 4.3 = 1.25 pulgadas b.EJERCICIOS CAPITULO 6 1.5) pulgadas ¿Cuál es la probabilidad de que uno de los pernos elegido al azar.62 z2 = (7-4. a) Calcular el número de alumnos con nota entre 5 y 7.25 pulgadas c.38) – Pr(z<-0.5 / 1 = 0.sea mayor de 3..5 .2)/1.2. b) Número de alumnos con nota entre 4 y 6.2)/1. de un lote determinado tenga una longitud de: a. a) Tipificamos la variable: z1= (5-4.15 < z < 1.38 Pr(-0.3 = -0.38) = Pr(z<1.9842 .5 = 50% b) P(X>3.5) = 0.25 < X < 3.15) .3.Pr(z<0.5) = (3.15 z2 = (6-4.25-2.2)/1.3 =2.2)/1.3 = 0.2518 Número de alumnos= 0. .Una máquina automática con funcionamiento electrónico hace pernos de 3/8 de pulgada los cuales deben tener una longitud de 3 pulgadas.2.sea exactamente igual a 3 pulgadas RTA: a) P(2.75 y 3.15 Pr(0.Las notas de un examen hecho a una clase de 36 alumnos siguen una distribución Normal con media 4.2518• 36 = 9.25) = (3.este entre 2.4758 Número de alumnos = 36•0.15) = Pr(z<1.15)] = 0.0648.2 y desviación estándar 1..15) = Pr(z<2.25) / (3.9162 – ( 1.25) = P(3.5 .38) – [ 1 ..62 < z < 2.25 / 1 = 0.0.75 < X < 3. Si en realidad las longitudes de los pernos de 3/8 se distribuyen uniforme en el intervalo (2.Pr(z < 0. o sea.5149 = 17.5 : 3.75) / (3.7324 = 0.12 = 17 Aprox.

¿Cuál es la probabilidad de obtener un panecillo cuyo peso oscile entre 80 g y la media? El teorema del límite central.8413 ..En una panadería se cortan panecillos con un peso que se ajusta a una distribución normal de media 100 g y desviación típica 9. Calcular: a) Kilos de naranjas que se espera pesen menos de 150 kg. Z.5 P(Z< -1. (es decir.6827 El número esperado es 10000*0. con distribución normal con media cero y varianza 1) P(80<X<100) = P ((80-100)/9<(X-100)/9<(100-100)/9) = P (-20/9< Z < 0 ) Ahora. puedes normalizar a la variable aleatoria con distribución N (0.0668 (según las tablas) El número esperado es 10000 * 0.0.6827 = 6827 kilos de naranjas que pesen entre 160 y 200 g. a) La probababilidad que una naranja pese menos de 150 es P(X<150) Estandarizando Z=(x-μ)/σ Z=(150-180)/20 Z=-1.P(Z<-1) (según las tablas) 0. b) La probababilidad que una naranja pese entre 160 y 200 es P(160<X<200) Estandarizando Z=(x-μ)/σ Z1=(160-180)/20=-1 Z2=(200-180)/20=1 P(-1< Z < 1) = P(Z<1) . y ésta misma se transforma a una variable aleatoria. en otras palabras.0668 = 668 kilos de naranjas que pensen menos de 150 g.1586 = 0.000 kg. restas la media y divides entre la desviación estándar. Un almacenista ha comprado 10. b) Kilos de naranjas cuyo peso se espera que esté entre 160 y 200 kg.5. El peso de las naranjas sigue una distribución normal de media 180 g y desviación típica 20 g. 7.1). a saber..5) = 0. sabemos que es cierto que P(a<X<b) = P(X<b)-P(X<a) .

y que P(X<a) = 1 . solo basta hallar P(Z<20/9) = 1 .9868 . con tablas de distribucion: P(Z<-20/9) .0132 = 0.P (X>a) Luego.0. .P (Z>20/9) = 1 .5.5000 = 0.4868 es la probabilidad de obtener el peso del panecillo entre 80 g y 100 g.9868 Es decir P(Z<-20/9) .P(Z>0) = 0.4868 0.P(Z>0) Buscando en tablas.0. es facil hallar. y a sabiendas que P(Z>0) = 0.

Modulo de probabilidad.BIBLIOGRAFIA  http://es. Rossado (2010).wikiversity. UNAD Bogotá D.C .org/wiki/Variable_aleatoria_discreta  Dannys.