You are on page 1of 21

UNIDAD 2: FASE 2 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE

PROBABILIDAD.

PRESENTADO POR:

CELMIRA RAMOS LEAL - CD: 1.077.841.382


SANDRA MILENA CALDERN BLANCO - CDIGO:

JOS UBERNEY MUOZ CASTAO - CDIGO. 1.083.893.898

PRESENTADO A:
EDWIN DORANCE GARZON
TUTOR

GRUPO: 100402_76

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD


2017
INTRODUCCIN

La probabilidad mide la mayor o menor posibilidad de que se d un determinado resultado (suceso


o evento) cuando se realiza un experimento aleatorio.

Para calcular la probabilidad de un evento se toma en cuenta todos los casos posibles de ocurrencia
del mismo; es decir, de cuntas formas puede ocurrir determinada situacin.
Para el desarrollo del presente trabajo de probabilidad abordaremos todos los temas relacionados en
la unidad 2, donde iremos profundizando en cada uno de ellos y estos sern la fuente que
contribuir como base para el xito del producto a desarrollar.

Es importante resaltar la importancia que presenta este curso para nuestra cotidianidad y desarrollo
profesional, por ello el principal objetivo ser el de comprender algunos conceptos bsicos de la
probabilidad concernientes a la unidad 2, por medio de la realizacin de los casos propuestos en el
curso. Un trabajo donde se logre trabajar de forma grupal y activamente desarrollando cada uno de
los ejercicios propuestos para la comprensin de la misma, donde los estudiantes al solucionar los
casos propuestos logran adquirir destrezas en el desarrollo adecuado de este tipo de problemas que
brindaran importantes herramientas a cada participante para convertirse en un profesional integral y
competitivo en un mundo globalizado que es muy cambiante y exigente, por lo tanto invitamos al
lector para que contine revisando el presente material.
RESUMEN UNIDAD II

VARIABLES ALEATORIAS.

Una variable aleatoria es, una funcin que asigna un nmero real a cada resultado en el
espacio muestral de un experimento aleatorio. Se denota con una letra mayscula tal
como X. En este tema se ver la importancia de cuantificar los resultados de un
experimento aleatorio sabiendo que ellos pueden ser cualitativos o cuantitativos

Para facilitar estos clculos se acude a una funcin que ubica el espacio muestral en el
conjunto de los nmeros reales, esta es conocida como variable aleatoria. Se puede definir
como variables aleatorias cuyos valores sean contables o no, y al ser una caracterizacin
cuantitativa de los resultados de un espacio muestral, ellas pueden ser discretas o continuas

Variable aleatoria X es discreta si el nmero de valores que puede tomar es finito (o infinito
contable).

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:

P ( X =x ) =1

0 P ( X =x ) 1

Variable aleatoria X es continua s el nmero de valores que puede tomar estn contenidos
en un intervalo (finito o infinito) de nmeros reales. Dichos valores pueden asociarse a
mediaciones en una escala continua, de manera que no hay interrupciones.

La distribucin de probabilidad de una variable aleatoria continua X est caracterizada por


una funcin f ( x ) que recibe el nombre de funcin de densidad de probabilidad. Esta
funcin de densidad de probabilidad f ( x ) permite calcular el rea bajo la curva que
representa la probabilidad de que la variable aleatoria continua X tome un valor entre el
intervalo donde se define la funcin.
Formalmente, la funcin de densidad de probabilidad f ( x ) de una variable aleatoria
continua, se define como tal si para cualquier intervalo de nmeros reales [a,b] se cumple
que: F ( x ) 0

ESPERANZA MATEMTICA Y VARIANZA DE UNA VARIABLE ALEATORIA

El valor esperado (tambin llamado media o esperanza matemtica) de una variable


aleatoria discreta X es una medida de posicin para la distribucin de X. Se simboliza
con y se calcula al sumar el producto de cada valor de X con su probabilidad
correspondiente.

DISTRIBUCIN BINOMIAL

Es una de las distribuciones de probabilidad ms tiles (control de calidad, produccin,


investigacin). Tiene que ver con el experimento aleatorio que produce en cada ensayo o
prueba uno de dos resultados posibles mutuamente excluyentes: ocurrencia de un criterio o
caracterstica especfico (llamado xito) y no ocurrencia de ste (llamado fracaso). Los
trminos o calificativos de "xito y fracaso" son solo etiquetas y su interpretacin puede no
corresponder con el resultado positivo o negativo de un experimento en la realidad.

En general, un experimento aleatorio que consiste de n ensayos repetidos tales que:

Los ensayos son independientes


Cada ensayo es de tipo Bernoulli. Esto es, tiene slo dos resultados posibles: "xito"
o "fracaso".
La probabilidad de xito de cada ensayo, denotada por p, permanece constante.

DISTRIBUCIN BINOMIAL NEGATIVA y GEOMTRICA

En la distribucin geomtrica, la variable aleatoria estaba definida como el nmero de


ensayos Bernoulli necesarios para obtener el primer xito. Suponga ahora que se desea
conocer el nmero de ensayos hasta obtener r xitos; en este caso la variable aleatoria es
denominada binomial negativa.

La distribucin binomial negativa o distribucin de Pascal es una generalizacin de la


distribucin geomtrica donde la variable aleatoria X es el nmero de ensayos Bernoulli
efectuados hasta que se tienen r xitos, con una probabilidad constante de xito p. Se dice
entonces que X tiene una distribucin binomial negativa con parmetros p y r = 1, 2, 3,...
DISTRIBUCIN HIPERGEOMTRICA.

Supongamos que tenemos una poblacin de tamao N y de ella se selecciona una muestra
de tamao n para verificar si cada elemento tiene o no una cierta caracterstica, esto se
puede manejar en trminos de xito y de fracaso. Si el tamao de la muestra n es pequeo
en comparacin con el tamao de la poblacin N ( n / N 5% ) podemos considerar los
intentos como independientes y asumir que probabilidad de obtener un xito en un
elemento es la misma en cada intento, por lo que podemos aplicar la distribucin binomial.

Sin embargo si el tamao de la muestra n es grande en comparacin con el tamao de la


poblacin N entonces la probabilidad de obtener un xito en un intento se ve
afectada por los resultados en intentos anteriores es decir que son dependientes. Cuando
pasa esto el nmero x de xitos sigue lo que se conoce como una distribucin
hipergeomtrica de probabilidad.

Es importante remarcar que tanto la distribucin binomial como la distribucin


hipergeomtrica persiguen un mismo objetivo (el nmero de xitos en una muestra que
contiene n observaciones), la diferencia entre ellas es que la hipergeomtrica considera no
solo a los elementos de la muestra, sino tambin a los elementos de la poblacin.

En resumen la distribucin hipergeomtrica es aquella en la que se considera la existencia


de xitos y/o fracasos en una poblacin conocida, y de la cual se extrae una muestra sin
remplazo donde tambin existen xitos o fracasos.

Su principal aplicacin es en el muestreo de aceptacin y control de calidad donde de un


lote de artculos se toma una muestra y se analiza para decidir si se acepta o rechaza todo el
lote.

CRITERIOS O PROPIEDADES QUE LA CARACTERIZAN.

1. La poblacin N del conjunto de unidades o elementos es de orden finito, de los cuales


una parte: k "son xitos", y otra parte son "fracasos".
2. Cada elemento puede ser caracterizado como xito o fracaso.
3. Se obtiene una muestra aleatoria de n elementos todos a la vez (sin reemplazamiento) y
no de forma independiente. No son pruebas repetidas.
4. El tamao de la muestra aleatoria n es grande relativamente en comparacin con el
n
tamao de la poblacin. Generalmente N >5

5. Se busca la probabilidad de x= nmero de xitos a partir de los k resultados o elementos


y (n-x) fracasos a partir de los N-k elementos as clasificados, al obtener una muestra
aleatoria de tamao n.

Supongamos un lote de N productos de los cuales:

Obtenemos muestra de n productos, todos a la vez. Interesa entonces la probabilidad de


sacar x productos defectuosos (xito), o sea: p(x).

Podemos hacer el siguiente raciocinio:

Si en una poblacin de N elementos se tienen k xitos, la probabilidad de que en una


muestra aleatoria de n elementos seleccionados sin reemplazo se tengan x xitos est dada
por:

( )( )
p ( x )=
k N k
x nx
=
Ckx C Nnx
k

C Nn con xk
()
N
n

N = nmero de elementos en la poblacin n = nmero de elementos en la muestra


k = nmero de xitos en la poblacin x = nmero de xitos en la muestra
N
Cn Es el nmero de maneras en que se puede tomar una muestra n de la poblacin N
k
Cx Es el nmero de formas en que se toman x xitos del total r xitos que hay en la
poblacin
Nk
Cnx Es el nmero de maneras en que se puede tomar n-x fracasos del total N-r de la
poblacin

La media (esperanza) y desviacin estndar de la distribucin hipergeomtrica estn dadas


por:

Media =n ( Nk )
Desviacin estndar
N N N1 N )( N1 )
( k Nk Nn
)(
= n )( )= (
Nk Nn

N k N n
= (
N )( N1 )
2
Varianza

DISTRIBUCIN POISSON.

Sea X una variable aleatoria que representa el nmero de eventos aleatorios independientes
que ocurren con igual rapidez en un intervalo de medida. Se tiene entonces que la funcin
de probabilidad de esta variable, se expresa por:


e
f ( x )=P [ X=x ] = X=0,1,2,..;o en cualquier otro punto o valor.
x!

Donde es parmetro de tendencia central de la distribucin y representa el nmero


promedio o cantidad esperada de ocurrencias (xitos) del evento aleatorio por unidad de
medida o por muestra; e=2.71828 y x=Nmero de ocurrencias especficas para el cual se
desea conocer la probabilidad respectiva. Segn sea el valor de , se define toda una familia
de probabilidades de Poisson. La probabilidad de que una variable aleatoria de Poisson X
sea menor o igual a un valor de x se halla por la funcin de distribucin acumulativa,
planteada entonces como:

x
e k
p ( X x )=F ( x )=
x=0 k!

Los resultados de las probabilidades individuales para valores de X sern ms pequeos


conforme la variable aleatoria toma valores cada vez ms grandes.

Los resultados de las probabilidades individuales para valores de X sern ms pequeos


conforme la variable aleatoria toma valores cada vez ms grandes

La distribucin de Poisson tiene la particularidad de que la media y la varianza son


iguales E(x)= var(x)=
DISTRIBUCIN UNIFORME DISCRETA.

Describe el comportamiento de una variable discreta que puede tomar n valores distintos
con la misma probabilidad cada uno de ellos. Un caso particular de esta distribucin, ocurre
cuando los valores son enteros consecutivos. Esta distribucin asigna igual probabilidad a
todos los valores enteros entre el lmite inferior y el lmite superior que definen el recorrido
de la variable.

DISTRIBUCIN UNIFORME CONTINUA.

Una variable aleatoria se dice que sigue una distribucin uniforme continua en un intervalo
real (a,b), y se representa por (a,b), si su funcin de densidad es constante en dicho
intervalo y nula fuera de l; es decir:

DISTRIBUCIN NORMAL.

La distribucin normal es de suma importancia en estadstica por tres razones principales:

Numerosas variables continuas de fenmenos aleatorios tienden a comportarse


probabilsticamente mediante sta.
Es el lmite al que convergen tanto variables aleatorias continas como discretas.
Proporciona la base de la inferencia estadstica clsica debido a su relacin con el
teorema del lmite central.

CUADRO SINPTICO

Est dada por


VARIABLE ALEATORIA S el nmero de valor que puede tomar
DISCRETA es finito. F (X) =
Est caracterizada
VARIABLE ALEATORIA
Puede asumir un nmero infinito de
por la Variable f
CONTINUA valores dentro de un determinado rango.
(x)
La varianza de una variable aleatoria es una
VALOR ESPERADO Y 1
VARIANZA medida de la dispersin de la distribucin de P ( X I )=
Los ensayos
probabilidad
Se dice quede son independientes.
sta.
sigue una distribucinCada uniforme n
VARIABLES ALEATORIAS Y EnExpresa,
ensayo a departir
ella seesconsidera
continua en un tipo deBernoulli.
una
la frecuencia
realEsto,
existencia
intervalo
de
detiene
(a,b), seslo
yxitos y/o La distribucin normal
Caractersticas:

e es la
( )( )
k N
DISTRIBUCION k
ocurrencia
Describe
dosEs
fracasos
EsLa
La una el media,
endistribucin
resultados
variable una
distribucin la
comportamiento
posibles:
poblacinprobabilidad
normal
aleatoria desu de una de
probabilidad
"xito"
conocida,
es
estaba dedefinida que
variable la el con1.un
continua
o "fracaso.
y como
de msf ( x
yTendencia
su )
parmetro =P [
extendida X=x
funcink de en
que ] =
DISTRIBUCIONES
BINOMIAL
DISTRIBUC
DISTRIBUCI
DE
DISTRIBUCION
DISTRIBUCION
DISTRIBUCION
DISTRIBUCION
NEGATIVA DE
la
ocurra
La
cual
nica
representa
discreta unque
representa
variable
por
puede
(a,b),
determinado
probabilidad
se extrae lostasa
una de
aleatoria
tomar
grados
si
xito
muestra nde
nmero
de
funcin
valores
cada
sin de
libertad
de
distintos
de lacon
eventos
ensayo,
remplazo variable f(x,p,r)=
La funcin xx-1Cr-1
estadstica
distribucin
aleatoria.
Central nx
y la
muchos
generadora
funcin
xes:
qx- !Ck C N k
tests
DISTRIBUCION nmero
suma
Continua
densidad de ensayos
importancia
cuya
es constante Bernoulli
en
de estadstica
fallos
en dicho necesarios
intervalo para
y
ION
UNIFORME
UNIFORMEONDISCRETA
CONTINUA
NORMAL
HIPERGEOMETRICA
POISSON la mismacierto
durante
denotada probabilidad
elpor perodo
p, cada
l.permanece
uno de ellos
de tiempo.
constante. pm( x( t)=
r .pr
2.estadsticos
escalonada.
Variacin )= estn = x 0Nnx
basados
, sit
PROBABILIDAD BINOMIAL donde
espor
nula tambin
obtener tres
constante
fuera existen
primer
razones
de xitoxitos
principales. o fracasos. X=0,1,2,..;o
x=r,r+1,r+r+2+.... t en
DESARROLLO DEL TRABAJO
ESTUDIO DE CASO 1. (CELMIRA RAMOS LEAL)

Para entregar una Tarjeta de crdito en los bancos del grupo Aval, los analistas del banco clasifican
o califican al cliente en funcin de la probabilidad de que resulte rentable. Una tabla habitual de
calificaciones es la siguiente:

La calificacin es la suma de los puntos de los seis rubros. Por ejemplo, Sushi Brown tiene menos
de 25 aos (12 puntos); ha vivido en el mismo domicilio durante dos aos (0 puntos); desde hace
cuatro aos es dueo de un automvil (13 puntos), por el que realiza pagos de $75 (6 puntos);
realiza gastos domsticos de $200 (10 puntos) y posee una cuenta de cheques (3 puntos). La
calificacin que obtendra sera de 44. Despus, con una segunda tabla, se convierten las
calificaciones en probabilidades de rentabilidad del cliente, as:

La puntuacin de Sushi (44) se traducira en una probabilidad de rentabilidad aproximada de 0.81.


En otras palabras, 81% de los clientes como Sushi generaran dinero a las operaciones con tarjeta
del banco. A continuacin se muestran los resultados de las entrevistas con los tres posibles clientes.
Prepare un informe en el que como mnimo, incluya:

1.- Califique a cada uno de estos clientes y calcule la probabilidad de que resulten rentables.

2.- Con los datos anteriores construya una variable aleatoria que represente el nmero de
clientes rentables para el banco y determine: Cul es la probabilidad de que los tres
resulten rentables?

3.- Cul es la probabilidad de que ninguno sea rentable?

4.- Determine la distribucin de probabilidad total del nmero de clientes rentables entre
este grupo de tres clientes.

5.- Redacte un breve resumen de sus hallazgos.

SOLUCION

INFORME A PRESENTAR:

Prepare un informe en el que como mnimo, incluya:

1. Califique a cada uno de estos clientes y calcule la probabilidad de que resulten rentables.

NOMBRE DAVID EDWARD ANN


BROWN BRENDAN MCLAUGHLIN
EDAD 18 12 0
TIEMPO DE VIVIR EN EL MISMO 20 0 20
DOMICILIO
ANTIGUEDAD CON EL AUTO 13 13 3
PAGO MENSUAL DEL AUTO 4 6 4
COSTO DE VIVIENDA 10 10 12
CUENTA DE CHEQUES O 15 3 0
AHORROS
TOTAL 80 44 39

Para calcular la probabilidad hallamos la relacin entre el tamao de los intervalos de puntuacin
(10 puntos) con la diferencia que se presenta de la probabilidad.

NOMBRE DAVID BROWN EDWARD ANN


BRENDAN MCLAUGHLIN
CALIFICACION 80 44 39
PROBABILIDAD 0.95 0.81 0.77

2. Cul es la probabilidad de que los tres resulten rentables?

La probabilidad de que los tres resulten rentables, est determinada por la probabilidad condicional
para este caso donde los sucesos son no excluyentes

P( A)P( B)P(C )

0.950.810.77=0.59

3. Cul es la probabilidad de que ninguno sea rentable?

La probabilidad de que ninguno sea rentable, est determinada por la probabilidad condicional para
cuando no son rentables, que es la diferencia entre 1 y la probabilidad de que sean rentables

P(A )=10.95=0.05
P(B)=10.81=0.19
P(C)=10.77=0.23

Con los resultados anteriores podemos calcular la probabilidad condicional

0.050.190.23=0.0022

4. Determine la distribucin de probabilidad total del nmero de clientes rentables entre este
grupo de tres clientes.
Al tener la tabla de conversin de puntaje en probabilidad

Podemos determinar la distribucin de probabilidad total, como una funcin de probabilidad

x= puntuacin obtenida

x n1=puntuacin inmeditamente anterior a x de los valores relacionados en la tabla

p= probabilidad correspondiente puntuacin siguiente a x de los valores relacionadosen la tabla

pn1= probabilidad correspondiente puntuacin anterior a x de los valores relacionados en la tabla

xx n1pp n1
P( X =x)= + pn1
10

El valor de 10 en la divisin presentada en la ecuacin, corresponde al tamao de los intervalos de


puntuacin.

5.-Redacte un breve resumen de sus hallazgos.


El caso de estudio nos presenta las probabilidades para sucesos no excluyentes, por lo que su suma
de probabilidades no debe ser igual a 1, as mismo por su caracterstica de sucesos no excluyentes
podemos hallar la probabilidad de que los tres sean rentables calculando su probabilidad
condicional, para el caso de que ninguno sea rentable se aplica la probabilidad condicional a las
diferencias entre 1 y el valor de la probabilidad de que sean rentables.
Para describir la distribucin de la probabilidad, utilizamos una funcin que relaciona los tamaos
de los intervalos de puntuacin, con el tamao de los intervalos de probabilidad, la cual nos permite
hacer el clculo de la probabilidad para las puntuaciones que no se encuentran relacionadas en la
tabla.

ESTUDIO DE CASO 2.
JOS UBERNEY MUOZ CASTAO.

La distribucin de probabilidad binomial es una distribucin de probabilidad discreta que se


presenta con mucha frecuencia. Una de sus caractersticas consiste en que slo hay dos posibles
resultados en un determinado ensayo del experimento y los resultados son mutuamente excluyentes;
Otra caracterstica de la distribucin binomial es el hecho de que la variable aleatoria es el resultado
de conteos. Es decir, se cuenta el nmero de xitos en el nmero total de ensayos. Una tercera
caracterstica de una distribucin binomial consiste en que la probabilidad de xito es la misma de
un ensayo a otro.

Un estudio del Departamento de Transporte de Illinois concluy que 76.2% de quienes ocupaban
los asientos delanteros de los vehculos utilizaba cinturn de seguridad. Esto significa que los dos
ocupantes de la parte delantera utilizaban cinturones de seguridad.
Suponga que decide comparar la informacin con el uso actual que se da al cinturn de seguridad,
para lo cual selecciona una muestra de 10 vehculos.
Presente un informe en el que como mnimo incluya:
1.- Esta situacin cumple con los supuestos de la distribucin binomial? Identifquelos
2- Elabore un diagrama de barras para la distribucin de probabilidad binomial que representa esta
situacin
3.- Cul es la probabilidad de que los ocupantes de la parte delantera en exactamente 6 de los 10
vehculos seleccionados utilicen cinturones de seguridad?
4.- Cul es la probabilidad de que los ocupantes de la parte delantera de por lo menos 6 de los 10
vehculos utilicen cinturn de seguridad?
5.- Cul es la probabilidad de que los ocupantes de la parte delantera de mximo 6 de los 10
vehculos utilicen cinturn de seguridad?
6.- Encuentre el valor esperado del nmero de vehculos en los que los ocupantes de la parte
delantera utilizan el cinturn de seguridad?

SOLUCIN

1. Cada elemento de la muestra conduce a uno de dos resultados, tiene o no cinturn,


adems, cada vehculo de la muestra es independiente, es decir, uno no afecta al
otro, lo que permite concluir que el ejercicio corresponde a una distribucin
binomial.

2.
Departamento de transporte concluye que 76,2 de losque ocupan asientos

delanteros usan cinturn de seguridad .

n=10 vehculos

p=xito=Usancinturn

p=0,762

q=1 p

q=0,238=No usan cinturn de seguridad

USO DE CINTURN DE SEGURIDAD

NO SI
Valor Porcentaje %

0 10 20 30 40 50 60 70 80 90

3.

0,238 4
6
0,762
P ( X=7 )=C10 6

210( 0,1957 )( 0,0032 )

0,1318=13,18
La probabilidad de que los ocupantes de la parte delantera de exactamente 6

vehculos usen cinturn es de 13,18

p=0,762

q=0,238

4.
P ( X 6 )=P ( X=6 )+ P ( X =7)+ P( X=8)+ P( X=9)+ P( X=10)

0,238 4 =0,1319
6
0,762
P ( X=6 )=C 10
6

0,238 3=0,2413
7
0,762
P ( X =7 ) =C10
7

0,238 2=0,2897
8
0,762
P ( X =8 ) =C10
8

0,238 1=0,2061
9
0,762
P ( X =9 )=C 10
9

0,238 10=0,0660
10
0,762
P ( X=10 )=C 10
10

P ( X 6 )=0,9350

93,5

La probabilidad de que los ocupantes de la parte delantera de por lo menos 6

vehculos usen cinturn es de 93,5


5. P ( X 6 ) P ( X 6 )=1P( X 7)
P ( X=7 )=0,2413 10,8031
P ( X=8 )=0,2897 0,1969
P ( X=9 )=0,2061 P ( X 6 )=0,1969
P ( X=10 ) =0,0660 19,69

La probabilidad de que los ocupantes de la parte delantera d e mximo 6


vehculos usen cinturn es de 19,69

6.
Valor esperado

E [ X ] =n . p

E [ X ] =100,762

E [ X ] =7,62=8

El valor esperado de que los ocupantes de la parte delantera de los10 vehculos

al menos 8utilizan el cinturn de seguridad .

ESTUDIO DE CASO 3 (SANDRA MILENA CALDERON BLANCO)

El Baloto, es la lotera en lnea de


Colombia, supervisado por ETESA
(Empresa territorial para la salud). Es un
juego que consiste en acertar 6, 5, 4 o 3
nmeros en cualquier orden de una matriz
del 1 al 45; El jugador seala en un
tarjetn los 6 nmeros que escoge. Los
nmeros estn representados en 45 balotas numeradas del 1 al 45. Cada nmero
aparece una sola vez y las balotas ganadoras se seleccionan sin reemplazo. El
premio acumulado se entrega a quien haga coincidir los seis nmeros.
Presente un informe en el que como mnimo incluya:
1.- Esta situacin cumple con los supuestos de la distribucin
Hipergeomtrica? Identifquelos (Sugerencia: Divida los 45 nmeros en dos
grupos: ganadores y no ganadores)
Analizando el caso, la situacin si cumple con los supuestos de la distribucin
Hipergeomtrica, de acuerdo a la pregunta definimos la distribucin de
probabilidad hipergeomtrica;
N= 45 donde grupo de ganadores es 6 y grupo e no ganadores es 39
M= es el tamao de la muestra donde x N de nmeros ganadores

6 39
p ( X=x )=
( x )( 6x )

( 456)
Donde 0x6
2.- Usando la distribucin de probabilidad Hipergeomtrica determinar la
probabilidad de que el jugador acierte los 6 nmeros.
6 39
p ( x=6 )=
( 6 )( 0 )

(456 )
11
p ( x=6 )=
8.145 .060

11
p ( x=6 )= =0.00000012
8.145 .060

p ( 6 )=0.00000012

3.- La empresa encargada del sorteo informa que la probabilidad de que


coincidan todos los nmeros es de 1 en 8145060. Qu significa esto en
trminos de probabilidad? Coincide esto con su respuesta anterior.
Si coinciden, esto quiere decir que existen 5.145.060 combinaciones posibles de 6
nmeros de un total de 45 y solo una combinacin ganadora.
El sorteo tambin otorga un premio si el jugador hace coincidir 3, 4 o 5 de los
nmeros ganadores
4) Calcule la probabilidad, para hacer coincidir 3 de los 6 nmeros
ganadores

P ( x )=
( x ) ( nx )
d N d

( Nn )
La de acertar 3 seria
20393837
654 39
P ( 6 )=
( 3)( 63 )
6 456
=
3!( )

3
=
3!
454443424140
=
6!
(456) (456)
209139 182780
= =0.02244059589
8145060 8145060

5) Calcule la probabilidad de que coincidan 4 de los 6 nmeros ganadores

65 39
P ( 6 )=
( )(
6 456
4 64 ) =
2 (2)

=
(6 )
45
(6)
45

15741 11115 741


= = =0.0013
8145060 8145060 543004

6. Calcule la probabilidad de que coincidan 5 de los 6 nmeros ganadores

6 (39 )
P ( x=5 )=
( )
5 65
=
( 5) ( 1 )
6 39
=
(6) (6)
45 45
639
P ( x=5 )= =
8145060

P ( x=5 )=0.0003

7. Con base en los resultados obtenidos, usted invertira dinero en el


BALOTO?
Revisando y sacando uno mismo esos porcentajes, me puedo dar cuenta que las
probabilidades de ganar son muy muy pocos, pero eso es lo que lo hace tan
interesante ya que su acumulado es cada vez mas grande. Si jugara el baloto
porque simplemente es suerte en tan pocas probabilidades de ganar.

CONCLUSIONES

Una vez terminado el trabajo colaborativo en su fase 2 podemos concluir las innumerables
aplicaciones de las distribuciones de probabilidades tanto discretas como continuas, las cuales
permiten resolver diferentes problemas que se presentan en la vida diaria.

Gracias al desarrollo de este taller hemos podido comprender que las variables aleatorias
y las distribuciones de probabilidad son de gran utilidad, siempre que se haga un buen
uso de las frmulas que estas nos ofrecen.

Podemos dar solucin rpida a problemas que se nos pueden presentar en cualquier parte de
nuestro trabajo, ya sea en investigacin o en la vida cotidiana.

La actividad desarrollada ha brindado a cada integrante del grupo colaborativo a comprender y


apropiarse de las temticas tratadas en el curso Probabilidad, lo cual provee a cada uno de
herramientas fundamentales para desenvolverse de una mejor manera en el mundo cada vez ms
globalizado, cambiante y exigente que requiere de profesionales integrales y competitivos que
generen progreso y desarrollo para las regiones y el pas.

BIBLIOGRAFIA

Morales, Adriana (2010) Modulo Probabilidad. Bogot D.C., Universidad


Nacional Abierta y a distancia UNAD.
http://datateca.unad.edu.co/contenidos/100402/modulo_probabilidad_20
10I.pdf
Variables aleatorias discretas. Tomado de
http://www.uoc.edu/in3/emath/docs/VA_discretas.pdf Consultado abril de
2015
Walpole, R (1999). Probabilidad y estadstica para ingenieros.
http://books.google.com.co/books?
id=3Tkb8HJ5toUC&pg=PA257&dq=Variables+aleatorias+continuas+y+s
us+distribuciones+de+probabilidad&hl=es&sa=X&ei=tWlgU7fF7K0sQT
dkYHgBw&ved=0CC8Q6wEwAA#v=onepage&q=Variables%20aleatorias
%20continuas%20y%20sus%20distribuciones%20de
%20probabilidad&f=false Consultado abril de 2015
Llins, H. (2006). Estadstica descriptiva y distribuciones de probabilidad.
Bogot: Uninorte
Canavos, G. (1986). Probabilidad y Estadstica. Mxico: McGraw Hill.

Ortegn, M. (2010) Mdulo de Estadstica Descriptiva. Universidad


Nacional Abierta y a Distancia. Ediciones UNAD: Ibagu.