ACTIVIDAD GRUPAL DE TRABAJO COLABORATIVO UNO

CURSO PROBABILIDAD

PRESENTADO POR:
INGRITH VANESSA BLANCO
RONAL JANCARLO SILVA RODRIGUEZ COD: 4084102

GRUPO: 100402_250

PRESENTADO A:
JULIAN ANDRES ROZO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BSICAS, TECNOLOGA E INGENIERA
PROGRAMA DE INGENIERIA INDUSTRIAL
TUNJA ABRIL 2016

INTRODUCCION
En el presente trabajo se presenta un resumen de los contenidos de la unidad dos, para
lograr un reconocimiento de los temas y lograr un mejor desempeo en el desarrollo de las
problemticas propuestas, las cuales se les da solucin en el mismo trabajo.

DESARROLLO DE LA ACTIVIDAD
Aporte RONAL SILVA
UNIDAD DOS
Variables aleatorias y distribuciones de probabilidad
Captulo 4: variables aleatorias
Leccin 16: Concepto de variables aleatorias.
Una variable aleatoria es pues, una funcin que asigna un nmero real a cada resultado en
el espacio muestral de un experimento aleatorio. Ellas se denotan con una letra mayscula,
tal como X.
Ejemplo 1.
Considere el lanzamiento de una moneda. El espacio muestral de este experimento aleatorio
est constituido por dos resultados: cara y sello.
Si se define X (cara) = 0 y X (sello) = 1, se transforman los dos posibles resultados del
espacio muestral en cantidades numricas reales.
De esta manera P(X=0) representa la probabilidad de que el resultado al lanzar la moneda
es cara.
Leccin 17: Variable aleatoria discreta.
Una variable aleatoria discreta es aquella que slo puede tomar valores enteros.
Se dice que una variable aleatoria X es discreta si el nmero de valores que puede tomar es
finito (o infinito contable).
Ejemplos:
* Nmero de caras al lanzar dos dados.
* Nmero de cifras acertadas en un sorteo de la lotera.
Leccin 18: Variable aleatoria continua
Una variable aleatoria continua es aquella que puede tomar todos los valores posibles
dentro de un cierto intervalo de la recta real.

Definicin: Se dice que una v.a. es continua si el conjunto de todos los valores que puede
tomar no es numerable.
Una variable aleatoria X es (absolutamente) continua si existe una funcin f: RR+ tal que
()=()
Esta funcin f se llama funcin de la densidad de la v.a. X
Las propiedades bsicas de cualquier funcin de densidad son las siguientes:
1. ()0 (las frecuencias relativas tampoco podan ser negativas).
2. ()=1 (las frecuencias relativas tambin sumaban uno).
3. ()= () (la funcin de densidad sirve para calcular la probabilidad de que la
variable aleatoria X tome valores en un intervalo I que nos interese).
Ejemplos:
* Duracin de una llamada a un servicio de atencin al cliente.
* Tiempo que un mdico tarda en atender un paciente.
Leccin 19: valor esperado 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. En otras palabras, la media o valor esperado de una variable
aleatoria discreta X es:
x = E(X) = x. f(x)]

Leccin 20: TEOREMA DE CHBYSHEV

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.
Para cualquier variable aleatoria X con media _ y desviacin estndar s, la probabilidad de
que X tome un valor contenido en k desviaciones estndar de la media, siendo k una
constante positiva cualquiera, es cuando menos 1 - 12
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/ 2
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.
CAPITULO 5
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Leccin 21: DISTRIBUCIN UNIFORME DISCRETA
La variable aleatoria discreta ms sencilla es aquella que toma slo un nmero finito de
valores posibles n, cada uno con la misma probabilidad. Ella se denomina entonces variable
aleatoria discreta uniforme y su distribucin uniforme discreta est dada por: f(x) =
Leccin 22: DISTRIBUCIN BINOMIAL
Las distribuciones binomiales son las ms tiles dentro de las distribuciones de
probabilidad discretas. Sus reas de aplicacin incluyen inspeccin de calidad, ventas,
mercadotecnia, medicina, investigacin de opiniones, entre otras. Estas distribuciones
permiten enfrentar circunstancias en las que los resultados pertenecen a dos categoras
relevantes: que ocurra un evento determinado o que no lo haga. Este tipo de experimento
aleatorio particular es denominado ensayo de Bernoulli. Sus dos resultados posibles son
denotados por xito y fracaso y se define por p la probabilidad de un xito y 1-p la
probabilidad de un fracaso.
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. Recibe el nombre de experimento binomial.
La variable aleatoria X, de un experimento binomial, que corresponde al nmero de
ensayos donde el resultado es un xito, tiene una distribucin binomial con parmetros p y
n = 1, 2,
Leccin 23 DISTRIBUCIN BINOMIAL NEGATIVA Y GEOMTRICA
Considerando ahora una serie de ensayos Bernoulli con una probabilidad constante de
xitos p, en la que el nmero de ensayos no es fijo como en la distribucin binomial si no
que stos se realizan hasta que se obtiene el primer xito. Sea entonces, la variable aleatoria
X el nmero de ensayos realizados hasta obtener un xito, ella tiene una distribucin
geomtrica con parmetro p.
Distribucin Binomial Negativa
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,
Leccin 24: DISTRIBUCIN HIPERGEOMTRICA
En la distribucin binomial se vea que el muestreo se haca con reemplazo, asegurando la
independencia de los ensayos y la probabilidad constante.
Supngase ahora que el muestreo es sin reemplazo, caso en el cual los ensayos no son
independientes.
Sea N el nmero de elementos de un conjunto de los cuales k son determinados como
xitos y N-k como fallas, se trata ahora de determinar la probabilidad de x xitos en n
ensayos de los N elementos del conjunto donde k N y n N.

Leccin 25: DISTRIBUCIN POISSON

Esta es otra distribucin de probabilidad discreta til en la que la variable aleatoria
representa el nmero de eventos independientes que ocurren a una velocidad constante. La
distribucin de Poisson, llamada as en honor a Simen Denis
Poisson probabilista francs que fue el primero en describirla, es el principal modelo de
probabilidad empleado para analizar problemas de lneas de espera, confiabilidad y control
de calidad; como el nmero de personas que llegan a un lugar determinado en un tiempo
definido, los defectos en piezas similares para el material, el nmero de bacterias en un
cultivo, el nmero de goles anotados en un partido de ftbol, el nmero de fallas de una
mquina en una hora o en un da, la cantidad de vehculos que transitan por una autopista,
el nmero de llamadas telefnicas por minuto, etc. Como se puede observar se trata de
hallar la probabilidad de ocurrencia de cualquier nmero por unidad de medicin (temporal
o espacial).
Dado un intervalo de nmeros reales, si ste puede dividirse en sub intervalos
suficientemente pequeos, tales que:
(1) La probabilidad de ms de un acierto en un sub intervalo es cero o insignificante.
(2) La probabilidad de una ocurrencia en un sub intervalo es la misma para todos los sub
intervalos, y es proporcional a la longitud de estos.
(3) El conteo de ocurrencias en cada sub intervalo es independiente del de los dems sub
intervalos. Entonces el experimento aleatorio recibe el nombre de proceso Poisson o flujo
de procesos de Poisson.
Un proceso Poisson constituye un mecanismo fsico aleatorio en el cual los eventos ocurren
al azar en una escala de tiempo (o de distancia). Por ejemplo, la ocurrencia de accidentes en
un cruce especfico de una carretera sigue dicho proceso. Cabe recordar que no es posible
predecir con exactitud la cantidad de accidentes que pueden ocurrir en determinado
intervalo de tiempo, pero s el patrn de los accidentes en gran nmero de dichos intervalos.
Dado un proceso Poisson donde es el nmero promedio de ocurrencias en el intervalo de
nmeros reales donde este se define, la variable aleatoria X correspondiente al nmero de
ocurrencias en el intervalo es llamada variable aleatoria Poisson.
Distribucin Poisson como aproximacin a la distribucin binomial
La distribucin Poisson ofrece una aproximacin excelente a la funcin de probabilidad
binomial cuando la probabilidad p de tener un xito es pequea y el tamao n de la muestra

es grande. Podra decirse que se tiene una aproximacin muy satisfactoria cuando n 20 y
n 0.05 y tal aproximacin se incrementa a medida que disminuye p.
CAPITULO 6
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Leccin 27: DISTRIBUCION UNIFORME
Se dice que una variable X posee una distribucin uniforme en el intervalo [a,b],
X U (a,b) si su funcin de densidad es la siguiente:
()= 1
Con esta ley de probabilidad, la probabilidad de que al hacer un experimento aleatorio, el
valor de X este comprendido en cierto sub intervalo de [a,b] depende nicamente de la
longitud del mismo, no de su posicin.
Leccin 27: DISTRIBUCION NORMAL Y USO DE LA DISTRIBUCIN NORMAL
ESTANDAR
Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se
comportan segn una distribucin normal.
Esta distribucin de caracteriza porque los valores se distribuyen formando una campana de
Gauss, en torno a un valor central que coincide con el valor medio de la distribucin:
Distribucin normal estndar o tipificada
Cuando la media de la distribucin normal es 0 y la varianza es 1, se denomina
"normal tipificada", y su ventaja reside en que hay tablas, o rutinas de clculo que permiten
obtener esos mismos valores, donde se recoge la probabilidad acumulada para cada punto
de la curva de esta distribucin.
Leccin 28: APLICACIONES DE LA DISTRIBUCIN NORMAL
Empecemos con un ejemplo:

El salario medio de los empleados de una empresa se distribuye segn una distribucin
normal, con media $ 500.000. y desviacin tpica $100.000 Calcular el porcentaje de
empleados con un sueldo inferior a $700.000
Solucin:
Lo primero que haremos es transformar esa distribucin en una normal tipificada, para ello
se crea una nueva variable (Z) que ser igual a la anterior (X) menos su media y dividida
por la desviacin tpica.
= 700.000500.000100.000
Esta nueva variable se distribuye como una normal tipificada. La variable Z que
corresponde a una variable X de valor 700.000 es: Z= 2
Leccin 29: DISTRIBUCION EXPONENCIAL Y CHI CUADRADO
Distribucin Exponencial
Esta distribucin se utiliza como modelo para la distribucin de tiempos entre la
presentacin de eventos sucesivos. Existe un tipo de variable aleatoria que obedece a una
distribucin exponencial la cual se define como el tiempo que ocurre desde un instante
dado hasta que ocurre el primer suceso.
Suponiendo que la duracin de cierto componente en estado slido X es exponencial.
Entonces la probabilidad de que X dure t unidades despus de haber durado a unidades es la
misma que la probabilidad de que X dure t unidades cuando X estaba nuevo.
Leccin 30:
OTRAS DISTRIBUCIONES CONTINUAS: DISTRIBUCION t-STUDENT
Distribucin t-Student
La distribucin t-Student se construye como un cociente entre una normal y la raz de una
2 independientes. De modo preciso, llamamos distribucin t-Student con n grados de
libertad, tn a la de una v.a. T,
APORTE: INGRITH BLANCO
Variable aleatoria discreta y continua
Se llama variable aleatoria a toda funcin que asocia a cada elemento del espacio
Muestral E un nmero real.

Se utilizan letras maysculas X, Y,... para designar variables aleatorias, y las respectivas
minsculas (x, y,...) para designar valores concretos de las mismas.
Variable aleatoria discreta
Es aquella que slo puede tomar valores enteros.
Ejemplo:
El nmero de hijos de una familia, la puntuacin obtenida al lanzar un dado.
Variable aleatoria contina
Es aquella que puede tomar todos los valores posibles dentro de un cierto intervalo de la
recta real.
Ejemplo:
La altura de los alumnos de una clase, las horas de duracin de una pila.
Distribucin binomial
La distribucin binomial es tpica de las variables que proceden de un experimento que
cumple las siguientes condiciones:
1) El experimento est compuesto de n pruebas iguales, siendo n un nmero natural
fijo.
2) Cada prueba resulta en un suceso que cumple las propiedades de la variable
binmica o de Bernoulli, es decir, slo existen dos posibles resultados, mutuamente
excluyentes, que se denominan generalmente como xito y fracaso.
3) La probabilidad del xito (o del fracaso) es constante en todas las pruebas. P
(xito) = p; P (fracaso) = 1 - p = q
4) Las pruebas son estadsticamente independientes,
En estas condiciones, la variable aleatoria X que cuenta el nmero de xitos en la n
pruebas se llama variable binomial. Evidentemente, el espacio Muestral estar compuesto
por los nmeros enteros del 0 al n. Se suele decir que una variable binmica cuenta objetos
de un tipo determinado en un muestreo de n elementos con reemplazamiento.
La funcin de probabilidad de la variable binomial se representa como b(x, n, p) siendo n el
nmero de pruebas y p la probabilidad del xito. n y p son los parmetros de la
distribucin.

La manera ms fcil de calcular de valor de nmeros combinatorios, como los incluidos en

la expresin anterior, es utilizando el tringulo de Tartaglia

La media y la varianza de la variable binomial se calculan como:

Media = = n p
Varianza = 2 = n p q
Distribucin binomial negativa y geomtrica
Distribucin binomial negativa
Es una distribucin de probabilidad discreta que incluye a la distribucin de Pascal.
El nmero de experimentos de Bernoulli de parmetro independientes realizados hasta la
consecucin del k-simo xito es una variable aleatoria que tiene una distribucin binomial
negativa con parmetros k y .
Formula:
[ = ] = (

Distribucin geomtrica
Considere ahora una serie de ensayos Bernoulli con una probabilidad constante de xitos p,
en la que el nmero de ensayos no es fijo como en la distribucin binomial si no que stos
se realizan hasta que se obtiene el primer xito. Sea entonces, la variable aleatoria X el
nmero de ensayos realizados hasta obtener un xito, ella tiene una distribucin
geomtrica con parmetro p y se expresa:

f(x;p)=(1-p) x-1 .p x=1,2,...

Tomando q=1-p y denotando la distribucin geomtrica como g(x;p) , ella se simplifica de
la siguiente manera:
g(x,p)=qx-1 .p
La funcin de distribucin geomtrica acumulada se expresa como:
La media y la varianza de una variable aleatoria geomtrica son:

Distribucin de Poisson
En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de
tiempo.
Formula:

( ) =
!
Un proceso Poisson constituye un mecanismo fsico aleatorio en el cual los eventos ocurren
al azar en una escala de tiempo (o de distancia). Por ejemplo, la ocurrencia de accidentes en
un cruce especfico de una carretera sigue dicho proceso. Cabe recordar que no es posible
predecir con exactitud la cantidad de accidentes que pueden ocurrir en determinado
intervalo de tiempo, pero s el patrn de los accidentes en gran nmero de dichos intervalos.
Dado un proceso Poisson donde es el nmero promedio de ocurrencias en el intervalo de
nmeros reales donde este se define, la variable aleatoria X correspondiente al nmero de
ocurrencias en el intervalo es llamada variable aleatoria Poisson y su funcin de
probabilidad est dada por:
F (x, n. p)= (e-n .p (n. p) x)/ x! x= 0, 1,2,......n. p>0
La distribucin Poisson representa la probabilidad de que un evento aislado ocurra un
nmero especfico de veces en un intervalo de tiempo (o un espacio) dado, al fijarse la tasa
de acontecimientos en un continuo temporal (o espacial). Su parmetro es , el nmero
promedio de ocurrencias del experimento aleatorio. En muchos casos se denota como
.
El nmero promedio de ocurrencias de un evento por unidad de tiempo (o de espacio) es la
media de la variable aleatoria Poisson y se define como:

Y la desviacin estndar resulta ser:

Distribucin hipergeomtrica
Una variable tiene distribucin hipergeomtrica si procede de un experimento que cumple
las siguientes condiciones:
1)

Se toma una muestra de tamao n, sin reemplazamiento, de un conjunto finito de

N objetos.
2) K de los N objetos se pueden clasificar como xitos y N - K como fracasos.
X cuenta el nmero de xitos obtenidos en la muestra. El espacio Muestral es el conjunto
de los nmeros enteros de 0 a n, de 0 a K si K < n.
En este caso, la probabilidad del xito en pruebas sucesivas no es constante pues depende
del resultado de las pruebas anteriores. Por tanto, las pruebas no son independientes entre
s.
La funcin de probabilidad de la variable hipergeomtrica es:

Los parmetros de la distribucin son n, N y K.

Los valores de la media y la varianza se calculan segn las ecuaciones:

Distribucin uniforme discreta y uniforme contina

Distribucin uniforme continua:
Es una familia de distribuciones de probabilidad para variables aleatorias continuas, tales
que cada miembro de la familia, todos los intervalos de igual longitud en la distribucin en
su rango son igualmente probables. El dominio est definido por dos parmetros, a y b, que
son sus valores mnimo y mximo. La distribucin es a menudo escrita en forma abreviada
como U(a, b)

Media
Varianza

+
2
( )2
12

Distribucin uniforme discreta:

Es una distribucin de probabilidad que asume un nmero finito de valores con la misma
probabilidad.
Si la distribucin asume los valores reales

, su funcin de probabilidad es

Y su funcin de distribucin la funcin escalonada

Su media estadstica es

Y su varianza

Distribucin normal
Una variable es normal cuando se ajusta a la ley de los grandes nmeros, es decir, cuando
sus valores son el resultado de medir reiteradamente una magnitud sobre la que influyen
infinitas causas de efecto infinitesimal.
Las variables normales tienen una funcin de densidad con forma de campana a la que se
llama campana de Gauss.
Su funcin de densidad es la siguiente:

Los parmetros de la distribucin son la media y la desviacin tpica, y ,

respectivamente. Como consecuencia, en una variable normal, media y desviacin tpica no
deben estar correlacionadas en ningn caso (como desgraciadamente ocurre en la inmensa
mayora de las variables aleatorias reales que se asemejan a la normal.
La curva normal cumple las siguientes propiedades:
1) El mximo de la curva coincide con la media.
2) Es perfectamente simtrica respecto a la media (g1 = 0).

3)

La curva tiene dos puntos de inflexin situados a una desviacin tpica de la

media. Es convexa entre ambos puntos de inflexin y cncava en ambas colas.
Distribucin chi cuadrado y t de student
Distribucin chi cuadrado:
Si (X1,X2,...,Xn) son n variables aleatorias normales independientes de media 0 y varianza
1, la variable definida como
Yn X12 Xn2 i1 Xi2
n

Se dice que tiene una distribucin CHI con n grados de libertad. Su funcin de densidad es
1
f (x)
x ( n 2) / 2 e x / 2
x0
n n
2
2

Siendo (P) X P 1e x dx la funcin gamma de Euler, con P>0. La funcin de

0

distribucin viene dada por

x

F( x ) P( X x ) f ( x )dx
0

La media de esta distribucin es E(X)=n y su varianza V(X)=2n. Esta distribucin es bsica

en un determinado nmero de pruebas no paramtricas.
Si consideramos una variable aleatoria Z~N (0,1), la variable aleatoria X=Z2 se distribuye
segn una ley de probabilidad distribucin CHI con un grado de libertad
Si tenemos n variable aleatoria independientes Zi~N(0,1), la suma de sus cuadrados
respectivos es una distribucin CHI con n grados de libertad,
n

Z i N(0,1) Z i2 2n
i 1

La media y varianza de esta variable son respectivamente, E(X)=n y V(X)=2n

Distribucin t de student:
Si (X,X1,X2,...,Xn) son n+1 variables aleatorias normales independientes de media 0 y
varianza s2, la variable
X
Yn
1 n 2
Xi
n i 1
Tiene una distribucin t-Student con n grados de libertad. Su funcin de densidad es
n 1
n 1

2
2

1
x
2

f (x)
x0
n
n
n

2

Siendo (P) X P 1e x dx la funcin gamma de Euler con P>0. La media de la

0

distribucin t-Student es E(X)=0 y su varianza V(X)=n/(n-2), la cual no existe para grados

de libertad menores que 2.
Esta distribucin aparece en algunos contrastes del anlisis normal.
La distribucin t-Student se construye como un cociente entre una normal Z~N(0,1) y la
raz de una Chi 2n independientes. De modo preciso, llamamos distribucin t-Student con
n grados de libertad, t n a la de una variable aleatoria T,
X
Z

tn
T
t n Y adems, T
2
1 2
n
1 Xi i
n

n
n i 1 i

CASO 1
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 12 vehculos.
INFORME A PRESENTAR:
Presente un informe en el que como mnimo incluya:
1.- Esta situacin cumple con los supuestos de la distribucin binomial? Identifquelos
Una distribucin binomial consiste en repetir una prueba n veces. La prueba solo puede
presentar dos resultados xito o fracaso con suma de esas dos probabilidades igual a 1. A la
probabilidad de xito se le llama p.
Y debe presentar la caracterstica de que la probabilidad de cada prueba es independiente
del resultado de las anteriores, es decir, que p es constante para todas las pruebas.
Esta situacin no cumple por entero los requisitos de una distribucin binomial, cuando
salga un conductor con cinturon la probabilidad de que los otros lleven cinturn disminuir
algo y viceversa. Pero se supone que la cantidad de conductores es tan grande que esa
diferencia es despreciable. Por tanto, podemos asumir que es una binomial casi perfecta. Es
una (12,0.762)

=12
=0.762
2.- Elabore un diagrama de barras para la distribucin de probabilidad binomial que
representa Esta situacin

3.- Cul es la probabilidad que los ocupantes de la parte delantera en exactamente 7 de los
12 vehculos seleccionados utilicen cinturones de seguridad?
Aplicamos la frmula para x= 7
( = 7) = (

12
) (0.762)7 (0,238)5 = 0,09021832636
7

4.- Cul es la probabilidad que los ocupantes de la parte delantera de por lo menos 7 de los
12 vehculos utilicen cinturn de seguridad?
(7)=(=7)+(=8)+ +(=12)=0.09021+0.86611=0.95633
5.- Cul es la probabilidad que los ocupantes de la parte delantera de mximo 7 de los 12
Vehculos
Es un Binomial (;)= (12; 0.762)
X= numero de vehculos que llevan los dos cinturones delanteros
(<=7)= =1(>7)
(>7)=(=8)+(=9)+(=10)+(=11)+(=12)
=1=10.762=0.238

6.- Encuentre el valor esperado del nmero de vehculos en los que los ocupantes de la
parte delantera utilizan el cinturn de seguridad?

() = ( ) ( )

12
( = 8) = ( )(0.762)8(0.238)4 = 0.18053
8
12
( = 9) = ( )(0.762)9 (0,238)3 = 0,25689
9
12

( = 10) = (10)(0,762)10 (0.238)2 = 0.24674

12

( = 11) = (11)(0,762)11 (0.238)= 0.14363

( = 12) = (

12
)(0.762)12 = 0,86611
12

Entonces
= ( > 7) = ( = 8) + ( = 9)+. . ( = 12) = 0.86611
= ( 7) = 1 ( > 7) = 1 086611 = 0.13389
~(,)
()=
~(12,0.762) () = 12 0.762 = 9.144

CASO 2
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.

INFORME A PRESENTAR:
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)
Si cumple con la distribucin Hipergeomtrica ser de la siguiente manera, existe una
poblacin se tomar como N, estn compuesto por unos elementos que cumplen una
propiedad la cantidad de dichos elementos se denomina con la letra d, luego debemos
extraer una muestra n de la poblacin y a distribucin nos dar la probabilidad de lo que
estemos buscando.
N/ son los 45 nmeros.
d/ cantidad de elementos
x / elementos con propiedad
Los elementos que cumplen la propiedad son 6 que ha salido en el sorteo.
La muestra que se toma es la de los 6 nmeros
La probabilidad que nos da el mtodo Hipergeomtrica es la de tener 0 a 6 ganadores.
2.- Usando la distribucin de probabilidad Hipergeomtrica determinar la
probabilidad de que el jugador acierte los 6 nmeros
La frmula para comprobar dicha probabilidad es la siguiente:
( ). (
)

(x) =
( )
Solucin para acertar 6 nmeros
(6). (456) 1. (39)
1
(6) = 6 4566 = 450 = 45!
(6)
(6)
39!.6!

39! .6!
6!
720
=
=
45!
45.44.43.42.41.40 5864443200
1
=
= 1.22773804 107 = 0.000000122773804
8145060
La probabilidad para que el jugador acierte los 6 nmeros es= 0.000000122773804
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. El sorteo tambin otorga un
premio si el jugador hace coincidir 3, 4 o 5 de los nmeros ganadores
1
(6) =
= 1.22773804 107
8145060
Si coincide con el punto anterior ya que se lleg a la misma fraccin.
4) Calcule la probabilidad, para hacer coincidir 3 de los 6 nmeros ganadores.
( ). (
)

(
)
x =
( )
Solucin para acertar 3 nmeros
(63). (456
) 6.5.4
(39
)
63
3!
(6) =
= 45 3
45
(6)
(6)
39.38.37
20 .
20 . 9139
182780
3!
=
=
=
45.44.43.42.41.40 8145060 8145060
6!
= 0.02244059589
La probabilidad para que coincida 3 de los 6 nmeros ganadores es = 0.02244059589
5) Calcule la probabilidad de que coincidan 4 de los 6 nmeros ganadores
( ). (
)

(x) =
( )
Solucin para acertar 4 nmeros
6.5 39
.( 2)
(64). (456
)
64
2
(6) =
=
=
(45
)
(45
)
6
6
39.38
15. 2
15.741
11115
741
=
=
=
8145060 8145060 8145060 543004
= 0.001364630831
La probabilidad para que el jugador acierte los 4 nmeros es = 0.001364630831
6) Calcule la probabilidad de que coincidan 5 de los 6 nmeros ganadores
( ). ()
(x) =
( )
Solucin para acertar 4 nmeros

(6) =

(65). (456
)
65

6. (39
)
1

= 45 =
(45
)
(6)
6
6 . 39
234
39
=
=
8145060 8145060 1357510
= 2.872807014 . 105 = 0.00002872807014
La probabilidad para que el jugador acierte los 5 nmeros es = 0.00002872807014
7) Con base en los resultados obtenidos, usted invertira dinero en el BALOTO?
La verdad creo que no invertira en Baloto ya que este sorteo es dios y suerte que uno logre
ganar en este juego no es muy fcil acertar con 3 cifras, ahora acertar con 6 o 5 es casi
imposible.

CASO 3.
La distribucin de probabilidad de Poisson describe el nmero de veces que se presenta un
evento durante un intervalo especfico. El intervalo puede ser de tiempo, distancia, rea o
volumen. La distribucin se basa en dos supuestos. El primero consiste en que la
probabilidad es proporcional a la longitud del intervalo. El segundo supuesto consiste en
que los intervalos son independientes. En otras palabras, cuanto ms grande sea el
intervalo, mayor ser la probabilidad; adems, el nmero de veces que se presenta un
evento en un intervalo no influye en los dems intervalos.
Esta distribucin posee diversas aplicaciones. Se le utiliza como modelo para describir la
distribucin de errores en una entrada de datos, el nmero de rayones y otras
imperfecciones en las cabinas de automviles recin pintados, el nmero de partes
defectuosas en envos, el nmero de clientes que esperan mesa en un restaurante, el nmero
de accidentes en una carretera en un periodo determinado.
La compaa de aviacin Delta Airlines, se caracteriza por su responsabilidad y cuidado
con el equipaje de sus pasajeros, por lo que pocas veces se pierde equipaje. En la mayora
de los vuelos no se pierden maletas; en algunos se pierde una; en unos cuantos se pierden
dos; pocas veces se pierden tres, etc. Suponga que una muestra aleatoria de 1 000 vuelos
arroja un total de 300 maletas perdidas. De esta manera, el nmero promedio de maletas
perdidas por vuelo es de 0.3.
Prepare un informe en el que como mnimo, incluya:
1.- Esta situacin cumple con los supuestos de la distribucin Poisson? Identifquelos
El nmero de maletas que se espera se pierdan en un promedio de 1000 vuelos.

La distribucin de poisson suele emplearse con sucesos de probabilidades pequeas y/o

muy escazas. En este caso el suceso que rara vez ocurre es que una maleta se pierda en la
mayora de vuelos de Delta airlines lo que significa que la probabilidad que ocurra es muy
pequea.
= (media del # de ocurrencias)
No. de veces que se espera ocurra el fenmeno =3001000= 0,3
x = No. de ocurrencia del evento = 0
2.- Determine cul es la probabilidad de que en un vuelo no se pierda ninguna maleta.
(0) =

(, 3)0 ( 0,3)
= 0,74 100 = 74%
0

Significa que el 74% de los vuelos realizados (o 740 vuelos) no tuvo ninguna maleta
perdida.
3.- Determine cul es la probabilidad de que en un vuelo se pierda exactamente una maleta.
(0,3)1( 0,3 )
=
= 0,222 100: 22%
1
Significa que el 22% de los vuelos (unos 220 vuelos) tendr una maleta perdida.
4.- Determine cul es la probabilidad de que en un vuelo se pierdan entre dos y cuatro
maletas.
Tabla de Poisson para valores de (0-4)
u
x
0,1
0,2
0
0,904
0,818
1
0,09
0,163
2
0,004
0,016
3
0,002
0,001
4
0,000
0,0001
(2) =

0,3
0,74
0,22
0,033
0,003
0,0003

0,4
0,67
0,268
0,053
0,007
0,0007

(0,3)2( 0,3 )
= 0,033 100 = 3.3%
2

0,5
0,60
0,30
0,075
0,012
0,001

(0,3)3( 0,3 )
(3) =
= 0,003 100 = 0,3%
3
(4) =

(0,3)4 ( 0,3)
= 0,0003 100 = 0,03%
4

La probabilidad de que el nmero de maletas perdidas por vuelo se incremente de 2 a 4 es

cada vez menor.
5.- Podra establecer cul es la probabilidad de que se pierdan en un vuelo ms de cuatro
maletas.
X4
() =

(0,3) ( 0,3)
x

X=5
(5) =

(0,3)5
5

= 0,0000036 100 = 0,00036%

La probabilidad cada vez segn las condiciones anteriormente mencionadas es cada vez
ms inexistente.
6.- En qu momento debe sospechar el supervisor de la Aerolnea que en un vuelo se estn
perdiendo demasiadas maletas?
En el 22% de los vuelos se sabe que se perder en promedio 1 maleta, que esta cifra se
incremente tiene una posibilidad ms reducida de ocurrencia, as que una maleta se puede
perder pero cada vez menos se perdern un mayor nmero de maletas.
Caso 4
Para una poblacin grande de personas sin hogar, Wong y Piliavin (2001) examinaron
factores de estrs, recursos y agotamiento psicolgico empleando la Escala de Depresin
del Centro de Estudios Epidemiolgicos (CESD), un cuestionario de evaluacin
comunitario.

Entre las personas sin hogar, la puntuacin media del cuestionario CESD es 23,5 con una
desviacin estndar de 7.5 y se considera que para la Variable X = puntuacin del CESD, la
distribucin es normal. Como trabajador en el rea de admisiones en un refugio para
personas sin hogar, usted es el encargado de aplicar el CESD y debe evaluar los resultados
para las nuevas personas que lleguen al centro.
Dentro de las polticas del refugio se encuentra que cualquier persona cuya puntuacin sea
de 20 o ms puntos en el CESD debe enviarse a ver a un doctor.
1. La probabilidad de que una persona que llegue al refugio sea enviado a ver al doctor.
Z= ( 20 23) / 7.5 = - 0.47
=0,4660,47
(=0,47)=0,180818,08% (0,47)=0,1808+0,5=0.680868.08%
La probabilidad de que una persona que llegue al refugio sea enviada a ver el doctor es de
68.08 %
2. La probabilidad de que una persona que llegue al refugio tenga una puntacin de 10 o
menos puntos.
Z = ( 10 23 ) / 7.5 = - 1.8
P (Z = -1.8) = 0.4641 46.41 %
P ( Z - 1.8) = 0.5 - 0.4641 = 0,0359 3.59%
La probabilidad de que una persona que llegue al refugio tenga una puntuacin de 10 o
menos puntos es de 3.59 %
3. La probabilidad de que una persona que llegue al refugio tenga una puntuacin entre 16
y 20 puntos.
Solucin
1 =

16 20
4
=
=
= 0.54

7.5
7.5

2 =

20 20
0
=
=
=0

7.5
7.5

( 0.54 < <0 )=(< 0.54)( <0)=0.20540=0.2054

La probabilidad de que una persona que llegue al refugio tenga una puntuacin entre 16 y
20 puntos es de 20.54 %
4. Si las personas sin hogar con puntuacin en el 15% ms alto deben ser enviadas a los
servicios de prevencin de suicidios, Qu puntuacin hace calificar a una persona que
llega al refugio para este servicio?
=

0.15 20
19.85
=
=
= 2.65

7.5
7.5

P( z > -2.65) = 0.5 + 0.4953 = 0.9953 = 99.53%

La puntuacin que hace calificar que una persona sea enviada a los servicios de prevencin
de suicidios es de 99.53%
5. Las personas sin hogar con puntacin en el 25% ms bajo, se les enva a un servicio de
orientacin laboral para mejorar sus recursos. Qu puntuacin permite calificar a una
persona para acceder a este servicio?
=

0.25 20
19.75
=
=
= 2.64

7.5
7.5

( <2.64)=0.50.4953=0.0047=0.47%
Para que una persona califique para acceder al servicio de orientacin laboral para mejorar
sus recursos debe tener una puntuacin del 0.47%

REFERENCIAS BIBLIOGRAFICAS
Evans, M (2004). Probabilidad y estadstica, la ciencia de la incertidumbre. Barcelona:
Libert
http://books.google.com.co/books?id=ZU3MEKZFgsMC&pg=PA29&dq=Propiedades+b%
C3%A1sicas+de+probabilidad&hl=es&sa=X&ei=BmNgUfEOYe_sQTmioDgAg&ved=0CDQQ6wEwAQ#v=onepage&q=Propiedades%20b%C3%A
1sicas%20de%20probabilidad&f=false
Llins, H. (2006). Estadstica descriptiva y distribuciones de probabilidad. Bogot:
Uninorte
http://books.google.com.co/books?id=3Tkb8HJ5toUC&pg=PA257&dq=Variables+aleatori
as+continuas+y+sus+distribuciones+de+probabilidad&hl=es&sa=X&ei=tWlgU57fF7K0sQ
TdkYHgBw&ved=0CC8Q6wEwAA#v=onepage&q=Variables%20aleatorias%20continuas
%20y%20sus%20distribuciones%20de%20probabilidad&f=false
Instituto Tecnolgico de Chihuahya. Curso de Probabilidad y Estadstica
http://www.itch.edu.mx/academic/industrial/sabaticorita/amarillo.htm
Morales, Adriana (2010) Modulo Probabilidad. Bogot D.C., Universidad Nacional Abierta
y a distancia UNAD.
http://datateca.unad.edu.co/contenidos/100402/modulo_probabilidad_2010I.pdf