PROBABILIDAD

UNIDAD 2 TRABAJO No. 10 TRABAJO COLABORATIVO No. 2

ESTUDIANTE LIZETH VIVIANA YAIMA AROCA CDIGO: 1070601875 MELCHISEDEK EDWIN PREZ BUITRAGO CODIGO: 1.069.924.212 Grupo: 100402_298

TUTOR JORGE ENRIQUE TABOADA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA CEAD GIRARDOT 23/11/ 2013

PROBABILIDAD

INTRODUCCION

La probabilidad es un mtodo mediante el cual se obtiene la frecuencia de un suceso determinado mediante la realizacin de un experimento aleatorio, del que se conocen todos los resultados posibles, bajo condiciones suficientemente estables. El siguiente trabajo, expone los conocimientos obtenidos en la segunda unidad del mdulo de probabilidad, en donde se realiz un resumen de las temticas contenidas en los captulos cuatro, cinco y seis, igualmente se desarrollaron ejercicios de aplicacin con el fin de comprender con ms facilidad los conceptos asociados al curso de probabilidad, notndose mediante estos la importancia de la probabilidad en nuestra vida cotidiana y profesional.

PROBABILIDAD

CAPITULO CUATRO: LECCION 16: CONCEPTO DE VARIABLE ALEATORIA 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. Se dice que X es aleatoria porque involucra la probabilidad de los resultados del espacio muestral, y se define X como una funcin porque transforma todos los posibles resultados del espacio muestral en cantidades numricas reales. LECCION 17: VARIABLE ALEATORIA DISCRETA Se dice que una variable aleatoria discreta X, tiene un conjunto definido de valores posibles X1, X2, X3,Xn con probabilidades respectivas p1,p2, p3,pn., es decir que solo puede tomar ciertos valores dentro de un campo de variacin dado. Como X ha de tomar uno de los valores de este conjunto, entonces p1+p2++pn=1. En general, una variable aleatoria discreta X representa los resultados de un espacio muestral en forma tal que por P(X=x) se entender la probabilidad de que X tome el valor de x. De tal forma que al considerar los valores de una variable aleatoria es posible desarrollar una funcin matemtica que asigne una probabilidad a cada realizacin x de la variable aleatoria X. EJEMPLO: Tire un dado al aire y tome para X el nmero orientado hacia arriba. Entonces X es una variable aleatoria discreta con valores posibles 1, 2, 3, 4, 5 y 6

LECCION 18: VARIABLE ALEATORIA CONTINUA Una variable aleatoria continua es una funcin X que asigna a cada resultado posible de un experimento un nmero real. Si X puede asumir cualquier valor en algn intervalo I (el intervalo puede ser acotado o desacotado), se llama una variable aleatoria continua. 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 f(x) no es la misma funcin de probabilidad de una variable aleatoria discreta

PROBABILIDAD

La grfica de la funcin f(x) es una curva que se obtiene para un nmero muy grande de observaciones y para una amplitud de intervalo muy pequea. 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. EJEMPLO: Tome para X la temperatura de una persona enferma, tomada con un termmetro de mercurio con una escala de 70 hasta 120. Entonces X es continua con valores en el intervalo [70, 120]. LECCION 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:

La varianza de una variable aleatoria es una medida de la dispersin de la distribucin de probabilidad de sta. Se calcula ponderando el cuadrado de cada desviacin con respecto a la media, con la probabilidad asociada con la desviacin. En otras palabras, la varianza de una variable aleatoria discreta X con media X y funcin de probabilidad f(x), es:

O de un modo equivalente

PROBABILIDAD

LECCION 20: TEOREMA DE CHEBYSHEV 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 , 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 1 2

Simblicamente, el teorema se expresa de cualquiera de las siguientes maneras:

CAPITULO 5 DISTRIBUCIONES DE PROBABILIDAD DISCRETA 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 Binomial: Esta distribucin aparece de forma natural al realizar repeticiones independientes de un experimento que tenga respuesta binaria, generalmente clasificada como xito o fracaso. Por ejemplo, esa respuesta puede ser el hbito de fumar (s/no), si un paciente hospitalizado desarrolla o no una infeccin, o si un artculo de un lote es o no defectuoso. La variable discreta que cuenta el nmero de xitos en n pruebas independientes de ese experimento, cada una de ellas con la misma probabilidad de xito igual a p, sigue una distribucin binomial de parmetros n y p. Este modelo se

PROBABILIDAD

aplica a poblaciones finitas de las que se toma elementos al azar con reemplazo, y tambin a poblaciones conceptualmente infinitas, como por ejemplo las piezas que produce una mquina, siempre que el proceso de produccin sea estable (la proporcin de piezas defectuosas se mantiene constante a largo plazo) y sin memoria (el resultado de cada pieza no depende de las anteriores). Distribucin Binomial negativa y geomtrica: Una generalizacin obvia de la distribucin geomtrica aparece si se supone que un experimento se contina hasta que un determinado suceso, de probabilidad p, ocurre por r- vez. La variable aleatoria que proporciona la probabilidad de que se produzcan k fracasos antes de obtener el r- xito sigue una distribucin binomial negativa de parmetros r y p, BN(r,p). La distribucin geomtrica corresponde al caso particular en que r=1. Un ejemplo es el nmero de lanzamientos fallidos de un dado antes de obtener un 6 en tres ocasiones. Distribucin Hipergeomtrica: La distribucin hipergeomtrica suele aparecer en procesos mustrales sin reemplazo, en los que se investiga la presencia o ausencia de cierta caracterstica.

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], si su funcin de densidad es la siguiente: Con esta ley de probabilidad, la probabilidad de que al hacer un experimento aleatorio, el valor de X este comprendido en cierto subintervalo de [a,b] depende nicamente de la longitud del mismo, no de su posicin. Leccin 28: DISTRIBUCION NORMAL Y USO DE LA DISTRIBUCIN NORMAL ESTANDAR: 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

PROBABILIDAD

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 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 cul se define como EL TIEMPO QUE OCURRE DESDE UN INSTANTE DADO HASTA QUE OCURRE EL PRIMER SUCESO. Se dice que una variable aleatoria continua tiene una distribucin exponencial con parmetro _ > 0 si su funcin de densidad es

Leccin 30: OTRAS DISTRIBUCIONES CONTINUAS: DISTRIBUCION tSTUDENT Distribucin t-Student La distribucin t -Student se construye como un cociente entre una normal y la raz de una independientes. De modo preciso, llamamos distribucin t-Student con n grados de libertad, a la de una v.a. T,

donde , . Este tipo de distribuciones aparece cuando tenemos n+1 v.a. independientes.

PROBABILIDAD

EJERCICIOS CAPITULO 4 Una urna contiene cuatro balotas con los nmeros 1, 2, 3 y 4, respectivamente. Si se toman dos balotas de la urna sin sustitucin y X es la suma de los nmeros de las dos balotas extradas, determine la distribucin de probabilidad de X y represntela por medio de un histograma.

LAS DOS BALOTAS EXTRAIDAS. S=1,2,1,3,1,4,2,1,2,3,2,4,3,1,3,2,3,4,4,1,4,2,,4,3

La variable X corresponde a 3, 4, 5, 6 y 7 P3=1,2,2,1=212=16 P4=1,3,3,1=212=16 P5=1,4,2,3,3,2,4,1=412=13 P6=2,4,4,2=212=16 P7=3,4,4,3=212=16 PX=X=16+16+13+16+16=1

2-El rango de la variable aleatoria X es [0, 1, 2, 3, x], donde x es una incgnita. Si cada valor es igualmente probable y la media de X es 6, calcule x.

PROBABILIDAD

Media=xi/n (0+1+2+3+x)/5 ejecuciones = 6 6+x=30 X=30-6 x=24 entonces la respuesta es X= (0,1,2,3,24)

EJERCICIOS CAPITULO 5. 2. Segn los registros universitarios fracasa el 5% de los alumnos de cierto curso. cul es la probabilidad de que de 6 estudiantes seleccionados al azar, menos de 3 hayan fracasado? Probabilidad de fracaso 5 % o sea 5/100= 0.05 Si tomaras uno al azar tendras 5% de posibilidad de que haya fracasado y 95 % que no Si tomaras 2 estudiantes tendras 0.05 x 0.05 = 0.0025 que los dos hayan fracasado 0.95 x 0.95 = 0.9025 que ninguno haya fracasado 0.05 x 0.95 = 0.0475 primero fracaso, el segundo no 0.95 x 0.05 = 0.0475 primero no fracaso, el segundo si O sea sin fracasos 0.9025, dos fracasos 0.0025 1 fracaso 0.095 Si sumas estos nmeros vemos que da 1 (0.9025+0.0025+00.095) La totalidad de los casos da 1 o sea el 100% Para la pregunta de 6 casos y al menos 3 fracasos Sera encontras 3 fracasos , 4,5 6 Para 3 fracasos 0.05 x 0.05 x 0.05 Para 4 fracasos 0.05 x 0.05 x 0.05 x 0.05 Para 5 fracasos 0.05 x 0.05 x 0.05 x 0.05 x 0.05 Para 6 fracasos 0.05 x 0.05 x 0.05 x 0.05 x 0.05 x 0.05 sumar los cuatro valores En este caso la probabilidad (0.05)se mantiene porque la muestra es grande

PROBABILIDAD

4. Una compaa de seguros considera que alrededor del 25% de los carros se Accidentan cada ao. Cul es la probabilidad de que por lo menos 3 de una Muestra de 7 vehculos asegurados, se haya accidentado? n=7 p=0.25 P(X=x) = C(n,x) * p^x * (1-p)^(n-x) P(X=x) = C(7,x) * 0.25^x * 0.75^(7-x) P(X>=3) = 1- P(X<=2) = 1- P(X=0) - P(X=1) - P(X=2) P(X=0) = C(7,0) * 0.25^0 * 0.75^(7-0) = 0.1335 P(X=1) = C(7,1) * 0.25^1 * 0.75^(7-1) = 0.3115 P(X=2) = C(7,2) * 0.25^2 * 0.75^(7-2) = 0.3115 P(X>=3) = 1 - 0.1335 - 0.3115 - 0.3115 = 0.2435

1. Se sabe que el 60% de los alumnos de una universidad asisten a clases el da viernes. En una encuesta a 8 alumnos de la universidad. Cul es la probabilidad de que: p = 0.6 n=8 q = 1 p = 1 0.6 = 0.4 p(x = r ) = (n / r ) * pr * qn-r a) por lo menos siete asistan a clase el da viernes P (X = 0) = ( 8 / 0) *0.60 X0.48-0 = 8!/ 0! ( 8! 0! ) *0.60 X0.48-0 = 1 * 1* 0.00065 = 0.00065

PROBABILIDAD

P (X = 1) = ( 8 / 1) *0.61 X0.48-1 = 8!/ 1! ( 8! 1! ) *0.61 X0.48-1 = 8 * 0.6 * 0.001 63 = 0.0078 P (X = 2) = ( 8 / 2) *0.62 X0.48-2 = 8!/ 2! ( 8! 2! ) *0.62 X0.48-2 = 28 * 0.36 * 0.004 =0.040 P (X = 3) = ( 8 / 3) *0.63 X0.48-3 =8!/ 3! ( 8! 3! ) *0.63 X0.48-3 =56 * 0.216 * 0.01 024 =0.030 P (X = 4) =( 8 / 4) *0.64 X0.48-4 =8!/ 4! ( 8! 4! ) *0.64 X0.48-4 =70 * 0.1296 * 0.0256 =0.232 P (X = 5) =( 8 / 5) *0.65 X0.48-5 =8!/ 5! ( 8! 5! ) *0.65 X0.48-5 =56 * 0.0777 * 0.064 = 0.275 P (X = 6) = ( 8 / 6) *0.66 X0.48-6 = 8!/ 6! ( 8! 6! ) *0.66 X0.48-6 = 28 * 0.0466 * 0.16 = 0.208

P (X = 7) = ( 8 / 7) *0.67 X0.48-7 = 8!/ 7! ( 8! 7! ) *0.67 X0.48-7 = 8 *0.027 * 0.4 = 0.0864

PROBABILIDAD

La probabilidad es del 0.88 x 100 % = 88% b) por lo menos dos no asistan a clase. P (X = 0) = ( 8 / 0) *0.60 X0.48-0 = 8!/ 0! ( 8! 0! ) *0.60 X0.48-0 = 1 * 1* 0.00065 = 0.00065 P (X = 1) = ( 8 / 1) *0.61 X0.48-1 = 8!/ 1! ( 8! 1! ) *0.61 X0.48-1 = 8 * 0.6 * 0.001 63 = 0.0078 P(X = 2) = ( 8 / 2) *0.62 X0.48-2 = 8!/ 2! ( 8! 2! ) *0.62 X0.48-2 = 28 * 0.36 * 0.004 = 0.040 La probabilidad es de 0.048 x 100 % = 4.8 %

2. Segn los registros universitarios fracasa el 5% de los alumnos de cierto curso. Cul es la probabilidad de que de 6 estudiantes seleccionados al azar, menos de 3 hayan fracasado? p = 0.05 n=6 q = 1 p = 1 0.05 = 0.95 p(x = r) = (n / r) * p or * qn-r

PROBABILIDAD

P (X = 0) = ( 6 / 0) *0.050 X0.956-0 = 6! / 0! ( 6!-0!) *0.050 X0.956-0 = 1 * 1 * 0.735 = 0.735 P (X = 1) = ( 6 / 1) *0.051 X0.956-1 = 6! / 1! ( 6!-1!) *0.051 X0.956-1 = 6 *0.05 * 0.773 = 0.2319 P (X = 2) = ( 6 / 2) *0.052 X0.956-2 = 6! / 2! ( 6!-2!) *0.052 X0.956-2 = 15 * 0.0025 * 0.814 = 0.030 P (X = 3) = ( 6 / 3) *0.053 X0.956-3 = 6! / 3! ( 6!-3!) *0.053 X0.956-3 = 20 * 1.25X10-4 * 0.857 = 0.00214 La probabilidad es de 0.2833 x 100% = 28.33% 4 Una compaa de seguros considera que alrededor del 25% de los carros se accidentan cada ao. Cul es la probabilidad de que por lo menos 3 de una muestra de 7 vehculos asegurados, se haya accidentado? p = 0.25 n=7 q = 1 p = 1 0.25 = 0.75

13 PROBABILIDAD

PROBABILIDAD

p(x = r) = (n / r) * pr * qn-r

Cul es la probabilidad de que por lo menos 3 de una muestra de asegurados, se haya accidentad P ( x = 3 ) = ( 7 / 3 ) * 0.253 * 0.757 3 = 7! / 3! ( 7! 3! ) * 0.253 * 0.757 3 = 35 * 0.0156 * 0.316 = 0.172 La probabilidad es de 0.172 x 100 % = 17.2% 3. Los registros muestran que 30% de los pacientes admitidos en una clnica, no pagan sus facturas y eventualmente se condona la deuda. Suponga que llegan 4nuevos pacientes a la clnica, cual es la probabilidad de que se tenga que perdonar la deuda de uno de los cuatro. B) los cuatro pacientes paguen sus facturas. p = 0.30 n=4 q = 1 p = 1 0.30 = 0.70 p(x = r) = (n / r) * pr * qn-r Probabilidad de que se tenga que perdonar la deuda de uno de los cuatro. p (x = 1) = (4 / 1) * 0.301 * 0.704 1 = 4! / 1! (4! 1!) * 0.301 * 0.704 1 = 4 * 0.3 * 0.343 = 0.4116 x 100% = 41.16% Los cuatro pacientes paguen sus facturas. P (x = 4) = (4 / 4) * 0.304 * 0.704 4 = 4! / 4! ( 4! 4!) * 0.304 * 0.704 4 = 1 * 8.1x10-3 * 1 = 8.1x10-3 = 0.0081x100% = 81%

14 PROBABILIDAD

PROBABILIDAD

6. El conmutador de un hospital recibe en promedio 20 llamadas cada dos minutos. Cul es la probabilidad de que lleguen como mximo dos llamadas en un periodo de 15 segundos.

N = 120 seg K = 20 n = 15 seg PH X =0 = 20C0 PH1 = 20C1

X X

100C15 / 120C15 = 100C14 / 120C15 =

0.053 0.186

PH02 = 20C2 X 100C13 /

120C15 = 0.285

La probabilidad es de 0.524x 100 % = 52.4% 7. Un jefe de almacn sabe que 6 de las 25 bicicletas que tiene para la venta presentan fallas en los frenos y necesitan ajuste. Si el vendedor que no tena conocimiento de lo anterior vendi en el da 4 bicicletas, cul es la probabilidad de que vendiera dos de las que requeran ajuste N = 25 K=6 n=4 X=2 PH2 = 6C2
X

1 9C2 / 25C4 = 0.2027 x 100 % = 20.27%

15 PROBABILIDAD

PROBABILIDAD

EJERCICIOS CAPITULO 6 1.Una mquina automtica con funcionamiento electrnico hace pernos de 3/8 de pulgada los cuales deben tener una longitud de 3 pulgadas. Si en realidad las longitudes de los pernos de 3/8 se distribuyen uniforme en el intervalo (2,5 : 3,5) pulgadas Cul es la probabilidad de que uno de los pernos elegido al azar, de un lote determinado tenga una longitud de: a.- este entre 2.75 y 3.25 pulgadas b.- sea mayor de 3.25 pulgadas c.- sea exactamente igual a 3 pulgadas RTA: a) P(2.75 < X < 3.25) = (3.25-2.75) / (3.5 - 2.5) = 0.5 / 1 = 0.5 = 50% b) P(X>3.25) = P(3.25 < X < 3.5) = (3.5-3.25) / (3.5 - 2.5) = 0.25 / 1 = 0.25 = 25% c) P(X=3) = 100%

4.Las notas de un examen hecho a una clase de 36 alumnos siguen una distribucin Normal con media 4.2 y desviacin estndar 1.3. a) Calcular el nmero de alumnos con nota entre 5 y 7. b) Nmero de alumnos con nota entre 4 y 6.
a)

Tipificamos la variable:

z1= (5-4.2)/1.3 = 0.62 z2 = (7-4.2)/1.3 =2.15 Pr(0.62 < z < 2.15) = Pr(z<2.15) - Pr(z < 0.62) = 0,9842 - 0,7324 = 0.2518 Nmero de alumnos= 0.2518 36 = 9.0648, o sea, 9 aproximadamente b) Anlogamente z1= (4-4.2)/1.3 = -0.15 z2 = (6-4.2)/1.3 = 1.38 Pr(-0.15 < z < 1.38) = Pr(z<1.38) Pr(z<-0.15) = Pr(z<1.38) [ 1 - Pr(z<0.15)] =

16 PROBABILIDAD

PROBABILIDAD

0,9162 ( 1- 0,5596) = 0.4758 Nmero de alumnos = 360.5149 = 17.12 = 17 Aprox,

5. El peso de las naranjas sigue una distribucin normal de media 180 g y desviacin tpica 20 g. Un almacenista ha comprado 10.000 kg. Calcular: a) Kilos de naranjas que se espera pesen menos de 150 kg. b) Kilos de naranjas cuyo peso se espera que est entre 160 y 200 kg. a) La probababilidad que una naranja pese menos de 150 es P(X<150) Estandarizando Z=(x-)/ Z=(150-180)/20 Z=-1.5 P(Z< -1.5) = 0.0668 (segn las tablas) El nmero esperado es 10000 * 0.0668 = 668 kilos de naranjas que pensen menos de 150 g. b) La probababilidad que una naranja pese entre 160 y 200 es P(160<X<200) Estandarizando Z=(x-)/ Z1=(160-180)/20=-1 Z2=(200-180)/20=1 P(-1< Z < 1) = P(Z<1) - P(Z<-1) (segn las tablas) 0.8413 - 0.1586 = 0.6827 El nmero esperado es 10000*0.6827 = 6827 kilos de naranjas que pesen entre 160 y 200 g.

17 PROBABILIDAD

PROBABILIDAD

7.En una panadera se cortan panecillos con un peso que se ajusta a una distribucin normal de media 100 g y desviacin tpica 9. Cul es la probabilidad de obtener un panecillo cuyo peso oscile entre 80 g y la media? El teorema del lmite central, (es decir, puedes normalizar a la variable aleatoria con distribucin N (0,1)... en otras palabras, restas la media y divides entre la desviacin estndar, y sta misma se transforma a una variable aleatoria, a saber, Z, con distribucin 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, sabemos que es cierto que P(a<X<b) = P(X<b)-P(X<a) y que P(X<a) = 1 - P (X>a)

Luego, es facil hallar, con tablas de distribucion: P(Z<-20/9) - P(Z>0) Buscando en tablas, y a sabiendas que P(Z>0) = 0.5, solo basta hallar P(Z<-20/9) = 1 - P (Z>20/9) = 1 - 0.0132 = 0.9868 Es decir P(Z<-20/9) - P(Z>0) = 0.9868 - 0.5000 = 0.4868 0.4868 es la probabilidad de obtener el peso del panecillo entre 80 g y 100 g.

18 PROBABILIDAD

PROBABILIDAD

BIBLIOGRAFIA

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

19 PROBABILIDAD