TRABAJO COLABORATIVO No.

DORA MARINA OSPINA AGUIRRE

Codigo 32207548
FAIBER YOVANNY BERNAL ARTUNDUAGA
Cdigo: 16189683
LUIS FERNANDO MOLINA
COD: 17647761

GRUPO:
100402_289

CURSO: PROBABILIDAD

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

MAYO 10 DE 2015
FLORENCIA
 INTRODUCCION

Con el desarrollo del presente trabajo se pretende que sigamos afianzando

nuestros conocimientos de manera colaborativa y aprender el manejo de las
variables aleatorias, ya sean estas discretas (numerables o infinitamente
numerables) o continas en un intervalo, de igual manera aprenderemos: la
Distribucin binomial negativa y geomtrica, Distribucin de Poisson, Distribucin
hipergeometrica, Distribucin uniforme discreta y uniforme continua, Distribucin
normal, mediante la realizacin de ejercicios.
 PARTE 1:
RESUMEN DE LA UNIDAD 2

CAPITULO 4 VARIABLES ALEATORIAS

 CAPTULO 5: DISTRIBUCION UNIFORME DISCRETA Y UNIFORME
CONTINUA

DISTRIBUCION UNIFORME DISCRETA

Tenemos esta distribucin cuando el resultado de una experiencia aleatoria puede

ser un conjunto finito de n posibles resultados, todos ellos igualmente probables.
Es una distribucin muy sencilla que asigna probabilidades iguales a un conjunto
finito de puntos del espacio.

Estos fenmenos en los que tenemos un conjunto de n sucesos posibles, cada

uno de los cuales con la misma probabilidad de ocurrir. Si aleatorizamos de forma
que cada uno de stos sucesos se corresponda con un nmero natural del 1 a la n
obtendremos una distribucin uniforme. Tendremos un nico parmetro; n
Diremos, por tanto que:
1
f(x) n o X U(n)

Puede hacerse derivar en consecuencia de un proceso experimental de seleccin

aleatoria, en el que la caracterstica que consideramos en la seleccin slo puede
tomar un conjunto de n valores discretos y donde cualquiera de estos valores
puede obtenerse con igual probabilidad.

Por su elementaridad no es una distribucin de excesivo inters prctico.

Para una variable aleatoria discreta uniforme X, que puede tomar los valores 1, 2,
, n, la media es:

a+b
= = 2
Y su desviacin estndar:
(b a + 1)2
x =
12

DISTRIBUCION UNIFORME CONTINUA

En las distribuciones de probabilidad continuas, la distribucin de probabilidad

es la integral de la funcin de densidad, por lo que tenemos entonces que:

x
f(x) = p(x x) = f(t)dt

Mientras que en una distribucin de probabilidad discreta un suceso con
probabilidad cero es imposible, no se da el caso en una variable aleatoria
continua. Por ejemplo, si se mide la anchura de una hoja de roble, el resultado 3,5
cm es posible, pero tiene probabilidad cero porque hay infinitos valores posibles
entre 3 cm y 4 cm. Cada uno de esos valores individuales tiene probabilidad cero,
aunque la probabilidad de ese intervalo no lo es. Esta aparente paradoja se
resuelve por el hecho de que la probabilidad de que X tome algn valor en un
conjunto infinito como un intervalo, no puede calcularse mediante la adicin simple
de probabilidades de valores individuales. Formalmente, cada valor tiene una
probabilidad infinitesimal que estadsticamente equivale a cero.

Existe una definicin alternativa ms rigurosa en la que el trmino "distribucin de

probabilidad continua" se reserva a distribuciones que tienen funcin de densidad
de probabilidad. Estas funciones se llaman, con ms precisin, variables aleatorias
absolutamente continuas (vase el Teorema de Radon- Nikodym). Para una
variable aleatoria X absolutamente continua es equivalente decir que la
probabilidad P[X = a] = 0 para todo nmero real a, en virtud de que hay un
incontables conjuntos de medida de Lebesgue cero (por ejemplo, el conjunto de
Cantor).

Una variable aleatoria con la distribucin de Cantor es continua de acuerdo con la

primera definicin, pero segn la segunda, no es absolutamente continua.
Tampoco es discreta, ni una media ponderada de variables discretas y
absolutamente continua.
Para una variable continua hay infinitos valores posibles de la variable y entre
cada dos de ellos se pueden definir infinitos valores ms. En estas condiciones no
es posible deducir la probabilidad de un valor puntual de la variable; como se
puede hacer en el caso de variables discretas, pero es posible calcular la
probabilidad acumulada hasta un cierto valor (funcin de distribucin de
probabilidad), y se puede analizar cmo cambia la probabilidad acumulada en
cada punto (estos cambios no son probabilidades sino otro concepto: la funcin de
densidad. En el caso de variable continua la distribucin de probabilidad es la
integral de la funcin de densidad, por lo que tenemos entonces que:

x
f(x) = p(x x) = f(x)dx
Sea X una variable continua, una distribucin de probabilidad o funcin de
densidad de probabilidad (FDP) de X es una funcin f(x) tal que, para
cualesquiera dos nmeros a y b y siendo a b .
a
P(a X b) = f(x)dx
b
La grfica de f(x) se conoce a veces como curva de densidad, la probabilidad de
que X tome un valor en el intervalo [a, b] es el rea bajo la curva de la funcin de
densidad; as, la funcin mide concentracin de probabilidad alrededor de los
valores de una variable aleatoria continua.

P(a X b) =rea bajo la curva de f(x) entre a y b

Para que f(x) sea una FDP= (f(x) ) legtima, debe satisfacer las siguientes dos
condiciones:

1. f(x) 0 0 para toda x .

2. f(x)dx = 1
Ya que la probabilidad es siempre un nmero positivo, la FDP es una funcin no
decreciente que cumple:

1. lim f(x) = 1 Es decir, la probabilidad de todo el espacio muestral es

x
2. lim f(x) = 0 Es decir, la probabilidad del suceso nulo es cero.
x

CAPTULO 6, DISTRIBUCIONES DE PROBABILIDAD CONTINUA

DISTRIBUCIN NORMAL:

Sin duda, la distribucin continua de probabilidad ms importante, por la

frecuencia con que se encuentra y por sus aplicaciones tericas, es la distribucin
normal, gaussiana o de Laplace-Gauss.

Fue descubierta y publicada por primera vez en 1733 por De Moivre.

DISTRIBUCION NORMAL Esta distribucin es frecuentemente utilizada en las

aplicaciones estadsticas. Su propio nombre indica su extendida utilizacin,
justificada por la frecuencia o normalidad con la que ciertos fenmenos tienden a
parecerse en su comportamiento a esta distribucin. Muchas variables aleatorias
continuas presentan una funcin de densidad cuya grfica tiene forma de
campana. En otras ocasiones, al considerar distribuciones binomiales, tipo
B(n,p),para un mismo valor de p y valores de n cada vez mayores, se ve que sus
polgonos de frecuencias se aproximan a una curva en "forma de campana".
Est caracterizada por dos parmetros: la media, y la desviacin tpica, .

La importancia de la distribucin normal se debe principalmente a que hay muchas

variables asociadas a fenmenos naturales que siguen el modelo de la normal
Caracteres morfolgicos de individuos (personas, Caracteres fisiolgicos, por
animales, plantas,...) de una ejemplo: efecto de una especie, p.ejm. tallas, pesos,
misma dosis de envergaduras, dimetros, frmaco, o de una misma permetros,...
cantidad de abono.

Valores estadsticos muestrales, por ejemplo: la media. Otras distribuciones como

la binomial o la de Poisson son aproximaciones normales. Caracteres
sociolgicos, por Caracteres psicolgicos, ejemplo: consumo de cierto por
ejemplo: cociente producto por un mismo intelectual, grado de grupo de individuos,
adaptacin a un puntuaciones de examen. medio,...Errores cometidos al medir
ciertas magnitudes.

Se llama distribucin normal "estndar" a aqulla en la que sus parmetrostoman

los valores =0 y = 1.

DISTRIBUCIN CHI2 CUADRADO DE PEARSON

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 P1e 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=Z 2 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
Una variable con distribucin t de Student se define como el cociente entre una
variable normal estandarizada y la raz cuadrada positiva de una variable
2 dividida por sus grados de libertad.

Caractersticas
La distribucin se denomina distribucin de Student o distribucin t.
Es simtrica, con media de 0, y variancia mayor que 1.
Es ms achatada que la normal y adopta diferentes formas, segn el nmero
de grados de libertad.
La variable t se extiende desde -a +.
A medida que aumenta los (n -1) grados de libertad la distribucin t se
aproxima en su forma a una distribucin normal.
El parmetro de la distribucin es (n-1) grados de libertad, originando una
distribucin diferente para cada tamao de muestra.
 PARTE 2:
ESTUDIO DE CASO

Si usted fuera el jefe, habra considerado la estatura como criterio en su

seleccin del sucesor para su trabajo? Daniel Slegiman analiz en su columna de
la revista Fortuned sus ideas acerca de la estatura como un factor en la decisin
de Deng Xiaoping para elegir a Hu Yaobang como su sucesor en la presidencia
del Partido Comunista Chino. Como afirma Slegiman, los hechos que rodean el
caso despiertan sospechas al examinarlo a la luz de la estadstica.

Deng, segn parece solo media 154 cm de alto, una estatura baja incluso en
China. Por consiguiente al escoger a Hy Yaobang, que tambin tena 154 cm de
estatura, motivo algunos gestos de desaprobacin porque como afirma Sleigman
las probabilidades en contra de una decisin ajena a la estatura que dan lugar a
un presidente tan bajo como Deng son aproximadamente de 40 a 1. En otras
palabras, si tuviramos la distribucin de frecuencias relativas de las estaturas de
todos los varones chinos, solo 1 en 40 es decir 2,5% tendran 154 cm de estatura
o menos.
Para calcular estas probabilidades Seligman advierte que no existe el equivalente
chino del Servicio de Salud de pases como Estados Unidos y por tanto, es difcil
obtener las estadsticas de salud de la poblacin actual china. Sin embargo, afirma
que en general se sostiene que la longitud de un nio al nacer representa el
28,6% de su estatura final y que en la China la longitud media de un nio al nacer
era de 48 cm. De esto Seligman deduce que la estatura promedio de los varones
adultos chinos es: 48 * 100 / 28.6 = 167,8 cm.

El periodista asume entonces que la distribucin de las estaturas en China sigue

una distribucin normal al igual que en pases como estados Unidos con una
media de 167,8 cm y una desviacin estndar de 6,8 cm.

INFORME A PRESENTAR:

Prepare un informe en el que como mnimo, incluya:

1. Por medio de las suposiciones de Seligman, calcule la probabilidad de que
la estatura de un solo varn adulto chino escogido al azar sea menor o igual
a 154 cm.
La media de 167,8 cm y una desviacin estndar de 6,8 cm:
 154 167,8
= = 2,029
6,8
( 154) = ( 2,029) = 0,0212
La probabilidad de que la estatura de un solo varn adulto chino escogido al azar
sea menor o igual a 154 cm es 2,12%.

2. Los resultados de la pregunta 1, concuerdan con las probabilidades de

Seligman?
Las probabilidades en contra de una decisin ajena a la estatura que dan lugar a
un presidente tan bajo como Deng son aproximadamente de 40 a 1. En otras
palabras, si tuviramos la distribucin de frecuencias relativas de las estaturas de
todos los varones chinos, solo 1 en 40 es decir 2,5% tendran menos 154 cm de
estatura o menos. Por tanto no concuerdan ya que en el punto 1 el resultado fue
de 2,12% y las probabilidades de Seligman son de 2,5%.

3. Comente acerca de la validez de las suposiciones de Seligman Hay algn

error bsico en su razonamiento?

El error bsico esta en no tener en cuenta la desviacin tpica de la estatura de un

nio al nacer, ya que la desviacin es menor debido al tamao promedio, pero con
personas adultas la desviacin aumenta.

4. Con base en los resultados anteriores, argumente si considera o no que

Deng Xiaping tomo en cuenta la estatura al elegir a su sucesor.

Como se afirma en el text006F, las probabilidades en contra de una decisin ajena

a la estatura que dan lugar a un presidente tan bajo como Deng son
aproximadamente de 40 a 1. Por tanto no se tom en cuenta.
 PARTE 3:
MISCELANEA DE EJERCICIOS UNIDAD 2

CAPITULO 4

1. Un embarque de 8 contiene 2 unidades defectuosas. Un hotel realiza una

compra al azar de 3 de los televisores. Si X es una variable aleatoria
discreta que representa el nmero de unidades defectuosas que compra el
hotel:

a. Encuentre la funcin de probabilidad f(x)

2 5
( )( )
3
Si = 0 () = 7
( )
3

2 5
( )( ) 2
0 3
(0) = 7 =
( ) 7
3

2 5
( )( ) 4
1 2
(1) = 7 =
( ) 7
3

2 5
( )( ) 4
2 1
(2) = 7 =
( ) 7
3

b. Encuentre el valor esperado E(x), la varianza V(x) y la desviacin estndar

S(x).
 Valor esperado

5 15 3 3
() = 0 14 + 1 28 + 2 28 = = 0,75
4

5 15 3 15 12 3 2 45
Varianza= 02 14 + 12 28 + 22 28 = 0 + 28 + 28 (4) = = 0,401
112

Desviacion estndar= = 0,401 = 0,6332

2.- Sea X una variable aleatoria con funcin de densidad

a.- Determine el valor de a para que la funcin sea efectivamente una funcin
de densidad de probabilidad.
b.- Calcule P(1<X<2)

Solucin:
a.- Para que sea distribucin de probabilidad debe cumplir:
La variable x se encuentra entre 0 y 2, es decir que la probabilidad en todo el
intervalo debe ser 1. La probabilidad en todo el intervalo para funciones de
densidad continua es la integral:
2
() = (3 2 ) = 1
0
2
(3 2 ) = 1
0
2
3 2 3
[ ] = 1
2 3 0
8
[6 ] = 1
3
10
[ ] = 1
3
3
=
10
 3 2
() = (3 2 )
10 0

b.-
2
3 2 3 3 2 3
(1 < < 2) = (3 2 ) = [ ] =
10 1 10 2 3 1

3 8 3 1
(1 < < 2) = [(6 ) ( )]
10 3 2 3

3 10 7 3 13 13
(1 < < 2) = [ ]= [ ]=
10 3 6 10 6 20

13
(1 < < 2) =
20

() = () = 2 = 1.4142

EJERCICIO 6, CAPTULO 4

6.- Suponga que un comerciante de joyera antigua est interesado en

comprar una gargantilla de oro para la cual las probabilidades de poder
venderla con una ganancia de $ 250, $ 100, al costo, o bien con una prdida
de $150 son: respectivamente: 0.22, 0.36, 0.28, 0.14 . cul es la ganancia
esperada del comerciante?

SOLUCIN:
E(X) = (Xi * Pi)

250*0.22 = 55
100*0.36 = 36
0 * 0.28 = 0
-150 * 0.14 = -21

E(X) = 250(.22) + 100(.36) + 0(.28) - 150 (.14) = $70

Al hacer la suma de los resultados (55 + 36 + 0 -21), se obtiene la ganancia
esperada que es de $70.
RTA: La ganancia esperada del comerciante es de $70.

CAPITULO 5
7. Una compaa fabricante utiliza un esquema de aceptacin de produccin
de artculos antes de que se embarquen. El plan tiene dos etapas. Se
preparan cajas de 25 artculos para su embarque y se prueba una muestra de
3 en busca de defectuosos. Si se encuentra alguno defectuoso, toda la caja
se regresa para verificar el 100%. Si no se encuentran defectuosos, la caja se
embarca.
a.- Cul es la probabilidad de que se embarque una caja que contiene 3
defectuosos?
b.- Cul es la probabilidad de que una caja que contiene solo 1 artculo
defectuoso se regrese para su revisin?
SOLUCION
El problema se puede expresar como una distribucin que tiene N elementos (25
elementos) de los cuales se pueden obtener k xitos con una muestra de m (3)
elementos.

Este comportamiento corresponde a una distribucin hipergeometrica:

( )( )
() =

( )

La variable aleatoria x indica el nmero de xitos de la muestra.

a) Si se embarca una caja que contiene 3 articulos defectuosos significa que

el valor de x es cero.

N = 25.

K = 3.

m = 3.

3 22
( )( ) 1540
() = 0 3 = = 0.6695
25 2300
( )
3
 b) Si una caja contiene un articulo defectuoso significa que k = 1, y si se
regresa para su revisin significa que se tuvo xito en la seleccin de ese
articulo, por tanto x =1.

1 24
( )( ) 276
() = 1 2 = = 0.12
25 2300
( )
3

EJERCICIO 6, CAPTULO 5

6.- El propietario de una farmacia local sabe que en promedio, llegan a su

farmacia 100 personas cada hora.
a.- encuentre la probabilidad de que en un periodo dado de 3 minutos nadie
entre a la farmacia
b.- Encuentre la probabilidad de que en un periodo dado de 3 minutos entren
ms de 5 personas a la farmacia.

RTA:
Solucin: Utilizamos la distribucin de Poisson

=100 personas/hora
1 hora = 100 personas

60 minutos = 100 personas = 1,666666666666667 personas por minuto

3 minutos = 1,666666666666667 x 3 = 5 personas

=5

Utilizamos la frmula:

P(x = x) = e^ (-) * ^x / x!

Reemplazamos:

5 50
P(x = 0) = = 5 = 0.0067
0!
Solucin: La probabilidad de que no llegue ningn cliente en 3 minutos es de
0.67%

b. Encuentre la probabilidad de que en un periodo dado de 3 minutos entren

ms de 5 personas a la farmacia.

P(x>5) = 1-P(x<5)
Utilizamos la formula:

P(x = x) = e^ (-) * ^x / x!

Reemplazamos:
5 50
P(x = 0) = = 0.0067
0!

5 51
P(x = 1) = = 0.0337
1!

5 52
P(x = 2) = = 0.0842
2!

5 53
P(x = 3) = = 0.1404
3!

5 54
P(x = 4) = = 0.1755
4!

5 55
P(x = 5) = = 0.1755
5!

P(x<5) = 0,616
1- 0,616 = 0,384

Solucin: La probabilidad de que entren ms de 5 clientes es de 38,4%

CAPITULO 6

2. Un empleado viaja todos los das de su casa en las afueras a su oficina en

el centro de la ciudad. El tiempo promedio para un viaje de ida es de 24
minutos con una desviacin estndar de 3,8 minutos. Si se supone que la
distribucin de los tiempos de viaje est distribuida normalmente
a.- Cul es la probabilidad de que un viaje le tome al menos media hora?
b.- Si la oficina abre a las 9:00 am y el sale a diario de su casa a las 8:45 am
Qu porcentaje de las veces llegar tarde al trabajo?
c.- Si sale de su casa a las 8:35 am y el caf se sirve en la oficina de 8:50 a
9:00 am Cul es la probabilidad de que se pierda el caf?

SOLUCION
a) Distribucion normal. m = 24, s = 3.8, al menos media hora: x >= 30 minutos.
30 24
= = 1.5789
3.8
( < 30) = ( < 30) = 0.9428
( 30) = 1 ( < 30) = 0.05717
b) Llegara tarde cuando x>= 15 minutos. Se empieza por X<=15 minutos.
15 24
= = 2.3684
3.8
( 15) = ( 2.3684) = 0.0089
Llegara tarde en la siguiente probabilidad:
( > 15) = 1 ( 15) = 1 0.0089 = 0.99106
c) Perder el caf si x<=15 min si x>=25 min.
Esta es la probabilidad: P(x<=15) v P(x>=25):
15 24
1 = = 2.3684
3.8
25 24
2 = = 0.2631
3.8
( 15) = ( 2.3684) = 0.0089
( 25) = 1 ( < 25) = 1 (2 < 0.2631)
( 25) = 1 0.60378 = 0.3962
( 15) + ( 25) = 0.4051
EJERCICIO 1, CAPTULO 6

Los coeficientes intelectuales de 600 aspirantes de cierta universidad se

distribuyen aproximadamente normal con una media de 115 y una
desviacin estndar de 12. Si la universidad requiere de un coeficiente
intelectual de al menos 95
a. Cuntos de estos estudiantes sern rechazados sobre esta base sin
importar sus otras calificaciones?

RTA: Se aplican las frmulas de distribucin normal estndar

Desviacin estndar: 12
Media del cociente intelectual: 115

Utilizamos la frmula:

x
=

Reemplazamos:

95 115
= = 1,6666 = 0,0485
12

P (x95) = 1- 0, 0485
P (x95) = 0, 9515 = 95, 15%
P (x 95) = 4,85% x 600 = 29,10

Solucin: 29 personas seran rechazadas.

b. Si se considera que un coeficiente intelectual mayor a 125 es muy

superior Cuntos de estos estudiantes tendran un coeficiente intelectual
muy superior al del grupo?

Desviacin estndar: 12
Media del cociente intelectual: 115
Cociente intelectual superior: 125

Utilizamos la formula:
 x
=

Reemplazamos:
125 115
= = 0,8333 = 0.2033
12

P (x125) = 1- 0, 2033
P (x125) = 0,7967= 79,67%
P (x 125) = 20,33% x 600 = 121,98

Solucin: Aproximadamente 122 personas tienen un cociente intelectual superior