Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROBABILIDAD
PROBABILIDAD
CURSO PROBABILIDAD
PRESENTADO POR:
INGRITH VANESSA BLANCO
RONAL JANCARLO SILVA RODRIGUEZ COD: 4084102
GRUPO: 100402_250
PRESENTADO A:
JULIAN ANDRES ROZO
UNIDAD DOS
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.
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:
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
()=()
Ejemplos:
x = E(X) = x. f(x)]
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
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) =
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.
Supngase ahora que el muestreo es sin reemplazo, caso en el cual los ensayos no son
independientes.
(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.
CAPITULO 6
Se dice que una variable X posee una distribucin uniforme en el intervalo [a,b],
()= 1
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:
"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.
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
Distribucin Exponencial
Leccin 30:
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,
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.
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:
Distribucin 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 y su funcin de
probabilidad est dada por:
Distribucin hipergeomtrica
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:
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 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
1 2
1 x 2
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
CASO 1
INFORME A PRESENTAR:
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.
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
3.- Cul es la probabilidad que los ocupantes de la parte delantera en exactamente 7 de los
12 vehculos seleccionados utilicen cinturones de seguridad?
12
( = 7) = ( ) (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
(<=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
~(,)
()=
CASO 2
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.
CASO 3.
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.
1.- Esta situacin cumple con los supuestos de la distribucin Poisson? Identifquelos
(, 3)0 ( 0,3)
(0) = = 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.
(0,3)2( 0,3 )
(2) = = 0,033 100 = 3.3%
2
(0,3)3( 0,3 )
(3) = = 0,003 100 = 0,3%
3
(0,3)4 ( 0,3)
(4) = = 0,0003 100 = 0,03%
4
X4
(0,3) ( 0,3)
() =
x
X=5
(0,3)5
(5) = = 0,0000036 100 = 0,00036%
5
La probabilidad cada vez segn las condiciones anteriormente mencionadas es cada vez
ms inexistente.
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.
=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
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
16 20 4
1 = = = = 0.54
7.5 7.5
20 20 0
2 = = = =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
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=BmNgU-
fEOYe_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
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