TRABAJO COLABORATIVO 2

PROBABILIDAD GRUPO: 100402 167

NELLY PATRICIA BERNAL NORA MILENA GUIRAL CANO DARWIN RODRIGUEZ JOSE JAHIR LARA RODRIGUEZ RUBY JULIETA DELGADO

Trabajo presentado a: HERNANDO MORENO LEMUS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD 2010

INTRODUCCION.

En la vida cotidiana aparecen muchas situaciones en las que los resultados observados son diferentes aunque las condiciones inciales en las que se produce la experiencia sean las mismas. Por ejemplo, al lanzar una moneda unas veces resultar cara y otra cruz... Estos fenmenos, denominados aleatorios, se ven afectados por la incertidumbre. En el lenguaje habitual, frases como "probablemente...", "es poco probable que...", "hay muchas posibilidades de que..." hacen referencia a esta incertidumbre. La teora de la probabilidad pretende ser una herramienta para novelizar y tratar con situaciones de este tipo; Por otra parte, cuando aplicamos las tcnicas estadsticas a la recogida, anlisis e interpretacin de los datos, la teora de la probabilidad proporciona una base para evaluar la fiabilidad de las conclusiones alcanzadas y las inferencias realizadas. Debido al importante papel desempeado por la probabilidad dentro de la estadstica, es necesario familiarizarse con sus elementos bsicos, lo que constituye el objetivo del presente tema. Las distribuciones de probabilidad son de tipo discreto y continuo, segn la variable aleatoria que este en cuestin, luego dichas distribuciones, sus principios, la funcin que la identifica, sus propiedades y los campos de aplicacin de las mismas. En trminos de su funcin de probabilidad, valor esperado, varianza y desviacin estndar.

El estudio de las distribuciones de probabilidad, es pertinente comentar que en todo fenmeno, los datos obtenidos tienen un comportamiento especfico, es as como el anlisis de las distribuciones de probabilidad permite determinar que distribucin de probabilidad es la pertinente para un conjunto de datos.

OBJETIVOS Definir variable aleatoria discreta y continua. Definir funcin de probabilidad de una variable aleatoria discreta. Definir funcin de densidad de una variable aleatoria continua. Obtener probabilidades de eventos haciendo uso de la funcin de probabilidad de una variable aleatoria discreta. Establecer las propiedades de la funcin de distribucin de probabilidad acumulada de una variable aleatoria discreta. Obtener probabilidades de eventos que involucren variables aleatorias discretas o continuas, haciendo uso de su funcin de distribucin acumulada. Definir y obtener el valor esperado de una variable aleatoria, tanto discreta como continua. Definir y obtener la varianza y la desviacin estndar de una variable aleatoria, tanto discreta como continua. Identificar y diferenciar las distribuciones de probabilidad discretas ms comunes, como son: distribucin uniforme discreta, binomial, geomtrica, binomial negativa, hipergeometrica y Poisson. Calcular e interpretar parmetros estadsticos, tales como Media, varianza y desviacin estndar, de las diferentes distribuciones de probabilidad discreta y continua. Estandarizar una variable aleatoria. Emplear la distribucin normal para aproximar las probabilidades de una variable aleatoria binomial y Poisson. Interpretar y utilizar correctamente las tablas existentes para cada una de las distribuciones de probabilidad discretas y continuas.

EJERCICIO 1

TRABAJO COLABORATIVO DOS

TEMA: DEFINICIN DE VARIABLE ALEATORIA DISCRETA, DISTRIBUCIN DE PROBABILIDAD Y VALOR ESPERADO PARA UNA VARIABLE ALEATORIA DISCRETA ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL

PLANTEAMIENTO Determine el valor de a de manera que cada una de las siguientes funciones pueda servir como distribucin de probabilidad de la variable aleatoria discreta X

FUNDAMENTACIN TERICA VARIABLE ALEATORIA DISCRETA Se dice que una variable aleatoria X es discreta si el numero de valores que Puede tomar es finito (o infinito contable). Frecuentemente el inters recae en la probabilidad de que una variable aleatoria tome un valor particular, para ello se requiere primero definir claramente la variable aleatoria. Sera importante pues, acordar la siguiente simbologa: {X = x} denotara el evento formado por todos los resultados para los que X = x y P(X = x) ser la probabilidad de dicho evento. La 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 grafica, 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 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 [x *f (x)]

PROBLEMA O EJERCICIO SOLUCION

f (x) = a(x2 + 4)

x = 0, 1, 2, 3

F(x) = 1/ (02 +4) + (12 +4) + (22 +4) + (32 +4) = 1/ (4 +5 +8 + 13) = 1 / 30

La FUNCION DE PROBABILIDAD ES DE 1/30 0 SE A 0,033

Tomado de Probabilidad y estadstica. Aplicaciones y mtodos, George C. Canavos. McGraw Hill. Mxico. 1988 DANIEL, W. (1990). Bioestadstica. Limusa Wiley

EJERCICIO 2

TEMA: DEFINICIN DE VARIABLE ALEATORIA CONTINUA, DISTRIBUCIN DE PROBABILIDAD Y VALOR ESPERADO PARA UNA VARIABLE ALEATORIA CONTINUA ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL

TRABAJO COLABORATIVO DOS

PLANTEAMIENTO Un jugador lanza un dado corriente. Si sale nmero primo, gana tantos cientos de dlares como marca el dado, pero si no sale nmero primo, pierde tantos cientos de dlares como marca el dado. Determinar la funcin de probabilidad y la esperanza matemtica del juego. FUNDAMENTACIN TERICA PROBLEMA O EJERCICIO VARIABLE ALEATORIA CONTINUA SOLUCION Una variable continua, es aquella que 1 2 3 4 5 6 puede tomar un valor cualquiera para un x determinado intervalo. O sea en la 30 100 200 -400 500 prctica los valores para esta variable 0 600 solo estn limitados por la precisin de 1/6 1/6 1/6 1/6 1/6 1/6 los instrumentos de medicin, en el caso de medidas como el peso, por dar un F(x) 16,66 33,33 50 83,33 ejemplo; o sea siempre va a haber un 66.66 100 valor entre dos valores que pueda tomar una variable continua. Se dice que una variable aleatoria X es continua si el nmero de valores que puede tomar E(X) = 100*1/6 = 16,66 dlares estn contenidos en un intervalo (finito o infinito) de nmeros reales. f (x) 0 P(a X b) = P(a < X b) = P(a X < b) = P(a < X < b) para <x< LA DISTRIBUCION 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. LA MEDIA Y LA VARIANZA de una variable aleatoria continua se definen de manera similar al caso de la variable

E(X) 100 1/6 16,66

aleatoria discreta. En las definiciones, la integracin sustituye a la sumatoria.

As mismo, la VARIANZA de

La funcin de probabilidad se reconoce como f(x) = x*1/6 y la esperanza matemtica es de US $ 16,66 dlares CHRISTENSEN, Howard B. (1999). Estadstica Pas a Paso. Mxico: Editorial McGraw Hill.

EJERCICIO 3 TRABAJO COLABORATIVO DOS

TEMA: DISTRIBUCIN BINOMIAL ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL

PLANTEAMIENTO La probabilidad que un futbolista profesional haga gol de tiro libre es del 70%. En un entrenamiento, este futbolista hace 14 tiros libres.

FUNDAMENTACIN TERICA PROBLEMA O EJERCICIO Es una distribucin de probabilidad discreta que mide el SOLUCION nmero de xitos en una secuencia de n ensayos Calcular la probabilidad que el futbolista haga por lo independientes de Bernoulli con una probabilidad fija p de menos 7 goles. ocurrencia del xito entre los n =14 p = 0.7 ensayos. 14 6

La distribucin binomial es una distribucin de probabilidad n n! discreta. Nos permite determinar i = i!( n i )! =1; 14; 91; 364; 1001; 2002; 3003 la probabilidad de que un seceso 0.7 i =1; 0.7; 0.49; 0.343; 0.2401; 0.1680; 0.1176 se pueda presentar exactamente X veces en repetidos ensayos. 0.314 i = 4.782(10 8 ); 1.594(10 7 ); 5.314(10 7 ); 1.771(10 6 ); 5.90 Sea p la probabilidad de xitos en un solo ensayo y q= 1-p la P(X<7) =1 - DISTR.BINOM(6;14;0,7;1)= 1 0,031454 0 probabilidad de fallo; la 0,9685 = 96,85% probabilidad de que el suceso se presente exactamente X veces en N ensayos esta dado por la relacin: p(x) = NCXpXqN-x P(X=0) =DISTR.BINOM(x;n;p;0)
El 96,85% es la probabilidad que el futbolista haga por lo menos 7 goles

14 i 14 P ( X 7 ) = f (i;0.7;14 ) =1 P ( X 6 ) =1 0.7 0.3 i =7 i =0 i

=1 0.031454 = 0.9685

Daniel, W. (1990). Bioestadstica. Limusa Wiley

EJERCICIO 4 TRABAJO COLABORATIVO DOS

TEMA: DISTRIBUCIN BINOMIAL NEGATIVA Y GEOMTRICA ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL

PLANTEAMIENTO
Se lanza un dado todas las veces necesarias hasta que aparece un 6. Si X mide el nmero del lanzamiento en que ocurre. Se pide: a). Calcular P(X = 3). b). Calcular P(X > 4).

FUNDAMENTACIN TERICA En estadstica la 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 . La distribucin geomtrica es el caso concreto de la binomial negativa cuando k = 1. Propiedades. Su funcin de probabilidad es

PROBLEMA O EJERCICIO SOLUCION

es una distribucin geomtrica o de Pascal G(p = 1/6 ) luego P(X = k) = p qk1 P(X = 3) = p q2-1 = (1/6)* (5/6)2 = 0,11574074 = 11,57%
P(X = 3) =DISTR.GEOM (3;6;1/6;1)

= 0,1157 = 11,57%

se tiene que Para enteros x mayores o iguales que k, donde En la geomtrica k

P(X > k) = q , Luego P(X > 4) =

q4 = (5/6)

= 0,48225309 = 48,23% Su media es Si se piensa en el nmero de fracasos nicamente y P(X > 4) =DISTR.GEOM (5;6;1/6;0)
= 0,4822 = 48,22%

si se cuentan tambin los k-1 xitos. Su varianza es en ambos casos.

DISTRIBUCIN GEOMTRICA Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad de que x ensayos sean necesarios para obtener un xito es para x = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya x fallos antes del primer xito es para x = 0,1, 2, 3,.... El valor esperado de una variable aleatoria X distribuida geomtricamente es y dado que Y = X-1,

En ambos casos, la varianza es La probabilidad de un salga un 3 es de 11,57% y que salga un nmero mayor a 4 es de 48,22% ESTADISTICA, DISTRIBUCIONES, Alberto Lucena y Francisco J. Gonzlez, 2001

EJERCICIO 5 TRABAJO COLABORATIVO DOS PLANTEAMIENTO

TEMA: DISTRIBUCIN HIPERGEOMTRICA ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL

Una caja con 12 artculos tiene 4 defectuosos. Si se toma una muestra de 3, en un caso sin re emplazamiento, cual ser la probabilidad de no incluir artculos defectuosos en la muestra? FUNDAMENTACIN TERICA Distribucin hipergeomtrica En teora de la probabilidad la distribucin hipergeomtrica es una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo. Supngase que se tiene una poblacin de N elementos de los cuales, d pertenecen a la categora A y N-d a la B. La distribucin hipergeomtrica mide la probabilidad de obtener x ( ) elementos de la categora A en una muestra de n elementos de la poblacin original. Propiedades La funcin de probabilidad de una variable aleatoria con distribucin hipergeomtrica puede deducirse a travs de razonamientos combinatorios y es igual a P (X=2) = 4C0 * 12-3C4-0 12C4 P (X=2)= 4C0 * 9C4 12C4 =1*126/495= 0.254545= 25,45% PROBLEMA O EJERCICIO SOLUCIN:
Sin re emplazamiento, X sigue una distribucin Hper geomtrica

N=12, n=3 y k=4 luego: P(x = 0) =DISTR.HIPERGEOM(0;3;4;12)= 0.254545= 25,45%

Donde N es el tamao de poblacin, n es el tamao de la muestra extrada, d es el nmero de elementos en la poblacin original que pertenecen a la categora deseada y x es el nmero de elementos en la muestra que pertenecen a dicha categora. La notacin hace referencia al coeficiente binomial, es decir, el nmero de combinaciones posibles al seleccionar b elementos de un total a. El valor esperado de una variable aleatoria X

que sigue la distribucin hipergeomtrica es

y su varianza,

En la frmula anterior, definiendo

se obtiene

La distribucin hipergeomtrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el nmero esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es as cuando N es grande y el tamao relativo de la muestra extrada, n/N, es pequeo

La probabilidad de no incluir artculos defectuosos en la muestra es de 25,45%

CHRISTENSEN, Howard B. (1999). Estadstica Pas a Paso. Mxico: Editorial McGraw Hill.

EJERCICIO 6 TRABAJO COLABORATIVO DOS

TEMA: DISTRIBUCIN UNIFORME DISCRETA Y UNIFORME CONTINUA ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL

PLANTEAMIENTO Se sabe que la cantidad aleatoria demandada durante un cierto periodo de tiempo por parte de una empresa textil tiene distribucin uniforme y no supera la tonelada. Determinar para dicho periodo de tiempo: a). Probabilidad de que la cantidad demandada no supere los 900 kg. b). Probabilidad de que la cantidad demandada este comprendida entre 800 y 900 kg. FUNDAMENTACIN TERICA Distribucin uniforme discreta PROBLEMA O EJERCICIO SOLUCIN:

En teora de la probabilidad, la distribucin uniforme discreta es una distribucin de probabilidad que Sea X U (0, 1) con asume un nmero finito de valores con la misma f(x) = 1 FX = x 0 < x < 1 probabilidad. a). P(X < 0,9) = 900/ 1000 = 0,9 Si la distribucin asume los valores reales b). P(0,8 < X < 0,9) = FX(0,9) FX(0,8) = , su funcin de probabilidad es 900 800 /1000 = 0,1 y su funcin de distribucin la funcin escalonada

Su media estadstica es y su varianza La Probabilidad de que la cantidad demandada no supere los 900 kg. Es de 90% y la Probabilidad de que la cantidad demandada este comprendida entre 800 y 900 kg es de 10%.

CHRISTENSEN, Howard B. (1999). Estadstica Pas a Paso. Mxico: Editorial McGraw Hill.

EJERCICIO 7 TRABAJO COLABORATIVO DOS

TEMA: DISTRIBUCIN DE POISSON ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL

PLANTEAMIENTO Un equipo de ftbol, en un campeonato local, lleva un promedio de 2,5 goles anotados. FUNDAMENTACIN TERICA En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta. As tiempo fijo si estos eventos ocurren con una frecuencia media conocida y son independientes del tiempo discurrido desde el ltimo evento. PROBLEMA O EJERCICIO Solucin. Calcular la probabilidad que en un partido cualquiera el equipo haga Cuatro goles.

es el principal modelo de probabilidad empleado X= 4 = 2,5 para analizar problemas de lneas de espera, confiabilidad y control de calidad; como el nmero e x de personas que llegan a un lugar determinado en P( X ) = x! un tiempo definido, los defectos en piezas similares para el material, el numero de bacterias en un e 2.5 2.5 4 ( ) P X = 4 = = 0.133601 cultivo, el nmero de goles anotados en un partido 4! de futbol, el numero de fallas de una maquina en una hora o en un da, la cantidad de vehculos que transitan por una autopista, el nmero de llamadas telefnicas por minuto, etc. = POISSON (4;2,5;0) La distribucin Poisson representa la probabilidad p(x=4) =0,133601 = 13,36% de que un evento aislado ocurra un numero especifico 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 (x; ). La funcin de masa de la distribucin de Poisson es

La probabilidad que en un partido cualquiera el equipo haga Cuatro goles es de 13,36% SPIEGEL, Murray R. (1991). Estadstica. Serie de compendios Schaum. Mxico: Trillas.

EJERCICIO 8 TRABAJO COLABORATIVO DOS

TEMA: DISTRIBUCIN NORMAL ESTUDIANTE QUE LO PROPUSO: NELLY PATRICIA BERNAL

PLANTEAMIENTO 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: FUNDAMENTACIN TERICA DISTRIBUCION NORMAL O GAUSSIANA Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se comportan segn una distribucin normal. PROBLEMA O EJERCICIO SOLUCIN a) Kilos de naranjas que se espera pesen menos de 150 g.

Esta distribucin de caracteriza porque los valores se distribuyen formando una campana de Gauss, en P ( Z < 150) z=x-m/s Z= 1 - (180 torno a un valor central que coincide con el valor 150/20) = -1,5 = 1 - 0,9332 = 0,06681 medio de la distribucin: Si X ~ N(,2), entonces La ventaja, de las probabilidades para cada valor de la curva se encuentra recogidas en una tabla. La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin se obtiene como la suma de unas pocas causas independientes. ENTONCES los kilos de naranja son = 10000 * 0,06681 = 668,1 kg

b. Kilos de naranjas cuyo peso se espera que este entre 160 y 200 g. P (160 < Z < 200) z=x-m/s Z= (180 - 200/20) - (180 -160/20) = 1,00 1,00 = 0,8413 0,1587 = 0,6826 entonces los kilos de naranja son = 10000 * 0,6826 = 6826 kg

RTA (A): los Kilos de naranjas que se espera pesen menos de 150 g. son 668,1 kg RTA (B):los Kilos de naranjas cuyo peso se espera que este entre 160 y 200 g. son 6826 kg

CHRISTENSEN, Howard B. (1999). Estadstica Pas a Paso. Mxico: Editorial McGraw Hill.

BIBLIOGRAFIA

DANIEL, W. (1990). Bioestadstica. Limusa Wiley MORALES ROBAYO, Adriana .Probabilidades, Universidad Nacional Abierta y Distancia, Bogot D.C., 2007.

CHRISTENSEN, Howard B. (1999). Estadstica Pas a Paso. Mxico: Editorial McGraw Hill.

PUENTES MEJIA, Carlos Eduardo (1995). Elementos de Probabilidad y de Mtodos Estadsticos. Santaf de Bogot: UNISUR.

SPIEGEL, Murray R. (1991). Estadstica. Serie de compendios Schaum. Mxico: Trillas.

ESTADISTICA, DISTRIBUCIONES, Alberto Lucena y Francisco J. Gonzlez, 2001

http://www.arrakis.es/~mcj/azar10.htm http://www.uv.es/~carrascs/PDF/aproximacion%20estadistica.pdf http://estio.ujaen.es/Asignaturas/TrabSoc/estad/tema1.pdf http://www.virtual.unal.edu.co/cursos/ciencias/2001091/index.html