TRABAJO COLABORATIVO 2

PROBABILIDAD

AMRICA LIDUEA MEZA

COD. 32612763
DANILO ANDRES JOJOA ABELLA
CDIGO: 1073243766
SUSANA PAOLA AMARIS
CDIGO: 52793978
.

Tutor
LUIS ALEXANDER SARAVIA ROA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS ADMINISTRATIVAS, CONTABLES, ECONMICAS
Y NEGOCIOS ECACEN
ADMINISTRACIN DE EMPRESAS
Bogot, Noviembre 8 de 2015

INTRODUCCIN.
En este trabajo se plantean 2 estudios de casos teniendo en cuenta la
temtica de la unidad dos del mdulo de probabilidad, que trata sobre Variables
aleatorias, distribucin discreta y continua, medidas de tendencia central, la
distribucin binomial entre otras distribuciones de probabilidad.
Estaremos poniendo en prctica estas temticas con el fin de dar solucin a los
dos casos planteados.

RESUMEN DE LOS CONCEPTOS TERICOS DE LA UNIDAD 2

Variable aleatoria discreta y continua, valor esperado y varianza
Variable Aleatoria Discreta: Se llama Variable aleatoria discreta si se puede
contar su conjunto de resultados posibles.
Las Variables Aleatorias Discretas, representan datos contados, como el
nmero de artculos defectuosos en una muestra o el nmero de accidentes de
carretera por ao en un estado dado.
Variable Aleatoria Continua: Cuando una variable aleatoria puede tomar
valores en una escala continua se le denomina Variable Aleatoria Continua. A
menudo los posibles valores de una Variable Aleatoria Continua son
precisamente los valores que contiene el espacio muestral continuo.
Las Variables Aleatorias Continuas representan datos medidos, como son
todos los posibles pesos, alturas, temperaturas, distancias o periodos de vida.
Valor Esperado: es un concepto fundamental en el estudio de las
distribuciones de probabilidad. Desde hace muchos aos este concepto ha sido
aplicado ampliamente en el negocio de seguros y en los ltimos veinte aos ha
sido aplicado por otros profesionales que casi siempre toman decisiones en
Condiciones de incertidumbre.
Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos
Cada valor que sta puede asumir por la probabilidad de ocurrencia de ese
Valor y luego sumamos los productos. Es un promedio ponderado de los
Resultados que se esperan en el futuro.
Varianza: La medida o valor esperado de una variable aleatoria x es de
especial importancia en estadstica, pues describe el lugar donde se centra la
distribucin de probabilidad. Necesitamos caracterizar la variabilidad en la
distribucin.
Distribucin binomial: En cada prueba del experimento slo son posibles dos
resultados: el suceso A (xito) y su contrario . La probabilidad del suceso A
es constante, es decir, que no vara de una prueba a otra. Se representa por p.
El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente. La distribucin binomial se suele representar por B(n,
p). n es el nmero de pruebas de que consta el experimento.
p es la probabilidad de xito.
La probabilidad de
es 1 p, y la representamos por q.
Variable aleatoria binomial: La variable aleatoria binomial, X, expresa el nmero
de xitos obtenidos en cada prueba del experimento.
La variable binomial es una variable aleatoria discreta, slo puede tomar los
valores 0, 1, 2, 3, 4,..., n suponiendo que se han realizado n pruebas.
Ejemplo:

k = 6, al lanzar una moneda 10 veces y obtener 6 caras.

Distribucin binomial negativa y geomtrica: 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,...
f(x,p,r)=

Cr-1

x-1

qx-r . pr

x=r,r+1,r+r+2+...

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.
Distribucin de 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 subintervalos
suficientemente pequeos, tales que:
(1) La probabilidad de ms de un acierto en un subintervalo es cero o
insignificante.
(2) La probabilidad de una ocurrencia en un subintervalo es la misma para
todos los subintervalos, y es proporcional a la longitud de estos.
(3) El conteo de ocurrencias en cada subintervalo es independiente del de los
dems subintervalos.
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.

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 dex xitos en n ensayos de los N elementos del conjunto donde
y
. Sea tambin la variable aleatoria X el nmero de xitos en la
muestra. Entonces, X tiene una distribucin hipergeomtrica y su funcin de
distribucin de probabilidad est dada por:
f(x,N,k,n)= ( kCx . N-kCn-x )/ NCn x=0,1,2,... min(k,n)
Distribucin uniforme discreta y uniforme contina: 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)= 1/n
Para una variable aleatoria discreta uniforme X, que puede tomar los valores 1,
2,..., n, la media es:
Y su desviacin estndar es: S2x =(n2 -1)/12.
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.
Distribucin normal: 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.
La distribucin gaussiana, recibe tambin el nombre de distribucin normal, ya
que una gran mayora de las variables aleatorias continuas de la naturaleza
siguen esta distribucin.
Var(x) = S2
: es el valor medio de la distribucin y es precisamente donde se sita el
centro de la curva (de la campana de Gauss).
s2: es la varianza. Indica si los valores estn ms o menos alejados del valor
central: si la varianza es baja los valores estn prximos a la media; si es alta,

entonces los valores estn muy alejados de ella. Se representa por s2 porque
su raiz cuadrada, s, es la denominada desviacin estndar.
Distribucin chi cuadrado y t de studen: Distribucin
En estadstica, la distribucin (de Pearson), donde se pronuncia como jicuadrado, es una distribucin de probabilidad continua con un parmetro k que
representa los grados de libertad de la variable aleatoria:
Donde Zi son variables de distribucin normal, de media cero y varianza uno.
Esta distribucin se expresa habitualmente como La distribucin ji-cuadrado
tiene muchas aplicaciones en inferencia estadstica, por ejemplo en la
denominada prueba utilizada como prueba de independencia y como prueba
de bondad de ajuste y en la estimacin de varianzas. Tambin est involucrada
en el problema de estimar la media de una poblacin normalmente distribuida y
en el problema de estimar la pendiente de una recta de regresin lineal, a
travs de su papel en la distribucin t de Student, y participa en todos los
problemas de anlisis de varianza, por su papel en la distribucin F de
Snedecor, que es la distribucin del cociente de dos variables aleatorias de
distribucin ji-cuadrado e independientes.
PROPIEDADES.
Funcin de densidad
Funcin de distribucin

ESTUDIO DE CASO 1

1.

La probabilidad de que una persona que llegue al refugio sea

enviado a ver al doctor

X=20-23.5=3.5
PUNTUACION MEDIA=23.5
VARIBALE X=3.5
DESVIACION ESTANDAR=7.5
Z=

X 3.523.5 20
=
=
=2.66

7.5
7.5

Vamos a la tabla de distribucin normal y es 0.0039 =0.039%

2.

La probabilidad de que una persona que llegue al refugio tenga una

puntacin de 10 o menos puntos

x=10 =23.5 =7.5

Z=

X 1023.5 13.5
=
=
=1.8

7.5
7.5

Vamos a la tabla de distribucin normal y es 0.0359 =3.59%

3.

La probabilidad de que una persona que llegue al refugio tenga una

puntuacin entre 16 y 20 puntos.

Puntuacin 16
x=16 =23.5 =7.5

Z=

x 1623.5 7.5
=
=
=1

7.5
7.5

Vamos a la tabla de distribucin normal y es 0.1587

Puntuacin 20
x=20 =23.5 =7.5
Z=

X 2023.5 23.5
=
=
=0.46

7.5
7.5

Vamos a la tabla de distribucin normal y es 0,3228

Ahora se suman 0.1587+0,3228=0.4815 =48.15%
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?
23.5+15%=27.025
sea que la puntuacin que hace calificar a una persona que llega al refugio de
servicios de prevencin de suicidios es de 27.025 en adelante.
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?
23.5-25%=17.625
La puntuacin que hace calificar a una persona para acceder al servicio de
orientacin laboral para mejorar sus recursos es de 17.625.

ESTUDIO DE CASO 2.

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
X =154 =166.3 =3.7
X 154166.3 12.3
Z=
=
=
=3.32

3.7
3.7
Vamos a la tabla de distribucin normal el valor es 0,0005 =0.05%

2. De igual manera, calcule la probabilidad de que la estatura de un

solo varn adulto chico escogido al azar sea mayor a 157 cm
X =158 =166.3 =3.7

Z=

X 158166.3 8.3
=
=
=2.24

3.7
3.7

Vamos a la tabla de distribucin normal el valor es 0,0125 =1.25%

3. Los resultados de la pregunta
probabilidades de Seligman?

concuerdan

con

las

No concuerdan ya que seligman dice que el 2.5% tendran 154 cm de altura o

menos y solo el 0.05% tendran esa altura.
4. Comente acerca de la validez de las suposiciones de Seligman
Hay algn error bsico en su razonamiento?
Si hay errores, Seligman dedujo la estatura promedio de los chinos sin contar
con los datos estadsticos pertinentes, es decir tom la estatura promedio de
los estadounidenses. Con los datos estadsticos pertinentes, es decir la de los
chinos, debi calcular la media sumando el producto de cada valor de x con su
probabilidad correspondiente.
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. Esta afirmacin debe tener un
margen de error muy alto puesto que no es una medida exacta sino una
suposicin.

5. Segn criterios estadsticos se considera que un individuo es de

estatura alta si supera el promedio en ms de 2 desviaciones
estndar. Usando las suposiciones de Seligman :

a- Calcule de que la probabilidad de un varon adulto chino sea

considerado como de estatura alta.

173,7166,3
3,7

P ( x 173,7 )=P z

P ( x 173,7 )=P z

)
)

P ( x 173,7 )=P ( z 2 )
P ( x 173,7 )=0,0228=2,28
b- Calcule la probabilidad de que un varn adulto chino sea
considerado como de estatura baja.

158,9166,3
3,7

P ( x 158,9 )=P z

P ( x 158,9 )=P z

)
)

P ( x 158,9 )=P ( z 2 )
P ( x 158,9 )=0,0228=2,28
6. Con base en los resultados anteriores, argumente si considera o no
que Deng Xiaping tomo en cuenta la estatura al elegir a su sucesor.
No considero que Deng Xiaping utilizara la estatura como criterio en la eleccin
de su sucesor puesto que el 44% de la poblacin tiende a tener esta estatura
segn los clculos realizados con base a los estudios de Seligman. En lo que
se puede deducir que casi la mitad de la poblacin hubiera podido ser escogida
por este criterio.

CONCLUSIN

De acuerdo a la temtica de la unidad dos y a los ejercicios planteados en los

dos casos, se identifican los conceptos, fundamentos y mtodos de la
probabilidad, tambin se comprende los principios y aplicaciones que tiene la
probabilidad en los distintos campos.

REFERENCIAS BIBILIOGRAFICAS

Morales, Adriana (2010) Modulo Probabilidad. Bogot D.C., Universidad

Nacional Abierta y a distancia UNAD.
Walpole, R (1999). Probabilidad y estadstica para ingenieros.
Hispanoamericana.

Mxico;

Llins, H. (2006). Estadstica descriptiva y distribuciones de probabilidad.

Bogot: Uninorte.

VIDEOS CONSULTADOS.
Variable aleatoria discreta. Recuperado de:
https://www.youtube.com/watch?v=naEqsDvkIXs
Distribuciones de probabilidad. Recuperado de:
https://www.youtube.com/watch?v=unUpFZiI6DM
Distribuciones continuas. Recuperado de:
https://www.youtube.com/watch?v=s-hZzqm6nDc
https://www.youtube.com/watch?v=MCH5kfMpmns
Distribucin Biominal. Recuperado de:
https://www.youtube.com/watch?v=PXx4pUiPIhQ