PROBABILIDAD

100402_370

Act10: Trabajo Colaborativo 2

Trabajo presentado por:

Julin Andrs Fernndez M.
c.c 1.098.306.906
Andrea Mayerly Albarracin Monsalve
CDIGO: 1.098.611.763
Cristina Patio

Danys Brito
tutor

18 de MAYO de 2014

INTRODUCCIN

En el presente trabajo encontraremos tres ejercicios por cada uno de los temas a tratar en
la segunda unidad del modulo de probabilidad, la segunda unidad est compuesta por
ocho temas, en total encontraremos veinticuatro ejercicios.

Se busca una buena participacin por parte de todos los integrantes del grupo, para poder
consolidar un buen trabajo grupal, lo que se busca con este trabajo es que el estudiante
pueda afianzar sus conocimientos acerca de los temas tratados en la segunda unidad.

OBJETIVOS

Se busca que cada estudiante participe en el foro proponiendo un ejercicio por

cada tema a tratar en la segunda unidad del modulo de probabilidad.

La intencionalidad del trabajo es que al resolver cada uno de los estudiantes los
ejercicios propuestos por otro compaero, refuerce sus conocimientos acerca de
los temas tratados.

Se busca una interaccin de todos los compaeros, corrigindose entre s los

ejercicios para la realizacin de un buen trabajo.

ASPECTOS TEORICOS
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.
Variable Aleatoria Discreta
Es una funcin de valor que asigna un nmero real finito (o infinito contable) a cada resultado en el espacio
muestral de un experimento aleatorio; variables aleatorias que han sido denominadas discretas.
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.
Toda distribucin de probabilidad debe satisfacer cada uno de los dos requisitos siguientes:

P ( X =x ) =1

0 P( X=x ) 1
Variable Aleatoria Continua
Se dice que una variable aleatoria X es continua si el nmero de valores que puede tomar estn contenidos
en un intervalo (finito o infinito) de nmeros reales.
Dichos valores pueden asociarse a mediciones en una escala continua, de manera que no haya huecos o
interrupciones.
La funcin de densidad de probabilidad f(x) de una variable aleatoria continua, se define como tal si para
cualquier intervalo de nmeros reales [a,b] se cumple que:

f ( x ) 0

f ( x ) dx=1

P ( a X b ) = f ( x ) dx
a

El modelo de variable aleatoria continua implica lo siguiente:

P ( a X b ) =P ( a < X b )=P ( a X <b )=P(a< X <b)

Adems, para cualquier valor en el rango de la variable aleatoria continua X, se cumple que P(X=x)=0. Este
resultado se desprende de las propiedades del clculo
integral7:

f ( x ) dx=0
x

Valor esperado:
Para una variable aleatoria discreta se calcula realizando la sumatoria de cada valor de la variable por su
respectiva probabilidad. Ejemplo: para el valor que puede tomar un dado al ser lanzado seria ((1*1/6)+
(2*1/6)+ (3*1/6)+ (4*1/6)+ (5*1/6)+ (6*1/6))=3,5
Para una variable aleatoria continua se debe remplazar la sumatoria por la integracin as:

Varianza:
Es la medida de la dispersin, para una variable aleatoria discreta se calcula ponderando el cuadrado de cada
desviacin con respecto a la media, con la probabilidad asociada con la desviacin.Es decir:

Y para una variable aleatoria continua seria:

Teorema De Chbyshev
Para demostrar cmo la desviacin estndar es indicadora de la dispersin de la distribucin de una variable
aleatoria, el matemtico ruso PafnutyLvovich
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 s, 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
Simblicamente,

el

teorema

se

expresa

1
1
P (|X |k ) 1 2 P (| X|> k ) 1 2
k
k

DISTRIBUCIONES DE PROBABILIDAD DISCRETA

de

cualquiera

de

las

siguientes

maneras:

Distribucin Uniforme Discreta

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:

x =E ( x )=

n+1
2

Desviacin estndar:

x=

n 21
12

Distribucin Binomial
Las distribuciones binomiales son las ms tiles dentro de las distribuciones de probabilidad discretas. Estas
distribuciones permiten enfrentar circunstancias en las que los resultados pertenecen a dos categoras
relevantes: que ocurra un evento determinado o que no lo haga. Sus caractersticas generales son:
Los ensayos son independientes.
Cada ensayo es de tipo Bernoulli. Esto es, tiene slo dos resultados posibles: xito o fracaso.
La probabilidad de xito de cada ensayo, denotada por p, permanece constante.
Distribucin Binomial Negativa Y 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:

g ( x ; p )=q x1 . p
La media y la varianza de una variable aleatoria geomtrica son:

1
P
q
2
x =V (X )= 2
p
x =E(X )=

Distribucin Binomial Negativa

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 )= x 1 . q xr . pr X=r , r +1, r+ r +2+

3 1
Distribucin Hipergeomtrica
Sea _ el nmero de elementos de un conjunto de los cuales k son determinados como xitos y _-k como
fallas, se trata ahora de determinar la probabilidad de x exitos en n ensayos de los _ elementos del conjunto

donde k _ y n _ . 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:

k N K
(
x )( n x )
f ( x ; N , k , n) =
X=0,1,2, min ( k , n)
N
(n)
La expresin mn(k,n) corresponde al valor menor entre el tamao de la muestra k y el nmero mximo de
xitos que puede presentarse en la muestra n. La distribucin hipergeomtrica suele expresarse como h(x;_,
k, n) .
Distribucin Poisson
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 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:
f ( x ; )=

e x
X =0,1,2, >0
x!

Distribucin Uniforme
La distribucin uniforme es aquella que puede tomar cualquier valor dentro de un intervalo, todos ellos con la
misma probabilidad. Es continua porque puede tomar cualquier valor y no nicamente un nmero
determinado.
Ejemplo: El precio medio del litro de gasolina durante el prximo ao se estima que puede oscilar entre $140
y $160. Podra ser, por tanto, de $143., o de $143,4, o de $143,45, o de $143,455, etc. Hay infinitas
posibilidades, todas ellas con la misma probabilidad.
Su funcin de densidad, aquella que nos permite conocer la probabilidad que tiene cada punto del intervalo,
viene definida por:

Donde:
b: es el extremo superior (en el ejemplo, $160)
a: es el extremo inferior (en el ejemplo, $140)

Por lo tanto, la funcin de distribucin del ejemplo sera:

Es decir, que el valor final est entre $140 y $141 tiene un 5% de probabilidad, que est entre 141 y 142, otro
5%, etc.
El valor medio de esta distribucin se calcula:

En el ejemplo:

Por lo tanto, el precio medio esperado de la gasolina para el prximo ao es de $150.

Distribucin Normal Y Uso De La Distribucin Normal
Estndar
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 resumen, 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, Caracteres fisiolgicos, Caracteres sociolgicos,
Caracteres psicolgicos)
Su distribucin se 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:

Un 50% de los valores estn a la derecha de este valor central y otro 50% a la izquierda. Viene definida por
dos parmetros:
X: N (m, s 2)

m: es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de la campana
de Gauss).
s 2: 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 dispersos.
Cuando la media de la distribucin es 0 y la varianza es 1se denomina "normal tipificada", y su ventaja reside
en que hay tablas donde se recoge la probabilidad acumulada para cada punto de la curva de esta
distribucin.
Distribucin Exponencial Y Chi Cuadrado
Distribucin Exponencial
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 cual se define como EL TIEMPO QUE
OCURRE DESDE UN INSTANTE DADO HASTA QUE OCURRE EL PRIMER SUCESO.
Concretando, si una v.a. continua X distribuida a lo largo de

es tal que su funcin de densidad es

Funcin de distribucin acumulada es:

Distribucin CHI cuadrado

EJERCICIOS

EJERCICIOS CAPITULO 4
EJERCICIO No2. Se seleccionan al azar dos calcetines y de manera sucesiva, se sacan de un cajn que
contiene tres calcetines cafs y cuatro verdes, Defina la variable aleatoria X que represente el nmero de
calcetines cafs que se selecciona. Encuentre la funcin de probabilidad f(X), y el valor esperado E(X).
Solucin:
La variable aleatoria X est definida por 0, 1 y 2; la funcin de probabilidad f(x) es:

k Nk
(
x )( nx )
f ( x )=P ( X =x ) =h ( x , N , n , K ) =
N
n

6 4
(
0 )( 2 ) 6
f ( x )=P ( X =0 )=h ( 0,10,4,6 )=
=
10
2

45

6 4
(
1 )( 1 ) 24
f ( x )=P ( X =1 )=h ( 1,10,4,6 )=
=
10
2

45

6 4
(
2 )( 0 ) 15
f ( x )=P ( X =2 )=h ( 2,10,4,6 )=
=
10
2

La funcin de probabilidad F(x) es:

F ( x )=P ( X x )= f (X i )
X i x

0 para x <0

6
para 0 x <1
F ( x )= 45
30
para 1 x <2
45
1 para x 2
Valor esperado E(X) es:

x =E ( X )= [ x f (x) ]
x

x =E ( x )=

124 215
+
+
( 06
45
45
45 )

45

x =E ( x )= 0+
x =E ( x )=

24 30
+
45 45

54
45

EJERCICIO 3 En una lotera se venden 200 boletos, de los cuales uno gana $500.000, 2 son
ganadores de $100.000, siete son ganadores de $50.000, cinco son ganadores de $20.000 y
cincuenta de $5.000. Sea X la variable aleatoria que representa la ganancia del jugador, Determinar
la funcin de probabilidad y el valor esperado del juego.
Solucin:
Funcin de probabilidad:
X

500000

100000

50000

20000

5000

P( X =x)

1/200

2/200

7/200

5/200

50/200

f ( x )=P( X=x )

f ( x=500000 ) =1/200
f ( x=100000 ) =2/ 200=1/ 100
f ( x=50000 ) =7/200
f ( x=20000 ) =5/200=1 / 40
f ( x=5000 ) =50/200=1 /4

Valor esperado:
x =E ( X )=500000

50
( 2001 )+100000 ( 2002 )+50000 ( 2007 )+20 000( 2005 )+5000 ( 200
)

x =E ( X )=2500+1000+1750+ 500+ 1250

x =E ( X )=7000

EJERCICIO 4.- Un jugador lanza un dado corriente. Si sale un nmero igual o menor a 4, gana tantos cientos
de dlares como marca el dado, pero si sale un nmero mayor a 4, pierde tantos cientos de dlares como
marca el dado. Determinar la funcin de probabilidad y la esperanza matemtica del juego

Solucin:
Funcin de probabilidad:

F ( x )= 100 x para x 4
100 x para x >4

100

200

300

400

-500

-600

P(X=x)

1/6

1/6

1/6

1/6

1/6

1/6

Valor esperado:
x =E ( X )=100

( 16 )+200 ( 16 )+300 ( 61 )+400 ( 61 )500 ( 61 )600 ( 61 )

x =E ( X )=16,67+33,33+ 50+66,6783,33100
x =E ( X )=1667

EJERCICIO No5.- 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 )=n . p (x)
E16=250.0,22=55

E26=100.0,36=36
E3=0.0,28=0
E4 p =150.0,14=21
E ( x )=E16 + E26 + E3 + E 4 p=55+36+ 021=70 la gananciaesperada del comerciante
EJERCICIO 10.- Un jugador tiene tres oportunidades de lanzar una moneda para que aparezca una
cara, el juego termina en el momento en que cae una cara o despus de tres intentos, lo que suceda
primero. Si en el primero, segundo o tercer lanzamiento aparece cara el jugador recibe $20000,
$40000 o $80000 respectivamente, si no cae cara en ninguno de los tres pierde $200000. Si X
representa la ganancia del jugador:
a.- Encuentre la funcin de probabilidad f(x)
b.- Encuentre el valor esperado E(x), la varianza V(x) y la desviacin estndar S(x)

Solucin.

Probabilidad de caer cara primer lanzamiento:

Probabilidad de lanzar una moneda y que aparezca cara = 1/2
P ($ 20000) = 1/2

P (Cara) = 1/2

Probabilidad de caer cara segundo lanzamiento:

Probabilidad de tirar una moneda y que no caiga cara la primera vez; volver a lanzarla y que
aparezca cara la segunda vez = 1/2. 1/2
P (no Cara; Cara) = 1/4
P ($
40000) = 1/4

Probabilidad de caer cara tercer lanzamiento:

Probabilidad de tirar una moneda y que no caiga cara la primera y segunda vez y nuevamente
tirarla y que salga cara = 1/2. 1/2. 1/2
P (no Cara; no Cara; Cara) = 1/8
P ($
80000) = 1/8

Probabilidad de no caer cara en ninguno de los tres lanzamientos (pierde $ 200.000= 1/2. 1/2.
1/2
P (no Cara; no Cara; no Cara) = 1/8
P (- $ 200000) = 1/8

Reemplazando:

Ganancia (X) = $20000 * P ($20000) + $40000 * P ($40000) + $80000 * P ($80000) + (- $200000). P

(- $ 200000) =

Ganancia (X) = $20000 * 1/2 + $40000 * 1/4 + $80000 * 1/8 + (- $200000). 1/8 = $10000 + $10000 +
$10000 + (- $25000) = $ 5000

EJERCICIOS CAPITULO 5
EJERCICIO No 1.- En una clase de ciencias naturales de 12 alumnos se elegir un representante de
grupo, para lo cual se usar el nmero de lista de cada alumno. Se anotan 12 papeles con nmeros
del 1 al 12 respectivamente se doblan y se meten en un frasco. Luego se extrae al azar un papel
para designar al representante. Determine la probabilidad de que el numero que salga sea menor
que 5; determine la probabilidad de que el numero sea mayor que 3 pero menor que 7.
Solucin:
La probabilidad de que

P( x <5) es:

1
1
P ( x <5 ) =1P ( x>5 )=1
dx=1 x|
12
5
5 12
1
1
5
7
1
(5 )+ ( ) =1 =
12
12
12 12

La probabilidad de que
7

P (3< x<7 )=
3

La probabilidad de

P( x <5) es:

7
=0.58
12

1
1
1
1
7 3 10
dx= x|7 = ( 7 ) + ( 3 )= + =
12
12 3 12
12
12 12 12
P (3< x<7 ) es:

10
=0.83
12

EJERCICIO 3.- Al revisar un autobs de turistas, un agente de migracin sabe que el 80% de los
ocupantes son extranjeros. Cul es la probabilidad de que el noveno turista al azar sea el sexto
extranjero que entrevista?

Solucin.

Distribucin binomial negativa p igual a 0,80 q igual a 0,20 K igual a 6 P (X igual a 9) = 0.1174

EJERCICIO 4.- En el metro de la ciudad de Mxico, los trenes deben detenerse solo unos cuantos

segundos en cada estacin, pero por razones no explicadas, a menudo se detienen por intervalos de
varios minutos. La probabilidad de que el metro se detenga en una estacin ms de tres minutos es
de 0,20. Halle la probabilidad de que se detenga ms de tres minutos por primera vez, en la cuarta
estacin desde que un usuario lo abordo?. Halle la probabilidad de que se detenga ms de tres
minutos por primera vez antes de la cuarta estacin desde que un usuario lo abordo?

Solucin:
Es una distribucin binomial negativa con los siguientes parmetros:
Numero de intentos n=3
Numero de xitos r=1
Probabilidad de xito p=0,2

()

f ( x ; p , r )= n . q xr . pr
x

()

f ( x ; p , r )= 3 .0,8 31 . 0,21
1
f ( x ; p , r )=

321
0,640,2=0,384
1(21)

EJERCICIO 6 De un equipo de ftbol se seleccionan al azar tres jugadores para un examen

antidoping. Suponga que cuatro tomaron sustancias prohibidas antes del juego. Cules la
probabilidad de que los tres elegidos resulten positivos en la prueba?

e=Nmero deeuler=2.71828

p( x=3)
=4
x
e
(
)
f x; =
x!
4

f ( x ; 4 )=

2.71828 4
=0.19545
3!

La probabilidad que los tres elegidos resulten positivos en la prueba es 19.545%

EJERCICIOS CAPITULO 6
1.- En una clase de ciencias naturales de 12 alumnos se elegir un representante de grupo, para lo cual se
usar el nmero de lista de cada alumno. Se anotan 12 papeles con nmeros del 1 al 12 respectivamente se
doblan y se meten en un frasco. Luego se extrae al azar un papel para designar al representante. Determine
la probabilidad de que el numero que salga sea menor que 5; determine la probabilidad de que el numero sea
mayor que 3 pero menor que 7.
Solucin:

P( x <5) es:

1
1
P ( x <5 ) =1P ( x>5 )=1
dx=1 x|
12
5
5 12
1
1
5
7
1
(5 )+ ( ) =1 =
12
12
12 12

La probabilidad de que

La probabilidad de que

P( x <5) es:

7
=0.58
12

P (3< x<7 )=
3

La probabilidad de

1
1
1
1
7 3 10
dx= x|7 = ( 7 ) + ( 3 )= + =
12
12 3 12
12
12 12 12
P (3< x<7 ) es:

10
=0.83
12

EJERCICIO 2.- El tiempo promedio que cierto usuario de Internet emplea en

leer y escribir mensajes por e-mail es de 30 minutos diarios, con una
desviacin estndar de 10 minutos. Si se supone que el tiempo empleado tiene
una distribucin normal, Cul es la probabilidad de que en un da cualquiera
dicha persona pase menos de 10 minutos leyendo y escribiendo mensajes
electrnicos? Cul es la probabilidad de que pase entre 25 y 35 minutos
leyendo?
Solucin:

=30
=10

La probabilidad de que pase menos de 10 minutos leyendo y escribiendo

mensajes electrnicos es de 0,018

minutos leyendoes de

La probabilidad de que
pase entre 25 y 35
0,417

EJERCICIO 5.- 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 varianza de 9,4. Si se supone que
la distribucin de los tiempos de viaje est distribuida normalmente. Cul es la probabilidad de que un viaje
le tome ms de media hora? 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?

Solucin.

Se tiene que:
= 24 y = 9,4
Probabilidad de viaje de media hora:
P(X>30) = 1 - ((30-24)/9,4) = 1 - (0,64) = 1 - 0,7389 = 0,2611
Si la oficina abre a las 9:00 am:
P(X>15) = 1 - ((15-24)/9,4) = 1 - (-0,96) = 1 - 0.1685= 0,8315

EJERCICIO No10.- El Departamento de Talento Humano de una universidad ha hecho un estudio sobre la
distribucin de las edades del profesorado y ha observado que se distribuyen normalmente con una media de
34 aos y una desviacin tpica de 6 aos. De un total de 400 profesores hallar:
a.- Cuntos profesores habrn con edad menor o igual a 35 aos?
b.- Cuntos de 45 aos o ms?
c.- Cuntos profesores habrn con edades mayores a 30 aos pero menores a 35?
Solucin

=34 y =6
a.- Cuntos profesores habrn con edad menor o igual a 35 aos?

P ( x <35 ) =z 2=

x 3534 1
=
= =0.16

6
6

P ( z <0.16 )=0.5636
Los profesores con edad menor o igual a 35 aos son 400*0.5636 = 225.44 aproximadamente 225
profesores.
b.- Cuntos de 45 aos o ms?

P ( x > 45 )=z 2=

x 4534 11
=
= =1.833

6
6

P ( z >1.833 ) =1P ( z>1.833 )=10.9656=0.0344

Los profesores con edades de 45 aos son 400*0.0344=137.6 profesores

c.- Cuntos profesores habrn con edades mayores a 30 aos pero menores a 35?

P (30> x<35 )=z 2=

x 3034 4
=
=
=0.666

6
6

P ( z >0.666 ) =P ( z <0.666 )
P ( z <0.666 )=P ( z <0.666 )=10.7454=0.2546
x 3534 1
=
= =0.16 P ( z <0.16 )=0.5636

6
6
P ( z <0.16 )P ( z< 0.666 )=0.56360.2546=0.309

Los profesores con edad mayor a 30aos pero menores a 35 son 400*0.309=123.6

EJERCICIO No11.- Una empresa de material elctrico fabrica bombillas de luz que tienen una duracin antes
de quemarse (fundirse) que se distribuye normalmente con media igual a 800 horas y una desviacin
estndar de 40 horas. Encuentre la probabilidad de que una bombilla dure:
a.- ms de 829 horas
b.- mximo 820 horas
c.- entre 778 y 834 horas
Estandarizamos con Z=(X-media)/desv y buscamos los valores en la tabla
a) P(X>829)
X=829--> Z=(829-800)/40 = 0.73
P(X>829) = P(Z>0.73) = 1 - P(Z<0.73) = consultando la tabla = 1 - 0,7673 = 0.2327
b) P(X<=820)
X=820---> Z=(820-800)/40 = 0.5
P(X<820) = P(Z<0.5) = consultando la tabla = 0,6915
c) P(778<X<834)
P(X<834) - P(X<778)
X=834 --> Z=(834-800)/40 = 0.85
X=778 --> Z=(778-800)/40 = 0.02
P(Z<0.85) - P(Z<0.02) = consultando la tabla = 0,8023 - 0,5080 = 0.2943

CONCLUSIONES

Se logro dar solucin a los ejercicios propuestos por cada uno de los integrantes
del grupo de trabajo.

Hubo un buen inters y participacin por cada uno de los integrantes del grupo en
el desarrollo de la actividad.

Es esta unidad se evidencia las aplicaciones para dar soluciones a problemas de

la cotidianidad.

Probabilidad es una materia que requiere una dedicacin para lograr un buen
aprendizaje de la misma, paralelo a esto es de vital importancia tener las ayudas
bibliogrficas a la mano y si es necesario buscar ayuda presencial.

BIBLIOGRAFA

Morales, A. (2007), Modulo de probabilidad. Universidad Nacional abierta y a

Distancia.
Teora Y Problemas De Probabilidad libros McGRAW-HILL DE MEXICO, 1971
fundamentos de la probabilidad, Francisco Javier Martn Pliego
Estruch, F. Vicente, G. Valentn, S. (2003). Estadstica. Editorial de la Universidad
Politcnica de Valencia.
Jos, H. Estadstica. Instituto Tecnolgico de Apizaco
Estadstica y probabilidad para ingenieros, Ronald E. Walpole, sexta edicin,
Mxico 1999
Probabilidad, Liliana blanco Castaeda