Documente Academic
Documente Profesional
Documente Cultură
AXIOMAS DE PROBABILIDAD
PRESENTADO POR:
CÓDIGO: 1.077.149.589
DIRECTOR:
JAVIER MAURICIO BUITRAGO
2018
Introducción
Es por eso que en el desarrollo de este trabajo nos centramos en primeramente analizar los
temas de la unidad # 2 Probabilidad Condicional y Distribuciones de Probabilidad, para
realizar un cuadro sinóptico y por medio de este análisis desarrollar un mentefacto donde se
da a conocer los conceptos, ideas principales e importancias en la vida diaria de las
distribuciones y de esta manera y por medio de los ejemplos llegar a resolver los casos
propuestos donde aplicamos diferentes fórmulas para hallar sus respectivas probabilidades
ante las diferentes incógnitas.
3
Objetivos
Generales
Específicos
3
4
Estudio de caso 1:
𝑘=5
𝑋=3
𝑁=8
𝑛=3
(𝑘𝑥) (𝑁− 𝑘
𝑛− 𝑥)
𝑓(𝑥; 𝑁, 𝑘, 𝑛) =
𝑁
( )
𝑛
4
5
(53) (8− 5
3− 3) (53) (30)
𝑝(𝑥 = 3) = =
(8) (8 )
3 3
5! 3!
∗
3! (2)! 0! (3)!
𝑝(𝑥 = 3) =
8!
3! (5)!
𝐸𝑛 𝑙𝑎 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜𝑟𝑎 𝑠𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎 𝑙𝑎 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 𝑓𝑜𝑟𝑚𝑎: ((5
÷ (3 ∗ 2) ∗ 3 ÷ 8(3 ∗ 5)) = 0.0208
𝑘=5
𝑋=0
𝑁=8
𝑛=3
𝑘 𝑁−𝑘
(𝑥 ) ( 𝑛 − 𝑥 )
𝑓(𝑥; 𝑁, 𝑘, 𝑛) =
𝑁
𝑛
5 8−5
(0) (3 − 0)
𝑝(𝑥 = 0) =
8
3
5
6
5 3
(0) (3) 𝑛 𝑛!
𝑝(𝑥 = 0) = =( )=
8 𝑘 𝑘! (𝑛 − 𝑘)
3
5! 3!
∗ 3! 0!
𝑝(𝑥 = 0) 0! 5! = 0.125
8!
3! 5!
𝐸𝑛 𝑙𝑎 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜𝑟𝑎 𝑠𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎 𝑙𝑎 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 𝑓𝑜𝑟𝑚𝑎: ((5
∗ 3 ÷ 8(3 ∗ 5)) = 0.125
Estudio de caso 2:
La preferencia por el color de un auto cambia con los años y de acuerdo con el modelo
particular que seleccione el cliente. En año reciente, suponga que 10% de todos los
autos de lujo que se vendieron eran negros. Si 25 autos de ese año y tipo se
seleccionan al azar, encuentre las siguientes probabilidades:
𝑁 = # 𝑑𝑒 𝑎𝑢𝑡𝑜𝑠 (25)
10%
𝑝= = 0.1
100%
6
7
25
𝑃 = (𝑥 < 5) = ∗ 0.12 ∗ 0.923 =0.01
2
25
𝑃 = (𝑥 < 5) = ∗ 0.11 ∗ 0.924 =0.199
1
25
𝑃 = (𝑥 < 5) = ∗ 0.10 ∗ 0.925 =0.071
0
7
8
25
𝑃 = (𝑥 > 4) = ∗ 0.15 ∗ 0.920 =0.000006
5
25
𝑃 = (𝑥 > 4) = ∗ 0.16 ∗ 0.919 =0.0000005
6
25
𝑃 = (𝑥 > 4) = ∗ 0.17 ∗ 0.918 =0.00000005
7
25
𝑃 = (𝑥 > 4) = ∗ 0.18 ∗ 0.917 =0.000000005
8
25
𝑃 = (𝑥 > 4) = ∗ 0.19 ∗ 0.916 =0.000000005
9
25
𝑃 = (𝑥 > 4) = ∗ 0.110 ∗ 0.915 =0.00000000005
10
25
𝑃 = (𝑥 > 4) = ∗ 0.111 ∗ 0.914 =0.000000000005
11
25
𝑃 = (𝑥 > 4) = ∗ 0.112 ∗ 0.913 =0.0000000000005
12
25
𝑃 = (𝑥 > 4) = ∗ 0.113 ∗ 0.912 =0.00000000000005
13
25
𝑃 = (𝑥 > 4) = 14
∗ 0.114 ∗ 0.911 =0.000000000000005
25
𝑃 = (𝑥 > 4) = ∗ 0.115 ∗ 0.910 =0.0000000000000005
15
25
𝑃 = (𝑥 > 4) = ∗ 0.116 ∗ 0.99 =0.00000000000000006
16
25
𝑃 = (𝑥 > 4) = ∗ 0.117 ∗ 0.98 =0.000000000000000006
17
25
𝑃 = (𝑥 > 4) = ∗ 0.118 ∗ 0.97 =0.0000000000000000006
18
25
𝑃 = (𝑥 > 4) = ∗ 0.119 ∗ 0.96 =0.0000000000000000006
19
25
𝑃 = (𝑥 > 4) = ∗ 0.120 ∗ 0.95 =0.00000000000000000007
20
25
𝑃 = (𝑥 > 20) = 21 ∗ 0.121 ∗ 0.94 𝑃 =0.0000000000000000000007
8
9
25
𝑃 = (𝑥 > 20) = 22 ∗ 0.122 ∗ 0.93 𝑃 =0.00000000000000000000008
25
𝑃 = (𝑥 > 20) = 23 ∗ 0.123 ∗ 0.92 𝑃 =0.000000000000000000000008
25
𝑃 = (𝑥 > 20) = 24 ∗ 0.124 ∗ 0.91 𝑃 =0.0000000000000000000000009
25
𝑃 = (𝑥 > 20) = 25 ∗ 0.125 ∗ 0.90 𝑃 =0.0000000000000000000000001
25
d. Exactamente cuatro autos son negros. 𝑃 = (𝑥 = 4) = ∗ 0.14 ∗ 0.921 =
4
(𝑥 = 4) =0.00006
Cuando es exactamente los cuatro autos la probabilidad es 0.00006
25
𝑝(3 ≤ 𝑥 ≤ 5) = ∗ 0.13 ∗ 0.922 𝑃 =0.0008
3
25
𝑝(3 ≤ 𝑥 ≤ 5) = 𝑃 = (𝑥 <= 6) = ∗ 0.14 ∗ 0.921 =0.00006
4
25
𝑝(3 ≤ 𝑥 ≤ 5) = ∗ 0.15 ∗ 0.920 𝑃 =0.000006
5
𝑝(3 ≤ 𝑥 ≤ 5) = 0.0008
9
10
25
𝑃 = (𝑥 ≤ 4) = ∗ 0.10 ∗ 0.925 =0.071
0
𝑃 = (𝑥 ≤ 4) = 0.28
Estudio de caso 3 :
Esta distribución posee diversas aplicaciones. Se le utiliza como modelo para describir la
distribución de errores en una entrada de datos, el número de rayones y otras
imperfecciones en las cabinas de automóviles recién pintados, el número de partes
defectuosas en envíos, el número de clientes que esperan mesa en un restaurante, el número
de accidentes en una carretera en un periodo determinado.
10
11
𝜇 𝑋 𝑒 −𝜇
𝑃 (𝑥) =
𝑥!
Remplazando:
(5)0 (𝑒 −5 )
𝑃(0) = = 0.06
0
Rta: La probabilidad de que durante un mes no hayan accidentes en aterrizajes y despegues
en el aeropuerto es del 0.06
𝜇 𝑋 𝑒 −𝜇
𝑃 (𝑥) =
𝑥!
Remplazando:
(5)5 (𝑒 −5 ) 21.05
𝑃(5) = = = 4.21
5 5
11
12
𝜇 𝑋 𝑒 −𝜇
𝑝(𝑋 = 5) = 𝑃 (𝑥) =
𝑥!
(5)5 (𝑒 −5 ) 21.05
𝑃(5) = = = 4.21
5 5
𝜇 𝑋 𝑒 −𝜇
𝑝(𝑋 = 4) = 𝑃 (𝑥) =
𝑥!
(5)4 (𝑒 −4 ) 11.44
𝑃(4) = = = 2.86
4 4
𝜇 𝑋 𝑒 −𝜇
𝑝(𝑋 = 3) = 𝑃 (𝑥) =
𝑥!
(5)3 (𝑒 −3 ) 6.22
𝑃(3) = = = 2.07
3 3
𝜇 𝑋 𝑒 −𝜇
𝑝(𝑋 = 2) = 𝑃 (𝑥) =
𝑥!
(5)2 (𝑒 −2 ) 3.38
𝑃(2) = = = 1.69
2 2
𝜇 𝑋 𝑒 −𝜇
𝑝(𝑋 = 1) = 𝑃 (𝑥) =
𝑥!
(5)1 (𝑒 −1 ) 1.83
𝑃(1) = = = 1.83
1 1
𝑝(𝑋 = 5) =12.66
Rta:La probabilidad de que haya al menos cinco accidentes a punto de ocurrir durante un
mes particular es de 12.66
12
13
Estudio de caso 4:
Una empresa que recluta personal para multinacionales, aplica un test de inteligencia a
todos los posibles candidatos. Una persona que desea ser contratada, acaba de presentar el
test y le informan que ha obtenido C.I. igual a 95.
𝑥 − 100 95 − 100
𝑝(𝑥 ≤ 95) = 𝑝 ( )≤
15 15
𝑥 − 100 95 − 100
𝑝(𝑥 ≥ 95) = 𝑝 ( ≥ )
15 15
13
14
𝑥 − 100 85 − 100
𝑝(𝑥 ≤ 85) = 𝑝 ( ≥ )
15 15
𝑝(𝑥 ≤ 85) = −1
𝑥 − 100 90 − 100
𝑝(𝑥 ≤ 90) = 𝑝 ( )≤
15 15
5. Puntuación C.I. que habría que sacar en el test de inteligencia para estar en el 30%
inferior (puntuación de CI que deja el 30% de sujetos por debajo).
𝑝(𝑋 ≤ 𝑥) = 0.3
𝑥 =? 𝐴(0.2) − 𝑍 = −0.55
𝑋−𝜇
𝑍=
𝜎
𝑥 = 𝜇 + 𝑧𝜎
𝑥 = 100 + (−0.55)(15)
𝑥 = 91.75
7. Valores de C.I. entre los que se encuentran el 50% central de los sujetos
14
Desarrollo del ejercicio 3 (mentefacto)
Unidad 2 - Probabilidad
Importancia Condicional y Distribuciones de Aplicaciones
Probabilidad
Variable aleatoria: Toma diferentes Es el conjunto de todos los posibles Es el conjunto de todos los posibles
valores numéricos mediante un resultados de un experimento a los que resultados que presenta una
proceso de contar o medir podemos asignar un valor de ocurrencia variable aleatoria continua, junto
o probabilidad con la probabilidad de cada
Variables aleatorias discretas: resultado, en el rango o intervalo
Toman un número limitado de de valores en el que se ha hecho la
valores. medición de la variable.
Variable aleatoria continua: Toma Distribución de probabilidad binominal:
cualquier valor numérico, producto Distribución de probabilidad
Su resultado puede tomar un solo valor
de una medición Uniforme: Todos los valores
16 que
de dos posibles, y estos resultados son
toma en un intervalo o rango
mutuamente excluyentes
tienen el mismo valor de
probabilidad
Distribución de probabilidad
Distribución binominal negativa: La
exponencial: Mide el paso del
variable aleatoria X es el número de
tiempo entre un suceso y otro
ensayos Bernoulli
Distribución de probabilidad
Distribución de probabilidad
normal: Se puede utilizar para
hipergeométrica: Determina la probabilidad
aproximar el comportamiento de
de tener un determinado número de éxitos
las probabilidades discretas
en una muestra que se obtuvo de una
población. Distribución de probabilidad 𝑋 2 (Ji -
cuadrada): Esta distribución tiene
Distribución de probabilidad de Poisson: un solo parámetro, v, llamado
Mide la frecuencia relativa de un evento en grados de libertad
función a unidad de tiempo, a una de,
espacio, o bien una de volumen. Distribución de “t” Student:
Determinación de las diferencias
entre dos varianzas muéstrales
16
17
17
18
Referencias Bibliográficas
18