PROBABILIDAD

UNIDAD 1: TAREA-1-ESPACIO MUESTRAL, EVENTOS, OPERACIONES Y

AXIOMAS DE PROBABILIDAD

PRESENTADO POR:

DEISY LILIANA GARCÍA CHAVES

CÓDIGO: 1.077.149.589

CÓDIGO DEL GRUPO: 100402_1

DIRECTOR:
JAVIER MAURICIO BUITRAGO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

2018
 Introducción

La Probabilidad es la mayor o menor posibilidad de que ocurra un determinado suceso. En

otras palabras, su noción viene de la necesidad de medir o determinar cuantitativamente la
certeza o duda de que un suceso dado ocurra o no.

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

Analizar los temas de la unidad #2 (Probabilidad Condicional y Distribuciones de

Probabilidad) para que por medio de ello se dé solución a los diferentes casos propuestos y se
realice el mentefacto solicitado.

Específicos

 Analizar adecuadamente las diferentes lecturas de la unidad # 2 (Probabilidad

Condicional y Distribuciones de Probabilidad) y resaltar ideas principales.
 Estudiar las respectivas formulas y plantearlas adecuadamente.
 Interpretar que clase de distribución se clasifica en cada caso propuesto.

3
 4

Desarrollo del ejercicio (estudios de caso)

Estudio de caso 1:

En el norte de Chile, un creciente número de personas que buscan un diploma de enseñanza

están eligiendo internados pagados en lugar de los tradicionales programas estudiantiles de
enseñanza. Un grupo de 8 candidatos para tres posiciones locales de enseñanza estaba
formado por cinco candidatos, que se habían inscrito en internados pagados y tres candidatos
que se habían inscrito en programas tradicionales estudiantiles de enseñanza. Supongamos
que los ocho candidatos están igualmente calificados para las posiciones. Represente con x
el número de candidatos capacitados en un internado que son contratados para estas tres
posiciones.
a. ¿La x tiene una distribución binomial o una distribución hipergeométrica?
Argumente su respuesta.

La X hace referencia a una distribución hipergeométrica donde se identifican los 3

parámetros como lo es el tamaño de la población, conteo de eventos en la población
y tamaño de la muestra.

b. Encuentre la probabilidad de que tres candidatos capacitados en internado sean

contratados para estas posiciones.

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

Rta: La probabilidad de que tres candidatos en internado sean contratados es de

0.0208

c. ¿Cuál es la probabilidad de que ninguno de los tres contratados sea capacitado en

internado?

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

Rta: La probabilidad de que ninguno de los tres contratados sea capacitado en

internado es de 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%

a. Al menos cinco autos sean negros.

𝑃 = (𝑥 < 5) = 𝑝(𝑥 = 4) + 𝑝(𝑥 = 3) + 𝑝(𝑥 = 2) + 𝑝(𝑥 = 1) + 𝑝(𝑥 = 0)
𝑛
𝑝(𝑥 = 𝑘 = ∗ 𝑝𝑘 ∗ 𝑞 𝑛−𝑘
𝑘
25
𝑃 = (𝑥 < 5) = ∗ 0.14 ∗ 0.921 =0.00006
4
25
𝑃 = (𝑥 < 5) = ∗ 0.13 ∗ 0.922 =0.0008
3

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

𝑆𝑢𝑚𝑎𝑚𝑜𝑠 𝑒𝑙 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑡𝑜𝑑𝑜𝑠 = (𝑥 < 5) = 0.280

Resolvimos el ejercicio al contrario, ahora hallaremos la correcta realizando

el siguiente procedimiento.
𝑃 = (𝑥 > 5) = 1 − 𝑝(𝑥 < 5)
𝑃 = (𝑥 > 5) = 1 − 0.280
𝑃 = (𝑥 > 5) = 0.72

Rta: La probabilidad que al menos 5 carros sean negros es de 0.72

b. A lo sumo seis autos son negros.

𝑃 = (𝑥 <= 6) = 𝑝(𝑥 = 6) + 𝑝(𝑥 = 5) + 𝑝(𝑥 = 4) + 𝑝(𝑥 = 3)
+ 𝑝(𝑥 = 2) + 𝑝(𝑥 = 1) + 𝑝(𝑥 = 0)
𝑛
𝑝(𝑥 = 𝑘 = ∗ 𝑝𝑘 ∗ 𝑞 𝑛−𝑘
𝑘
25
𝑃 = (𝑥 <= 6) = ∗ 0.16 ∗ 0.919 𝑃 =0.0000005
6
25
𝑃 = (𝑥 <= 6) = ∗ 0.15 ∗ 0.920 𝑃 =0.000006
5
25
𝑃 = (𝑥 <= 6) = ∗ 0.14 ∗ 0.921 =0.00006
4
25
𝑃 = (𝑥 <= 6) = ∗ 0.13 ∗ 0.922 𝑃 =0.0008
3
25
𝑃 = (𝑥 <= 6) = ∗ 0.12 ∗ 0.923 𝑃 =0.01
2
25
𝑃 = (𝑥 <= 6) = ∗ 0.11 ∗ 0.924 𝑃 =0.199
1
25
𝑃 = (𝑥 <= 6) = ∗ 0.10 ∗ 0.925 𝑃 =0.071
0

𝑆𝑢𝑚𝑎𝑚𝑜𝑠 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟𝑚𝑒𝑛𝑡𝑒 (𝑥 <= 6) = 0.280

7
 8

c. Más de cuatro autos son negros

𝑃 = (𝑥 > 4) = 𝑝(𝑥 = 5) + 𝑝(𝑥 = 6) + 𝑝(𝑥 = 7) + 𝑝(𝑥 = 8) + 𝑝(𝑥 = 9)
+ 𝑝(𝑥 = 10) + 𝑝(𝑥 = 11) + 𝑝(𝑥 = 12) + 𝑝(𝑥 = 13)
+ 𝑝(𝑥 = 14) + 𝑝(𝑥 = 15) + 𝑝(𝑥 = 16) + 𝑝(𝑥 = 17)𝑣
+ 𝑝(𝑥 = 18)𝑣 + 𝑝(𝑥 = 19)𝑣 + 𝑝(𝑥 = 20) + 𝑝(𝑥 = 21)
+ 𝑝(𝑥 = 22) + 𝑝(𝑥 = 23) + 𝑝(𝑥 = 24) + 𝑝(𝑥 = 25)

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

e. Entre tres y cinco autos (inclusive) son negros.

𝑝(3 ≤ 𝑥 ≤ 5) = 𝑝(𝑥 = 3) + 𝑝(𝑥 = 4) + 𝑝(𝑥 = 5)

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

Rta: La probabilidad de que entre 3 y 5 sean negros es de 0.0008

f. Más de veinte autos no son negros.

𝑃 = (𝑥 ≤ 4)
= 𝑝(𝑥 = 3) + 𝑝(𝑥 = 2) + 𝑝(𝑥 = 1) + 𝑝(𝑥 = 0)
25
𝑃 = (𝑥 ≤ 4) = ∗ 0.13 ∗ 0.922 =0.0008
3
25
𝑃 = (𝑥 ≤ 4) = ∗ 0.12 ∗ 0.923 =0.01
2
25
𝑃 = (𝑥 ≤ 4) = ∗ 0.11 ∗ 0.924 =0.199
1

9
 10

25
𝑃 = (𝑥 ≤ 4) = ∗ 0.10 ∗ 0.925 =0.071
0

𝑃 = (𝑥 ≤ 4) = 0.28

Rta: La probabilidad de que más de veinte autos no son negros es de0.28

Estudio de caso 3 :

La distribución de probabilidad de Poisson describe el número de veces que se presenta un

evento durante un intervalo específico. El intervalo puede ser de tiempo, distancia, área o
volumen. La distribución se basa en dos supuestos. El primero consiste en que la
probabilidad es proporcional a la longitud del intervalo. El segundo supuesto consiste en
que los intervalos son independientes. En otras palabras, cuanto más grande sea el
intervalo, mayor será la probabilidad; además, el número de veces que se presenta un
evento en un intervalo no influye en los demás intervalos.

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.

El incremento del número de vuelos regionales cortos en aeropuertos importantes ha

aumentado la preocupación por la seguridad en el aire. Un aeropuerto de la región este ha
registrado un promedio mensual de cinco accidentes a punto de ocurrir en aterrizajes y
despegues en los últimos 5 años.

a. Encuentre la probabilidad de que durante un mes determinado no haya accidentes a

punto de ocurrir en aterrizajes a punto de ocurrir en aterrizajes y despegues en el
aeropuerto.

10
 11

µ= (media del número de ocurrencias)

N° de veces que se espera que ocurra el fenómeno µ=5

X= N° de ocurrencia del evento = 0

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

b. Encuentre la probabilidad de que durante un mes determinado haya cinco accidentes

a punto de ocurrir.

𝜇 𝑋 𝑒 −𝜇
𝑃 (𝑥) =
𝑥!
Remplazando:

(5)5 (𝑒 −5 ) 21.05
𝑃(5) = = = 4.21
5 5

Rta: La probabilidad de que durante un mes haya cinco accidentes a punto de

ocurrir es de 4.21

c. Encuentre la probabilidad de que haya al menos cinco accidentes a punto de ocurrir

durante un mes particular

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:

El Coeficiente intelectual C.I. de un individuo es medido en una escala que va de 45 a 155.

Un

C.I. de 100 es el promedio. En la figura siguiente se puede ver que la mayoría de la

población tiene el C.I. alrededor de 100. Existen menos personas que tienen el CI menor a
85 y muy pocos tienen el CI por encima de 115.

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.

Asumiendo que las puntuaciones en un test de inteligencia se distribuyen normalmente y

sabiendo que las puntuaciones CI tienen promedio 100 y desviación estándar 15, usted debe
presentarle un informe acerca de sus resultados.

1. Usando sus conocimientos sobre la distribución de probabilidad normal, presente un

informe que como mínimo contenga:

2. Porcentaje de personas que podrían tener un C.I. inferior o igual a 95.

𝑥 − 100 95 − 100
𝑝(𝑥 ≤ 95) = 𝑝 ( )≤
15 15

𝑝(𝑥 ≤ 95) = 0,33

Rta: El porcentaje que podría tener un C.I inferior o igual a 95 es de 0.33%

3. Porcentaje de personas podrían tener un C.I. superior a 95.

𝑥 − 100 95 − 100
𝑝(𝑥 ≥ 95) = 𝑝 ( ≥ )
15 15

𝑝(𝑥 ≥ 95) = 𝑝(𝑧 ≥ −0.33)

𝑝(𝑥 ≥ 95) = 𝑝(100 − 0.33)

𝑝(𝑥 ≥ 95) = 67%

13
 14

Rta: El porcentaje de personas que podrían tener un C.I superior a 95 es de 67%

4. Probabilidad de que una persona tenga un C.I. entre 85 y 90.

𝑥 − 100 85 − 100
𝑝(𝑥 ≤ 85) = 𝑝 ( ≥ )
15 15

𝑝(𝑥 ≤ 85) = −1

𝑥 − 100 90 − 100
𝑝(𝑥 ≤ 90) = 𝑝 ( )≤
15 15

𝑝(𝑥 ≤ 95) = −0.66

Rta: La probabilidad de que una persona tenga un C.I entre 85 es de -1 y 90 es de -0.66

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

6. Puntuación de C.I. que es superada solo por el 10% de los sujetos.

7. Valores de C.I. entre los que se encuentran el 50% central de los sujetos

14
Desarrollo del ejercicio 3 (mentefacto)
Importancia
Nos permite conocer
cómo están
distribuidas las
variables y
distribuciones, para
con ello aplicar
formulas en los
casos presentados.
Variables aleatorias discretas y
continuas
Variable aleatoria: Toma diferentes
valores numéricos mediante un
proceso de contar o medir
Variables aleatorias discretas:
Toman un número limitado de
valores.
Unidad 2 - Probabilidad
Condicional y Distribuciones de
Probabilidad
Dividida en:
Distribuciones discretas
de probabilidad.
Es el conjunto de todos los posibles
resultados de un experimento a los que
podemos asignar un valor de ocurrencia
o probabilidad
Aplicaciones
En la vida cotidiana,
Lo que gasta
estudio, trabajo
una persona
en un año
Distribución de probabilidad
continúa
Es el conjunto de todos los posibles
resultados que presenta una
variable aleatoria continua, junto
con la probabilidad de cada
resultado, en el rango o intervalo
de valores en el que se ha hecho la
medición de la variable.
Variable aleatoria continua: Toma Distribución de probabilidad binominal:
cualquier valor numérico, producto
Su resultado puede tomar un solo valor
de una medición
de dos posibles, y estos resultados son
mutuamente excluyentes
Distribución binominal negativa: La
variable aleatoria X es el número de
ensayos Bernoulli
Distribución de probabilidad
hipergeométrica: Determina la probabilidad
de tener un determinado número de éxitos
en una muestra que se obtuvo de una
población.
Distribución de probabilidad de Poisson:
Mide la frecuencia relativa de un evento en
función a unidad de tiempo, a una de,
espacio, o bien una de volumen.
16
Distribución de probabilidad
Uniforme: Todos los valores
16 que
toma en un intervalo o rango
tienen el mismo valor de
probabilidad
Distribución de probabilidad
exponencial: Mide el paso del
tiempo entre un suceso y otro
Distribución de probabilidad
normal: Se puede utilizar para
aproximar el comportamiento de
las probabilidades discretas
Distribución de probabilidad 𝑋 2 (Ji -
cuadrada): Esta distribución tiene
un solo parámetro, v, llamado
grados de libertad
Distribución de “t” Student:
Determinación de las diferencias
entre dos varianzas muéstrales
 17

Conclusiones del trabajo desarrollado.

17
 18

Referencias Bibliográficas

Rodríguez, F. &.-1. (s.f.). Recuperado el 04 de Noviembre de 2018, de

http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&docID
=11013767&tm=1470693471527

Rodríguez, F. &.-2. (s.f.). Recuperado el 04 de Noviembre de 2018, de

http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&docID
=11013767&tm=1470693471527

Rodríguez, F. &.-3. (s.f.). Recuperado el 04 de Noviembre de 2018, de

http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&docID
=11013767&tm=1470693471527

UNAD, U. N. (25 de AGOSTO de 2016). EPISTEMOLOGIA. Obtenido de

http://datateca.unad.edu.co/contenidos/100101/C100101/index.html

18