Escolar Documentos
Profissional Documentos
Cultura Documentos
CURSO PROBABILIDAD
PRESENTADO POR:
INGRITH VANESSA BLANCO
RONAL JANCARLO SILVA RODRIGUEZ COD: 4084102
GRUPO: 100402_250
PRESENTADO A:
JULIAN ANDRES ROZO
INTRODUCCION
En el presente trabajo se presenta un resumen de los contenidos de la unidad dos, para
lograr un reconocimiento de los temas y lograr un mejor desempeo en el desarrollo de las
problemticas propuestas, las cuales se les da solucin en el mismo trabajo.
DESARROLLO DE LA ACTIVIDAD
Aporte RONAL SILVA
UNIDAD DOS
Variables aleatorias y distribuciones de probabilidad
Captulo 4: variables aleatorias
Leccin 16: Concepto de variables aleatorias.
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.
Ejemplo 1.
Considere el lanzamiento de una moneda. El espacio muestral de este experimento aleatorio
est constituido por dos resultados: cara y sello.
Si se define X (cara) = 0 y X (sello) = 1, se transforman los dos posibles resultados del
espacio muestral en cantidades numricas reales.
De esta manera P(X=0) representa la probabilidad de que el resultado al lanzar la moneda
es cara.
Leccin 17: Variable aleatoria discreta.
Una variable aleatoria discreta es aquella que slo puede tomar valores enteros.
Se dice que una variable aleatoria X es discreta si el nmero de valores que puede tomar es
finito (o infinito contable).
Ejemplos:
* Nmero de caras al lanzar dos dados.
* Nmero de cifras acertadas en un sorteo de la lotera.
Leccin 18: Variable aleatoria continua
Una variable aleatoria continua es aquella que puede tomar todos los valores posibles
dentro de un cierto intervalo de la recta real.
Definicin: Se dice que una v.a. es continua si el conjunto de todos los valores que puede
tomar no es numerable.
Una variable aleatoria X es (absolutamente) continua si existe una funcin f: RR+ tal que
()=()
Esta funcin f se llama funcin de la densidad de la v.a. X
Las propiedades bsicas de cualquier funcin de densidad son las siguientes:
1. ()0 (las frecuencias relativas tampoco podan ser negativas).
2. ()=1 (las frecuencias relativas tambin sumaban uno).
3. ()= () (la funcin de densidad sirve para calcular la probabilidad de que la
variable aleatoria X tome valores en un intervalo I que nos interese).
Ejemplos:
* Duracin de una llamada a un servicio de atencin al cliente.
* Tiempo que un mdico tarda en atender un paciente.
Leccin 19: valor esperado y varianza de una variable aleatoria
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. f(x)]
* 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. Recibe el nombre de experimento binomial.
La variable aleatoria X, de un experimento binomial, que corresponde al nmero de
ensayos donde el resultado es un xito, tiene una distribucin binomial con parmetros p y
n = 1, 2,
Leccin 23 DISTRIBUCIN BINOMIAL NEGATIVA Y GEOMTRICA
Considerando 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.
Distribucin Binomial Negativa
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.
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,
Leccin 24: 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 de x xitos en n
ensayos de los N elementos del conjunto donde k N y n N.
es grande. Podra decirse que se tiene una aproximacin muy satisfactoria cuando n 20 y
n 0.05 y tal aproximacin se incrementa a medida que disminuye p.
CAPITULO 6
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Leccin 27: DISTRIBUCION UNIFORME
Se dice que una variable X posee una distribucin uniforme en el intervalo [a,b],
X U (a,b) si su funcin de densidad es la siguiente:
()= 1
Con esta ley de probabilidad, la probabilidad de que al hacer un experimento aleatorio, el
valor de X este comprendido en cierto sub intervalo de [a,b] depende nicamente de la
longitud del mismo, no de su posicin.
Leccin 27: DISTRIBUCION NORMAL Y USO DE LA DISTRIBUCIN NORMAL
ESTANDAR
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:
Distribucin normal estndar o tipificada
Cuando la media de la distribucin normal es 0 y la varianza es 1, se denomina
"normal tipificada", y su ventaja reside en que hay tablas, o rutinas de clculo que permiten
obtener esos mismos valores, donde se recoge la probabilidad acumulada para cada punto
de la curva de esta distribucin.
Leccin 28: APLICACIONES DE LA DISTRIBUCIN NORMAL
Empecemos con un ejemplo:
El salario medio de los empleados de una empresa se distribuye segn una distribucin
normal, con media $ 500.000. y desviacin tpica $100.000 Calcular el porcentaje de
empleados con un sueldo inferior a $700.000
Solucin:
Lo primero que haremos es transformar esa distribucin en una normal tipificada, para ello
se crea una nueva variable (Z) que ser igual a la anterior (X) menos su media y dividida
por la desviacin tpica.
= 700.000500.000100.000
Esta nueva variable se distribuye como una normal tipificada. La variable Z que
corresponde a una variable X de valor 700.000 es: Z= 2
Leccin 29: DISTRIBUCION EXPONENCIAL Y CHI CUADRADO
Distribucin Exponencial
Esta distribucin 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.
Suponiendo que la duracin de cierto componente en estado slido X es exponencial.
Entonces la probabilidad de que X dure t unidades despus de haber durado a unidades es la
misma que la probabilidad de que X dure t unidades cuando X estaba nuevo.
Leccin 30:
OTRAS DISTRIBUCIONES CONTINUAS: DISTRIBUCION t-STUDENT
Distribucin t-Student
La distribucin t-Student se construye como un cociente entre una normal y la raz de una
2 independientes. De modo preciso, llamamos distribucin t-Student con n grados de
libertad, tn a la de una v.a. T,
APORTE: INGRITH BLANCO
Variable aleatoria discreta y continua
Se llama variable aleatoria a toda funcin que asocia a cada elemento del espacio
Muestral E un nmero real.
Se utilizan letras maysculas X, Y,... para designar variables aleatorias, y las respectivas
minsculas (x, y,...) para designar valores concretos de las mismas.
Variable aleatoria discreta
Es aquella que slo puede tomar valores enteros.
Ejemplo:
El nmero de hijos de una familia, la puntuacin obtenida al lanzar un dado.
Variable aleatoria contina
Es aquella que puede tomar todos los valores posibles dentro de un cierto intervalo de la
recta real.
Ejemplo:
La altura de los alumnos de una clase, las horas de duracin de una pila.
Distribucin binomial
La distribucin binomial es tpica de las variables que proceden de un experimento que
cumple las siguientes condiciones:
1) El experimento est compuesto de n pruebas iguales, siendo n un nmero natural
fijo.
2) Cada prueba resulta en un suceso que cumple las propiedades de la variable
binmica o de Bernoulli, es decir, slo existen dos posibles resultados, mutuamente
excluyentes, que se denominan generalmente como xito y fracaso.
3) La probabilidad del xito (o del fracaso) es constante en todas las pruebas. P
(xito) = p; P (fracaso) = 1 - p = q
4) Las pruebas son estadsticamente independientes,
En estas condiciones, la variable aleatoria X que cuenta el nmero de xitos en la n
pruebas se llama variable binomial. Evidentemente, el espacio Muestral estar compuesto
por los nmeros enteros del 0 al n. Se suele decir que una variable binmica cuenta objetos
de un tipo determinado en un muestreo de n elementos con reemplazamiento.
La funcin de probabilidad de la variable binomial se representa como b(x, n, p) siendo n el
nmero de pruebas y p la probabilidad del xito. n y p son los parmetros de la
distribucin.
Distribucin 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:
Distribucin de Poisson
En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de
tiempo.
Formula:
( ) =
!
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.
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, n. p)= (e-n .p (n. p) x)/ x! x= 0, 1,2,......n. p>0
La distribucin Poisson representa la probabilidad de que un evento aislado ocurra un
nmero especfico 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
.
El nmero promedio de ocurrencias de un evento por unidad de tiempo (o de espacio) es la
media de la variable aleatoria Poisson y se define como:
Media
Varianza
+
2
( )2
12
, su funcin de probabilidad es
Su media estadstica es
Y su varianza
Distribucin normal
Una variable es normal cuando se ajusta a la ley de los grandes nmeros, es decir, cuando
sus valores son el resultado de medir reiteradamente una magnitud sobre la que influyen
infinitas causas de efecto infinitesimal.
Las variables normales tienen una funcin de densidad con forma de campana a la que se
llama campana de Gauss.
Su funcin de densidad es la siguiente:
3)
Se dice que tiene una distribucin CHI con n grados de libertad. Su funcin de densidad es
1
f (x)
x ( n 2) / 2 e x / 2
x0
n n
2
2
F( x ) P( X x ) f ( x )dx
0
Z i N(0,1) Z i2 2n
i 1
2
2
1
x
2
f (x)
x0
n
n
n
2
tn
T
t n Y adems, T
2
1 2
n
1 Xi i
n
n
n i 1 i
CASO 1
Un estudio del Departamento de Transporte de Illinois concluy que 76.2% de quienes
ocupaban los asientos delanteros de los vehculos utilizaba cinturn de seguridad. Esto
significa que los dos ocupantes de la parte delantera utilizaban cinturones de seguridad.
Suponga que decide comparar la informacin con el uso actual que se da al cinturn de
seguridad, para lo cual selecciona una muestra de 12 vehculos.
INFORME A PRESENTAR:
Presente un informe en el que como mnimo incluya:
1.- Esta situacin cumple con los supuestos de la distribucin binomial? Identifquelos
Una distribucin binomial consiste en repetir una prueba n veces. La prueba solo puede
presentar dos resultados xito o fracaso con suma de esas dos probabilidades igual a 1. A la
probabilidad de xito se le llama p.
Y debe presentar la caracterstica de que la probabilidad de cada prueba es independiente
del resultado de las anteriores, es decir, que p es constante para todas las pruebas.
Esta situacin no cumple por entero los requisitos de una distribucin binomial, cuando
salga un conductor con cinturon la probabilidad de que los otros lleven cinturn disminuir
algo y viceversa. Pero se supone que la cantidad de conductores es tan grande que esa
diferencia es despreciable. Por tanto, podemos asumir que es una binomial casi perfecta. Es
una (12,0.762)
=12
=0.762
2.- Elabore un diagrama de barras para la distribucin de probabilidad binomial que
representa Esta situacin
3.- Cul es la probabilidad que los ocupantes de la parte delantera en exactamente 7 de los
12 vehculos seleccionados utilicen cinturones de seguridad?
Aplicamos la frmula para x= 7
( = 7) = (
12
) (0.762)7 (0,238)5 = 0,09021832636
7
4.- Cul es la probabilidad que los ocupantes de la parte delantera de por lo menos 7 de los
12 vehculos utilicen cinturn de seguridad?
(7)=(=7)+(=8)+ +(=12)=0.09021+0.86611=0.95633
5.- Cul es la probabilidad que los ocupantes de la parte delantera de mximo 7 de los 12
Vehculos
Es un Binomial (;)= (12; 0.762)
X= numero de vehculos que llevan los dos cinturones delanteros
(<=7)= =1(>7)
(>7)=(=8)+(=9)+(=10)+(=11)+(=12)
=1=10.762=0.238
6.- Encuentre el valor esperado del nmero de vehculos en los que los ocupantes de la
parte delantera utilizan el cinturn de seguridad?
() = ( ) ( )
12
( = 8) = ( )(0.762)8(0.238)4 = 0.18053
8
12
( = 9) = ( )(0.762)9 (0,238)3 = 0,25689
9
12
12
)(0.762)12 = 0,86611
12
Entonces
= ( > 7) = ( = 8) + ( = 9)+. . ( = 12) = 0.86611
= ( 7) = 1 ( > 7) = 1 086611 = 0.13389
~(,)
()=
~(12,0.762) () = 12 0.762 = 9.144
CASO 2
El Baloto, es la lotera en lnea de Colombia, supervisado por ETESA (Empresa territorial
para la salud). Es un juego que consiste en acertar 6, 5, 4 o 3 nmeros en cualquier orden de
una matriz del 1 al 45; El jugador seala en un tarjetn los 6 nmeros que escoge. Los
nmeros estn representados en 45 balotas numeradas del 1 al 45. Cada nmero aparece
una sola vez y las balotas ganadoras se seleccionan sin reemplazo. El premio acumulado se
entrega a quien haga coincidir los seis nmeros.
INFORME A PRESENTAR:
Presente un informe en el que como mnimo incluya:
1.- Esta situacin cumple con los supuestos de la distribucin Hipergeomtrica?
Identifquelos (Sugerencia: Divida los 45 nmeros en dos grupos: ganadores y no
ganadores)
Si cumple con la distribucin Hipergeomtrica ser de la siguiente manera, existe una
poblacin se tomar como N, estn compuesto por unos elementos que cumplen una
propiedad la cantidad de dichos elementos se denomina con la letra d, luego debemos
extraer una muestra n de la poblacin y a distribucin nos dar la probabilidad de lo que
estemos buscando.
N/ son los 45 nmeros.
d/ cantidad de elementos
x / elementos con propiedad
Los elementos que cumplen la propiedad son 6 que ha salido en el sorteo.
La muestra que se toma es la de los 6 nmeros
La probabilidad que nos da el mtodo Hipergeomtrica es la de tener 0 a 6 ganadores.
2.- Usando la distribucin de probabilidad Hipergeomtrica determinar la
probabilidad de que el jugador acierte los 6 nmeros
La frmula para comprobar dicha probabilidad es la siguiente:
( ). (
)
(x) =
( )
Solucin para acertar 6 nmeros
(6). (456) 1. (39)
1
(6) = 6 4566 = 450 = 45!
(6)
(6)
39!.6!
39! .6!
6!
720
=
=
45!
45.44.43.42.41.40 5864443200
1
=
= 1.22773804 107 = 0.000000122773804
8145060
La probabilidad para que el jugador acierte los 6 nmeros es= 0.000000122773804
3.- La empresa encargada del sorteo informa que la probabilidad de que coincidan
todos los nmeros es de 1 en 8145060. Qu significa esto en trminos de
probabilidad? Coincide esto con su respuesta anterior. El sorteo tambin otorga un
premio si el jugador hace coincidir 3, 4 o 5 de los nmeros ganadores
1
(6) =
= 1.22773804 107
8145060
Si coincide con el punto anterior ya que se lleg a la misma fraccin.
4) Calcule la probabilidad, para hacer coincidir 3 de los 6 nmeros ganadores.
( ). (
)
(
)
x =
( )
Solucin para acertar 3 nmeros
(63). (456
) 6.5.4
(39
)
63
3!
(6) =
= 45 3
45
(6)
(6)
39.38.37
20 .
20 . 9139
182780
3!
=
=
=
45.44.43.42.41.40 8145060 8145060
6!
= 0.02244059589
La probabilidad para que coincida 3 de los 6 nmeros ganadores es = 0.02244059589
5) Calcule la probabilidad de que coincidan 4 de los 6 nmeros ganadores
( ). (
)
(x) =
( )
Solucin para acertar 4 nmeros
6.5 39
.( 2)
(64). (456
)
64
2
(6) =
=
=
(45
)
(45
)
6
6
39.38
15. 2
15.741
11115
741
=
=
=
8145060 8145060 8145060 543004
= 0.001364630831
La probabilidad para que el jugador acierte los 4 nmeros es = 0.001364630831
6) Calcule la probabilidad de que coincidan 5 de los 6 nmeros ganadores
( ). ()
(x) =
( )
Solucin para acertar 4 nmeros
(6) =
(65). (456
)
65
6. (39
)
1
= 45 =
(45
)
(6)
6
6 . 39
234
39
=
=
8145060 8145060 1357510
= 2.872807014 . 105 = 0.00002872807014
La probabilidad para que el jugador acierte los 5 nmeros es = 0.00002872807014
7) Con base en los resultados obtenidos, usted invertira dinero en el BALOTO?
La verdad creo que no invertira en Baloto ya que este sorteo es dios y suerte que uno logre
ganar en este juego no es muy fcil acertar con 3 cifras, ahora acertar con 6 o 5 es casi
imposible.
CASO 3.
La distribucin de probabilidad de Poisson describe el nmero de veces que se presenta un
evento durante un intervalo especfico. El intervalo puede ser de tiempo, distancia, rea o
volumen. La distribucin 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 ms grande sea el
intervalo, mayor ser la probabilidad; adems, el nmero de veces que se presenta un
evento en un intervalo no influye en los dems intervalos.
Esta distribucin posee diversas aplicaciones. Se le utiliza como modelo para describir la
distribucin de errores en una entrada de datos, el nmero de rayones y otras
imperfecciones en las cabinas de automviles recin pintados, el nmero de partes
defectuosas en envos, el nmero de clientes que esperan mesa en un restaurante, el nmero
de accidentes en una carretera en un periodo determinado.
La compaa de aviacin Delta Airlines, se caracteriza por su responsabilidad y cuidado
con el equipaje de sus pasajeros, por lo que pocas veces se pierde equipaje. En la mayora
de los vuelos no se pierden maletas; en algunos se pierde una; en unos cuantos se pierden
dos; pocas veces se pierden tres, etc. Suponga que una muestra aleatoria de 1 000 vuelos
arroja un total de 300 maletas perdidas. De esta manera, el nmero promedio de maletas
perdidas por vuelo es de 0.3.
Prepare un informe en el que como mnimo, incluya:
1.- Esta situacin cumple con los supuestos de la distribucin Poisson? Identifquelos
El nmero de maletas que se espera se pierdan en un promedio de 1000 vuelos.
(, 3)0 ( 0,3)
= 0,74 100 = 74%
0
Significa que el 74% de los vuelos realizados (o 740 vuelos) no tuvo ninguna maleta
perdida.
3.- Determine cul es la probabilidad de que en un vuelo se pierda exactamente una maleta.
(0,3)1( 0,3 )
=
= 0,222 100: 22%
1
Significa que el 22% de los vuelos (unos 220 vuelos) tendr una maleta perdida.
4.- Determine cul es la probabilidad de que en un vuelo se pierdan entre dos y cuatro
maletas.
Tabla de Poisson para valores de (0-4)
u
x
0,1
0,2
0
0,904
0,818
1
0,09
0,163
2
0,004
0,016
3
0,002
0,001
4
0,000
0,0001
(2) =
0,3
0,74
0,22
0,033
0,003
0,0003
0,4
0,67
0,268
0,053
0,007
0,0007
(0,3)2( 0,3 )
= 0,033 100 = 3.3%
2
0,5
0,60
0,30
0,075
0,012
0,001
(0,3)3( 0,3 )
(3) =
= 0,003 100 = 0,3%
3
(4) =
(0,3)4 ( 0,3)
= 0,0003 100 = 0,03%
4
(0,3) ( 0,3)
x
X=5
(5) =
(0,3)5
5
La probabilidad cada vez segn las condiciones anteriormente mencionadas es cada vez
ms inexistente.
6.- En qu momento debe sospechar el supervisor de la Aerolnea que en un vuelo se estn
perdiendo demasiadas maletas?
En el 22% de los vuelos se sabe que se perder en promedio 1 maleta, que esta cifra se
incremente tiene una posibilidad ms reducida de ocurrencia, as que una maleta se puede
perder pero cada vez menos se perdern un mayor nmero de maletas.
Caso 4
Para una poblacin grande de personas sin hogar, Wong y Piliavin (2001) examinaron
factores de estrs, recursos y agotamiento psicolgico empleando la Escala de Depresin
del Centro de Estudios Epidemiolgicos (CESD), un cuestionario de evaluacin
comunitario.
Entre las personas sin hogar, la puntuacin media del cuestionario CESD es 23,5 con una
desviacin estndar de 7.5 y se considera que para la Variable X = puntuacin del CESD, la
distribucin es normal. Como trabajador en el rea de admisiones en un refugio para
personas sin hogar, usted es el encargado de aplicar el CESD y debe evaluar los resultados
para las nuevas personas que lleguen al centro.
Dentro de las polticas del refugio se encuentra que cualquier persona cuya puntuacin sea
de 20 o ms puntos en el CESD debe enviarse a ver a un doctor.
1. La probabilidad de que una persona que llegue al refugio sea enviado a ver al doctor.
Z= ( 20 23) / 7.5 = - 0.47
=0,4660,47
(=0,47)=0,180818,08% (0,47)=0,1808+0,5=0.680868.08%
La probabilidad de que una persona que llegue al refugio sea enviada a ver el doctor es de
68.08 %
2. La probabilidad de que una persona que llegue al refugio tenga una puntacin de 10 o
menos puntos.
Z = ( 10 23 ) / 7.5 = - 1.8
P (Z = -1.8) = 0.4641 46.41 %
P ( Z - 1.8) = 0.5 - 0.4641 = 0,0359 3.59%
La probabilidad de que una persona que llegue al refugio tenga una puntuacin de 10 o
menos puntos es de 3.59 %
3. La probabilidad de que una persona que llegue al refugio tenga una puntuacin entre 16
y 20 puntos.
Solucin
1 =
16 20
4
=
=
= 0.54
7.5
7.5
2 =
20 20
0
=
=
=0
7.5
7.5
La probabilidad de que una persona que llegue al refugio tenga una puntuacin entre 16 y
20 puntos es de 20.54 %
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?
=
0.15 20
19.85
=
=
= 2.65
7.5
7.5
0.25 20
19.75
=
=
= 2.64
7.5
7.5
( <2.64)=0.50.4953=0.0047=0.47%
Para que una persona califique para acceder al servicio de orientacin laboral para mejorar
sus recursos debe tener una puntuacin del 0.47%
REFERENCIAS BIBLIOGRAFICAS
Evans, M (2004). Probabilidad y estadstica, la ciencia de la incertidumbre. Barcelona:
Libert
http://books.google.com.co/books?id=ZU3MEKZFgsMC&pg=PA29&dq=Propiedades+b%
C3%A1sicas+de+probabilidad&hl=es&sa=X&ei=BmNgUfEOYe_sQTmioDgAg&ved=0CDQQ6wEwAQ#v=onepage&q=Propiedades%20b%C3%A
1sicas%20de%20probabilidad&f=false
Llins, H. (2006). Estadstica descriptiva y distribuciones de probabilidad. Bogot:
Uninorte
http://books.google.com.co/books?id=3Tkb8HJ5toUC&pg=PA257&dq=Variables+aleatori
as+continuas+y+sus+distribuciones+de+probabilidad&hl=es&sa=X&ei=tWlgU57fF7K0sQ
TdkYHgBw&ved=0CC8Q6wEwAA#v=onepage&q=Variables%20aleatorias%20continuas
%20y%20sus%20distribuciones%20de%20probabilidad&f=false
Instituto Tecnolgico de Chihuahya. Curso de Probabilidad y Estadstica
http://www.itch.edu.mx/academic/industrial/sabaticorita/amarillo.htm
Morales, Adriana (2010) Modulo Probabilidad. Bogot D.C., Universidad Nacional Abierta
y a distancia UNAD.
http://datateca.unad.edu.co/contenidos/100402/modulo_probabilidad_2010I.pdf