TRABAJO COLABORATIVO

FASE 2 DISTRIBUCIONES DE PROBABILIDAD

EDGAR ANDRES TEJADA. COD
MIGUEL OSWALDO URBINA JIMENEZ. COD 98390502
FERNANDA CAROLINA BURBANO AREVALO. COD 37088153
LEONARDO DAVID ARTEAGA MADROERO COD 1085245296

PRESENTADO A:
JORGE EDUARDO ROYERO
MATERIA:
PROBABILIDAD

GRUPO N:
100402_181

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

UNAD
PASTO-NARIO
2016

INTRODUCCION
En el siguiente trabajo se da desarrollo a la fase 2 distribuciones de probabilidad solucionando los casos dados en la gua de
actividades como esta lo sugiere, podremos observar cmo se implementan y se ponen en prctica, las diferentes variables y mtodos
probabilsticos aprendidos en esta etapa, aplicados a la solucin de dichos casos, algunos de los conceptos que manejaremos son
variable aleatoria, variable continua, medidas de tendencia central, distribucin binomial y binomial negativa, distribucin
hipergeomtrica y geomtrica, distribucin de poisson y otras.
Cabe destacar la importancia que tiene el uso correcto de estos mtodos puesto que nos sirve como herramienta de trabajo, ya sea para
realizar estudios de tipo cuantitativo como para lograr la sistematizacin de informacin referente a problemticas que se dan en
nuestra sociedad.

1. Cuadro Sinptico:

2. Estudios De Caso
ESTUDIO DE CASO 1
Para entregar una Tarjeta de crdito en los bancos del grupo Aval, los analistas del banco clasifican o califican al cliente en
funcin de la probabilidad de que resulte rentable. Una tabla habitual de calificaciones es la siguiente:

La calificacin es la suma de los puntos de los seis rubros. Por ejemplo, Sushi Brown tiene menos de 25 aos (12 puntos); ha
vivido en el mismo domicilio durante dos aos (0 puntos); desde hace cuatro aos es dueo de un automvil (13 puntos), por el
que realiza pagos de $75 (6 puntos); realiza gastos domsticos de $200 (10 puntos) y posee una cuenta de cheques (3 puntos).
La calificacin que obtendra sera de 44. Despus, con una segunda tabla, se convierten las calificaciones en probabilidades de
rentabilidad del cliente, as:

La puntuacin de Sushi (44) se traducira en una probabilidad de rentabilidad aproximada de 0.81. En otras palabras, 81% de los
clientes como Sushi generaran dinero a las operaciones con tarjeta del banco. A continuacin se muestran los resultados de las
entrevistas con los tres posibles clientes.

Prepare un informe en el que como mnimo, incluya:

1.- Califique a cada uno de estos clientes y calcule la probabilidad de que resulten rentables.
2.- Cul es la probabilidad de que los tres resulten rentables?
3.- Cul es la probabilidad de que ninguno sea rentable?
4. Determine la distribucin de probabilidad total del nmero de clientes rentables entre este grupo de tres clientes.
5. -Redacte un breve resumen de sus hallazgos.

DESARROLLO DE CASO 1
1.- Califique a cada uno de estos clientes y calcule la probabilidad de que resulten rentables.

VIVIE
NDO
EN
NOMB ED
MISM
RE
AD
O
DOMI
CILIO
DAVID
BROW
N
42
9

ANTIG
EDAD
CON SU
AUTO

PAGO
MEN
SUAL
CON
EL
AUT
O
140

COST
O DE
VIVI
ENDA

CUEN
TA
CHE
TO
PROBABI
QUES TA
LIDAD
O
L
AHO
RROS

AMB
300 AS

PUNTO
S
EDWA
R
BREND
AN
PUNTO
S
ANN
MCLA
UGLIN
PUNTO
S

18

20

13

23

99

12

13

33

20

10

15

80

0.95

44

0.81

39

0.77

CHE
200 QUES
10

PROP NING
175 IA UNA
4

12

Los anteriores resultados de probabilidad se calcularon en base al ejemplo de sushi Brown teniendo en cuenta la tabla de puntuacin y
probabilidad, y basndonos en la relacin de diferencia que hay entre intervalos de la tabla.

2.- Cul es la probabilidad de que los tres resulten rentables?

Para encontrar la probabilidad de q los tres resulten rentables se hace lo siguiente

A (0.95) * B (0.81) * C (0.77)= 0.5925

Probabilidad=

DAVI
EDWAR
D
BREND
BRO
AN
WN
0.95
0.81

ANN
MCLAUG
LIN
0.77

PROBABILI
DAD
0.5925872

3.- Cul es la probabilidad de que ninguno sea rentable?

Respuesta = (1-0.95) + (1-0.81)+ (1-0.77)= 0.92

(0,5)

(0.19)

(0.23)

4. Determine la distribucin de probabilidad total del nmero de clientes rentables entre este grupo de tres clientes, tomamos
valores de los resultados de los anteriores ejercicios para desarrollar la formula.

Probabilidad de (1) =

0.95 0.19 0.23 + 0.5 0.81 0.23 + 0.5 0.19 0.77=

0.041515+0.09315+0.07315=0.207815
PROBABILIDAD DE (2)=
0.95 0.81 0.23 + 0.95 0.19 0.77 + 0.5 0.81 0.77=
0.176985+0.138985+0.31185=0.62782
5. Redacte un breve resumen de sus hallazgos.
De lo anterior podemos decir que hemos podido encontrar la probabilidad de que los tres clientes sean rentables o no, calculando su
probabilidad condicional para que si lo sean y para que no sean rentables aplicamos la probabilidad condicional a las diferencias entre
(1) y el valor que tan probable es su rentabilidad, tambin podemos utilizar una funcin de probabilidad teniendo en cuenta la tabla de
conversin de puntaje en probabilidad, para determinar la distribucin de probabilidad total del nmero de clientes con rentabilidad en
este grupo de tres clientes

Resumen:
El anterior trabajo lo desarrolle utilizando la informacin dada en los materiales para el estudio de esta fase, claro est que tambin
para encontrar el material para poder realizar este caso le tambin mucha informacin que vale la pena mencionar.
Teorema de bayes se lo aplica para calcular probabilidades de "causas", es decir probabilidad de un hecho anterior sabiendo la
probabilidad de un hecho posterior, tambin busque material sobre teorema de probabilidad total, la cual consiste y nos permite
calcular la probabilidad de un suceso a partir de probabilidades condicionadas, lo utilice para desarrollar el punto 4 en mi caso a
resolver, buscando la probabilidad total del nmero de clientes rentables en el grupo de clientes de tres personas, tambin me apoye
mucho con material visual en la pgina de www.youtube.com observando tutoriales y ejemplos de casos a resolver lo cual tambin me
aclaro muchas incgnitas

ESTUDIO DE CASO 3

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.

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)
2.- Usando la distribucin de probabilidad Hipergeomtrica determinar la probabilidad de que el jugador acierte los 6 nmeros
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

4) Calcule la probabilidad, para hacer coincidir 3 de los 6 nmeros ganadores.

5) Calcule la probabilidad de que coincidan 4 de los 6 nmeros ganadores
6) Calcule la probabilidad de que coincidan 5 de los 6 nmeros ganadores
7) Con base en los resultados obtenidos, usted invertira dinero en el BALOTO?

DESARROLLO CASO 3

1.- Esta situacin cumple con los supuestos de la distribucin Hipergeomtrica? Identifquelos (Sugerencia: Divida los 45
nmeros en dos grupos: ganadores y no ganadores)

Se debe cumplir con dos posibles resultados (ganadores y perdedores) y los distintos ensayos son dependientes entre s.
Ganadores= 6 nmeros del billete ganador
Perdedores= 39 nmeros que no salieron en el billete ganador.

2.- Usando la distribucin de probabilidad Hipergeomtrica determinar la probabilidad de que el jugador acierte los 6
nmeros

N= 45 Boletas
K: 6 Ganadores
N-K = Perdedores
n= muestra (6)
x= intentos (6)

f(x)=

( Kx )( Nn Kx )
N
n

f(x)=

f(x)=

( 66 )( 456 66 )
45
6

( 66 )( 390 ) =
45
6

11
=0,0000001227
8145060

La probabilidad para para que una persona se gane el baloto es del 0,0000001227%

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.

Significa que la probabilidad coincide para para que una persona se gane el baloto es del 0,0000001227%

El sorteo tambin otorga un premio si el jugador hace coincidir 3, 4 o 5 de los nmeros ganadores

4) Calcule la probabilidad, para hacer coincidir 3 de los 6 nmeros ganadores.

f(x)=

f(x)=

f(x)=

( 66 )( 393 )
45
3

9139
=0.64
14190

( 66 )( 392 )
45
4

5) Calcule la probabilidad de que coincidan 4 de los 6 nmeros ganadores

f(x)=

741
=0,00497
148995

6) Calcule la probabilidad de que coincidan 5 de los 6 nmeros ganadores

f(x)=

f(x)=

( 66 )( 391 )
45
5

39
=0,0000319
1221759

7) Con base en los resultados obtenidos, usted invertira dinero en el BALOTO?

En la probabilidad calculada de la pregunta nmero 4 donde el resultado es de 0.64% si le apostara, ya que es una buena
probabilidad de ganarme el baloto, ms sin embargo en las respuestas nmero 5 y 6

probabilidades no le apostara ya que son

pocas las posibilidades de ganar.ESTUDIO DE CASO 4

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

2.- Determine cul es la probabilidad de que en un vuelo no se pierda ninguna maleta

3.- Determine cul es la probabilidad de que en un vuelo se pierda exactamente una maleta
4.- Determine cul es la probabilidad de que en un vuelo se pierdan entre dos y cuatro maletas
5.- Podra establecer cul es la probabilidad de que se pierdan en un vuelo ms de cuatro maletas
6.- En qu momento debe sospechar el supervisor de la Aerolnea que en un vuelo se estn perdiendo demasiadas maletas?

DESARROLLO CASO 4
1.- Esta situacin cumple con los supuestos de la distribucin Poisson? Identifquelos
Cumple con el primer supuesto, que dice que la probabilidad es proporcional a la longitud del intervalo, en este caso de 1000 vuelos se
pierden 300 maletas, es decir que existe un promedio de 0.3 maletas perdidas por vuelo.
Si cumple con el segundo supuesto, debido a que el nmero de veces que se presenta un evento en un intervalo si influye en los dems
intervalos, ya que es una muestra aleatoria y los intervalos son independientes, es decir si es ms grande el intervalo tendr mayor
probabilidad.
2.- Determine cul es la probabilidad de que en un vuelo no se pierda ninguna maleta
n

Xi

= i=1
n

P(x)=

x . e
x!

P(x) = Es la probabilidad para un valor especifico de x

e = es la base del logaritmo natural igual a 2.71828.
x = es el nmero de ocurrencias de un evento; la probabilidad de que viene dada por la funcin
x! = es el factorial de x
= es un nmero real positivo, igual que el nmero esperado de ocurrencias durante el intervalo dado. Los eventos ocurren en
promedio 300 maletas prdidas por 1000 vuelos,

( 0,3 )0 . ( e0.3 )
P ( 0 )=
=0.7408
0!
Teniendo en cuenta lo anterior podemos decir que hay un 74% de probabilidad de que ninguna maleta se pierda.
3.- Determine cul es la probabilidad de que en un vuelo se pierda exactamente una maleta

( 0,3 )1 . ( e0.3 )
P (1 ) =
=0.222
1!
En base al resultado obtenido se puede decir que la probabilidad de que se pierda solo una maleta es del 22,2%
4.- Determine cul es la probabilidad de que en un vuelo se pierdan entre dos y cuatro maletas
Tenemos entonces:

P (2 x 4 )=P ( x=2 ) + P ( x=3 )+ P(x=4 )

P ( 2 )=

( 0,3 )2 . ( e0.3 )
=0.033
2!

P ( 3 )=

( 0,3 )3 . ( e0.3 )
=0.00333
3!

P ( 4 )=

( 0,3 )4 . ( e0.3 )
=0.00025
4!

De acuerdo a los resultados obtenidos se puede decir que el 3.33 %, pierde dos maletas, que el 0.3% pierde tres maletas, el 0.025%
pierde cuatro maletas.
Convertidos los resultados en porcentajes procedemos a sumar.
P(2)3.33 + P (3)0.3 + P(4 )0.025=3.66
Diremos entonces que la probabilidad de que en un vuelo se pierdan entre dos y cuatro maletas es del 3.66%
5.- Podra establecer cul es la probabilidad de que se pierdan en un vuelo ms de cuatro maletas
P( x >4)

Para este caso aplicamos el siguiente axioma

Tenemos entonces:

P ( A )=1P( )

1P(x 4) esto es igual a [P ( x=0 ) P( x=1)+ P(x=2)+ P( x=3)+ P( x=4 )]

Con la frmula de Poisson tendramos:

( 0,3 )0 . ( e0.3 )
( 0,3 )1 . ( e0.3 )
( 0,3 )2 . ( e0.3 )
( 0,3 )3 . ( e0.3 )
( 0,3 )4 . ( e0.3 )
1[P ( 0 ) =
=0.7408+ P ( 1 )=
=0.222+ P ( 2 ) =
=0.033+ P ( 3 )=
=0.00333+ P ( 4 )=
=0.0002
0!
1!
2!
3!
4!
Realizamos la adicin de los resultados:
1[ 0.7408+0.222+0.033+ 0.00333+0.00025 ] =0.00062
La probabilidad de que pierdan ms de cuatro maletas es de 0.062%
6.- En qu momento debe sospechar el supervisor de la Aerolnea que en un vuelo se estn perdiendo demasiadas maletas?
De acuerdo a los resultados obtenidos, se puede evidenciar que el momento en el cual se pierden mayor cantidad de maletas es en el 1,
es decir que se debe cuidar al momento de recoger las maletas para ser trasladadas al avin.

Resumen terico:
Distribucin de probabilidad de Poisson:
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. La
distribucin tambin constituye una forma restrictiva de la distribucin binomial cuando la probabilidad de un xito es muy pequea y

n es grande. A sta se le conoce por lo general con el nombre de ley de eventos improbables, lo cual significa que la probabilidad, de
que ocurra un evento en particular es muy pequea. La distribucin de Poisson es una distribucin de probabilidad discreta porque se
genera contando. En resumen, una distribucin de probabilidad de Poisson posee tres caractersticas:
Experimento De Probabilidad De Poisson
1. La variable aleatoria es el nmero de veces que ocurre un evento durante un intervalo definido.
2. La probabilidad de que ocurra el evento es proporcional al tamao del intervalo.
3. Los intervalos no se superponen y son independientes.
P(x)=

x . e
x!

P(x) = Es la probabilidad para un valor especifico de x

e = es la base del logaritmo natural igual a 2.71828.
x = es el nmero de ocurrencias de un evento; la probabilidad de que viene dada por la funcin
x! = es el factorial de x
= es un nmero real positivo, igual que el nmero esperado de ocurrencias durante el intervalo dado. Los eventos ocurren en
promedio 300 maletas prdidas por 1000 vuelos,
ESTUDIO DE CASO 5

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.

INFORME A PRESENTAR:

Prepare un informe en el que como mnimo, incluya:

1. La probabilidad de que una persona que llegue al refugio sea enviado a ver al doctor
2. La probabilidad de que una persona que llegue al refugio tenga una puntacin de 10 o menos puntos
3. La probabilidad de que una persona que llegue al refugio tenga una puntuacin entre 16 y 20 puntos

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?
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?

Desarrollo Del Caso:

1. La probabilidad de que una persona que llegue al refugio sea enviado a ver al doctor.
Para este ejemplo tenemos que 2, 5 de desviacin estndar y 3,5 para variable x
X=20/3,5=1/3=33.3% Probable.
Calculando igual la probabilidad:
P=20/30=2/3=66.7% Probable
Como 66.7 es mayor que 33.3 es ms probable que llegue al refugio sea enviado a ver al doctor.

2. La probabilidad de que una persona que llegue al refugio tenga una puntacin de 10 o menos puntos.

En particular, hay 10 personas, por lo tanto son 12 los casos favorables a dicha seleccin. Pero ella se har de un total de 20 + 12 =32
personas sumamos la cantidad de las polticas que forman parte de la seleccin y por tanto, los casos posibles o totales

As la probabilidad pedida es
P=12/32

3. La probabilidad de que una persona que llegue al refugio tenga una puntuacin entre 16 y 20 puntos.

La informacin sobre lo que come cada una de las personas es insustancial. Pues en lo que solicita no hay relacin con ello. Por
definicin, la probabilidad pedida viene dada por:

P= casos favorables a la seleccin 16/casos totales de la muestra 20

P-=14/20

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?

P= casos favorables a la seleccin 15/casos totales de la muestra planteada en el ejercicio 20

P=15/20 la puntuacin es de 15/ 20

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?

P=(25+5 )/(8+12+7+5)

P=12/32 8
P=3/8 la puntuacin es 3/8

CONCLUSIONES.
Del desarrollo de la actividad se puede concluir la importancia del contenido de la Unidad 2 entendiendo las temticas como:
Distribuciones de probabilidad y variables aleatorias donde utilizando correctamente las formulas se le puede dar solucin
rpida a los problemas planteados y enriquece el conocimiento del estudiante ayudndole a desarrollar fortalezas en su entorno
laboral.

BIBLIOGRAFA

Tomado de: http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=11013767&ppg=177

Tomado de
http://aulavirtual.usac.edu.gt/cursoseco/pluginfile.php/1779/mod_resource/content/1/ESTADISTICAS_APLICADAS_A_LA_
ECONOMIA_Y_ALOS_NEGOCIOS.pdf
Tomado de: http://www.blogupiicsa.com/2010/12/distribucion-de-poisson_04.html
Tomado de: https://youtu.be/JmT3DQan3n0
Lpez, A. (19 de 03 de 2012). LinkedIn SlideShare. Recuperado el 01 de noviembre de 2016, de Distribuciones de probabilidad
con ejemplos: http://es.slideshare.net/amyLopez2/distribuciones-de-probabilidad-con-ejemplos
Rodrguez Franco, J. P. (16 de junio de 2016). ProQuestebrary. Recuperado el 01 de noviembre de 2016, de ProQuestebrary:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=11013767&ppg=177
http://metodosunoydos.galeon.com/enlaces2221683.html