PROBABILIDAD

ACTIVIDAD COLABORATIVA

YULI YIMENA RUEDA TELLEZ Cod:52860075

VICKI ALEXANDRA GONZALEZ Cod: 52.900.177
KAREN GIANNINA VILLANUEVA CORTES Cod:52.876.569
YURY MARCERLA CUERVO Cód.: 52.913.233
LEIDY ADRIANA PERALTA Cód:

GRUPO 100402_267

TUTOR

LUIS ALEXANDER SARAVIA ROA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

ESCUELA DE CIENCIAS ADMINISTRATIVAS, CONTABLES, ECONÓMICAS Y DE

NEGOCIOS
NOVIEMBRE DE 2017
 INTRODUCCION

Todo el tiempo en nuestra vida suceden acontecimientos que no podemos pronosticar, esto es el
azar, son más de estas experiencias que las que podemos predecir con propiedad y exactas. Estos
son los pensamientos probabilísticos, los giran alrededor de la fluctuación o azar. Estos no se
pueden concluir si los estudiamos separadamente, pero al tomar un agregado de cada uno de los
datos numéricamente, se puede pronosticar con algún grado de seguridad que pueda pasar en el
próximo evento.

Por medio de esta actividad se pone en estudio una serie de casos para resolver trabajando
conceptos de la unidad que mediante la aplicación a la solución de problemas nos da una visión o
perspectiva para la aplicación diaria.

Además, una serie de conceptos correspondientes a la unidad 2, que tenían como fin que cada
uno de los estudiantes se familiarizara con los casos.

1
1. resumen de los conceptos teóricos de la unidad 1 que dan sustento a la solución de
los estudios de caso propuestos y solucionados por el grupo.
CONCEPTO
Distribución normal
Tabla de la distribución normal
DEFINICIÓN
La distribución normal (en ocasiones
llamada distribución gaussiana) es la
distribución continua que se utiliza más
comúnmente en estadística. La
distribución normal es de vital
importancia en estadística por tres
razones principales:
Muchas variables continuas comunes
en el mundo de los negocios tienen
distribuciones que se asemejan
estrechamente a la distribución
normal.
La distribución normal sirve para
acercarse a diversas distribuciones de
probabilidad discreta, como la
distribución binomial y la distribución
de Poisson.
La distribución normal proporciona la
base para la estadística inferencial
clásica por su relación con el teorema
de límite central.
La tabla de la distribución normal
presenta los valores de probabilidad para
una variable estándar Z, con media igual
a 0 y varianza igual a 1.
Para usar la tabla, siempre debemos
estandarizar la variable por medio de la
expresión:
𝒙−𝝁
𝒛=
𝝈

Siendo el valor de interés; la media de

nuestra variable y su desviación

2
 estándar. Recordemos que, y
corresponden a parámetros, o sea
valores en el universo, que generalmente
no conocemos, por lo que debemos
calcular Z usando los datos de nuestra
muestra.

En general, el valor de Z se interpreta

como el número de desviaciones
estándar que están comprendidas entre
el promedio y un cierto valor de variable
x. En otras palabras, se puede decir que
es la diferencia entre un valor de la
variable y el promedio, expresada esta
diferencia en cantidad de desviaciones
estándar.
Una distribución continua describe las
probabilidades de los posibles valores de
una variable aleatoria continua. Una
Distribución continua variable aleatoria continua es una
variable aleatoria con un conjunto de
valores posibles (conocido como el
rango) que es infinito y no se puede
contar.
es una variable que no puede tomar
algunos valores dentro de un mínimo
conjunto numerable, quiere decir, no
acepta cualquier valor, únicamente
aquellos que pertenecen al conjunto.
Variables discretas Estas variables se dan de modo
coherente separaciones entre valores
observables sucesivos. Dicho con más
rigor, se determina una variable discreta
como la variable que hay entre dos
valores observables (potencialmente),

3

Variable continua
Medidas de tendencia central
4
hay por lo menos un valor no observable
(potencialmente). Como ejemplo, el
número de animales en una granja (0, 1,
2, 3, 4, 5, 6, 7, ......).
puede tomar un valor fijo dentro de un
intervalo determinado. Y siempre entre
dos valores observables va a existir un
tercer valor intermedio que también
podría tomar la variable continua. Una
variable continua toma valores a lo largo
de un continuo, esto es, en todo un
intervalo de valores. Un atributo esencial
de una variable continua es que, a
diferencia de una variable discreta,
nunca puede ser medida con exactitud;
el valor observado depende en gran
medida de la precisión de los
instrumentos de medición. Con una
variable continua hay inevitablemente un
error de medida. Como ejemplo, la
estatura de una persona (1.72m,
1.719m, 1.7186m....)
son medidas estadísticas que pretenden
resumir en un solo valor a un conjunto
de valores. Representan un centro en
torno al cual se encuentra ubicado el
conjunto de los datos. Las medidas de
tendencia central más utilizadas son:
media, mediana y moda. Las medidas de
dispersión en cambio miden el grado de
dispersión de los valores de la variable.
Dicho en otros términos las medidas de
dispersión pretenden evaluar en qué
medida los datos difieren entre sí. De
esta forma, ambos tipos de medidas

La distribución Hipergeométrica
usadas en conjunto permiten describir un
conjunto de datos entregando
información acerca de su posición y su
dispersión.
Los procedimientos para obtener las
medidas estadísticas difieren levemente
dependiendo de la forma en que se
encuentren los datos. Si los datos se
encuentran ordenados en una tabla
estadística diremos que se encuentran
“agrupados” y si los datos no están en
una tabla hablaremos de datos “no
agrupados”.
Este modelo presenta similitudes con el
Binomial, pero sin la suposición de
independencia de este último. Veámoslo:
Partimos de un conjunto formado por N
individuos divididos en dos categorías
mutuamente excluyentes: A y Ac; de
manera que N1 individuos pertenecen a
la categoría A y N2 individuos, a la
categoría Ac. Por tanto, se cumple que

N = N1 + N2
Si del conjunto anterior extraemos n
individuos sin reemplazamiento (n ≤ N),
la variable X que representa el número k
de individuos que pertenecen a la
categoría A (de los n extraídos) tiene por
función de densidad:
𝑁𝑝 𝑁𝑞
( )∗( )
𝑝(𝑥 = 𝑘) = 𝑘 𝑛 −𝑘
𝑁
( )
𝑛

La Distribución de Poisson se llama así

en honor a Simeón Dennis Poisson

5

distribución de Poisson
Distribución binomial
ESTUDIO DE CASO 1
Para entregar una Tarjeta de crédito en los bancos del grupo Aval, los analistas del banco clasifican
o califican al cliente en función de la probabilidad de que resulte rentable. Una tabla habitual de
calificaciones es la siguiente:
6
(1781-1840), francés que desarrolló esta
distribución basándose en estudios
efectuados en la última parte de su vida.
se emplea para describir varios procesos,
entre otros la distribución de las
llamadas telefónicas que llagan a un
conmutador, la demanda (necesidades)
de servicios en una institución asistencial
por parte de los pacientes, los arribos de
los camiones y automóviles a la caseta
de cobro y el número de accidentes en
un cruce. Los ejemplos citados tienen un
elemento en común, pueden ser
descritos por una variable aleatoria
discreta que asume valores enteros
(0,1,2,3,4,5 y así sucesivamente).
Una distribución binomial es una
distribución de probabilidad ampliamente
utilizada de una variable aleatoria
discreta es la distribución binomial. Esta
describe varios procesos de interés para
los administradores.
Describe datos discretos, resultantes de
un experimento denominado proceso de
Bernoulli en honor del matemático suizo
Jacob Bernoulli, quien vivió en el siglo
XVII.
La calificación es la suma de los puntos de los seis rubros. Por ejemplo, Sushi Brown tiene menos
de 25 años (12 puntos); ha vivido en el mismo domicilio durante dos años (0 puntos); desde hace
cuatro años es dueño de un automóvil (13 puntos), por el que realiza pagos de $75 (6 puntos);
realiza gastos domésticos de $200 (10 puntos) y posee una cuenta de cheques (3 puntos). La
calificación que obtendría sería de 44. Después, con una segunda tabla, se convierten las
calificaciones en probabilidades de rentabilidad del cliente, así:

La puntuación de Sushi (44) se traduciría en una probabilidad de rentabilidad aproximada de 0.81.

En otras palabras, 81% de los clientes como Sushi generarían dinero a las operaciones con tarjeta
del banco.

A continuación, se muestran los resultados de las entrevistas con los tres posibles clientes.

Prepare un informe en el que como mínimo, incluya:

7
1.- Califique a cada uno de estos clientes y calcule la probabilidad de que resulten
rentables.
La calificación y las probabilidades para cada uno se encuentran en las siguientes tablas:
Tabla para David Born
Puntos
Edad 18
Tiempo viviendo en la misma dirección 20
Antigüedad con automovil 13
Pago mensual del automovil 4
Costo de vivienda 10
Cuenta de cheques o ahorros 15
Total de puntos 80
Conversión a probabilidad 0.95-95%

Tabla para Edward Brenda

Puntos
Edad 12
Tiempo viviendo en la misma dirección 0
Antigüedad con automovil 13
Pago mensual del automovil 6
Costo de vivienda 10
Cuenta de cheques o ahorros 3
Total de puntos 44
Conversión a probabilidad 0.81-81%

Tabla para Ann McLaughlin

Puntos
Edad 0
Tiempo viviendo en la misma dirección 20
Antigüedad con automovil 3
Pago mensual del automovil 4
Costo de vivienda 12
Cuenta de cheques o ahorros 0
Total de puntos 39
Conversión a probabilidad 0.76-76%

8
2.- Con los datos anteriores construya una variable aleatoria que represente el número
de clientes rentables para el banco y determine: ¿Cuál es la probabilidad de que los tres
resulten rentables?

La variable aleatoria en este caso es el número de clientes rentables para el banco, esta variable
puede tomar valores X=0,1,2,3. En el caso cuando la variable aleatoria es tres, es decir, cuando los
tres clientes sean rentables para el banco, la probabilidad es
𝑃(𝑋 = 3) = (0.95)(0.81)(0.76) = 0.584
3.- ¿Cuál es la probabilidad de que ninguno sea rentable?
La probabilidad cuando la variable aleatoria toma el valor cero, es decir, cuando ninguno sea
rentable es
𝑃(𝑋 = 0) = (1 − 0.95)(1 − 0.81)(1 − 0.76) = 0.0023
4.- Determine la distribución de probabilidad total del número de clientes rentables entre
este grupo de tres clientes.

Falta completar la distribución de probabilidad haciendo que la variable aleatoria tome los valores
X=1,2. Cuando X=1 se tiene

𝑃(𝑋 = 1) = (1 − 0.95)(0.81)(1 − 0.76) + (0.95)(1 − 0.81)(1 − 0.76) + (1 − 0.95)(1 − 0.86)(0.76) = 0.058

Cuando X=2, la probabilidad es
𝑃(𝑋 = 2) = (0.95)(1 − 0.81)(0.76) + (0.95)(0.81)(1 − 0.76) + (1 − 0.95)(0.86)(0.76) = 0.354

5.- Redacte un breve resumen de sus hallazgos.

Todas las probabilidades de acuerdo al valor de la variable aleatoria se encuentran en la siguiente
tabla
X(Variable aleatoria) Probabilidad
0 0.0023
1 0.058
2 0.354
3 0.584
Con esta tabla se pueden obtener varias conclusiones:
• Con aumentos de la variable aleatoria, aumenta la probabilidad de que las personas sean
rentables para el banco.
• La probabilidad de que ninguno sea rentable es la más baja de todas.
• La probabilidad de que todos sean rentables es la más alta de todas.

9
Comentarios de lo que se hizo en este caso

En este caso se estudió la probabilidad de que tres clientes del grupo Aval sean rentables para
entregar una tarjeta de crédito. Lo primero que se hizo fue utilizar la tabla que proporcionaron para
analizar el puntaje total que recibe cada cliente dependiendo de cada característica. Luego,
utilizando la tabla de conversiones de puntaje a probabilidades se pudo encontrar la probabilidad
de que cada cliente sea rentable. Pensando en determinar toda la distribución de probabilidad de
este caso de estudio, se creó una variable aleatoria que puede tomar los valores X=0,1,2,3,4. Esta
variable aleatoria representa el número de clientes que son rentables. Una vez creada esta variable
aleatoria, se determina la distribución de probabilidad teniendo en cuenta la probabilidad e
rentabilidad de cada cliente. Para calcular la probabilidad cuando la variable aleatoria toma un cierto
valor se utilizó el producto de probabilidades y la suma de probabilidades. Por ejemplo, para
encontrar la probabilidad de que uno solo fuera rentable, se debía multiplicar la probabilidad de que
el primero fuera rentable por la probabilidad de que los otros dos no lo fueran. Luego, este resultado
sumarlo con las otras dos posibilidades, es decir, aquellas en donde solo el segundo sea rentable y
solo el tercero sea rentable. Por último, se hizo un resumen de toda la distribución de probabilidad.

ESTUDIO DE CASO NO. 2

La distribución de probabilidad binomial es una distribución de probabilidad discreta que se

presenta con mucha frecuencia.
Una de sus características consiste en que sólo hay dos posibles resultados en un determinado
ensayo del experimento y los resultados son mutuamente excluyentes; Otra característica de la
distribución binomial es el hecho de que la variable aleatoria es el resultado de conteos. Es decir,
se cuenta el número de éxitos en el número total de ensayos. Una tercera característica de una
distribución binomial consiste en que la probabilidad de éxito es la misma de un ensayo a otro.

Un estudio del Departamento de Transporte de Illinois concluyó que 86.2% de quienes ocupaban
los asientos delanteros de los vehículos utilizaba cinturón de seguridad. Esto significa que los dos
ocupantes de la parte delantera utilizaban cinturones de seguridad. Suponga que decide comparar
la información con el uso actual que se da al cinturón de seguridad, para lo cual selecciona una
muestra de 10 vehículos.

Presente un informe en el que como mínimo incluya:

1.- ¿Esta situación cumple con los supuestos de la distribución binomial? Identifíquelos
- Solo existen dos posibles resultados, que dentro de un vehículo los ocupantes de la parte
delantera utilicen o no el cinturón de seguridad.

10
- Los resultados obtenidos de un vehículo no influyen en los resultados de los demás por lo tanto
es una prueba independiente.
- La probabilidad del suceso que los ocupantes utilicen el cinturón es igual para los 10 vehículos.

2- Elabore un diagrama de barras para la distribución de probabilidad binomial que

representa esta situación

3.- ¿Cuál es la probabilidad de que los ocupantes de la parte delantera en exactamente

6 de los 12 vehículos seleccionados utilicen cinturones de seguridad?
𝑥 = 𝑁. 𝑑𝑒 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠 𝑞𝑢𝑒 𝑢𝑠𝑎𝑛 𝑒𝑙 𝑐𝑖𝑛𝑡𝑢𝑟𝑜𝑛
𝑘=6
𝑛 = 12
8.62
𝑝= = 0.862
100
𝑞 = 1 − 𝑝 = (1 − 0.862) = 0.138

Formula a utilizar es
𝒏
𝑷(𝒙 = 𝒌) = ( ) 𝒑𝒌 ∗ 𝒒𝒏−𝒌
𝒌

12
𝑃(𝑥 = 6) = ( ) 0.8626 ∗ 0.13812−6
6
𝑃(𝑥 = 6) = 924(0.4102)(0,000007)
𝑃(𝑥 = 6) = 0.0026531 (100)
𝑷(𝒙 = 𝟔) = 𝟎. 𝟐𝟔%

11
Por lo tanto la probabilidad de que en exactamente 6 de los 12 vehículos usen el
cinturón de seguridad es de 0.26%

4.- ¿Cuál es la probabilidad de que los ocupantes de la parte delantera de por lo

menos 6 de los 12 vehículos utilicen cinturón de seguridad?
Basándonos en los mismos datos
𝑛 = 12
𝑝 = 0.862
𝑞 = 0.138
𝑥 = 6,7,8,9,10,11,12
𝑷 = (𝟔 ≥ 𝒙) = 𝑷(𝟔 ≥ 𝒙 ≥ 𝟏𝟐)

𝑃 = (𝑥 = 6) + 𝑃(𝑥 = 7 + 𝑃(𝑥 = 8) + 𝑃(𝑥 = 9) + 𝑃(𝑥 = 10) + 𝑃(𝑥 = 11) + 𝑃(𝑥 = 12)

12 12 12 12
= ( ) 0.8626 ∗ 0.13812−6 + ( ) 0.8627 ∗ 0.13812−7 + ( ) 0.8628 ∗ 0.13812−8 + ( ) 0.8629
6 7 8 9
12 12 12
∗ 0.13812−9 + ( ) 0.86210 ∗ 0.13812−10 + ( ) 0.86211 ∗ 0.13812−11 + ( ) 0.86212
10 11 12
∗ 0.13812−12
= 924(0.862)6 (0.138)6 + 792(0.862)7 (0.138)5 + 495(0.862)8 (0.138)4 + 220(0.862)9 (0.138)3
+ 66(0.862)10 (0.138)2 + 12(0.862)11 (0.138)1 + 1(0.862)12 (0.138)0

= 0.00262 + 0.0140 + 0.0547 + 0.15192 + 0.28469 + 0.32332 + 0.168301

𝑷 = (𝟔 ≥ 𝒙) = 𝟎. 𝟗𝟗𝟗(𝟏𝟎𝟎) = 𝟗𝟗. 𝟗%
La probabilidad de que los ocupantes de la parte delantera de por lo menos 6
vehículos tengan puesto el cinturón de seguridad es de 99.9%

5.- ¿Cuál es la probabilidad de que los ocupantes de la parte delantera de máximo 6

de los 12 vehículos utilicen cinturón de seguridad?
𝑛 = 12
𝑝 = 0.862
𝑞 = 0.138
𝑥 = 0,1,2,3,4,5,6
𝑷 = (𝟔 ≤ 𝒙) = 𝑷(𝟔 ≤ 𝒙 ≤ 𝟏𝟐)
𝑃 = (𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3) + 𝑃(𝑥 = 4) + 𝑃(𝑥 = 5) + 𝑃(𝑥 = 6)

12
 12 12 12 12
= ( ) 0.8620 ∗ 0.13812−0 + ( ) 0.8621 ∗ 0.13812−1 + ( ) 0.8622 ∗ 0.13812−2 + ( ) 0.8623
0 1 2 3
12 12 12
∗ 0.13812−3 + ( ) 0.8624 ∗ 0.13812−4 + ( ) 0.8625 ∗ 0.13812−5 + ( ) 0.8626
4 5 6
∗ 0.13812−6
= 1(0.862)0 (0.138)12 + 12(0.862)1 (0.138)11 + 66(0.862)2 (0.138)10 + 220(0.862)3 (0.138)9
+ 495(0.862)4 (0.138)8 + 792(0.862)5 (0.138)7 + 924(0.862)6 (0.138)6
= 4.7703𝐸11 + 3.5756𝐸10 + 1.2284𝐸7 + 2.5577𝐸6 + 3.5947𝐸5 + 3.5926𝐸4 + 2.6181𝐸3
𝑷 = (𝟔 ≤ 𝒙) = 𝟑. 𝟎𝟏𝟓𝟗𝑬 − 𝟑 = 𝟎. 𝟑𝟎%
La Probabilidad de que los ocupantes de la parte de delante de máximo 6 vehículos
utilicen el cinturón de seguridad es de 0.30%.

6.- Encuentre el valor esperado del número de vehículos en los que los ocupantes de
la parte delantera utilizan el cinturón de seguridad?

𝑬(𝑿) = 𝒏 ∗ 𝒑 = 𝟏𝟐(𝟎. 𝟖𝟔𝟐) = 𝟏𝟎. 𝟑𝟒𝟒

= 𝟏𝟎

El número esperado de vehículos cuyos ocupantes de adelante utilicen el cinturón de seguridad

es de 10.

ESTUDIO DE CASO 3

El Baloto, es la lotería en línea de Colombia, supervisado por ETESA (Empresa territorial para la
salud). Es un juego que consiste en acertar 6, 5, 4 o 3 números en cualquier orden de una matriz
del 1 al 45; El jugador señala en un tarjetón los 6 números que escoge. Los números están
representados en 45 balotas numeradas del 1 al 45. Cada número aparece una sola vez y las
balotas ganadoras se seleccionan sin reemplazo. El premio acumulado se entrega a quien haga
coincidir los seis números.

Presente un informe en el que como mínimo incluya:

1.- ¿Esta situación cumple con los supuestos de la distribución Hipergeométrica? Identifíquelos
(Sugerencia: Divida los 45 números en dos grupos: ganadores y no ganadores)
Respuesta:
Teniendo en cuenta la distribución Hipergeométrica que nos plantea:

13
• Formar un grupo N 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
población y a distribución nos dará la probabilidad de lo que estemos buscando.

Teniendo esto en cuenta:

- N/ son los 45 números.
- 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 números
- La probabilidad que nos da el método Hipergeométrica es la de tener 0 a 6 ganadores

2.- Usando la distribución de probabilidad Hipergeométrica determinar la probabilidad de que el

jugador acierte los 6 números.

Respuesta:

𝑁𝑝 𝑁𝑞
( )∗( )
𝑝(𝑥 = 𝑘) = 𝑘 𝑛 −𝑘
𝑁
( )
𝑛

Solución para acertar 6 números

6 45 − 6 39
( )∗( ) 1∗( ) 1
𝑝(𝑥 = 6) = 6 6 − 6 = 0 =
45 45 45
( ) ( )
6 6 39 ∗ 6
39 ∗ 6 6 720
= =
45 45.44.43.42.41.40 5864443200
1
= 1.22773804 𝑥 10−7 = 0.000000122773804
8145060

La probabilidad que el jugador acierte los 6 números es de 0.000000122773804

3.- La empresa encargada del sorteo informa que la probabilidad de que coincidan todos los
números es de 1 en 8145060. ¿Qué significa esto en términos de probabilidad? Coincide esto con
su respuesta anterior.

14
Respuesta:
1
𝑝(6) = = 1.22773804 𝑥 10−7
8145060

Si coincide con la misma probabilidad del punto anterior.

El sorteo también otorga un premio si el jugador hace coincidir 3, 4 o 5 de los números ganadores.

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

Respuesta:
𝑁𝑝 𝑁𝑞
( )∗( )
𝑝(𝑥 = 𝑘) = 𝑘 𝑛 −𝑘
𝑁
( )
𝑛

Solución para acertar 3 números

6 45 − 6 6.5.4 39
( )∗( ) ∗( )
𝑝(6) = 3 6 − 3 = 3 3
45 45
( ) ( )
6 6

39.38.37
20 ∗ 20.9139 182780
3 = = = 0.02244059589
45.44.43.42.41 8145060 8145060
6

La probabilidad que el jugador acierte 3 de los 6 números ganadores es de 0.02244059589

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

Respuesta:
𝑁𝑝 𝑁𝑞
( )∗( )
𝑝(𝑥 = 𝑘) = 𝑘 𝑛 −𝑘
𝑁
( )
𝑛

Solución para acertar 4 números

15
 6 45 − 6 6.5 39
( )∗( ) ∗( )
𝑝(6) = 4 6 − 4 = 2 2
45 45
( ) ( )
6 6

39.38
15 ∗
2 = 15.741 = 11115 = 741 = 0.001364630831
8145060 8145060 8145060 543004

La probabilidad que el jugador acierte 4 de los 6 números ganadores es de 0.001364630381

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

Respuesta:

𝑁𝑝 𝑁𝑞
( )∗( )
𝑝(𝑥 = 𝑘) = 𝑘 𝑛 −𝑘
𝑁
( )
𝑛

Solución para acertar 5 números

6 45 − 6 39
( )∗( ) 6∗( )
𝑝(6) = 5 6 − 5 = 1
45 45
( ) ( )
6 6

6.39 234 39
= = = 2.872807014 𝑥 10−5 = 0.00002872807014
8145060 8145060 8145060

La probabilidad que el jugador acierte 5 de los 6 números ganadores es de 0.00002872807014

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

Respuesta:

Teniendo en cuenta que las probabilidades de ganar son:

3 aciertos: 0.02244059589
4 aciertos: 0.001364630381

16
 5 aciertos: 0.00002872807014
6 aciertos: 0.000000122773804

No lo tomaría como una buena inversión de capital, es muchísimo más rentable ahorrar la
inversión que se hace semanal.

ESTUDIO DE CASO NO. 4

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.

La compañía de aviación 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 mayoría 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 400
maletas perdidas. De esta manera, el número promedio de maletas perdidas por vuelo es de 0.4.

Prepare un informe en el que como mínimo, incluya:

1.- ¿Esta situación cumple con los supuestos de la distribución Poisson? Identifíquelos
2.- Determine cuál es la probabilidad de que en un vuelo no se pierda ninguna maleta
3.- Determine cuál es la probabilidad de que en un vuelo se pierda exactamente una maleta

17
 4.- Determine cuál es la probabilidad de que en un vuelo se pierdan entre dos y cuatro maletas
5.- Podría establecer cuál es la probabilidad de que se pierdan en un vuelo más de cuatro maletas
6.- ¿En qué momento debe sospechar el supervisor de la Aerolínea que en un vuelo se están
perdiendo demasiadas maletas?

DESARROLLO INFORME

Según la distribución de probabilidad de Poisson, se exige poder identificar el promedio de número

de veces de los eventos y la variable aleatoria de Poisson, para calcular la función probabilística y
lograr obtener el conocimiento suficiente en ciertas situaciones y la repetición de número de veces
de dichos eventos.

La distribución de probabilidad de Poisson se denomina λ es el número del promedio de número

de veces de eventos en el intervalo de los números real es lo cual se define, la variable aleatoria X
que correspondiente al número de número de veces de eventos en el intervalo que es llamada
variable aleatoria Poisson, la función de probabilidad es la siguiente:

𝑒 −𝜆 × 𝜆𝑥
𝑝(, 𝑥𝜆) =
𝑥!

Para el caso de la aerolínea Delta Airlines, a continuación, se describe el promedio de número de

veces y las variables aleatorias que se desea utilizar, para calcular las probabilidades requeridas:

No. Maletas
λ= 0,40 perdidas/vuelo

1.- ¿Esta situación cumple con los supuestos de la distribución Poisson? Identifíquelos.

Según lo explicado inicialmente al inicio del desarrollo del ejercicio la distribución es basada de 2
supuestos que son: (1- Se basa en la probabilidad es proporcional a la longitud del intervalo. 2-
Se basa en los intervalos son independientes), lo que se puede concluir que el caso planteado,
cumple con los 2 supuestos, porque el 1- supuesto tiene relación entre menos maletas se
pierdan, la probabilidad será mayor o cercana a la unidad, en cambio entre más maletas perdidas,
la probabilidad será menor o tiende a cero.

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

18
 𝑒 −0.4 × 0.400
𝑝(0,0.4) =
0!
Variable
aleatoria Poisson: X= 0

p (x,λ) = 0,741 = 74,08%

Observando el resultado que es el 74% la probabilidad de que se pierdan 0 maletas por vuelo,
esto quiere decir que en 1000 vuelos la probabilidad que no se pierdan las maletas es de 741
vuelos.

3.- Determine cuál es la probabilidad de que en un vuelo se pierda exactamente una

maleta.

𝑒 −0.3 × 0.301
𝑝(1,0.3) =
Variable 1!

aleatoria
Poisson: X= 1

p (x,λ) = 0,222 = 22,22%

Observando el resultado que es el 22,22% la probabilidad de que se pierda 1 maletas por

vuelo, esto quiere decir que en 1000 vuelos la probabilidad que se pierda 1 maleta es de 222
vuelos.

4.- Determine cuál es la probabilidad de que en un vuelo se pierdan entre dos y cuatro
maletas.

𝑃(2 ≤ 𝑋 ≤ 4) = [𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)]

Teniendo en cuenta lo anterior, a continuación, se calculan las probabilidades para variables
aleatorias Poisson entre dos y cuatro.

Variable
aleatoria
Poisson: X= 2

19
 𝑒 −0.4 × 0.402
𝑝(2,0.4) =
2!

p(2,0.3)
0,053 = 5,36%
=

Variable
aleatoria
Poisson: X= 3

𝑒 −0.4 × 0.403
𝑝(3,0.4) =
3!

p (3,0.3)
0,005 = 0,53%
=

Variable
aleatoria
Poisson: X= 4

𝑒 −0.4 × 0.404
𝑝(4,0.4) =
4!

p (4,0.3)
0,000 = 0,05%
=

La probabilidad es:

𝑃(2 ≤ 𝑋 ≤ 4) = [0.53 + 0.005 + 0.00053] = 0.535

P (2 ≤ X
0,535 = 5,35%
≤ 4) =

20
Según lo analizado el resultado que es 5.35% de probabilidad que se pierdan entre dos y cuatro
maletas por vuelo, lo que quiere decir que la probabilidad de 1000 vuelos, aproximadamente 53
vuelo demuestra la pérdida de entre dos y cuatro maletas.

5.- Podría establecer cuál es la probabilidad de que se pierdan en un vuelo más de

cuatro maletas.

Variable
aleatoria
Poisson: X≥ 4

𝑃(𝑋 ≥ 4) = 1 − 𝑃(𝑋 ≤ 4) = 1 − [𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3)]

Teniendo en cuenta lo anterior, a continuación, se calculan las probabilidades para variables
aleatorias Poisson menores a 4 (0, 1, 2 y 3).

Variable
aleatoria
Poisson: X= 0

𝑒 −0.4 × 0.400
𝑝(0,0.4) =
0!
p (0,0.3)
0,670 = 67,03%
=

Variable
aleatoria
Poisson: X= 1

𝑒 −0.4 × 0.401
𝑝(1,0.4) =
1!

p(1,0.3)
0,268 = 26,81%
=

21
 Variable
aleatoria
Poisson: X= 2

𝑒 −0.4 × 0.402
𝑝(2,0.4) =
2!

p(2,0.3)
0,053 = 5,36%
=

Variable
aleatoria
Poisson: X= 3

𝑒 −0.4 × 0.403
𝑝(3,04) =
3!

p (3,0.3)
0,005 = 0,53%
=

La probabilidad entonces es:

𝑃(𝑋 ≥ 4) = 1 − 𝑃(𝑋 ≤ 4) = 1 − [0.670 + 0.268 + 0.053 + 0.005] = 1 − 0.996

P (X ≥ 4)
0,000 = 0,05%
=

6.- ¿En qué momento debe sospechar el supervisor de la Aerolínea que en un vuelo se
están perdiendo demasiadas maletas?

Se calcula la varianza como la raíz cuadrada de promedio de número de veces, así:

V(x) = 0,53

22
Según el resultado de la operación la sospecha del supervisor es que la varianza esperada sea
mayor a 0.44 maletas por vuelo, lo cual no puede existir la razón de pérdida de una maleta.es
decir el 44% y al aumentar el número de maletas la probabilidad va a atender cada vez más a
cero, por tal razón en el momento que se pierdan más de cuatro maletas el supervisor de la
aerolínea debe sospechar que en el vuelo se están perdiendo demasiadas maletas y algo está mal
en el proceso.

ESTUDIO DE CASO NO. 5

Para una población grande de personas sin hogar, Wong y Piliavin (2001) examinaron factores de
estrés, recursos y agotamiento psicológico empleando la Escala de Depresión del Centro de
Estudios Epidemiológicos (CESD), un cuestionario de evaluación comunitario.

Entre las personas sin hogar, la puntuación media del cuestionario CESD es 20,5 con una
desviación estándar de 8.5 y se considera que para la Variable X = puntuación del CESD, la
distribución es normal. Como trabajador en el área 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 políticas del refugio se encuentra que cualquier persona cuya puntuación sea de 21
o más puntos en el CESD debe enviarse a ver a un doctor.

INFORME QUE PRESENTAR:

Prepare un informe en el que como mínimo, incluya:

1. La probabilidad de que una persona que llegue al refugio sea enviada a ver al doctor

𝒙−𝝁
𝒛=
𝝈

𝟐𝟏 − 𝟐𝟎. 𝟓
𝒛=
𝟖. 𝟓

𝟎. 𝟓
𝒛=
𝟖. 𝟓

23
 𝒛 = 𝟎. 𝟎𝟓𝟖𝟖 ≅ 𝟎. 𝟎𝟔

𝑷(𝒛 = 𝟎. 𝟎𝟔) = 𝑺𝒆𝒈𝒖𝒏 𝒍𝒂 𝒕𝒂𝒃𝒍𝒂 𝒅𝒆 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊𝒐𝒏 𝒐𝒃𝒕𝒆𝒏𝒆𝒎𝒐𝒔 𝒆𝒍 𝒗𝒂𝒍𝒐𝒓 𝟎. 𝟓𝟐𝟑𝟗

𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝑷(≥ 𝟐𝟏) = 𝟏 − 𝟎. 𝟓𝟐𝟑𝟗 = 𝟎. 𝟒𝟕𝟔𝟏 ∗ 𝟏𝟎𝟎 = 𝟒𝟕. 𝟔𝟏 ≅ 𝟒𝟖%

R// La probabilidad de que una persona que llegue al refugio y sea enviada a ver al doctor es
de 48% ósea que es casi la mitad.

Z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483

-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859

-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247

0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641

0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359

0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753

0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141

0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517

0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879

0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224

2. La probabilidad de que una persona que llegue al refugio tenga una puntación de 10 o menos
puntos 3.

FORMULA DE DISTRIBUCION NORMAL

𝒙−𝝁
𝒛=
𝝈
𝟏𝟎 − 𝟐𝟎. 𝟓
𝒛=
𝟖. 𝟓

−𝟏𝟎. 𝟓
𝒛= = −𝟏. 𝟐𝟑 𝑺𝒆𝒈𝒖𝒏 𝒍𝒂 𝒕𝒂𝒃𝒍𝒂 𝒅𝒆 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊𝒐𝒏 𝒐𝒃𝒕𝒆𝒏𝒆𝒎𝒐𝒔 𝒆𝒍 𝒗𝒂𝒍𝒐𝒓
𝟖. 𝟓

24
 𝟎. 𝟏𝟎𝟗𝟑

Z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681

-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823

-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985

-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170

-1 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379

-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611

-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867

-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148

𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝑷(≥ 𝟏𝟎) = 𝟏 − 𝟎. 𝟏𝟎𝟗𝟑 = 𝟎. 𝟖𝟗 ∗ 𝟏𝟎𝟎 = 𝟖𝟗%

R//: La probabilidad de que una persona que llegue al refugio tenga una puntación de
10 es de 89% ósea que la probabilidad es muy alta.

Ahora para la probabilidad menos 10 puntos (le prestamos 0.5 asi obtendremos la
respuesta)

𝐹𝑂𝑅𝑀𝑈𝐿𝐴 𝐷𝐸 𝐷𝐼𝑆𝑇𝑅𝐼𝐵𝑈𝐶𝐼𝑂𝑁 𝑁𝑂𝑅𝑀𝐴𝐿

𝒙−𝝁
𝒛=
𝝈

𝟗. 𝟓 − 𝟐𝟎. 𝟓
𝒛=
𝟖. 𝟓

−𝟏𝟏
𝒛= = −𝟏. 𝟐𝟗 𝑺𝒆𝒈𝒖𝒏 𝒍𝒂 𝒕𝒂𝒃𝒍𝒂 𝒅𝒆 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊𝒐𝒏𝒐 𝒃𝒕𝒆𝒏𝒆𝒎𝒐𝒔 𝒆𝒍 𝒗𝒂𝒍𝒐𝒓
𝟖. 𝟓

𝟎. 𝟎𝟗𝟖𝟓

25
 Z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681

-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823

-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985

-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170

-1 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379

-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611

-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867

-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝑷(≥ 𝟏𝟎) = 𝟏 − 𝟎. 𝟎𝟗𝟖𝟓 = 𝟎. 𝟗𝟎𝟏𝟓 ∗ 𝟏𝟎𝟎 = 𝟗𝟎%

R//: La probabilidad de que una persona que llegue al refugio con una puntación de
menos 10 puntos es de 90% ósea que la probabilidad es muy alta.

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

Probabilidad puntuación 16

Utilizamos la fórmula de distribución normal

𝒙−𝝁
=
𝝈

𝟏𝟔 − 𝟐𝟎. 𝟓
𝒛=
𝟖. 𝟓

−𝟒. 𝟓
𝒛= = −𝟎. 𝟓𝟐𝟗 ≅ −𝟎. 𝟓𝟑 𝑺𝒆𝒈𝒖𝒏 𝒍𝒂 𝒕𝒂𝒃𝒍𝒂 𝒅𝒆 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊𝒐𝒏 𝒐𝒃𝒕𝒆𝒏𝒆𝒎𝒐𝒔 𝒆𝒍 𝒗𝒂𝒍𝒐𝒓
𝟖. 𝟓
𝟎. 𝟐𝟗𝟖𝟏
Probabilidad puntuación 20

Utilizamos la fórmula de distribución normal

𝒙−𝝁
=
𝝈

𝟐𝟎 − 𝟐𝟎. 𝟓
𝒛=
𝟖. 𝟓

26
 −𝟎. 𝟓
𝒛= = −𝟎. 𝟎𝟓 𝑺𝒆𝒈𝒖𝒏 𝒍𝒂 𝒕𝒂𝒃𝒍𝒂 𝒅𝒆 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊𝒐𝒏𝒐 𝒃𝒕𝒆𝒏𝒆𝒎𝒐𝒔 𝒆𝒍 𝒗𝒂𝒍𝒐𝒓
𝟖. 𝟓
𝟎. 𝟒𝟖𝟎𝟏

Z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451

-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776

-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121

-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483

-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859

-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247

0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641

0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359

0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753

𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝑷(≥ 𝟏𝟔) = 𝟏 − 𝟎. 𝟐𝟗𝟖𝟏 = 𝟎. 𝟕𝟎𝟏𝟗 ∗ 𝟏𝟎𝟎 = 𝟕𝟎%

𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝑷(≥ 𝟐𝟎) = 𝟏 − 𝟎. 𝟒𝟖𝟎𝟏 = 𝟎. 𝟓𝟏𝟗𝟗 ∗ 𝟏𝟎𝟎 = 𝟓𝟏. 𝟗𝟗 ≅ 𝟓𝟐%

𝒂𝒉𝒐𝒓𝒂 𝒓𝒆𝒔𝒕𝒂𝒎𝒐𝒔 𝒍𝒐𝒔 𝒅𝒐𝒔 𝒗𝒂𝒍𝒐𝒓𝒆𝒔 𝒚 𝒚 𝒆𝒏𝒄𝒐𝒏𝒕𝒓𝒂𝒎𝒐𝒔 𝒆𝒍 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐

𝟎. 𝟕𝟎𝟏𝟗 − 𝟎. 𝟐𝟗𝟖𝟏 = 𝟎. 𝟒𝟎𝟑𝟖 ∗ 𝟏𝟎𝟎 = 𝟒𝟎%

Entonces la probabilidad de que una persona que llegue al refugio y tenga una
puntuación 16 y 20 puntos es de 40% ósea que es una probabilidad media.

4. Si las personas sin hogar con puntuación en el 15% más alto deben ser enviadas a los
servicios de prevención de suicidios, ¿Qué puntuación hace calificar a una persona que llega al
refugio para este servicio?

Utilizamos la fórmula de distribución normal

𝒙−𝝁
𝒛=
𝝈

Poseemos el dato de probabilidad que es 15% ósea es 0.15 como valor de área entonces en la
tabla se halla el valor de z=0.5596

27
 0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359

0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753

0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141

0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517

Se hace el despeje de la fórmula de distribución normal así:

𝒙−𝝁
𝒛=
𝝈

𝒙 = 𝝁 + (𝝈 ∗ 𝒛)

Reemplazamos:

𝒙 = 𝟐𝟎. 𝟓 + (𝟖. 𝟓 ∗ 𝟎. 𝟓𝟓𝟗𝟔)

𝒙 = 𝟐𝟎. 𝟓 + 𝟒. 𝟕𝟓𝟔𝟔

𝒙 = 𝟐𝟓. 𝟐𝟓

Entonces las personas que tengan 25 puntos deben ser enviadas a prevención de
suicidios.

5. Las personas sin hogar con puntación en el 25% más bajo, se le envía a un servicio de
orientación laboral para mejorar sus recursos. ¿Qué puntuación permite calificar a una persona
para acceder a este servicio?

Para la solución de este punto Utilizamos la fórmula de distribución normal

Se hace el despeje de la fórmula de distribución normal así:

𝒙−𝝁
𝒛=
𝝈

𝒙 = 𝝁 + (𝝈 ∗ 𝒛)

𝒛 = −𝟎. 𝟔𝟕

𝒙 = 𝟐𝟎. 𝟓 + (−𝟎. 𝟔𝟕 ∗ 𝟖. 𝟓)

𝒙 = 𝟐𝟎. 𝟓 + (−𝟓. 𝟔𝟗𝟓)

𝒙 = 𝟏𝟒. 𝟖

28
 Conclusiones

➢ Con los resultados de las soluciones de los casos propuestos podemos concluir que el estudiante
adquiere conocimientos que los utilizara para la vida diaria.
➢ durante el desarrollo de la presente guía de actividades logramos conocer más de los conceptos
utilizamos para dar una posible solución a cada uno de los casos planteados.
➢ La distribución de Poisson es la distribución de probabilidad que resalta y la más importante
para alcanzar a determinar los posibles resultados situaciones diferentes en la vida cotidiana;
de esta manera se puede facilitar entender o caracterizar situaciones o sucesos que se nos
pueda presentar en los otros momentos de nuestras vidas.
➢ Con el desarrollo de esta actividad se logra estudiar de tanto forma individual como de forma
grupal utilizando la unidad como herramienta para el desarrollo de las dinámicas del curso.

29
 Referencias

Gestiopolis . (08 de Septiembre de 2002). Obtenido de tomado de:

https://www.gestiopolis.com/que-es-la-distribucion-normal/

Gestiopolis. (02 de septiembre de 2002). Obtenido de Recuperado de

https://www.gestiopolis.com/que-es-una-distribucion-binomial/

Gestiopolis. (15 de septiembre de 2002). Obtenido de Recuperado de

https://www.gestiopolis.com/que-es-la-distribucion-de-poisson/

Soporte de minitab 18. (2017). Obtenido de tomado de: https://support.minitab.com/es-

mx/minitab/18/help-and-how-to/probability-distributions-and-random-data/supporting-
topics/basics/continuous-and-discrete-probability-distributions/

Universidad Juarez Autonoma de Tabasco. (s.f.). Obtenido de

https://sites.google.com/site/estadisticadm/b-organizacion-y-presentacon-de-datos/b-3-
medidas-de-tendencia-central

Wikipedia. (10 de Agosto de 2012). Obtenido de tomado de:

https://es.wikipedia.org/wiki/Variable_discreta_y_variable_continua

30