PASO 3 - EXPERIMENTOS ALEATORIOS Y DISTRIBUCIONES DE

PROBABILIDAD CONTINUA

PROBABILIDAD

ELABORADO POR:

LISETH NATALY ESPANOL CODIGO: 1049632390

MONICA YANNETH BELTRAN CODIGO: 52336580

BLANCA AURORA CHINGATE LOPEZ CODIGO:1077941169

GRUPO: 100402_5

PRESENTADO A :

YURI VANESSA NIETO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

CEAD JOSE ACEVEDO GOMEZ

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA

BOGOTÁ, D.C AGOSTO, 2018

 INTRODUCCIÓN

En este trabajo nos da a conocer la función de probabilidad de una variable

que aborda el desarrollo de conceptos y aplicaciones de acuerdo con el programa
de probabilidad donde relacionamos, interpretamos, organizamos y les damos
significado y estructura a los datos con un propósito y relevancia, el resultado es lo
que conocemos como información que tiene como objetivo de servir de apoyo, a
la descripción y medición de series de datos, que nos explica el uso en
estadística, con los distintos tipos de series de datos, como son simples y
compuestos, a partir de las cuales se muestra la aplicación de las medidas de
tendencia central y de dispersión, asimetría, que aborda temas de estudio de la
probabilidad y comprende conceptos básicos, definiciones y aplicaciones; como
son las distribuciones de probabilidad discretas y los temas que abarca como son:
la distribución binomial, la binomial generalizada, la hipergeométrica y la
distribución de Poisson tratando temas del estudio de los números índices, que
son importantes y útiles sobre todo en el campo.
 OBJETIVOS

 OBJETIVO GENERAL

Aplicar en forma clara y pertinente los fundamentos de las Distribuciones discretas

y continuas de probabilidad.

 OBJETIVO ESPECÍFICOS

Aplicación de las teorías en diferentes situaciones de problemas en

contexto.
Consultar las temáticas correspondientes sobre, experimentos aleatorios y
distribuciones de probabilidad.
Identificar las funciones de probabilidad en sus diferentes variables.
ESTUDIO DE CASO 1 (Liseth Nataly Espanol)

Supongamos que X es una variable aleatoria discreta y que x es uno de sus

valores posibles. La probabilidad de que la variable aleatoria X tome el valor
específico x se representa por medio de P(X = x). La función de probabilidad de
una variable aleatoria es una representación de las probabilidades de todos los
resultados posibles. Esta representación podría ser algebraica, gráfica o tabular.
En el caso de las variables aleatorias discretas, un sencillo método es enumerar
las probabilidades de todos los resultados posibles de acuerdo con los valores de
x.

Una empresa nueva de buses del Sistema Integrado de Transporte de Bogotá

(SITP) ha comenzado a dar servicio en un nuevo barrio. Se ha registrado el
número de usuarios que hay en este barrio en el servicio a primera hora de la
mañana (5:00 a.m.). La tabla adjunta muestra la proporción de cada uno de los
días de la semana.

Número de usuarios 0 2 3 5 6 8 10 12 15
Proporción 0.02 0.05 0.12 0.18 0.13 0.16 0.14 0.12 0.08

Si X es la variable que representa el número de usuarios que la empresa debe

atender a la hora de inicio del servicio, con base en esta información y haciendo
uso de los conceptos de variables aleatorias discretas y función de probabilidad,
prepare un informe en el que debe incluir como mínimo lo siguiente

1. Grafica de la función de probabilidad de la variable aleatoria X: Número de

usuarios.
FUNCION ESCALONADA

F(X) x

0.02 0
0.05 2

0.12 3

0.18 5

0.13 6

0.16 8

0.14 10

0.12 12

0.08 15

F(X)
0.08
0.12
0.14
0.16
0.13
0.18
0.12
0.05
0.02

0 2 4 6 8 10 12 14 16 x

2. Función de probabilidad acumulada de la variable aleatoria X: Número de

usuarios.

𝐹(𝑋) = 𝑃[𝑋 ≤ 𝑥] = ∑ 𝑃[𝑋 = 𝑥𝑖 ]

𝑥𝑖≤𝑥
 𝐹(15) = 𝑃[𝑋 ≤ 0] + 𝑃[𝑋 ≤ 2] + 𝑃[𝑋 ≤ 3] + 𝑃[𝑋 ≤ 5] + 𝑃[𝑋 ≤ 6] + 𝑃[𝑋 ≤ 8]

+ 𝑃[𝑋 ≤ 10] + 𝑃[𝑋 ≤ 12] + 𝑃[𝑋 ≤ 15]

= 0.02 + 0.05 + 0.12 + 0.18 + 0.13 + 0.16 + 0.14 + 0.12 + 0.08 = 1

3. Probabilidad de que en un día seleccionado aleatoriamente haya exactamente

ocho usuarios del barrio esperando el servicio
𝐹(8) = 𝑃[𝑋 ≤ 8] = 𝑃[𝑋 = 8] = 0.16

4. Probabilidad de que en un día seleccionado aleatoriamente haya más de seis

usuarios del barrio esperando este servicio
𝐹(6) = 𝑃[𝑋 ≥ 6] = 𝑃[𝑋 = 6] + 𝑃[𝑋 = 8] + 𝑃[𝑋 = 10] + 𝑃[𝑋 = 12] + 𝑃[𝑋 = 15]

= 0.13 + 0.16 + 0.14 + 0.12 + 0.08 = 0.63

5. Probabilidad de que en un día seleccionado aleatoriamente haya menos de

cuatro usuarios del barrio en este servicio
𝐹(4) = 𝑃[𝑋 ≤ 4] = 𝑃[𝑋 = 0] + 𝑃[𝑋 = 2] + 𝑃[𝑋 = 3] = 0.02 + 0.05 + 0.12 = 0,19

6. El número esperado de usuarios de este servicio y su desviación estándar

P(X) X X-E(X) (𝑋 − 𝐸(𝑋))2

0-7.46 = - (−7.46)2
0.02 0
7.46

0.05 2 2-7.46= -5.46 (−5.46)2

0.12 3 3-7.46= -4.46 (−4.46)2

0.18 5 5-7.46= -2.46 (−2.46)2

0.13 6 6-7.46= -1.46 (−1.46)2

0.16 8 8-7.46= 0.54 (0.54)2

10-7.46= (2.54)2
0.14 10
2.54

12-7.46= (4.54)2
0.12 12
4.54

15-7.46= (7.54)2
0.08 15
7.54

Valor esperado de usuarios:

E(X) = ∑ 𝑋𝑖 ∗ 𝑃(𝑋𝑖 )

E(X) = 0.02 ∗ 0 + 0.05 ∗ 2 + 0.12 ∗ 3 + 0.18 ∗ 5 + 0.13 ∗ 6 + 0.16 ∗ 8 + 0.14 ∗ 10

+ 0.12 ∗ 12 + 0.08 ∗ 15 = 7.46

Varianza

Varianza(X) = ∑(𝑋𝑖 − 𝐸(𝑋))2 ∗ 𝑃(𝑋𝑖 )

Varianza(X) = 0.02 ∗ (−7.46)2 + 0.05 ∗ (−5.46)2 + 0.12 ∗ (−4.46)2 + 0.18

∗ (−2.46)2 + 0.13 ∗ (−1.46)2 + 0.16 ∗ (0.54)2 + 0.14 ∗ (2.54)2

+ 0.12 ∗ (4.54)2 + 0.08 ∗ (7.54)2 = 14.3284

Desviación estándar

𝐷𝑆(𝑋) = √𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎(𝑥)

𝐷𝑆(𝑋) = √14.3284
 𝐷𝑆(𝑋) = 3.78

7. Con base en estos resultados, redacte un breve resumen de sus hallazgos

para la empresa
La empresa nueva de buses del Sistema Integrado de Transporte de Bogotá
(SITP) ha comenzado a dar servicio en un nuevo barrio. Según los registros el
número de usuarios que hay en este barrio en el servicio a primera hora de la
mañana (5:00 a.m.). Se pudo hallar: El número esperado de usuarios del
servicio es 7.46 personas y el rango en que puede variar es de 3.78 según la
desviación estándar y así se observa que pueden aumentar las probabilidades
de que más personas usen el servicio.

Concepto teórico

Variable aleatoria discreta

Una variable aleatoria es discreta cuando su campo de variación (dominio de

definición) está constituido por un conjunto finito o infinito numerable de valores
posibles.

Si la variable aleatoria es discreta, cada valor de los pertenecientes al campo de

variación se corresponderá con un suceso del álgebra de sucesos.(lo que
permitirá después asignar probabilidades a cada valor ).

Una variable aleatoria discreta es el modelo teórico de una variable estadística

discreta (con valores sin agrupar).

Una variable aleatoria discreta es aquella cuya función de distribución es

escalonada.

Función de distribución de la variable aleatoria X

𝐹(𝑋) = 𝑃[𝑋 ≤ 𝑥] = ∑ 𝑃[𝑋 = 𝑥𝑖 ]

𝑥𝑖<𝑥
Valor esperado

El valor esperado de una variable aleatorio es igual al promedio ponderado de los

valores que esta pueda asumir. Las ponderaciones están dadas por las

posibilidades de que tome los distintos valores.

E(X) = ∑ 𝑋𝑖 ∗ 𝑃(𝑋𝑖 )

Varianza

Medida de dispersión, son unidades al cuadrado representa la variabilidad de una

serie de datos respecto a su media:

Varianza(X) = 𝐸(𝑋 − 𝐸(𝑋))2

Promedio de los cuadrados de las desviaciones medidas alrededor.

Desviación estándar

Raíz cuadrada de la varianza

𝐷𝑆(𝑋) = √𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎(𝑥)

Es una medida de dispersión, que nos indica cuánto pueden alejarse los valores
respecto al promedio (media), por lo tanto es útil para buscar probabilidades de
que un evento ocurra, o en el caso del mercado bursátil, determinar entre que
rango de precios puede moverse un determinado activo, y determinar qué tipo de
activos pueden ser más volátiles que otros

ESTUDIO DE CASO 2 (Blanca Aurora Chingate Lopez)

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 78.5% 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
8 vehículos.

Usando sus conocimientos sobre distribuciones discretas de probabilidad,

presente un informe en el que como mínimo incluya:

1. Esta situación cumple con los supuestos de la distribución binomial.

Identifíquelos.
 Con la probabilidad de estudio del Departamento de Transporte de
Illinois concluyó que 78.5%.
 Posibilidades dos posibles resultados ocupantes de la parte delantera
utilicen cinturones de seguridad;
 Variable aletoria de lo cual selecciona una muestra de 8 vehículos.
 Solo hay dos posibles resultados en un ensayo: Que utilicen
Cinturón de seguridad (éxito) y que no utilicen (fracaso).
 La variable X mide el número de éxitos que se han producido en los n
experimentos
2. Diagrama de barras de la distribución de probabilidad binomial que representa
esta situación

9
8
7
6
5
4 Series1

3
2
1
0
p(x) 0 0.5 1 1,5 2 2,5 3 3.5

n=8
p = 0, 78.5%.
q = 1 – p = 1 – 0,78.5= 0,215
K= 1, 2, 3, 4, 5, 6, 7, 8,

Numero de éxitos Combinación(N-K) Probabilidad P(X=K)

0 8 4,5657E-06
1 7 0,000133361
2 6 0,00170423
3 7 0,012444839
4 4 0,056797668
5 3 0,165902026
6 2 0,302867653
7 1 0,315948315
8 0 0,144197342

3. Probabilidad de que los ocupantes de la parte delantera en exactamente 5 de

los 8 vehículos seleccionados utilicen cinturones de seguridad:

Π=78,5: probabilidad de ensayos

n = 8 numero de ensayo
 x=5 numero de éxitos
c=combinación
p(5)=8C5*(o,785p(5) = 8C5 ∗ (0, 785)5 (1-0, 785)8−5
p(5)=56*(0,2981)(0, 00994)
p(5)=0,1659%

R/ Cuando P(X = 5) = 16,59% donde hay un 16,59 % de probabilidad de que

en 5 vehículos los ocupantes de la parte delantera usen cinturón de
seguridad.

4. Probabilidad de que los ocupantes de la parte delantera de por lo menos 5 de

los 8 vehículos utilicen cinturón de seguridad

P(X ≥ 5)=P(X=5) + P(X=6)+P(X=7)+P(X=8)

P(X ≥ 5)=

P(X ≥ 5)=0,9287=92,8%

Rta: La probabilidades de 92,8% de 5 vehículos que los ocupantes de la

parte delantera usen cinturón de seguridad

5. Probabilidad de que los ocupantes de la parte delantera de máximo 5 de los 8

vehículos utilicen cinturón de seguridad
P(X ≤ 5)= P(X=1) + P(X=2) + P(X=3)+ P(X=4) + P(X=5) +

P(X ≤ 5)=(0,000133361)+(0,00170423)+(0,012444839)+(0,056797668)+(0,16590
2026)

P(X ≤ 5)=0,236982=23,6
Rta=Hay un 23,6%de probabilidad de la selección de 8 vehículos que el
máximo 5vehículos los ocupantes de la parte delantera usen cinturón de
seguridad.

6. Número de vehículos esperado en los que los ocupantes de la parte delantera

utilizan el cinturón de seguridad.

n=8
P =0, 785
μ=numero de vehículos
μ=n*p
μ=8∗0,785
μ=6.28

Rta = Se espe ra que los ve h ículos de lo s ocupan tes de pa rte

de la nte ra use n se gurid ad es de 6 a 7 veh ícu los.

Concepto Teórico

Distribución Binomial

Es una distribución de probabilidad de una cantidad de variables aleatorias

discretas cuyos resultados experimentales son generados mediante un proceso
conocido como de Bernoulli que estudia los experimentos en donde su resultado
sólo puede tomar un solo valor de dos posibles, donde estos resultados son
mutuamente excluyentes. Por consiguiente los dos resultados son posible en
A uno de estos se denomina «éxito» y tiene una probabilidad de ocurrencia p y al
otro, «fracaso», con una probabilidad2 q = 1 - p. En la distribución bionomíal el
anterior experimento se repite n veces, de forma independiente, y se trata de
calcular la probabilidad de un determinado número de éxitos. Para n = 1, la
convirtiéndose , en una distribución de Bernoulli esta describe varios procesos
de interés para los administradores como son:

 Cada ensayo tiene sólo dos resultados posibles: lado A o lado B, sí o

no, éxito o fracaso.

 La probabilidad del resultado de cualquier ensayo permanece fija con

el tiempo sin importar el numero de ensayo cualquiera que sea el
número de veces.

 los ensayos son estadísticamente independientes, es decir, el

resultado de un ensayo no afecta.

 un experimento que presenta un proceso de Bernoulli puede definir -

se mediante los siguientes símbolos:

 p la probabilidad de tener un éxito .

 q (1 p) la probabilidad de tener un fracaso.

 r 5el número de éxitos deseados al realizar un proceso de Bernoulli.

 N el numero total de ensayos o intentos utilizados este número es

fijo durante el experimento.

𝑛!
Con una formula de: Pn, r = 𝑟!(𝑛−𝑟)! 𝑝𝑦𝑞𝑛 − 𝑦(4.1)

símbolo n! , significa n factorial. 3! =3 * 2* 1 = 6

 Media y desviación estándar de una distribución binomial: se cuenta con las

fórmulas de cálculo de la media y la desviación estándar de la distribución
de probabilidad de una variable aleatoria, por lo que en el caso de una
distribución binomial, este cálculo se simplifica considerablemente dado que
sólo tenemos dos posibles resultados donde se calcula e calcula mediante
(4.2): donde:

 µ =VE=E ( X ) =np.
  n = número total de ensayos o intentos utilizados en el experimento.

 p = la probabilidad de tener un éxito

 Y la desviación estándar de una distribución binomial (4.3) se calcula como

√np ∗ (1 − p)
𝜎=

σ = √npq

n = número total de ensayos o intentos utilizados en el experimento.

p = la probabilidad de tener un éxito.

q = la probabilidad de tener un fracaso.

También la distribución binomial tiene un valor esperado o media ( m ) y una

desviación estándar ( s ) que se pueda calcular dos medidas estadísticas,
representada de la siguiente forma:

m=np

donde :

n= número de ensayos.

P= probabilidad de éxitos.

Y la desviación de la siguiente forma:

s = Ö npq

donde :

n= número de ensayos.

P= probabilidad de éxito.

Q= probabilidad de fracaso
ESTUDIO DE CASO 3

Baloto es un juego novedoso de tipo loto

en línea, de suerte y azar, donde el
jugador elige 5 números del 1 al 43 y
una súper balota con números del 1 al 16
a través de una terminal de venta.
El juego consiste en acertar 5, 4 o 3
números en cualquier orden de una matriz
del 1 al 43 y otro número (super balota) del
1 al 16.

El jugador señala en un tarjetón

los 6 números que escoge. Los números están representados en 43 balotas
amarillas numeradas del 1 al 43 y 16 balotas rojas numeradas del 1 al 16. 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. En la tabla aparecen las opciones para ganar

Usando sus conocimientos sobre distribuciones discretas de probabilidad,

presente un informe en el que como mínimo incluya:

1. Esta situación cumple con los supuestos de la distribución Hipergeométrica.

Identifíquelos

2. Probabilidad de obtener el “Gran acumulado” con los 6 números (5 números

del 1 al 43 y la súper balota).

3. La empresa encargada del sorteo informa que Hasta el sorteo anterior, la

posibilidad de “pegarle al gordo” era de 1 en 8 millones, mientras que ahora
será de 1 en 15 millones. Explique esta afirmación.
 4. El sorteo también otorga otros premios (ver tabla). Presente la probabilidad
de obtener los premios que incluyen acertar la súper balota.

5. Presente la probabilidad de obtener los premios que no incluyen acertar la

súper balota.

6. Con base en los resultados obtenidos, ¿usted invertiría dinero en el

BALOTO?

Solución.

1) Para el caso propuesto se establece se debe calcular la probabilidad

usando la distribución hipergeometrica si cumple con la teoría propuesta.

La distribución surge al seleccionar una muestra sin reemplazo de una

población finita conocida y que representa una proporción relativamente
grande de la población. La probabilidad de éxito cambia de una selección a
otra.

Como en el caso que se va a desarrollar se desea obtener un cálculo donde

el tamaño de la población es “N” que son los 43 números de establecidos
para hacer el baloto y la muestra que tomamos son 6 números, 5 números
de una matriz del 1 al 43 y 1 que es la súper balota, entonces decimos que
para hallar los cálculos establecidos se debe tener un número de población
finita como dice anteriormente, de lo contrario no se podría calcular la
probabilidad con la distribución hipergeometrica.

2)

N=43 numero total de balotas

n=5 de muestra
R= 6 numero de éxitos
x=3 numero de aciertos

𝑝 𝑁−𝑛
(𝑥 ) ∗ ( 𝑅−𝑥 )
P(x) = 𝑁
𝑛
6 6 ∗ 5 ∗ 4 120
R, X = = = = 10
3 3∗2∗1 12
43
N, n = = 146611080 calculado
5
 43 − 5 38
N, n, R − X = = = 50616
6−3 3
50616
PX = 10 ∗ = 0.00345 = 0,35%
146611080

3) Acrecienta la probabilidad por ser un sorteo sin reemplazo de una

población grande.
En el juego hay dos bolsas para sacar los 6 aciertos por eso la probabilidad
aumenta a 15´401.568 de posibilidades y combinaciones posibles

4)

N=16
R=1
N-R=15 números fallidos.
n=1 muestra
x=1 numero de aciertos
1 16 1
( )∗( − ) 1 ∗ 15 15 15
1 1 1
p(1) = 16 = 16 = 16 = = 0,9375
16
1 1 1

5)

N=43
R=5
n=6 de muestras
x=5 numero de aciertos

5 43 6 37
(5) ∗ ( 5 − 5) 5∗(0) 5 ∗ 37 = 185 = 185
p(5) = 43 = 43 = 43∗42∗41∗40∗30 = 115511760 =
23102352
5 5 5 5
−6
= 800784 = 0.000008
 6) Las probabilidades son muy bajas, de acuerdo a lo analizado el porcentaje
para acertar y ganar el “pez gordo” son casi imposibles, por lo cual yo no
invertiría en el Baloto

RESUMEN

La distribución de probabilidad hipergeométrica surge al seleccionar una

muestra sin reemplazo de una población finita conocida y que representa

una proporción relativamente grande de la población, de tal forma que la

probabilidad de éxito cambia de una selección a otra. Por lo que la

distribución hipergeométrica determina la probabilidad de tener un

determinado número de éxitos en una muestra que se obtuvo de una

población con un determinado número de éxitos. En resumen, puede

establecerse que una distribución de probabilidad se puede manejar como

una distribución de probabilidad hipergeométrica si:

• Se selecciona una muestra de una población finita sin reposición

. • El tamaño de la muestra “ n ” es mayor que 5% del tamaño de la población

( N ).

CASO 4 (Mónica Yanneth Beltrán)

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.

Los padres preocupados porque sus hijos son “propensos a accidentes” pueden
estar tranquilos, de acuerdo a un estudio realizado por el Departamento de
Pediatría de la Universidad de California, San Francisco. Los niños que se
lesionan dos o más veces tienden a sufrir estas lesiones durante un tiempo
relativamente limitado, por lo general un año o menos. El estudio determinó que el
número promedio de lesiones por año para niños en edad escolar es de dos.

Usando sus conocimientos sobre distribuciones de probabilidad discretas,

presente un informe que como mínimo contenga:
1. Esta situación cumple con los supuestos de la distribución Poisson.
Identifíquelos

Cumple con el supuesto de que se da el promedio de éxitos en un intervalo de

tiempo o espacio en este caso el intervalo es de 1 año y el promedio es 2.

2. Probabilidad de que un niño sufra tres lesiones durante el año

𝜆= promedio de éxitos en un intervalo de tiempo o espacio

X= número de éxitos en igual intervalo de tiempo o espacio
 𝜆𝑥 −𝑒 −𝜆
F(x)= 𝑥!

𝜆= 2 lesiones al año
23 −𝑒 −2
P(x=3) = =0,1804
3!

La probabilidad de que un niño sufra 3 lesiones durante el año es de 0,1804

3. Probabilidad de que un niño sufra más de tres lesiones durante el año

P(x> 3) = ¿
P(x> 3) = 1 − 𝑝(𝑥 ≤ 3)
P(x> 3) = 1 − [𝑝(𝑥 = 0) + 𝑝(𝑥 = 1) + 𝑝(𝑥 = 2) + 𝑝(𝑥 = 3)]
𝜆𝑥 −𝑒 −𝜆
F(x)= 𝑥!

𝜆= 2 lesiones al año
20 −𝑒 −2
𝑝(𝑥 = 0)=f(0)= = 0,1353
0!
21 −𝑒 −2
𝑝(𝑥 = 1)=f(1)= =0,2707
1!
22 −𝑒 −2
𝑝(𝑥 = 2)=f(2)= =0,2707
2!
23 −𝑒 −2
𝑝(𝑥 = 3)=f(3)= =0,1804
3!

P(x> 3) = 1 − [0,1353 + 0,2707 + 0,2707 + 0,1804]

P(x> 3) = 0,1429
La probabilidad de que un niño sufra más de 3 lesiones por año es 0,1429

4. Probabilidad de que un niño sufra una lesión en los siguientes tres meses del
año

𝟐 𝒍𝒆𝒔𝒊𝒐𝒏𝒆𝒔
* 3 meses = 0,5 lesiones cada 3 meses
𝟏𝟐 𝒎𝒆𝒔𝒆𝒔

𝜆= 0,5
X=1
𝜆𝑥 −𝑒 −𝜆
F(x)= 𝑥!
0,51 −𝑒 −0,5
P(x=1)= = 0,3033
1!
La probabilidad de que un niño sufra una lesión en los siguientes 3 meses del año
es de 0,3033

5. Número de lesiones esperado por año y su desviación estándar. Dentro de que

limites se espera entonces que caiga el número de lesiones por año.

Valor esperado (u)

U= 𝜆
Desviación estándar (𝜎)
𝜎 = √𝜆
Tenemos 𝜆= 2 lesiones al año
U=2 (valor esperado)
𝜎 =√2 (desviación estándar)
Se espera que caiga el número de lesiones por año dentro de los limites
[2 − √2 ; 2 + √2]
[0,5858 ; 3,4142]

6. ¿Realmente, pueden estar tranquilos los padres? Sustente su opinión en los

resultados obtenidos

Los padres pueden estar tranquilos ya que la probabilidad de que un niño sufra
más de 3 lesiones por año estan solo de 0,1429.

Concepto teórico

Distribución de Poisson

Se utiliza para modelar datos discretos, se aproxima a la binomial cuando p es

igual o menor a 0,1, y el tamaño de muestra es grande (n>16) por tanto np>1.6

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

aplica a las ocurrencias de algún suceso durante un intervalo especifico. La
variable aleatoria x es el número de ocurrencias de un suceso en un intervalo. El
intervalo suele ser normalmente tiempo, distancia, área, volumen o alguna unidad
similar. La probabilidad de que el suceso ocurra x-veces, durante el intervalo,
está dada por la siguiente fórmula:

Aspectos importantes a tener en cuenta:

La distribución de Poisson sólo se ve afectada por el valor de la media µ, al

contrario que la distribución binomial que se veía afectada por el tamaño de la
muestra y la probabilidad.

Los valores permitidos para x en la distribución de Poisson no tienen cota superior

(0,1,2,3…) al contrario que la binomial que si estaba acotada (0,1,2,3…n).
 CONCLUSIONES

Para concluir el desarrollo de los diferentes métodos nos ayudad a describir la

tendencia central de un conjunto de valores conociendo esos resultados
siéndonos posible resumir de manera eficaz las características de un conjunto
de datos con diferentes indicadores, ahorrándonos tiempo, y reduciendo la
posibilidad de cometer errores en el cálculo, de diferentes problemas, en un
promedio de tiempo a largo plazo.
 BIBLIOGRAFÍA

Francisco Marques (2016). Distribución de Poisson. Recuperado de

https://fisicaymates.com

Gil, M., Gonzales, A. J Salagre, M. (2014). Ejercicios de estadística teórica:

Probabilidad e inferencia. Página 46 a 57. Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=47&docID=
10995669&tm=1470693596054

Monroy, S. (2008). Estadística Descriptiva. Editorial: Instituto Técnico Nacional.

Página 178 a 222. Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=183&docID
=10436604&tm=1470693651415

Peña, D. (2001). Fundamentos de Estadística. (Ed.) Alianza Editorial, S.A. Madrid.

ISBN: 84‐206‐8696‐4

Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Página 241 a

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

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

https://www.youtube.com/watch?v=EisaSQ1j_Kk&vl=es

https://www.youtube.com/watch?v=OWDIFqB5ZZY

https://www.youtube.com/watch?v=xVwetXD9cis