UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS

CARRERA ING.EN TECNOLOGIA DE LA INFORMACION

MATERIA:
ESTADISTICA DESCRIPTIVA

PARALELO:
TIN-S-NO-3-2

DOCENTE:
Ing. Christian Antón.

ACTIVIDAD:
Taller 1 / 2p - Distribuciones discretas de probabilidad

TEMA:
Geométrica, Hipergeométrica y Poisson

GRUPO 3
ALUMNO(s): Anthony Castillo
Jordy Giler
Melanie Rosero
1. DISTRIBUCIÓN GEOMÉTRICA.

La distribución geométrica es ideal para los procesos repetitivos hasta llevar al

resultado deseado También implica la existencia de una división de posibles
resultados y la independencia de las pruebas entre sí. Esta distribución se
puede hacer derivar de un proceso experimental puro o de Bernoulli en el que
tengamos las siguientes características:

 Consta de un número no definido de pruebas o experimentos separables y

este concluirá cuando se obtenga por primera vez éxito.
 Da dos resultados mutuamente excluyentes.
 La probabilidad de obtener un resultado A en cada prueba es p y la de
obtener un resultado no A es q siendo (p + q = 1).
 Las probabilidades p y q son constantes en todas las pruebas, por tanto,
independientes.
 Si aleatorizados de forma que tomemos como variable aleatoria X = el
número de pruebas necesarias para obtener por primera vez un éxito o
resultado A, esta variable se distribuirá con una distribución geométrica de
parámetro p.

FÓRMULAS
1. Si la variable aleatoria X es el número total de ensayos necesarios para
producir un evento con probabilidad p, entonces:

2. Si la variable aleatoria Y es el número de fallos que ocurren antes de que se

observe el primer evento (con probabilidad p), entonces:

3. Media:

4. Varianza:
5. Desviación Estándar:

1−𝑝
𝜎𝑥 = √
(𝑝)2

Siendo:
X= número de ensayos para producir un evento, Y + 1
Y= número de no eventos que ocurren antes del primer evento
P= probabilidad de que ocurra un evento en cada ensayo.

Ejercicio 01
En una empresa de asistente telefónico que está constantemente ocupado.
¿Cuál es la probabilidad que se tenga que hacer 7 intentos para lograr comunicarse?
Sabiendo que en los momentos de mayor congestión existe un 6% de probabilidad de
entablar la comunicación

𝑷(𝒙, 𝒑) = 𝒑(𝟏 − 𝒑)𝒙−𝟏  Se plantea la formula

𝑃(𝑥 = 7) = 0.06(1 − 0.06)7−1  Se reemplaza la formula con las variables
𝑃(𝑥 = 7) = 0.06(0.94)6  Restamos lo que está dentro del paréntesis y los
exponenciales
𝑃(𝑥 = 7) = 0.06(0.94)6
𝑃(𝑥 = 7) = 0.04139  Se multiplica por 100 para obtener el porcentaje
𝑃(𝑥 = 7) = 4,139 %
La probabilidad de que en la 7ma llamada contesten es de un 4,13%

Ejercicio 02
La probabilidad de una alineación óptica con éxito en el montaje de un producto óptico,
según
especificaciones para su almacenamiento, es de 0.8. Suponga que los intentos de
montaje son
independientes.
 a) ¿Cuál es la probabilidad de que la alineación con éxito se produzca por primera
vez en el quinto ensayo?
b) ¿Cuántos intentos se espera realizar para lograr el primer éxito?
c) Calcular la desviación estándar del número de intentos hasta lograr éxito en la
alineación.

 Identificar el experimento:
Estudiar el número de intentos hasta lograr realizar con éxito la alineación de un
producto óptico en su montaje.

 Identificar el suceso E que se desea estudiar y que determina el éxito en la

experiencia, y su contrario, EC:
E: Se realiza con éxito la alineación de un producto óptico en el montaje.
EC: No se realiza con éxito la alineación de un producto óptico en el montaje.

 Identificar las probabilidades de E y EC:

 Existe independencia entre los intentos de "alineación del producto óptico en el

montaje”.
 Identificación de la variable aleatoria: X: Número de intentos hasta lograr realizar
con éxito la alineación de un producto óptico en su montaje.
 Deducción de la distribución: X ∼ Geométrica (0.8).
 Traducir las preguntas a una expresión matemática adecuada, calcular y contestar:

a) 𝑷(𝒙, 𝒑) = 𝒑(𝟏 − 𝒑)𝒙−𝟏  Utilizaremos la formula

𝑃(𝑥 = 5) = 0.08(1 − 0.08)5−1  Reemplazamos variables sabiendo que 0.08 es

la probabilidad siendo la variable p; y x es el quinto ensayo.

𝑃(𝑥 = 5) = 0.08(0.02)4  Simplificamos

𝑃(𝑥 = 5) = 0.0013

La probabilidad de que la alineación se produzca con éxito por primera vez en el

quinto ensayo es de 0.0013 (1.3%).

𝟏
b) 𝑬(𝒙) =  Utilizaremos la fórmula de media
𝒑

1
𝐸(𝑥) =  reemplazamos variables siendo 0.08 la probabilidad(p).
0.8

𝐸(𝑥) = 1.25 𝑖𝑛𝑡𝑒𝑛𝑡𝑜𝑠

Se espera realizar entre 1 y 2 intentos para lograr realizar con éxito la alineación del
producto óptico en el montaje. Esto explica las bajas probabilidades logradas en los
cálculos de las preguntas anteriores.
 𝟏−𝒑
c) 𝝈𝒙 = √(𝒑)𝟐  Utilizaremos la fórmula de desviación estándar

1−0.8
𝜎𝑥 = √(0.8)2  Reemplazamos variables siendo p= 0.08

0.2
𝜎𝑥 = √(0.8)2  Simplificamos

𝜎𝑥 = 0.55901 intentos.
La desviación estándar del número de intentos hasta realizar con éxito la alineación
del producto óptico es de 0.559 intentos. Ni siquiera alcanza a ser 1.

Ejercicio 03
Un científico inocula varias ratas, una a la vez, con un germen de cierta enfermedad
hasta lograr una que la haya contraído. Si la probabilidad de contraer la enfermedad
es 1/6,
a) ¿Cuál es la probabilidad de que se requieran 8 inoculaciones hasta encontrar una
rata que haya contraído la enfermedad?
b) ¿Cuántos intentos se espera realizar para encontrar la primera rata que haya
contraído la enfermedad?
c) ¿Calcular la desviación estándar del número de intentos hasta encontrar la primera
rata que haya contraído la enfermedad?

 Identificar el experimento:
Estudiar el número de inoculaciones hasta encontrar una rata que haya contraído la
enfermedad.

 Identificar el suceso E que se desea estudiar y que determina el éxito en la

experiencia, y su contrario, EC:
E: Se encuentra una rata que haya contraído la enfermedad.
EC :No se encuentra una rata que haya contraído la enfermedad.

 Identificar las probabilidades de E y EC:

 Existe independencia entre los intentos de "inoculación hasta encontrar una rata
que haya contraído la enfermedad".
 Identificación de la variable aleatoria: X: Número de inoculaciones hasta encontrar
una rata que haya contraído la enfermedad.
 Deducción de la distribución: X∼ Geométrica (1/6).
 Traducir las preguntas a una expresión matemática adecuada, calcular y contestar:

1 1
a) 𝑃 (𝑥 = 8) = (1 − )8  Utilizamos la formula y procedemos a reemplazar
6 6

siendo p= probabilidad= 1/6; y x=inoculaciones=8

1 5 8
𝑃 (𝑥 = 8) = 6 (6)  Simplificamos

𝑃(𝑥 = 8) = 0.0465
La probabilidad de que se requieran 8 inoculaciones hasta encontrar una rata que
haya contraído la enfermedad es de 0.0465 (4.65%).
1
b) 𝐸(𝑥) =  Utilizamos la fórmula de media
𝑝

1
𝐸(𝑥) = 1  Reemplazamos siendo p= 1/6.
⁄6

𝐸(𝑥) = 6 𝑖𝑛𝑡𝑒𝑛𝑡𝑜𝑠.
Se espera realizar entre 6 inoculaciones para encontrar la primera rata que haya
contraído la enfermedad. Esto explica la probabilidad en (a) y (b)es logradas.
Calculando para los distintos valores de x compare y emita un juicio que permita
entender mejor lo que está pasando.

1−𝑝
c) 𝜎𝑥 = √(𝑝)2  Utilizamos la fórmula de desviación estándar

1−(1⁄6)
𝜎𝑥 = √ 2  Reemplazamos la variable siendo p=1/6
(1⁄6)

5⁄
6
𝜎𝑥 = √ 2  Simplificamos
(1⁄6)

𝜎𝑥 = 5.4772 𝑖𝑛𝑜𝑐𝑢𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠.

La desviación estándar del número de inoculaciones hasta obtener una rata infectada
es de 5.48 inoculaciones (entre 5 y 6).
2. DISTRIBUCIÓN HIPERGEOMÉTRICA
Para comenzar con la explicación de la distribución de la probabilidad hipergeométrica,
debemos entender su definición. La distribución hipergeométrica es una función de la
estadística discreta, apropiado para valorar la probabilidad en investigaciones al azar
con dos respuestas posibles. La posición que se solicita para aplicarla es que se trate
de poblaciones pequeñas, en las cuales las extracciones no se reemplazan y las
probabilidades no sean de forma constantes.
Concretamente, las suposiciones que llevan a reflexionar esta repartición son:
 La población o conjunto en el que deba hacerse el muestreo consta de N
individuos o elementos a elegir.
 Cada sujeto puede ser un objeto diferenciado como un éxito (E) o fracaso (F).
 Se selecciona una muestra de n sujetos de entre los k sujetos marcados como
éxito y los N − k restantes marcados como fracaso.
 Hay opciones equiprobables en cada paso.

Utilidad de la Distribución Probabilística Hipergeométrica

La distribución hipergeométrica es fundamentalmente eficaz en todos aquellos casos en
los que se extraiga muestras o se realizan experiencias repetidas sin retorno del
elemento o dispositivo extraído o sin regresar a el escenario experimental originario.
Es una distribución esencial en la exposición o el estudio de muestras pequeñas de
poblaciones pequeñas y en el cálculo de probabilidades de juegos de azar. Tiene
grandes aplicaciones en la revisión de calidad para procesos experimentales en los que
no es viable regresar a el escenario inicial.

Propiedades principales de la distribución hipergeométrica

Son las siguientes:
– La muestra siempre debe ser pequeña, aunque la población sea grande.
– Los elementos de la muestra se van extrayendo de a uno, sin incorporarlos
nuevamente a la población.
– La propiedad a estudiar es binaria, es decir sólo puede tomar dos valores: 1 o 0, o
bien cierto o falso.
En cada paso de extracción de elementos, la probabilidad cambia dependiendo de los
resultados previos.
Ecuaciones de la distribución hipergeométrica

Con lo visto anteriormente en la definición, la función de masa de probabilidad es:

𝑝 𝑁−𝑝 Casos Favorables al
( )∙( )
𝑘 𝑛−𝑘 suceso x=k
𝑃(𝑥 = 𝑘) =
𝑁
( )
𝑛
𝑁 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛 Casos Posibles
𝑝 = 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑥𝑖𝑡𝑜𝑠

𝑛 = 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑘 = 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑥𝑖𝑡𝑜 𝑒𝑛 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎

𝑥 = 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑛𝑜𝑚𝑏𝑟𝑒 𝑥

𝑝 𝑝!
( )=
𝑘 𝑘! (𝑝 − 𝑘)!
𝑞 𝑞!
( )=
𝑟 𝑟! (𝑞 − 𝑟)!

𝑁 𝑁!
( )=
𝑛 𝑛! (𝑁 − 𝑛)!

𝑁 − 𝑝 == 𝑞 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑟𝑎𝑐𝑎𝑠𝑜

𝑛 − 𝑘 == 𝑟 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑟𝑎𝑐𝑎𝑠𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎

 Ejercicio 01
5 fabricantes de microscopios electrónicos, usados en el estudio de las secciones
delgadas de las diferentes muestras tomadas en campo, la calidad de dicho dispositivo
varia de un fabricante a otro. Si usted elige 3 fabricantes al azar.
a) Hallar la probabilidad que la sección contenga 2 de las 3 mejores.
Solución
Datos
N=5
p=3
n=3
k=2

𝑝 𝑁−𝑝
Para responder a la ( )∙( ) Casos Favorables al
𝑘 𝑛−𝑘
pregunta calculamos 𝑃(𝑥 = 𝑘) =
𝑁 suceso x=2
( )
la probabilidad de 𝑛
que x=2 3 5−3 3 2
( )( ) ( )( )
𝑝(𝑥 = 2) = 2 3 − 2 = 2 1
5 5
( ) ( )
3 3 Casos Posibles
3𝐶2 (2𝐶1)
𝑝(𝑥 = 2) =
(5𝐶3)

3 𝑝! 3! 3∗2∗1
( )= = = =3
2 𝑘! (𝑝 − 𝑘)! 2! (3 − 2)! 2 ∗ 1(1)
Resolución de las
2 𝑞! 2! 2∗1 combinaciones
( )= = = =2
1 𝑟! (𝑞 − 𝑟)! 1! (2 − 1)! 1 ∗ 1 del ejercicio

10 𝑁! 5! 5∗4∗3∗2∗1
( )= = = = 10
4 𝑛! (𝑁 − 𝑛)! 3! (5 − 3)! 3 ∗ 2 ∗ 1 ∗ 2 ∗ 1

(3)(2)
𝑝(𝑥 = 2) = = 0.6
(10)
 Ejercicio 02
Se debe seleccionar 2 miembros de un comité, entre 5, para que asistan a una
convención. Suponga que el comité está formado por 3 mujeres y 2 hombres. Determine
la probabilidad de seleccionar 2 mujeres al azar:
DATOS:
N=5
n=2
p= 3
k =2

𝑝 𝑁−𝑝
( )∙( )
𝑘 𝑛−𝑘
𝑃(𝑥 = 𝑘) =
Para responder a la 𝑁 Casos Favorables al
( )
𝑛 suceso x=2
pregunta calculamos
la probabilidad de 3 5−3
( )( )
que x=2 𝑝(𝑥 = 2) = 2 2 − 2 Casos Posibles
5
( )
2
3 2
( )( )
𝑝(𝑥 = 2) = 2 0
5
( )
2
3𝐶2 (2𝐶0)
𝑝(𝑥 = 2) =
(5𝐶2)
𝑝! 𝑞!
( )
𝑘! (𝑝 − 𝑘)! 𝑟! (𝑞 − 𝑟)!
𝑝(𝑥 = 2) =
𝑁!
( )
𝑛! (𝑁 − 𝑛)!

3 𝑝! 3! 3! 3∗2∗1
( )= = = = =3
2 𝑘! (𝑝 − 𝑘)! 2! (3 − 2)! 2! (1)! 2(1 ∗ 1)

Resolución de
2 𝑞! 2! 2! 2∗1
( )=( )= = ( )=1 las
0 𝑟! (𝑞 − 𝑟)! 0! (2 − 0)! 0! (2)! 1 ∗ (2)
combinaciones
del ejercicio
5 𝑁! 5! 5! 5∗4∗3∗2∗1
( )=( )= = = = 10
2 𝑛! (𝑁 − 𝑛)! 2! (5 − 3)! 2! (3)! (2 ∗ 1)(3 ∗ 2 ∗ 1)

3
𝑝(𝑥 = 2) = => 𝑝(𝑥 = 2) = 0.3
10
 Ejercicio 03
De 6 empleados 3 han estado en la compañía durante 5 o más años, si se elige 4
empleados al Azar de ese grupo. ¿Cuál es la probabilidad de que exactamente dos de
ellos tengan una antigüedad de 5 años o más?
Datos
N=6
N=4
p=3
K=2

𝑝 𝑁−𝑝
( )∙( )
𝑘 𝑛−𝑘
𝑃(𝑥 = 𝑘) =
𝑁
Para responder a la ( )
𝑛 Casos Favorables al
pregunta calculamos
3 6−3 suceso x=2
la probabilidad de ( )( )
que x=2 𝑝(𝑥 = 2) = 2 4 − 2
6
( )
4 Casos Posibles
3 3
( )( )
𝑝(𝑥 = 2) = 2 2
6
( )
4
3𝐶2 (3𝐶2)
𝑝(𝑥 = 2) =
(6𝐶4)
𝑝! 𝑞!
( )
𝑘! (𝑝 − 𝑘)! 𝑟! (𝑞 − 𝑟)!
𝑝(𝑥 = 2) =
𝑁!
( )
𝑛! (𝑁 − 𝑛)!

3 𝑝! 3! 3! 3∗2∗1
( )= = = = =3
2 𝑘! (𝑝 − 𝑘)! 2! (3 − 2)! 2! (1)! 2(1 ∗ 1)
3 𝑞! 3! 3! 3∗2∗1 Resolución de las
( )=( )= = = =3
2 𝑟! (𝑞 − 𝑟)! 2! (3 − 2)! 2! (1)! 2(1 ∗ 1) combinaciones del
6 𝑁! 6! 6! 6∗5∗4∗3∗2∗1 ejercicio
( )=( )= = = = 15
4 𝑛! (𝑁 − 𝑛)! 4! (6 − 4)! 4! (2)! (4 ∗ 3 ∗ 2 ∗ 1)(2 ∗ 1)
3∗3 9
𝑝(𝑥 = 2) = =
15 15
𝑝(𝑥 = 2) = 0.6
 Ejercicio 04
De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote contiene
3 proyectiles defectuosos que no explotarán, ¿cuál es la probabilidad de que los 4
exploten?
Datos
N = 10 proyectiles en total
p = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
k=4

𝑝 𝑁−𝑝
( )∙( )
𝑘 𝑛−𝑘
𝑃(𝑥 = 𝑘) =
𝑁 Casos Favorables al
( )
Para responder a la 𝑛 suceso x=4
pregunta calculamos 7 10 − 7
la probabilidad de que ( )( )
𝑝(𝑥 = 4) = 4 4 − 4
x=4 10
( )
4 Casos Posibles
7 3
( )( )
𝑝(𝑥 = 4) = 4 0
10
( )
4
7𝐶4 (3𝐶0)
𝑝(𝑥 = 4) =
(10𝐶4)
𝑝! 𝑞!
( )
𝑘! (𝑝 − 𝑘)! 𝑟! (𝑞 − 𝑟)!
𝑝(𝑥 = 4) =
𝑁!
( )
𝑛! (𝑁 − 𝑛)!

7 𝑝! 7! 7! 7∗6∗5∗4∗3∗2∗1
( )= = = = = 35
4 𝑘! (𝑝 − 𝑘)! 4! (7 − 4)! 4! (3)! (4 ∗ 3 ∗ 2 ∗ 1)(3 ∗ 2 ∗ 1)
3 𝑞! 3! 3! 3∗2∗1 Resolución de
( )=( )= = = =1
0 𝑟! (𝑞 − 𝑟)! 0! (3 − 0)! 0! (3)! 1(3 ∗ 2 ∗ 1) las
10 𝑁! 10! 10! 10 ∗ 9 ∗ 8 ∗ 7 ∗ 6 ∗ 5 ∗ 4 ∗ 3 ∗ 2 ∗ 1 combinaciones
( )=( )= = = = 210 del ejercicio
4 𝑛! (𝑁 − 𝑛)! 4! (10 − 4)! 4! (6)! (4 ∗ 3 ∗ 2 ∗ 1)(6 ∗ 5 ∗ 4 ∗ 3 ∗ 2 ∗ 1)
35 ∗ 1 35
𝑝(𝑥 = 4) = =
210 210

𝑝(𝑥 = 4) = 0.167
La probabilidad de que tenga 4 proyectiles que exploten de cuatro tomados al azar es
de 16.7%
3. DISTRIBUCIÓN DE PROBABILIDAD DE POISSON
Es una distribución de probabilidad de una variable aleatoria discreta que nos
proporciona la probabilidad de que ocurra un determinado suceso un número de veces
K, en un intervalo de tiempo, longitud, área o volumen. [1]

𝑒 −𝜆𝑡 . (𝜆𝑡)𝑥
𝑃(𝑥, 𝜆) =
𝑥!

µ𝑘 . 𝑒 −µ
𝑃(𝑥 = 𝑘) =
𝑘!
X = representa el suceso.
c = es el número de veces que ocurre un suceso en el intervalo de tiempo, longitud,
área, volumen
K = es el numero de veces que se repite el suceso dado.
e = es una constante ≈ 2.718281828 [2]

Ejercicio 01
En un hospital de una importante ciudad se está estudiando el nacimiento de bebes
varones. Se sabe que en una semana nacen una media de siete varones Calcule:

1. La probabilidad que nazcan 3 varones en una semana

2. La probabilidad que nazcan menos de 3 varones a la semana
X = nacimiento de bebes varones , µ = 7 varones a la semana
“x es el numero de sucesos y µ es el valor medio con respecto al intervalo de tiempo”

1. 𝑃(𝑋 = 3) “la probabilidad de que nuestra variable aleatoria discreta X sea igual a 3”
“como nuestra variable aleatoria discreta es igual a X, aplicamos la formula,
remplazando los valore s”
µ𝑘 . 𝑒 −µ
𝑃(𝑥 = 𝑘) =
𝑘!

73 . 𝑒 −7
𝑃(𝑥 = 3) = = 0.052 ≈ 5,2%
3!

2. 𝑃(𝑋 < 3) “La probabilidad de que nazcan menos de 3 varones a la semana, sería
que nuestra variable aleatoria discreta sea menor que 3, la probabilidad se la
expresa como una suma de que x sea menor a 0,1,2, ”
 𝑃(𝑋 < 3) = 𝑃(𝑋 < 0) + 𝑃(𝑋 < 1)+ 𝑃(𝑋 < 2)
70 .𝑒 −7 71 .𝑒 −7 72 .𝑒 −7
= 0,001 + = 0.06 + = 0,022
0! 1! 2!

0,001 + 0,006 + 0,022 = 0,029 ≈ 2,9%

Ejercicio 02
Durante la segunda guerra mundial las tropas alemanas disparaban bombas V1 y V2
desde Calais (Francia) hacia Londres, el sur de Londres se dividió en 576 regiones
con la misma extensión, 0,25 Km2 . A lo largo de la contaminación impactaron en esas
576 regiones un total de 535 bombas V1 y V2. [4]
1. Si se selecciona una región al azar, calcula la probabilidad de que fuese blanco
las bombas en dos ocasiones, también para el caso de que no recibiese ningún
impacto.
2. Según las probabilidades calculadas del apartado anterior, ¿Cuántas de las
576 regiones se espera que reciban 2 impactos y cuantas ninguno?
535
X = impactos por área , µ = ≈ 0,929
576

“calculamos la media de impactos de los rejones”

1. 𝑃(𝑋 = 2) =

0.9292 . 𝑒 −0.929
𝑃(𝑥 = 2) = ≈ 0,016%
2!
“la probabilidad que de que impacten 2 bombas en las 576 que se dividen el sur de
Londres es del 16%”

Calculamos la probabilidad que no caiga ninguna bomba

𝑃(𝑋 = 0) =

0.9290 . 𝑒 −0.929
𝑃(𝑥 = 0) = ≈ 0,394%
0!
1 . 𝑒 −0.929
𝑃(𝑥 = 0) = ≈ 0,394%
1!
“recordamos que 0! Es igual a 1 y que cualquier número elevado a la potencia 0 es 1 ”
“la probabilidad que no caiga ninguna bomba es más alta a que caigan 2 ”
2. Regiones con 2 impactos:
576*0,16 = 92.16 “92 regiones recibirán 2 impactos de bomba”

Regiones con 0 impactos 576*0,394 = 226.9 “227 regiones recibirán ningún

impacto”
Datos reales: 93 regiones impactadas y 229 no impactadas

Ejercicio 03
Un vendedor de seguros de vida vende en promedio 3 polizas por seman, calcular la
probabilidad de los siguientes eventos:
1. que venda algunas pólizas en una semana
2. que venda 2 o más pólizas, pero menos de 5 en una semana

X = venta de una póliza de seguro , µ = 3 pólizas por semana

“como el vendedor puede vender n pólizas en una semana se lo expresa de la

siguiente manera”

1. 𝑃(𝑋 > 0) = 𝑃(𝑋 > 1) + 𝑃(𝑋 > 2) + 𝑃(𝑋 > 3) +……,+ 𝑃(𝑋 > 𝑛)

“usando la propiedad de que ocurra un suceso P(A) es igual 1- el suceso negado ”

𝑃(𝑋 > 0) = 1 − 𝑃(𝑋 = 0) 0! = 1

30 . 𝑒 −3 K0 = 1
1 − 𝑃(𝑥 = 0) = −1
0!
1. 𝑒 −3
1 − 𝑃(𝑥 = 0) = −1
1
3𝑘 . 𝑒 −3
1 − 𝑃(𝑥 = 0) = − 1 ≈ 0.95%
0!

2. “nuestra variable aleatoria X es mayor o igual a 2 y menor a 5”

𝑃(2 ≤ 𝑋 < 5) = 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

32 . 𝑒 −3 33 . 𝑒 −3 34 . 𝑒 −3
+ + = 0.6161 ≈ 61,61%
2! 3! 4!
“61,61% es la probabilidad que venda 2 o más pólizas pero menos de 5”
REFERENCIAS

Fieller, N.R. J; Gilbertson, D.D. and Olbricht, W. (1984). “A new method for
environmental analysis of particle size distribution data from shoreline sediments”.
Nature. 311, 648-651. En: https://www.nature.com/articles/311648a0
Probabilidad y estadistica uba Retrieved September 2020 from
http://www.dm.uba.ar/materias/probabilidades_estadistica_C/2011/1/PyEC04.pdf
Métodos y fórmulas para la Distribuciones de probabilidad (2020) Retrieved 10
September 2020 from Minitab https://support.minitab.com/es-mx/minitab/18/help-and-
how-to/probability-distributions-and-random-data/how-to/probability-
distributions/methods-and-formulas/methods-and-formulas/#geometric-distribution
Distribución hipergeométrica. (2020). Retrieved 9 September 2020, from
https://www.ucm.es/data/cont/media/www/pag-
54183/APUNTES%20ESTAD%C3%8DSTICA%202.pdf

unknow, «13.1.1.7. Distribución Poisson ( ),» 13 2014. [En línea]. Available:

https://www.sergas.es/Saude-
publica/Documents/1899/Ayuda_Epidat_4_Distribuciones_de_probabilidad_Octubre2014.
pdf.

I. Arroyo, «Distribuciones Poisson y Gamma: Una Discreta y Continua Relación,» 06

2015. [En línea]. Available: http://www.scielo.org.co/pdf/prosp/v12n1/v12n1a12.pdf.
[Último acceso: 12 09 2020].
marisabelp, «Slideshare,» 30 11 2017. [En línea]. Available:
https://es.slideshare.net/marisabelp/distribucin-de-poisson-83070762. [Último acceso:
12 09 2020].
R. A. Mora, «Rpubs,» [En línea]. Available: https://rpubs.com/rakemoha/601156.
[Último acceso: 12 09 2020].