MODELO BINOMIAL

Lanzar tres veces la moneda eq

 EJEM 2 X es v.a.d
X
p
q = 1-p
n
a Espacio Muestral

b El rango de X

1 Sig
1

c
USANDO Fx (Excel)
p 0.5 X
q= 1-p 0.5 0
n 3 1
2
3

FUNCION DE PROBABILIDAD PUNTUAL PARA UNA VAD TIPO BINOMIAL

X: No de discos defectuosos
n 20 pruebas o ensayos tipo Bernou
p 0.05 probabilidad de obtener un dis
1-p 0.95 probabilidad para discos bueno

Rango de X:{0,1,2,…….,19,20}

X
0
1
2
3
4
P(X=5) 5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
OBS. VALOR ESPERADO
PARA UNA V.A.D. TIPO

BINOMIAL
 MODELOS DISCRETOS

BINOMIAL

POISSON
HIPERGEOMETRICO

MODELO BINOMIAL
Lanzar tres veces la moneda equivale a realizar tres
X es v.a.d
No de soles obtenidos en los 3 ensayos Bernoulli
0.5
0.5
3
Espacio Muestral

El rango de X RX={0,1,2,3}
Ahora
X=0 P(X=0)
X=1 P(X=1)
X=2 P(X=2)
X=3 P(X=3)
USANDO Fx (Excel) fpp
modelo P(X=x)
=1*(1/2)^0*(1/2)^(3-0) 0.125
=3*(1/2)^1*(1/2)^(3-1) 0.375
=3*(1/2)^2*(1/2)^(3-2) 0.375
=1*(1/2)^3*(1/2)^(3-3) 0.125
( 1/2 + 1/2)^3
PO BINOMIAL  n  x n x
P[ X  x]    p q , 0  x  n f . p. p tipo Bi
 x
 ctuosos
as o ensayos tipo Bernoulli
bilidad de obtener un disco defectuoso
bilidad para discos buenos.

P(X=x) P(X<=x)
0.358485922408542 0.358485922408542
0.377353602535307 0.735839524943849
0.188676801267654 0.924516326211503
0.059582147768733 0.984098473980235
0.013327585685111 0.997426059665347
0.002244646010124 0.999670705675471
0.000295348159227 0.999966053834697
3.1089279918615E-05 0.999997143114616
2.65895157198681E-06 0.999999802066188
1.86593092771004E-07 0.999999988659281
1.08027580025318E-08 0.999999999462039
5.16878373326882E-10 0.999999999978917
2.04030936839559E-11 0.99999999999932
6.6082894522934E-13 0.999999999999981
1.73902354007721E-14 0.999999999999999
3.66110218963623E-16 0.999999999999999
6.02154965400696E-18 0.999999999999999
7.45702743530274E-20 0.999999999999999
6.54125213623047E-22 0.999999999999999
3.62396240234375E-24 0.999999999999999
9.53674316406251E-27 1
E(X)=µ
V.A.D. TIPO np

1-p
   x
P[X  x]  e , x  0 ,1 , 2 ,...
x!
   *t
 obs.
ESTUDIO

ESTADÍSTICA DESCRIPTIVA ESPACIO MUESTRAL

ENFOQUE BAYESIANO PROBABILIDAD

EJEMPLO 1 (VAD)
ENSAYO BERNOULLI.

P(X=1)
P(X=0)
LA ASIGNACIÓN DE P DEPENDE DE LAS CA
 ensayos Bernoulli
ayos Bernoulli
éxito( SOL)
fracaso (ÁGUILA)
Ensayos Bernoulli
S= {aaa,sss,ass,sas,ssa,saa,asa,aas}

2
Antes
aaa P("aaa")
aas,saa,asa p("aas,saa,asa")
ssa,ass,sas p("ass,ssa,sas")
sss p("sss")
Fpa
P(X<=x) P(X=x) Prob. Puntual
0.125 0.125
0.5 0.375
0.875 0.375
1 0.125
1

0  x  n f . p. p tipo Binomial
 OBS1 X, TOTAL DE ÉXITOS EN n E.B.
OBS2 LA PROB. DE ÉXITO (p) NO CAMBIA
OBS3 EL RANGO DE X ES A LO MAS n

x*P(X=x) ( x   ) 2 P( X  x)
0 0.358485922408542
0.377353602535307 0
0.377353602535307 0.188676801267654
0.178746443306198 0.238328591074931
0.053310342740445 0.119948271166001
0.01122323005062 0.035914336161984
0.001772088955361 0.007383703980671
0.00021762495943 0.00111921407707
2.12716125758945E-05 0.000130288627027
1.67933783493904E-06 1.19419579373443E-05
1.08027580025318E-07 8.75023398205078E-07
5.6856621065957E-09 5.16878373326882E-08
2.4483712420747E-10 2.46877433575866E-09
8.59077628798142E-12 9.51593681130249E-11
2.43463295610809E-13 2.93894978273048E-12
5.49165328445435E-15 7.17576029168702E-14
9.63447944641114E-17 1.35484867215157E-15
1.26769466400147E-18 1.9089990234375E-17
1.17742538452149E-20 1.89042186737061E-19
6.88552856445313E-23 1.17416381835938E-21
1.9073486328125E-25 3.44276428222657E-24
1 0.95
b

10

0.2

0.8
 VAD tipo POISSON
Rango: 0,1,2,3…..,INFINITO.
X No de éxitos por unidad de tiempo o espacio

Parámetro de la f.p.p, para X

MEDIA POBLACIONAL
ESPERANZA MATEMÁTICA
VALOR ESPERADO
MEDIA MUESTRAL Xbarra
PROMEDIO EN MUESTRA
La de fpp. Para la va tipo Poisson se define:

EJEMPLO 1. A menudo, el número de llamadas telefónicas que l

variable aleatoria TIPO Poisson. Suponga que, en promedio, se
modelo
a. ¿Cuál es la probabilidad de que lleguen exactamente cinco lla
b. ¿Cuál es la probabilidad de que se reciban tres o más llamada
c. ¿Cuál es la probabilidad de que lleguen exactamente cinco lla
d. Obtener E(X) y V(X) para mu =10
e. Cómo es la distribución de probabilidades?

X No de llamadas que llegan aI conmutador por hora

 PROMEDIO

DESCRIBIR EL MODELO

EL RANGO DE LA VAD TIPO POISSON ES INFINITO, ES DECIR X=0,1,2,3,4,……..

P(X<=x) P(X=x)
FPA USAMOS fx
fx=POISSON.DIST fx=POISSON.DIST
4.53999297624849E-05 4.53999297624849E-05
0.000499399227387 0.000453999297625
0.002769395715512 0.002269996488124
0.010336050675926 0.007566654960414
0.029252688076961 0.018916637401035
0.067085962879032 0.037833274802071
0.130141420882483 0.063055458003451
0.220220646601699 0.090079225719216
0.332819678750719 0.11259903214902
0.457929714471852 0.125110035721133
0.583039750192986 0.125110035721133
0.696776146303107 0.113736396110121
0.791556476394874 0.094780330091768
0.864464422619311 0.072907946224437
0.916541527065337 0.052077104446026
0.951259596696021 0.034718069630684
0.972958390215199 0.021698793519178
0.985722386402951 0.012763996187752
0.992813495396146 0.007091108993195
0.996545658024143 0.003732162627998
0.998411739338142 0.001866081313999
0.999300349487665 0.000888610149523
0.999704263191994 0.000403913704329
0.99987987784605 0.000175614654056
0.999953050618573 7.31727725233217E-05
0.999982319727583 2.92691090093287E-05
0.999993577077202 1.12573496189726E-05
0.999997746465949 4.16938874776762E-06
0.999999235533359 1.48906740991701E-06
0.99999974900488 5.13471520661037E-07
0.999999920162053 1.71157173553679E-07
casi "1" 0.999999920162054

La suma de probabilidades
puntuales es

4. El número de fallas de un instrumento de prueba debidas a las p

media 0.02 fallas por hora.
a. ¿Cuál es la probabilidad de que el instrumento no falle en una jo
b. ¿Cuál es la probabilidad de que se presente al menos una falla en
 x
P[ X  x]  e  , x  0,
x!
   *t
 VARIABLES ALEATORIAS
MODELOS DE PROBABILIDAD
exp. ( X, P(X=x))
DEF.

V. ALEATORIA ASIGNAR UN VALOR NUMÉRICO A CADA UNO DE LOS ELEMENTOS DEL

CLASIFICACIÓN: Variable Aleatoria Discreta VAD

Variable Aleatoria Continua VAC
VARIABLE ALEATORIA DISCRETA
X: VALOR ASIGNADO
X=1 HAY ÉXITO
X=0 HAY FRACASO
El modelo es un ensa
p 0<=P<=1
1-p=q
DE P DEPENDE DE LAS CARACTERÍSTICAS DEL ESTUDIO

X: PRUEBA SENSORIAL DE UN REFRESCO DE COLA

1-P

Tarea:
V(X) Varianza de la vad tipo Bino
 D.E. de X Des. Estándar de la vad tipo

P(X=x)
0.4

0.35

0.3
sa,saa,asa,aas} 0.25

0.2

0.15
2 2 0.1

0.05

0
=(1/2)^3 0 0.5 1 1.5 2 2.5

=3*(1/2)^3
=3*(1/2)^3 ( 1/2 +1/2)^3
=(1/2)^3

x*P(X=x) ( x   ) 2 P( X  x)
0 0.28125
0.375 0.09375
0.75 0.09375
0.375 0.28125
1.5 0.75
E(X) VAR(X)
VALOR ESPERADO O D.E (X) 0.866025403784439
MEDIA DE X
OBS4 FORMA GENERAL PARA MEDIA Y VARIANZA
 
  E ( X )   0 xP( X  x)   E ( X )   xf ( x)dx
O CAMBIA 


 
 2  V ( X )   ( x   ) 2 P( X  x)  2  V ( X )   ( x  
x0 

 n  x n x
P[ X  x]    p q , 0  x  n f . p. p tipo Binom
 x
Suma(X=0 a X=5)
P(X<=5) 0.999670705675472

P(
P(X<=x)
0.4
1.2
0.35
1
0.3

0.8 0.25

0.2
0.6
0.15
0.4
0.1
0.2 0.05

0 0
0 5 10 15 20 25 0 5 10

VARIANZA DE X
v(x)=σ^2 =np(1-p)
 1.8

P(X=2) 0.188676801267654

X P(X=x) P(X<=x)

0 0.1073741824 0.1073741824

1 0.268435456 0.3758096384

2 0.301989888 0.6777995264

3 0.201326592 0.8791261184

4 0.088080384 0.9672065024

5 0.0264241152 0.9936306176

6 0.005505024 0.9991356416

7 0.000786432 0.9999220736

8 7.3728E-05 0.9999958016

9 4.096E-06 0.9999998976

10 1.024E-07 1

a P(X=8) 7.37280000000001E-05

b P(X=4) 0.088080384

c P(X>=4) 0.1208738816
 III. MODELO POISSON
La carácteristica de la variable aleatoria tipo Poisson es contar el No

dad de tiempo o espacio Ejem 1

Ejem 2
µ = E( X ) Valor promedio de éxitos por unidad de
  x
P[X  x]  e , x 
=EXP(1) x!
2.71828182845904
   *t
o Poisson se define:

mero de llamadas telefónicas que llegan a un conmutador se modela como una

n. Suponga que, en promedio, se reciben 10 llamadas por hora. Describir el

que lleguen exactamente cinco llamadas en una hora?

que se reciban tres o más llamadas en una hora?
que lleguen exactamente cinco llamadas en 30minutos?
u =10
probabilidades?

DESCRIBIMOS EL MODELO

legan aI conmutador por hora

 µ=10 10 por hora
POR CADA HORA
x
P[ X  x]  e  , x  0 ,1 , 2 ,...
x!
   *t
TO, ES DECIR X=0,1,2,3,4,……..

Usar la fórmula
vad tipo POISSON fpp FPA
X P(X=x) P(X<=x)
0 4.53999297624849E-05 4.53999297625E-05
1 0.000453999297625 0.000499399227387
2 0.002269996488124 0.002769395715512
3 0.007566654960414 0.010336050675926
4 0.018916637401035 0.029252688076961
5 0.037833274802071 0.067085962879032
6 0.063055458003451 0.130141420882483
7 0.090079225719216 0.220220646601699
8 0.11259903214902 0.332819678750719
9 0.125110035721133 0.457929714471852
10 0.125110035721133 0.583039750192986
11 0.113736396110121 0.696776146303107
12 0.094780330091768 0.791556476394874
13 0.072907946224437 0.864464422619311
14 0.052077104446026 0.916541527065337
15 0.034718069630684 0.951259596696021
 16 0.021698793519178 0.972958390215199
17 0.012763996187752 0.985722386402951
18 0.007091108993195 0.992813495396146
19 0.003732162627998 0.996545658024143
20 0.001866081313999 0.998411739338142
21 0.000888610149523 0.999300349487665
22 0.000403913704329 0.999704263191994
23 0.000175614654056 0.99987987784605
24 7.31727725233217E-05 0.999953050618573
25 2.92691090093287E-05 0.999982319727583
26 1.12573496189726E-05 0.999993577077202
27 4.16938874776762E-06 0.999997746465949
28 1.48906740991701E-06 0.999999235533359
29 5.13471520661037E-07 0.99999974900488
30 1.71157173553679E-07 0.999999920162053
0.999999920162054 casi "1"

La suma de probabilidades
puntuales es

nstrumento de prueba debidas a las partículas contaminantes de un producto, es una variable

que el instrumento no falle en una jornada de ocho horas?

que se presente al menos una falla en un periodo de 24 horas?

0,1,2,3,4,5,6,7,8,….
x No de fallas del instrumen
PROMEDIO
 X

a Mu=0.02*8 P(X=0)
Mu 0.16
b Mu=0.02*24 P(X>=1)=
Mu 0.48
X
0
1
2
3
4
x
P[ X  x]  e  , x  0 ,1 , 2 ,... 5
x! 6
   *t 7
8
9
10
11
12
13
14
15
16
17
 18
19
20
21
22

MODELO 4
V.a.d.

V.a.d.
 S

Números Reales

OS ELEMENTOS DEL ESPACIO MUESTRAL DE INTERES.

LOS VALORES ASIGNADOS A X SON DE CONTEO, x=0,1,2……

ES LA MEDICIÓN ASIGNADA ( EL RANGO DE X ES UBICADO EN UNA PARTE DE LOS NÚMEROS REAL
RIA DISCRETA
Función de probabilidad puntual
REGULARMENTE

o es un ensayo Bernoulli P(X=x)= ‫ ݌‬ሺͳെ

௫
(X, P(X=x) )

X=0
0.2

0.8 X=1

la vad tipo Binomial E(X)

ar de la vad tipo Binomial V(X)

(X=x)

P(X<=x)
1.2

0.8

0.6

0.4
5 2 2.5 3 3.5
0.2

0
0 0.5 1 1.5 2 2.5 3 3.

OBS5. Para el modelo Binomial

E(X) =np
V(X) =np(1-p)
E(X) 1.5
 V(X) 0.75

xf ( x)dx


X )   ( x   ) 2 f ( x)dx


tipo Binomial

P(X=x)

5 10 15 20 25
 d P(X<=5)

e P(4<=X<=7)

0.1208738816
s contar el No de éxitos por unidad de tiempo o espacio determinado.

No de llamadas recibidas en una central telefónica en un periodo de 24 hor

No de defectos encontrados en un metro^2 de tela


por unidad de tiempo o espacio 
 x
  E(X )  xP ( X  x )
, x  0 ,1 , 2 ,... 0
x!

 2  V ( X )   ( x   ) 2 P( X  x)
x 0

como una
ribir el

fpp para x
x
P[ X  x]  e  , x  0 ,1 , 2 ,...
x!
   *t
 P[X  x]  e , x  0 ,1 , 2 ,...
x!
   *t

10

0 ,1 , 2 ,...
VALOR ESPERADO

  E ( X )   0 xP ( X  x )
VARIANZA

V(X)

  V ( X )   ( x   ) P ( X  x)
2 2

( x   )2 P( X  x) x0
X*P(X=x)
0 0.00453999298
0.0004539992976 0.03677394311
0.0045399929762 0.14527977524
0.0226999648812 0.37076609306
0.0756665496041 0.68099894644
0.1891663740104 0.94583187005
0.3783327480207 1.00888732806
0.6305545800345 0.81071303147
0.9007922571922 0.4503961286
1.1259903214902 0.12511003572
1.2511003572113 0
1.2511003572113 0.11373639611
1.1373639611012 0.37912132037
0.9478033009177 0.65617151602
0.7290794622444 0.83323367114
0.5207710444603 0.86795174077
 0.3471806963068 0.78115656669
0.2169879351918 0.6254358132
0.1276399618775 0.45383097556
0.070911089932 0.30230517287
0.03732162628 0.1866081314
0.01866081314 0.10752182809
0.0088861014952 0.05816357342
0.0040391370433 0.02967887654
0.0017561465406 0.01434186341
0.0007317277252 0.00658554953
0.0002926910901 0.0028818815
0.0001125734962 0.00120495335
4.169388748E-05 0.00048245784
1.48906741E-05 0.00018536322
5.134715207E-06 6.84628694E-05
10.0000 10.000 3.16227185083985

E(X) V(X) D.E.

Iguales!!!!!!!!
o, es una variable aleatoria Poisson con

  x
P[X  x]  e
x!
   *t
del instrumento por hora
µ 0.02
 P(X=x)

0.85214378897

1-P(X=0) 0.38122
fórmula
P(X=x) P(X=x) P(X<=x)
0.6187833918061 0.61878 0.61878
0.2970160280669 0.29702 0.91580
0.0712838467361 0.07128 0.98708
0.0114054154778 0.01141 0.99849
0.0013686498573 0.00137 0.99986
0.0001313903863 0.00013 0.99999
1.05112309E-05 0.00001 1.00000
7.207701192E-07 0.00000 1.00000
4.324620715E-08 0.00000 1.00000
2.306464381E-09 0.00000 1.00000
1.107102903E-10 0.00000 1.00000
4.830994486E-12 0.00000 1.00000
1.932397794E-13 0.00000 1.00000
7.135007241E-15 0.00000 1.00000
2.446288197E-16 0.00000 1.00000
7.82812223E-18 0.00000 1.00000
2.348436669E-19 0.00000 1.00000
6.630880006E-21 0.00000 1.00000
1.768234668E-22 0.00000 1.00000
4.467119162E-24 0.00000 1.00000
1.072108599E-25 0.00000 1.00000
2.45053394E-27 0.00000 1.00000
5.346619506E-29 0.00000 1.00000
E(X)

para .48

MODELO HIPERGEOMÉTRICO

TIPO K
 N Tamaño de la población o cardinalidad del espacio mues
K Objetos o individuos del tipo K
(N-K) Objetos o individuos del tipo (N-K)
n Tamaño de la muestra
Seleccionar una muestra de tamaño n de la población y co
del tipo K
X: No DE OBJETOS DE TIPO K EN LA MUESTRA SELECCIONADA DE TAMAÑO n

Para la v.a.d X, tipo hipergeométrica la función de probabil

f.p.p.
tipo HIPERGEOMÉTRICA

1. Un embarque de 7 televisores contiene 2 unidades defec

de unidades defectuosas en la compra del hotel, encuentre
UN DIAGRAMA DE PUNTOS para la variable X y su respecti

X No de TV defectuosas al seleccionar 3 de
N
n
K
N-K
n-x
 Otro ejemplo. Lo mismo Rx

X No. De grabadoras defectuosas

datos
poblacion
muestra
poblacion de interes G. defectuosas
G.no defectuosas

14
N
n
K
N-K
 X

Rx

46

Definir X
N
n
K
N-k

P(X
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0 0.5 1 1.5 2
𝑃(𝑋=𝑥)=(█(𝐾@𝑥))(█(𝑁−𝐾@𝑛−𝑥))/
((█(𝑁@𝑛)) )
X=0,1,2,3,........min(n,k)
 0

91.500kg

1
Usaremos la letra X
Los valores asignados con x

UNA PARTE DE LOS NÚMEROS REALES O EN TODOS LOS NÚMEROS REALES )

robabilidad puntual

ଵି௫
P(X=x)= ‫ ݌‬ሺͳെ‫݌‬ሻ ‫ݔ ݅ݏ‬ൌͲ‫ݔ݋‬ൌͳ
௫
DISTRIBUCIÓN DE PROBABILIDADES

NO RECONOCE LA MARCA

RECONOCE LA MARCA

np
 np(1-p)

P(X<=x)

6. ¿Puede señalar la diferencia

NUBLADO en una prueba de d
por una u otra marca. Sin emba
el café de la empresa, sólo 75%
una muestra de 60 estudiantes
1.5 2 2.5 3 3.5

a. Justifique el tipo de modelo

b. ¿Cuál es la probabilidad de
identifiquen correctamente su
c. ¿Cuál es la probabilidad de q
STARCONFRIO o CIELITO NU
d. Determine el promedio de es
e. Obtenga la distribución de pr

a X es una vad tipo BINOMIAL, y

n 60
 p 0.75
1-p 0.25
Las pruebas son independientes
b
P(X<=25) 4.3E-08
c
P(30<=X<=40) 0.0924758949136
d
PROMEDIO=MEDIA=VALOR ESPERADO

P(X=x)
0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
0 10 20 30 40 50 60 70
0.9936306176

0.1207959552
spacio determinado.

nica en un periodo de 24 horas



 0
xP ( X  x )

  ( x   ) 2 P( X  x)
x0

  E( X )  

 2 V(X ) 
  2 V(X ) 

E(X)


( X )   ( x   ) P( X  x)
2

x0

P(X<5) =
a) P(X=5) 0.037833274802071

b) P(X>=3)= 1-P(X<=2)

c) Ahora, cambiamos mu µ 5

P(x=5) 0.175467369767851
0.175467369767851

Distribución de Probabilidad tipo Poisson para mu=10

P(X=x)
0.14

0.12

0.1

0.08

0.06

0.04
 0.12

0.1

0.08

0.06

0.04

0.02

0
0 5 10 15 20 25 30 35

notar

E(X)=V(X) son iguales sólo en Poisson

  x
 x]  e , x  0 ,1 , 2 ,...
x!
 *t

por hora
X*P(X=x)
0 Distribución de probabilidad Poisson para mu
0.297016028066948
0.70000
0.142567693472135 0.60000

0.034216246433312 0.50000

0.00547459942933 0.40000

0.00065695193152 0.30000

6.30673854258813E-05 0.20000

5.04539083407051E-06 0.10000

3.45969657193406E-07 0.00000
0 5

2.07581794316044E-08
1.1071029030189E-09
5.31409393449072E-11 Distribución de probabilid
2.31887735323231E-12 1.20000
9.27550941292926E-14
1.00000
3.42480347554311E-15
0.80000
1.17421833447192E-16
0.60000
3.75749867031015E-18
0.40000
1.12724960109305E-19
0.20000

0.00000
 0.60000

0.40000

3.18282240308625E-21 0.20000

8.48752640823E-23 0.00000
0 5
2.14421719786863E-24
5.14612127488471E-26
1.17625629140222E-27
0.48

POBLACIÓN

TOTAL N
TIPO (N-K)
MUESTRA
TAMAÑO n
ardinalidad del espacio muestral

tipo (N-K)
n<N
amaño n de la población y contar el número de objetos o individuos

LECCIONADA DE TAMAÑO n

métrica la función de probabilidad puntual se define

SIG.

es contiene 2 unidades defectuosas. Un hotel realiza una compra al azar de 3 de los

compra del hotel, encuentre la distribución de probabilidad de X. Exprese los resul
ra la variable X y su respectiva probabilidad.

fectuosas al seleccionar 3 de 7
7 Población
3 Muestra
2 TV DEFECTUOSAS
5 NO DEFECTUOSAS
 {0,1,2}

X P(X=x)
0 0.19369195046
1 0.44020897833
2 0.29347265222
adoras defectuosas 3 0.0677244582
4 0.0048374613
5 6.4499484E-05
1
N 20
n 5 Ver libro
K 5
N-K 15 En fpp
N-n 15
N-1 19 E(X)=
V(X)

15
12
8
7
 No de ejecutivos enviados con conocimiento

{0, 1,2,……,7,8}

P(X=5) 0.12307692308

El número de pastillas seleccionados con azucar.

20 X
4 0
8 1
12 2
3
4
P(X=x)

0.5 1 1.5 2 2.5 3 3.5 4 4.5

X No de acciones con utilidad

 n 8
p 0.23

X P(X=x)
0 0.123573629154768
1 0.295292828110095
2 0.308715229387827
3 0.184427279894026
4 0.068860835025367
5 0.016455056681386
6 0.002457573400467
7 0.000209737247535
8 7.8310985281E-06
P(X=8) 7.8310985281E-06
P(X>5) 0.00267514174653
Media 1.84

X No de usuarios por unidad de tiempo

mu 6
por cada hora
x*P(X=x) x P(X=x)
0 0 0.002478752176666
0.014872513059998 1 0.014872513059998
0.089235078359989 2 0.044617539179995
0.267705235079967 3 0.089235078359989
0.535410470159933 4 0.133852617539983
0.8031157052399 5 0.16062314104798
0.96373884628788 6 0.16062314104798
0.96373884628788 7 0.137676978041126
0.826061868246754 8 0.103257733530844
0.619546401185066 9 0.068838489020563
0.413030934123377 10 0.041303093412338
0.247818560474026 11 0.022528960043093
0.13517376025856 12 0.011264480021547
0.06758688012928 13 0.005198990779175
0.031193944675052 14 0.002228138905361
0.013368833432165 15 0.000891255562144
0.005347533372866 16 0.000334220835804
0.002005325014825 17 0.00011796029499
0.000707761769938 18 3.93200983298978E-05
0.000235920589979 19 1.24168731568098E-05
7.4501238940859E-05 20 3.72506194704295E-06
6.0
1. Un negocio de computadoras que atiende pedido
telefónicas Denotemos por X el número de líneas en us
Supongamos que la función de probabilidad puntual de X
X 0 1 2 3 4
P(X=x) .10 .15 .20 .25 .20
1. Un negocio de computadoras que atiende pedido
telefónicas Denotemos por X el número de líneas en us
Supongamos que la función de probabilidad puntual de X
X 0 1 2 3 4
P(X=x) .10 .15 .20 .25 .20
Calcule la probabilidad de que cada uno de los siguientes
a. A lo sumo 3 líneas están en uso;
b. Menos de 3 líneas en uso;
c. Por lo menos 3 líneas están en uso;
d. Entre 2 y 5 líneas están en uso.

4. La función de proba
de una tela sintética en

Construya la función d

X
0
1
2
3
4
Ejemplo 1 vad

X : Estado Civil X=0 sig. La persona es soltera

Rx={0,1,2,3} X=1, sig La persona es casada,etc….
X: SEXO
Rx={0,1} X=0 sig. La persona es de sexo femenino
X=1, sig La persona es de sexo masculino
X: No de tarjetas de crédito emitidas en un mes por una banco
Rx= {0,1,2,3,4,5,6,7,………………………}

mu E(X)
MODELO BERNOUL sigma^2 V(X)
 ar la diferencia entre un café capuchino de las empresas STARCONFRIO Y
na prueba de degustación a ciegas? La mayoría afirma que puede hacerlo y
marca. Sin embargo, las investigaciones sugieren que la gente identifica corr
presa, sólo 75% de las veces. Suponga que decide investigar esta cuestión y
60 estudiantes universitarios.
tipo de modelo que utilizará para justificar lo que se pide
probabilidad de que a lo más 25 de los estudiantes que participaron en la
rrectamente su marca?
robabilidad de que entre 30 y 40, estudiantes, inclusive, identifiquen corr
O o CIELITO NUBLADO?
promedio de estudiantes que reconocen la marca.
stribución de probabilidad para la variable aleatoria

ad tipo BINOMIAL, ya que cuenta el número de estudiantes que reconocen la marca

MODELO
 CON fx
fpp fpp
Rango de X P(X=x) p(X=x)
0 7.523163845263E-37 7.523164E-37
4.3E-08 1 1.354169492147E-34 1.354169E-34
2 1.19844000055E-32 1.19844E-32
0.09247589491 3 6.950952003192E-31 6.950952E-31
4 2.971531981365E-29 2.971532E-29
5 9.984347457385E-28 9.984347E-28
6 2.745695550781E-26 2.745696E-26
7 6.35432398895E-25 6.354324E-25
8 1.262921892804E-23 1.262922E-23
9 2.189064614193E-22 2.189065E-22
10 3.349268859716E-21 3.349269E-21
11 4.567184808703E-20 4.567185E-20
12 5.594801390661E-19 5.594801E-19
13 6.197318463502E-18 6.197318E-18
14 6.241585023956E-17 6.241585E-17
15 5.742258222039E-16 5.742258E-16
16 4.845030374845E-15 4.84503E-15
50 60 70 17 3.762023585174E-14 3.762024E-14
18 2.696116902708E-13 2.696117E-13
19 1.787951209164E-12 1.787951E-12
20 1.099589993636E-11 1.09959E-11
21 6.283371392206E-11 6.283371E-11
22 3.341611149491E-10 3.341611E-10
23 1.656276830617E-09 1.656277E-09
24 7.660280341606E-09 7.66028E-09
25 3.309241107574E-08 3.309241E-08
26 1.336424293443E-07 1.336424E-07
27 5.048713997452E-07 5.048714E-07
 28 1.785081020528E-06 1.785081E-06
29 5.909233723126E-06 5.909234E-06
30 1.831862454169E-05 1.831862E-05
31 5.318310350814E-05 5.31831E-05
32 0.000144591562663 0.0001445916
33 0.000368051250414 0.0003680513
34 0.000876827978928 0.000876828
35 0.001954073781611 0.0019540738
36 0.004070987045023 0.004070987
37 0.007921920736262 0.0079219207
38 0.014384540284265 0.0143845403
39 0.024343068173371 0.0243430682
40 0.038340332373059 0.0383403324
41 0.05610780347277 0.0561078035
42 0.076146304713044 0.0761463047
43 0.095625591965219 0.095625592
44 0.110838754323322 0.1108387543
E(X) 45 0.118228004611543 0.1182280046
46 0.115657830598249 0.1156578306
47 0.10335380606652 0.1033538061
48 0.083974967429048 0.0839749674
49 0.061695894437668 0.0616958944
50 0.040719290328861 0.0407192903
51 0.023952523722859 0.0239525237
52 0.012436887317639 0.0124368873
53 0.005631798030629 0.005631798
 54 0.002190143678578 0.0021901437
55 0.000716774294807 0.0007167743
56 0.000191993114681 0.0001919931
57 4.041960309064E-05 4.04196E-05
58 6.272007376133E-06 6.272007E-06

59 6.378312585898E-07 6.378313E-07
60 3.189156292949E-08 3.189156E-08
1


  E( X )  0 xP( X  x)

  E( X )   xf (x)dx

 
  V ( X )   (x  ) P( X  x)
2 2
 V(X ) 
2
 (x  )
2
f (x)dx
x 0 
 0 

 
  V ( X )   (x  ) P( X  x)
2 2
 V(X ) 
2
 (x  )
2
f (x)dx
x 0 

P(X=0)+P(X=1)+P(X=2)+P(X=3)+P(X=4) P(<=4)

0.99723060428
0.99723060428

EN PROMEDIO 5 POR CADA MEDIA HORA

x
 
P[X  x]  e , x  0 ,1 , 2 ,...
x!
   *t

Distribución de probabilidad acumulada.

P(X<=x)
1.2

0.8

0.6

0.4

0.2
 1

0.8

0.6

0.4

0.2

0
0 5 10 15 20 25 30 35

X No de personas que llegan a un despaccho de consultoría

µ 12 por mes

MODELO
Poisson para mu=0.48
fpp

5 10 15 20 25

ión de probabilidad acumulada para una vad Poisson con mu=0.48

P(X<=x)
 5 10 15 20 25

IPO (N-K)
 LA PROBABILIDAD DE OBTENER x OBJETOS DEL TIPO K EN UNA MUESTRA DE
P(𝑋=𝑥)=(█(𝐾@𝑥))(█(𝑁−𝐾@𝑛−𝑥))/
((█(𝑁@𝑛)) )
E(X)
V(X) X=0,1,2,3,........min(n,k)
al azar de 3 de los televisores. Si X es el número
Exprese los resultados de forma gráfica como

f.p.p f.p.a Con fx

X P(X=x) P(X<=x) P(X=x)
0 0.28571 0.28571 0.28571429
1 0.57143 0.85714 0.57142857
2 0.14286 1.00000 0.14285714
1.00000
Cada sumando del valor esperado
 Cada sumando de la varianza

P(X<=x) xP(X=x) (x-E(X))^2*P(X=x)

0.1936919505 0 0.3026436726006
0.6339009288 0.4402089783 0.0275130611455
0.927373581 0.5869453044 0.1650783668731
0.9950980392 0.2031733746 0.2074061532508
0.9999355005 0.0193498452 0.0365833010836
1 0.0003224974 0.0009070239938
1.25 0.7401315789474 suma
E(X) V(X)

notar M=K
x =k

1.25
0.7401315789

X P(X=x)
0 0
1 0
2 0
3 0
 4 0
5 0.12307692
6 0.43076923
7 0.36923077
8 0.07692308

P(X=x) x*P(X=x)
0.1021671827 0
0.3632610939 0.3632610939112
0.3814241486 0.7628482972136
0.1386996904 0.4160990712074
0.0144478844 0.0577915376677 E(X)
1.6 Media o Valor esperado

con utilidad
 x*P(X=x) (x-Mu)^2*P(X=x)
0 0.418370878866383
0.295292828110095 0.208358619514483
0.617430458775654 0.007903109872328
0.553281839682079 0.248165347825402
0.275443340101468 0.321277111894352
0.082275283406932 0.164313613997652
0.014745440402801 0.042529782239118
0.001468160732746 0.005584380057973
6.26487882248E-05 0.000297155732308
1.84 1.4168 1.4168
Varianza o variancia

por unidad de tiempo

1 0.5
Por cada 10 minutos Por cada 5 min
P(X=x) P(X=x)
0.367879441171442 0.606530659712634 a P(X=6)
0.367879441171442 0.303265329856317 b P(X=0)
0.183939720585721 0.075816332464079
0.06131324019524 0.01263605541068
0.01532831004881 0.001579506926335
0.003065662009762 0.000157950692633 3 POISSON
0.000510943668294 1.3162557719458E-05 0.7
7.2991952613381E-05 9.4018269424701E-07 0.6
9.1239940766727E-06 5.8761418390438E-08
0.5
1.0137771196303E-06 3.2645232439132E-09
1.0137771196303E-07 1.6322616219566E-10 0.4
9.2161556330027E-09 7.4193710088937E-12 0.3
7.6801296941689E-10 3.0914045870391E-13
0.2
5.9077920724376E-11 1.1890017642458E-14
4.2198514803126E-12 4.2464348723064E-16 0.1
2.8132343202084E-13 1.4154782907688E-17 0
1.7582714501303E-14 4.4233696586525E-19 0 5 10 15

1.034277323606E-15 1.3009910760743E-20 P(X=x) P(X=x) P(X=x)

5.7459851311446E-17 3.6138641002063E-22
3.0242027006024E-18 9.5101686847534E-24
1.5121013503012E-19 2.3775421711884E-25

s que atiende pedidos por correo tiene seis líneas

número de líneas en uso en un momento especificado.
obabilidad puntual de X está dada en la tabla siguiente.
0 1 2 3 4 5 6
.10 .15 .20 .25 .20 .06 .04
 s que atiende pedidos por correo tiene seis líneas
número de líneas en uso en un momento especificado.
obabilidad puntual de X está dada en la tabla siguiente.
0 1 2 3 4 5 6
.10 .15 .20 .25 .20 .06 .04
da uno de los siguientes eventos.
o;

uso;
SUMA DE PROB. PUNTUA

a
b
c
d

4. La función de probabilidad puntual de X, el número de imperfecciones por 10 metros

de una tela sintética en rollos continuos de ancho uniforme, está dada por

X 0 1 2 3 4
P(X=x) 0.41 0.37 0.16 0.05 0.01
Construya la función de probabilidad acumulada de X.

P(X=x) P(X<=x) X*P(X=x)

0.41 0.41 0 0.317504
0.37 0.78 0.37 0.005328
0.16 0.94 0.32 0.200704
0.05 0.99 0.15 0.22472
0.01 1 0.04 0.097344
E(X) 0.88 0.8456

  E ( X )   0 xP ( X  x )   E ( X )   xf ( x ) dx



 
  V ( X )   ( x   ) P ( X  x )   V ( X )   ( x   ) 2 f ( x ) dx
2 2 2

x0 
 
  E ( X )   0 xP ( X  x )   E ( X )   xf ( x ) dx



 
  V ( X )   ( x   ) P ( X  x )   V ( X )   ( x   ) 2 f ( x ) dx
2 2 2

x0 

DISTRIBUCION DE PROBABILIDAD ACUMULADA

1.2

0.8

0.6

0.4

0.2

0
0 0.5 1 1.5 2 2.5 3 3.5 4

13
. La función de probabilidad puntual de la variable X es

x 3 x
 3  1   3 
f ( x)  P ( X  x )       , x=0,1,2,3.
 x  4   4 
Encuentre la media de X.
MODELO BINOMIAL
X P(X=x)
0 0.421875
1 0.421875
2 0.140625
3 0.015625

16. Una compañía que produce cristal fino sabe por experiencia que el 10% de sus copas
tiene imperfecciones y deben clasificarse como “de segunda”.
a. Entre seis copas seleccionadas al azar, ¿qué tan probable es que sólo una sea “de
segunda” .
b. Entre seis copas seleccionadas al azar, ¿cuál es la probabilidad de que por lo menos
dos sean de segunda?

X COPAS DE SEGUNDA X
P 0.1 0
 n 6 1
1-P 0.9 2
3
4
5
6
A P(X=1)

B P(X>=2)
Ejemplo 2 vac

X: Toneladas de basura recolectada por día en CDMEX

X: Utilidad mensual por las Tiendas Totalmente Palacio.
X: Inversión mensual en bonos a 28 días en BANAMEX

P 0*(1-P)+1*P =P
P(1-P) P^2(1-P)+(1-P)^2P(1-P)(P+(1-P))=P(1-P)
s STARCONFRIO Y CILELITO
que puede hacerlo y se inclina
ente identifica correctamente
igar esta cuestión y selecciona

e
e participaron en la encuesta

e, identifiquen correctamente

ocen la marca Rx { 0,1,2,3,……..58.59,60}

 Fpa
P(X<=x) X*P(X=x)
( x   ) 2 P( X  x)
7.52316385E-37 0 1.523440679E-33
1.36169266E-34 1.35416949215E-34 2.621672137E-31
1.21205693E-32 2.3968800011E-32 2.215915561E-29
7.0721577E-31 2.08528560096E-30 1.226147933E-27
3.04225356E-29 1.18861279255E-28 4.995145261E-26
1.02885728E-27 4.99217372869E-27 1.597495593E-24
2.84858128E-26 1.64741733047E-25 4.176202933E-23 
6.63918212E-25
1.32931371E-23
4.44802679226E-24
1.01033751424E-22
9.17564384E-22
1.728940071E-20  2  V ( X )   (x 
2.32199599E-22 1.97015815277E-21 2.83702774E-19 x 0
3.58146846E-21 3.34926885972E-20 4.102854353E-18

  E ( X )   0 xP
4.92533165E-20 5.02390328957E-19 5.279665639E-17 
6.08733456E-19 6.71376166879E-18 6.092738714E-16
6.80605192E-18 8.05651400255E-17 6.346054107E-15
6.92219022E-17 8.73821903354E-16 5.998163208E-14
6.43447724E-16 8.61338733306E-15 5.1680324E-13
5.4884781E-15 7.75204859975E-14 4.074670545E-12
4.3108714E-14 6.3954400948E-13 2.949426491E-11
3.12720404E-13 4.85301042487E-12 1.965469222E-10
2.10067161E-12 3.39710729741E-11 1.208655017E-09
1.30965715E-11 2.19917998727E-10 6.87243746E-09
7.59302855E-11 1.31950799236E-09 3.619221922E-08
4.100914E-10 7.35154452888E-09 1.767712298E-07
2.06636823E-09 3.80943671042E-08 8.01637986E-07
9.72664857E-09 1.83846728199E-07 3.378183631E-06
4.28190596E-08 8.27310276893E-07 1.323696443E-05
1.76461489E-07 3.47470316295E-06 4.824491699E-05
6.81332889E-07 1.36315277931E-05 0.0001635783335
2.46641391E-06 4.99822685748E-05 0.0005158884149
8.37564763E-06 0.000171367777971 0.0015127638331
2.66942722E-05 0.000549558736251 0.0041216905219
7.98773757E-05 0.001648676208752 0.0104238882876
0.000224468938 0.004626930005208 0.02443597409
0.000592520189 0.012145691263671 0.0529993800597
0.001469348168 0.029812151283556 0.1060961854503
0.003423421949 0.068392582356393 0.1954073781611
0.007494408994 0.146555533620841 0.3297499506469
0.015416329731 0.293111067241682 0.5070029271207
0.029800870015 0.546612530802057 0.704842473929
0.054143938188 0.949379658761466 0.8763504542414
0.092484270561 1.53361329492237 0.9585083093265
0.148592074034 2.30041994238355 0.8977248555643
0.224738378747 3.19814479794786 0.6853167424174
0.320363970712 4.1119004545044 0.3825023678609
0.431202725036 4.87690519022615 0.1108387543233
0.549430729647 5.32026020751944 0
0.665088560245 5.32026020751944 0.1156578305982
0.768442366312 4.85762888512644 0.4134152242661
0.852417333741 4.03079843659428 0.7557747068614
0.914113228179 3.02309882744571 0.9871343110027
0.954832518508 2.03596451644303 1.0179822582215
0.97878504223 1.22157870986582 0.8622908540229
0.991221929548 0.646718140517198 0.6094074785643
0.996853727579 0.298485295623322 0.3604350739602
 0.999043871257 0.118267758643203 0.1774016379648
0.999760645552 0.039422586214401 0.0716774294807
0.999952638667 0.010751614422109 0.0232311668763
0.99999305827 0.002303917376166 0.0058204228451
0.999999330277 0.000363776427816 0.0010599692466

0.999999968108 3.76320442568E-05 0.0001250149267

1 1.91349377577E-06 7.175601659E-06
7.52316E-37 45 11.25
7.52316E-37 E(X) = µ V(X)
7.52316E-37 =60*0.75 =60*0.75*0.25

3.3541019662497 SIGMA

) 2 f (x)dx
) 2 f (x)dx

0.029252688077
0.029252688077
 En promedio, 12 personas
a. Defina la distribución de
b. ¿Cuál es la probabilidad
c. ¿Cuál es la probabilidad
d. ¿Cuál es la probabilidad

ho de consultoría

X
0
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
25 17
18
19
20
21
22
23
P(X<=x) 24
25
26
 27
28
25
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
EN UNA MUESTRA DE TAMAÑO n.
𝑛−𝑥))/ P(X=x)
0.60000 1.20000

0.50000
..min(n,k) 1.00000
0.40000
0.80000
0.30000
0.60000
0.20000
0.40000
0.10000

0.00000 0.20000
0 0.5 1 1.5 2 2.5
0.00000
0 0.5

P(X<=x) X*P(X=x)
0.2857142857 0
0.8571428571 0.57142857143
1 0.28571428571
0.8571428571429
   E ( X )   0 xP ( X  x ) P(𝑋=𝑥)=(█(𝐾@𝑥))(█(𝑁−𝐾@

DEFINICIONES DE VALOR ESPERADO Y VARIANZA PARA VAD

((█(𝑁@𝑛)) )
E(X) X=0,1,2,3,......

V(X)  2  V ( X )   ( x   ) 2 P ( X  x)
x0

"TALACHA"

0.857142857142857
 0.2615479876
0.1307739938
0.0610278638
0.2718513932
0.0832198142 V(X) 0.808421052631579

Valor esperado Varianza o Variancia

 0.16062314104798
0.367879441171442

3 POISSON

10 15 20 25

P(X=x) P(X=x) P(X=x)

 X P(X=x)
0 0.1
1 0.15
2 0.2
3 0.25
4 0.2
5 0.06
6 0.04
SUMA DE PROB. PUNTUAL 1

P(X<=3) 0.7
P(X<3) 0.45
P(X>=3) 0.55
P(2<X<5) 0.45

DISTRIBUCION DE PROBABILIDAD PUNTUAL

0.45

0.4

0.35

0.3

0.25
V(X)
0.2

0.15

0.1

0.05

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
 0.2

0.15

0.1

0.05

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

LADA

3 3.5 4 4.5

0
0.421875
0.28125
0.046875
0.75 E(X)

a que el 10% de sus copas

es que sólo una sea “de

dad de que por lo menos

P(X=x)
0.531441
0.354294
0.098415
0.01458
0.001215
5.4E-05
1E-06
0.354294

0.114265
 b P(X<=25) 4.281905965E-08

c P(30<=X<=40) 0.0924758949136

d E(X) 45

 e

 V ( X )   ( x   ) P( X  x)
Distribución Binomial
2 Reconoce la marca
0.14
x 0 0.12
=np(1-p) 0.1

 E ( X )   0 xP( X  x)
 0.08

0.06

0.04
np
0.02

0
0 10 20 30 40
1. En un estudio de higiene industrial y seguridad, es d
de carburadores en la fabricación de autos, el número d
tiene un promedio de 5.0 accidentes por mes. Def
probabilidad. Luego, estimar los siguientes enunciados:
(a) ¿Cuál es la probabilidad de que ocurran 10 accidente
(b) ¿Cuál es la probabilidad de que ocurran cuando meno
(c) ¿Cuál es la probabilidad de que no habrán más de 2
luego P(X<=25)
σ D.e
dio, 12 personas por mes llegan a un despacho de consultoría para solicitar
a distribución de probabilidad adecuada. Es decir defina X, su rango y la pro
s la probabilidad de que lleguen menos de 10 personas al despacho en un m
la probabilidad de que lleguen al menos cinco personas al despacho en un
s la probabilidad de que lleguen 15 personas al despacho en un semestre?

mu 12 por mes
X No de personas que llegan a un despacho de consultoría
p(X=x) p(X<=x) P(X<10)
6.1442123533E-06 6.14421235333E-06
7.373054824E-05 7.98747605933E-05 P(X>=5)=1-P(X<=4)
0.0004423832894 0.000522258050033
0.0017695331578 0.002291791207791
0.0053085994733 0.007600390681067
0.0127406387359 0.020341029416928
0.0254812774717 0.045822306888651
0.0436821899515 0.089504496840176 fpp
0.0655232849273 0.155027781767463 0.14

0.087364379903 0.242392161670512 0.12

0.1048372558837 0.347229417554172 0.1

0.1143679155094 0.461597333063618 0.08

0.1143679155094 0.575965248573065 0.06

0.1055703835472 0.681535632120246 0.04

0.0904889001833 0.772024532303544 0.02

0.0723911201466 0.844415652450183 0
0 5 10 1
0.05429334011 0.898708992560162
0.0383247106659 0.937033703226029
0.0255498071106 0.962583510336608
0.0161367202804 0.978720230616973
0.0096820321682 0.988402262785192
0.0055325898104 0.993934852595603
0.0030177762602 0.996952628855827
0.0015744919619 0.998527120817683
0.0007872459809 0.999314366798611
0.0003778780708 0.999692244869457
0.0001744052635 0.999866650132924
 7.751345043E-05 0.999944163583354
3.3220050184E-05 0.999977383633538
1.3746227662E-05 0.999991129861201
5.498491065E-06 0.999996628352266
2.1284481542E-06 0.99999875680042
7.9816805782E-07 0.999999554968478
2.9024293012E-07 0.999999845211408
1.0243868122E-07 0.999999947650089
3.512183356E-08 0.999999982771922
1.1707277853E-08 0.9999999944792
3.7969549795E-09 0.999999998276155
1.1990384146E-09 0.999999999475194
3.6893489679E-10 0.999999999844129
1.1068046904E-10 0.999999999954809
3.2394283621E-11 0.999999999987203
9.2555096059E-12 0.999999999996459
2.5829329133E-12 0.999999999999042
7.0443624908E-13 0.999999999999746
1.8784966642E-13 0.999999999999934
4.9004260805E-14 0.999999999999983
1.2511726163E-14 0.999999999999996
3.1279315408E-15 0.999999999999999
7.660240508E-16 1
1.8384577219E-16 1

1
 P(X<=x)
1.20000

1.00000

0.80000

0.60000

0.40000

0.20000

0.00000
0 0.5 1 1.5 2 2.5
ANZA PARA VAD
█(𝐾@𝑥))(█(𝑁−𝐾@𝑛−𝑥))/
)
X=0,1,2,3,........min(n,k)
 3. Un embarque de 15 televisores contiene 5 unidades defe
compra al azar de 10 de los televisores. Si X es el número
compra el hotel, encuentre la función de probabilidad punt
de probabilidades.

X No DE TV DEFECTUOSAS
N 15
K 5
N-K 10
n 10

NTUAL

12. La función de probabilidad puntual de la variable X es

x 3 x
 3  1   3 
f ( x)       , x=0,1,2
 x  4   4 
Encuentre la media de X.
3.5 4 4.5
 12. La función de probabilidad puntual de la variable X es

x 3 x
 3  1   3 
f ( x)       , x=0,1,2
 x  4   4 
Encuentre la media de X.
3.5 4 4.5

X
0
1
2
3

15. Una compañía que p

tiene imperfecciones y d
a. Entre seis copas sele
segunda”.
b. Entre seis copas sele
dos sean de segunda?
 4.2819059648382E-08

0.092475894913646

Distribución Binomial
Reconoce la marca

20 30 40 50 60 70
industrial y seguridad, es decir, en una fábrica de ensamblamientos
cación de autos, el número de accidentes en esta planta de ensambles
accidentes por mes. Define las características del modelo de
r los siguientes enunciados:
de que ocurran 10 accidentes en un mes dado? P(X=10)
de que ocurran cuando menos 2 accidentes? 1-P(X=0)-P(X=1)
de que no habrán más de 25 accidentes en un año? Mu es 5*12=60,
X No de Accidentes por mes
mu 5
X tiene distribución Poisson

NOTA: X NO TIENE UN VALOR FINITO

nsultoría para solicitar un servicio de investigación de mercados.
fina X, su rango y la probabilidad puntual,
as al despacho en un mes?
onas al despacho en un mes?
acho en un semestre?

n despacho de consultoría
0.24239216167 0.24239216
5)=1-P(X<=4) 0.99239961 0.992399609

µ 72

2.98047263206E-16 P(X=15)

fpp poisson
0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
0 5 10 15 20 25 30 35
  n  x n x
P[ X  x]    p q , 0 
 x
X No de copas defectuosas

n 6

p 0.1

1-p 0.9
es contiene 5 unidades defectuosas. Un HOTEL hace una
evisores. Si X es el número de unidades defectuosas que
nción de probabilidad puntual de X. Traza la distribución

X P(X=x) P(X<=x)
0 0.000333000333 0.000333
1 0.01665001665 0.016983
2 0.14985014985 0.1668332
3 0.3996003996 0.5664336
4 0.34965034965 0.9160839
5 0.083916083916 1
CALCULAR:
P(X=3) 0.3996003996
P(X<=3) 0.566433566434
P(X>3) 0.433566433566 1-P(X<=3)

abilidad puntual de la variable X es

x 3 x
 3  1   3 
f ( x )       , x=0,1,2,3.
 x  4   4 
X.
abilidad puntual de la variable X es

x 3 x
 3  1   3 
f ( x )       , x=0,1,2,3.
 x  4   4 
X.

n 3
P 0.25
MODELO BINOMIAL 1-P 0.75

P(X=x) P(X=x) X*P(X=x) P(X<=x)

0.421875 0.421875 0 0.421875
0.421875 0.421875 0.421875 0.84375
0.140625 0.140625 0.28125 0.984375
0.015625 0.015625 0.046875 1
0.75
E(X) 0.75
15. Una compañía que produce cristal fino sabe por experiencia que el 10% de sus copas
tiene imperfecciones y deben clasificarse como “de segunda”.
a. Entre seis copas seleccionadas al azar, ¿qué tan probable es que sólo una sea “de
segunda”.
b. Entre seis copas seleccionadas al azar, ¿cuál es la probabilidad de que por lo menos
dos sean de segunda?

x COPAS DE 2a
n 6 X P(X=x)
p 0.1 0 0.531441
1 0.354294
2 0.098415
3 0.01458
4 0.001215
5 5.4E-05
6 1E-06
a
P(X=1) 0.354294

b
P(X>=2) 0.114265 0.114265

P(X<=2)
 P(X=
0.25

0.2

0.15

0.1

0.05

0
0 5 10 15
Algunas de las investigaciones sobre hábitos de consumo mencionan que la gente recuerda los
anuncios comerciales contratados durante el tiempo de cierto programa de T.V. ,sólo 90% de las
decide investigar esta cuestión y selecciona una muestra de 50 estudiantes universitarios.
a. Justifique el tipo de modelo que utilizará para la variable aleatoria discreta: X número de tele
recuerdan el contenido de los comerciales.
b. Determine la función de probabilidad puntual y acumulada para la en número de televidente
contenido de los comerciales
b. ¿Cuál es la probabilidad de que por lo mucho 15 de los televidentes que participaron en la en
el contenido del comercial?
c. ¿Cuál es la probabilidad de que al menos cinco de los televidentes, recuerden el contenido d
d. ¿Cuál es el valor esperado de los televidentes que recuerdan el contenido de los anuncios com
b. ¿Cuál es la probabilidad de que por lo mucho 15 de los televidentes que participaron en la en
el contenido del comercial?
c. ¿Cuál es la probabilidad de que al menos cinco de los televidentes, recuerden el contenido d
d. ¿Cuál es el valor esperado de los televidentes que recuerdan el contenido de los anuncios com

X NO DE TELEVIDENTES QUE RECUERDAN EL CONTENIDO X P(X=x)

RANGO {0,1,,,,,,,,,,50} 0 1E-50
p 0.9 1 4.5E-48

1-p=q 0.1 2 9.9225E-46

n 50 3 1.42884E-43
4 1.510998E-41
P(X<=15) 4.85818253492152E-24 5 1.251107E-39
OTRA MANERA 4.85818253492154E-24 6 8.444969E-38
USAR LA PROB. ACUM. 7 4.77744E-36
8 2.311087E-34
P(X>=5) 1 9 9.706563E-33
OTRA MANERA =1-P(X<5) 10 3.581722E-31
1 11 1.1722E-29
USAR COMPLEMENTO Y LA PROB. ACUM. 12 3.428685E-28
=1-P(X<=4) 1 13 9.020078E-27
VALOR ESPERADO 14 2.14549E-25
E(X) 45 15 4.634258E-24
16 9.123696E-23
17 1.642265E-21
18 2.709738E-20
19 4.107392E-19
20 5.729812E-18
21 7.366901E-17
22 8.739824E-16
23 9.575807E-15
24 9.695504E-14
25 9.074992E-13

26 7.853358E-12

27 6.282687E-11

28 4.644701E-10

29 3.171209E-09

30 1.997862E-08

31 1.160049E-07

32 6.199011E-07

33 3.043151E-06

34 1.369418E-05

35 5.634176E-05

36 0.000211282

37 0.0007195

38 0.002215301

39 0.00613468

40 0.015183334

41 0.03332927

42 0.064277878

43 0.107628075

44 0.154103834

45 0.184924601

46 0.180904501

47 0.13856515

48 0.077942897

49 0.028632084

50 0.005153775
X P(X=x) P(X<=x)
0 0.006737946999085 0.006737946999085
1 0.033689734995427 0.040427681994513

2 0.084224337488568 0.124652019483081
3 0.140373895814281 0.265025915297362
4 0.175467369767851 0.440493285065212
5 0.175467369767851 0.615960654833063
6 0.146222808139876 0.762183462972939
7 0.104444862957054 0.866628325929993
8 0.065278039348159 0.931906365278151
9 0.036265577415644 0.968171942693795
10 0.018132788707822 0.986304731401617
11 0.008242176685374 0.994546908086991
12 0.003434240285572 0.997981148372563
13 0.001320861648297 0.99930201002086
14 0.000471736302963 0.999773746323823
15 0.000157245434321 0.999930991758144
16 4.913919822534E-05 0.99998013095637
17 1.445270536039E-05 0.99999458366173 Tience a 1
18 4.014640377887E-06 0.999998598302108
19 1.05648430997E-06 0.999999654786418
20 2.641210774926E-07 0.999999918907495
21 6.288597083156E-08 0.999999981793466
22 1.429226609808E-08 0.999999996085732
23 3.107014369148E-09 0.999999999192747
24 6.472946602392E-10 0.999999999840041
25 1.294589320478E-10 0.9999999999695
26 2.489594847074E-11 0.999999999994396
27 4.610360827915E-12 0.999999999999007
28 8.232787192705E-13 0.99999999999983
29 1.419446067708E-13 0.999999999999972
30 2.36574344618E-14 0.999999999999996
de mercados.
  n  x n x
 x]    p q , 0  x  n f . p. p tipo Binomial
 x
P(X=1) 0.354294
 P(X=x)
0.45
1.2
0.4
0.35 1

0.3 0.8
0.25
0.6
0.2
0.15 0.4

0.1 0.2
0.05
0
0 0 1
0 1 2 3 4
 Prob. Éxito
Prob. Fracaso

P(X<=x)
0.421875
0.84375
0.984375
1

ue el 10% de sus copas

que sólo una sea “de

d de que por lo menos

 2. Problemas de probabilidad.

a) De los 80 clientes de una empresa una encuesta indicó que 1

productos. Si se toman 30 clientes y se suma el número de clie
producto
 Describe por completo las distribución de la v.a ( Bino
 Trace la gráfica de la distribución de probabilidad pun
 Calcula lo siguiente: P(X>5)
 P(0<X<10)
 Obtenga E(X) y V(X).

b) En un lote de 100 productos se sabe que hay 15 defectivos, s

productos para inspección. Se cuenta el número de productos d
 Describe por completo la distribución para la v.a. X,
 ¿Cuál es la probabilidad de encontrar al menos 3 artícu
 ¿Cuál es la probabilidad de seleccionar 15 defectuosos
 ¿Cuál es la probabilidad de encontrar a lo más 3 produ

x No de clientes satisfechos

n 30 X P(X=X) p(X<=x)

p 0.125 0 0.0182071 0.0182071 0

1-p 0.875 1 0.0780306 0.0962377 0.0780306

P(X=X) 2 0.1616348 0.2578725 0.3232695

3 0.215513 0.4733855 0.646539

4 0.2078161 0.6812016 0.8312645

5 0.1543777 0.8355793 0.7718885
6 0.0918915 0.9274708 0.5513489
7 0.0450081 0.9724789 0.3150565

8 0.0184855 0.9909643 0.1478837

9 0.0064552 0.9974196 0.0580972

10 15 20 25 30 35
10 0.0019366 0.9993561 0.0193657

11 0.000503 0.9998591 0.0055331

12 0.0001138 0.9999729 0.0013653

 13 2.25E-05 0.9999954 0.0002926

14 3.904E-06 0.9999993 5.465E-05

15 5.949E-07 1 8.923E-06

16 7.967E-08 1 1.275E-06

17 9.373E-09 1 1.593E-07

18 9.671E-10 1 1.741E-08

19 8.725E-11 1 1.658E-09

20 6.856E-12 1 1.371E-10

21 4.664E-13 1 9.794E-12

22 2.726E-14 1 5.996E-13

23 1.354E-15 1 3.115E-14

24 5.643E-17 1 1.354E-15

25 1.935E-18 1 4.837E-17

26 5.315E-20 1 1.382E-18

27 1.125E-21 1 3.037E-20

28 1.722E-23 1 4.821E-22

29 1.696E-25 1 4.919E-24

30 8.078E-28 1 2.423E-26
gente recuerda los contenidos de los
.V. ,sólo 90% de las veces. Suponga que
niversitarios.
: X número de televidentes que
ero de televidentes que recuerdan el
articiparon en la encuesta, identifiquen
den el contenido de los comerciales?
de los anuncios comerciales?
articiparon en la encuesta, identifiquen
den el contenido de los comerciales?
de los anuncios comerciales?

P(X<=x)
1E-50
4.51E-48

9.9676E-46
1.4388076E-43
1.525386376E-41
1.2663604562E-39
8.5716055443E-38
4.8631559433E-36
2.3597181052E-34
9.9425353026E-33
3.6811472816E-31
1.2090113767E-29
3.5495858566E-28
9.3750368462E-27
2.2392404119E-25
4.8581825349E-24
9.609514663E-23
1.7383605003E-21
2.8835738837E-20
4.395749473E-19
6.1693869054E-18
7.9838397795E-17
9.5382075426E-16
1.0529627443E-14
1.0748467016E-13
 1.01498387E-12

8.8683423302E-12

7.1695210012E-11

5.3616526752E-10

3.7073746256E-09

2.3685993582E-08

1.3969087784E-07

7.5959197812E-07

3.802742834E-06

1.7496921686E-05

7.3838686103E-05

0.00028512030267

0.00100461986179

0.00321992113591

0.00935460158733

0.02453793570459

0.05786720571809

0.12214508360128

0.22977315819638

0.38387699227572

0.56880159317094

0.74970609404669

0.88827124365365 P(X=x
P(X<=X)
0.96621414030757 0.2
1.2
0.18
0.16
0.99484622479268 1
0.14
0.8 0.12
1 0.1
0.6 0.08
0.06
0.4 0.04
0.02
0.2 0
 0.18
0.16
1
0.14
0.8 0.12
0.1
0.6 0.08
0.06
0.4 0.04
0.02
0.2 0
0 5 10 15
0
A P(x=10) 0.0181328
0 5 10 15 20 25 30 35

B p(x>=2) 0.9595723

C CAMBIAR LA MEDIA

mu 60

P(x<=25) 2.70085E-07 CASI CERO

D POR MES

E(X)=5

V(X)=5
x No de fracturas por espacio

mu 5

P(X=8) 0.0652780393
X=x) P(X<=X)

1 2 3 4 5 6
3 4 5 6
na encuesta indicó que 10 están satisfechos con los
suma el número de clientes que están satisfechos con el

ribución de la v.a ( Binomial )

ión de probabilidad puntual y acumulada

que hay 15 defectivos, si se toma una muestra de 15

número de productos defectuosos en la muestra (X)
bución para la v.a. X,
ontrar al menos 3 artículo defectuoso?
eccionar 15 defectuosos?
ontrar a lo más 3 productos defectuosos?

P(X>=3) 0.7421275 0.7421275

0.2560378 P(X>5) 0.1644207

0.5901062 P(0<X<10) 0.9792124 0.9792124

0.4950065 E(X) 3.75 np 3.75

0.1212261 V(X) 3.28125 npq 3.28125

0.0129885
0.2412151
0.4652006
0.4753978

0.3338936

0.1779225

0.0756473

0.0264392

0.0077438
0.0019256

0.0004102

7.529E-05

1.196E-05

1.646E-06

1.964E-07

2.029E-08

1.81E-09

1.388E-10

9.078E-12

5.019E-13 p(X<=x)
1.2
2.314E-14
1
8.737E-16
0.8
2.631E-17
0.6
6.081E-19
0.4
1.013E-20
0.2
1.082E-22
0
0 5 10 15 20 25
5.566E-25
 P(X=x)
0.2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0 5 10 15 20 25 30 35
X<=x)

20 25 30 35
 X No DE SENSORES QUE FALLAN

n 15
p 0.2
1-p 0.8
Función de probabilidad puntual

X P(X=x) P(X<=x)
0 0.03518437 0.0351843721
1 0.1319414 0.1671257674
2 0.23089744 0.3980232093
3 0.2501389 0.6481621046 P(X<=9)
4 0.18760417 0.8357662761
5 0.10318229 0.9389485704
6 0.04299262 0.981941193 P(X=8)
7 0.01381906 0.9957602503
8 0.00345476 0.9992150146 P(X>=8)
9 0.00067176 0.9998867743
10 0.00010076 0.9999875383 P(4<=X<=7)
11 1.14504E-05 0.9999989887
12 9.54204E-07 0.999999943
13 5.50502E-08 0.999999998 E(X)=np
14 1.96608E-09 1 V(X)=np(1-p)
15 3.2768E-11 1

Sea X una vac, con rango Rx= (-inf,inf)….( depende del contexto…)
La función de densidad para la variable se define:

2
1  x  Tal fdp, siempre depende de mu y sigma.
1  
2  

f ( x)  e Forma:
 2
Ahora

P(Z>z)
ADV.
1 USAR LA TABLA DE PROBABILIDAD NORMAL Y fx PARA OBTENER LAS PROBABILIDADES INDICADAS
a. P(Z>1.32)
b. P(Z<-1.98)
c. P(-2.34<Z<1.76)
 Z define una vac normal estándar Con fx

a P(Z>1.32) = 1-P(Z<=1.32) 0.0934

b P(Z<-1.98) 0.0239

c P(-2.34<Z<1.76) 0.951154227

2 USAR LA TABLA DE PROBABILIDAD NORMAL Y fx PARA RESOLVER LA ECUACIÓN INDICADA

a. P(Z>z) = 0.95
b. P(Z<z) = 0.10
a P5=P(Z>z)=.95 z -1.645 P5
Es decir 0.05
P(Z>-1.645)=.95 z
-1.645
b z =INV.NORM.ESTAND(0.1)=P10
Es decir
P(Z<-1.28)=.10
c P(z1<Z<z2)=.95 CON fx
z1 -1.96 =NORM.S.INV(0.025)
z2 1.96 1.95996398454
Por lo tanto
P(-1.96<Z<1.95)=0.95
5. El peso promedio de residuos tóxicos peligrosos generados por 500 industrias
toneladas métricas, con una desviación estándar de 15 toneladas. Si los pesos de lo
tóxicos generados por estas industrias están normalmente distribuidos, encontra
siguiente:
(a) Cuántas industrias generan entre 145 y 165 toneladas, inclusive.
(b) Cuántas generan más de 180 toneladas.
(c) Cuántas generan por lo mucho 120 toneladas o más de 180 toneladas métricas
(d) Cuál es el percentil 99?
MODELO NORMAL

MU
SIGMA
Vac:
X Toneladas generadas X se dist..N(150,15)
a P(145<=X<=165)=P(-0.333<=Z<=1)
z1 -0.33333333333
mu 150 z2 1
sigma 15 x
z

 x
z

b P(X>180)=P(Z>2)=1-P(Z<=2) 0.02275013195

z 2 Aprox…..

c P(X<=120) + P(X>180)=P(Z<-2)+P(Z>2)

z1 -2 Aprox…
z2 2

d P(X<=x)=.P99
Se busca x Área izquierda
EQUIVALE P(Z<=z)=.99

z 2.33 REGRASAMOS x

USAR

DESPEJAMOS x

P(X<=185)=.99

2. Utilice la tabla de probabilidad acumulada N(0,1) para calcular las probabilidades siguientes para la variable aleator
normal estándar Z.
a. P(Z>-1.22)
b. P(Z<1.98)
c. P(-2.50<Z<2.50) Z Es una variable aleatoria con distribución Norma
A P(Z>-1.22) 0.8888
=1-DISTR.NORM.ESTAND.N(-1.22,1)
Z
B P(Z<1.98) 0.9761
=DISTR.NORM.ESTAND.N(1.98,1)
C P(-2.50<Z<2.50) P(Z<2.50)-P(Z<-2.50)
=DISTR.NORM.ESTAND.N(2.5,1)-DISTR.NORM.ESTAN
3. Suponga que Z tiene una distribución normal estándar. Utilice la tabla de probabilidad acumulada N(0,1) para determinar
el valor de z que resuelve cada una de las siguientes probabilidades:
a. P(Z>z) = 0.15
b. P(Z<z) = 0.99
a P85 =INV.NORM.ESTAND(0.85) P(Z>1.04)=0.15

b P99 =INV.NORM.ESTAND(0.99) P(Z<2.32)=.99

 4. ¿Puede señalar la diferencia entre Coca-Cola y Pepsi (o PECSI) en una prueba de degustación a cieg
afirma que puede hacerlo y se inclina por una u otra marca. Sin embargo, las investigaciones sugieren que la
correctamente una muestra de uno de estos productos sólo 90% de las veces. Suponga que decide investig
y selecciona una muestra de 25 estudiantes universitarios.
a. Justifique el tipo de modelo que utilizará para justificar lo que se pide
b. ¿Cuál es la probabilidad de que por lo mucho 5 de los estudiantes que participaron en la encue
correctamente la Coca-Cola o la Pepsi?
c. ¿Cuál es la probabilidad de que al menos uno de los 25 estudiantes identifiquen correctamente la Coca-
d. ¿Cuál es el valor esperado de estudiantes que identifiquen la marca? Realiza una distribución de probab

a X No de estudiantes que reconocen la marca

p 0.9
1-p 0.1 La v.a. d tiene distribución Binomial
n 25

x P(X=x) P(X<=x) xP(X=x)

0 1E-25 1E-25 0
1 2.25E-23 2.26E-23 2.25E-23
2 2.43E-21 2.4526E-21 4.86E-21
3 1.6767E-19 1.701226E-19 5.0301E-19
4 8.299665E-18 8.469788E-18 3.319866E-17
5 3.137273E-16 3.221971E-16 1.56863669E-15
6 9.41182E-15 9.734017E-15 5.64709207E-14
7 2.299173E-13 2.396513E-13 1.60942124E-12
8 4.655826E-12 4.895477E-12 3.72466058E-11
9 7.914904E-11 8.404451E-11 7.12341336E-10
10 1.139746E-09 1.223791E-09 1.13974614E-08
11 1.398779E-08 1.521158E-08 1.53865729E-07
12 1.468718E-07 1.620834E-07 1.76246198E-06
13 1.321846E-06 1.48393E-06 1.71840043E-05
14 1.01971E-05 1.168103E-05 0.00014275942
15 6.730087E-05 7.89819E-05 0.00100951305
16 0.0003785674 0.000457549 0.00605707827
17 0.0018037623 0.002261312 0.03066395875
18 0.0072150491 0.009476361 0.12987088414
19 0.0239235839 0.033399945 0.45454809448
20 0.0645936766 0.097993621 1.29187353168
21 0.1384150213 0.236408642 2.90671544628
22 0.2264973075 0.46290595 4.98294076505
23 0.2658881436 0.728794094 6.11542730256
 24 0.1994161077 0.928210201 4.78598658461
25 0.0717897988 1 1.79474496923
22.5
d E(X)=Valor esperado np
22.5
b P(X<=5) 3.221971E-16 3.221971E-16

c P(X>=1)=1-P(X=0) 1

5. En promedio, 5 fumadores pasan por la esquina de cierta calle cada 15 minutos. ¿Cuál es la probabilidad de que duran
un periodo dado de 30 minutos el número de fumadores que pasen sea de:
a. Tres o menos c. Menos de uno.
b. Exactamente cinco d. Al menos uno.
X No de personas que pasan por la esquina en un tiempo determinado
mu 10 (para 30 minutos)

x P(X=x) P(X<=X) x*P(X=x) (X-MU)^2*P(X=x)

0 4.53999E-05 4.539993E-05 0 0.00453999298
1 0.000454 0.0004993992 0.000453999 0.03677394311
2 0.00227 0.0027693957 0.004539993 0.14527977524
3 0.00756665 0.0103360507 0.022699965 0.37076609306
4 0.01891664 0.0292526881 0.07566655 0.68099894644
5 0.03783327 0.0670859629 0.189166374 0.94583187005
6 0.06305546 0.1301414209 0.378332748 1.00888732806
7 0.09007923 0.2202206466 0.63055458 0.81071303147
8 0.11259903 0.3328196788 0.900792257 0.4503961286
9 0.12511004 0.4579297145 1.125990321 0.12511003572
10 0.12511004 0.5830397502 1.251100357 0
11 0.1137364 0.6967761463 1.251100357 0.11373639611
12 0.09478033 0.7915564764 1.137363961 0.37912132037
13 0.07290795 0.8644644226 0.947803301 0.65617151602
14 0.0520771 0.9165415271 0.729079462 0.83323367114
15 0.03471807 0.9512595967 0.520771044 0.86795174077
16 0.02169879 0.9729583902 0.347180696 0.78115656669
17 0.012764 0.9857223864 0.216987935 0.6254358132
18 0.00709111 0.9928134954 0.127639962 0.45383097556
19 0.00373216 0.996545658 0.07091109 0.30230517287
20 0.00186608 0.9984117393 0.037321626 0.1866081314
21 0.00088861 0.9993003495 0.018660813 0.10752182809
22 0.00040391 0.9997042632 0.008886101 0.05816357342
23 0.00017561 0.9998798778 0.004039137 0.02967887654
24 7.31728E-05 0.9999530506 0.001756147 0.01434186341
25 2.92691E-05 0.9999823197 0.000731728 0.00658554953
26 1.12573E-05 0.9999935771 0.000292691 0.0028818815
27 4.16939E-06 0.9999977465 0.000112573 0.00120495335
28 1.48907E-06 0.9999992355 4.169389E-05 0.00048245784
 29 5.13472E-07 0.999999749 1.489067E-05 0.00018536322
30 1.71157E-07 0.9999999202 5.134715E-06 6.84628694E-05
31 5.5212E-08 0.9999999754 1.711572E-06 2.43484882E-05
32 1.72537E-08 0.9999999926 5.521199E-07 8.35081371E-06
33 5.22841E-09 0.9999999979 1.725375E-07 2.76582798E-06
34 1.53777E-09 0.9999999994 5.228408E-08 8.85753874E-07
35 4.39362E-10 1 1.537767E-08 2.74601275E-07
36 1.22045E-10 1 4.39362E-09 8.25024276E-08
37 3.29851E-11 1 1.22045E-09 2.40461657E-08
38 8.6803E-12 1 3.298514E-10 6.80535483E-09
39 2.22572E-12 1 8.6803E-11 1.87182869E-09
40 5.56429E-13 1 2.225718E-11 5.00786511E-10
10 9.99999999983
E(X) V(X)
Sólo en modelo Poisson
1. El volumen que una máquina de llenado automático deposita en latas de una bebida gaseosa tiene una distribución no
con media 12.4 onzas de líquido y desviación estándar de 0.1 onzas de líquido.
a. Describa por completo, las características de la variable aleatoria, la f.d.p. y determine lo que se pide.
b. ¿Cuál es la probabilidad de que el volumen depositado sea menor que 12.3 onzas de líquido?
c. Si se desechan todas las latas que tienen menos de 12.3 o más de 12.5 onzas de líquido, ¿cuál es la proporción de
desechadas?, en una producción de llenado diaria de 2 millones, Qué proporción se reprocesa?
d. Determine el percentil 75.
x
a X tiene una distribución Normal con media 12.4

12.3

z dist N(0,1)

-1
P(X<1245) P(Z<-0.111) 0.4562

mu 1250
sigma 45
  n  x n x
P[ X  x]    p q , 0  x  n f . p. p tipo
 x

P(X=x)
=SUMA(D11:D20) 0.99988677434
0.3

0.25

0.00345476431872 0.2

0.15
0.004239749709824 =1-P(X<7)
0.1
0.347598145716224 0.05

0
0 2 4 6 8 10 12 14 16
3
2.4

DISTRIBUCIÓN NORMAL
f(x) es no negativa
f(x) no tiene primitiva
El área bajo la curva es 1
p, siempre depende de mu y sigma. SIGMA La probabilidad es el área

X ~N(µ,σ² ) MU X P(X>x) ÁREA DERECHA

P(X<x) Z es normal tipificada.

Forma Z~N(0,1) x Calcular P[Z<1.85]

z Z ES UNA VARIABLE SIN DIMENSION
P(Z<z) Z

EL AREA ES IZQUIERDA
NER LAS PROBABILIDADES INDICADAS Usar el carrusel de Excel P(Z<1.85)

Usar tabla Normal (1,0) 0.9678432

P(Z<1.85) 0.9678
P(Z>=1.85) 0.0321568 Usar la propiedad de probabilidad complemen
 1
d
P(Z<1.32) 0.9066 DIRECTAMENTE DE TABLA O fx
P(Z>=1.32) 0.0934 0.9511542
P(Z<-2.34) 0.0096418699

P(Z<1.76) 0.9607961
0.951154227
LVER LA ECUACIÓN INDICADA Z
-2.34 1.76 P(Z>1.76)

0.95 0.1 0.9

0 z
-1.2815515655

Cola Izq. Cola derecha

RM.S.INV(0.025) 0.95
0.025 0.025
z1 0 z2 Z
-1.96 1.96
TÉCNICAS DE BONDAD DE AJUSTE
os generados por 500 industrias es de 150
de 15 toneladas. Si los pesos de los residuos
rmalmente distribuidos, encontrar todo lo

ladas, inclusive.

más de 180 toneladas métricas

Rec Regla Empírica
ELO NORMAL

150 15
15 15

135 165
)=P(-0.333<=Z<=1) 0.47177760449 120 150

Aprox… 236 1 z˷
 -2 -1 0 1

11

0.045500263896358

23

0.99 0.01
RESOLVER PARA z

2.3263479 Z
x
z
 X=Z*σ+µ

184.9 TONELADAS

0.99 0.01
toneladas métricas
184.9 x

probabilidades siguientes para la variable aleatoria

a variable aleatoria con distribución Normal con una media de cero y varianza 1.

͂≈ N(0,1)

0.9876
ORM.ESTAND.N(2.5,1)-DISTR.NORM.ESTAND.N(-2.5,1)
de probabilidad acumulada N(0,1) para determinar
(o PECSI) en una prueba de degustación a ciegas? La mayoría
. Sin embargo, las investigaciones sugieren que la gente identifica SEGUNDO PARCIAL
o 90% de las veces. Suponga que decide investigar esta cuestión GAMMA EXPONENCIAL
ERLANG
lo que se pide
de los estudiantes que participaron en la encuesta identifiquen WEIBULL

5 estudiantes identifiquen correctamente la Coca-Cola o la Pepsi?

uen la marca? Realiza una distribución de probabilidades

( 25 ESAYOS TIPO Bernoulli, definen el modelo binomial)

. d tiene distribución Binomial

(x-E(X))^2*P(X=x)
5.0625E-23 P(X=x)
1.0400625E-20 Dist. de Prob. puntuales
0.3
1.0212075E-18
0.25
6.37565175E-17
0.2
2.84056034625E-15
0.15
9.60789969562E-14
2.56236802495E-12 0.1

5.52376360892E-11 0.05

9.78887359009E-10 0
0 5 10 15 20 25 30
1.44249120573E-08
1.78085334041E-07
1.84988569171E-06 P(X<=x)
1.61926194621E-05 Dist. de Prob. Acumulada
0.000119296645425 1.2
0.000736740581126
0.00378567392032 1

0.01599447231335 0.8
0.054563808960371
0.146104744654216 0.6
0.293063903019861
0.4
0.403710478649809
0.311433797815567 0.2
0.056624326875558
0.066472035897394 0
0 5 10 15 20 25 30
 0.2

0
0 5 10 15 20 25 30
0.448686242307408

  E ( X )   0 xP ( X  x )
0.448686242307408

2.25
np(1-p) V(X)= Varianza
2.25

 2  V ( X )   ( x   ) 2 P( X  x)
x 0
15 minutos. ¿Cuál es la probabilidad de que durante
de:

P(X=x)
Dist. de prob. puntual
U)^2*P(X=x)
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0 5 10 15 20 25 30 35 40 45

b p(x<=3) 0.0103360507 0.010336051

c P(X<1)=P(X=0) 4.539993E-05

d P(X=5) 0.0378332748
P(X>=5) =1-P(X<=4) 0.970747312

P(X>=1) =1-P(X=0) 0.9999546

en modelo Poisson
tas de una bebida gaseosa tiene una distribución normal
s de líquido.
la f.d.p. y determine lo que se pide. b P(X<12.3)
que 12.3 onzas de líquido?
e 12.5 onzas de líquido, ¿cuál es la proporción de latas
é proporción se reprocesa? P(X<12.3) P(Z<-1) 0.1586553

Vol.de llenado z -1
e una distribución Normal con media 12.4 y d.e. 0.1
c P(X<12.3)+P(X>12.5) P(Z<-1)+P(Z>1)
x ≈ N(12.4,0.1)
mu 12.4 Z1 -1
d.e 0.1 Z2 1

12.5 X
12.4 d
x
z
 x=

z
0 1
0.674489750196082 P75 en Z P(X<=12.46)=.75
Z -0.1111111111
. p. p tipo Binomial

14 16

ÁREA DERECHA
al tipificada.

[Z<1.85]
ARIABLE SIN DIMENSIONES

P(X>x) 0.0321568

probabilidad complementaria
 P(z<-2,34) o P(Z>1.76) 0.0488458

rec El área bajo la curva es uno

0.0392039

Regla Empírica

X ˷ N(150,15)

180 X

N(0,1) x-150 x

z
15 
 Z
2
P(Z<-1)+P(Z>1) 0.317310508

P(Z>1) =1-P(Z<=1) 0.1586553

634621.0157

P75 P(X<=x)=.75

=z*sigma+mu

x 12.46744898

P(X<=12.46)=.75
 SOLUCIÓN SEGUNDO PARCIAL

1. Supongamos que 10% de todos los sensores de alto volumen fallen en un

de partículas con filtros de cierta porosidad. Sea X el número d
seleccionados al azar que fallen la prueba.
Entonces, defina la variable aleatoria X y su distribución correspondient
siguiente:
(a) Describir las características del modelo.
(b) La probabilidad de que exactamente 2 fallen.
(c) La probabilidad de que al menos 2 muestreadores fallen.
(d) La probabilidad de que ninguno falle

a
X No de sensores que fallan

LA VARIABLE ALEATORIA ES DISCRETA TIPO BINOMIAL

n 10
p 0.1
q 1-p 0.9

X P(X=X) P(X<=x)
0.45
0 0.34867844 0.34867844
0.4
1 0.387420489 0.736098929
2 0.193710245 0.929809174 0.35
3 0.057395628 0.987204802 0.3
4 0.011160261 0.998365063 0.25
5 0.001488035 0.999853097
0.2
6 0.000137781 0.999990878
0.15
7 8.748E-06 0.999999626
8 3.645E-07 0.999999991 0.1

9 9E-09 1 0.05
10 1E-10 1 0
0 2 4

b P(X=2) 0.193710245
0.5p

c P(X>=2) 1-P(X<=1) 0.263901071 0.263901071 0.263901071

d P(X=0) 0.34867844
 0.5P

2. Un lote de 75 arandelas contiene cinco en las que la variabilidad en el espesor

la circunferencia de la arandela es inaceptable. Se toma una muestra al azar de 10
reemplazo.
a. Defina la variable aleatoria y la función de probabilidad correspondiente;
b. ¿Cuál es la probabilidad de que ninguna de las arandelas inaceptables se enc
muestra?;
c. ¿Cuál es la probabilidad de que al menos una de las arandelas inaceptables se en
muestra?;
d. ¿Cuál es la probabilidad de que exactamente una de las arandelas inaceptables
en la muestra?;
e. ¿Cuál es el número promedio de arandelas inaceptables en la muestra?

x P(X=x) P(X<=x) xP(x=x)

0 0.478573576 0.478573576 0
1 0.392273423 0.870847 0.392273423
2 0.113885833 0.984732832 0.227771665
3 0.014461693 0.999194525 0.043385079
4 0.000790874 0.999985399 0.003163495
5 1.46007E-05 1 7.30037E-05

4. El volumen que una máquina de llenado automático deposita en

tiene una distribución normal con media 12 onzas de líquido y des
de líquido.
a. ¿Cuál es la probabilidad de que el volumen depositado sea menor
b. Si se desechan todas las latas que tienen menos de 11.8 o más d
es la proporción de latas desechadas?
c. Calcule especificaciones que sean simétricas alrededor de la me
99% de las bebidas.

b
 TOTAL PUNTOS 7
CALIFICACIÓN 10
to volumen fallen en una prueba de muestreo
SEPC…NOMBRE..
Sea X el número de entre 10 sensores

bución correspondiente, luego, determinar lo p20612@correo.uia.mx

es fallen.

0.5P

P(X=X) P(X<=x)
1.2

0.8

0.6

0.4

0.2

0
2 4 6 8 10 12 0 2 4 6 8

0.5p
2P
abilidad en el espesor alrededor de
a
muestra al azar de 10 arandelas, sin
MODELO HIPERGEOMÉTRICO
orrespondiente;
as inaceptables se encuentre en la X ARANDELAS DEFECTUOSAS EN LA MUESTRA DE TAMAÑO 10
Rx 0,1,2,3,4,5
elas inaceptables se encuentre en la N 75
K 5
randelas inaceptables se encuentre N-K 70
n 10 0.5p
la muestra?

b P(X=0) 0.478573576 0.5p

c P(X>=1) 0.521426424 0.521426424 0.521426424 0.5p

d P(x=1) 0.392273423 0.5p

e E(X) 0.666666667 0.5p

utomático deposita en latas de una bebida gaseosa

onzas de líquido y desviación estándar de 0.1 onzas
X VOL. DE LLENADO
depositado sea menor que 12.2 onzas de líquido?
menos de 11.8 o más de 12.2 onzas de líquido, ¿cuál
MU 12
cas alrededor de la media, de modo que se incluya al SIGMA 0.1

0.005

P(X<12.2) P(Z<2) 0.977249868 0.5p

Z 2 A
11.74241707
P(X<11.8) + P(X>12.2) 0.045500264 0.5p
0.005
Z1 -2 -2.5758293
Z2 2
P(11.74<=X<=12.25)=0.99

3. La vida útil (en años) de cierto tipo de lavadora tiene una distribución con la func
densidad

0, x  0 
f ( x)    0.2 x 
0.2e , x  0
3. La vida útil (en años) de cierto tipo de lavadora tiene una distribución con la func
densidad

0, x  0 
f ( x)    0.2 x 
0.2e , x  0
Encuentre P(X<=5) e interprete
a. usando la función de distribución acumulada de X;
b. utilizando la función de densidad de probabilidad de X.

0.632120559
P(X<=x)

6 8 10 12
DE TAMAÑO 10 P(X=x)
0.6

0.5

0.4

0.3

0.2

0.1

0
0 1 2 3 4 5 6

2.5p

0.99
0.005

X onzas
B
12.25758293
PASAR A Z
0.99 0.005 Z
2.575829304
1.5P
0.5P

ibución con la función de

ibución con la función de

0.5P
0.5P
1P