UNIDAD 2: FASE 4

ENTREGADO POR:
DAIRO ENRIQUE RAMIREZ VEGA

ENTREGADO A:
JENNY PATRICIA CÁRDENAS
TUTORA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD)

LICENCIATURA EN MATEMÁTICAS
PROBABILIDAD
2021
 Parte 1

3.2. Sea X una variable aleatoria discreta. Determinar el valor de k para que la función p(x)
= k / x, x = 1, 2, 3, 4, sea la función de probabilidad de X. Determinar P(1 ≤ X ≤ 3).
k
Se tiene que: p ( x ) = x=1 , 2, 3 , 4
x
Reemplazando los valores de x en la función de probabilidad, da lo siguiente:
k
p ( 1 )=
1
k
p ( 2 )=
2
k
p ( 3 )=
3
k
p ( 4 )=
4
Para cumplir con los axiomas de la probabilidad, la suma de las probabilidades de todos los
valores de x debe ser 1, entonces:
k k k k
+ + + =1
1 2 3 4
Resolviendo y despejando k:
2 k +k 4 k +3 k
+ =1
2 12

3k 7k
+ =1
2 12
18 k 7 k
+ =1
12 12
25 k
=1
12
12
k=
25
Evaluando la función de distribución acumulativa, se tiene que:
 12
F ( 1 )=P ( X ≤ 1 )=P(25
1
= )
12
25

12
F ( 2 )=P ( X ≤ 2 )=P(25
2
= )
6
25

12

(
F ( 3 ) =P ( X ≤ 3 )=P
25
3
= )4
25

12

(
F ( 4 ) =P ( X ≤ 4 )=P
25
4
= )
3
25

La probabilidad que P(1 ≤ X ≤ 3), será:

12 6 4
P ( 1≤ X ≤3 )=P ( X ≤1 ) + P ( X ≤2 )+ P ( X ≤ 3 )= + +
25 25 25
22
P ( 1≤ X ≤3 )= =0.88
25
3.5 La duración en horas de un componente electrónico, es una variable aleatoria cuya

−x
función de distribución acumulativa es f ( x )=1−exp ( 100 ) , x> 0
a) Determinar la función de probabilidad de X.

b) Determinar la probabilidad de que el componente trabaje más de 200 horas.

La función de densidades correspondientes es la Exponencial:
−x
1 100
∫ ¿ 100 e

b) La probabilidad queda determinada por:

P ( X ≥200 )=1−F ( 200 )=1−¿

3.6 La función de distribución acumulativa de una variable aleatoria está dada por

0 ,∧x< 0

{
f ( x )= 2 x−x 2 ,∧0< x <1
1 , x>1.

a) Graficar F(x)
b) Obtener p(x<1/2) y Obtener p(x<3/4)
c) Determinar f(x)

Desarrollo

a)

b)

( 12 )=F ( 12 )=1− 14 = 34
p x<
 p x<( 34 )=1−F ( 34 )=1− 1516 = 161
c)

f ( x )= 2−2 x∧0< x<1

{ 0 otros valores

3.7 Sea X una variable aleatoria que representa el número de clientes que llega a una tienda
en un periodo de una hora. Dada la siguiente información.

x 0 1 2 3 4 5 6 7 8
p(x) 0.05 0.10 0.10 0.10 0.20 0.25 0.10 0.05 0.05

encontrar E(X) y Var(X).

E(x)= 4 y Var(x)= 4.1

x 0 1 2 3 4 5 6 7 8 Su
ma
p(x) 0,05 0,1 0,1 0,1 0,2 0,25 0,1 0,05 0,05 1
xipi 0 0,1 0,2 0,3 0,8 1,25 0,6 0,35 0,4 4
xipi 0 0,1 0,4 0,9 3,2 6,25 3,6 2,45 3,2 20,
1

Para encontrar la E(x) para una variable aleatoria La media o valor esperado también
denotado μ como de una variable aleatoria discreta X, denotada por μ =E(X)=∑ 𝑥 ∗ (𝑥)

(𝑋) = (0) ∗ (0,05) + (1)(0,10) + (2)(0,10) + (3) ∗ (0,10) + (4) ∗ (0,20) + (5) ∗ (0,25) + (6) ∗
(0,10) + (7) ∗ (0,05) + (8) ∗ (0,05)

3.9 Una fábrica produce pistones cuyos diámetros se encuentran adecuadamente

clasificados por una distribución normal con un diámetro promedio de 5 cm y una
desviación estándar igual a 0.001 cm. Para que un pistón sirva, su diámetro debe
encontrarse entre 4.998 y 5.002 cm. Si el diámetro del pistón es menor que 4.998 se
desecha; si es mayor que 5.002 el pistón puede reprocesarse. ¿Qué porcentaje de pistones
servirá? ¿Qué porcentaje será desechado? ¿Qué porcentaje será reprocesado?

Distribuciones discretas
a. Realizar los ejercicios: 4.2, 4.4, 4.6, 4.8 y 4.16 de la página 122

4.2. En una distribución binomial, sea X el número de éxitos obtenidos en diez ensayos
donde la probabilidad de éxito en cada uno es de 0.8. Con el resultado del problema
anterior, demostrar que la probabilidad de lograr de manera exacta seis éxitos es igual a la
probabilidad de tener cuatro fracasos.
En el problema anterior se verificó que:
p (n – x; n, 1 – p) = p (x; n, p)
Siendo X una variable aleatoria con distribución binomial y parámetros n y p.
Entonces se toman en cuenta los dos casos, tomando en cuenta la función binomial
n!
p ( x ; n , p )= px ( 1− p )n− x
( n− x ) ! x !
Probabilidad de lograr seis éxitos, dado Probabilidad de tener cuatro fracasos,
por dado por p (n – x; n, 1 – p)
p (x; n, p)
p ( 6 ; 10,0.8 ) p ( 4 ; 10,0.2 )

10 ! 10 !
¿ (0.8)6 ( 1−0.8 )10−6 ¿ (0.2) 4 ( 1−0.2 )10−4
(10−6 ) !( 6)! (10−4 ) !(4)!

3628800 3628800
¿ ( 0.262411 ) ( 0.0016 ) ¿ (0.0016) ( 0.262411 )
24(720) 720(24)

¿ 210 ( 0.0004194 ) ¿ 210 ( 0.0004194 )

p ( 6 ; 10,0.8 )=0.088074 p ( 4 ; 10,0.2 )=0.088074

Por lo tanto, se verifica que p ( 6 ; 10,0.8 )= p ( 4 ; 10,0.2 ) o lo que es lo mismo, que la

probabilidad de lograr de manera exacta seis éxitos es igual a la probabilidad de tener
cuatro fracasos.
4.4 Sea x una variable aleatoria con distribución binomial y parámetros n=8 y p=0.4.
emplear la fórmula de recursión del problema anterior para obtener las probabilidades
puntuales de los valores de x. hacer una gráfica de la función de probabilidad.
p=0.4 luego entonces q=1-p q=1-0.4=0.6
8 × 0.4 x × 0.68− x
x

x p(x)
0 0.0168
1 0.0896
2 0.209
3 0.2787
4 0.2322
5 0.1238
6 0.0413
7 0.0079
8 0.0007

8 × 0.40 ×0.6 8−0= 8!

×0.4 0 × 0.68−0 =0.0168
0 0! ( 8−0 ) !
8 × 0.41 × 0.68−1= 8!
×0.4 1 × 0.68−1=0.0896
1 1 ! ( 8−1 ) !
8 × 0.42 ×0.68 −2 = 8!
×0.4 2 × 0.68−2=0.2090
2 2 ! ( 8−2 ) !
8 × 0.43 ×0.6 8−3 = 8!
× 0.43 ×0.6 8−3=0.2787
3 3 ! ( 8−3 ) !
8 ×0.4 4 ×0.6 8−4= 8!
×0.4 4 ×0.6 8−4=0.2322
4 4 ! ( 8−4 ) !
8 × 0.45 ×0.6 8−5 = 8!
× 0.45 ×0.6 8−5=0.1238
5 5 ! ( 8−5 ) !
8 × 0.46 ×0.6 8−6= 8!
×0.4 6 ×0.6 8−6 =0.0413
6 6 ! ( 8−6 ) !
8 × 0.47 ×0.6 8−7= 8!
×0.4 7 × 0.68−7 =0.0079
7 7 ! ( 8−7 ) !
8 × 0.48 ×0.6 8−8= 8!
×0.4 8 × 0.68−8 =0.0007
8 8! ( 8−8 ) !
4.6 Supóngase que la probabilidad de tener una unidad defectuosa en una línea de ensamble
es de 0.05. Si el número de unidades terminadas constituye un conjunto de ensayos
independientes:

a. ¿cuál es la probabilidad de que entre 20 unidades dos se encuentren defectuosas?

b. ¿cuál es la probabilidad de que entre 20 unidades, dos como límite se encuentren
defectuosas?
c. ¿cual es la probabilidad de que por lo menos una se encuentre defectuosa?

Desarrollo

p: probabilidad de unidades defectuosas

q: probabilidad de unidades no defectuosas
n = 20
p = 0,05
q = 0,95

Sea δ i una variable aleatoria que representa el estado de una unidad terminada en la línea
de ensamblaje en el momento i, siendo δ i= 1 si la unidad es defectuosa y δ =0 en caso
contrario. La variable δ sigue una distribución Bernoulli con parámetro p=0’05, de acuerdo
con el dato inicial del problema. Además, nótese que un conjunto de unidades terminadas
constituye un conjunto de ensayos independientes, por lo que el número de unidades
defectuosas de un total de n unidades terminadas (δ 1……….δ n).
 n
Esto es,n n. p=∑ δi , sigue una distribución binomial de parámetros n y p = 0,05.
i=1

a) ¿cuál es la probabilidad de que entre 20 unidades dos se encuentren defectuosas?

p(n¿ ¿ n. p)¿

p(n¿ ¿20,0.05=2)= ( 202 )∗0.05 ∗(1−0.05)

2 18
¿

p(n¿ ¿20,0.05=2)=57.4∗0.0025∗0.397 ¿
p(n¿ ¿20,0.05=2)=0.057=5.7 % ¿

b. ¿cuál es la probabilidad de que entre 20 unidades, dos como límite se encuentren

defectuosas?

p(n¿ ¿20,0.05 ≤ 2)=( 20i )∗0.05 ∗(1−0.05)

i 20−i
¿

20
p(n¿ ¿20,0.05 ≤ 2)=( )∗0.05∗0.377 ¿
i
p(n¿ ¿20,0.05 ≤ 2)=0.0189=1.8 % ¿

3. ¿cual es la probabilidad de que por lo menos una se encuentre defectuosa?

p(n¿ ¿20,0.05 ≤ 2)=1− ( 200 )∗0.05 ∗( 1−0.05 )

0 20−0
¿

p(n¿ ¿20,0.05 ≤ 2)=1−0.3585 ¿

p(n¿ ¿20,0.05 ≤ 2)=0.64=64 % ¿
4.16 El número de clientes que llega a un banco es una variable aleatoria de poisson. Si el
numero promedio es de 120 por hora, ¿Cuál es la probabilidad de que en un minuto lleguen
por lo menos 3 clientes? ¿Puede esperarse que la frecuencia de llegada de los clientes al
banco sea constante en un día cualquiera?

X: "número de clientes que llega a un banco en un minuto".

E(X)=120 clientes por hora.
120
E(X) = =2
60
(𝑋 ≥ 3) = 1 − (𝑋 ≤ 3) = 1 − [(𝑋 = 0) + (𝑋 = 1) + (𝑋 = 2)]
= 1 − 0,1353 − 0,2707 − 0,2707 = 0.3233
La probabilidad es de un 33% aproximadamente

Distribuciones continuas
a. Realizar los ejercicios: 5.3, 5.8, 5.10, 5.11, 5.14, de las páginas 176, 177 y 180.
5.3. Sea X N (200 , 20). Determinar las siguientes probabilidades:
a ¿ P(185< X <210)

P ( 185< X <210 ) =P ( 185−200

20
< Z<
210−200
20 )
P ( 185< X <210 ) =P (−0.75<Z <0.5 )
P ( 185< X <210 ) =F Z ( 0.5 ; 0,1 )−F Z (−0.75 ; 0,1 )

P ( 185< X <210 ) =0.6915−0.2266

P ( 185< X <210 ) =0.4649

b ¿ P(215< X <250)

P ( 215< X <250 )=P ( 215−200

20
< Z<
250−200
20 )
P ( 215< X <250 )=P ¿
P ( 215< X <250 )=F Z ( 2.5 ; 0,1 )−F Z ( 0.75 ; 0,1 )

P ( 215< X <250 )=0.9938−0.7734

P ( 215< X <250 )=0.2204

c ¿ P (X >240)

240−200
(
P ( X >240 ) =P Z >
20 )
P ( X >240 ) =F Z ( 2 ; 0,1 )

P ( X >240 ) =0.9772

d ¿ P( X >178)

178−200
P ( X >178 )=P Z >( 20 )
P ( X >178 )=F Z (−1.1 ; 0,1 )

P ( X >178 )=0.1357
5.8 Una fábrica produce pistones cuyos diámetros se encuentran adecuadamente
clasificados por una distribución normal con un diámetro promedio de 5 cm y una
desviación estándar igual a 0.001 cm. Para que un pistón sirva, su diámetro debe
encontrarse entre 4.998 y 5.002 cm. Si el diámetro del pistón es menor que 4.998 se
desecha; si es mayor que 5.002 el pistón puede reprocesarse. ¿Qué porcentaje de pistones
servirá? ¿Qué porcentaje será desechado? ¿Qué porcentaje será reprocesado?
Tenemos los siguientes datos
µ=5cm β=0.001cm
Pistones que servirán:
P( 4.998≥ x ≥ 5.002)
Pistones que se desechan:
P( x <4.998)
Pistones que se reprocesan:
P( x >5.002)
Se determina la variable estandarizada
x−μ
y=
β
Luego entonces:
Porcentaje de pistones que se reprocesan:
5.002−5
(
P ( x>5.002 ) =P y >
0.001 )
=P ( y >2 ) =1−P ( y< 2 )=¿

1−0.9772=0.0228 ×100=2.28 %
Porcentaje de pistones que se desechan:
4.998−5
P( x <4.998)=P y <( 0.001 )
=P ( y ←2 )=¿

0.0228 ×100=2.28 %
Porcentaje de pistones que servirán:
P ( 4.998 ≥ x ≥5.002 ) =1−P ( y >2 )−P ( y ←2 )=¿
1−0.0228−0.0228=0.9544 ×100=95.44 %
5.10 El peso de cereal que contiene una caja se aproxima a una distribución normal con una
media de 600 gramos. El proceso de llenado de las cajas está diseñado para que de entre
100 cajas, el peso de una se encuentre fuera del intervalo 590 -610 gramos ¿Cuál es el valor
máximo de la desviación estándar para alcanzar este requerimiento?
De cada 100 cajas solo 1 está fuera del intervalo, por lo que hay 99 dentro: probabilidad
99
=0.99
100
P (590 < x < 610) > 0.99
( x−media )
Estandarizamos respecto a Z =
σ
( 590−600 ) −10
X =590→Z = =
σ σ
( 610−600 ) 10
X =610 → Z= =
σ σ

P ( 590< X <601 ) =P (−10

σ
<X<
−10
σ )

Por lo tanto

P ( 590< X <601 ) =P (−10

σ
<X<
−10
σ )
≥ 0.99

Como la distribución Normal estandarizada es simétrica respecto al 0, tenemos que

P ( −10σ <Z < 10σ )=P (−10σ < Z< 0)+ P (0< Z < 10σ )
Estas dos probabilidades son iguales por lo tanto

P ( −10σ <Z <0 )=P (0< Z< 10σ )

P ( −10σ <Z < 10σ )=P (0< Z< 10σ )+ P (0< Z< 10σ )=2∗P ( 0< Z< 10σ )
 10
(
2∗P 0< Z<
σ )≥ 0.99

( 10σ ) ≥0.495
P 0< Z <

10
P ( Z < )−P ( Z <0 ) ≥ 0.495
σ

10
P ( Z < )−0.5 ≥ 0.495
σ

10
P ( Z < ) ≥ 0.495+0.5
σ

10
P ( Z < ) ≥ 0.995
σ

El valor de la distribución Z que hace que la probabilidad acumulada sea mayor que 0.995
es según las tablas
Z ≥ 2.58
10
≥ 2.58
σ
10 ≥ 2.58 𝜎
10
≥ σ=3.8760≥ σ
2.58
𝜎 = 3.8760 = valor máximo de la desviación
5.11 En una tienda de descuento la demanda diaria de acumuladores para automóvil se
calcula mediante una distribución normal con una media de 50 acumuladores que tienen
una desviación estándar de 10. En dos días consecutivos se venden 80 y 75 acumuladores
respectivamente. Si estos días son típicos, ¿qué tan probable es, bajo las suposiciones
dadas, vender 80 o más y 75 o más acumuladores?
σ = 10
µ = 50
(𝑋 ≥ 80) = 1 − (𝑋 ≤ 80)
80−50
(
1−P ( X ≤ 80 )=1−P Z ≤
10 )
(𝑋 ≥ 80) = 1 − (𝑍 ≤ 3)
(𝑋 ≥ 80) = 1 − 0.9987
(𝑋 ≥ 80) = 0.0013

(𝑋 ≥ 75) = 1 − (𝑋 ≤ 75)
75−50
(
1−P ( X ≤ 75 )=1−P Z ≤
10 )
(𝑋 ≥ 75) = 1 –
(𝑍 ≤ 2.5)
(𝑋 ≥ 80) = 1 − 0.9938
(𝑋 ≥ 80) = 0.0062 (𝐴 Ո 𝐵) = 0.0013 ∗ 0.0062
(𝐴 Ո 𝐵) = 0.000008
La ocurrencia es poco probable.
5.14 El tiempo necesario para armar cierta unidad, es una variable aleatoria normalmente
distribuida con una medida de 30 minutos y desviación estándar igual a 2 minutos.
Determine el tiempo de armado de manera tal que la probabilidad de exceder éste sea de
0.02

p= { X >T }

p= { X−30
2
>
T −30
2 }

T −30
{
p= z >
2 }
=0.02

1−F z ( T ¿ ) =0.02
F z ( T ¿ )=0.98

T ¿=2.075

T −30
=2.075
2

T = 34.15
 Parte 2

Distribuciones discretas
4.2) En una distribución binomial, sea 𝑋 el número de éxitos obtenidos en diez ensayos
donde la probabilidad de éxito en cada uno es de 0.8. Con el resultado del problema
anterior, demostrar que la probabilidad de lograr de manera exacta seis éxitos es igual a la
probabilidad de tener cuatro fracasos.
Sea n=10, p=0.8, q =0.2, para probar que la probabilidad de lograr de manera exacta seis
éxitos es igual a la probabilidad de tener cuatro fracasos, se procede de la siguiente manera:

Donde K=6, P(x=6)= (106 ) 0,2 0.8

4 6

K representa el número de éxitos

Para el número de fracasos se procede de manera similar, pero como la fórmula es válida
para el numero de éxitos, vamos a considerar p=0.2 y q=0.8 en este caso.
Sea k=4, entonces P(X=4) = (104 ) 0.2 0.8
4 6

Luego se obtiene la igualdad

De Geogebra se tiene:
Para 6 aciertos

Distribuciones continuas
5.10) El peso de cereal que contiene una caja se aproxima a una distribución normal con
una media de 600 gramos. El proceso de llenado de las cajas está diseñado para que de
entre 100 cajas, el peso de una se encuentre fuera del intervalo 590 -610 gramos ¿Cuál es el
valor máximo de la desviación estándar para alcanzar este requerimiento?
De cada 100 cajas solo 1 está fuera del intervalo, por lo que hay 99 dentro: probabilidad
99
=0.99
100
P (590 < x < 610) > 0.99
( x−media )
Estandarizamos respecto a Z =
σ
( 590−600 ) −10
X =590→Z = =
σ σ
( 610−600 ) 10
X =610 → Z= =
σ σ

P ( 590< X <601 ) =P (−10

σ
<X<
−10
σ )

Por lo tanto

P ( 590< X <601 ) =P (−10

σ
<X<
−10
σ )
≥ 0.99

Como la distribución Normal estandarizada es simétrica respecto al 0, tenemos que

P ( −10σ <Z < 10σ )=P (−10σ < Z< 0)+ P (0< Z < 10σ )
Estas dos probabilidades son iguales por lo tanto

P ( −10σ <Z <0 )=P (0< Z< 10σ )

P ( −10σ <Z < 10σ )=P (0< Z< 10σ )+ P (0< Z< 10σ )=2∗P ( 0< Z< 10σ )
10
2∗P ( 0< Z< ) ≥ 0.99
σ

10
P ( 0< Z < ) ≥0.495
σ
 ( 10σ )−P ( Z <0 ) ≥ 0.495
P Z<

10
P ( Z < )−0.5 ≥ 0.495
σ

10
P ( Z < ) ≥ 0.495+0.5
σ

10
P ( Z < ) ≥ 0.995
σ

El valor de la distribución Z que hace que la probabilidad acumulada sea mayor que 0.995
es según las tablas
Z ≥ 2.58
10
≥ 2.58
σ
10 ≥ 2.58 𝜎
10
≥ σ=3.8760≥ σ
2.58
𝜎 = 3.8760 = valor máximo de la desviación

5.11 En una tienda de descuento la demanda diaria de acumuladores para automóvil se

calcula mediante una distribución normal con una media de 50 acumuladores que tienen
una desviación estándar de 10. En dos días consecutivos se venden 80 y 75 acumuladores
respectivamente. Si estos días son típicos, ¿qué tan probable es, bajo las suposiciones
dadas, vender 80 o más y 75 o más acumuladores?
σ = 10
µ = 50
(𝑋 ≥ 80) = 1 − (𝑋 ≤ 80)
80−50
(
1−P ( X ≤ 80 )=1−P Z ≤
10 )
(𝑋 ≥ 80) = 1 − (𝑍 ≤ 3)
(𝑋 ≥ 80) = 1 − 0.9987
(𝑋 ≥ 80) = 0.0013

(𝑋 ≥ 75) = 1 − (𝑋 ≤ 75)
75−50
(
1−P ( X ≤ 75 )=1−P Z ≤
10 )
(𝑋 ≥ 75) = 1 –
(𝑍 ≤ 2.5)
(𝑋 ≥ 80) = 1 − 0.9938
(𝑋 ≥ 80) = 0.0062 (𝐴 Ո 𝐵) = 0.0013 ∗ 0.0062
(𝐴 Ո 𝐵) = 0.000008
La ocurrencia es poco probable.
5.14 El tiempo necesario para armar cierta unidad es una variable aleatoria normalmente
distribuida con una medida de 30 minutos y desviación estándar igual a dos minutos.
Determinar el tiempo de armado de manera tal que la probabilidad de exceder éste sea de
0.02.
Si t es el tiempo de armado, tenemos:
t−30
(
P ( X >t ) = P Z>
2 )= 1−0.02

P ( t−30
2 )
= 0.98

La probabilidad más próxima para 0.98 es 2.56

Entonces
T −30
=2.56
2
T =35.12 minutos
T ≈ 35 Minutos.