TAREA 3: EXPERIMENTOS ALEATORIOS Y DISTRIBUCIONES DE

PROBABILIDAD

Presentado por:

GRUPO:

Presentado a:

Tutora

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

PROBABILIDAD

ABRIL, 2021
 I. TABLA COMPARATIVA DE CONCEPTOS: Aporte colaborativo

Tabla comparativa
Variable, fórmula o
Concepto Definición imagen que representa
el concepto
Variable Es un valor o magnitud que
aleatoria cambia de ocurrencia a otra sin
seguir una secuencia predecible X : S → R / X ( S )=x
producto de un experimento
aleatorio.
Variable Toma cualquier valor numérico
aleatoria producto de una medición referido
continua a un rango o intervalo de valores
enteros o reales.
Variable Son aquellas que toma un número
aleatoria limitado de valores, generalmente
discreta números enteros que son producto
de conteo.
Distribución de Permite establecer la totalidad de
probabilidad resultados probables de ocurrir en
un experimento determinado,
describiendo la probabilidad de
que un evento se realice en el
futuro
Distribución de Conjunto de los posibles
probabilidad resultados que presenta una
continua variable aleatoria continua junto
con la probabilidad de cada
resultado, en el rango o intervalo
de valores en el que se ha hecho
la medición de la variable.
Distribución de Conjunto de posibles resultados
 probabilidad numéricos de un experimento Función escalonada,
discreta mutuamente excluyentes a los que constante a intervalos
se pueden asignar un valor de
ocurrencia o probabilidad y pueden F ( x )=P ( X ≤ x ) =∑ f ( xi )
X i≤ x
expresarse mediante fórmulas,
gráficos o cuadros estadísticos.

Media Es el valor promedio de un

conjunto de datos numéricos,
N
calculada como la suma del ∑ Xi
i=1
conjunto de valores dividida entre x́=
N
el número total de valores.
Desviación Es una medida de dispersión más n

estándar común, que indica qué tan i=1

√2
σ = ∑ [ X i−E ( X ) ] P(x )

dispersos están los datos con X i →i−ésimo valor númerico

respecto a la media.
Valor esperado Es el resultado de una serie de
eventos de una variable aleatoria,
E ( X ) → Media o valor esperado
P ( x ) → Probabilidad de ocurrencia
∑ xP( x ), Si X es discreta

Varianza
considerando la probabilidad de E ( x )=
cada uno de ellos.
Media ponderada de los
{ ∞

∫ xf (x ) dx , Si X es continua
−∞
n

cuadrados de la diferencia entre

2
σ = √∑ [
i=1
2
X i−E ( X ) ] P( x )

cada valor numérico que tómala X i →i−ésimo valor númerico

variable aleatoria y su valor E ( X ) → Media o valor esperado
esperado. P ( x ) → Probabilidad de ocurrencia
Función de Función asociada a cada punto del P( X ¿ ¿i)= pi ¿
probabilidad espacio su muestral X la k

∑ P( X ¿¿ i)=1¿
probabilidad de que esta lo asuma. i=1
Función de Describe la probabilidad relativa b
P ( a ≤ X ≤ b )=∫ f ( x)dx
densidad según la variable aleatoria tomará a

determinado valor; esta es positiva

a lo largo del dominio de la
 función.

Distribución A partir de conocer la probabilidad

binomial de que un ensayo determinado P ( x=k ) = n pk . qn−k
producirá un éxito, es posible k ()
estimar cuántos éxitos habrá en un n → Número de pruebas ;
número dado de experimentos. k → Número de éxitos ;
p → Probabilidad de éxito ;
q → Probabilidad de fracaso
Aproximación Se aproximan mediante la
de la D. distribución de Poisson con
binomial a la D. esperanza λ=np. Es decir, la B ( k ; n ; p ) ≈ P ( k ; np )
Poisson media λ de la D. Poisson k =0,1,2,3 , …
aproximada está fija en el valor de
la esperanza conocida np de la
distribución binomial que se quiere
aproximar.
Distribución λ 2 e− λ
P ( X )=
Poisson x!

Mide la frecuencia relativa de un

P ( x ) → Probabilidad de ocurrencia
evento en función a una unidad de
λ → Valor esperado de ocurrencias por
tiempo, a una de espacio, o de unidad de tiempo, espacio o volumen

volumen. X i → Número de éxitos deseados

E ( X ) → Media o valor esperado
e → euler ,2.7182 8
Distribución Es una distribución discreta que k . N−k
hipergeométrica modela el número de eventos en p ( X=x ) = x n−x
( )( )
N
una muestra de tamaño fijo n ( )
cuando usted conoce el número N →Tama ñ o de poblaci ó n
total de elementos en la población k → N º de é xitos en N ;
de la cual proviene la muestra n → Tamañ o de la muestra ;
 x → Valor que toma la variable
Distribución Distribución con forma de X → N ( μ , σ )
normal campana, donde las desviaciones Z → N ( 0,1 )
estándar sucesivas con respecto a X−μ
Z=
la media establecen valores de σ

referencia para el μ → Media

estimar
σ → Desviaciónestandar
porcentaje de observaciones de
los datos.
Distribución Algunas características son: No
normal estándar depende de ningún parámetro; su
media es 0, su varianza es 1 y su
desviación típica es 1; la curva 
f(x)  es simétrica respecto del eje
OY; tiene un máximo en este eje y
tiene dos puntos de inflexión en  z
=1 y  z = -1
Área bajo la Área comprendida entre la curva,
curva el eje de las abscisas y líneas
perpendiculares a ese eje en
puntos específicos que delimita los
posibles casos de un experimento.
Aproximación Las condiciones son np ≥ 5 y n (1
de la normal a - p) ≥ 5 y además p está próximo a μ=np
la binomial 0,5. Debido a que la distribución σ =√ npq
normal es continua, y en
consecuencia entre dos valores Factor de corrección de
existirá una serie infinita de valores continuidad
posibles, para estimar una variable
aleatoria discreta se requiere de ( x +0,5 )−μ
Z=
un leve ajuste, denominado factor σ

de corrección de continuidad,
sumando o restando 1/2 al valor
 de x.

II. SOLUCIÓN DE EJERCICIOS: Aporte individual

1. TIPO DE EJERCICIO 1- DISTRIBUCIÓN BINOMIAL

P ( x=k ) = n pk . qn−k
Fórmula a aplicar  ()k
n → Número de pruebas ; k → Número de éxitos ; p→ Probabilidad de éxito ;
q → Probabilidad de fracaso

a. Si 22% de las piezas de computadores portátiles que fabrica una

maquinaria recién ajustada son defectuosas, calcula la probabilidad de que
en seis piezas elegidas al azar se obtenga:

Éxito: Encontrar en las piezas elegidas al azar, una pieza de computador

defectuosa.

p →22 %
q=1− p → q=78 %
n→6

 Una pieza defectuosa.

k →1

P ( x=k ) = n pk . qn−k
()k

P ( x=1 )=( 6 ) 0,22 . 0,78

1 6−1

1
P ( x=1 )=0,3811 → 38,11 %
 Figura 1. Validación en Geogebra

 Ninguna defectuosa.

k →0

P ( x=k ) = n pk . qn−k
()k

P ( x=0 )=( 6 ) 0,22 . 0,78

0 6 −0

0
P ( x=0 )=0,2252→ 22,52 %

Figura 2. Validación en Geogebra

  Dos piezas defectuosas como máximo.

k → 0,1,2

P ( x ≤ k )=P ( x=0 )+ …+ P ( x =k−1 )+ n p k .q n−k

k ()
P ( x ≤ 2 )=P ( x=0 ) + P ( x=1 ) + 6 0,222 .0,78 6−2
() 2
P ( x ≤ 2 )=0,2252+0,3811+ 0,2687
P ( x ≤ 2 )=0,875 → 87,5 %

Figura 3. Validación en Geogebra

2. TIPO DE EJERCICIO 2- DISTRIBUCIÓN POISSON

λ k −λ
P ( X=k )= e
k!

λ → Mediadel número de ocurrencias ; k → Número de ocurrencias(éxitos)

a. El número promedio de derrames de crudo que se presentan en el río

Magdalena es de 0.35 al mes.
Éxito: Derrames de crudo en el río Magdalena
λ → 0,35 ocurrencias/mes

¿Cuál es la probabilidad de que el próximo mes se presenten...?

 Dos derrames.
P ( X=2 )
λ k −λ
P ( X=k )= e
k!

0,352 −0,35
P ( X=2 )= e
2!
P ( X=2 )=0,0432→ 4,32 %

Figura 4. Validación en Geogebra

 Más de 1 derrame.

P ( X >1 )=1−P(X ≤1)

P ( X >1 )=1−P ( X=0 )−P ( X=1 )

0,350 −0,35 0,351 −0,35

P ( X >1 )=1− ( 0!
e )(−
1!
e )
P ( X >1 )=1−0,7047−0,2466
P ( X >1 )=0,0487

Figura 5. Validación en Geogebra

3. EJERCICIO 3. DISTRIBUCIÓN HIPERGEOMÉTRICA.

k . N−k
p ( X=x ) =
( x ) ( n−x )

( Nn )
N →Tamaño de población ; k → Nº de éxitos en N ; n → Tamaño de lamuestra ;
x → Valor que toma la variable

a. Cada uno de 15 air fryer de cierta marca ha sido regresada a un distribuidor

debido a que el sistema de encendido digital se bloquea.
Suponga que 9 de estos air fryer tienen un encendido digital defectuoso y
que los otros 6 tienen problemas menos serios.

Éxito: El air fryer tiene en encendido digital defectuoso

N →15
k →9
Si los air fryer se examinan en orden aleatorio, cuál es la probabilidad de que entre
los primeros 8 examinados:

 6 tengan un encendido digital defectuoso.

n→8
x→6
p ( X=6 )
k . N−k
p ( X=x ) =
( x ) ( n−x )

( Nn )
9 15−9
p ( X=6 )=
( 6 )( 8−6 )

(158 )
p ( X=6 )=0,1958 → 19,58 %

Figura 6. Validación en Geogebra

  Entre 3 y 7 inclusive tengan el encendido digital defectuoso.

n→8
P ( 3≤ X ≥ 7 )=P ( X =3 ) + P ( X=4 )+ P ( X =5 ) + P ( X=6 ) + P ( X=7 )

9 15−9 9 15−9 9 15−9 9 15−9 9 15−9

P ( 3≤ X ≥ 7 )=
( 3 )( 8−3 ) ( 4 )( 8−4 ) ( 5 )( 8−5 ) ( 6 )( 8−6 ) ( 7 )( 8−7 )
+ + + +
15 15 15 15
(8) (8) (8) (8) (158)
P ( 3≤ X ≥ 7 )=0,0783+ 0,2937+0,3916+ 0,1958+0,0336
P ( 3≤ X ≥ 7 )=0,993→ 99,3 %.

Figura 6. Validación en Geogebra

4. EJERCICIO 4. DISTRIBUCIÓN NORMAL

X → N ( μ , σ ) Z → N ( 0,1 )
 X−μ
Z=
σ
μ → Media σ → Desviación estandar

a. Suponga que la fuerza que actúa en una columna que ayuda a soportar un
edificio está normalmente distribuida con media de 15.0 kilolibras (kips) y
desviación estándar de 1.25 kilolibras (kips).

μ →15 , 0 kips σ →1 , 25 kips

X N ( 15; 1,25 )
 ¿Cuál es la probabilidad de que la fuerza sea de más de 18 kilolibras?

P ( X >18 ) =1−P ( X ≤18 )

X−μ
Z=
σ
18−15 3
Z= = =2,4
1,25 1,25

El valor de Z se busca en la tabla de distribución normal

P ( X ≤18 )=0,9918
P ( X >18 ) =1−0,9918
P ( X >18 ) =0,0082
 Figura 7. Validación en Geogebra

 ¿Cuál es la probabilidad de que la fuerza esté entre 10 y 12 kilolibras?

P ( 10≤ X ≤ 12 )=P ¿
X−μ
Z1 =
σ
−10−15
Z1 =
1,25
Z1 =−4
X−μ
Z2 =
σ
−12−15
Z2 =
1,25
Z2 =−2,4
P (−4 ≤ Z ≤−2,4 )=1−P(Z ≤−2,4 )

El valor de Z se busca en la tabla de distribución normal con valor positivo

P ( 10≤ X ≤ 12 )=1−0,9918
P ( 10≤ X ≤ 12 )=0,0082
 Figura 8. Validación en Geogebra

BIBLIOGRAFIA

ConexiónESAN. 2016. Principales distribuciones de probabilidad. Logística.

https://www.esan.edu.pe/apuntes-empresariales/2016/10/conoce-las-principales-
distribuciones-de-probabilidad/

Llinás Solano, H. (2017). Estadística descriptiva y distribuciones de

probabilidad. (pp. 183-186, 214-235, 283-299). Universidad del Norte. Recuperado
de https://elibronet.bibliotecavirtual.unad.edu.co/es/ereader/unad/70059?
page=201

Soporte de Minitab 18. 2019. Distribución hipergeométrica.

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/hypergeometric-
distribution/
 Soporte de Minitab 18. 2019. Distribución Normal
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/normality/what-is-the-normal-distribution/

Rodríguez Franco, J. y Pierdant Rodríguez, A. I. (2015). Estadística para

administración. (pp. 241-268, 287-297). Grupo Editorial Patria. Recuperado de
https://elibro-net.bibliotecavirtual.unad.edu.co/es/ereader/unad/39397?page=258