Objetivo:

Representar las operaciones de probabilidad con la distribución adecuada de variables.

Instrucciones:
A partir de las reglas de distribución de probabilidades desarrolla de manera clara los
siguientes ejercicios:

a) Ejercicios de distribución binomial.

1. La probabilidad de que una persona recién egresada de la universidad con buenas

calificaciones consiga trabajo en un mes es 0.9. ¿Cuál es la probabilidad de que cuatro de
cinco recién egresados con buenas calificaciones consigan trabajo en un mes?

Tenemos que la probabilidad de que la persona consiga trabajo en un mes es p:

p = 0.9 (probabilidad de consiga trabajo).

Ahora tenemos la probabilidad de que NO consiga trabajo q:

q = 1 – 0.9 = 0.1 (probabilidad de que NO consiga trabajo).

Tenemos el número de personas n:

n = 5 (Total de personas).

Tenemos el número de personas que consigan trabajo x:

x = 4 (Total de personas que consigan trabajo).

Utilizamos la fórmula de distribución binomial para desarrollar el ejercicio:

n x n−x n!
()
x
p q =
(
x ! ( n−x ) ! )
( p ¿ ¿ x)(1−p)n− x ¿

Sustituimos valores:

5!
( 4 ! (5−4 )) ! (0.9¿¿ 4)(1−0.9) ( 45xx34xx23xx12xx( 11) )=( 120
5 −4
24 )
=5 ¿

Obtuvimos el primer valor de la operación que es igual a 5, continuamos con la operación

elevando a su potencia cada operación y multiplicamos el resultado:

5(0.9 ¿¿ 4)(1−0.9)5− 4=5 ( 0.6561 ) ( 0.1 )=0.32805 ¿

Con esto obtenemos que existe el 32.8% de probabilidad de que cuatro de cinco
egresados consigan empleo.
2. La probabilidad de que una persona que entra a cierta tienda haga una compra es 0.6.
Encontrar las probabilidades de que de un grupo de nueve personas haga una compra.

Tenemos que la probabilidad de que una persona realice una compra p:

p = 0.6 (probabilidad de éxito).

Ahora tenemos la probabilidad de que NO realice una compra q:

q = 1 – 0.6 = 0.4 (probabilidad de que NO haga una compra).

Tenemos el número de personas n:

n = 9 (Total de personas).

Tenemos el número de personas que realicen una compra x:

x = 1 (Total de compras).

Utilizamos la fórmula de distribución binomial para desarrollar el ejercicio:

( nx ) p q =( x ! ( n−x
x n−x n!
)! )
( p ¿ ¿ x)(1−p) n− x
¿

Sustituimos valores:

9!
( 1! ( 9−1 ) !) ( 91(8x 8 xx 77 xx665x x54x 4x 3x x32xx21)x 1 )=( 362880
9−1
(0.6 ¿ ¿ 1)(1−0.6) =
40320 )
=9¿

Obtuvimos el primer valor de la operación que es igual a 9, continuamos con la operación

elevando a su potencia cada operación y multiplicamos el resultado:

9(0.6¿¿ 1)(1−0.6)9−1=9 ( 0.6 )( 0.00065536 )=0.00353894 ¿

Con esto obtenemos que existe el 0.35% de probabilidad de que las nueve personas
realicen una compra.

3. La probabilidad de que una persona que entra a cierta tienda haga una compra es 0.6.
Encontrar las probabilidades de que de un grupo de nueve personas haga tres, cuatro o
cinco compras.

Para este ejercicio realizaremos el mismo cálculo pero ahora consideraremos la compra
de tres, cuatro o cinco compras:

Iniciamos calculando que nueve personas realicen 3 compras:

p = 0.6 (probabilidad de éxito).

q = 1 – 0.6 = 0.4 (probabilidad de que NO haga una compra).
n = 9 (Total de personas).
x = 3 (Total de compras).

Utilizamos la fórmula de distribución binomial para desarrollar el ejercicio:

n!
( x ! ( n−x )! )
n− x
( p ¿ ¿ x)(1−p) ¿

Sustituimos valores para calcular 3 compras

9!
( 3 ! ( 9−3 )) ! (0.6¿¿ 3)(1−0.6) =( 9 x 86(x 76xx65xx54xx43xx31)x 2 x 1 )=( 362880
9−3
4320 )
=84 ¿

84 (0.6¿¿ 3)(1−0.6)9−3=84 ( 0.216 )( 0.004096 )=0.074317824 ¿

Tenemos entonces que el 7.43% de los nueve clientes tienen posibilidad de realizar 3
compras.

Ahora realizaremos el mismo ejercicio para cuatro compras:

p = 0.6 (probabilidad de éxito).

q = 1 – 0.6 = 0.4 (probabilidad de que NO haga una compra).
n = 9 (Total de personas).
x = 4 (Total de compras).

Utilizamos la fórmula de distribución binomial para desarrollar el ejercicio:

n!
( x ! ( n−x )! )
n− x
( p ¿ ¿ x)(1−p) ¿

Sustituimos valores para calcular 3 compras:

9! 9 x 8x 7 x6 x5 x 4 x 3x 2x 1 362880
( )
4 ! ( 9−4 ) !
(0.6 ¿ ¿ 4 )(1−0.6)9−4 =
( 24 (5 x 4 x 3 x 2 x 1))( =
2880 )
=126 ¿

126(0.6¿¿ 4)(1−0.6)9−4 =126 ( 0.1296 ) ( 0.01024 )=0.1672151¿

Tenemos entonces que el 16.72% de los nueve clientes tienen posibilidad de realizar 4
compras.

Ahora realizaremos el mismo ejercicio para cinco compras:

p = 0.6 (probabilidad de éxito).

q = 1 – 0.6 = 0.4 (probabilidad de que NO haga una compra).
n = 9 (Total de personas).
x = 5 (Total de compras).
Utilizamos la fórmula de distribución binomial para desarrollar el ejercicio:

n!
( )
x ! ( n−x ) !
( p ¿ ¿ x)(1−p)n− x ¿

Sustituimos valores para calcular 3 compras:

9!
( 5 ! ( 9−5 )) ! (0.6¿¿ 5)(1−0.6) =( 9 x 8 x1207 x(46 xx53xx42xx31)x 2 x 1 )=( 362880
9−5
2880 )
=126 ¿

126(0.6¿¿ 5)(1−0.6)9−5=126 ( 0.7776 )( 0.0256 )=0.25082266 ¿

Tenemos entonces que el 25.08% de los nueve clientes tienen posibilidad de realizar 5
compras.

A manera de resumen tenemos que de los nueve clientes:

7.43% pueden realizar 3 compras.

16.72% pueden realizar 4 compras.
25.08% pueden realizar 5 compras.

Entonces sumamos los resultados y tenemos que 49.24% de los clientes pueden
realizar 3, 4 o 5 compras.

4. Suponer que la probabilidad de que se recupere un automóvil en la ciudad de Puebla,

en la zona sur, es de 0.60. Encontrar la probabilidad de que se recuperen, por lo menos,
tres de 10 automóviles robados en la ciudad.

p = 0.6 (probabilidad de éxito).

q = 1 – 0.6 = 0.4 (probabilidad de que NO se recupere un auto).
n = 10 (Total de autos robados).
x = 0, 1, 2 (Total de autos recuperados).

Debemos calcular desde “0” autos recuperados porqué el ejercicio solicita que por lo
menos sean 3 automóviles recuperados, determinaremos los valores para 0, 1 y 2, donde
la suma nos resultaría en 3 automóviles.

10 !
( 0 ! ( 10−0 )! )
(0.6 ¿ ¿ 0)(1−0.6) 10−0
=1 ( 0.6 ) ( 0.00010486 )=0.00010486 ¿

10!
( 1! ( 10−1 )! )
(0.6 ¿ ¿1)(1−0.6) 10−1
=10 ( 0.6 )( 0.00026214 )=0.001572864 ¿
 10 !
( 2! (10−2 ) ! )
(0.6 ¿ ¿ 2)(1−0.6)10−2=180 ( 0.36 ) ( 0.00065536 )=0.010616832 ¿

Sumamos los valores y tenemos el resultado de 0.012294556 que en porcentaje

representa el 1.22%, pero en el ejercicio nos solicitan que por lo menos 3 automóviles
sean recuperados convertimos el 100% y le restamos el porcentaje de recuperación, nos
daría como resultado 1 – 1.22 = 98.77%

5. Después de seguir un tratamiento para dejar de fumar, la probabilidad de volver a

fumar dentro del primer mes es de 0.4. Determinar la probabilidad de que máximo tres de
siete pacientes vuelvan a fumar antes de un mes.

p = 0.4 (probabilidad de éxito).

q = 1 – 0.4 = 0.6 (probabilidad de que NO vuelvan a fumar).
n = 7 (Total de pacientes).
x = 0, 1, 2, 3 (Total de pacientes que recaen).

Realizamos los cálculos y obtenemos los siguientes resultados:

7!
( 0 ! ( 7−0 )! )
(0.4 ¿ ¿ 0)(1−0.4) 7 −0
=1 ( 0.4 ) ( 0.0279936 )=0.027993599 ¿

7!
( 1! ( 7−1 ) !)
(0.4 ¿ ¿ 1)( 1−0.4)7−1
=7 ( 0.4 ) ( 0.046656 )=0.0130636799 ¿

7!
( )
2! (7−2 ) !
(0.4 ¿ ¿ 2)(1−0.4)7 −2 =84 ( 0.16 ) ( 0.07776 ) =0.2612736 ¿

7!
( )
3 ! ( 7−3 ) !
(0.4 ¿ ¿3)(1−0.4)7−3=1260 ( 0.064 )( 0.1296 )=0.2903040000 ¿

Sumamos los resultados correspondientes de los pacientes que intentaron dejar de fumar
y tenemos que el resultado es 0.5926, lo que representa el 59.26% de que tres a siete
pacientes vuelvan a fumar antes de un mes.

6. Una empresa aplica un esquema de muestreo para aceptar lotes de ciertos insumos.
Se examinan diez artículos y el lote será rechazado si se encuentran dos o más artículos
defectuosos. Calcular la probabilidad de rechazar un lote si contiene 5% de artículos
defectuosos.

Para este ejercicio utilizaremos la formula nuevamente la formula de distribución binomial

donde:

p = 0.05 (probabilidad de éxito).

q = 1 – 0.05 = 0.05 (probabilidad de encontrar artículos defectuosos).
n = 10 (Total de artículos).
x = definimos que el lote es aceptado si x<2 (Total de artículos defectuosos).

Entonces la probabilidad la definimos de la siguiente forma:

p ( x<2 )= p ( x=0 ) + p( x=1)

Utilizamos la fórmula de distribución binomial:

10 ! 10 !
(0.05)0 (0.95)10−0 + (0.05)1 (0.95)10−1 =0.914
0 ! ( 10−0 ) ! 1 ! ( 10−1 ) !

Ya que tenemos el resultado tenemos que tener en cuenta que estamos considerando la
probabilidad de que sean rechazados los artículos, por lo que al 100% restamos el
resultado obtenido:

1−0.914=0.086

Con esto determinamos que el 8.6% de los artículos tienen la probabilidad de ser
rechazados.

b) Ejercicios de distribución de Poisson.

1. A menudo, el número de llamadas telefónicas que llegan a un conmutador se modela

como una variable aleatoria Poisson. Suponer que, en promedio se reciben 7 llamadas
por hora. ¿Cuál es la probabilidad de que lleguen exactamente cinco llamadas en una
hora?

Utilizaremos la siguiente fórmula de Poisson para determinar la distribución de

probabilidad:

λx − λ
f ( x )= e
x!

Donde tenemos que:

λ=7
x=5
e=2.7182

Procedemos a sustituir valores y resolvemos:

 75 −7 16807
f ( 5 )= 2.7182 = ∗0.0009118=140.058 ( 0.0009118 )=0.127705
5! 120

De esta manera determinamos que la probabilidad de recibir cinco llamadas simultaneas

en una hora es de 12.77%.

2. En un proceso de manufactura se registran, siguiendo la distribución de Poisson, en

promedio cuatro fallas en un turno de ocho horas. Calcular la probabilidad de que en un
turno cualquiera haya entre dos y cuatro fallas.

Nuevamente utilizaremos la fórmula de Poisson para determinar la distribución de

probabilidad:

λx − λ
f ( x )= e
x!

Donde tenemos que:

λ=4
x=2 , 3 , 4.
e=2.7182

Para calcular los valores de x, realizaremos las operaciones de cada valor; procedemos a
sustituir:

Probabilidad de tener dos fallas:

42 −4 16
f ( 2) = 2.7182 = ∗0.01831=8 ( 0.01831 )=0.1464
2! 2

Probabilidad de tener tres fallas:

43 −4 64
f ( 3 )= 2.7182 = ∗0.01831=10.666 ( 0.01831 )=0.1953
3! 6

Probabilidad de tener cuatro fallas:

44 −4 256
f ( 4)= 2.7182 = ∗0.01831=10.666 ( 0.01831 )=0.1953
4! 24

Con los resultados obtenidos podemos determinar que para:

2 fallas existe una probabilidad de 14.64%
3 fallas existe una probabilidad de 19.53%
4 fallas existe una probabilidad de 19.53%

*Nota: En clase en línea se determinó que los valores no se suman.

3. A un auto lavado llegan, siguiendo la distribución de Poisson, 8 autos por hora. Calcular
la probabilidad de que en una hora determinada llegue entre cuatro y siete autos.

Utilizaremos la fórmula de Poisson para determinar la distribución de probabilidad:

λx − λ
f ( x )= e
x!

Donde tenemos que:

λ=8
x=4 , 5 ,6 ,7.
e=2.7182

Para calcular los valores de x, realizaremos las operaciones de cada valor; procedemos a
sustituir:

Probabilidad de tener cuatro autos en el auto lavado:

84 −8 4096
f ( 4)= 2.7182 = ∗0.0003354=170.66 ( 0.0003354 )=0.05725
4! 24

Probabilidad de tener cinco autos en el auto lavado:

85 −8 32768
f ( 5 )= 2.7182 = ∗0.0003354=273.06 ( 0.0003354 )=0.09158
5! 120

Probabilidad de tener seis autos en el auto lavado:

6
8 −8 262144
f ( 6 )= 2.7182 = ∗0.0003354=364.08 ( 0.0003354 ) =0.12211
6! 720

Probabilidad de tener siete autos en el auto lavado:

 87 −8 2097152
f ( 7 )= 2.7182 = ∗0.0003354=416.101 ( 0.0003354 )=0.13956
7! 5040

Con los resultados obtenidos podemos determinar que para:

4 autos en el auto lavado existe una probabilidad de 5.73%

5 autos en el auto lavado existe una probabilidad de 9.15%
6 autos en el auto lavado existe una probabilidad de 12.21%
7 autos en el auto lavado existe una probabilidad de 13.95%

*Nota: En clase en línea se determinó que los valores no se suman.

c) Ejercicios de distribución normal.

1. El tiempo que les toma a un grupo de obreros ensamblar una serie de microchips tiene
una distribución normal con media de 14.5 minutos y desviación estándar de 2.5 minutos.
¿Cuál es la probabilidad de que a uno de estos obreros le tome entre 11 y 16 minutos?

Para este ejercicio utilizaremos la siguiente fórmula para calcular la probabilidad en

distribuciones normales:

x −μ
Z=
σ

Donde primero calculamos 11 minutos de tiempo de ensamblaje, tenemos que:

x=11
μ=14.5
σ =2.5

Sustituimos valores:

11−14.5 −3.5
Z= = =−1.4
2.5 2.5

Ahora procedemos a buscar el resultado obtenido en la tabla de distribución normal para

conocer el valor de Z y tenemos que el valor de Z es: 0.0808

Ahora calculamos el tiempo de 16 minutos que tarda el obrero en el ensamblaje, tenemos

que:

x=16
μ=14.5
σ =2.5
Sustituimos valores:

16−14.5 1.5
Z= = =0.6
2.5 2.5

Ahora procedemos a buscar el resultado obtenido en la tabla de distribución normal para

conocer el valor de Z y tenemos que el valor de Z es: 0.7257

El último paso es restar los resultados y de esta forma obtenemos la probabilidad de que
un obrero se tarde entre 11 y 16 minutos para ensamblar la serie de microchips:

Z=0.0808−0.7257=0.6449

Tememos entonces que la probabilidad de que un obrero se tarde entre 11 y 16 minutos

es de 64.49%

A continuación agrego imagen de donde fueron obtenidos los valores en la tabla de

distribución:

Tabla consultada del siguiente enlace:

https://i.pinimg.com/originals/34/61/b0/3461b065d3780cced43aaf8cbdc6fbdc.jpg

2. El tiempo que les toma a un grupo de obreros ensamblar una serie de microchips tiene
una distribución normal con media de 14.5 minutos y desviación estándar de 2.5 minutos.
¿Cuál es la probabilidad de que a uno de estos obreros le tome más de 18 minutos?

Nuevamente utilizaremos la fórmula para calcular la probabilidad:

x −μ
Z=
σ

x=18
μ=14.5
σ =2.5

Sustituimos valores:

18−14.5 3.5
Z= = =1.4
2.5 2.5

Buscamos en la tabla de distribución y obtenemos el resultado de 0.9192.

Ahora restamos de 1 el resultado y obtenemos:

Z=1−0.9192=0.0808

Uno de estos obreros tiene probabilidad de 8.08% de tardarse más de 18 minutos en

ensamblar la serie de microchips.

Tabla consultada del siguiente enlace:

https://i.pinimg.com/originals/34/61/b0/3461b065d3780cced43aaf8cbdc6fbdc.jpg

3. El tiempo que les toma a un grupo de obreros ensamblar una serie de microchips tiene
una distribución normal con media de 14.5 minutos y desviación estándar de 2.5 minutos.
¿Cuál es la probabilidad de que a uno de estos obreros le tome menos de 10 minutos?

Nuevamente utilizaremos la fórmula para calcular la probabilidad:

x −μ
Z=
σ

x=10
μ=14.5
σ =2.5

Sustituimos valores:

10−14.5 −4.5
Z= = =−1.8
2.5 2.5

Buscamos en la tabla de distribución y obtenemos el resultado de 0.0359.

Z=1−0.0359=0.9641

Uno de estos obreros tiene probabilidad de 9.64% de tardarse menos de 10 minutos en

ensamblar la serie de microchips.