Probabilidad

Unidad 2 Tarea 3- Experimentos aleatorios y distribuciones de probabilidad

Presentado a:
Karen Nathaly Carmona Franco
Tutor

Entregado por:
Cornelio Antonio Molina León
Grupo:
100402_18

Universidad nacional abierta y a distancia – UNAD

Escuela de ciencias básicas, tecnologías e ingeniería

Ingeniería Electrónica

Julio 18 de 2021

Bogotá D.C.
 Actividad 1. Tabla comparativa de conceptos (Grupal).
Tabla anexa
Tabla Comparativa
Variable, formula o imagen que representa el con
Concepto Definición

una variable aleatoria es

una función que asigna un
Variable valor, usualmente
aleatoria numérico, al resultado de
un experimento aleatorio.
Por ejemplo, los posibles
resultados de tirar un dado
dos veces, etc. o un
número real. Wikipedia

Una variable aleatoria

continua es aquella que
puede tomar cualquier
Variable valor (al menos
aleatoria teóricamente) entre 2
continua fijados. Los valores de la
variable (al menos
teóricamente) no se
repiten.

cuando su campo de
variación (dominio de
definición) está constituido
por un conjunto finito o
Variable infinito numerable de
aleatoria valores posibles. Cada
discreta suceso de W se
corresponde con un valor .
  es aquella que permite
establecer toda la gama de
resultados probables de
ocurrir en un experimento
Distribución de determinado. Es decir,
Probabilidad describe
la probabilidad de que un
evento se realice en el
futuro.

describe
las probabilidades de los
posibles valores de una
variable aleatoria continua.
... Por lo tanto, solo los
rangos de valores pueden
tener
Distribución de una probabilidad diferente
Probabilidad de cero.
Continua La probabilidad de que
una variable
aleatoria continua equivalg
a a algún valor siempre es
cero.

describe
la probabilidad de
ocurrencia de cada valor de
una variable
aleatoria discreta. ... Con
una distribución de
Distribución de probabilidad discreta,
Probabilidad cada valor posible de la
Discreta variable
aleatoria discreta puede
estar asociado con
una probabilidad distinta
de cero.
 una media o promedio es
una medida de tendencia
central. Resulta al efectuar
una serie determinada de
operaciones con un
conjunto de números y que,
Media en determinadas
condiciones, puede
representar por sí solo a
todo el conjunto.

es la medida de dispersión
más común, que indica qué
tan dispersos están los
datos con respecto a la
media. Mientras mayor sea
Desviación la desviación estándar,
estándar mayor será la dispersión de
los datos.

La esperanza matemática,
también llamada valor
esperado, es igual al
sumatorio de las
probabilidades de que
Valor esperado exista un suceso aleatorio,
multiplicado por el valor del
suceso aleatorio. Dicho de
otra forma, es
el valor medio de un
conjunto de datos.
La varianza es una medida
de dispersión que
representa la variabilidad
de una serie de datos
Varianza respecto a su media.
Formalmente se calcula
como la suma de los
 residuos al cuadrado
divididos entre el total de
observaciones.
es una función que asocia a
cada punto de su espacio
Función de muestral X la probabilidad de
que esta lo asuma.
Probabilidad

Precisamente a la
función que hace
corresponder a cada
valor definido de la
variable aleatoria , la
Función de densidad media de
densidad probabilidad en un
"entorno infinitésimo" se
la conoce como función
de densidad : f(x) =F'(x)

es una distribución de
probabilidad discreta que
cuenta el número de éxitos en
una secuencia de  ensayos
de Bernoulli independientes
entre sí con una probabilidad
fija  de ocurrencia de éxito entre
Distribución los ensayos. Un experimento
binomial de Bernoulli se caracteriza por
ser dicotómico
 aproximación de Poisson 
de la
distribución binomial se
Aproximación puede emplear, cuando hay
de la D. un resultado diferente sobre
binomial a la la probabilidad de que
D. ocurra una cantidad
Poisson determinada de éxitos en
una serie de experimentos
independientes

es una distribución de
probabilidad discreta que
expresa, a partir de una
Distribución frecuencia de ocurrencia media,
Poisson la probabilidad de que ocurra
un determinado número de
eventos durante cierto período
de tiempo. Concreta

Es una de las distribuciones

de probabilidad discreta,
Distribución que se utiliza para calcular
Hipergeométric la probabilidad de una
a selección aleatoria de un
objeto sin repetir

Distribución La distribución de
normal probabilidad conocida como
distribución normal es, por
la cantidad de fenómenos
que explica, la más
 importante de las
distribuciones estadísticas,
a la distribución normal
también se le denomina
campana de gauss
La distribución normal
Distribución estándar es una Z=(x-υ)/ẟ
normal distribución normal con
estándar media cero y desviación
estándar 1 también llamada
distribución Z
La integral es el area bajo
la curva (en caso de que la
ecuación forme una curva)
o bajo la recta si nuestra
Área bajo la ecuación es lineal, y es
curva antiderivada cuando
tenemos una ecuacion
derivada y la integramos
obtenemos la ecuación
original
La distribución binomial es
una distribución discreta en
Aproximación la que n ensayos pueden (x +¿−1/2)−u
Z=
de la producir un éxito o un σ
normal a la fracaso, la probabilidad de
binomial éxito la denominamos p y la
probabilidad de fracaso
será q = (1-p)

Actividad 2. Ejercicios de aplicación (Individual).

Descripción de la Actividad (Individual):

Tipo de ejercicios 1 - Distribución Binomial.

a. Camilo y Juan se reúnen todos los miércoles para jugar un partido de
tenis de mesa. Si la probabilidad de que Jack gane un juego en
particular es 0.6, ¿cuál es la probabilidad de que en los primeros 10
juegos:

1) ¿Camilo gana los 10?

 n!
P ( k )= ∗p k q n−k
k ! ( n−k ) !
Distribución Binomial
k: cantidad de juegos ganados
n: juegos totales
p: probabilidad de éxitos
q: probabilidad de fracaso

10 !
P ( n=10 ; p=0.4 ) = ∗0.410 0.610−10∗100=0.010 %
10 ! ( 10−10 ) !

Camilo tiene una probabilidad de 0.010% ganar los 10 juegos.

2) ¿Juan gana cómo máximo dos juegos?

10!
3) P ( n=0; p=0.6 ) = ∗0.6 0 0.210−0∗100=0.010 %
0 ! ( 10−0 ) !
4)
5) P ( n=1 ; p=0.6 )=0.157 %
6) P ( n=2 ; p=0.6 )=1.062 %
7)
8) P ( n ≤2 ; p=0.6 )=0.010 % +0.157 %+ 1.062%=1.229 %
9)
10)Juan tiene una probabilidad de 1.229% de ganar máximo 2 juegos.

3) ¿Camilo gana al menos seis juegos?

P ( n ≥6 ; p=0.4 ) =11.148 %+ 4.247 % +1.062 %+0.157 % +0.010 %=16.624 %

Ejercicio 2. Distribución Poisson.

a. En la unidad de producción de alambre de una fábrica, hay un
empleado que inspecciona la calidad del cable a medida que sale de
la máquina que lo produce. Se ha estimado que la cantidad de
defectos en el cable sigue un proceso de Poisson con una tasa de un
defecto por 100 m de alambre producido. Un día, durante el trabajo,
se llama al empleado para que responda una llamada telefónica
urgente y él está ausente de su puesto durante 20 minutos. Si la
máquina produce 30 m de cable por minuto, encuentre la probabilidad
8
de que el empleado haya fallado durante su ausencia más de un
defecto en el cable.

µ x e−µ
P ( x) =
x!
Distribución Poisson

30 mts mts∗1 fallos

µ= ∗20 min=600 =6 fallos
1 min 100 mts

6 1 e−6
P ( x>1 ) =100 %− ∗100=100 %−1.487 %=98.512 %
1!

La probabilidad de hallar un fallo en el tiempo de ausencia es de 98.512%

Ejercicio 3. Distribución Hipergeométrica.

a. 16 jugadores participan en un torneo de tenis de mesa. Tres de los
jugadores que ingresan al torneo son zurdos mientras que el resto
son diestros. Suponiendo que inicialmente todos los jugadores tienen
la misma probabilidad de llegar a la final, verifique lo siguiente:
1) ¿Cuál es la probabilidad de que dos zurdos se encuentren en la
final?
( k C x ) ( N−k C n−x )
P ( N ,k , x , n )=
(N C n)
Distribución Hipergeométrica
N: total de jugadores
k: total de jugadores de interés (zurdos)
 x: zurdos seleccionados
n: jugadores por encuentro

( 3 C 2 ) ( 16−3 C 2−2 )
P ( 2,3,2,16 )= =2.5 %
( 16 C2 )

Existe una probabilidad del 2.5% de que dos zurdos se encuentren en la

final.

2) ¿Cuál es la probabilidad de que la final sea entre un zurdo y un

derecho?
1) ¿Cuál es la probabilidad de que la final sea entre un zurdo y un
derecho?
( 3 C 2 ) ( 16−3 C 2−1 )
P ( 2,3,1,16 )= =32.5 %
( 16 C2 )
Existe una probabilidad del 32.5% de que un zurdo y un diestro se
encuentren en la final.

Ejercicio 4. Distribución Normal.

a. El período de gestación para nacimientos se seres humanos (vivos)
se puede representar de forma aleatoria con la variable X siguiendo
la distribución normal con media 𝜇 = 270 días y una estándar
desviación 𝜎 = 10 días. Encuentre la proporción de niños que nacen
después de un período de gestación:
1) de menos de 240 días.

x−µ
P ( X ≤ x )=Z=
σ
Distribución Normal

µ: media de días
σ: desviación estándar
 x: días a medir

240−270
P ( X ≤240 )=Z = =−3
10

Para Z igual a -3, su correlación en tablas indica que la probabilidad de que

nazcan niños en menos de 240 días es de 0.0013%

2) entre 255 y 285 días

x 1−µ x 1−µ 255−270 285−270
P ( x 1 ≤ X ≤ x 2 )= ≤Z≤ = ≤Z≤
σ σ 10 10
P ( x 1 ≤ X ≤ x 2 )=P (−1.5 ≤ Z ≤1.5 ) =P ( Z ≤ 1.5 )−P ( Z ≥−1.5 )
P ( Z ≤1.5 ) −P ( Z ≥−1.5 )=P ( Z ≤ 1.5 )−¿

P ( Z ≤1.5 ) −¿

Para Z igual a 1.5, su correlación en tablas indica que la probabilidad de

que nazcan niños entre 255 y 285 días es de 0.8664%

Nombre estudiante Ejercicios sustentados Link video Explicativo

Cornelio Molina ejercicio 4
https://youtu.be/RnzqKM3Xw5c

Bibliografía:
Gamero Burón, C. (2017). Estadística I: elementos de estadística
descriptiva y de teoría de la probabilidad. (pp. 257-262, 329-345, 383-
395). Servicio de Publicaciones y Divulgación Científica de la Universidad
de Málaga.

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

probabilidad. (pp. 183-186, 214-235, 283-299). Universidad del Norte.

Obando López, J. y Arango Londoño, N. (2019). Probabilidad y

estadística. Fondo Editorial EIA. (pp. 57-69, 72-74).
Rodríguez Franco, J. y Pierdant Rodríguez, A. I. (2015). Estadística para
administración. (pp. 241-268, 287-297). Grupo Editorial Patria.