Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tarea 3 Experimentos Aleatorios y Distribuciones de Probabilidad
Tarea 3 Experimentos Aleatorios y Distribuciones de Probabilidad
Curso: Probabilidad
El estudiante
desarrolla el ejercicio
a en todos los 4 Tipo
de ejercicios
El estudiante
desarrolla el ejercicio
d en todos los 4 Tipo
de ejercicios
Actividad 1
Tabla comparativa de conceptos
Concepto Definición formula o imagen que representa el concepto
Variable
Variable es una función
aleatoria que asigna un
valor,
usualmente
numérico, al
resultado de un
experimento
aleatorio.
❑
Variable es aquella que
P [ XϵA ]=∫ fx ( x ) dx
aleatoria puede tomar A
continua cualquier valor
entre 2 fijados.
Los valores de la
variable no se
repiten.
Variable sólo puede tomar XX P(X=xi) P(X=xi)
aleatoria un número finito
discreta de valores dentro x1x
de un intervalo. p1p1
1
x2x
p2p2
2
⋮⋮ ⋮⋮
xnx
pn
n
Distribución de En teoría de la
Probabilidad probabilidad una
x
Continua distribución de
probabilidad se Fx=P ( X ≤ x ) ∫ f ( t ) dt
−∞
llama continua si
su función de
distribución es
continua.
Distribución de Una distribución
Probabilidad discreta describe
Discreta la probabilidad 1
P ( X =X i )=
de ocurrencia de n
cada valor de una
variable aleatoria
discreta
Media La mediana es el
número del
medio en un
grupo de datos
Desviación La medida de
estándar dispersión más
común, que
indica qué tan
dispersos están
los datos con
respecto a la
media
Valor esperado La esperanza
matemática de
una variable E(X)=∑i=1nxi⋅p(xi)
aleatoria X, es el
número que
expresa el valor
medio del
fenómeno que
representa dicha
variable.
Varianza Es una medida de
dispersión que
representa la
variabilidad de
una serie de
datos respecto a
su media.
Función de una función que
Probabilidad asocia a cada
punto de su
espacio muestral
X la probabilidad
de que esta lo
asuma.
Función de la función de (a) f(x) 0 por toda x
densidad densidad de
probabilidad,
función de (b) abf(x) dx=1
densidad, o,
simplemente,
densidad de una
variable aleatoria
continua describe
la probabilidad
relativa según la
cual dicha
variable aleatoria
tomará
determinado
valor.
Distribución Es una
binomial distribución de
probabilidad
discreta que
cuenta el número
de éxitos en una
secuencia de n
ensayos de
Bernoulli
independientes
entre sí, con una
probabilidad fija
p de ocurrencia
del éxito entre
los ensayos.
Aproximación La aproximación
de la D. de Poisson de la
binomial a la D. distribución
Poisson binomial se
puede emplear,
cuando hay un
resultado P ( μ n=m ) e−λ ×( λ m÷ m !)cuando n→ ∞
diferente sobre la
probabilidad de
que ocurra una
cantidad
determinada de
éxitos en una
serie de
experimentos
independientes
Distribución Es una
Poisson distribución de
probabilidad
discreta que se
aplica a las
ocurrencias de
algún suceso
durante un −λ λx
intervalo F ( X =x )=e
x!
determinado.
Nuestra variable
aleatoria x
representará el
número de
ocurrencias de un
suceso en un
intervalo
determinado, el
cual podrá ser
tiempo, distancia,
área, volumen o
alguna otra
unidad similar o
derivada de éstas.
Distribución Es una
Hipergeométrica distribución
discreta que
modela el
número de
eventos en una
muestra de
tamaño fijo
cuando usted
conoce el
número total de
elementos en la
población de la
cual proviene la
muestra
Distribución Se llama
normal distribución
normal,
distribución de
Gauss,
distribución
gaussiana o
distribución de
Laplace-Gauss, a
una de las
distribuciones de
probabilidad de
variable continua
que con más
frecuencia
aparece en
estadística y en la
teoría de
probabilidades.
Distribución La distribución
normal estándar normal estándar,
o tipificada o
reducida, es
aquella que tiene
por media el
valor cero, μ =0,
y por desviación
típica la unidad,
σ =1.
Área bajo la No importa
curva cuáles sean los
valores de la para
una distribución
de probabilidad
normal, el área
total bajo la
curva es 1.00, de
manera que
podemos pensar
en áreas bajo la
curva como si
fueran
probabilidades
Aproximación La aproximación
de la normal a la consiste en
binomial utilizar una
distribución
normal con la μ=npσ=√ npq
misma media y
desviación típica
que la
distribución
binomial.
Tipo de ejercicios 1 - Distribución Binomial.
f ( x )=P ( X =x )= n p x qn− x
()
x
b. Treinta personas, que tienen de la misma edad y el mismo estado de salud, son
aseguradas hoy con la misma compañía de seguros. Usando tablas de vida, la compañía
estima que la probabilidad de que una persona elegida al azar entre estos 30 esté viva en 15
años a partir de ahora es de 0.8.
Éxito=0.8
30 personas = n=30
X=número de personas con vida en 15 años
X~B (30.0,8)
1. P(X≤29)
2. P(X≥1)
2) ¿Cuál es la probabilidad de que al menos una persona de las 30 esté viva en 15 años?
Éxito=0.8
30 personas = n=30
X=número de personas con vida en 30 años
X~B (30.0,8)
1. P(X≥1)
probabilidad de que al menos una persona de las 30 esté viva en 15 años es de 1
3) Toda persona asegurada que estará viva después de 15 años recibirá $100.000.000.
¿Cuánto dinero debe estar dispuesta a pagar la aseguradora en 15 años por este lote de
asegurados?
Esperanza
E ( x )=n∗p
E ( x )=30∗0.8=24
$100.000.000 X 24 =$2400.000.000
b. La llegada de aviones a un aeropuerto puede ser modelada por un proceso de Poisson con
una tasa de 5 llegadas por hora.
1) ¿Cuál es la probabilidad de que llegue al menos un avión entre las 3:30 p.m. y las 5:00
p.m. en un día?
b. Suponga que la concentración de sodio (Na) en la sangre humana (medida en mM) sigue
una distribución normal distribución con media de 140 y desviación estándar de 5 mM.
Calcular:
1) La probabilidad de que la concentración de sodio en la sangre de una persona sea menos
de 130; entre 135 y 145; al menos 145
2) El porcentaje de personas en la población para las cuales la concentración de sodio esta
entre 140 y 150; por debajo de 130 o por encima de 160.
X concentración de sodio en la sangre
Media 140
Desviación estándar de 5 mM
P ¿130) =0.0228
P(134≤X≤145) =0.6827
P (X≥145 ¿) =0.1587
Link video ejercicio B
https://www.youtube.com/watch?v=KR3mhyLM14I&t=272s
Tabla comparativa
Variable,
formula o
Concepto Definición imagen que
representa el
concepto
Variable aleatoria Una variable aleatoria es la X
función matemática de un
experimento aleatorio. A priori, la
definición de variable aleatoria no
reviste mucha complejidad.
Variable aleatoria Una variable aleatoria continua es X
continua aquella que puede tomar cualquier
valor (al menos teóricamente)
entre 2 fijados. ... Esto es, en la
práctica, la variable no toma
infinitos valores.
Variable aleatoria Se denomina variable aleatoria X
discreta discreta aquella que sólo puede
tomar un número finito de valores
dentro de un intervalo. Por
ejemplo, el número de
componentes de una manada de
lobos, puede ser 4 ó 5 ó 6
individuos pero nunca 5,75 ó 5,87.
Distribución de En teoría de la probabilidad y
Probabilidad estadística, la distribución de
probabilidad de una variable
aleatoria es una función que
asigna a cada suceso definido
sobre la variable la probabilidad
de que dicho suceso ocurra
Distribución de Una distribución continua
Probabilidad Continua describe las probabilidades de los
posibles valores de una variable
aleatoria continua. Una variable
aleatoria continua es una variable
aleatoria con un conjunto de
valores posibles (conocido como
el rango) que es infinito y no se
puede contar.
Distribución de Una distribución discreta describe
Probabilidad Discreta la probabilidad de ocurrencia de
cada valor de una variable
aleatoria discreta.
Media En matemáticas y estadística, una µ
media o promedio es una medida
de tendencia central.
Desviación estándar La desviación estándar es la σ
medida de dispersión más común,
que indica qué tan dispersos están
los datos con respecto a la media.
Mientras mayor sea la desviación
estándar, mayor será la dispersión
de los datos.
Valor esperado La esperanza matemática, también E(x)
llamada valor esperado, es igual al
sumatorio de las probabilidades de
que exista un suceso aleatorio,
multiplicado por el valor del
suceso aleatorio. Dicho de otra
forma, es el valor medio de un
conjunto de datos.
Varianza La varianza es una medida de σ²
dispersión que representa la
variabilidad de una serie de datos
respecto a su media.
Función de k es el número de ocurrencias del
Probabilidad evento o fenómeno (la función nos
da la probabilidad de que el
evento suceda precisamente k
veces). λ es un parámetro positivo
que representa el número de veces
que se espera que ocurra el
fenómeno durante un intervalo
dado.
Función de densidad Una función de densidad de
probabilidad caracteriza el
comportamiento probable de una
población en tanto especifica la
posibilidad relativa de que una
variable aleatoria continua X tome
un valor cercano a x.
Distribución binomial La distribución binomial es una
distribución de probabilidad
discreta que nos dice el porcentaje
en que es probable obtener un
resultado entre dos posibles al
realizar un número n de pruebas.
c. En una cena el sábado por la noche en un restaurante, una compañía de ocho amigos.
tiene la opción de pescado o carne como plato principal, mientras que para el postre pueden
elegir ya sea crema de caramelo o pastel de selva negra. Suponiendo que el 70% de las
personas piden carne en su plato principal y un 60% de pedido de tarta de selva negra como
postre, encuentre la probabilidad de que:
( nx )( p) ( 1− p )
P ( x) =
x n−x
1) Una persona específica elige pescado como plato principal y pastel de selva negra para el
postre.
Tenemos los siguientes datos
n=8
x=1
Probabilidad de elegir otra carne que no sea carne
probilidad de que no pidacarne=30 %
pastel de selva negra
probabilidad pastel del selva negra=60 %
Entonces como tenemos una intercesión entre ambos
p=0.3∗0.6=0.18
Remplazamos los datos
Desarrollamos la combinación
8!
P ( x=1 )= ( 0.18 )1 ( 1−0.18 )8 −1
1! ( 8−1 )
La probabilidad de que alguien pida pescado como plato principal y pastel de selva negra
para el postre.
P ( x=1 )=0.3589=35.89 %
2) Entre las ocho personas, nadie elige la combinación de pescado y pastel de selva negra.
Tenemos los siguientes datos
n=8
x=0
Probabilidad de elegir otra carne que no sea carne
probilidad de que no pida carne=30 %
pastel de selva negra
probabilidad pastel del selva negra=60 %
Entonces como tenemos una intercesión entre ambos
p=0.3∗0.6=0.18
Remplazamos los datos
Desarrollamos la combinación
8!
P ( x=0 )= ( 0.18 )0 ( 1−0.18 )8−0
0 ! ( 8−0 )
La probabilidad de que nadie pida pescado como plato principal y pastel de selva negra
para el postre.
P ( x=1 )=0.2044=20.44 %
3) Entre las ocho personas, al menos seis eligen la combinación de carne y crema caramelo.
Tenemos los siguientes datos
n=8
x=0
Probabilidad de elegir otra carne que no sea carne
probilidad pida carne=70 %
pastel de selva negra
crema caramelo=40 %
Entonces como tenemos una intercesión entre ambos
p=0.7∗0.4=0.28
Tenemos que la probabilidad es igual a
P ( x ≥ 6 )=P ( x=6 )+ P ( x=7 )+ P ( x=8 )
Desarrollamos las probabilidades
8!
P ( x=6 )= ( 0.28 )6 ( 1−0.28 )8−6=0,006994734
6 ! ( 8−6 )
8!
P ( x=7 )= ( 0.28 )7 ( 1−0.28 )8−7=0,000777193
7 ! ( 8−7 )
8!
P ( x=6 )= ( 0.28 )8 ( 1−0.28 )8−8=3,77802E-05
8 ! ( 8−8 )
Sumamos la probabilidad
P ( x ≥ 6 )=0.78097
c. Julie tiene una página de Facebook y está muy interesada en tener una gran cantidad de
amigos en esta red social. El número de amigos agregados a su página sigue un proceso de
Poisson con una tasa de 3 personas por semana.
e−λ λ x
p ( x) =
x!
e−3 λ0
p ( x=0 )= =0.04978
0!
e−3 λ 1
p x=1 =
( ) =0.14936
1!
e−3 λ2
p ( x=2 )= =0.22404
2!
e−3 λ3
p ( x=3 )= =0.22404
3!
La probabilidad de al menos hacer 3 amigos
P ( X ≤3 )=0.6472=64.72 %
2) Suponga que durante una semana en particular no hizo nuevos amigos entre el
domingo y el viernes, y el viernes por la noche se sintió muy decepcionada y quería
saber la probabilidad de que haga al menos un nuevo amigo el sábado de esa
semana. ¿Puedes dar una respuesta a su pregunta?
Como tenemos 3 amigos a la semana la media para cada día seria
3
λ=
7
La probabilidad de que al menos gane 1 amigo el sábado
P ( X ≤2 ) =1−P ( X=0 )
Desarrollamos cada probabilidad aparte
3 0
−3
p ( x=0 )=
e 7
7 ()=0.651
0!
R N −¿ R
p ( x) =
( X )( n −¿ X )
( Nn )
donde
N=total de poblacion
R=exitos de la poblacion
n=muestra
1) ¿Cuál es la probabilidad de alguno de los cuatro paquetes que ella compró tenga su
fecha de vencimiento en menos de una semana, (es decir que estén vencidos cuando
ella los piense consumir)?
Para alguno entonces la probabilidad tiene que ser mayor a 1
p ( x ≥ 1 )=1−( p ( x=0 ) )
( Nn )
donde
N=45
R=5
n=4
5 45 −¿ 5
p ( x=0 )=
( 0 )( 4 −¿ 0 )
=0,613376288
45
( 4)
La probabilidad de que alguno este vencido es igual
p ( x ≥ 1 )=1−0,613376288=0.3866=38.66 %
2) ¿Cuál es la probabilidad de que la próxima semana, cuando ella esté lista para
consumir los cereales todos estén vencidos?
5 45 −¿ 5
p ( x=4 )=
( 4 )( 4 −¿ 4 )
=3,35582E-05
45
(4)
c. En cierta población humana el nivel de colesterol en la sangre (medido en mg dl− 1 )
sigue una distribución normal con media 𝜇 = 220 y desviación estándar 𝜎 = 40.
1) Encuentre el porcentaje de personas en esa población con un nivel de colesterol entre
200 y 260.
x−μ
z=
σ
3) Cuál es el valor del nivel de colesterol en sangre por encima del cual está el nivel de
colesterol en sangre del 10% de las personas en la población?
Tenemos que un 10% está por encima del nivel de colesterol en este caso el 90% ya que va
de izquierda a derecha
P ( x ≥ ? ) =0.90
Hacemos una función inversa
z=1.2815
Entonces remplazamos
x−220
=1.2815
40
Despejamos x
x−220=51.2606
Pasamos a sumar
x=51.2606+220
Tenemos que 10% de la población tiene colesterol mayor a 271.262
x=271.262
https://youtu.be/7n9vA7eFCtY
P ( X=r )= n Pr q n−r
()
r
*La parte seleccionada en rojo se omite en este punto al ser un orden
específico inicial de los únicos cinco tiros libres que falló.
Datos:
X =¿ tiros no anotados
r =5
n=16
P=0.15
q=0.85
Procedimiento:
P ( X=5 )=1.27∗10−5
Conclusión:
La probabilidad de que los cinco tiros que perdió sean en los primeros cinco
lanzamientos es de 1.27*10-5 teniendo en cuenta que son 16 los
lanzamientos totales y una probabilidad de 0.85.
2)
Fórmula:
P ( X=3 )=0.61425
b ¿ P ( X=8 )= 13 0.858 0.155
( )
8
P ( X=8 )=0.02663
1)
a)
Fórmula:
μk e−μ
P ( X=k )=
k!
Datos:
X =Terremotos fuertes
k =¿ Terremotos a calcular
2,5
μ= ∗3 meses=0.625
12 meses
Procedimiento:
P( X ≥ 3)=1− [ P( X=0)+ P( X=1)+ P ( X=2) ]
0.6250 e−0.625
P ( X=0 )=
0!
P ( X=0 )=0.53526
0.6251 e−0.625
P ( X=1 ) =
1!
P ( X=1 ) =0.33454
2 −0.625
0.625 e
P ( X=2 )=
2!
P ( X=2 )=0.10454
P( X ≥ 3)=1− [ 0.53526+ 0.33454+0.10454 ]
P ( X ≥3 )=0.02566
Conclusión:
Al calcular la probabilidad con distribución Poisson se determinó que la
probabilidad de que haya al menos 3 terremotos en un periodo de tres meses es
de 0.02566.
b)
Fórmula:
μk e−μ
P ( X=k )=
k!
Datos:
X =Terremotos fuertes
k =¿ Terremotos a calcular
2,5
μ=
1 año
Procedimiento:
P( X ≥ 3)=1− [ P( X=0)+ P( X=1)+ P ( X=2) ]
2.50 e−2.5
P ( X=0 )=
0!
P ( X=0 )=0.08208
2.5 1 e−2.5
P ( X=1 ) =
1!
P ( X=1 ) =0.20521
2.5 2 e−2.5
P ( X=2 )=
2!
P ( X=2 )=0.25652
P( X ≥ 3)=1− [ 0.08208+ 0.20521+ 0.25652 ]
P ( X ≥3 )=0.45619
Conclusión:
Al calcular la probabilidad con distribución Poisson se determinó que la
probabilidad de que haya al menos 3 terremotos en un periodo de un año es de
0.45619.
2)
Fórmula:
μk e−μ
P ( X=k )=
k!
Datos:
a)
X =Terremotos fuertes
k =¿ Terremotos a calcular
μ=2.5∗3=7.5
b)
X =Terremotos fuertes
k =¿ Terremotos a calcular
μ=2.5∗7=17.5
Procedimiento:
a)
P( X ≥ 3)=1− [ P( X=0)+ P( X=1)+ P ( X=2) ]
7.50 e−7.5
P ( X=0 )=
0!
P ( X=0 )=0.00055
7.51 e−7.5
P ( X=1 ) =
1!
P ( X=1 ) =0.00415
7.5 2 e−7.5
P ( X=2 )=
2!
P ( X=2 )=0.01555
P( X ≥ 3)=1− [ 0.00055+ 0.00415+ 0.01555 ]
P ( X ≥3 )=¿0.97975
b)
P( X < 3)=[ P(X =0)+ P ( X=1)+ P( X =2)]
17.50 e−17.5
P ( X=0 )=
0!
P ( X=0 )=0.000000025
17.51 e−17.5
P ( X=1 ) =
1!
P ( X=1 ) =0.000000439
2 −17.5
17.5 e
P ( X=2 )=
2!
P ( X=2 )=0.000003844
P( X < 3)=0.000000025+0.000000439+0.000003844
P ( X <3 ) =0.000004308
( P ( X ≥3 ))( P( X <3))=4.22076∗10−6
Conclusión:
Al calcular la probabilidad con distribución Poisson se determinó que la
probabilidad de que en los próximos 10 años haya exactamente 3 años en cada
uno de los cuales habrá al menos 3 terremotos fuertes es de 4.22076*10 -6.
( Nn )
Datos:
N=50
k =¿8
n=¿ 6
X ≥2
Procedimiento:
8 50−8
P( X =2)=
( 2 )( 6−2 )
( 506)
8 42
P( X =2)=
( 2 )( 4 )
(506)
( 28 )( 111930 )
P( X =2)=
( 15890700 )
P( X =2)=0.19722
8 50−8
P( X =3)=
( 3)( 6−3 )
(506)
8 42
P( X =3)=
( 3)( 3 )
(506 )
( 56 ) ( 11480 )
P( X =3)=
(15890700 )
P( X =3)=0.04046
8 50−8
P( X =4 )=
( 4 )( 6−4 )
(506)
8 42
P( X =4 )=
( 4 )( 2 )
(506 )
( 70 )( 861 )
P( X =4 )=
( 15890700 )
P( X =4 )=0.00379
8 50−8
P( X =5)=
( 5 )( 6−5 )
(506 )
8 42
P( X =5)=
( 5 )( 1 )
(506 )
(56 )( 42 )
P( X =5)=
( 15890700 )
P( X =5)=0.00015
8 50−8
P( X =6)=
( 6 )( 6−6 )
(506 )
8 42
P( X =6)=
( 6 )( 0 )
(506)
( 28 ) ( 1 )
P( X =6)=
( 15890700 )
P( X =6)=0.000002
Este Objeto Virtual de Información (OVI) llamado "Distribución Poisson”, tiene como
objetivo, indicar cuándo y cómo aplicamos una distribución Poisson. Este OVI sirve como
material de consulta para el desarrollo de las actividades de la Unidad 2 del curso.
Sánchez, J.(2020). OVI – Unidad 2. Distribución Poisson. Recuperado de
https://repository.unad.edu.co/handle/10596/35640
Última modificación: lunes, 23 de noviembre de 2020, 17:04