Tarea 3 – Experimentos aleatorios y distribuciones de Probabilidad.

Curso: Probabilidad

Tutor: Luis Bernardo Tejada

Estudiantes: Edgar Alonso Pérez

Cindy Marleyi Villareal
Xiomara Patiã‘o Gutierrez
Código:

Universidad Nacional Abierta y a Distancia

UNAD
2020
 INTRODUCCION
Con la realización de esta actividad aprenderemos a utilizar las diferentes distribuciones de
probabilidad y como aplicarlas a ejercicios cotidianos.
Nombre del Rol a desarrollar Grupo de ejercicios
estudiante a desarrollar

    El estudiante
desarrolla el ejercicio
a en todos los 4 Tipo
de ejercicios

 Edgar Alonso Pérez  Revisor El estudiante

desarrolla el ejercicio
b en todos los 4 Tipo
de ejercicios

Xiomara patiño alertas El estudiante

desarrolla el ejercicio
c en todos los 4 Tipo
de ejercicios

    El estudiante
desarrolla el ejercicio
d en todos los 4 Tipo
de ejercicios

 Cindy Marleyi Villareal  Evaluadora El estudiante

desarrolla el ejercicio
e 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)

1) ¿Cuál es la probabilidad de que no todas las 30 personas estén vivas en 15 años?

Éxito=0.8
30 personas = n=30
X=numero de personas con vida en 30 años
X~B (30.0,8)
1. P(X≤29)
2.
la probabilidad de que no todas las 30 personas estén vivas en 15 años de 0,998

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

La aseguradora estará dispuesta a pagar por el lote de asegurados la suma de

$2400.000.000

Ejercicio 2. Distribución Poisson.

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?

X=La llegada de aviones entre las 3:30 y las 5 PM

X"P(λ)
X"P (7.5)
λ=7.5
¿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?
P(X≥1)
2) Encuentre el valor esperado y la varianza del número de aviones que llegan entre las
3:30 p.m. y las 5:00 p.m. en un día.
Por las características de la distribución de Poisson el valor esperado y la varianza es λ
E(X)=7.5 V(X)=7.5
El valor esperado del número de aviones que llegan entre las 3:30 p.m. y las 5:00 p.m. en
un día es de 7.5.
La varianza del número de aviones que llegan entre las 3:30 p.m. y las 5:00 p.m. en un día
es de 7.5.

Ejercicio 3. Distribución Hipergeométrica.

b. Una caja de fósforos contiene normalmente 40 fósforos. Seleccionamos tres cajas de

fósforos al azar vaciamos su contenido en una bolsa de la cual se extraen 7 fósforos se
prueban todos y no prenden.

1) ¿Cuál es la probabilidad de que al menos dos de esos fósforos defectuosos

provengan de la primera de estas tres cajas?
X=numero de fósforos que no prenden en una caja
Total, de tres cajas de fósforos N=120
Tamaño de la muestra extraída n=40
Número de fósforos que se extraen d=7
 Numero de fósforos que no prenden X=0
P(x≥2) =0,5707

2) Explique si la aproximación binomial a la hipergeométrica sería apropiada en esta

situación.
Es apropiada la aproximación ya que es inferior al 5%del total de cajas
En este caso se divide n N
=0,3 y da menor esto se da porque n es menor que N
Se ve que las dos distribuciones poseen la misma esperanza matemática y que al tener
la hipergeométrica menor dispersión, es la curva de mayor curtosis, y podemos observar
que la diferencia entre las dos distribuciones se va reduciendo a medida que n pasa a ser
un porcentaje cada vez menor.
Ejercicio 4. Distribución Normal.

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

XIOMARA PATIÑO GUTIERREZ

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

P ( x=1 )= 8 ( 0.18 )1 ( 1−0.18 )8−1

()
1

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

P ( x=0 )= 8 ( 0.18 )1 ( 0−0.18 )8−1

()
0

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!

1) ¿Cuál es la probabilidad de que en una semana en particular gane menos de tres

amigos?
Tenemos nuestra media
λ=3
Entonces la probabilidad de que menos gane 3 amigos es igual
P ( X ≤3 )=( P ( X=0 ) + P ( X=1 ) + P ( X=2 )+ P ( X =3 ) )

Desarrollamos cada probabilidad aparte

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!

La probabilidad de al menos hacer 1 amigos

P ( X ≥1 ) =1−( 0.651 )=0.3485=34.85 %

c. En un estante de supermercado, hay 45 paquetes de cereales. Entre estos, hay cinco

paquetes que vencen en menos de una semana. Camila compra cuatro paquetes de cereales
al azar y tiene la intención de consumirlos después de una semana, ya que ella tiene otro
paquete de cereales en casa.

R N −¿ R
p ( x) =
( X )( n −¿ X )

( Nn )
donde

N=total de poblacion

R=exitos de la poblacion

n=muestra

x=numero de exitos de la 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 ) )

Entonces nuestro dato son iguales a

R N −¿ R
p ( x) =
( X )( n −¿ X )

( 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?

La probabilidad de que los 4 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

Tenemos que la probabilidad es igual a

P ( 200≤ x ≤ 260 ) =P ( x ≤260 ) −P ( 200 ≤ x )

Calculamos la primera probabilidad
200−220
z= =−0.5
40
Entonces la primera probabilidad es igual
P ( 200≤ x )=0.30853
Ahora calculamos la otra probabilidad
 260−220
z= =1
40
Entonces la segunda probabilidad es igual a
P ( x ≤ 260 )=0.8413
Tenemos que la probabilidad de que el porcentaje de personas tenga un colesterol entre 200
y 260 es
P ( 200≤ x ≤ 260 ) =0.8413−0.3085
Obtenemos los siguientes valores que el porcentaje de persona con colesterol entre 200 y
260
P ( 200≤ x ≤ 260 ) =0.5328
Por geogebra

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

link del video

https://youtu.be/7n9vA7eFCtY

CINDY MARLEYI VILLAREAL

Tipo de ejercicios 1 - Distribución Binomial.

e. Un jugador de baloncesto realiza tiros libres con éxito con una
probabilidad de 0.85. en un juego particular, intentó 16 tiros libres y anotó en
11 de ellos.
1) ¿Cuál es la probabilidad de que los cinco tiros que perdió fueron los
primeros cinco intentos?
2) ¿Cuál es la probabilidad de que los primeros tres tiros que intentó fueran
exitosos?
1)
Fórmula:

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 )=0.155 0.8511

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:

a ¿ P ( X=r )= n Pr q n−r , donde n=r

()r
*Esta fórmula se aplica al ser necesario calcular la probabilidad teniendo
como condición que los 3 primeros lanzamientos sean exitosos.
 b ¿ P ( X=r )= n Pr q n−r
()
r
*Antes de aplicar la fórmula es necesario calcular la probabilidad de que
los 3 primeros lanzamientos sean exitosos, una vez hecho el cálculo se
restan esos 3 valores a n.
Datos:
a) Para calcular la probabilidad de éxito en los tres primeros lanzamientos
bajo el condicional que los tres deben ser exitosos:
X =¿ tiros anotados
r =3
n=3
P=0.85
q=0.15

b) Teniendo en cuenta la resta de los tres primeros lanzamientos exitosos:

X =¿ tiros anotados
r =8
n=13
P=0.85
q=0.15
Procedimiento:

a ¿ P ( X=3 )= 3 0.853 0.150

()
3

P ( X=3 )=0.61425
 b ¿ P ( X=8 )= 13 0.858 0.155
( )
8

P ( X=8 )=0.02663

( P ( X=3 ))(P ( X =8 ) )=0.01636

Conclusión:
La probabilidad de que los tres primeros lanzamientos sean exitosos es de
0.01636, para llegar a este resultado se hizo necesario multiplicar las dos
probabilidades de éxito teniendo como fundamento que para calcular dicho
valor es necesario multiplicar la probabilidad de éxito y fracaso de cada
posibilidad presente bajo las condiciones estipuladas.
Ejercicio 2. Distribución Poisson.
e. En sismología, se dice que un terremoto es "fuerte" si tiene una magnitud
de al menos seis medidos en la escala de Richter. Imagínese eso en un área
que es golpeada frecuentemente por terremotos, el número de terremotos
fuertes sigue un proceso de Poisson con una tasa de 2.5 por año.
1) ¿Cuál es la probabilidad de que haya al menos tres terremotos? magnitud
(a) en un período de tres meses; (b) en un año?
2) Encuentre 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.

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.

Ejercicio 3. Distribución Hipergeométrica.

e. En una fábrica, de 50 máquinas que producen durante un día, 8 son
defectuosas, teniendo así un error operacional. Un ingeniero selecciona seis
máquinas al azar para examinar si tienen este error o no. ¿Cuál es la
probabilidad de que al menos dos de las máquinas seleccionadas sean
defectuosas?
Fórmula:
k N−k
P( X )=
( X )( n−X )

( 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

P( X =2)+ P (X=3)+ P( X=4)+ P(X =5)+ P ( X=6)=0.24162

Conclusiones:
Según el análisis de probabilidad hipergeométrica la probabilidad de que al menos
dos de las máquinas seleccionadas sean defectuosas es 0.2416.
Ejercicio 4. Distribución Normal.
e. Una tienda de prensa pide 200 copias de del periódico El Colombiano cada
semana. Se estima que la cantidad de copias del periódico que se vende
semanalmente tiene un valor normal distribución con parámetros μ= 180 y
σ= 8.
1) Encuentre la probabilidad de que, en una semana dada, la tienda venda las
200 copias del periódico El Colombiano.
2) ¿Cuál es la probabilidad de que, en un período de 12 semanas, haya al
menos dos domingos en los que se venden las 200 copias?
3) ¿Cuál es la distribución del número de semanas hasta que todas las
copias disponibles sean vendidos? ¿Cuál es el número esperado de
semanas hasta que esto suceda por primera vez?
1)
Fórmula:
X−μ
Z=
σ
Datos:
X ≥ 200
μ=180
σ =8
Procedimientos:
*Si se quisiera hallar la probabilidad de que se vendan exactamente las 200 copias
del periódico este sería un valor de 0 al ser una variable aleatoria continua, por
ende, el denominador es ∞.
200−180
Z=
8
Z=2.5
P( X ≥ 200)=1−0.9978
P( X ≥ 200)=0.0062
Conclusiones:
La probabilidad de que se vendan las 200 copias de periódicos tomando X≥200 es
de 0.0062.
 CONCLUCIONES
Podemos concluir como las distribuciones de probabilidad las podemos implementar según
sea el caso para resolver situaciones de probabilidad que se dan en la vida diaria.
 BIBLIOGRAFIA

Unidad 2 - Probabilidad Condicional y distribuciones de Probabilidad.

Contenidos y Referentes bibliográficos de la unidad.

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. Recuperado de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/60724?page=257

Llinás Solano, H. (2017). Estadística descriptiva y distribuciones de probabilidad. (pp. 183-

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

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

Editorial EIA. (pp. 57-69, 72-74). Recuperado de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/125705?page=58

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

OVI 2 – Distribución Poisson

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