TAREA 2 - EXPERIMENTOS ALEATORIOS Y DISTRIBUCIONES DE

PROBABILIDAD

Presentado por:
LUIS MIGUEL PEREZ
1100399009

Presentado a:
JORGE FERNANDO VARGAS

Grupo:
100402_52

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

JUNIO 2019
Ejercicio 1:
Cuadro sinoptico:

Se caracteriza porque
los valores se distribuyen
formando una campana
de Gauss, en torno a un
Distribución valor central que
Normal coincide con el valor
medio de la distribución.

Probabilidad
Distribución de
Condicional y probabilidad
distribuciones continua
de Probabilidad Es una distribución de
probabilidad que surge
del problema de estimar
Distribución la media de una
t-student población normalmente
distribuida cuando el
tamaño de la muestra es
pequeño

Es importante ya que por medio de

Importancia esta la mayoría de los ciudadanos
pueden entender cómo se calculan los
pronósticos y las probabilidades, y
como contribuyen a la reputación y a
las decisiones.

Es la rama de las matemáticas que estudia, mide o

determina los experimentos o fenómenos aleatorios
Aplicaciones Se aplica en áreas como la estadística, la física, la
matemática, las ciencias, la administración, contaduría,
economía y la filosofía para sacar conclusiones sobre
la probabilidad discreta de sucesos.
 EJERCICIO 2: ESTUDIOS DE CASO

Distribución Hipergeométrica: Una compañía tiene siete solicitantes para dos

puestos de trabajo: tres mujeres y cuatro hombres. Suponga que los siente
solicitantes están igualmente calificados y que no se da preferencia para elegir
género alguno. Sea x igual al número de mujeres escogido para ocupar las dos
posiciones.
a. Escriba la fórmula para p(x), la distribución de probabilidad de x.
b. ¿Cuáles son la media y la varianza de esta distribución?
c. Construya un histograma de probabilidad para x.

Solución:

La formula para p(x), es la siguiente:

𝒌 𝑵 −𝒌
( )( )
𝒑(𝑿 = 𝒙) = 𝒙 𝒏 − 𝒙
𝑵
( )
𝒏
De donde, se explica cada uno de los elementos:
N: Tamaño de la población
n: Tamaño de la muestra
K: Número de éxitos de la población
X: Número de éxitos de la muestra

3 7 −3 3 4
( )( ) ( )( )
(𝑋 = 2) = 2 3 − 2 = 2 1
7 7
( ) ( )
3 3
3! 4!
𝑛! ∗
𝑛 2! (3 − 2)! 1! (4 − 1)!
( )= = 𝑝(𝑥) =
𝑘 𝑘! (𝑛 − 𝑘)! 7!
3! (7 − 3)!
3 ∗ 4
𝑝(𝑥) =
35
 12
𝑝(𝑥) =
35
𝑝(𝑥) = 0,34
𝑝(𝑥) = 34%
¿Cuáles son la media y la varianza de esta distribución?
Media:
µ=𝑛∗𝑝
µ = 3 ∗ 0,34
µ = 1,02

Varianza:
𝑁−𝑛
𝜎 2 = 𝑛𝑝𝑞 ( )
𝑁−1
7−3
𝜎 2 = 0,673 ( )
7−1
4
𝜎 2 = 0,673 ( )
6
𝜎 2 = 0,673 ∗ 0,666
𝜎 2 = 0,448

Los valores posibles para x son 0, 1, 2 y 3. Así:

𝐶03 𝐶24
𝑝(0) = =0.28
𝐶27

𝐶13 𝐶14
𝑝(1) = 7 = 0.57
𝐶2
𝐶23 𝐶04
𝑝(2) = = 0.14
𝐶27

3 4
𝐶𝑋3 𝐶−1
𝑝(3) = =0
𝐶27
 Histograma
0.6

0.5
Probabilidad
0.4

0.3

0.2

0.1

0
1 2 3

Valores de x

Distribución Binomial: La preferencia por el color de un auto cambia con los

años y de acuerdo con el modelo particular que seleccione el cliente. En año
reciente, suponga que 10% de todos los autos de lujo que se vendieron eran
negros. Si 25 autos de es año y tipo se seleccionan al azar, encuentre las
siguientes probabilidades:
a. Al menos cinco autos sean negros.
b. A lo sumo seis autos son negros.
c. Más de cuatro autos son negros.
d. Exactamente cuatro autos son negros.
e. Entre tres y cinco autos (inclusive) son negros.
f. Más de veinte autos no son negros.

Solución

Variables
P= 10% = 0.1
Q= 1-01= 0.9
N= 25

𝑛
𝑃(𝑥 = 𝑘) = ( ) ∗ 𝑃𝑘 ∗ 𝑄 𝑛−𝑘
𝑘

Al menos cinco autos sean negros. P(x≥5)

P(x≥5) = P(X=5) `P(X=6) + P(X=7) +…..+P(X=25)

se calculará:
𝑃(𝑥 ≤ 4) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3) + 𝑃(𝑥 = 4)

𝑃(𝑥 = 0) = (∁25 0
0 )0,10 ∗ 0,90
25−0
= 1 ∗ 1 ∗ 0,0717 = 0,0717

𝑝(𝑥 = 1) = (∁125 )0,101 ∗ 0,9025−1 = 25 ∗ 0,1 ∗ 0,0797 = 0,19925

𝑝(𝑥 = 2) = (∁25 2
2 )0,10 ∗ 0,90
25−2
= 300 ∗ 0,01 ∗ 0,0886 = 0,2658

𝑝(𝑥 = 3) = (∁25 3
3 )0,10 ∗ 0,90
25−3
= 2.300 ∗ 0,001 ∗ 0,0984 = 0,22632

𝑝(𝑥 = 4) = (∁25 4
4 )0,10 ∗ 0,90
25−4
= 12.650 ∗ 0,0001 ∗ 0,1094 = 0,1384

𝑃(𝑋 ≤ 4) = 0,0717 + 0,19925 + 0,2658 + 0,22632 + 0,1384 = 0,9014

𝑃(𝑥 ≥ 5) = 1 − 𝑝(𝑥 ≤ 4)
𝑃(𝑥 ≥ 5) = 1 − 0,9014
𝑃(𝑥 ≥ 5) = 0,0986

A lo sumo seis autos son negros. P( x≤6)

𝒑(𝒙 ≤ 𝟔) = 𝑝(𝑥 = 0) + 𝑝(𝑥 = 1) + 𝑝(𝑥 = 2) + 𝑝(𝑥 = 3) + 𝑝(𝑥 = 4) + 𝑝(𝑥 =) + 𝑝(𝑥

= 6)
𝑝(𝑥 = 0) = (∁25 0
0 )0,10 ∗ 0,90
25−0
= 1 ∗ 1 ∗ 0,0717 = 0,0717
𝑝(𝑥 = 1) = (∁125 )0,101 ∗ 0,9025−1 = 25 ∗ 0,1 ∗ 0,0797 = 0,19925
𝑝(𝑥 = 2) = (∁25 2
2 )0,10 ∗ 0,90
25−2
= 300 ∗ 0,01 ∗ 0,0886 = 0,2658
𝑝(𝑥 = 3) = (∁25 3
3 )0,10 ∗ 0,90
25−3
= 2.300 ∗ 0,001 ∗ 0,0984 = 0,22632
𝑝(𝑥 = 4) = (∁25 4
4 )0,10 ∗ 0,90
25−4
= 12.650 ∗ 0,0001 ∗ 0,1094 = 0,138391

𝑝(𝑥 = 5) = (∁25 5
5 )0,10 ∗ 0,90
25−5
= 53.130 ∗ 0,00001 ∗ 0,1215 = 0,0645

𝑝(𝑥 = 6) = (∁25 6
6 )0,10 ∗ 0,90
25−6
= 177.100 ∗ 0,000001 ∗ 0,1350 = 0,0239
𝑝(𝑥 ≤ 6) = 0,0717 + 0,19925 + 0,2658 + 0,22632 + 0,138391 + 0,0645 + 0,0239
𝑝𝑥 ≤ 6 = 0,9905

Más de cuatro autos son negros.

Esta probabilidad es la misma que el literal a, puesto que más de 4 autos

de color negro significan los números a partir del 5 hasta el 25.
 Exactamente cuatro autos son negros.
𝑛
𝑓(𝑥, 𝑝, 𝑛) = ( ) ∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥
𝑥
25
𝑓(𝑥 = 4) = ( ) ∗ 0,14 ∗ (1 − 0,1)25−4
4
𝑓(𝑥 = 4) = 12.650 ∗ 0,0001 ∗ 0,109 = 0,13

Entre tres y cinco autos (inclusive) son negros.

𝑷(𝟑 ≥ 𝑿 ≤ 𝟓) = 𝑷(𝑿 = 𝟑) + 𝑷(𝑿 = 𝟒) + 𝑷(𝑿 = 𝟓)

𝑝(𝑥 = 3) = (∁25 3
3 )0,10 ∗ 0,90
25−3
= 2.300 ∗ 0,001 ∗ 0,0984 = 0,22632

𝑝(𝑥 = 4) = (∁25 4
4 )0,10 ∗ 0,90
25−4
= 12.650 ∗ 0,0001 ∗ 0,1094 = 0,138391

𝑝(𝑥 = 5) = (∁25 5
5 )0,10 ∗ 0,90
25−5
= 53.130 ∗ 0,00001 ∗ 0,1215 = 0,0645

𝑃(3 ≥ 𝑋 ≤ 5) = 0,22632 + 0,13839 + 0,0645

𝑃(3 ≥ 𝑋 ≤ 5) = 0,429

Más de veinte autos no son negros. P(x > 20 )

En este caso laa variables sufren un cambio, debido aque el caso de éxito
seria que el auto fuera de un color diferente al negro
P= 0,9
Q= 1-0.9= 0.1
N= 25

25!
𝑃(𝑥 = 21) = 0,921 0,125−21 = 0,1384
21! (25 − 21)!
25!
𝑃(𝑥 = 22) = 0,922 0,125−22 = 0,2265
22! (25 − 22)!
25!
𝑃(𝑥 = 23) = 0,923 0,125−23 = 0,2659
23! (25 − 23)!
25!
𝑃(𝑥 = 24) = 0,924 0,125−24 = 0,1994
24! (25 − 24)!
25!
𝑃(𝑥 = 25) = 0,925 0,125−25 = 0,0718
25! (25 − 25)!
𝑃(> 20) = 0,902
Estudio de caso 31:

La distribución de probabilidad de Poisson describe el número de veces que se

presenta un evento durante un intervalo específico. El intervalo puede ser de
tiempo, distancia, área o volumen. La distribución se basa en dos supuestos. El
primero consiste en que la probabilidad es proporcional a la longitud del intervalo.
El segundo supuesto consiste en que los intervalos son independientes. En otras
palabras, cuanto más grande sea el intervalo, mayor será la probabilidad; además,
el número de veces que se presenta un evento en un intervalo no influye en los
demás intervalos.

Esta distribución posee diversas aplicaciones. Se le utiliza como modelo para

describir la distribución de errores en una entrada de datos, el número de rayones
y otras imperfecciones en las cabinas de automóviles recién pintados, el número
de partes defectuosas en envíos, el número de clientes que esperan mesa en un
restaurante, el número de accidentes en una carretera en un periodo determinado.

Un conmutador puede manejar un máximo de 5 llamadas por minuto. Si la

experiencia indica que se recibe un promedio de 3 llamadas por minuto. Utilice la
distribución Poisson para encontrar las probabilidades de que el número de
llamadas recibidas por el conmutador en 1 minuto sea:
a. A lo sumo 4.
b. Menos de 3.
c. Al menos 4.
d. Quede saturado.
e. Entre 1 y 3.
f. Una o más pero menos de 5.
g. Más de 2 pero menos de 5.
h. Ninguna.

i. Si se cuenta el número de llamadas en 5 minutos, cual es la probabilidad de

que se reciban 4 llamadas.

Solución

1 Tomado y adaptado de Ritchey F., Estadística para las Ciencias sociales, Mc Graw Hill, 2014
Máximo 5 llamada por minutos
μ = 3 llamadas por minuto
e = 2,7182818
Distribución de Poisson:

Probabilidades de que el número de llamadas recibidas por el conmutador

en 1 minuto sea:

𝑃 = (𝑥 = 𝑘) = 𝜇 𝑘 ∗ 𝑒 −𝜇 /𝑘!

A lo sumo 4.:
P(X≤4) = P(X= 0) + P(X=1) +P (X=2) + P ( X=3) + P ( X=4)

P(X=0) = 3⁰*(2,7182718)⁻³/ 0! = 0,0497870

P(X=1) = 3¹*(2,7182718)⁻³/ 1! = 0,149361

P(X=2) = 3²*(2,7182718)⁻³/ 2! = 0,224041

P(X=3) = 3³*(2,7182718)⁻³/ 3! = 0,2240415

P(X=4) = 3⁴*(2,7182718)⁻³/ 4! = 0,16803

P(X≤4) = 0,81526

Menos de 3.

P(X<3) = P(X= 0) + P(X=1) +P (X=2)

P(X<3) = 0,4231895

Al menos 4.

P ( X=4) = 3⁴ (2,7182718)⁻³/ 4! = 0,16803

Quede saturado.
P ( X= 5) = 3⁵(2,7182718)⁻³/ 5! = 0,1 = 10%

Entre 1 y 3.
P (1≤X≤3) = P(X=1) +P (X=2) + P ( X=3)
P (1≤X≤3) = 0,5975

Una o más pero menos de 5.

P(X=1) = 3¹*(2,7182718)⁻³/ 1! = 0,149361

P(X=2) = 3²*(2,7182718)⁻³/ 2! = 0,224041

P(X=3) = 3³*(2,7182718)⁻³/ 3! = 0,2240415

P(X=4) = 3⁴*(2,7182718)⁻³/ 4! = 0,16803

P (1≤X<5) = P(X=1) +P (X=2) + P ( X=3) + P ( X=4) = 0,7580

Más de 2 pero menos de 5.

P(X=3) = 3³*(2,7182718)⁻³/ 3! = 0,2240415

P(X=4) = 3⁴*(2,7182718)⁻³/ 4! = 0,16803

P (2<X<5)= P ( X=3) + P ( X=4) = 0,39207

Ninguna.

P(X=0) = 3⁰*(2,7182718)⁻³/ 0! = 0,0497870

 REFERENCIAS BIBLIOGRÁFICAS

Rodríguez, F. &.-1. (s.f.). Recuperado el 04 de Noviembre de 2018, de

http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&
docID=11013767&tm=1470693471527
Rodríguez, F. &.-2. (s.f.). Recuperado el 04 de Noviembre de 2018, de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&
docID=11013767&tm=1470693471527
Rodríguez, F. &.-3. (s.f.). Recuperado el 04 de Noviembre de 2018, de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&
docID=11013767&tm=1470693471527
UNAD, U. N. (25 de AGOSTO de 2016). EPISTEMOLOGIA. Obtenido de
http://datateca.unad.edu.co/contenidos/100101/C100101/index.html