PROBABILIDAD

Tarea 2 - Experimentos aleatorios y distribuciones de probabilidad

Presentado por:
ALEXANDER VALENCIA CARABALI.
CODIGO: 76224663
JOSÉ DANIEL HERRERA AGUDELO
Código: 18370750
DAVID STEVEN JARAMILLO
Código:
LUZ MERY VELEZ
Código:
NIDIA ROCIO CAMPUZANO
Código:
GRUPO: 100402_162

TUTORA DEL CURSO:

ZORAIDA MONSALVE
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE
CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA – ECBTI.
Introducción

El presente trabajo está enfocado a la presentación y análisis de información en el cual pretende

dar un acercamiento general hacia los temas de la unidad 2 tarea 2 del módulo del curso

académico y del contenido temático de Estadística Descriptiva, en el cual se trabajaron temas

como conceptos básico de la probabilidad, algunas etapas de la investigación probabilidad,

caracterización en contexto sobre que es la distribución Binominal.

Temática que tiene como fin dar entregar conceptos básicos al estudiante para entender como

analizar información por medio de la probabilidad, realizando un trabajo con la presentación de

una situación problema, el cual es utilizado como ejemplo para que a través de un trabajo grupal

y un videoconferencias que permiten entender mejor el desarrollo de la actividad que permiten

guiar al estudiante en cada actividad presentada para esta etapa, apoyos que permitieron realizar

de manera satisfactoria las actividades propuesta de la unidad 2consistente en el análisis de

información de los caso estudiados.

Objetivos

Desarrollar la unidad 2 tarea 2 Presentación y Análisis de la Información en los

estudios de los casos.

Realizar los aportes individuales de los casos y un cuadro sinóptico

Identificar la información suministrada para el desarrollo de esta actividad.

Realizar los trabajos individual de los cosos estudios de la probabilidad, de los

Distribución Hipergeométrica operaciones variables y las Medidas y dándoles la
importancias de las temáticas de la unidad 2.
 ESTUDIO DE CASO 1

DEFINICION:
Para poder desarrollar con alta claridad este ejercicio en pro del desarrollo de este
caso se entra en contexto sobre que es la distribución Hipergeométrica:
En la distribución binomial siempre aseguramos la independencia, es decir, el
muestreo se realiza con reemplazamiento y la probabilidad de éxito es constante en
cada una de las pruebas. Supongamos que esto no ocurre, no hay reemplazamiento
y la variable aleatoria sigue otro tipo de distribución. Veamos un ejemplo
Sea N el número de profesores de un Centro de Enseñanza Secundaria que deben
elegir Director entre dos candidatos A y B. Sea n el número de profesores que
apoyan al candidato A y N-n el número de profesores que apoyan al candidato B.
Supongamos que queremos hacer un sondeo antes de la votación final, tomamos
una muestra con K profesores y le preguntamos el candidato al que piensan votar.
Supongamos que X es la variable aleatoria que nos mide el número de profesores
de la muestra que piensan votar al candidato A. El interés está en calcular la
probabilidad de que X=r, es decir, que en la muestra haya r personas que piensan
votar al candidato A.
Deduciremos la fórmula utilizando la Ley de Laplace.
¿De cuántas maneras puedo elegir muestras de tamaño n entre N elementos que
tiene la población?
𝑁
( 𝑛 ) Casos posibles

Es preciso conocer la probabilidad de éxito y la probabilidad de fracaso en la

población. El número de casos favorables será:
𝑁𝑝 𝑁𝑞
( 𝑟 )(𝑛 − 𝑟 )
𝑃(𝑥, = 𝑟) = ; 𝑟 = 0,1,2, … 𝑛
𝑁
(𝑛)

𝑴𝒆𝒅𝒊𝒂: 𝐸{𝑥} = 𝑛𝑝
𝑁−𝑛
𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂: 𝑉{𝑥} = 𝑛𝑝𝑞
𝑁−1
 𝑛
𝐶𝑢𝑎𝑛𝑑𝑜
𝑁
≤ 𝟎, 𝟎𝟓 𝒍𝒂 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊𝒐𝒏 𝒉𝒊𝒑𝒆𝒓𝒈𝒆𝒐𝒎é𝒕𝒓𝒊𝒄𝒂 𝒔𝒆 𝒂𝒑𝒓𝒐𝒙𝒊𝒎𝒂 𝒂 𝒍𝒂 𝒃𝒊𝒏𝒐𝒎𝒊𝒏𝒂𝒍

Ejercicio:
Distribución Hipergeométrica: Una compañía tiene siete solicitantes para dos
puestos de trabajo: tres mujeres y cuatro hombres. Suponga que los siete
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.
Solución:
a. Escriba la fórmula para p(x), la distribución de probabilidad de x.
Respuesta:
La Formula general para la probabilidad de x es:
𝑁𝑝 𝑁𝑞
( 𝑟 )(𝑛 − 𝑟 ) 𝑄𝑟𝑘 𝑄𝑛−𝑥
𝑁−𝐾
𝑃(𝑥, = 𝑟) = = 𝐶𝑜𝑛 𝑥 ≤ 𝐾 (1)
𝑁 𝑄 𝑁
𝑛
(𝑛)

Donde:
𝑵 = 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
𝑲 = 𝐸𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
𝑿 = 𝐸𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝒏 = 𝐸𝑠 𝑒𝑙 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑜 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑛𝑠𝑎𝑦𝑜𝑠
𝑸 = 𝐶𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖𝑜𝑛 𝑝𝑎𝑟𝑎 𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛
Si definimos valores
𝑵=7
𝑲=3
𝒏= 2
𝑵−𝒌= 7−3= 5
𝒏 − 𝒙𝒐 = 3 − 𝑥𝑜
Solución de las combinaciones
𝑛!
𝑛𝐶𝑟 = (2)
𝑟! (𝑛 − 𝑟)!
Si remplazamos la ecuación 2 en 1 obtenemos la ecuación general para este
caso.
3! (7 − 3)!
( )( )
𝑥! (3 − 𝑥)! (2 − 𝑥)! (7 − 3) − (2 − 𝑥))!
𝑃𝑥 =
7!
3! (7 − 3)!
b. ¿Cuáles son la media y la varianza de esta distribución?
Si nos guiamos del primer concepto pre definido al principio del caso remplazamos
en las ecuaciones y encontramos que la solución final de esta viene expresada de
la siguiente manera:
𝑆 3 𝟔
𝑴𝒆𝒅𝒊𝒂 ∶ 𝐸{𝑥} = 𝑛𝑝 → 𝜇 = 𝑛 ∗ ( ) = 2 ∗ ( ) = = 𝟎, 𝟖𝟓𝟕𝟏
𝑁 7 𝟕

𝑆 𝑁−𝑛 𝑁−𝑆 3 7−3 7−2

𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂: 𝜎 2 = 𝑛 ∗ ( ) ∗ ( )∗( ) = 2( ) ∗ ( )∗( )
𝑁 𝑁−1 𝑁 7 7−1 7
𝟐𝟎
= = 𝟎, 𝟒𝟎𝟖𝟏
𝟒𝟗

c. Construya un histograma de probabilidad para x

Como la compañía solo tiene dos vacantes. Y es para x probabilidad de mujeres,
entonces creemos intervalos de 0 a 2 y quedaría así:
2! 5!
)∗( ( ) 𝟐
0! (2 − 0)! (3 − 0)! (5 − (3 − 0))!
0 𝑀𝑢𝑗𝑒𝑟𝑒𝑠 = 𝑃0 = = = 𝟎. 𝟐𝟖𝟓𝟕𝟏𝟒
7! 𝟕
3! (7 − 3)!
2! 5!
)( (
) 4
1! (2 − 1)! (3 − 1)! (5 − (3 − 1))!
1 𝑀𝑢𝑗𝑒𝑟 = 𝑃1 = = = 𝟎, 𝟓𝟕𝟏𝟒𝟐
7! 7
3! (7 − 3)!

Probabilidad de ser seleccionada

Probabilidad de ser empleada

0.572

Probabilidad de ser elegida

0.286
Linear (Probabilidad de ser
0.142 elegida)

0 1 2
Probabilidad de ser elegida 0.286 0.572 0.142
Aspirantes mujeres al cargo

2! 5!
( )( ) 𝟏
2! (2 − 2)! (3 − 2)! (5 − (3 − 2))!
2 𝑀𝑢𝑗𝑒𝑟𝑒𝑠 = 𝑃2 = = = 𝟎, 𝟏𝟒𝟐
7! 𝟕
(7
3! − 3)!
 ESTUDIO DEL CASO 2
DEFINICION:
Para poder desarrollar con alta claridad este ejercicio en pro del desarrollo de este
caso se entra en contexto sobre que es la distribución Binominal:
Hay muchas situaciones en las que sólo interesa conocer si un determinado
suceso se produce o no se produce. Si el suceso ocurre, diremos que hemos
obtenido un éxito y lo simbolizamos por E y si no ocurre diremos que hemos
obtenido un fracaso y lo simbolizamos por F.
𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 é𝑥𝑖𝑡𝑜 𝑙𝑎 𝑙𝑙𝑎𝑚𝑎𝑚𝑜𝑠 𝑝
𝐿𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑟𝑎𝑐𝑎𝑠𝑜 𝑙𝑎 𝑙𝑙𝑎𝑚𝑎𝑚𝑜𝑠 𝑞
𝐿ó𝑔𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑝 + 𝑞 = 1
Se trata de un experimento aleatorio que no tiene más que dos resultados posibles
E y F tales que 𝑃(𝐸) = 𝑝 𝑦 𝑃(𝐹) = 𝑞
Es interesante el caso en el que se repitan pruebas independientes del mismo
experimento y la probabilidad de éxito se mantenga constante en todas ellas.
Responden a este modelo experimentos como los siguientes:
- Lanzar una moneda varias veces considerando éxito la obtención de cara.
𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑝 = 𝑞 = 1/2
Lanzar un dado varias veces, considerando éxito que salga el 6 y fracaso que no
salga el 6.
En este caso 𝑝 = 1/6 𝑦 𝑞 = 5/6.
Las distintas probabilidades son los sumandos del desarrollo del binomio (𝑝 + 𝑞)𝑛,
por lo que:

𝑛
𝑃(𝑋 = 𝑟) = (𝑟 ) 𝑃𝑟 𝑞 𝑛−𝑟

Convenimos en designar al experimento binomial con n pruebas, siendo p la

probabilidad de éxito, como B(𝑛, 𝑝).
Ejercicio:
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 ese año y tipo se seleccionan al azar, encuentre las siguientes
probabilidades:

Solución:

a. Al menos cinco autos sean negros.

Respuesta: Partiendo de los conceptos previos encontramos la ecuación general:

𝑃(𝑥) = 𝑛𝑖𝐶𝑥 𝜋 𝑥 (1 − 𝜋)𝑛−𝑥

Donde:

𝒏 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑛𝑠𝑎𝑦𝑜𝑠

𝑪: 𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖ó𝑛

𝝅 = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 é𝑥𝑖𝑡𝑜 𝑒𝑛 𝑐𝑎𝑑𝑎 𝑒𝑛𝑠𝑎𝑦𝑜

𝒙: 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑐𝑜𝑚𝑜 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠

Y como ya conocemos que un suceso se soluciona de la manera

𝑛!
𝑛𝐶𝑟 =
𝑟! (𝑛 − 𝑟)!

Si definimos valores:

𝒏 = 25
𝝅 = 0,1

Para resolverlo iniciamos de 0 a 5

25!
0 𝑐𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠 = 𝑃(0) = (0,1)0 (1 − 0,1)25−0 = 𝟎, 𝟎𝟕𝟏𝟕𝟖𝟗
0! (25 − 0)!
25!
1 𝑐𝑎𝑟𝑟𝑜 𝑛𝑒𝑔𝑟𝑜 = 𝑃(1) = (0,1)1 (1 − 0,1)25−1 = 𝟎, 𝟏𝟗𝟗𝟒𝟏𝟔
1! (25 − 1)!
 25!
2 𝑐𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠 = 𝑃(2) = (0,1)2 (1 − 0,1)25−2 = 𝟎, 𝟐𝟔𝟓𝟖𝟖
2! (25 − 2)!
25!
3 𝐶𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠 = 𝑃(3) = (0,1)3 (1 − 0,1)25−3 = 𝟎, 𝟐𝟐𝟔𝟒𝟗𝟕
3! (25 − 3)!
25!
4 𝑐𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠 = 𝑃(4) = (0,1)4 (1 − 0,1)25−4 = 𝟎, 𝟏𝟑𝟖𝟒𝟏𝟓
4! (25 − 4)!

Para obtener el valor final de la probabilidad de saber si salieron 5 carros

sumaremos la probabilidades menores a estas y esto indicara la posibilidad que
existió de que este evento ocurriera

𝐹𝑜𝑟𝑚𝑢𝑙𝑎 𝑑𝑒 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑓𝑖𝑛𝑎𝑙 = 𝑃 ≥ 5 = 1 − ∑ 𝑃 < 5

5 𝑐𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠 = 𝑃 ≥ 5 = 1 − 0,90204 = 𝟎, 𝟎𝟗𝟕𝟗𝟓

b. A lo sumo seis autos son negros.

Repetimos el sistema anterior, pero esta vez anexamos el 5

𝑃(0) = 𝟎, 𝟎𝟕𝟏𝟕𝟖𝟗
𝑃(1) = 𝟎, 𝟏𝟗𝟗𝟒𝟏𝟔
𝑃(2) = 𝟎, 𝟐𝟔𝟓𝟖𝟖
𝑃(3) = 𝟎, 𝟐𝟐𝟔𝟒𝟗𝟕
𝑃(4) = 𝟎, 𝟏𝟑𝟖𝟒𝟏𝟓
25!
5 𝐶𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠 = 𝑃(5) = 𝑃(5) = (0,1)5 (1 − 0,1)25−5 = 𝟎, 𝟎𝟔𝟓
5! (25 − 5)!
25!
𝑃(6) = (0,1)6 (1 − 0,1)25−6 = 𝟎, 𝟎𝟐𝟒
6! (25 − 6)!

Para obtener el valor final de a lo sumo 6 carros negros sumaremos todos los
anteriores valores para obtener un máximo

𝐴 𝑙𝑜 𝑠𝑢𝑚𝑜 6 𝑐𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠 = 𝑃 ≤ 6 = 𝟎, 𝟗𝟗𝟏

 c. Más de cuatro autos son negros.

𝑃(0) = 𝟎, 𝟎𝟕𝟏𝟕𝟖𝟗
𝑃(1) = 𝟎, 𝟏𝟗𝟗𝟒𝟏𝟔
𝑃(2) = 𝟎, 𝟐𝟔𝟓𝟖𝟖
𝑃(3) = 𝟎, 𝟐𝟐𝟔𝟒𝟗𝟕
𝑃(4) = 𝟎, 𝟏𝟑𝟖𝟒𝟏𝟓

Al igual que en el inciso a, miramos la posibilidad de 𝑃 > 4 como se

𝑃 > 4 = 1 − 𝑝0 + 𝑃1 + 𝑃2 + 𝑃3 + 𝑃4 = 1 − 0,90204 = 𝟎, 𝟎𝟗𝟕𝟗𝟓

d. Exactamente cuatro autos son negros.

Para encontrar esta probabilidad debe ser exacto por ende se calcula por medio de
la formula a un número determinado:

25!
𝑃(4) = (0,1)4 (1 − 0,1)25−4 = 𝟎, 𝟏𝟑𝟖𝟒𝟏𝟓
4! (25 − 4)!

e. Entre tres y cinco autos (inclusive) son negros.

𝑃(3) = 𝟎, 𝟐𝟐𝟔𝟒𝟗𝟕
𝑃(4) = 𝟎, 𝟏𝟑𝟖𝟒𝟏𝟓
𝑃(5) = 𝟎, 𝟎𝟔𝟓

Para resolver este valor sumamos el valor de las probabilidades obtenidos

anteriormente

𝑃 (3 𝑎 5 ) = ∑ 𝑃(3 𝑎 5) = 0,430

f. Más de veinte autos NO son negros.

Se toma la probabilidad de 90% como indica el enunciado que es la probabilidad de

no venta de este color
 25!
21 𝑐𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠: 𝑃(21) = (0,9)21 (1 − 0,9)25−21 = 𝟎. 𝟏𝟑𝟖𝟒
21! (25 − 21)!
25!
22 𝑐𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠: 𝑃(22) = (0,9)22 (1 − 0,9)25−22 = 𝟎. 𝟐𝟐𝟔𝟒
22! (25 − 22)!
25!
23 𝑐𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠 ∶ 𝑃(23) = (0,9)23 (1 − 0,9)25−23 = 𝟎. 𝟐𝟔𝟓𝟖
23! (25 − 23)!
25!
24 𝑐𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠: 𝑃(24) = (0,1)24 (1 − 0,1)25−24 = 𝟎. 𝟏𝟗𝟗𝟒
24! (25 − 24)!
25!
25 𝑐𝑎𝑟𝑟𝑜𝑠 𝑛𝑒𝑔𝑟𝑜𝑠: 𝑃(25) = (0,9)25 (1 − 0,9)25−25 = 𝟎. 𝟎𝟕𝟏𝟕
25! (25 − 25)!

Si sumamos todas las probabilidades que existen de que se vendan estos carros
encontramos el valor

𝑃 > 20 = ∑ > 20 = 𝟎. 𝟗𝟎𝟏𝟕

 ESTUDIO DE CASO 3:

DEFINICION

En este caso la variable aleatoria representa el número de sucesos independientes

que ocurren, a una velocidad constante, en el tiempo o en el espacio.

Su nombre lo debe al francés Simeón Denis Poisson, que fue el primero en

describirla en el Siglo XIX. Veamos algunos ejemplos típicos de esta distribución:

• El número de personas que llega a una tienda de autoservicio en un tiempo

determinado.
• El número de solicitudes de seguro procesadas por una compañía en un
período específico
• El número de bacterias en un cultivo.

La distribución de Poisson es el modelo de probabilidad que más se utiliza para

analizar problemas de listas de espera. Podemos hablar de las siguientes
características de una distribución de Poisson:

• Debemos tener un fenómeno dicotómico (ocurrencia o no de un determinado

suceso).
• - Las pruebas que se realicen han de ser independientes y la probabilidad de
éxito se ha de mantener constante en todas ellas.
• - Los sucesos han de ser poco comunes, por eso se le conoce como "Ley de
los sucesos raros".
• Puesto que la probabilidad de éxito ha de ser pequeña, entendemos que
p100.
• Los sucesos ocurren en un intervalo de tiempo.
• Se caracteriza por un parámetro 𝜆 , que es el número medio de ocurrencia
del suceso aleatorio por unidad de tiempo.
• Siempre que la media y la varianza sean similares, podemos pensar en un
modelo de Poisson.
𝑴𝒆𝒅𝒊𝒂: [𝐸] = 𝑛𝑝 = 𝜆
𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂: 𝑉[𝑥] = 𝐸𝜆
Es importante el hecho de que una distribución binomial en la que n es grande y p
pequeño tiene una aproximación excelente con la distribución de Poisson. La
función de probabilidad será el límite de la función de densidad de la binomial
cuando 𝑛 → ∝, 𝑝 → 0 𝑦 𝑛𝑝 → 𝜆
La función de densidad de poison seria escrita de la siguiente manera:
𝜆𝑟
𝑃(𝜆) = 𝑒 −𝜆
𝑟!
Ejercicio:

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:

Solución:

a. A lo sumo 4.

Respuesta:

𝜇 𝑥 𝑒 −𝜇
𝐹𝑜𝑟𝑚𝑢𝑙𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑙 𝑠𝑖𝑚𝑝𝑙𝑖𝑓𝑎𝑐𝑎𝑑𝑎 𝑃(𝑥) =
𝑥!

Donde:

µ
= 𝐸𝑠 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑣𝑒𝑐𝑒𝑠 é𝑥𝑖𝑡𝑜𝑠𝑎𝑠 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜 𝑒𝑛 𝑢𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜

𝒆 = 𝐸𝑠 𝑙𝑎 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 (𝑏𝑎𝑠𝑒 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝑙𝑜𝑔𝑎𝑟𝑖𝑡𝑚𝑜𝑠 𝑛𝑒𝑝𝑒𝑟𝑖𝑎𝑛𝑜𝑠)

𝒙 = 𝐸𝑠 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑒𝑐𝑒𝑠 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜

𝑷(𝒙) = 𝐸𝑠 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑢𝑛 𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑜 𝑑𝑒 𝑥

Si damos valores:

µ=𝟑

Resolvemos:

30 𝑒 −3
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 0 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠: 𝑃(0) = = 0,0497
0!

31 𝑒 −3
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 1 𝑙𝑙𝑎𝑚𝑎𝑑𝑎: 𝑃(1) = = 0,14936
1!

32 𝑒 −3
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 2 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠: 𝑃(2) = = 0,2240
2!

33 𝑒 −3
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 3 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠: 𝑃(3) = = 0,2240
3!
 34 𝑒 −3
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 4 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠: 𝑃(4) = = 0,168
4!

Para dar respuesta a la situación encontramos que la probabilidad de recibir a lo

sumo 4 llamadas seria sumando todas las anteriores probabilidades

𝑃 ≤ 4 = ∑ 𝑃 ≤ 4 = 0,815

b. Menos de 3.
30 𝑒 −3
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 0 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠: 𝑃(0) = = 0,0497
0!
31 𝑒 −3
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎 𝑑𝑒 1 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠: 𝑃(1) = = 0,14936
1!
32 𝑒 −3
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 2 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠: 𝑃(2) = = 0,2240
2!

Para resolver esto es necesario sumar todas las anteriores probabilidades

𝑃 < 3 = ∑ 𝑃 < 3 = 0,423 06

c. Al menos 4.

𝑃(0) = 0.0497
𝑃(1) = 0.14936
𝑃(2) = 0.2240
𝑃(3) = 0,2240

Probabilidad de al menos 4 sería la suma de todas las probabilidades anteriores

𝑃 ≥ 4 = 1 − ∑ 𝑃 < 4 = 1 − 0,647 = 0,353

d. Quede saturado; Ósea recibir 5 llamadas

𝑃(5) = 0,1008
 e. Entre 1 y 3

𝑃(1) = 0,14936

𝑃(2) = 0,2240

𝑃(3) = 0,2240

Para responder esto se realiza la suma de las probabilidades de 1 a 3

𝑃(1 𝑎 3) = ∑ 𝑃(1 𝑎 3) = 0,59736

f. Una o más pero menos de 5.

𝑃(1) = 0,14936

𝑃(2) = 0,2240

𝑃(3) = 0,2240

𝑃(4) = 0,168

Para responder esto sumaria las probabilidades menos de 5

𝑃(1 𝑎 4) = ∑ 𝑃(1 𝑎 4) = 0,765

g. Más de 2 pero menos de 5.

𝑃(3) = 0,2240

𝑃(4) = 0,168

Para responder esto, se suma los valores de 3 a 4 que es más de 2 pero menos
que 5

𝑃(3 𝑎 4) = ∑ 𝑃(3 𝑎 4) = 0,392

h. Ninguna

𝑃(0) = 0,0497
 e. Si se cuenta el número de llamadas en 5 minutos, cual es la probabilidad
de que se reciban 4 llamadas. Si por minuto recibe 3 llamadas en 5
minutos serian 15 eso indica que nuestra nueva media seria µ = 15

Para dar solución a esta situación simplemente se remplaza el valor de µ y se

plantea la probabilidad a 4 llamadas.

154 𝑒 −15
𝑃(4) = = 6,45𝑥10−4
4!
 ESTUDIO DE CASO 4

De modo riguroso, se dice que una variable aleatoria sigue una distribución normal
de media µ, y desviación típica σ, y se designará por N(µ, σ), si se cumplen las
siguientes condiciones:

La variable recorre toda la recta real, y la función de densidad es de la forma:

1 1 𝑥−𝜇 2
𝑓(𝑥) = ∗ 𝑒 −2( 𝜎
)
𝜎 ∗ √2𝜋

Donde

e = 2.71828;

π= 3.14159;

µ: es la media de la distribución

σ: es la desviación típica.

Esta función de densidad que parece en principio con una expresión matemática
aparentemente complicada, tiene la siguiente representación

𝐹𝑖𝑔. 3.3 𝑅𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑚𝑝𝑎𝑛𝑎 𝑑𝑒 𝐺𝑎𝑢𝑠𝑠

Ejercicio:

Distribución Normal: Supóngase que se sabe que los pesos de cierto grupo de
personas están distribuidos aproximadamente de forma normal con media 𝜇=70 𝑘𝑔
y desviación estándar 𝜎=12,5 𝑘𝑔.

Use sus conocimientos sobre la distribución normal para responder

Solución:

a. ¿Cuál es la probabilidad de que una persona elegida al azar de este grupo

pese ms de 80 kg?
𝑿−𝝁
𝒁=
𝝈

Donde:

µ = 𝑚𝑒𝑑𝑖𝑎
𝝈 = 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟

𝒙 = 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑢𝑛𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎

Dando valores:

µ = 70
𝜎 = 12.5
𝑥 = 80
Remplazando

80 − 70
𝑍= = 0,8
12,5

Para poder resolver esta situación debemos ayudarnos en las gráficas de

distribución normal integradas con el área bajo la curva de la disposición de la curva
de Gauss

De la tabla anterior encontramos que el valor de 𝑍 = 0.7881

𝑃 > 80 = (𝑍 > 0,8)

1 − 𝑃(𝑍 = 0.8) = 1 − 0,7881 = 0,2119

b. ¿Cuál es la probabilidad de que una persona elegida al azar de este grupo pese
entre 50 kg y 85 kg?
Funciona de la misma manera que la solución anterior solo variamos el valor de Z

85 − 70
𝑍= = 1,2
12,5

𝑃 > 85 = (𝑍 > 01,2) = 1 − 𝑃(𝑍 = 01.2) = 1 − 1.2 = 0,8849

Para un peso de 50 Kg

50 − 70
𝑍= = −1,6
12,5
Solucionando:
𝑃 ≤ 50 = 𝑃(𝑍 = −1,6) = 0,0548
𝑃(1,2 𝑎 − 1,6) = 0,8849 − 0,0548 = 0,830

c. ¿Cuál es el peso que es superado solo por el 93% de las personas del grupo?
 𝑃 = 1 − 0,93 = 0,07

Esta situación se soluciona igual a la anterior pero de forma de inversa:

𝑍 = −1,47
𝑋 − 70
−1,47 =
12,5
𝑋 = 51,625 𝑘𝑔
Conclusiones:

El desarrollo del trabajo está enfocado a la presentación y análisis de información en el cual

pretende dar un acercamiento general hacia los temas de los estudios de los casos y elaborando

un cuadro sinóptico y un cuadro mentafacto.

Temática que tiene como fin dar entregar conceptos básicos al estudiante para entender como

analizar información por medio de los estudios de los casos, realizando un trabajo con la

presentación de una situación problema, así mismo, esta unidad cuenta con diferentes apoyos

didácticos desde las videoconferencias que permiten entender mejor el desarrollo de la actividad,

apoyos que permitieron realizar de manera satisfactoria las actividades propuesta de la unidad 2

tarea 2 consistente en el análisis de información de experimentos aleatorios y distribuciones de

probabilidad.
Referencias Bibliográficas

Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. (Pp. 150-152).

http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&docID
=11013767&tm=1470693471527

245-261).García, Á. M. Á. (2005). Introducción a la teoría de la

probabilidad. Primer curso. (Pp. 221-243).

https://bibliotecavirtual.unad.edu.co:2538

Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. (Pp. 279 -301).

http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.act
ion?ppg=258&docID=11013767&tm=1470693471527