i

PROBABILIDAD

PASO3 - EXPERIMENTOS ALEATORIOS Y DISTRIBUCIONES DE PROBABILIDAD

CONTINUA

JOHN MORRON HERNANDEZ

MARINEY OSPINO COD 57.461.249

ALUMNO

NAYIVES XILENA TRUJILLO

DOCENTE

GRUPO: 250

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS ADMINISTRATIVAS, CONTABLES, ECONÓMICAS Y DE

NEGOCIOS – ECACEN

SANTA MARTA, MAGDALENA

OCTUBRE DEL 2018

 ii

TABLA DE CONTENIDO

Contenido Pág.

1 INTRODUCCIÓN .............................................................................................................. 4
2 OBJETIVOS ....................................................................................................................... 5
2.1 GENERAL .................................................................................................................. 5
2.2 ESPECÍFICOS ............................................................................................................ 5
3 RESUMEN DE LA UNIDAD 2 ......................................................................................... 6
3.1 Probabilidad Condicional y Distribuciones de Probabilidad ...................................... 6
3.2 VARIABLE ALEATORIA: ........................................................................................ 6
3.3 VARIABLE DISCRETA: ........................................................................................... 6
3.4 VARIABLE CONTINUA:.......................................................................................... 6
3.5 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD: ....................................... 7
3.6 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD: ...................................... 7
4 SOLUCIÓN DE LOS CASOS POR CADA ESTUDIANTE ............................................ 9
4.1 ESTUDIO DEL CASO 1 POR MARINEY DEL ROSARIO OSPINO ..................... 9
4.2 ESTUDIO DEL CASO 2 POR JOHN MORRON HERNÁNDEZ ........................... 9
4.3 ESTUDIO DE CASO 3 POR RAFAEL EDUARDO MONTERO .......................... 18
4.4 ESTUDIO DE CASO 4 POR MARILOLI PANTOJA............................................. 22
4.5 ESTUDIO DE CASO 5 POR SIMÓN JACOBO CANTILLO ................................ 25
5 CONCLUSIONES ............................................................................................................ 29
6 REFERENCIAS BIBLIOGRÁFICAS ............................................................................. 30
 iii

TABLA DE ILUSTRACIONES

Ilustración 1. Estudio de caso 2 ............................................................................................... 13

Ilustración 2 distribución de probabilidad binomial ................................................................ 14

Ilustración 3 Tabla de los probabilidades binominales para cada éxito................................... 16

Ilustración 4.Estudio de Caso 3 ............................................................................................... 18

Ilustración 5. Aciertos estudio de caso .................................................................................... 18

Ilustración 6 Ilustración caso 5 ................................................................................................ 25

 4

1 INTRODUCCIÓN

La probabilidad estudia los experimentos aleatorios, regidos por el azar, donde se

conocen todos los resultados posibles, pero no es posible tener certeza de cual será en

particular el resultado del experimento, como ejemplo de esto tenemos, el lanzamiento de los

dados o tomar un carta x de un mazo de cartas.

En nuestra vida cotidiana nos enfrentamos a diferentes situaciones donde nos

preguntamos que tan probable es que nos suceda un evento, ya que no tenemos la certeza de

que pueda ocurrir. Una de las partes importantes de la probabilidad es sabe leer o interpretar

los casos expuestos a estudios, ya que como profesionales, nos permite tomar decisiones

acertadas en el desarrollo de la actividad de una empresa.

La presente actividad corresponde a la fase 3 del curso Probabilidad, donde

comprenderemos algunos básicos de la probabilidad concernientes a la unidad 2, y aplica remos

en forma clara y pertinente los fundamentos de las Distribuciones discretas y continuas de

probabilidad y su aplicación en situaciones problemas en contextos del desarrollo profesional

donde es oportuna y acertada su aplicabilidad.

 5

2 OBJETIVOS

2.1 GENERAL

 comprender y aplicar en forma clara y pertinente los fundamentos de las

Distribuciones discretas y continuas de probabilidad y su aplicación en situaciones

problemas en contextos del desarrollo profesional donde es oportuna y acertada su

aplicabilidad

2.2 ESPECÍFICOS

 Consultar las temáticas y ver los videos correspondientes sobre, experimentos

aleatorios y distribuciones de probabilidad continua, consultar las referencias

bibliográficas

 Diligenciar la tabla 1 plan de acción, manifestando el caso seleccionado y el ejercicio

a revisar

 Escoger un ejercicios por cada estudiante y a plantear su proceso y resolverlo para

llegar a la solución buscada

 6

3 RESUMEN DE LA UNIDAD 2

3.1 Probabilidad Condicional y Distribuciones de Probabilidad

Las variables son símbolos que pueden adquirir distintos valores y que aparecen en

fórmulas, algoritmos, funciones y proposiciones de las matemáticas y la estadística. Según

sus particularidades, se clasifican de distinto modo.

3.2 VARIABLE ALEATORIA:

es una función que asigna un valor, usualmente numérico, al resultado de un

experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado dos veces: (1, 1),

(1, 2), etc. o un número real (p.e., la temperatura máxima medida a lo largo del día en una

ciudad concreta)

3.3 VARIABLE DISCRETA:

Una variable discreta es aquella que está en condiciones de adoptar valoresde un conjunto

numérico dado. Es decir: solo adquiere valores de un conjunto, no cualquier valor.

Entre los valores potencialmente observables de una variable discreta existe una distancia que

resulta imposible de “completar” con valores intermedios. Por lo tanto, entre dos valores

hay, al menos, un valor que no es observable.

3.4 VARIABLE CONTINUA:

pueden adquirir cualquier valor en un intervalo, existiendo siempre otros valores intermedios

entre dos valores observables. La existencia de más o menos valores depende de la precisión

de la medición. Por ejemplo: la altura de un niño puede ser 1,2 metros, 1,24 metros o 1,249

metros de acuerdo a cómo se mida. Esto implica que se registran ciertos errores de medición.

Por el contrario, en lo que respecta a las variables continuas, podemos hacer uso de otros

ejemplos para entenderlas:

-El peso que tiene un hombre o una mujer.

 7

-El peso de los melocotones que se han comprado en el mercado.

-La velocidad que alcanza un coche.

Las distribuciones de probabilidad son distribuciones de probabilidad continuas o

distribuciones de probabilidad discretas, dependiendo de si definen probabilidades para

variables continuas o discretas.

3.5 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD:

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una

variable aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que tiene

valores contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una

distribución de probabilidad discreta suele representarse en forma tabular.

3.6 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD:

Una distribución 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.

Las probabilidades de las variables aleatorias continuas (X) se definen como el área por

debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden tener una

probabilidad diferente de cero. La probabilidad de que una variable aleatoria continua

equivalga a algún valor siempre es cero.

 8

DISTRIBUCIÓN BINOMINAL

Un experimento sigue el modelo de la distribución binomial o de

Bernoulli si:

1. En cada prueba del experimento sólo son posibles dos resultados: el

suceso A (éxito) y su contrario .

2. La probabilidad del suceso A es constante , es decir, que no varía

de una prueba a otra. Se representa por p.

3. El resultado obtenido en cada prueba es independiente de los

resultados obtenidos anteriorm ente.

La distribución binomial se suele representar por B(n, p).

n es el número de pruebas de que consta el experimento.

p es la probabilidad de éxito .
 9

4 SOLUCIÓN DE LOS CASOS POR CADA ESTUDIANTE

4.1 ESTUDIO DEL CASO 1 POR MARINEY DEL ROSARIO OSPINO

4.2 ESTUDIO DEL CASO 2 POR JOHN MORRON HERNÁNDEZ

ESTUDIO DEL CASO 1

Supongamos que X es una variable aleatoria discreta y que x es uno de sus valores posibles.

La probabilidad de que la variable aleatoria X tome el valor específico x se representa por

medio de P (X = x). La función de probabilidad de una variable aleatoria es una representación

de las probabilidades de todos los resultados posibles. Esta representación podría ser

algebraica, gráfica o tabular. En el caso de las variables aleatorias discretas, un sencillo método

es enumerar las probabilidades de todos los resultados posibles de acuerdo con los valores de

x.

Una empresa nueva de buses del Sistema Integrado de Transporte de Bogotá (SITP) ha

comenzado a dar servicio en un nuevo barrio. Se ha registrado el número de usuarios que hay

en este barrio en el servicio a primera hora de la mañana (5:00 a.m.). La tabla adjunta muestra

la proporción de cada uno de los días de la semana.

Número de usuarios 0 2 3 5 6 8 10 12 15
Proporción 0.02 0.05 0.12 0.18 0.13 0.16 0.14 0.12 0.08

Si X es la variable que representa el número de usuarios que la empresa debe atender a la hora

de inicio del servicio, con base en esta información y haciendo uso de los conceptos de

variables aleatorias discretas y función de probabilidad, prepare un informe en el que debe

incluir como mínimo lo siguiente

 10

1. Grafica de la función de probabilidad de la variable aleatoria X: Número de usuarios.

2. Función de probabilidad acumulada de la variable aleatoria X: Número de usuarios.

3. Probabilidad de que en un día seleccionado aleatoriamente haya exactamente ocho

usuarios del barrio esperando el servicio

4. Probabilidad de que en un día seleccionado aleatoriamente haya más de seis usuarios

del barrio esperando este servicio

5. Probabilidad de que en un día seleccionado aleatoriamente haya menos de cuatro

usuarios del barrio en este servicio

6. El numero esperado de usuarios de este servicio y su desviación estándar

7. Con base en estos resultados, redacte un breve resumen de sus hallazgos para la empresa

Solución

1.

0.2
0.18
0.16
0.14
proporcion

0.12
0.1
0.08
0.06
0.04
0.02
0
0 2 4 6 8 10 12 14 16
Numero de usuarios

2. La media
 11

0 + 2 + 3 + 5 + 6 + 8 + 10 + 12 + 15 61
𝑀= = = 6.78
9 9

Número de usuarios =61

Varianza: 𝑠 2 = (∑(𝑥 − 𝑀)/𝑛

𝑠 = 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎
X= termino de conjunto de datos
M: media de la muestra
N: tamaño de la muestra

Desviación estándar = √(∑(𝑥 − 𝑀)/𝑛

𝑆 = √(∑(𝑋 − 𝑀)/𝑛

3. 𝑃(8) = .16 = 16%

La probabilidad es del 16%

4. 𝑃(𝑥 > 6) = 𝑃(8) + 𝑃(10) + 𝑃(12) + 𝑃(15)

1
𝑃(𝑥 > 6) = 0,16 + 0,14 + 0,12 + 0,08 = = 50%
2
La probabilidad de que sean más de 6 personas esperando es del 50%
5. 𝑃(𝑥 < 4) = 𝑃(3) + 𝑃(2) + 𝑃(0)
𝑃(𝑥 < 4) = 0,12 + 0,05 + 0,02 = 0,19 = 19%
La probabilidad de que sean menos de 4 personas esperando es del 19%
6. Desviación estándar
Número de
usuarios
0
2
3
5
6
8
10
12
 12

15

n=61
0+2+3+5+6+8+10+12+15 61
Promedio = = = 4,06
15 15
X=6,7
𝑆²
61 2 61 2 61 2 61 2 61 2 61 2 61 2 61 2 61 2
(0 − ) + (2 − ) + (3 − ) + (5 − ) + (6 − ) + (8 − ) + (10 − ) (12 − ) + (15 − )
= 15 15 15 15 15 15 15 15 15
15 − 1

𝑆² = 24,194
𝑆 = 6,77
7) Primero que todo hallamos que la mayor probabilidad de encontrar un cierto número de
personas es de 5 usuarios.
También podemos concluir que es poco probable que sean más de 8 usuarios y entre más
usuarios sean mayores que 8 la probabilidad disminuye.
Y también siendo que por 0 usuarios hay una proporción de 2% la compañía pocas veces
estará vacía siempre hay usuarios que atender.

ESTUDIO DE CASO 21

La distribución de probabilidad binomial es una distribución de probabilidad discreta

que se presenta con mucha frecuencia.

Una de sus características consiste en que sólo hay dos posibles resultados en un

determinado ensayo del experimento y los resultados son mutuamente excluyentes; Otra

característica de la distribución binomial es el hecho de que la variable aleatoria es el

resultado de conteos. Es decir, se cuenta el número de éxitos en el número total de ensayos.

Una tercera característica de una distribución binomial consiste en que la probabilidad de

éxito es la misma de un ensayo a otro.

1
Tomado y adaptado de Lind, Marchall. Estadística Aplicada a los Negocios y la Economía. Ed. Mc Graw Hill
 13

Un estudio del Departamento de Transporte de Illinois

concluyó que 78.5% de quienes ocupaban los asientos

delanteros de los vehículos utilizaba cinturón de seguridad.

Esto significa que los dos ocupantes de la parte delantera

utilizaban cinturones de seguridad. Suponga que decide

comparar la información con el uso actual que se da al Ilustración 1. Estudio de caso 2

cinturón de seguridad, para lo cual selecciona una muestra de 8 vehículos.

Usando sus conocimientos sobre distribuciones discretas de probabilidad, presente un informe

en el que como mínimo incluya:

1. Esta situación cumple con los supuestos de la distribución binomial. Identifíquelos

2. Diagrama de barras de la distribución de probabilidad binomial que representa esta

situación.

3. Probabilidad de que los ocupantes de la parte delantera en exactamente 5 de los 8 vehículos

seleccionados utilicen cinturones de seguridad .

4. Probabilidad de que los ocupantes de la parte delantera de por lo menos 5 de los 8 vehículos

utilicen cinturón de seguridad.

5. Probabilidad de que los ocupantes de la parte delantera de máximo 5 de los 8 vehículos

utilicen cinturón de seguridad.

6. Número de vehículos esperado en en los que los ocupantes de la parte delantera utilizan el

cinturón de seguridad.

INFORME DEL CASO 2

Presente un informe en el que como mínimo incluya:

¿Esta situación cumple con los supuestos de la distribución binomial? Identifíquelos

 14

Si cumple porque podemos ver que, existe solo la posibilidad que en un vehículo en

particular los ocupantes de la parte delantera utilicen o no el cinturón de seguridad.

Variable aleatoria es resultado de conteos; si, puesto que, si el experimento se lo hace a 8

vehículos, se cuenta cuántos de ellos utilizan el cinturón de seguridad.

La probabilidad de éxito es la misma de un ensayo a otro. Podemos ver que, si se cumple,

porque el estudio del departamento de transporte Illionis, la probabilidad es del 78,5%

Se cumple con los supuestos de distribución binomial

Elabore un diagrama de barras para la distribución de probabilidad binomial que

representa esta situación

Ilustración 2 distribución de probabilidad binomial

 15

Probabilidad de que los ocupantes de la parte delantera en exactamente 5 de los 8

vehículos seleccionados utilicen cinturones de seguridad

Formula de probabilidad binomial

(𝑥) = 𝑛 𝐶𝑥 ∗ 𝜋𝑥 (1 − 𝜋)𝑛−𝑥

𝐶 𝑒𝑠 𝑒𝑙 𝑠𝑖𝑚𝑏𝑜𝑙𝑜 𝑑𝑒 𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖ó𝑛.

𝑛 𝑒𝑠 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑛𝑠𝑎𝑦𝑜𝑠.

𝑥 𝑒𝑠 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑐𝑜𝑚𝑜 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠.

𝜋 𝑒𝑠 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 é𝑥𝑖𝑡𝑜 𝑒𝑛 𝑐𝑎𝑑𝑎 𝑒𝑛𝑠𝑎𝑦𝑜

La letra griega 𝜋 (pi) representa un parámetro de población binomial. No confundir constante

matemática 3,1416.

𝜋 = 78,5

𝑛=8

𝑥=5

(5) = 8 𝐶5 ∗ (0,785)5 (1 − 0,785)8−5

(5) = 56 ∗ (0,2981) (0,00994)

(5) = 0,16593

La probabilidad de que los ocupantes de exactamente 5 de los 8 vehículos de la muestra

utilicen cinturones de seguridad es de aproximadamente 16,59 %.

Probabilidad de que los ocupantes de la parte delantera de por lo menos 5 de los 8

vehículos utilicen cinturón de seguridad

 16

(𝑥 ≥ 5) = 𝑃(5) + 𝑃(6) + 𝑃(7) + 𝑃(8)

(𝑥 ≥ 5) = (0,1659) + (0,3028) + (0,3159) + (0,1441)

(𝑥 ≥ 5) = 0,9289

La probabilidad de seleccionar 8 vehículos y hallar que los ocupantes de 5 o más vehículos

utilizan cinturón de seguridad es de aproximadamente 92,89 %.

Tabla de los probabilidades binominales para cada éxito.

Éxitos Combinación 𝜋𝑥 (1 − 𝜋)𝑛−𝑥 Probabilidad

1 8 0.785 0.0000212358 0.00013336

2 28 0.616225 0.0000987713 0.00170423

3 56 0.48373663 0.000459401 0.01244484

4 70 0.37973325 0.002136751 0.05679767

5 56 0.2980906 0.009938375 0.16590203

6 28 0.23400112 0.046225 0.30286765

7 8 0.18369088 0.215 0.31594832

8 1 0.14419734 1 0.14419734

0.92891534 x≥5

0.23698212 x≤5

Ilustración 3 Tabla de los probabilidades binominales para cada éxito.

 17

Probabilidad de que los ocupantes de la parte delantera de máximo 5 de los 8 vehículos

utilicen cinturón de seguridad

(𝑥 ≤ 5) = 𝑃(1) + 𝑃(2) + 𝑃(3) + 𝑃(4) + 𝑃(5)

(𝑥 ≤ 5) = (0.00013336) + (0.00170423) + (0.01244484) + (0.05679767) + (0.16590203) 𝑃(𝑥

≤ 5) = 0,2369

La probabilidad de seleccionar 8 vehículos y hallar que los ocupantes de máximo 5 vehículos

utilizan cinturón de seguridad es de 23,69 %.

Número de vehículos esperado en los que los ocupantes de la parte delantera utilizan el

cinturón de seguridad.

𝑛=8

𝑃 = 0,785

𝜗 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠

𝜗=𝑛∗𝑃

𝜗 = 8 ∗ 0,785

𝜗 = 6,28

Se espera que, entre 6 y 7 vehículos, los ocupantes de la parte delantera usen cinturón de

seguridad.
 18

4.3 ESTUDIO DE CASO 32 POR RAFAEL EDUARDO MONTERO

Baloto es un juego novedoso de tipo loto en

línea, de suerte y azar, donde el jugador elige 5

números del 1 al 43 y una súper balota con

números del 1 al 16 a través de una terminal de

venta.

Ilustración 4.Estudio de Caso 3

El juego consiste en acertar 5, 4 o 3

números en cualquier orden de una matriz del 1 al 43 y otro número (super balota) del 1 al 16.

El jugador señala en un tarjetón los 6 números que escoge. Los números están representados

en 43 balotas amarillas numeradas del 1 al 43 y 16 balotas rojas numeradas del 1 al 16. Cada

número aparece una sola vez y las balotas ganadoras se seleccionan sin reemplazo. El premio

acumulado se entrega a quien haga coincidir los seis números. En la tabla aparecen las opciones

para ganar

Ilustración 5. Aciertos estudio de caso

2
Tomado y adaptado de Lind, Marchall. Estadística Aplicada a los Negocios y la Economía. Ed. Mc Graw Hill
 19

Usando sus conocimientos sobre distribuciones discretas de probabilidad, presente un informe

en el que como mínimo incluya:

1. Esta situación cumple con los supuestos de la distribución Hipergeométrica.

Identifíquelos.

2. Probabilidad de obtener el “Gran acumulado” con los 6 números (5 números del 1 al

43 y la súper balota).

3. La empresa encargada del sorteo informa que Hasta el sorteo anterior, la posibilidad de

“pegarle al gordo” era de 1 en 8 millones, mientras que ahora será de 1 en 15 millones.

Explique esta afirmación.

4. El sorteo también otorga otros premios (ver tabla). Presente la probabilidad de obtener

los premios que incluyen acertar la súper balota.

5. Presente la probabilidad de obtener los premios que no incluyen acertar la súper balota.

6. Con base en los resultados obtenidos, ¿usted invertiría dinero en el BALOTO?

Esta situación cumple con los supuestos de la distribución Hipergeométrica.

Identifíquelos.

Si cumple porque una distribución hipergeométrica es una distribución discreta

relacionada con muestreos aleatorios y sin reemplazo.

Esta situación cumple con los supuestos de la distribución hipergeométrica debido a

que cada variable aleatoria tiene dos posibles resultados, éxito o fracaso, en este caso según la

elección de las balotas, además cumple con que se busca obtener el número de éxitos, el

tamaño de muestra es mayor a uno y finalmente los n elementos de la muestra aleatoria son

dependientes debido a que la extracción de una balota influye en el resultado final del baloto

teniendo en cuenta que son sin reemplazo.

 20

Su función de probabilidad es:

𝑚 𝑁−𝑚
( )( )
𝑘 𝑛−𝑘
𝑃(𝑥) =
𝑁
( )
𝑛

Donde

𝑎 𝑎!
( )=
𝑏 𝑏! (𝑎 − 𝑏)!

Donde N representa el número total de la población, n el numero tomado de la muestra, m el

número de éxitos existentes en la población y k el número de elementos en la categoría de

éxitos que se desean estudiar.

Probabilidad de obtener el “Gran acumulado” con los 6 números (5 números del 1 al 43

y la súper balota).

N = 43

R=6

n= 5

X= 3 (5,4 0 3 números +balota)

X: número de éxitos de la muestra

N: Total de la muestra

R: Cantidad de éxitos

P(X) = (CR, X * CN-n, R-X) / CN,n

 21

CR, X = C 6,3 = 6*5*4 / 3.2*1 = 120 /12 = 10

CN, n = C 43,5 =146611080 Calculado con Calculadora de combinaciones

CN-n, R-X = C38, 3 =50616

Px = 10* 50616 /146611080 =0.00345 = 0,35%

La empresa encargada del sorteo informa que Hasta el sorteo anterior, la posibilidad de

“pegarle al gordo” era de 1 en 8 millones, mientras que ahora será de 1 en 15 millones.

Explique esta afirmación.

R/ Se acrecienta la poca probabilidad por ser un sorteo sin reemplazo, adicional ya al ya ocurrir

un sorteo favorable la probabilidad disminuye.

El sorteo también otorga otros premios (ver tabla). Presente la probabilidad de obtener los

premios que incluyen acertar la súper balota.

R/

Presente la probabilidad de obtener los premios que no incluyen acertar la súper balota.

R/ 0%

Con base en los resultados obtenidos, ¿usted invertiría dinero en el BALOTO?

R/ No invertiría en el baloto debido a que las probabilidades de ganar son muy bajas, incluso

disminuyendo el número de aciertos las probabilidades de ganar en cualquier modalidad 3,4 o

5 aciertos es muy baja, debido a que la cantidad de total de posibilidades es alta

 22

4.4 ESTUDIO DE CASO 4 POR MARILOLI PANTOJA

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.

Los padres preocupados porque sus hijos son “propensos a accidentes” pueden estar

tranquilos, de acuerdo a un estudio realizado por el Departamento de Pediatría de la

Universidad de California, San Francisco. Los niños que se lesionan dos o más veces tienden

a sufrir estas lesiones durante un tiempo relativamente limitado, por lo general un año o

menos. El estudio determinó que el número promedio de lesiones por año para niños en edad

escolar es de dos.

Usando sus conocimientos sobre distribuciones de probabilidad discretas, presente un

informe que como mínimo contenga:

1. Esta situación cumple con los supuestos de la distribución Poisson. Identifíquelos

2. Probabilidad de que un niño sufra tres lesiones durante el año

3. Probabilidad de que un niño sufra más de tres lesiones durante el año

4. Probabilidad de que un niño sufra una lesión en los siguientes tres meses del año
 23

5. Número de lesiones esperado por año y su desviación estándar. Dentro de que limites

se espera entonces que caiga el número de lesiones por año.

6. Realmente, pueden estar tranquilos los padres? Sustente su opinión en los resultados

obtenidos

1. Esta situación cumple con los supuestos de la distribución Poisson. Identifíquelos

R/ Si cumple el evento accidente de un niño de edad escolar al año es aleatorio e independiente

y además ocurre en un periodo determinado por lo tanto si cumple con los supuestos de la

distribución Poisson teniendo en cuenta que los requisitos son que sea una variable aleatoria

discreta y que los sucesos de estudio deben ser independientes.

2. Probabilidad de que un niño sufra tres lesiones durante el año

𝑒 −𝜇 ∗ 𝜇 𝑘
𝑝(𝑥 = 𝑘) =
𝑘!

𝜇 = 2 (𝑛𝑢𝑚𝑒𝑟𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠 𝑝𝑜𝑟 𝑎ñ𝑜 = 2)

X: número de lesiones al año (3)

𝑒 −𝜇 ∗ 𝜇 𝑘
𝑝(𝑥 = 𝑘) =
𝑘!

23 𝑒 −2 8𝑒 −2
𝑝(𝑥 = 3) = = = 0,18045 … ≈ 18%
3! 6

3. Probabilidad de que un niño sufra más de tres lesiones durante el año

P (X ≥ 3) =1-p(x<3)

P(x<3) = p (0) +p (1) +p (2)

 24

20 𝑒 −2 1 𝑒 −2
𝑝(0) = = = 𝑒 −2 = 0.13534..
0! 1

21 𝑒 −2 2 𝑒 −2
𝑝(1) = = = 2𝑒 −2 = 0.27067
1! 1

22 𝑒 −2 4 𝑒 −2
𝑝(2) = = = 2𝑒 −2 = 0.27067. ..
2! 2

𝑝(𝑥 ≥ 3) = 1 − (0.13534 + 0.27067 + 0.27067)

𝑝(𝑥 ≥ 3) = 0.32332 ≈ 32.3%

4. Probabilidad de que un niño sufra una lesión en los siguientes tres meses del año

1 año= 12 meses

2 Accidentes 12 meses

µ2 3 meses

2 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠 ∗ 3𝑚𝑒𝑠𝑒𝑠
𝜇2 = = 0.5
12 𝑚𝑒𝑠𝑒𝑠

(0.5)1 ∗ 𝑒 −0.5
𝑝(𝑥 = 1) = = 0.30327 … ≈ 30.3%
1!

5. Número de lesiones esperado por año y su desviación estándar. Dentro de que limites

se espera entonces que caiga el número de lesiones por año.

El valor esperado (y la varianza) de una variable aleatoria con distribución Poisson son iguales

a µ; es decir que en nuestro caso el número de lesiones esperado por año es 2 (µ=2)
 25

La desviación estándar es: δ=√𝜇 = √2

6. Realmente, pueden estar tranquilos los padres? Sustente su opinión en los resultados

obtenidos

Los padres no pueden estar tranquilos puesto que las cifras de niños accidentados es muy alta.

4.5 ESTUDIO DE CASO 5 POR SIMÓN JACOBO CANTILLO

El Coeficiente intelectual C.I. de un individuo es medido en una escala que va de 45 a 155.

Un C.I. de 100 es el promedio. En la figura

siguiente se puede ver que la mayoría de la

población tiene el C.I. alrededor de 100. Existen

menos personas que tienen el CI menor a 85 y muy

pocos tienen el CI por encima de 115.

Ilustración 6 Ilustración caso 5
Una empresa que recluta personal para

multinacionales, aplica un test de inteligencia a todos los posibles candidatos. Una persona que

desea ser contratada, acaba de presentar el test y le informan que ha obtenido C.I. igual a 95.

Asumiendo que las puntuaciones en un test de inteligencia se distribuyen normalmente y

sabiendo que las puntuaciones CI tienen promedio 100 y desviación estándar 15, usted debe

presentarle un informe acerca de sus resultados.

Usando sus conocimientos sobre la distribución de probabilidad normal, presente un informe

que como mínimo contenga:

1. Porcentaje de personas que podrían tener un C.I. inferior o igual a 95.

2. Porcentaje de personas podrían tener un C.I. superior a 95.

 26

3. Probabilidad de que una persona tenga un C.I. entre 85 y 90

4. Puntuación C.I. que habría que sacar en el test de inteligencia para estar en el 30% inferior

(puntuación de CI que deja el 30% de sujetos por debajo).

5. Puntuación de C.I. que es superada solo por el 10% de los sujetos.

6. Valores de C.I. entre los que se encuentran el 50% central de los sujetos

Solución

Datos:

μ: media

μ = 100

σ: desviación estándar

σ= 15

X=95

Tipificación variable aleatoria

X ≈ N (100, 15) ⇒ Z ≈ N (0,1)

1. Porcentaje de personas que podrían tener un C.I. inferior o igual a 95.

Porcentaje X≤95

X−μ
Z= → 𝐅ó𝐫𝐦𝐮𝐥𝐚
σ
 27

95 − 100
P(x ≤ 95) = P (Z ≤ ) = P(Z ≤ −0,33̂) ≅ 0,3707 →∴ 𝐏 ≅ 𝟑𝟕, 𝟎𝟕%
15

Ubiqué valor de la tabla para Z, que será el área bajo la curva de la normal estándar

(Distribución) a la izquierda de Z

Si se realiza con la calculadora en línea de distribución normal, se da una pequeña diferencia a

raíz de los decimales, siendo con la calculadora 36,94%

R//=37,07%

2. Porcentaje de personas podrían tener un C.I. superior a 95.

Porcentaje X>95

95 − 100
P(x > 95) = 1 − P(x < 95) = 1 − P (Z > ) = 1 − P(Z < −0,33̂) = 1 − 0,3707
15

= 0,6293 →∴ 𝐏 = 𝟔𝟐, 𝟗𝟑%

R//=62,93%

3. Probabilidad de que una persona tenga un C.I. entre 85 y 90

85 − 100
P(X ≥ 85) = 1 − P(X ≤ 85) = Z1 = = −1 → P = 1 − 0,1587 = 0,8413 ∴ P
15

≈ 84,13%
 28

 Según la tabla la primer Z es 0,1587

90 − 100
P(X ≤ 90) → P = 1 − (x ≤ 95) → Z2 = ≅ −0,67 → P = 1 − 0,2514 = 0,7475
15

∴ P ≈ 74,75%

 Según la tabla la segunda Z es 0,2514

Calculo probabilidad 85≥X≤90:

P(85 ≤ x ≤ 90) = P1 − P2 = 0,8413 − 0,7475 = 0,0938 →∴ P(85 ≤ x ≤ 90) ≈ 9,38%

R//= 9,38%

4. Puntuación C.I. que habría que sacar en el test de inteligencia para estar en el

30% inferior (puntuación de CI que deja el 30% de sujetos por debajo).

R//: La puntuación debe ser menor al promedio dado de 45 puntos

5. Puntuación de C.I. que es superada solo por el 10% de los sujetos.

R//: La puntuación mayor del promedio dado de 155 puntos

 29

5 CONCLUSIONES

Con la realización de la presente actividad pudimos comprender y aplicar en forma

clara y pertinente los fundamentos de las Distribuciones discretas y continuas de probabilidad

y su aplicación en situaciones problemas en contextos del desarrollo profesional donde es

oportuna y acertada su aplicabilidad. Además las temáticas y los videos correspondientes

sobre, experimentos aleatorios y distribuciones de probabilidad continua y la consulta de las

referencias bibliográficas nos permitió resolver los ejercicios por cada estudiante y a

plantear su proceso y resolverlo para llegar a la solución buscada.

En los casos de estudios como los analizados es importante aplicar la distribución

hipergeométrica, el método de Polisón, la distribución binomial, el valor esperado, ya que es

útil para calcular la probabilidad en donde se extraigan muestras o se realicen experiencias

repetidas sin devolución de elementos extraído o sin retornar a la situación experimental

inicial. De esta manera, podemos dar solución a los casos presentados por las diferentes

empresas, dadas en la actividad colaborativa.

 30

6 REFERENCIAS BIBLIOGRÁFICAS

Gil, M., Gonzales, A. J Salagre, M. (2014). Ejercicios de estadística teórica: Probabilidad e

inferencia. Página 46 a 57. Recuperado

de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=47&docID

=10995669&tm=1470693596054

Gil, M., Gonzales, A. J Salagre, M. (2014). Ejercicios de estadística teórica: Probabilidad e

inferencia. Página 58 a 77. Recuperado

de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=59&docID

=10995669&tm=1470694057290

Monroy, S. (2008). Estadística Descriptiva. Editorial: Instituto Técnico Nacional. Página 178

a 222. Recuperado

de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=183&docI

D=10436604&tm=1470693651415

Monroy, S. (2008). Estadística Descriptiva. Editorial: Instituto Técnico Nacional. Página 223

a 254 Recuperado

de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=194&docI

D=10436604&tm=1470693683773

Monroy, S. (2008). Estadística Descriptiva. Editorial: Instituto Técnico Nacional. Recuperado

de http://bibliotecavirtual.unad.edu.co:2460/lib/unadsp/reader.action?ppg=224&docI

D=3192101&tm=1512261758930
 31

Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Página 241 a 278.

Recuperado

de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&docI

D=11013767&tm=1470693471527

Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Página 241 a

278 Recuperado

de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&docI

D=11013767&tm=1470693471527

Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Página 280 a 298.

Recuperado

de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=297&docI

D=11013767&tm=1470693984628

Sánchez, J. (2018). Distribución binomial. Recuperado de http://hdl.handle.net/10596/17785