1

Tarea 2 - Experimentos aleatorios y distribuciones de probabilidad

Estudiantes:
Michael Steve Carrillo
Yuly Estefania Garcia Londoño
Cristhian David Rojas Gómez

Tutor:
Jose Hector Maestre

Universidad Nacional Abierta y a Distancia

Probabilidad_100402_76

Bogotá DC.
Abril de 2019
 2

Introducción
En el presente trabajo se desarrollará individualmente un grupo de problemas correspondientes a
las temáticas de variables aleatorias discretas y continuas, distribuciones discretas de
probabilidad y distribuciones continuas de probabilidad.
El objetivo más importante de este trabajo radica en la comprensión y aplicación de conceptos de
probabilidad durante la fase 2 de este curso. Los temas bajo los cuales se desarrollarán los
diferentes casos serán variables aleatorias discretas y continuas, distribuciones discretas de
probabilidad y distribuciones continuas de probabilidad.
La Probabilidad permite un acercamiento a sucesos, ponderando las posibilidades de su
ocurrencia y proporcionando métodos para tales ponderaciones, creando así modelos
Probabilísticos. Precisamente, algunos de esos métodos proporcionados por la teoría de la
Probabilidad llevan a descubrir que ciertos eventos tienen una mayor o menor probabilidad de
ocurrir que la apreciación hecha a través del sentido común.
 3

Objetivo general

 Comprender, aplicar y estudiar los conceptos de probabilidad como lo son variables aleatorias
discretas y continuas, distribuciones discretas de probabilidad y distribuciones continuas de
probabilidad, resolviendo las actividades propuestas para el curso de probabilidad.

Objetivos específicos

 Analizar cada caso establecidos en la rúbrica de actividades de la unidad 2.

y desarrollar una solución

 Realizar aportes al foro colaborativo donde se expusieron previamente la solución de los

casos.

 Interactuar entre todos los participantes para desarrollar la totalidad del trabajo y consolidar
el producto actual.
 4

Estudio de caso 1: 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.
𝒌 𝑵− 𝒌
( )( )
𝒙 𝒏− 𝒙
R// 𝑃(𝑥 = 𝑘) = 𝑵
( )
𝒏

N = Tamaño de la población: 7
K = Números de éxitos de la población: 2
n = Tamaño de la muestra: 3
x = Numero de éxitos de la muestra: 2

𝟐 𝟕− 𝟐 𝟐 𝟓
( )( ) ( )( ) 1∗5
𝟐 𝟑− 𝟐 𝟐 𝟏
𝑃(𝑥 = 2) = 𝟕 =2 𝟕 = = 0.1429 = 14.29%
( ) ( ) 35
𝟑 𝟑

b. ¿Cuáles son la media y la varianza de esta distribución?

R// 𝜇 = 𝑛𝑝 = 0.43
𝑁−𝑛 7−3
Ϭ 2 = 𝑛𝑝𝑞 ∗ 𝑁−1 = 3 ∗ 0.1429 ∗ 0.8571 ∗ 7−1 = 0.37 * 0.66 = 0.244

c. Construya un histograma de probabilidad para x

R//
 5

Estudio de caso 2: 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:
a. Al menos cinco autos sean negros.
R// p = 10% n = 25
q = 90% x = 25
𝑛
𝑃(𝑥 = 𝑘) = ( ) ∗ 𝑝𝑛 ∗ 𝑞 𝑛−𝑘
𝑘
𝑃(𝑥 ≥ 5) = 𝑃(𝑥 = 5) + 𝑃(𝑥 = 6) + ⋯ … + 𝑃(𝑥 = 25)
𝑃(𝑥 < 5) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3) + 𝑃(𝑥 = 4)
25
𝑃(𝑥 = 0) = ( ) 1 ∗ 0.10 ∗ 0.925 = 1 ∗ 0.07179 = 0.07179
0
25
𝑃(𝑥 = 1) = ( ) 25 ∗ 0.11 ∗ 0.924 = 0.1 ∗ 0.07976 = 0.1994
1
25
𝑃(𝑥 = 2) = ( ) 300 ∗ 0.12 ∗ 0.923 = 0.01 ∗ 0.08863 = 0.26589
2
25
𝑃(𝑥 = 3) = ( ) 2300 ∗ 0.13 ∗ 0.922 = 0.2265
3
25
𝑃(𝑥 = 4) = ( ) 12650 ∗ 0.14 ∗ 0.921 = 0.1384
4
25
𝑃(𝑥 = 5) = ( ) 53130 ∗ 0.15 ∗ 0.920 = 0.06459
5

𝑃(𝑥 < 5) = 0.07179 + 0.1994 + 0.26589 + 0.2265 + 0.1384 + 0.06459 = 0.96657

𝑃(𝑥 ≥ 5) = 1 − 𝑃(𝑥 < 5) = 1 − 0.96657 = 0.03343 = 3.343%

b. A lo sumo seis autos son negros.

R// 𝑃(𝑥 ≤ 6) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3) + 𝑃(𝑥 = 4) + 𝑃(𝑥 = 5) +
𝑃(𝑥 = 6)
25
𝑃(𝑥 = 0) = ( ) 1 ∗ 0.10 ∗ 0.925 = 1 ∗ 0.07179 = 0.07179
0
 6

25
𝑃(𝑥 = 1) = ( ) 25 ∗ 0.11 ∗ 0.924 = 0.1 ∗ 0.07976 = 0.1994
1
25
𝑃(𝑥 = 2) = ( ) 300 ∗ 0.12 ∗ 0.923 = 0.01 ∗ 0.08863 = 0.26589
2
25
𝑃(𝑥 = 3) = ( ) 2300 ∗ 0.13 ∗ 0.922 = 0.2265
3
25
𝑃(𝑥 = 4) = ( ) 12650 ∗ 0.14 ∗ 0.921 = 0.1384
4
25
𝑃(𝑥 = 5) = ( ) 53130 ∗ 0.15 ∗ 0.920 = 0.06459
5
25
𝑃(𝑥 = 6) = ( ) 177100 ∗ 0.16 ∗ 0.919 = 0.02392
6
𝑃(𝑥 ≤ 6) = 0.90198 + 0.02392 = 0.99049 = 99.0%

c. Más de cuatro autos son negros.

R// 𝑃(𝑥 > 4) = 𝑃(𝑥 = 5) + 𝑃(𝑥 = 6) + ⋯ … + 𝑃(𝑥 = 25)
𝑃(𝑥 < 4) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3)
𝑃(𝑥 < 4) = 0.07179 + 0.1994 + 0.26589 + 0.2265 = 0.76358
𝑃(𝑥 > 4) = 1 − 𝑃(𝑥 < 4) = 1 − 0.76358 = 0.23642 = 23.6%

d. Exactamente cuatro autos son negros.

R// 𝑃(𝑥 = 4) = 0.1384 = 13.8%

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

R// 𝑃(3 < 𝑥 < 5) = 0.2265 + 0.1384 + 0.06459 = 0.42949 = 42.9%

f. Más de veinte autos no son negros.

R// P(X > 20)= P(X=21)+P(x=22)+P(x=23)+P(x=24)+P(x=25)
P(x> 20)= 10−18
 7

Estudio de caso 3: 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:
𝜇 𝑘 𝑒 −𝜇
𝑃(𝑥 = 𝑘) =
𝑘!
a. A lo sumo 4
30 𝑒 −3
R// 𝑃(𝑥 = 0) = = 0,049
0!

31 𝑒 −3
𝑃(𝑥 = 1) = = 0,149
1!
32 𝑒 −3
𝑃(𝑥 = 2) = = 0,224
2!
33 𝑒 −3
𝑃(𝑥 = 3) = = 0,224
3!
34 𝑒 −3
𝑃(𝑥 = 4) = = 0,168
4!
𝑝(𝑥 ≤ 4) = 0,049 + 0,149 + 0,224 + 0,224 + 0,168 = 0,814 = 81.4%
b. Menos de 3
30 𝑒 −3
R// 𝑃(𝑥 = 0) = = 0,049
0!

31 𝑒 −3
𝑃(𝑥 = 1) = = 0,149
1!
32 𝑒 −3
𝑃(𝑥 = 2) = = 0,224
2!
𝑝(𝑥 < 3) = 0,049 + 0,149 + 0,224 = 0,422 = 42.2%
 8

c. Al menos 4
30 𝑒 −3
R// 𝑃(𝑥 = 0) = = 0,049
0!

31 𝑒 −3
𝑃(𝑥 = 1) = = 0,149
1!
32 𝑒 −3
𝑃(𝑥 = 2) = = 0,224
2!
33 𝑒 −3
𝑃(𝑥 = 3) = = 0,224
3!
34 𝑒 −3
𝑃(𝑥 = 4) = = 0,168
4!
𝑝(𝑥 ≤ 4) = 1 − 0,049 + 0,149 + 0,224 + 0,224 + 0,168 = 0,186 = 18.6%
d. Quede saturado
35 𝑒 −3
R// 𝑃(𝑥 = 5) = = 0,10 = 10%
5!

e. Entre 1 y 3
31 𝑒 −3
R// 𝑃(𝑥 = 1) = = 0,149
1!

32 𝑒 −3
𝑃(𝑥 = 2) = = 0,224
2!
33 𝑒 −3
𝑃(𝑥 = 3) = = 0,224
3!
𝑃(1 ≤ 𝑥 ≤ 3) = 0,149 + 0,224 + 0,224 = 0,597 = 59.7%
f. Una o más pero menos de 5
31 𝑒 −3
R// 𝑃(𝑥 = 1) = = 0,149
1!

32 𝑒 −3
𝑃(𝑥 = 2) = = 0,224
2!
33 𝑒 −3
𝑃(𝑥 = 3) = = 0,224
3!
34 𝑒 −3
𝑃(𝑥 = 4) = = 0,168
4!
𝑝(1 ≤ 𝑥 < 5) = 0,149 + 0,224 + 0,224 + 0,168 = 0,765 = 76.5%
g. Más de 2 pero menos de 5
 9

33 𝑒 −3
R// 𝑃(𝑥 = 3) = = 0,224
3!

34 𝑒 −3
𝑃(𝑥 = 4) = = 0,168
4!
𝑃(2 < 𝑥 < 5) = 0,224 + 0,168 = 0,392 = 39.2%
h. Ninguna
30 𝑒 −3
R// 𝑃(𝑥 = 0) = = 0,049 = 4.9%
0!

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

4 llamadas
154 𝑒 −15
R// 𝑃(𝑥 = 4) = = 0,000645
4!

Estudio de caso 4: 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 Ϭ =12,5Kg. Use sus conocimientos sobre la distribución normal para
responder:
a. ¿Cuál es la probabilidad de que una persona elegida al azar de este grupo pese ms de 80
kg?

R//
𝑋 − 𝜇 80 − 70
𝑍= = = 0,8
𝜎 12,5
𝑃(𝑍 ≥ 80) = 1 − 0,2881 = 0,7119 = 71.19%
 10

a. ¿Cuál es la probabilidad de que una persona elegida al azar de este grupo pese entre 50 kg
y 85 kg?
R//
𝑋 − 𝜇 50 − 70
𝑍= = = −1,6
𝜎 12,5
𝑋 − 𝜇 85 − 70
𝑍= = = 1,2
𝜎 12,5
𝑍 = 1,2
𝑃(𝑍 ≤ 1,2) = 0,3849
𝑃(𝑍 ≤ −1,6) = 𝑃(𝑍 > 1,6) = 1 − 𝑃(𝑍 ≤ 1,6)
𝑃(𝑍 ≤ −1,6) = 1 − 0,4452 = 0,5548
𝑃(1,2 ≤ 𝑍 ≤ −1,6) = 0,5548 − 0,3849 = 0,17 = 17%

b. ¿Cuál es el peso que es superado solo por el 93% de las personas del grupo?
R//
𝑏 = 93% = 0.93
1 − 0.93 = 0.07
𝑥 − 70
0.07 = = 0.07 ∗ 12.5 + 70 = 𝑥
12.5

𝑥 = 70.9%
 11

Estudia ciertos experimentos llamados aleatorios, o Mentefacto

sea regidos por el azar, en que se conocen todos los
resultados posibles, pero no es posible tener certeza
de cuál será en particular el resultado del
experimento.
Distribución binomial
Permiten determinar con exactitud los resultados de Unidad 2
experimentos o situaciones que con la frecuencia en
Muestreo no
que se desarrollan arrojan unos resultados que dan
certeza y seguridad en la planeación y previsión de probabilístico
futuros planes. Dividida en

Variables Distribuciones Distribuciones

aleatorias discretas de continuas de
discretas y probabilidad probabilidad
continuas

Una distribución Una distribución continua

Es una variable discreta describe la describe las probabilidades de
estadística cuyos probabilidad de los posibles valores de una
valores se obtienen de ocurrencia de cada variable aleatoria continua. Una
mediciones en algún valor de una variable variable aleatoria continua es
tipo de experimento aleatoria discreta. Una una variable aleatoria con un
aleatorio. Formalmente, variable aleatoria conjunto de valores posibles
una variable es una discreta es una variable (conocido como el rango) que
función, que asigna aleatoria que tiene es infinito y no se puede contar.
eventos. Por ejemplo, valores contables, tales
lanzar un dado o una como una lista de
moneda enteros no negativos.

Discretas: El conjunto de
posibles valores es
numerable. Suelen estar
asociadas a experimentos
en que se mide el número
de veces que sucede algo.
Su distribución viene
dada por los valores que
puede tomar, x1, x2, x3,
…, xk, y las
probabilidades de que
aparezcan p1, p2, p3, …,
pk. Estas cantidades
reciben el nombre de
función de probabilidad o
función de masa.
Continuas: El conjunto de
valores no numerables. Puede
tomar todos los valores de un
intervalo son el resultado de
medir. Si x es variable aleatoria
continua y queremos conocer su
distribución de probabilidad no
nos vale la función de
probabilidad empleada con las
discretas (cada valor con su
probabilidad asociada) porque
toma muchos valores.
 12

Conclusiones
Finalmente se desarrollaron individualmente un grupo de problemas correspondientes a las
temáticas de variables aleatorias discretas y continuas, distribuciones discretas de probabilidad y
distribuciones continuas de probabilidad.
Abordando los temas referentes a la unidad No.2 inicialmente nos encontramos probabilidad
condicional y distribuciones de probabilidad seguidamente el análisis de sucesos y conjuntos para
entender correctamente las propiedades de la probabilidad.
 13

Bibliografía
García, Á. M. Á. (2005). Introducción a la teoría de la probabilidad. primer curso. Pp. 195-221.
Recuperado de https://bibliotecavirtual.unad.edu.co:2538
Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Pp. 245-261. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&docID=1101376
7&tm=1470693471527
Íglez, S. (1 de junio de 2014). SlideShare. Obtenido de SlideShare:
https://es.slideshare.net/ScarletIglez/variables-aleatorias-35366180
Minitab.com. (2019). Obtenido de Minitab.com: https://support.minitab.com/es-
mx/minitab/18/help-and-how-to/probability-distributions-and-random-data/supporting-
topics/basics/continuous-and-discrete-probability-distributions/