Unidad 2 - Tarea 3 – Experimentos Aleatorios y Distribuciones de Probabilidad.

Estudiante:

Luisa Fernanda Pulido Rincón Cód: 1.014.264.817

Grupo:

100402_158

Tutora:

Juan David Firigua

Universidad Nacional Abierta y a Distancia

Escuela de Ciencias Básicas, Tecnología e Ingeniería

30 de noviembre 2020
 INTRODUCCION.

La distribución de probabilidad indica toda la gama de valores que pueden representarse como
resultado de un experimento, siendo similar a la distribución de frecuencias relativas. Sin embargo,
en vez de describir el pasado, describe la probabilidad que un evento se realice en el futuro,
constituye una herramienta fundamental para la prospectiva, puesto que se puede diseñar un
escenario de acontecimientos futuros considerando las tendencias actuales de diversos fenómenos
naturales.
Tabla comparativa de conceptos

Tabla comparativa

Variable, formula o
Concepto Definición imagen que
representa el concepto

Una variable
aleatoria es una
función que asocia
Variable aleatoria un valor numérico a
cada posible
resultado de un
experimento
aleatorio.
Una variable
aleatoria es continua
si toma un n ́umero
Variable aleatoria infinito no
continua numerable de valores
(por ejemplo, en un
intervalo de R).
Una variable
Variable aleatoria aleatoria es discreta
discreta si toma un n ́umero
finito o numerable de
valores.
La distribución de
probabilidad de una
variable aleatoria es
una función que
Distribución de asigna a cada suceso
Probabilidad definido sobre la
variable la
probabilidad de que
dicho suceso ocurra.
Se llama continua si
su función de
distribución es
continua, puesto que
la función de
distribución de una
variable aleatoria X
viene dada por la
 Distribución de definición implica
Probabilidad que en una
Continua distribución de
probabilidad
continua X se
cumple P[X = a] = 0
para todo número
real a, esto es, la
probabilidad de que
X tome el valor a es
cero para cualquier
valor de a.
Una distribución
discreta describe la
probabilidad de
ocurrencia de cada
valor de una variable
Distribución de aleatoria discreta.
Probabilidad Con una distribución
Discreta de probabilidad
discreta, cada valor
posible de la variable
aleatoria discreta
puede estar asociado
con una probabilidad
distinta de cero.
La media es un
término matemático,
el cálculo de esta
variable viene
muchas veces a ser
un término
Media
estadístico,
relacionado con las
probabilidades el
mismo. No obstante,
no siempre se
utilizan en el mismo
contexto.
La desviación
estándar es un índice
numérico de la
Desviación estándar dispersión de un
conjunto de datos (o
población). Mientras
mayor es la
desviación estándar,
 mayor es la
dispersión de la
población.
En estadística la
esperanza
matemática (también
llamada esperanza,
valor esperado,
media poblacional o
Valor esperado
media) de una
variable aleatoria, es
el número que
formaliza la idea de
valor medio de un
fenómeno aleatorio.
Es un concepto
análogo a la media
aritmética de un
conjunto.
Es una medida de
dispersión que
representa la
variabilidad de una
serie de datos
Varianza respecto a su media.
Formalmente se
calcula como la
suma de los residuos
al cuadrado
divididos entre el
total de
observaciones
Es una función que
Función de asocia a cada punto
Probabilidad de su espacio
muestral X la
probabilidad de que
esta lo asuma.
Función de densidad,
o, simplemente,
densidad de una
variable aleatoria
continua describe la
probabilidad relativa
según la cual dicha
variable aleatoria
Función de densidad tomará determinado
 valor. La
probabilidad de que
la variable aleatoria
caiga en una región
específica del
espacio de
posibilidades estará
dada por la integral
de la densidad de
esta variable entre
uno y otro límite de
dicha región.
La distribución
binomial o
distribución
binómica es una
distribución de
probabilidad discreta
que cuenta el número
de éxitos en una
Distribución secuencia de n
binomial ensayos de Bernoulli
independientes entre
sí, con una
probabilidad fija p de
ocurrencia del éxito
entre los ensayos. Un
experimento de
Bernoulli se
caracteriza por ser
dicotómico, esto es,
solo dos resultados
son posibles.
La distribución
binomial tiende a
converger a la
distribución de
Poisson cuando el
parámetro n tiende a
Aproximación de la infinito y el
D. binomial a la D. parámetro p tiende a
Poisson ser cero, de manera
que el producto de n
por p sea una
cantidad constante.
De ocurrir esto la
distribución binomial
 tiende a un modelo
de Poisson de
parámetro l igual a n
por p.
La distribución de
Poisson es una
distribución de
probabilidad discreta
que expresa, a partir
de una frecuencia de
ocurrencia media, la
probabilidad de que
Distribución Poisson ocurra un
determinado número
de eventos durante
cierto período de
tiempo.
Concretamente, se
especializa en la
probabilidad de
ocurrencia de
sucesos con
probabilidades muy
pequeñas, o sucesos
«raros».
La distribución
hipergeométrica es
una distribución
discreta relacionada
con muestreos
aleatorios y sin
Distribución reemplazo.
Hipergeométrica La distribución
hipergeométrica
mide la probabilidad
de obtener elementos
de la categoría A en
una muestra sin
reemplazo de n
elementos de la
población original.
La distribución
normal adapta una
variable aleatoria a
una función que
depende de la media
Distribución normal y la desviación
 típica. Es decir, la
función y la variable
aleatoria tendrán la
misma
representación, pero
con ligeras
diferencias.
Una tabla normal
estándar, también
llamada tabla normal
unitaria o tabla Z,1
es una tabla
matemática de los
valores de Φ, la
función de
distribución
Distribución normal acumulativa de la
estándar distribución normal.
Se utiliza para
determinar la
probabilidad de que
se observe una
muestra estadística
por debajo, por
encima o entre dos
valores dados de una
distribución normal
estándar, y por
extensión, de
cualquier
distribución normal.
La formulación del
área bajo una curva
es el primer paso
para desarrollar el
concepto de integral.
El área bajo la curva
Área bajo la curva formada por el trazo
de la función f(x) y
el eje x se puede
obtener
aproximadamente,
dibujando
rectángulos de
anchura finita y
altura f igual al valor
de la función en el
 centro del intervalo.
Una distribución
binomial B(n,p) se
puede aproximar por
una distribución
Aproximación de la normal, siempre que n
normal a la binomial sea grande y p no esté
muy próxima a 0 o a 1.
La aproximación
consiste en utilizar una
distribución normal
con la misma media y
desviación típica que
la distribución
binomial.

Tipo de ejercicios 1 - Distribución Binomial

b. Treinta personas, que son de la misma edad y el mismo estado de salud, son aseguradas
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 del 80%.
Solución:
Para resolver el planteamiento aplicamos la Distribución Binomial por medio de la fórmula
siguiente:
Datos:
p=0.8
q=0.2
n=30
1) ¿Cuál es la probabilidad de que no todas las 30 personas estén vivas en 15 años?

P ( x<30 )=1−P ( x=30 )

Por tanto, usamos la distribución binomial,

()
P( x=k)= n pk (1−p)n−k
k

( )
P ( x=30 )= 30 0.8 ( 1−0.8 )
30
30 30−30
 P ( x=30 )=0.0012

Con el análisis anterior obtenido podemos asegurar entones que la probabilidad de que no
todas las 30 personas estén vivas en 15 años es del 99,8 7 % .

La probabilidad de que no todas las 30 personas estén vivas en 15 años es del 99.87%.
2) ¿Cuál es la probabilidad de que al menos una persona esté viva?
Hallamos P ( x ≥ 1 ), para ellos hallamos la probabilidad d que ninguna persona de las 30 este
viva en 15 años, es decir, P(x=0)

( )
P ( x=0 )= 30 ∗( 0.8 ) ( 1−0.8 )
0
0 (30−0)

P ( x=0 )=0

P ( x ≥ 1 )=1−P ( x=0 )
P ( x ≥ 1 )=1−0=1
Cuando las Probabilidades dan el valor de 1, indica que son el 100%
Decimos entonces que la Probabilidad de que al menos 1 persona de las 30 este viva en 15
años es del 100%
3) Toda persona asegurada que estará viva después de 15 años recibirá
$ 100.000.000.
Datos:
n=30

p=(éxito)=0.8

Lo que demos es hallar el valor de la MEDIA usando la siguiente formula:

μ=n∗p
μ=30∗0.8=24
Decimo entonces que 24 es el numero de personas que estarán vivas después de los 15 años, ahora
multiplicamos ese valor por la cantidad de dinero dado por la aseguradora:

¿ 24∗100 . 000 .000=2.400 .000.000

Podemos decir entonces que la aseguradora por un lote de 30 personas deberá pagar después
de 15 años, $ 2.400 .000.000

Ejercicio 2. Distribución Poisson.

b. La llegada de aviones a un aeropuerto puede ser modelada por un proceso de Poisson con
una tarifa λ = 5 llegadas por hora.
Datos:
μ=5
x=1
1) ¿Cuál es la probabilidad de que haya al menos una llegada entre las 3:30 p.m. y
las 5:00 p.m. en un día en particular?
Para este análisis debemos utilizar la siguiente fórmula:
−μ x
e .μ
f ( x )=P ( X =x )=
x!

e−5 . 51
( )
P 1=
1!

P ( 1 )=0.03370
Analizamos la probabilidad de que llegue al menos un avión en una hora determinada, pero
necesitamos determinar la probabilidad de que un avión llegue en 2 horas y media durante el
transcurso del día, procedemos realizar la operación.
P=2.5∗0.03370=0.08425=8.42%

La probabilidad de que llegue al menos un avión entre las 3:30 p.m. y las 5:00 p.m, es del
8.42 %

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. de ese día.
μ=5 ( 2.5 )=12.5
σ =√ μ
σ =√ 12.5
σ =3.53

Ejercicio 3. Distribución Hipergeométrica.

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

fósforos al azar y encontramos que siete coincidencias en total son defectuosas.
¿Cuál es la probabilidad de que hay al menos dos coincidencias defectuosas en la
primera de estas tres cajas?
Datos:
N 40
M 3
n 7
x 2
0,0701
P(X=2) 417

Para este ejercicio decimos que la función de probabilidad de X es:

P ( x=K )=
( x )( n−x )
K N −K

( Nn )
Reemplazamos los datos y realizamos los cálculos:
 P ( 2=3 ) =
( 2 )( 7−2 )
3 40−3

( 407)
P ( 2=3 ) =
( 2 )( 5 )
3 37

( 407)
Resolvemos los combinatorios:

(32)= 2 !∗(3!3−2 ) ! =3
(375)= 5 !∗(3737−5
!
)!
=435897

( 407)= 7 !∗(40!
40−7 ) !
=18643560

3∗111930
P ( 2=3 )
15890700
P ( 2=3 ) =0,07014

Explique si la aproximación binomial a la hipergeométrica sería apropiada aquí.

En este caso la aproximación binomial a la hipergeométrica si es apropiada.

Ejercicio 4. Distribución Normal.

b. Suponga que la concentración de sodio (Na) en la sangre humana sigue un nivel normal
distribución con media de 140 (medida en mM) y desviación estándar de 5 mM. Calcular:
1) La probabilidad de que el nivel de sodio en la sangre de una persona sea:
 X = Co ncentración de Sodio( Na )
X −N (140 , 5)
• Menos de 130;
P= ( x ≤130 )=0.0228

La probabilidad de que el nivel de Sodio sea menos de 130mM en la sangre de una persona es
de 0.228mM
• Entre 135 y 145;
P= (135≤x≤145 ) =0.6827 mM

La probabilidad de que el nivel de Sodio sea entre 135mM y 145mM en la sangre de una
persona es de 0.6827mM

• Al menos 145.
P= ( x >130 ) =0.8413
La probabilidad de que el nivel de Sodio al menos sea 145mM en la sangre de una persona es
de 0.8413mM

2) El porcentaje de personas en la población para las cuales el nivel de sodio es:

• Entre 140 y 150.
P= (145≤x≤150 ) =0.4772

El porcentaje de personas en la población para las cuales el nivel de sodio es entre 140mM y
150mm es de: 47.72%

• Por debajo de 130 o por encima de 160.

P= (130≤x=¿ 160 )=0.0228
El porcentaje de personas en la población para las cuales el nivel de sodio esta por debajo de
130mM o 160mm es de: 2.28%
Datos Generales solicitados en Excel:
1 P=(x<130) 0.0228
1,1 P=(x<130) Fx(140) 0,02275013
2 P=(135<=x<=145) 0,6827
3 P=(x>130) 0,8413

1 P=(145<=x<=150) 47,72%
2 P=(130<=x=>160) 2,28%

Ejercicio de Sustentación ejercicio B:

B. Un vendedor de seguros de vida vende en promedio 2 pólizas por semana, teniendo en
cuenta que trabaja lunes a viernes todo el día y sábado medio día tomándose descanso el
domingo. Calcular la probabilidad de:

Solución:
1. Que venda alguna póliza en una semana.
Para este ejercicio utilizaremos la siguiente formula de Poisson:

e N∗μ x
P ( X=x )=
x!
Calculamos la probabilidad de que no venda ninguna póliza:
2 0
e ∗μ
P ( x=0 )=
0!

e 2∗1
P ( x=0 )= =0.1353
1
Ahora aplicamos la probabilidad de que venda alguna, es decir:
P ( x>1 ) =1−P(x=0)

P ( x>1 ) =1−0.1353

P=0.8647
Entonces decimos que la probabilidad de que venda alguna póliza en una semana es de 86.47%

2. Que venda dos o más pólizas, pero menos de 6 en una semana.

P(2< x <6)

P(2< x <5)

Ahora identificamos a una equivalencia:

P ( x <5 )−P( x<2−1)
¿
P ( x< 5 )−P(x <1)

Al tener la equivalencia Ahora reemplazamos en la tabla cuanto vale la probabilidad cuando P ( x<5 )y
P ( x<1 ) teniendo en cuenta el valor de Landa que en este caso sería λ=2 .

P ( x<5 )=0.983

P ( x<1 ) =0. 406

Restamos las dos anteriores probabilidades:

P ( 2< x< 6 )=0.577

Con este resultado podemos entonces decir que la probabilidad de que venda dos o más pólizas,
pero menos de 6 en una semana es del 57.5%
Link: