NOMBRE AREA DISCIPLINAR

Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

GUIA DE APRENDIZAJE
Trabajo Autnomo del Estudiante

Asignatura: Mdulo de estadstica aplicada. Cdigo:

Unidad temtica: Fiabilidad Estadstica: Distribuciones de probabilidad.
Distribucin de Poisson, binomial e Hipergeometrca. Conocimiento bsico para el proceso de control
de calidad.
.

Docente: Jeaqueline Franco Pea Tiempo estimado: Dos horas

Estudiante:

La presente gua busca El Estudiante identifica,

actividades formativas diferencia y aplica los
fomentando la componentes, procesos y
Objetivo General profundizacin en las Objetivo formativo herramientas para la
actividades acadmicas, con planeacin, elaboracin y
el aprendizaje en contexto en sustentacin de los
el desarrollo de las conocimientos impartidos en el
competencias. aula y complementarios.
Trabajo Grupal (3 Estudiantes ) Producto: informe escrito e
Metodologa
impreso.
Derechos: Formato: Documento de Aprendizaje y
Evaluacin de aprendizaje
ECCI - Ing. Industrial conocimiento Autnomo del Estudiante.

1. OBJETIVOS
Objetivo General:
Conocer los trminos bsicos de la estadstica a nivel de distribuciones de probabilidad.
Objetivos Especficos:
Verificar como la estadstica nos ayuda a encontrar soluciones a problemas de diferentes ndoles que se
presentan en nuestra vida profesional.
El de usar diversas formas de organizar y manejar un conjunto de datos para poder hacer una interpretacin
visual de la informacin, de manera concisa y rpida de leer.

2. COMPETENCIAS A DESARROLLAR
1. COMPETENCIAS BSICAS:

INTERPRETATIVA: Capacidad de relacionar los diversos leguajes y formas que describe el proceso
estadstico, las caractersticas de cada uno de sus componentes.

ARGUMENTATIVA: Capacidad de recolectar, procesar, analizar y presentar correctamente los datos.

PROPOSITIVA: Capacidad de relacionar los conceptos, aplicaciones y grficos en el entorno.

2. COMPETENCIAS ESPECFICAS
COMPETENCIAS DE ACCION: Docente- Estudiante
Conocimientos y destrezas de aptitudes.
Procedimientos.
Comportamientos.
Formas de organizacin.
Habilidad en el registro de datos y contraste con los parmetros estadsticos que le permitan estudiar el
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

anlisis coherente en la solucin de problemas y anlisis de los datos.

La destreza y la calidad en el diagnostico anlisis y decisin basados en los temas pertinentes.

3. DIAGRAMA DE PROCESOS
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

4. TEMATICA.

Para el desarrollo de la presente gua se deber tener algunos conceptos previos con el fin de entender e interpretar
temticas abordadas en esta unidad.

Los temas y conceptos a trabajar son:

Fiabilidad estadstica:

La fiabilidad estadstica es necesaria para garantizar la validez y precisin del anlisis estadstico.

Se relaciona con la capacidad de reproducir los resultados tantas veces como sea necesario. Esto es esenci
ya que genera confianza en el anlisis estadstico y en los resultados obtenidos.

Por ejemplo, supongamos que ests estudiando el efecto de un nuevo medicamento en la presin arterial en
ratones. Quieres hacer una serie de pruebas y si los resultados son positivos para controlar la presin
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

arterial, es posible que tambin quieras probarlo en seres humanos.

DISTRIBUCIONES DE PROBABILIDAD.

Toda distribucin de probabilidad es generada por una variable aleatoria x, la que puede
de dos tipos:
1. Variable aleatoria discreta (x). Se le denomina variable porque pue
tomar diferentes valores, aleatoria, porque el valor tomado es totalmente
azar y discreta porque solo puede tomar valores enteros y un nmero fin
de ellos.

Ejemplos:
x Variable que nos define el nmero de burbujas por envase de vidrio que s
generadas en un proceso dado.
x0, 1, 2, 3, 4, 5, etc., etc. burbujas por envase
xVariable que nos define el nmero de productos defectuosos en un lote de
productos.
x0, 1, 2, 3,....,25 productos defectuosos en el lote

xVariable que nos define el nmero de alumnos aprobados en la materia

probabilidad en un grupo de 40 alumnos.
x0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad

Con los ejemplos anteriores nos damos cuenta claramente que los valores de la variabl
siempre sern enteros, nunca fraccionarios.

2. Variable aleatoria continua (x). Se le denomina variable porque pue

tomar diferentes valores, aleatoria, porque los valores que toma s
totalmente al azar y continua porque puede tomar tanto valores ente
como fraccionarios y un nmero infinito de ellos.

Ejemplos:

xVariable que nos define el dimetro de un engrane en pulgadas

x5.0, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96

xVariable que nos define la longitud de un cable o circuito utilizado en un arns de auto
x20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0

xVariable que nos define la concentracin en gramos de plata de algunas muestras

mineral
x14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

Como se observa en los ejemplos anteriores, una variable continua puede tomar cualqu
valor, entero o fraccionario, una forma de distinguir cuando se trata de una variable contin
es que esta variable nos permite medirla o evaluarla, mientras que una variable discreta no
medible, es una variable de tipo atributo, cuando se inspecciona un producto este puede
defectuoso o no, blanco o negro, cumple con las especificaciones o no cumple, etc, etc.

Las variables descritas anteriormente nos generan una distribucin de probabilidad, las q
pueden ser.

1) Distribucin de probabilidad discreta.

2) Distribucin de probabilidad contina.
DISTRIBUCIN DE PROBABILIDAD DISCRETA.
Caractersticas:
1. Es generada por una variable discreta (x).

xVariable que solo toma valores enteros

x0, 1, 2, 3, 4, 5, 6, 7, 8, etc., etc.

2. p (xi) 0 Las probabilidades asociadas a cada uno de los valores que toma x deben
mayores o iguales a cero.

3.p (xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores q
toma x debe ser igual a 1.

DISTRIBUCIN DE PROBABILIDAD CONTINUA.

Caractersticas:
1. Es generada por una variable continua (x).

x Es una variable que puede tomar tanto valores enteros como fraccionarios.

x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5,.....,

2. f(x) 0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayore
iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad deber tomar s
valores mayores o iguales a cero. La funcin de densidad de probabilidad slo puede estar defin
en los cuadrantes I y II.

3. La sumatoria de las probabilidades asociadas a cada uno de los valores q

toma x debe ser igual a 1. El rea definida bajo la funcin de densidad
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

probabilidad deber ser de 1.

CALCULO DE MEDIA Y DESVIACIN ESTANDAR PARA UNA DISTRIBUCIN

DISCRETA

1. Media o valor esperado de x.- Para determinar la media de la distribucin discreta

utiliza la siguiente frmula:

Donde:
= media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
p(xi) = probabilidad asociada a cada uno de los valores de la variable x

2. Desviacin estndar. Para determinar la desviacin estndar de la distribucin discreta se utiliza

siguiente frmula:

Donde:
= desviacin estndar
= media o valor esperado de x
xi = valores que toma la variable x
p(xi) = probabilidad asociada a cada uno de los valores que toma x

Ejemplos:
1. Segn estadsticas la probabilidad de que el motor de un auto nuevo, de cierto modelo, y ma
sufra de algn desperfecto en los primeros 12 meses de uso es de 0.02, si se prueban tres automv
de esta marca y modelo, encuentre el nmero esperado de autos que no sufren de algn desperfe
en los primeros doce meses de uso y su desviacin estndar.

Solucin:
Haciendo uso de un diagrama de rbol, usando las literales siguientes, se obtiene el espa
muestral como se muestra a continuacin;
N = no sufre de algn desperfecto en el motor los primeros 12 meses de uso
S = sufre de algn desperfecto en el motor los primeros 12 meses de uso.

= NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS

 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

x = variable que nos define el nmero de autos que no sufre de algn desperfecto en el mo
durante los primeros 12 meses de uso

x = 0, 1, 2 o 3 autos que no sufren algn desperfecto en el motor en los primeros 12 meses

uso

p(x=0)=p(SSS)=(0.02)(0.02)(0.02)=0.000008
p(x=1)=p(NSS, SNS, SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)(0.02)(0.98)=
=0.001176
p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+(0.02)(0.98)(0.98)==0.0576
p(NNN) = (0.98)(0.98)(0.98) =0.941192

Por tanto la media o valor esperado se determina de la siguiente manera:

=E(x) = (0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)(0.941192)=
=0.0+0.001176+0.115248+2.823576=2.94 3 autos que no sufren algn desperfecto en el mo
en los primeros 12 meses de uso

La interpretacin de la media o valor esperado es; se espera que los 3 autos probados no sufr
de algn desperfecto en el motor en los primeros 12 meses de uso.

= =

= 0.24970.0 autos que no sufren alg

desperfecto en su motor en los primeros 12 meses de uso.

Interpretacin:
En este experimento se espera que los 3 autos probados no sufran de algn desperfecto en
motor en los primeros 12 meses de uso y la variabilidad de este experimento es de cero.

Tipos de distribuciones de variable discreta

Definidas sobre un dominio finito

La distribucin de Bernoulli, que toma valores "1", con probabilidad p, o "0", con probabilidad q = 1 p
La distribucin de Rademacher, que toma valores "1" o "-1" con probabilidad 1/2 cada uno.
La distribucin binomial, que describe el nmero de aciertos en una serie de n experimentos
independientes con posibles resultados "s" o "no" (ensayo de Bernoulli, todos ellos con probabilidad de
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

acierto p y probabilidad de fallo q = 1 p.

La distribucin beta-binomial, que describe el nmero de aciertos en una serie de n experimentos
independientes con posibles resultados "s" o "no", cada uno de ellos con una probabilidad de acierto
variable definida por una beta.
La distribucin degenerada en x0, en la que X toma el valor x0 con probabilidad 1. A pesar de que no
parece una variable aleatoria, la distribucin satisface todos los requisitos para ser considerada como tal.
La distribucin uniforme discreta, en el que todos los resultados posibles forman de un conjunto finito
el que todos son igualmente probables. Esta distribucin describe los comportamientos aleatorios de una
moneda, un dado o una ruleta de casino equilibrados (sin sesgo).
La distribucin Hipergeometrca, que mide la probabilidad de obtener x (0 x d) elementos de una
determinada clase formada por d elementos pertenecientes a una poblacin de N elementos, tomando un
muestra de n elementos de la poblacin sin reemplazo.
distribucin Hipergeometrca no central de Fisher.
distribucin Hipergeometrca no central de Wallenius.
La ley de Bedford, que describe la frecuencia del primer dgito de un conjunto de nmeros en notacin
decimal.

Definidas sobre un dominio infinito

La distribucin binomial negativa o distribucin de Pascal, que describe el nmero de ensayos de Bernou
independientes necesarios para conseguir n aciertos, dada una probabilidad individual de xito p constante
La distribucin geomtrica, que describe el nmero de intentos necesarios hasta conseguir el primer acierto
La distribucin beta-binomial negativa, que describe el nmero de experimentos del tipo "si/no" necesarios
para conseguir n aciertos, cuando la probabilidad de xito de cada uno de los intentos est distribuida de acue
con una beta.
La distribucin binomial negativa extendida.
La distribucin de Boltzmann, importante en mecnica estadstica, que describe la ocupacin de los niveles
de energa discretos en un sistema en equilibrio trmico. Varios casos especiales son:
La distribucin de Gibbs.
La distribucin de MaxwellBoltzmann.
La distribucin elptica asimtrica.
La distribucin fractal parablica.
La distribucin Hipergeometrca extendida.
La distribucin logartmica.
La distribucin logartmica generalizada.
La distribucin de Poisson, que describe el nmero de eventos individuales que ocurren en un periodo de
tiempo. Existen diversas variantes como la Poisson desplazada, la hper-Poisson, la binomial de Poisson y la
ConwayMaxwellPoisson entre otras.
La distribucin de Polya-Eggenberger.
La distribucin Skellam, que describe la diferencia de dos variables aleatorias independientes con
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

distribuciones de Poisson de distinto valor esperado.

La distribucin de YuleSimon.
La distribucin zeta, que utiliza la funcin zeta de Riemman para asignar una probabilidad a cada nmero
natural.
La ley de Zipf, que describe la frecuencia de utilizacin de las palabras de una lengua.
La ley de ZipfMandelbrot es una versin ms precisa de la anterior.

Distribucin binomial
Una sucesin de n pruebas se dice que es de Bernoulli cuando los experimentos individuales verifican las
siguientes condiciones: 1. Las n pruebas son independientes. 2. Cada prueba es de Bernoulli. 3. La
probabilidad p de xito es igual en todas las pruebas. La variable aleatoria definida como nmero de xit
en n pruebas, X B(n, p), se dice que sigue una distribucin binomial de parmetros n, p. La variable pue
tomar los valores {0, 1, 2, . . . , k, . . . , n}

DISTRIBUCION POISSON
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

DISTRIBUCIN HIPERGEOMTRICA
La distribucin Hipergeometrca es especialmente til en todos aquellos casos en los que se
extraigan muestras o se realizan experiencias repetidas sin devolucin del elemento extrado o s
retornar a la situacin experimental inicial.

Media y varianza.

Considerando que una variable Hipergeometrca de parmetros N, n, p puede considerarse

generada por la reiteracin de un proceso dicotmico n veces en el que las n dicotomas NO son
independientes; podemos considerar que una variable Hipergeometrca es la suma de n variables
dicotmicas NO independientes.

Es bien sabido que la media de la suma de variables aleatorias (sean stas independientes o no) e
la suma de las medias y por tanto la media de una distribucin Hipergeometrca ser , como en el
caso de la binomial :

En cambio si las variables sumando no son independientes la varianza de la variable suma no ser l
suma de las varianzas.

Si se evala el valor de la varianza para nuestro caso se obtiene que la varianza de una distribuci
Hipergeometrca de parmetros N, n, p es : si

Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos
resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) Cada ensayo o repeticin del experimento no es independiente de los dems.
d) El nmero de repeticiones del experimento (n) es constante.
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

Ejemplo:
En una urna o recipiente hay un total de N objetos, entre los cuales hay u
cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n objetos
azar, y sin reemplazo, cul es la probabilidad de obtener x objetos defectuosos?
Solucin:

Luego;

donde:
p(x, n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

muestras de n objetos en donde hay x que son defectuosos y n-x bueno

todas las muestras posibles de seleccionar de n objetos tomadas

entre N objetos en total = espacio muestral

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales s

defectuosos, si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 se
defectuosos?

Solucin:

N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

donde:

probabilidad asociada a cada muestra de 4 objetos que se seleccionar

con lo que se demuestra que las probabilidades no son constantes

formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionado

muestras de 4 objetos entre los que 2 son defectuosos

Como se observa en el desarrollo de la solucin del problema, la pretensin es demostr

que las probabilidades asociadas a cada uno de los resultados no son constantes.

Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al az

sera:

5. INDICADORES DE DESEMPEO (Plan Lector)

 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

Inters por la lectura : Leen textos de su inters para:

informarse
entretenerse
resolver problemas.

Lectura de variedad de textos: Leen comprensivamente una variedad de textos de

Estructuras simples y Complejas.- Leen con fluidez y expresividad, una variedad de textos de estructuras
Simples y complejas.

Extraer informacin: Extraen informacin explcita relevante, distinguindola de la accesoria.

- Realizan inferencias para establecer relaciones de causa, efecto y secuencia de hechos, integrando
detalles Relevantes del texto.
Argumentan: Opinan sobre variados aspectos de los textos ledos, apoyndose en informacin explcita e
implcita, considerando sus conocimientos especficos sobre el tema.
Incremento de vocabulario: Descubren a partir de claves contextuales o de la consulta del diccionario, el
Significado de palabras y expresiones provenientes de sus lecturas.

6. FUENTES DOCUMENTALES DEL PLAN LECTOR.

Fuentes documentales:

Probabilidad y Estadstica para Ingeniera y Ciencias. WALPOLE-MIYERS-YE. OCTAVA EDICION 2007

Editorial Pesaron.
Probabilidad y estadstica y Ciencias DEVORE, JAY, L Sptima edicin 2008 Editorial CENGAGE
Estadstica Industrial Moderna Diseo y control de la calidad y Confiabilidad: KENEETT RON S., ZACKS
SHELEMIAHU Editorial CENGAGE
Estadstica para Administracin y Economa, Anderson, Sweeney, Williams. Dcima edicin. Editorial
Cengage Ao: 2008.
Estadstica bsica en administracin. Mark l Berensosn.Levine David M. Cuarta edicin. Editorial
Pearson.2044
Estadstica aplicada a los negocios. Allen Webster. Mc Graw Hill. 2007.
Estadstica aplicada a los negocios y a la Economa .Lind. Marchal. Wathen. Dcimo tercera edicin. Mc
Graw Hill.2008
Estadstica para administracin y economa. Lind. Marchal. Mason. Decima primera edicin. Editorial
Alfaomega.
Estadstica para Administracin y Economa. Levin. Richard y David Rubn. Editorial Prentice Hall.
Sptima edicin.
Estadstica para Administracin y Economa. BERENSON, Mark y LEVIN, McGraw Hill.
Cuarta edicin. Bogot 1994.
Estadstica Para las Ciencias Administrativas. Chao, Lincoln. McGraw Hill. Interamericana S.A.
Tercera Edicin; Bogot 1995.
Estadstica para administradores, MENDENHALL, William. Editorial Ibero-americana. Segunda edicin;
Bogot, 1990.
Estadstica Aplicada para Administracin. FLORES GARCA, Rosalinda y Hctor Lozano de los Santos.
 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

7. GUA DE DESEMPEO PARA EL ESTUDIANTE

Seor Estudiante a continuacin encontrara su estructura a desarrollar teniendo en cuenta la base
introductoria, las lecturas que debemos realizar para este encuentro de reconocer teora y
conceptos de aplicacin para este curso en el seminario.

1.Cul es la probabilidad de que una mesera se rehse a servir bebidas alcohlicas

nicamente a dos menores de edad si verifica aleatoriamente solo 5 identificaciones de entre 9
estudiantes, de los cuales 4 no tienen la edad suficiente?, b) Cul es la probabilidad de que
como mximo 2 de las identificaciones pertenezcan a menores de edad?

2. Una compaa manufacturera utiliza un esquema para la aceptacin de los artculos

producidos antes de ser embarcados. El plan es de dos etapas. Se preparan cajas de 25
para embarque y se selecciona una muestra de 3 para verificar si tienen algn artculo
defectuoso. Si se encuentra uno, la caja entera se regresa para verificarla al 100%. Si
no se encuentra ningn artculo defectuoso, la caja se embarca. a) Cul es la
probabilidad de que se embarque una caja que tiene tres artculos defectuosos?,
b) Cul es la probabilidad de que una caja que contiene solo un artculo defectuoso
se regresa para verificacin?
b.

3. La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el 80% de los
lectores ya la han ledo. Un grupo de 4 amigos son aficionados a la lectura:
Cul es la probabilidad de que el grupo hayan ledo la novela 2 personas? Y cmo
mximo 2?

4. La probabilidad de que un artculo producido por una fbrica sea defectuoso es 0.02. Se
envi un cargamento de 10.000 artculos a unos almacenes. Hallar el nmero esperado de
artculos defectuosos, la varianza y la desviacin tpica.

5. Un agente de seguros vende plizas a cinco personas de la misma edad y que disfrutan de
buena salud. Segn las tablas actuales, la probabilidad de que una persona en estas
condiciones viva 30 aos o ms es 2/3. Hllese la probabilidad de que, transcurridos 30
aos, vivan:

Las cinco personas

Al menos tres personas

Exactamente dos personas

 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

6. Se lanza una moneda cuatro veces. Calcular la probabilidad de que salgan ms caras que
cruces.
7. En unas pruebas de alcoholemia se ha observado que el 5% de los conductores controlados
dan positivo en la prueba y que el 10% de los conductores controlados no llevan puesto el
cinturn de seguridad. Tambin se ha observado que las dos infracciones son
independientes. Un guardia de trfico para cinco conductores al azar. Si tenemos en cuenta
que el nmero de conductores es suficientemente importante como para estimar que la
proporcin de infractores no vara al hacer la seleccin:
a. Determinar la probabilidad de que exactamente tres conductores hayan cometido alguna
de las dos infracciones
b. Determine la probabilidad de que al menos uno de los conductores controlados haya
cometido alguna de las dos infracciones.
8. La probabilidad de que un artculo producido por una fbrica sea defectuoso es p = 0.02. Se
envi un cargamento de 10.000 artculos a unos almacenes. Hallar el nmero esperado de
artculos defectuosos, la varianza y la desviacin tpica.
p.
8.1. En la inspeccin de hojalata producida por un proceso electroltico continuo, se identifican
0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una
imperfeccin en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando ms una
imperfeccin en 15 minutos.

9. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades
de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en
cualquiera de dos das consecutivos?
10. La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se
realizan 300 viajes, cul es la probabilidad de tener 3 accidentes?
11. La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que
entre 800 recin nacidos haya 5 pelirrojos?

8. REFLEXIONES

A continuacin encuentra una serie de preguntas que debe contestar adecuadamente, apoyado de su
creatividad y de lecturas.
a) La Importancia de la distribucin de probabilidades.

b) Oportunidades que ofrece la distribucin Poisson.

c) Defina distribucin Poisson, binomial e Hipergeometrca.

d) Que es una distribucin de probabilidad discreta y continua?

e) Como se calcula la distribucin binomial?

f) Como se calcula la distribucin Poisson?

g) Que son las distribuciones de probabilidad binomial negativa y normal?

h) Que le aporta como ingeniero las distribuciones de probabilidad?

 NOMBRE AREA DISCIPLINAR
Programa de Ingeniera
Industrial.
SEMINARIO DE PROFUNDIZACION.
MODULO ESTADISTICA APLICADA
TECNOLOGIA EN GESTION DE
PROCESOS INDUSTRIALES

i) Que indica en un proceso la Poisson?

9. OBSERVACIONES ESPECIALES

Seores Estudiantes ustedes deben:

Leer atentamente la teora y argumentos sobre el tema determinado.
Deben realizar con responsabilidad y con concientizacin sincera la gua.
Ir continuamente y constantemente a clases con su Docente.
Comunicarse por correo o el aula virtual con su Docente en dudas o debilidades que presenten.
Presentarla ordenadamente, con anlisis, letra clara y sin enmendaduras de corrector.
En hoja de examen desarrollar los ejercicios y actividades propuestas.
Seguir adecuadamente las instrucciones dadas por su Docente.

10. RETROALIMENTACIN. (Docente-Estudiante)

Fecha de elaboracin: dd/mm/aa

Actualizacin: dd/mm/aa
ELABORADO POR: Ing. Jeaqueline Franco Pea.
Fecha entrega Revisin: dd/mm/aa