Está en la página 1de 17

Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

TALLER DE ESTADISTICA Y PROBABILIDADES


NATALIA BERNAL CARREAZO T000
MARAT PEREZ GRAU T00058610
MELANY GIL SARMIENTO T00058692
SERGIO MENDOZA T00058071
BRANDON CASTRO CONTRERAS T00058678

Ejercicio 1
Consultar por las características de la distribución binomial negativa, geométrica, chi
cuadrado, t Student y F de fisher. Acompañada de la función de masa o densidad de
probabilidad, gráficas y dos ejemplos de aplicación de cada una de las distribuciones.
• Distribución binomial negativa
Características
Cada secuencia es independiente de las otras.
En cada intento solamente son posibles dos resultados (éxito o fracaso).
La probabilidad de éxito es constante en cada secuencia.
Los intentos continúan hasta que se consigan r éxitos.
Función de masa o densidad de probabilidad

Grafica
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

Ejemplos
Ejemplo1. Los registros de una compañía constructora de pozos indican que la probabilidad
de que uno de sus pozos nuevos, requiera de reparaciones en el término de un año es de
0.20. a) ¿Cuál es la probabilidad de que el sexto pozo construido por esta compañía en un
año dado sea el segundo en requerir reparaciones en un año?
b) ¿Cuál es la probabilidad de que el octavo pozo construido por esta compañía en un año
dado sea el tercero en requerir reparaciones en un año?
Ejemplo2. Para tratar a un paciente de una afección de pulmón han de ser operados en
operaciones independientes sus 5 lóbulos pulmonares. La técnica a utilizar es tal que, si
todo va bien, lo que ocurre con probabilidad de 7/11, el lóbulo queda definitivamente sano,
pero si no es así se debe esperar el tiempo suficiente para intentarlo posteriormente de
nuevo. Se practicar la cirugía hasta que 4 de sus 5 lóbulos funcionen correctamente. ¿Cuál
es el valor esperado de intervenciones que se espera que deba padecer el paciente? ¿Cuál es
la probabilidad de que se necesiten 10 intervenciones?
• Distribución geométrica
Características
El proceso consta de un número no definido de pruebas o experimentos separados o
separables. El proceso concluirá cuando se obtenga por primera vez el resultado deseado
(éxito).
Cada prueba puede dar dos resultados mutuamente excluyentes : A y no A
La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un resultado
no A es q
siendo (p + q = 1).
Función de masa o densidad de probabilidad

Grafica
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

Ejemplos
Ejemplo1. Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad
de que aparezca cara es de 2/3, mientras que la probabilidad de que aparezca sello es de
1/3, Determine la probabilidad de que en el último lanzamiento aparezca una cara.
Ejemplo2. Sí la probabilidad de que un cierto dispositivo de medición muestre una
desviación excesiva es de 0.05, ¿cuál es la probabilidad de que; a) el sexto de estos
dispositivos de medición sometidos a prueba sea el primero en mostrar una desviación
excesiva?, b) el séptimo de estos dispositivos de medición sometidos a prueba, ¿sea el
primero que no muestre una desviación excesiva?
• Distribución chi cuadrado
Características
La distribución es asimétrica positiva.
A medida que aumenta el tamaño de la muestra la curva es menos asimétrica,
aproximándose a una curva normal.
Para cada tamaño muestral, se tendrá una distribución χ2 diferente.
El parámetro que caracteriza a una distribución χ2 son sus grados de libertad (n-1),
originado una distribución para cada grado de libertad.
Función de masa o densidad de probabilidad

Grafica
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

Ejemplos
Ejercicio1. Un jugador quiere probar que es legal el dado con el que juega. Tiro el dado 120
veces y obtuvo la siguiente distribución de frecuencias de las caras resultantes.

a) Enuncie las hipótesis de la prueba y determine las frecuencias esperadas.Ejercicio2.


En un grupo de enfermos que se quejaban de que no dormían se les dio somníferos y
placebos. Con los siguientes resultados. Nivel de significación: 0, 05.

¿Es lo mismo tomar somníferos o placebos para dormir bien o mal en este grupo de
enfermos?
• Distribución t student
Características
Es simétrica, con μ = 0. Su forma es muy parecida a la N(0,1), aunque menos apuntada.
Puede tomar cualquier valor entre -∞ y +∞.
A medida que aumentan los grados de libertad, la distribución se aproxima más a una
distribución normal.
La curva es asintótica al eje de abscisas.
Función de masa o densidad de probabilidad
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

Grafica

Ejemplos
Ejemplo1. Un fabricante de focos afirma que su producto durará un promedio de 500 horas
de trabajo. Para conservar este promedio esta persona verifica 25 focos cada mes. Si el
valor y calculado cae entre –t 0.05 y t 0.05, él se encuentra satisfecho con esta afirmación.
¿Qué conclusión deberá él sacar de una muestra de 25 focos cuya duración fue?
Ejemplo2. Un estudio revelaba que la velocidad de lectura de niños entre 6 y 8 años con
Síndrome de Down que se habían atendido en el Centro de Apoyo para el Aprendizaje era
de 74 palabras por minuto en lecturas seleccionadas. Se hizo un muestreo al azar con 24
niños de tales características para corroborar si se encontraban cerca de este patrón. Se
obtuvo una media de 78 76 palabras por minuto con desviación estándar de 3 palabras por
minuto. ¿Es el promedio de la muestra diferente al del patrón de 74 ppm? Utilice t de
student a dos colas con con anza del 95%
• Distribución F de Fisher
Características
Es asimetría. La función f es una función continua.
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

Existe una familia de distribuciones F que están determinados por dos parámetros: los
grados de libertad de numerador y del denominador.
El valor F no puede ser negativo.
La curva representada en la gráfica debe de ser de sesgo positivo.
Sus valores varían de 0 a infinito.
Función de masa o densidad de probabilidad

Grafica

Ejemplos
Ejemplo1. La variabilidad en la cantidad de grasa presente en un lote de un complemento
dietético, utilizada para un proceso de fabricación de un alimento, depende del origen del
complemento. Un fabricante que recibe el complemento de dos proveedores 1 y 2, hizo una
comparación analizando muestras de ambos proveedores. Muestras de n1=10 y n2=16
mediciones de dos lotes produjeron las varianzas:
S21=1.25 y S22=0.5
¿Presentan los datos evidencia suficiente para indicar que la variabilidad en el contenido de
grasa es menor para el producto que se recibe del proveedor 2? Realice una prueba con un
a= 0.05.
Ejemplo2. El jefe de un laboratorio se encuentra con una técnica de medición fuera del
control estadístico. Para investigar las causas decide investigar si el factor humano tiene
incidencia, y toma una muestra de suero cualquiera la divide en 20 alícuotas. Luego elige
10 de ellas al azar y se las entrega al laboratorista 1 para que haga las determinaciones; las
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

restantes las encomienda al laboratorista 2 para que las mida. Los resultados obtenidos son:
s12=2,4 es la varianza obtenida por el laborista, 1 y s22=0,8 para el otro. Decidir si hay
diferencia en dispersión entre ambos.
Ejercicio 2.
Una semilla tiene un porcentaje de germinación del 83%. Si se siembran 12 semillas, cuál
es el valor esperado, la varianza y la probabilidad de que germinen
a) todas.
b) exactamente 10.
c) a lo sumo 2.
d) al menos 10.
P = 0.83
a) P (X= 12) = B(12;12;0.83)
= 0.10689001
b) P ( X=10) = B(10;12;0.83)
= 0.29595297
c) P (X ≤ 2) = B(2;12;0.83)
= 0.0000009166
d) P (X≥10) = 1 - P (X< 10)
= 1 – P (X≤ 9) = 1 - B (9; 12; 0.83)
= 1 - 0.202056244 = 0.7979437
Ejercicio 3
En una moneda no falsa es lanzada 10 veces. Considere el evento “cara” como un
éxito y “sello” como un fracaso, determina el valor esperado, la varianza y la
probabilidad de
Sabiendo que p=0,5 y n=10
Valor esperado:
𝐸 (𝑥) = 𝑛𝑝 = 10 ∗ 0,5 = 5

Varianza:
𝑉𝑎𝑟(𝑥) = 𝑛𝑝(1 − 𝑃 ) = 10 ∗ 0,5 ∗ (1 − 0,5) = 2,5

a) tener éxito exactamente 7 veces.


10
𝑃(𝑋 = 7) = ( ) (0,5)7 (0,5)3 = 0,1172
7
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

b) tener a lo más 7 éxito.


𝑃(𝑋 ≤ 7) = 𝑃 (𝑋 = 0) + 𝑃(𝑋 = 1) + ⋯ + 𝑃 (𝑋 = 7) = 0,9453
c) tener por lo menos 3 éxitos.
𝑃 (𝑋 ≥ 3) = 𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4) + ⋯ + 𝑃(𝑋 = 10) = 0,9453
d) ningún éxito.
10
𝑃 (𝑋 = 0) = ( ) 0,50 0,510 = 9,7656 ∗ 10−4
0

Ejercicio 4
Supóngase que se lanza una moneda 5 veces y sea X la variable aleatoria que representa el
“número de caras que resultan”. Utilice la fórmula binomial o la tabla binomial para
resolver este ejercicio.
Sabiendo que p=0,5 y n=5
a) Halle la probabilidad de que el número de caras sea menor o igual que 3.
𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = 0,5
b) Halle la probabilidad de que el número de caras sea mayor que 3.
𝑃 (𝑋 > 3) = 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5) = 0.1875
c) Halle la probabilidad de que el número de caras se encuentre entre 1 y 4 (ambos
inclusive).
𝑃(1 ≤ 𝑋 ≤ 4) = 𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4) = 0.9375
d) Halle la probabilidad de que el número de caras se encuentre entre 1 y 4 (ambos no
inclusive).
𝑃(1 < 𝑋 < 4) = 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = 0.625
e) Halle la esperanza de X.
𝐸(𝑥) = 𝑛𝑝 = 5 ∗ 0,5 = 2,5

f) Encuentre la varianza de X.

𝑉𝑎𝑟(𝑥) = 𝑛𝑝(1 − 𝑃 ) = 5 ∗ 0,5 ∗ (1 − 0,5) = 1,25

Ejercicio 5.
El 50% de los clientes de una entidad bancaria son morosos. Supongamos que seleccionan
aleatoriamente 10
clientes. Si X es el número de clientes morosos en la muestra, entonces es claro que X tiene
distribución
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

binomial con parámetros n = 10 y p = 0.5. Por consiguiente,


q=1-P
q = 1-0.5 → 0.5
𝑛
P [x=k] → ∗ 𝑃𝐾 ∗ (1 − 𝑝)𝑛−𝐾
𝑘
10
P [x=0] → ∗ 0.50 ∗ 0.510 = 0.001 → también será el mismo para P [x=10]
0
10
P [x=1] → ∗ 0.51 ∗ 0.59 = 0.0098 → también será el mismo para P [x=9]
1
10
P [x=2] → ∗ 0.52 ∗ 0.58 = 0.0439 → también será el mismo para P [x=8]
2
10
P [x=3] → ∗ 0.53 ∗ 0.57 = 0.1172→ también será el mismo para P [x=7]
3
10
P [x=4] → ∗ 0.54 ∗ 0.56 = 0.2051→ también será el mismo para P [x=6]
4
10
P [x=5] → ∗ 0.55 ∗ 0.55 = 0.2461
5

a) La probabilidad de seleccionar exactamente 7 clientes morosos es.


10
P [x=7] → ∗ 0.57 ∗ 0.53 = 0.1172
7

b) La probabilidad de tener a lomás 7 clientes morosos es.


P [x=<7]

0.001+0.0098+0.0439+0.1172+0.2051+0.2461+0.2051+0.1172 =0.9454

c) La probabilidad de tener por lómenos 3 clientes morosos es.

0.1172+0.2051+0.2461+0.2051+0.1172+0.0439+0.0098+0.001 = 0.9454
d) La probabilidad de que ningún cliente sea moroso es.
10
[x=0] → ∗ 0.50 ∗ 0.510 = 0.001
0

Ejercicio 6.
El número de cartas perdidas en el correo en un día es en promedio de 4. ¿Cuál es la
probabilidad de que en un día determinado promedio se pierdan
a) a lo sumo dos cartas?
b) tres.
c) cuatro o cinco.
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

d) al menos 1.
λ=4
a) se pierdan a lo más dos cartas en el correo?
P(X ≤ 2) = 0.238
b) se pierdan tres cartas en el correo?
P(X = 3) = P(X ≤ 3) −P(X ≤ 2) = 0.433 − 0.238 = 0.195
c) se extravíen cuatro o cinco?
P(4 ≤ X ≤ 5)= P(X ≤ 5) − P(X ≤ 4)
P(X ≤ 5) − P(X ≤ 4) + P(X ≤ 4) − P(X ≤ 3)
= (0.785 − 0.629) + (0.629 − 0.433) = 0.352
d) al menos desaparezca una carta en el correo?
P(X ≥ 1) = 1−P(X < 1) =1 −0.092 = 0.908
Ejercicio 7.
Suponga que los buses llegan a cierto terminal de transporte, según un proceso de
Poisson con tasa α = 8 buses por hora, de modo que el número de llegadas por un
período de t horas es una variable aleatoria de Poisson con parámetro λ = 8t
a) ¿Cuál es la probabilidad de que exactamente 5 buses pequeños lleguen durante un
período de una hora?
λ = 8(1)→ 8
P [x=5]
𝑒 −λ ∗ λ𝑘 𝑒 −8 ∗ 85
→ = 0.0916
𝑘! 5!
¿Por lo menos 5?
𝑒 −8 ∗ 85
= 0.0916
5!
𝑒 −8 ∗ 86
= 0.1221
6!
𝑒 −8 ∗ 87
= 0.1396
7!
𝑒 −8 ∗ 88
= 0.1396
8!
0.0916 + 0.1221 + 0.1396 + 0.1396 = 0.4929
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

¿A lo sumo 10?
𝑒 −8 ∗ 80 𝑒 −8 ∗ 81 𝑒 −8 ∗ 82
= 0.0003, = 0.0027, = 0.0107
0! 1! 2!
𝑒 −8 ∗ 83 𝑒 −8 ∗ 84 𝑒 −8 ∗ 89 𝑒 −8 ∗ 810
= 0.0286, = 0.0573, = 0.1241, = 0.0993
3! 4! 9! 10!
0.0003 + 0.0027 + 0.0107 + 0.0286 + 0.0573+0.0916 + 0.1221 + 0.1396 +
0.1396 + 0.1241 + 0.0993 = 0.8159

b) ¿Cuáles son el valor esperado y la desviación estándar del número de buses que
llegan durante un periodo de 90 minutos?

E(x)→ λ = 8*1.5 → 12

c) ¿Cuál es la probabilidad de que por lo menos 20 buses lleguen durante un período


de dos horas y media?
λ = 8(2.5)→ 20
P [x=20]
𝑒 −20 ∗ 2020
= 0.0888
20!
¿De que a lo sumo 10 lleguen durante este período?

𝑒 −20 ∗ 200 𝑒 −20 ∗ 201 𝑒 −20 ∗ 202 𝑒 −20 ∗ 203 𝑒 −20 ∗ 204
=0+ =0+ =0+ =0+
0! 1! 2! 3! 4!
−20 5 −20 6 −20
𝑒 ∗ 20 𝑒 ∗ 20 𝑒 ∗ 207
= 0, + = 0.0001 + = 0.0002 +
5! 6! 7!
𝑒 −20 ∗ 208 𝑒 −20 ∗ 209
= 0.0005 + = 0.0013 +
8! 9!
−20 10
𝑒 ∗ 20
= 0.0029 + = 0.0058 →→→ 0.0108
10!

Ejercicio 8

La distribución de Poisson ha resultado ser muy útil en problemas de líneas de espera o


colas. Los clientes llegan a una máquina fotocopiadora a una tasa media de 2 cada 5
minutos. En la práctica, se pueden representar los procesos de llegada de esta clase
mediante una distribución de Poisson. Asumiendo que éste es el caso,
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

λ =2
a) La probabilidad de que no haya llegadas en un período de cinco minutos es.
𝑒 −2 ∗ 20
= 0.135
0!
b) La probabilidad de que haya 1 llegada es.
𝑒 −2 ∗ 20 𝑒 −2 ∗ 201
= 0.135 + = 0.2707 → 0.406
0! 1!
c) La probabilidad de que haya estrictamente más de dos llegadas es.

𝑒 −2 ∗ 22
= 0.2727
2!
0.135+0.2727+0.2727 → 0.6767
2
P(X>2) =1-P* = 1-0.6767*1→0.323
2
Ejercicio 9
Una cierta compañía electrónica produce 15.000 unidades de un tipo especial de tubo al
vacío. Se ha observado que, en promedio, 3 tubos de 300 son defectuosos. La compañía
empaca los tubos en cajas de 600. ¿Cuál es la probabilidad de que en una caja de 600 tubos
hayan
a) 5 tubos defectuosos;
b) por lo menos 3 defectuosos;
c) a lo más 1 defectuoso?
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

Ejercicio 11.
Una compañía recibe un pedido de 20 artículos. Dado que la inspección de cada artículo es
cara, se sigue la política de analizar una muestra de 6 artículos de cada envío (seleccionada
sin reemplazo y sin orden), aceptando la remesa si no hay más de un artículo defectuoso en
la muestra. Halle la probabilidad de que sea aceptado un pedido con cinco artículos
defectuosos.
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

Ejercicio 12.
Dado que X tiene una distribución normal con µ = 300 y σ = 50, calcule la probabilidad de
que X tome un valor mayor que 362.
Para encontrar la P(X > 362), necesitamos evaluar el area bajo la curva normal a la derecha
de x=362, esto se realiza al pasar x=362 al valor Z correspondiente.
362 − 300
𝑍= = 1.24
50
Por lo que:
P(X > 362) = P (Z > 1.24) = 1 – P (Z < 1.24) = 1 – 0.8925 = 0.1075

𝜎 = 50

300 362 x

Ejercicio 13.
Dada una distribución normal µ = 40 y σ = 4, calcule el valor de x que tiene
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

a) 45% del área a la izquierda.


b) 14% del área a la derecha.

Ejercicio 14.
Cierto tipo de batería de almacenamiento dura, en promedio, 3.0 años, con una desviación estándar
de 0.5 años. Suponga que la duración de la batería se distribuye normalmente y calcule la
probabilidad de que una batería determinada dure menos de 2.3 años.
Datos:
𝜎 = 0,5
µ= 3.0 σ = 0.5 X= 2.3
x −µ
𝑍=
σ

2.3 − 3
𝑍= = 1.4
0.5 x

2,3 3
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro

P(0.5 – 0.4192) = P = 0.0808

Ejercicio 15.
Suponga que 90% de todos los trabajadores que hay en una determinada empresa no fuman.
Considere una muestra aleatoria de 200 trabajadores y represente con X a la cantidad de
trabajadores que fuman. ¿Cuál es la probabilidad aproximada de que X (a) sea a lo sumo
30? (b) sea más de 30? (c) esté entre 15 (inclusive) y 25 (no inclusive)?
Natalia Bernal, Marat Pérez, Melany gil, Sergio Mendoza, Brandon castro