UNIVERSIDAD ABIERTA PARA ADULTOS

(UAPA)

Asignatura:

Estadística II

Facilitador:
María Lourdes Veras
Participante:
Odalis Calcaño Torres

Matricula:
17-2026
Introducción

Al introducir esta actividad que trato la tarea 1 fue tratando sobre la introducción a las
probabilidades que es una medida numérica de la posibilidad de que ocurra un evento. Por
tanto, las probabilidades son una medida del grado de incertidumbre asociado con cada uno
de los eventos previamente enunciados. Si cuenta con las probabilidades, tiene la capacidad
de determinar la posibilidad de ocurrencia que tiene cada evento.

En la siguiente tarea numero 2 estaremos con la continuación de la probabilidad e

introduciendo a los conceptos de variable aleatoria y distribuciones de probabilidad, en donde
el mayor interés son las distribuciones de probabilidad discreta de tres distribuciones de
probabilidad discreta que serán estudiadas estas son: la binomial, la Poisson y la
hipergeométrica.

Estuvimos resolviendo algunos problemas de La distribución de probabilidades este es un

tema de gran importancia pues para una variable aleatoria discreta hay un listado mutuamente
excluyente de todos los resultados numéricos posibles para esa variable aleatoria tal que una
probabilidad específica de ocurrencia se asocia con cada resultado.
Esto quiere decir que el valor esperado de una variable aleatoria discreta es un promedio
ponderado de todos los posibles resultados, donde las ponderaciones son las probabilidades
asociadas con cada uno de los resultados.
Tarea 1

La primera actividad de este curso consiste en realizar un resumen del tema

"Introducción a las probabilidades", para realizar esta actividad, le sugiero que leas y
estudies  el tema en el libro de texto básico completo, luego haga una lista de los
conceptos claves de la unidad y elabore su resumen en torno a ello.

La probabilidad es una medida numérica de la posibilidad de que ocurra un evento. Por tanto,
las probabilidades son una medida del grado de incertidumbre asociado con cada uno de los
eventos previamente enunciados. Si cuenta con las probabilidades, tiene la capacidad de
determinar la posibilidad de ocurrencia que tiene cada evento.
Los valores de probabilidad se encuentran en una escala de 0 a 1. Los valores cercanos a 0
indican que las posibilidades de que ocurra un evento son muy pocas. Los cercanos a 1
indican que es casi seguro que ocurra un evento. Otras probabilidades entre cero y uno
representan distintos grados de posibilidad de que ocurra un evento. Por ejemplo, si considera
el evento “que llueva mañana”, se entiende que si el pronóstico del tiempo dice “la
probabilidad de que llueva es cercana a cero”, implica que casi no hay posibilidades de que
llueva. En cambio, si informan que la probabilidad de que llueva es 0.90, sabe que es muy
posible que llueva. La probabilidad de 0.50 indica que es igual de posible que llueva como
que no llueva. En la figura 4.1 se presenta la probabilidad como una medida numérica de la
posibilidad de que ocurra un evento.
Un experimento es definido como un proceso que genera resultados definidos. Y en cada una
de las repeticiones del experimento, habrá uno y sólo uno de los posibles resultados
experimentales. A continuación se dan varios ejemplos de experimentos con sus
correspondientes resultados.
A un resultado experimental también se le llama punto muestral para identificarlo como un
elemento del espacio muestral.
Al asignar probabilidades es necesario saber identificar y contar los resultados
experimentales.
Experimentos de pasos múltiples La primera regla de conteo sirve para experimentos de
pasos múltiples. Considere un experimento que consiste en lanzar dos monedas.
Un diagrama de árbol es una representación gráfica que permite visualizar un experimento
de pasos múltiples.
Combinaciones Otra regla de conteo útil le permite contar el número de resultados
experimentales cuando el experimento consiste en seleccionar n objetos de un conjunto
(usualmente mayor) de N objetos. Ésta es la regla de conteo para combinaciones.
Permutaciones La tercera regla de conteo que suele ser útil, es para permutaciones. Dicha
regla permite calcular el número de resultados experimentales cuando se seleccionan n
objetos de un conjunto de N objetos y el orden de selección es relevante. Los mismos n
objetos seleccionados en orden diferente se consideran un resultado experimental diferente.
El método clásico de asignación de probabilidades es apropiado cuando todos los resultados
experimentales tienen la misma posibilidad. Si existe n resultados experimentales, la
probabilidad asignada a cada resultado experimental es 1/n. Cuando emplee este método,
satisfará en automático los dos requerimientos básicos de la asignación de probabilidades.
El método de frecuenciarelativa para la asignación de probabilidades es el más conveniente
cuando existen datos para estimar la proporción de veces que se presentarán los resultados si
el experimento se repite muchas veces.
El método subjetivo de asignación de probabilidades es el más indicado cuando no es
factible suponer que todos los resultados de un experimento sean igualmente posibles y,
además, cuenta con pocos datos relevantes. El método subjetivo de asignación de
probabilidades a los resultados de un experimento, usa toda la información disponible
Complemento de un evento
Dado un evento A, el complemento de A se define como el evento que consta de todos los
puntos muéstrales que no están en A. El complemento de A se denota Ac. Al diagrama de la
figura 4.4 se le llama diagrama de Venn e ilustra el concepto del complemento. El área
rectangular representa el espacio muestral del experimento y, por tanto, contiene todos los
puntos muéstrales. El círculo representa el evento A y encierra sólo los puntos muéstrales que
pertenecen a A. La región del rectángulo que aparece sombreada incluye todos los puntos
muéstrales que no están en el evento A y es, por definición, el complemento de A.
La ley de la adición sirve para determinar la probabilidad de que ocurra por lo menos uno de
dos eventos. Es decir, si A y B son eventos, nos interesa hallar la probabilidad de que ocurra
el evento A o el B o ambos.
Ley de la multiplicación
Mientras que la ley de las suma de probabilidades sirve para calcular la probabilidad de la
unión de dos eventos, la ley de la multiplicación es útil para calcular la probabilidad de la
intersección de dos eventos. La ley de la multiplicación se basa en la definición de
probabilidad condicional. Al despejar en las ecuaciones (4.7) y (4.8) P(A B), se obtiene la ley
de la multiplicación.
Tarea 2

Para realizar esta actividad, lo primero que debes hacer es abrir tu libro de texto básico
y leer el tema. En el texto básico la información requerida se encuentra en la unidad 5.
Luego de analizar la información, elabora un cuadro sinóptico tomando en cuenta las
principales informaciones para comprender el tema y resolver problemas.
 Variables Aleatorias y Distribución de Probabilidad

Variables Aleatorias Continua

Esta puede tomar cualquier valor numérico dentro de un

Variables Aleatorias
Variables Aleatorias
Asume un numero de valores finito o infinitos de valores 0,
1,2,..
Es una descripción numérica del
Teorema de Chebyshev
resultado de un experimento.
Permite determinar los límites de las probabilidades sin
tener que especificar su función.

Variables Aleatorias
Distribución de probabilidad uniforme discreta Distribución de
y Distribución de probabilidad para la cual cada posible valor de la variable aleatoria tiene la
misma probabilidad.
La distribución de probabilidad hipergeométrica.
Está estrechamente relacionada con la distribución

Distribución de
Valor esperado Medida de localización central de una variable aleatoria.
Probabilidad
Varianza Medida de la variabilidad o dispersión de una variable aleatoria.
Desviación
Describe como seestándar
distribuyen las cuadrada positiva de la varianza.
Raíz
probabilidades entre los valores
Experimento
de binomial Un experimento que tiene cuatro propiedades que se
la variable aleatoria.
dan al principio de la sección 5.4.

Distribución de probabilidad binomial Distribución de probabilidad da la

probabilidad de x éxitos en n ensayos de un experimento binomial.

Función de probabilidad binomial La función usada para calcular las

probabilidades binomiales.

Distribución de probabilidad de Poisson Distribución de probabilidad

da la probabilidad de x ocurrencias de un evento en un determinado intervalo de
tiempo o de espacio.
Tarea 3

I. Analiza el siguiente caso y luego realiza los procedimientos necesarios para su solución.
Aplicar la distribución de probabilidad Binomial.
Supongamos que el 40% de los clientes que visitan el banco B&B usan de tarjetas de
Créditos. Si elegimos 12 clientes al azar para ofrecerle tarjetas de créditos del banco, que
Probabilidad hay de que exactamente 5 adquieran nuestra tarjeta de crédito.
Datos:
N = 12
X=5
Probabilidad de éxito (P) = 0.40
Probabilidad de fracaso (Q) = 1-P = 1-0.40 =0.60

p ( x=k )=n !∗pk ( 1− p )n−k

k ! ( n−k ) !

p ( x=5 )=12!∗6.40 5 ( 1−0.40 )12−5

5 ! ( 12−5 ) !

p ( x=5 )=12!∗(0.01024) ( 0.6 )7

5 ! (7) !
p ( x=5 )=12∗11∗10∗9∗8∗7∗6∗5 ! (0.01024)(0.0279936)
5 ! (7) !
p ( x=5 )=(3,991,680)(0.00028665)
( 7 ) ( 6 ) ( 5 ) ( 4 )( 3 ) ( 2 ) (1)
p ( x=5 )=1,144.21507
= 0.2270268 * 100% = 22.70268%
5,040

II. Utilizando la fórmula de la distribución de probabilidad Binomial resuelva los

Siguientes problemas:
1. Un lote de treinta neveras incluye cinco unidades defectuosas. Si se revisan tres neveras al
azar, diga cuál es la probabilidad de que se encuentren dos defectuosas.
Datos
p ( x=2 ) =3 !∗0.502 ( 0.50 )3−2
N=3
2! (3−2 ) !
X=2
P=0.50
p ( x=2 )=6 ( 0.50 )2 ¿ ¿
Q=1-p=1.50=0.50

p ( x=2 )=3( 0.25)(0.50)=

p ( x=2 )=0.375=

p ( x=2 )=37.5 %

2. Conocemos que el 30% de los estudiantes de secundaria en República Dominicana no

puede localizar en un mapa el lugar donde se encuentra Argelia. Si se entrevista a siete
estudiantes de este nivel elegidos al azar: a) ¿Cuál será la probabilidad de que exactamente
tres puedan ubicar este país? b) ¿Cuál será la probabilidad de que un máximo de tres pueda
ubicar este país?

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

0 7−0
p ( x=0 )=(0.30) (0.70)
p ( x=0 )=¿1 (0.0823543)
p ( x=0 )=0.0823
7! 1 7−1
p ( x=1 )= ∗( 0.30 ) (0.70)
1! ( 7−1 ) !
7∗6 !
p ( x=1 )= ∗7 ( 0.30 )1 (0.70)6
1! ( 6 ) !
p ( x=1 )=7 ( 0.30 ) ( 01176 )
p ( x=1 )=0.2471
 7!
p ( x=2 )= ∗( 0.30 )2( 0.70)7 −2
2! (7−2 ) !

7∗6∗5 !
p ( x=2 )= =( 0.30 )2 (0.70)5
2 ! (5) !

42
p ( x=2 )= =21 ( 0.30 )2 (0.70)5
2

p ( x=2 )=21(0.09)(0.16807)
p ( x=2 )=0.3176

p ( x=0 )=0.0823+ p ( x=1 )=0.2471+ p ( x =2 )=0.3176+ p ( x=3 ) =0.2269=0.8739

p ( x=0,1,2,3 )=87.39%

III. Analiza el siguiente caso y luego realiza los procedimientos necesarios para su Solución.
Aplicar la distribución de probabilidad de Poisson.
La probabilidad de que un cliente compre pescado en el supermercado es 0.05 cada vez que
van de compra al supermercado, si se realizan 100 compras, ¿cuál es la probabilidad de
comprar 3 veces pescado?
Datos:
Media poblacional (K) es = 100 * 0.05 = 5
X=3
E = 2.71828

p ( x , ʎ ) =ʎ x∗e−ʎ
x!

p ( 3,5 )=(5)3∗¿ ¿
p ( 3,5 ) =(125)(0.006738)
( 3 )( 2 ) ( 1 )
0.8422
p ( 3,5 )= =0.14∗100 %=14 %
6
 IV. Utilizando la fórmula de la distribución de probabilidad de Poisson resuelva los
siguientes problemas:
1. En la revisión de un texto de estudio se consiguen un total de 50 errores en las 300 páginas
del libro. Los errores están distribuidos aleatoriamente a lo largo del texto.
Determine la probabilidad de que:
a) Un capítulo de 23 páginas tenga tres errores exactamente.

Datos
p ( 3=3.83 )=(3.83)3 ( 2.71828 )−3.83
X=3
3!
E=2.71828
1
(2.71828)−3.83= 3.83
ʎ=50/300*23=3.83 (2.71828)
1
=0.0217
46.0624
p ( 3=3.83 )=(56.18)∗(0.0217)
(3)(2) (1 )
1.2196
=0.2033∗100 %=20.33%
6

b) Un capítulo de 30 páginas tenga más de tres errores.

Datos
X=3
E= 2.71828
ʎ=50/300*30=4
p ( 3=4 )=(4)3 ( 2.71828 )−4
3!

1 1
(2.71828)−4 = = =0.0183
(2.71828)4
54.5980

p ( 3=4 )=(64)(0.0183)
( 3)(2) ( 1 )
 1.1712
p ( 3=4 ) = =0.1952∗100 %=19.52%
6

Datos
X=3
E= 2.71828
ʎ=50/300*30=5

p ( 3=5 )=(5)3 ( 2.71828 )−5

3!

1 1
(2.71828)−5= = =0.00674
( 2.71828) 148.4126
5

p ( 3=5 )=(125)(0.00674)
(3)(2) ( 1 )

0.8425
p ( 3=5 )= =0.1404∗100 %=14.04 %
6
c) Una página seleccionada aleatoriamente no tenga errores.

Datos
X=0 =0!=1
E= 2.71828
ʎ=50/300*1=0.1666

p ( 1=0.1666 )=(0.1666)1 ( 2.71828 )−0.1666

1

−0.1666 1 1
(2.71828) = = =0.8465
(2.71828)
0.1666
1.1813

p ( 1=0.1666 )=(0.1666)(0.8465)
1

p ( 1=0.1666 ) =0.141027∗100 %=14.1027 %

2. Una fábrica recibe un embarque de 2, 000,000 de tornillos. Se sabe que la probabilidad de

tener un tornillo defectuoso es de 0.001. Si obtenemos una muestra de 6000 tornillos,
¿Cuál será la probabilidad de encontrar un máximo de tres defectuosos?

Datos
X=3
E= 2.71828
ʎ=6000 * 0.001=6

p ( 3=6 ) =(6)3 ( 2.71828 )−6

3!
p ( 3=6 ) =(216)(0.002477)
(3)(2) ( 1 )

0.5350
p ( 3=6 )= =0.089172∗100 %=8.9172 %
6
Tarea 4
Tarea 5
Ejercicios

1. El Centro Económico del Cibao va a realizar una encuesta política en Santo Domingo
y necesita determinar el tamaño de la muestra a partir de las siguientes informaciones:

Datos

Nivel de confianza = 95% (Z = 1.96)

Error permitido = 5%
P = 0.5
Q = 0.5

n= (1.96)2 (0.5)(0.5) = 3.8416 (0.25) =  0.9604_= 0.7104

                    0.52                              0.52                                       0.25

2. El Centro Económico del Cibao va a realizar una encuesta para determinar el nivel
de aceptación del jugo de piña en el desayuno escolar para las escuelas primarias de
Santiago. Este estudio tiene una población (N) de 30,000 estudiantes. Determinar el
tamaño de la muestra a partir de las siguientes informaciones:

Datos

Nivel de confianza = 95% (Z = 1.96)

Error permitido = 4%
P = 0.5
Q = 0.5

N= _  _ (1.96)2 (0.5) (0.5) (30.000) __=       3.8416 (0.25) (30.000) __ =

             (30.000) (4)2 + (1.96)2 (0.5) (0.5)    (30.000) (16) + 3.8416 (0.25)

      =  0.9604 (30.000) =       28812____= 0.03429996078

             480000 + 0.9604      840000.960399

Conclusión

Al concluir con esta actividad 1 puedo decir un experimento es definido como un proceso que
genera resultados definidos. Y en cada una de las repeticiones del experimento, habrá uno y
sólo uno de los posibles resultados experimentales. A continuación se dan varios ejemplos de
experimentos con sus correspondientes resultados.

En este tema se trató de formalizar numéricamente los resultados de un fenómeno aleatorio.

Por tanto, una variable aleatoria es un valor numérico que corresponde a un resultado de un
experimento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces
una moneda, número de llamadas que recibe un teléfono durante una hora, tiempo de fallo de
una componente eléctrica, etc.

Resolvimos problemas sumamente importantes sobre las distribuciones tanto de Poisson

como Binomial, en las mismas se pueden observar distintos resultados los cuales nos llevan a
un fin. Estos se resuelven siguiendo una secuencia por medio de una formula según sea
correspondida a cada problema dado, primero se sacan los datos luego se empieza con la
solución hasta llegar al resultado esperado mediante multiplicación y división.