UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE CIENCIAS ADMINISTRATIVA

LICENCIATURA EN CONTABILIDAD Y AUDITORÍA.

IV SEMESTRE

ASIGNATURA:
ESTADISTICA II

ESTUDIANTE:
Holguín Salazar Lilibeth Madelaine

DOCENTE:

Ing. Ingrid Sarmiento

Torres

CURSO:
CAU-S-MA-4-2
Objetivo: Identificar las características de la distribución de probabilidad, e interpretar media y

varianza. Cálculo de la distribución binomial, poisson hipergeométrica. Bibliografía: Triola, M.

F. (2018). Estadística. México: Pearson Educación

1. Evaluar las expresiones siguientes:

a) 𝟓! = 5 𝑥 4 𝑥 3 𝑥 2 𝑥 1 = 120

𝟔! 6𝑥5𝑥4𝑥3𝑥2𝑥1 360
b) = = = 15
𝟐!𝟒! (2𝑥1)(4𝑥3𝑥2𝑥1) 24

𝟖! 8𝑥7𝑥6𝑥5𝑥4𝑥3𝑥2𝑥1 6720
c) = (3𝑥2𝑥1)(5𝑥4𝑥3𝑥2𝑥1) = = 56
𝟑!(𝟖−𝟑)! 120

𝟕! 7𝑥6𝑥5𝑥4𝑥3𝑥2𝑥1 42
d) = (5𝑥4𝑥3𝑥2𝑥1)(2𝑥1) = = 21
𝟓!(𝟕−𝟓)! 2

4! 4𝑥3𝑥2𝑥1
e) = =1
4!(4−4)! (4𝑥3𝑥2𝑥1)

4! 4𝑥3𝑥2𝑥1
f) = =1
0!(4−0)! (4𝑥3𝑥2𝑥1)

2. Supóngase que 15% de la población es zurda. Encontrar la probabilidad de que en

un grupo de 50 individuos existan:

Datos:

n = 50

p = 15%

a. cuando mucho 10 zurdos,

 X P(X)
0 0,000296
1 0,002610
2 0,011283
3 0,031858
4 0,066059
5 0,107248
6 0,141946
7 0,157453
8 0,149349
9 0,122993
10 0,088989
TOTAL 0,880083

P (x ≤10) = P (0) + P (1) + P (2) + P (3) + P (4) + P (5) + P (6) + P (7) + P (8) + P (9) + P (10)

P (x≤10) = 0,000296+ 0,002610 + 0,011283+0,031858+ 0,066059 + 0,107248 + 0,141946 +

0,157453 + 0,149349 + 0,122993 + 0,088989

P(x≤10) = 0,880083

b. por lo menos 5 zurdos,

X P(X)
0 0,000296
1 0,002610
2 0,011283
3 0,031858
4 0,066059
5 0,107248
6 0,141946
7 0,157453
8 0,149349
9 0,122993
10 0,088989

P (x ≥ 5) = 1 – P (0) + P(1) + P(2) + P(3) + P(4)

P (x ≥ 5) = 1 - 0,000296+ 0,002610 + 0,011283+0,031858+ 0,066059

P (x ≥ 5) = 0,887894792
 c. entre 3 y 6 zurdos y

X P(X)
0 0,000296
1 0,002610
2 0,011283
3 0,031858
4 0,066059
5 0,107248
6 0,141946
7 0,157453
8 0,149349
9 0,122993
10 0,088989

P (3 ≤ x ≤ 6) = P (3) + P (4) + P (5) + P (6)

P (3 ≤ x ≤ 6) = 0,031858+ 0,066059 + 0,107248 + 0,141946

P (3 ≤ x ≤ 6) = 0,347111

d. exactamente 5 zurdos.

X P(X)
0 0,000296
1 0,002610
2 0,011283
3 0,031858
4 0,066059
5 0,107248
6 0,141946
7 0,157453
8 0,149349
9 0,122993
10 0,088989

P (x= 5) = 0,107248

3. Hallar la probabilidad de que en cinco lanzamientos de un dado aparezca un 3:

 𝑛!
∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥
𝑥! (𝑛 − 𝑥)!

a. ninguna vez,

Datos
n= 5
x= 0

5 1 0 5 5−0
𝑃( 𝑥 = 0) = ( ) ∗ ( ) ( ) = 𝟎, 𝟒𝟎𝟏𝟗-----40,19%
0 6 6

b. una vez,

5 1 1 5 5−1
𝑃( 𝑥 = 1) = ( ) ∗ ( ) ( ) = 𝟎, 𝟒𝟎𝟏𝟗
1 6 6

c. dos veces,

5 1 2 5 5−2
𝑃( 𝑥 = 2) = ( ) ∗ ( ) ( ) = 𝟎, 𝟏𝟔𝟎𝟖
2 6 6

d. tres veces,

5 1 3 5 5−3
𝑃( 𝑥 = 3) = ( ) ∗ ( ) ( ) = 𝟎, 𝟎𝟑𝟐𝟐
3 6 6

e. cuatro veces,

5 1 4 5 5−4
𝑃( 𝑥 = 4) = ( ) ∗ ( ) ( ) = 𝟎, 𝟎𝟎𝟑𝟐
4 6 6

f. cinco veces

5 1 5 5 5−5
𝑃( 𝑥 = 5) = ( ) ∗ ) ( )
( = 𝟎, 𝟎𝟎𝟏𝟐𝟗
5 6 6

4. La probabilidad de que un estudiante que entra a la universidad se titule es 0.4.

Determinar la probabilidad que en un grupo de 25 estudiantes elegidos al azar:

 a. ninguno se titule,

Datos x P(X)
n= 25 0 0,000002843
p= 0,4
x= 0

𝑷 (𝒙 = 𝟎) = 𝟎, 𝟎𝟎𝟎𝟎𝟎𝟐𝟖𝟒𝟑

b. 1 se titule,

Datos x P(X)
n= 25 0 0,000002843
p= 0,4 1 0,000047384
x= 1

𝑷 (𝒙 = 𝟏) = 𝟎, 𝟎𝟎𝟎𝟎𝟒𝟕𝟑𝟖𝟒

c. por lo menos 9 se titulen,

Datos
n= 25
p= 0,4
x≥ 9

X P(X)
0 0,000002843
1 0,000047384
2 0,000379071
3 0,001937471
4 0,007104062
5 0,019891374
6 0,044203053
7 0,079986477
8 0,119979715
9 0,151085568

𝑷 (𝒙 ≥ 𝟗) = 𝟏 − 𝑷 (𝟎) + 𝑷 (𝟏) + 𝑷 (𝟐) + 𝑷 (𝟑) + 𝑷 (𝟒) + 𝑷 (𝟓) + 𝑷 (𝟔) + 𝑷 (𝟕) + 𝑷 (𝟖)

P (x ≥ 9) = 1- (0,000002843 +0,000047384 + 0,000379071+ 0,001937471+
0,007104062 + 0,019891374 + 0,044203053+ 0,079986477 + 0,119979715
P (x ≥ 9) = 0,72646855
d. todos se titulen

Datos
n= 25
p= 0,4
X= 25

X P(X)
0 0,000002843
1 0,000047384
2 0,000379071
3 0,001937471
4 0,007104062
5 0,019891374
6 0,044203053
7 0,079986477
8 0,119979715
9 0,151085568
10 0,161157939
11 0,146507217
12 0,113950058
13 0,075966705
14 0,043409546
15 0,021222445
16 0,008842685
17 0,003120948
18 0,000924725
19 0,000227126
20 0,000045425
21 0,000007210
22 0,000000874
23 0,000000076
24 0,0000000042221
25 0,0000000001126

P ( x = 25 ) = 0,0000000001126

5. Si la probabilidad de que un tornillo esté defectuoso en una producción es 0.1, encontrar:

a. la media de la distribución de los tornillos defectuosos en un total de 400 tornillos.

 𝜇 = (400 𝑥 0,1)

𝜇 = 40

b. la desviación estándar de la distribución de los tornillos defectuosos en un total de 400

tornillos.

𝜎 = √(400)(0,10)(0,90)

𝜎 = √36

𝜎=6

6. De un grupo de 10 trabajadores se seleccionan 3 para realizar un proyecto en la

planta que se encuentra en otra ciudad, si 4 trabajadores de los 10 ya fueron

asignados a un proyecto anterior para ir a la misma planta, ¿cuál es la probabilidad

que, de los 3 seleccionados,

a) ninguno haya estado en un proyecto con anterioridad?

Datos
N= 10
n= 3
s= 4
x= 0

4! 6!
(0! 4!) ( )
3! (6 − 3)!
𝑃(𝑥 = 0) =
10!
3! (10 − 3)!

𝑷(𝒙 = 𝟎) = 𝟎, 𝟏𝟔𝟔𝟕

b) uno haya estado en un proyecto con anterioridad?

Datos
N= 10
n= 3
s= 4
x= 1

𝑷(𝒙 = 𝟏) = 𝟎, 𝟓
c) dos hayan estado en un proyecto con anterioridad?

Datos
N= 10
n= 3
s= 4
x= 2

𝑷(𝒙 = 𝟐) = 𝟎, 𝟑

d) los tres hayan estado en un proyecto con anterioridad?

Datos
N= 10
n= 3
s= 4
x= 3

𝑷(𝒙 = 𝟑) = 𝟎, 𝟎𝟑𝟑𝟑

e. Construya la distribución de probabilidad para los trabajadores asignados.

x P (x)
0 0,1667
1 0,5000
2 0,3000
3 0,0333
Total 1,0000

f. Calcule la media y la varianza a partir de esta distribución.

x P (x) x * P(x) (x-µ)^2 * P(x)

0 0,1667 0,00 0,24
1 0,5000 0,50 0,02
2 0,3000 0,60 0,19
3 0,0333 0,10 0,11
Total 1,0000 1,20 0,56
Media Varianza

g. Obtenga la media y la varianza a partir de las fórmulas.

 Datos
N= 10
n= 3
S= 4

MEDIA

𝑺∗𝒏
𝝁=
𝑵

4 ∗ 3 12
𝜇= = = 1,2
10 10

𝝁 = 𝟏, 𝟐

VARIANZA

𝒏 ∗ 𝑺(𝑵 − 𝑺)(𝑵 − 𝒏)
𝝈𝟐 =
𝑵𝟐 (𝑵 − 𝟏)

3 ∗ 4(10 − 4)(10 − 3)
𝜎2 =
102 (10 − 1)

3 ∗ 4(6)(7)
𝜎2 =
102 (9)

504
𝜎2 =
900

𝝈𝟐 = 𝟎, 𝟓𝟔

7. Al tratar de aplicar la distribución de Poisson, ¿cuáles de los siguientes elementos

debemos conocer: la media, la desviación estándar, la varianza, la forma de la

distribución?

R//. Para aplicar la distribución de Poisson se debe conocer la media y desviación

estándar

8. Una distribución de Poisson está dada por

(0,72)𝑥 𝑒 −0,72
P(x) =
𝑥!
a. ¿Cuál es el valor de la media de esta distribución?

Media (µ) = 0,72

b. Calcule P(x=0), P(x=1), P(x=2) y P(x=3).

(𝟎,𝟕𝟐)𝟎 𝒆−𝟎,𝟕𝟐
• 𝐏(𝐱 = 𝟎) = 𝟎!

1 ∗ 0,48675
P(x = 0) = = 𝟎, 𝟒𝟖𝟔𝟕𝟓
1
(𝟎,𝟕𝟐)𝟏 𝒆−𝟎,𝟕𝟐
• 𝐏(𝐱 = 𝟏) = 𝟏!

0,72 ∗ 0,48675
P(x = 1) = = 𝟎, 𝟑𝟓𝟎𝟓
1
(𝟎,𝟕𝟐)𝟐 𝒆−𝟎,𝟕𝟐
• 𝐏(𝐱 = 𝟐) = 𝟐!

0,5184 ∗ 0,48675
P(x = 2) = = 𝟎, 𝟏𝟐𝟔𝟐
2
(𝟎,𝟕𝟐)𝟑 𝒆−𝟎,𝟕𝟐
• 𝐏(𝐱 = 𝟑) =
𝟑!

0,3732 ∗ 0,48675
P(x = 3) = = 𝟎, 𝟑𝟎𝟎𝟑
6

c. Determine la probabilidad de a lo mucho 2

x P(x)
0 0,4868
1 0,3505
2 0,1262
Total 0,9634

𝐏(𝐱 ≤ 𝟐) = 𝑷(𝒙 = 𝟎) + 𝑷 (𝒙 = 𝟏) + 𝑷(𝒙 = 𝟐)

(0,72)0 𝑒 −0,72 (0,72)1 𝑒 −0,72 (0,72)2 𝑒 −0,72

P(x ≤ 2) = + +
0! 1! 2!

P(x ≤ 2) = 0,4868 + 0,3505 + 0,1262

𝐏(𝐱 ≤ 𝟐) = 𝟎, 𝟗𝟔𝟑𝟒
9. Si 3% de los productos fabricados por una empresa están defectuosos, encontrar la

probabilidad de que en una muestra de 100 unidades:

a. Ninguno presente defectos.

Datos x P(x)
n= 100 0 0,04755
p= 3%
x= 0

P (x = 0) = 0,04755

b. Que 5 productos estén defectuosos.

Datos x P(x)
n= 100 5 0,10131
p= 3%
x= 5

P (x = 5) = 0,10131

c. A lo mucho 4 estén defectuosos.

Datos
n= 100
p= 3%
x≤ 4

x P(x)
0 0,0476
1 0,1471
2 0,2252
3 0,2275
4 0,1706
TOTAL 0,8179

P (x ≤ 4) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) + P(x = 4)

P (x ≤ 4) = 0,0476 + 0,1471+ 0,2252+0,2275 + 0,1706

P (x ≤ 4) = 0,8179

d. Más de 5 estén defectuosos.

Datos
 n= 100
p= 3%
x≥ 5

x P(X)
0 0,0476

1 0,1471
2 0,2252
3 0,2275
4 0,1706
5 0,1013
Total 0,919163

P (x > 5) = 1 – P (x = 0) + P(x = 1) + P(x = 2) + P(x = 3) + P(x = 4) + P(x=5)

P (x > 5) = 1 – 0,019163
P (x > 5) = 0,0808371
10. En una empresa, la cantidad promedio de llamadas que llegan al conmutador entre

las 2 y las 4 de la tarde es 2.5 por minuto. Encontrar la probabilidad de que en

determinado minuto existan:

a. 0 llamadas,

Distribución Poisson
λ 2,5
X 0

(2.5)0 𝑒 −2,5 1 ∗ 0,0821

P(x = 0) = = = 0,082085
0! 1

b. 2 llamadas,

Distribución Poisson
λ 2,5
x 2

(2.5)2 𝑒 −2,5
P(x = 2) =
2!
 2,5 ∗ 0,0821
P(x = 2) = = 𝟎, 𝟐𝟓𝟔𝟓
2

c. Entre 2 y 3 llamadas,

Distribución Poisson
λ 2,5
X 2

(2.5)2 𝑒 −2,5
P(x = 2) =
2!

2,5 ∗ 0,0821
P(x = 2) = = 𝟎, 𝟐𝟓𝟔𝟓
2

Distribución Poisson
λ 2,5
X 3

(2.5)3 𝑒 −2,5
P(x = 3) =
3!

15,625 ∗ 0,0821
P(x = 3) = = 0,2138
6

𝑷(𝟐 ≤ 𝑿 ≤ 𝟑) = 𝐏(𝐱 = 𝟐) + 𝐏(𝐱 = 𝟑)

𝑃(2 ≤ 𝑋 ≤ 3) = 0,2065 + 0,2138

𝑷(𝟐 ≤ 𝑿 ≤ 𝟑) = 𝟎, 𝟒𝟐𝟎𝟑 R//.

d. 4 o menos llamadas, y

Distribución Poisson
λ 2,5
x≤ 4
 x P(x)
0 0,08208
1 0,20521
2 0,25652
3 0,21376
4 0,13360
Total 0,89118

𝐏(𝐱 ≤ 𝟒) = 𝐏(𝐱 = 𝟎) + 𝐏(𝐱 = 𝟏) + 𝐏(𝐱 = 𝟐) + 𝐏(𝐱 = 𝟐) + 𝐏(𝐱 = 𝟒)

(2.5)0 𝑒 −2,5 (2.5)1 𝑒 −2,5 (2.5)2 𝑒 −2,5 (2.5)3 𝑒 −2,5 (2.5)4 𝑒 −2,5
P(x ≤ 4) = + + + +
0! 1! 2! 3! 4!
𝐏(𝐱 ≤ 𝟒) = 𝟎, 𝟖𝟗𝟏𝟏𝟖
e. más de 6 llamadas.

x P(x)
0 0,08208
1 0,20521
2 0,25652
3 0,21376
4 0,13360
5 0,0668009
6 0,0278337
Total 0,98581

𝐏(𝐱 > 𝟔) = 𝟏 − 𝐏(𝐱 = 𝟎) + 𝐏(𝐱 = 𝟏) + 𝐏(𝐱 = 𝟐) + 𝐏(𝐱 = 𝟐) + 𝐏(𝐱 = 𝟒) + 𝐏(𝐱 = 𝟓) + 𝐏(𝐱 = 𝟔)

P(x > 6) = 1 − 0,98581

𝐏(𝐱 > 𝟔) = 𝟎, 𝟎𝟏𝟒𝟏𝟗

11. De los 15 pacientes que atiende un psicoanalista, 5 sufren de esquizofrenia.

a. Elabore la distribución de probabilidades de los pacientes enfermos si se

toma una muestra de 4 pacientes.

Datos
N= 15
n= 4
s= 5
 x P(X)
0 0,1538462
1 0,4395604
2 0,3296703
3 0,0732601
4 0,003663
Total 1

b. Calcule la media y la varianza a partir de esta distribución.

x P(X) x * P(x) (x-µ)^2 * P(x)

0 0,1538 0,0000 0,2735
1 0,4396 0,4396 0,0488
2 0,3297 0,6593 0,1465
3 0,0733 0,2198 0,2035
4 0,0037 0,0147 0,0260
Total 1,0000 1,3333 0,6984
Media Varianza

c. Obtenga la media y la varianza a partir de las fórmulas.

MEDIA

𝑆∗𝑛
𝜇=
𝑁

5 ∗ 4 20
𝜇= =
15 15

𝝁 = 𝟏, 𝟑𝟑𝟑𝟑𝟑𝟑

VARIANZA

𝑛 ∗ 𝑆(𝑁 − 𝑆)(𝑁 − 𝑛)
𝜎2 =
𝑁 2 (𝑁 − 1)

4 ∗ 5(15 − 5)(15 − 4)
𝜎2 =
152 (15 − 1)

4 ∗ 5(10)(11)
𝜎2 =
152 (14)

2200
𝜎2 = = 0,70
3150
 𝝈𝟐 = 𝟎, 𝟔𝟗𝟖

12. Cuando se realiza una aproximación de Poisson a una distribución binomial.

Explíquelo y proponga un ejemplo.

La distribución de Poisson es similar a la distribución binomial porque ambas modelan

conteos de eventos. Sin embargo, dentro de su espacio de observación finito, la distribución de

Poisson no establece un límite superior a este conteo: una central telefónica podría recibir un

número ilimitado de llamadas en un día y no violar los requisitos de la distribución de Poisson.

En cambio, la distribución binomial establece un límite superior en el conteo: el número de

eventos que usted observa no puede exceder el número de ensayos que realiza.

Ejemplo

En un proceso de manufactura, en el cual se producen piezas de vidrio, ocurren defectos o

burbujas, ocasionando que la pieza sea indeseable para la venta. Se sabe que en promedio 1 de

cada 1000 piezas tiene una o más burbujas. ¿Cuál es la probabilidad de que, en una muestra

aleatoria de 8000 piezas, menos de 3 de ellas tengan burbujas?

Distribución binomial

n 8000
p 0,001%
x 3

X P(X)
0 0,000334123
1 0,002675656
2 0,010711999
Total 0,013721778

P (x < 3) = 0,013721778
Aproximación de Poisson

Distribución Poisson
λ 8
x 3

X P(X)
0 0,000335463
1 0,002683701
2 0,010734804
Total 0,013753968

(8)0 𝑒 −8 (8)1 𝑒 −8 (8)2 𝑒 −8

P(x < 3) = + +
0! 1! 2!

𝐏(𝐱 < 𝟑) = 𝟎, 𝟎𝟏𝟑𝟕𝟓𝟑𝟗𝟔𝟖

Al comparar los resultados de ambas probabilidades, la diferencia entre un cálculo y otro es de

tan solo 0,000032190, por lo que la aproximación de Poisson es una buena opción para calcular

probabilidades Binomiales.

13. Luego de su investigación realice el siguiente ejercicio: Un fabricante de hornos de

microondas estima que la probabilidad de que un consumidor reclame la garantía

por algún desperfecto del equipo durante el primer mes es de 0.005. Si este mes se

vendieron 125 hornos, ¿cuál es la probabilidad de que se descompongan de 3 a 5

hornos? Resuelva:

a) usando la distribución de Poisson y

n 125
p 0,005%
λ 0,00625
 X P(x)
0 0,535261
1 0,334538
2 0,104543
3 0,021780
4 0,003403
5 0,000425

𝑷(𝟑 ≤ 𝑿 ≤ 𝟓) = 𝐏(𝐱 = 𝟑) + 𝐏(𝐱 = 𝟒) + 𝑷(𝒙 = 𝟓)

𝑷(𝟑 ≤ 𝑿 ≤ 𝟓) = 𝟎, 𝟎𝟐𝟓𝟔𝟎𝟖

b) usando la binomial.

X P(x)
0 0,53442
1 0,33569
2 0,10459
3 0,02155
4 0,00330
5 0,00040

𝑷(𝟑 ≤ 𝑿 ≤ 𝟓) = 𝐏(𝐱 = 𝟑) + 𝐏(𝐱 = 𝟒) + 𝑷(𝒙 = 𝟓)

𝑷(𝟑 ≤ 𝑿 ≤ 𝟓) = 𝟎, 𝟎𝟐𝟓𝟐𝟓

14. Investigue como se defina la distribución de probabilidad de una variable aleatoria

continua

Una distribución continua describe las probabilidades de los posibles valores de una

variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria con

un conjunto de valores posibles (conocido como el rango) que es infinito y no se puede

contar.
Referencias

Sanchez, E. (2012). Variables aleatorias discretas y continuas. Obtenido de Matemovil:

https://matemovil.com/variable-aleatoria-discreta-y-continua/