Universidad de las Fuerzas Armadas-ESPE

Nombre: Fernando Javier Suntaxi Suntaxi

Materia: Estadística
Docente: Ing. Edison Moreno
Tema: Utilización de software estadistico
Objetivos:
 Determina y analizar, los diferentes modelos estadisticos, para de esta manera
conocer sus comportamientos y su manera de ser utilizados.

 Identificar y entender los diferentes modelos, para ser aplicados en la vida

cotidiana, de esta manera resolver y mejorar nuestros informes estadisticos.

 Analizar cada probabilidad e identificar cada nomenclatura para la respectiva

resolución del ejercicio.

Desarrollo:
Realice 3 ejercicios por cada modelo estudiado cada uno mínimo tres literales; utilice
como datos la cédula de identidad.

MODELO BINOMIAL

1. Un examen consta de 10 preguntas que se debe contestar con un Si o No

suponiendo que a las personas se le aplica no saben contestar a ninguna de
las preguntas y en consecuencia, contestan al azar, hallar:

a) Cual es la probabilidad de obtener 7 aciertos

DATOS 1754743456
EXITOS= Obtener aciertos 7
N= 10
P= 0,5
X= 7
P(X=5) 0,1171875

Interpretación: La probabilidad de obtener 7 aciertos es de 11,71%

b) Probabilidad de obtener al menos cuatro aciertos
DATOS
N= 10 1754743456
P= 0,5 4
X= 3
X= 4
P(X=3) 0,171875
P(X≥4) 1-P(X=3)
P(X≥4) 0,828125

Interpretación: La probabilidad de tener menos de 4 aciertos es del 82,81%

c) Probabilidad de obtener no mas de 5 aciertos
DATOS
N= 10 1754743456
P= 0,5 5
X= 5
P(X≤5) 0,62304688

Interpretación: La probabilidad de no tener mas de 5 aciertos es del 62,30%

2) La probabilidad de que un estudiante obtenga el titulo de Licenciado en Farmacia

es de 0,3 . Hallar la Probabilidad de que un grupo de siete estudiantes matriculados
en primer curso finalice la carrera:

a) La probabilidad que 6 finalicen la carrera

DATOS 1754743456
EXITOS= Finalice la carrera 6
N= 7
P= 0,3
X= 6
P(X=6) 0,0036

Interpretación: La probabilidad de que 6 finalicen la carrera es del 0,36%

b) La probabilidad que 3 finalicen la carrera
DATOS 1754743456
EXITOS= Finalice la carrera 3
N= 7
P= 0,3
X= 3
P(X=3) 0,2269

Interpretación: La probabilidad de que 3 finalicen la carrera es del 22,69%

c) La probabilidad que al menos 5 finalicen la carrera
DATOS
N= 7 1754743456
P= 0,3 5
X= 5
   
P(X≤5) 0,9962
P(X>5) 1-P(X>5)
P(X>5) 0,0038

Interpretación: La probabilidad de que al menos 5 finalicen la carrera es de 0,38%

 3. La probabilidad de que un alumno de primero de Bachillerato repita el curso
es de 0.4. Elegimos 20 alumnos al azar

a) Cúal es la probabilidad que haya 17 alumnos repetidores

DATOS 1754743456
EXITOS= Alumnos Repetidores 17
N= 20
P= 0,4
X= 17
P(X=17) 0,000042

Interpretación: La probabilidad de que haya 17 alumnos repetidores es del 0,0042%

b) Cúal es la probabilidad que no mas de 5 alumnos repitan

DATOS
EXITOS= Alumnos Repetidores
N= 20 1754743456
P= 0,4 5
X= 5
P(X≤5) 0,1256

Interpretación: La probabilidad de que nomas de 5 estudiantes repitan es del 12,56%

c) Cúal es la probabilidad que al menos 3 sean repetidores
DATOS
N= 20 1754743456
P= 0,4 3
X= 2
X= 3
P(X≤2) 0,0036
P(X≥3) 1-P(X≤2)
P(X≥3) 0,9964

Intrepretación: La probabilidad de que al menos 3 repitan es del 99,64%

MODELO POISSON
 1. Si ya se conoce que solo el 30% de los alumnos de Contabilidad son muy
inteligentes.
a) Calcular la probabilidad de que si se toma una muestra de 100 alumnos al
azar 17 sean muy inteligentes
DATOS
EXITOS= SEAN MUY INTELIGENTES
n 100 1754743456
p 0,3 17
λ 30 λ= n.p
Intervalo 1
X= 17
P(X=17) 0,0034

Interpretación: La probabilidad 17 alumnos sean muy inteligentes es del 0,34%

b) La probabilidad que al menos 34 sean muy inteligentes
DATOS
EXITOS= SEAN MUY INTELIGENTES
n 100 1754743456
p 0,3 34
λ 30 λ= n.p
X= 34
X= 33
P(X<34) 0,7444
P(X≥34) 1-P(X<34)
P(X≥34) 0,2556

Intepretación: La probabilidad de que al menos 34 estudiantes sean muy inteligentes

es del 25,56%
c) La probabilidad que no mas de 17 sean muy inteligentes

DATOS
EXITOS= SEAN MUY INTELIGENTES
n 100 1754743456
p 0,3 17
λ 30 λ= n.p
X= 17
P(X≤17) 0,0073

Interpretación : La probabilidad de que no mas de 17 sean muy inteligentes es del

0,73%

2. La producción de televisores en SAMSUNG trae asociada una probabilidad de

defecto del 2%, si se toma un lote o muestra de 85 televisores, obtener:
 a) La probabilidad de que 5 tengan defectos
DATOS
EXITOS= TENGAN DEFECTOS
n 85 1754743456
p 0,02 5
λ 1,7 λ= n.p
X= 5
P(X=5) 0,0216

Interpretación: La probabilidad de que 5 tengan defectos es del 2,16%

b) La probabilidad de que no mas de 3 tengan defectos
DATOS
EXITOS= TENGAN DEFECTOS
n 85 1754743456
p 0,02 3
λ 1,7 λ= n.p
X= 3
P(X≤3) 0,9068

Interpretación: La probabilidad de que no mas de 3 tengan defectos es del 90,68%

c) La probabilidad de que al menos 6 tengan defectos
DATOS
EXITOS= TENGAN DEFECTOS
175474345
n 85 6
p 0,02 6
λ 1,7 λ= n.p
X= 6
X= 5
0,9920005
P(X<6) 7
P(X≥6) 1-P(X<6)
P(X≥6) 0,0080

Interpretación: La probabilidad de que al menos 6 tengan defectos es del 0,80%

3. Se calcula que en la ciudad el 20% de las personas tienen defecto de la vista si

tomamos una muestra de 50 personas al azar, obtener:
a) La probabilidad de que 17 personas tengan defecto de vista
DATOS
EXITOS= TENGAN DEFECTO DE VISTA
175474345
n 50 6
p 0,2 17
λ 10 λ= n.p
X= 17
P(X=17) 0,0128

Interpretación: La probabilidad de que al menos 17 personas tengan defecto en la

vista es del 1,28%
b) La probabilidad de que no mas de 7 personas tengan defecto de vista
DATOS
EXITOS= TENGAN DEFECTO DE VISTA
175474345
n 50 6
p 0,2 7
λ 10 λ= n.p
X= 7
P(X≤7) 0,2202
Interpretación: La probabilidad de que no mas de 7 personas tengan defecto de vista
es del 22,02%
c) La probabilidad de que al menos 3 personas tengan defecto de vista

DATOS
EXITOS= TENGAN DEFECTO DE VISTA
175474345
n 50 6
p 0,2 3
λ 10 λ= n.p
X= 2
X= 3
P(X<3) 0,0028
P(X≥3) 1-P(X≥3)
P(X≥3) 0,9972

Interpretación: La probabilidad de que al menos 3 tengan defecto de vista es del

99,72%
MODELO HIPERGEOMETRICO
1) En un lote de 10 componentes electrónicos de TV en buen estado, se agregan
3 defectuosos, todos en apariencia y tamaños iguales. Una persona compra 4
de tales componentes para reparar televisores.
a) Calcule la probabilidad de que al menos 1 le salga defectuoso
DATOS
EXITOS DEFECTUOSOS
POBLACION  
175474345
N 10 6
S 3 1
MUESTRA  
n 4
x 0
x 1
   
P(X=0) 0,1667
P(X≥1) 1-P(X=0)
P(X≥1) 0,8333

Interpretación: La probabilidad de que al menos 1 salga defectuoso es del 83,33%

b) La probabilidad de que 3 salgan defectuosos
DATOS
EXITOS DEFECTUOSOS
POBLACION  
175474345
N 10 6
S 3 3
MUESTRA  
n 4
x 3
   
P(X=3) 0,0333

Interpretación: La probabilidad de que 3 salgan defectuosos es del 3,33%

 c) En un nuevo lote, se agregan 5 defectuosos y compran 6 televisores, cual es la
probabilidad de que no mas de 4 salgan defectuosos.

DATOS
EXITOS DEFECTUOSOS
POBLACION  
N 10 1754743456
S 5 4
MUESTRA  
n 6
x 4
   
P(X≤4) 0,9762

Interpretación: La probabilidad de que no mas de 4 salgan defectuosos es del 97,62%

2) Un producto industrial particular se envía en lotes de 20. El análisis para

determinar si un articulo tiene defecto es costoso, por tanto, el fabricante
muestrea la producción en vez de usar un plan con el que tenga que
inspeccionar el 100 %. Un plan de muestreo construido para reducir el
numero de artículos defectuosos enviados a los clientes requiere muestrear
10 artículos de cada lote. Se prueba cada uno de los articulos. Si en un lote
hay 8 artículos defectuosos. Determine:

a) La probabilidad de que al revisar el lote 7 esten defectuosos

DATOS
EXITOS DEFECTUOSOS
POBLACION  
175474345
N 20 6
S 8 7
MUESTRA  
n 10
x 7
   
P(X=7) 0,0095

Interpretación: La probabilidad de que al revisar el lote 7 esten defectuosos es del

0,95%
 b) La probabilidad que al revisar el lote no mas de 3 esten defectuoso
DATOS
EXITOS DEFECTUOSOS
POBLACION  
175474345
N 20 6
S 8 3
MUESTRA  
n 10
x 3
   
P(X≤3) 0,3250

Interpretación: La probabilidad de que no mas de 3 esten defectuosos es del 32,50%

c) La probabilidad que al revisar el lote al menos 5 esten defectuosos

DATOS
EXITOS DEFECTUOSOS
POBLACION  
N 20 1754743456
S 8 5
MUESTRA  
n 10
x 4
x 5
P(X<5) 0,6750
P(X≥5) 1-P(X<5)
P(X≥5) 0,3250

Interpretación: La probabilidad de que al menos 5 esten defectuosos es del 32,50%

3) 25 fabricantes producen un determinado dispositivo cuya calidad varia de un
fabricante a otro hay 10 de buena calidad. si usted elige 15 fabricantes al azar,
determine:
a) La probabilidad de que 4 sean de buena calidad
DATOS
EXITOS SEAN DE BUENA CALIDAD
POBLACION  
175474345
N 25 6
S 10 4
MUESTRA  
n 15
x 4
 P(X=4) 0,0877
Interpretación: La probabilidad de que 4 sean de buena calidad es del 8,77%
b) La probabilidad de que no mas de 5 sean de buena calidad
DATOS
EXITOS SEAN DE BUENA CALIDAD
POBLACION  
175474345
N 25 6
S 10 5
MUESTRA  
n 15
x 5
P(X≤5) 0,3374

Interpretación: La probabilidad de que no mas de 5 sean de buena calidad es del

33,74%
c) La probabilidad de que al menos 6 sean de buena calidad
DATOS
EXITOS SEAN DE BUENA CALIDAD
POBLACION  
175474345
N 25 6
S 10 6
MUESTRA  
n 15
x 5
x 6
P(X<6) 0,3374
P(X≥6) 1-P(X<6)
P(X≥6) 0,6626

Interpretación: La probabilidad de que al menos 6 sean de buena calidad es del

66,26%
MODELO EXPONENCIAL
1) El tiempo de revisión del motor de un avión sigue una distribución
exponencial con media 22 minutos.

a) Encontrar la probabilidad de que el tiempo de revisión sea menor a 17

minutos.
DATOS
β= 22 λ 0,04545455 1754743456
X=C 17     17
P(X<17) 0,5382    
Interpretación: La probabilidad de que el tiempo de revision sea menor a 17 minutos
es de 53,82%

b) La probabilidad de que el tiempo de revision sea al menos 7 minutos.

DATOS
β= 22 λ 0,04545455 1754743456
X=C 7     7
P(X<7) 0,2725    
P(X>7) 1-P(X<7)    
P(X>7) 0,7275    

Interpretación: La probabilidad de que el tiempo de revision sea al menos 7 minutos

es del 72,75%
c) La probabilidad de que el tiempo de revision no sea mas de 34 minutos

DATOS
β= 22 λ 0,04545455 1754743456
X=C 34     34
P(X<34) 0,7868    

Interpretación: La probabilidad de que el tiempo de revisión no sea mas de 34 minutos

es del 78,68%
2) El tiempo de vida de una lámpara especial sigue una distribución exponencial
con media 100 hs.
a) La probabilidad de que la lampara dure maximo 56 horas
DATOS
β= 100 λ 0,01 1754743456
X=C 56     56
P(X<56) 0,4288    

Interpretación: La probabilidad de que la lampara dure maximo 56 horas es del

42,88%
b) La probabilidad que la lampara dure mas de 74 horas
DATOS
β= 100 λ 0,01 1754743456
X=C 74     74
P(X<74) 0,5229    
P(X>74) 1-P(X<74    
P(X>74) 0,4771    

Interpretación: La probabilidad de que la lamapra dure mas de 74 horas es del 47,71%

 c) La probabilidad que la lampara dure menos de 17 horas
DATOS
β= 100 λ 0,01 1754743456
X=C 17     17
P(X<17) 0,1563    

Interpretación: La probabilidad de que la lamara dure menos de 17 horas es del

15,63%
3) La duración de Bateria Boch tiene una distribución exponencial. Se sabe que
la media es de 5000 horas.
a) La probabilidad que dure mas de 1754 horas
DATOS
β= 5000 λ 0,0002 1754743456
X=C 1754     1754
P(X<1754) 0,2959    
P(X>1754) 1-P(X<1754)    
P(X>1754) 0,7041    

Interpretación: La probabilidad de que dure mas de 1754 horas es del 70,41%

b) La probabilidad que dure menos de 547 horas
DATOS
β= 5000 λ 0,0002 1754743456
X=C 547     547
P(X<547) 0,1036    

Interpretación: La probabilidad de que dure menos de 547 horas es del 10,36%

c) La probabilidad que dure mas de 345 horas
DATOS
β= 5000 λ 0,0002 1754743456
X=C 345     345
P(X<345) 0,0667    
P(X>345) 1-P(X<345)    
P(X>345) 0,9333    

Interpretación: La probabilidad que dure mas de 345 horas es del 93,33%

MODELO NORMAL
1) El coeficiente intelectual de los humanos se distribuye normalmente con
media 100 y desviación típica 15 .En Sangolqui con 15000 habitantes

a) ¿Cúal es la probabilidad de que el coeficiente intelectual sea mayor a 74 ?

DATOS
µ= 100 1754743456
σ= 15 74
X 74
P(X<74) 0,04151822
P(X>74) 1-P(X<74)
P(X>74) 0,9585

Interpretación: La probabilidad de que el coeficiente intelectual sea mayor a 74 es del

95,85
b) ¿ Cúal es la probabilidad de que el coeficiente intelectual sea menor a 54 ?
DATOS
µ= 100 1754743456
σ= 15 54
X 54
P(X<54) 0,0011

Interpretación: La probabilidad de que el C. intelectual sea menor a 54 es del 0,11%

c) La probabilidad que el coeficiente intelectual se encuentre entre 34 y 74

DATOS
µ= 100 1754743456
σ= 15 54
X 54
X 34 1754743456
    34
P(X<54) 0,0011
P(X<34) 0,00000166
P(34<X<54) P(X<54)-P(X<34)
P(34<X<54) 0,0011

Interpretación: La probabilidad de que el coeficiente intelectual se encuentre entre 34

y 74 es del 0,11%
 2) El peso máximo que un ascensor puede elevar es de 250 kg. .Si conocemos
que el peso humano se distribuye según una normal de media 70 y desviación
20 .

a) Calcule la probabilidad que al ascensor suban personas de al menos 54 kg

DATOS
µ= 70 1754743456
σ= 20 54
X 54
   
   
P(X<54) 0,2119

Intepretación: La probabilidad de que al asensor suban personas de al meno 54 kg es

del 21,19%
b) Calcule la probabilidad que al ascensor suban personas de mas de 74 kg
DATOS
µ= 70 1754743456
σ= 20 74
X 74
   
   
P(X<74) 0,5793
P(X>74) 1-P(X<74)
P(X>74) 0,4207

Interpretación: La probabilidad de que suban al ascensor personas de mas de 74 kg es

del 42,07%

c) Calcule la probabilidad que al ascensor suban entre 54 y 175 kg

DATOS
µ= 70 1754743456
σ= 20 175
X 175
X 74 1754743456
    74
P(X<175) 1,0000
P(X<74) 0,5793
P(74<X<175) P(X<175)-P(X<74)
P(74<X<175) 0,4207

Interpretación: La probabilidad de que suban personas entre 54 y 175 kg es del 42,07%

 3) Una cartera de valores está compuesta por tres acciones de la sociedad A ,
cuyos dividendos se distribuyen como una normal (mucho suponer) con
media 700 um y desviación típica 50 .
a) La probabilidad de que se reciba maximo 743 um
DATOS
µ= 700 1754743456
σ= 50 743
X 743
   
   
P(X<743) 0,8051

Interpretación: La probabilidad de que reciban maximo 743 um es del 80,51%

b) La probabilidad de que se reciba entre 547 y 743 um
DATOS
µ= 700 1754743456
σ= 50 547
X 743
X 547 1754743456
    743
P(X<743) 0,8051
P(X<547) 0,0011
P(547<X<743) P(X<743)-P(X<547)
P(547<X<743) 0,8040

Interpretación: La probabilidad de que reciban entre 547 y 743 um es del 80,40%

c) La probabilidad de que se reciba mas de 547um

DATOS
µ= 700 1754743456
σ= 50 547
X 547
   
   
P(X<547) 0,0011
   
P(X>547) 1-P(X<547)
P(X>547) 0,9989

Interpretación: La probabilidad de que reciban más de 547 um es del 99,89%

Conclusiones:
  Se pudo concluir que con la distintas herramientas se puede llegar al mismo
resultado, hay que verificar cual es la mas conveniente para ser utilizada en un
momento especifico.

 Se concluyo que las distintas herramientas de analisis estadistico llegan al

mismo resultado sin embargo se debe tener cuidado de no equivocarse ya que
no todos los sistemas estadisticos trabajan de la misma manera, se debe
conocer y entender cada modelo de distribución.

 Se determino que mediante todos los modelos de distribución se pueden

obtener datos muy especificos, que serian muy importantes en una analisis o
una investigación de mercados.

Recomendaciones:

 Se recomienda verificar cada datos constantemente, para que no haya errores

y establecer previamente el tipo de distribución a utilizar si no se especifica en
el enunciado.

 Se recomienda ingresar correctamente los datos, entender el tipo de

distribución y saber identificar lo que estamos buscando, para de esta manera
tener mejores resultados.

 Se recomienda respetar todos los parametros de cada distribución ya que si los

violamos llegariamos a tener datos equivocados o simplemente resultados
absurdos.

Bibliografia:

 https://www.vadenumeros.es/sociales/ejemplos-distribucion-binomial.htm
 https://es.scribd.com/doc/61799994/EJERCICIOS-DE-DISTRIBUCION-DE-
POISSON-resueltos#
 https://www.blogupiicsa.com/2010/12/distribucion-hipergeometrica.html
 https://www.uv.es/ceaces/proble/normal/normal1.htm