BENEMÉRITA UNIVERSIDAD AUTÓNOMA

DE PUEBLA

FACULTAD DE CIENCIAS FÍSICO

MATEMÁTICAS

PROBABILIDAD Y ESTADÍSTICA

Joad Chazari González

Primera Parte
1.
Se ha entrevistado a un grupo de hombres de una ciudad para determinar la
probabilidad de las características siguientes: A) están casados, B) tienen un título
universitario y C) tienen empresa propia. Los resultados obtenidos se representan en el
siguiente diagrama de Venn:
Determine las probabilidades siguientes:
a) Está casado y tiene un título universitario, pero no tiene empresa propia.
a) La probabilidad es 𝑝 = 𝐴 ∪ 𝐵

⇒ 𝑃 = 10∘ %

b) La probabilidad es 𝑃 = 𝐶

⇒ 𝑃 = 15%

c) La probabilidad es 𝑃 = 𝐶𝑜𝑚𝑝𝑙𝑒𝑚𝑒𝑛𝑡𝑜

⇒ 𝑃 = 5%

2.
Los números de identificación personal (PIN) de las tarjetas bancarias están restringidos
a una secuencia de 4 dígitos, pero por razones de seguridad, algunas secuencias están
prohibidas porque son muy fáciles de adivinar, como a) cuatro dígitos iguales, b)
secuencia ascendente descendente de dígitos y c) secuencias que empiecen con el año de
nacimiento 19xx o 20xx.Si un ladrón que vigilaba a un cliente pudo observar que el PIN
de su tarjeta empieza en 81 luego ha robado la tarjeta bancaria al cliente, ¿cuál es la
probabilidad de que en 3 intentos el ladrón pueda adivinar el PIN completo?

𝑆 = {(0,0), (0,1), (0,2), … (9,9)} = 100

𝑛𝐴
⇒𝑃(𝐴) =
𝑁
𝑛𝐴 = es el numbero de intentos
3
intartos 𝑃(𝐴) =
1000
3.
Un taller de reparación de impresoras recibe una orden de servicio de 25 impresoras, de
las cuales 10 son impresoras láser y 15 son impresoras de inyección de tinta. Si el técnico
de reparación escoge al azar un grupo de 6 impresoras para reparar, ¿cuál es la
probabilidad de que al menos 3 de las impresoras seleccionadas sean de inyección de
tinta?

𝑁 = Total de impresoras = 25
Láser=10
Tinta = 15
Se escogen 6 impresoras aleatorias y calculamos sus combinaciones con

𝑁!
𝐶𝑛𝑁 =
𝑛! (𝑁 − 𝑛)!
Para láser=𝐶310 , para Ainta 𝐶315

𝐶310 × 𝐶315
→ 𝑃(3 Tinta ) = = 0.3083
𝐶625

4.
Se tienen 10 cajas, cada una de las cuales contiene 9 bolas que pueden ser rojas o azules.
La cantidad de bolas rojas y azules en cada caja se muestra en la figura siguiente
Las cajas se tapan para no ver su contenido y se revuelven aleatoriamente. Luego se
escoge una caja al azar y se extraen dos bolas aleatoriamente. ¿Cuál es la probabilidad de
que se obtenga una bola roja y una azul?
𝑅 = Rojas 𝑥 = No. caja
𝐴 = Azules 𝑃(𝑥) = 1/10

𝑥 𝑅 𝐴

1 0 1

2 1/9 8/9

3 2/9 7/9

4 3/9 6/9

5 4/9 5/9

6 5/9 4/9

7 6/9 3/9

8 7/9 2/9

9 8/9 1/9

10 1 0

1 45 1
𝑃(𝑅) = 45/9 ⋅ = =
10 90 2

𝑃(𝐴) = 1/2

1 1
∴ 2 La probabilidod de 𝑃(𝑅 ∣ 𝐴) = 2 ⋅ 2 = 1/4

5.
Una empresa que produce fusibles eléctricos tiene 5 líneas de producción, las cuales
tienen normalmente una tasa de producción de fusibles defectuosos del2%. Sin embargo,
hubo un día que la línea 1 tuvo un desperfecto que no fue detectado a tiempo y su tasa de
producción de fusibles defectuosos aumentó al 5%. Si ese día el supervisor de producción
probó aleatoriamente 3 fusibles y sólo uno tuvo fallo, ¿cuál es la probabilidad de que el
fusible que falló no haya sido producido en la línea 1?
Usamos la distribución Binomial
𝑛
𝑃(𝑥) = ( ) 𝛼 𝑚 (1 − 𝛼)𝑛−𝑚
𝑚

Donde 𝑛 = 3. 𝑚 = fusiblet defectoosos

𝛼 = 0.05 1 − 𝛼 = 0.95

Sustituimos

3
𝑃(𝑥) = ( ) 𝛼 1 (1 − 𝛼)3−1 = 3(0.05)(0.95)2
1
= 0.135
 Parte II: Simulación de experimentos aleatorios en R1.
Cálculo de probabilidades mediante muestreo y réplica)
Una baraja inglesa tiene52cartas distribuidas en13figuras (2,3,4,5,6,7,8,9,10, J, Q, K y
A) que se presentan cada una en4palos (espada♠, corazón♥, diamante♦y trébol♣). Las
cartas se revuelven aleatoriamente y se extraen dos cartas al azar. Realice la
simulación numérica de este evento y determine la probabilidad de que las2cartas
extraídas sean de la misma figura, luego compare con el valor exacto de la
probabilidad obtenido mediante conteo. b) En un salón de conferencias se
encuentran50personas. Sea𝑥una variable aleatoria que toma el valor del número de
personas presentes en el salón que nacieron el mismo día del año. Realice una
simulación numérica de este evento para determinar la distribución de
probabilidad𝑓(𝑥)de la variable𝑥.
A)
# Establecer las figuras y palos
figuras <- c("2", "3", "4", "5", "6", "7", "8", "9", "10", "J", "Q", "K",
"A")
palos <- c("e", "c", "d", "t")
# Crear una baraja
baraja <- expand.grid(figuras, palos)

# Número de simulaciones
num_simulaciones <- 100000

# Inicializar contador de eventos favorables

eventos_favorables <- 0

# Realizar simulación
for (i in 1:num_simulaciones) {
# Extraer dos cartas al azar
muestra <- baraja[sample(nrow(baraja), 2), ]

# Verificar si las cartas son de la misma figura

if (muestra$Var1[1] == muestra$Var1[2]) {
eventos_favorables <- eventos_favorables + 1
}
}

B)
# Calcular la probabilidad estimada
probabilidad_simulada <- eventos_favorables / num_simulaciones

# Calcular la probabilidad exacta

probabilidad_exacta <- 13/52

# Imprimir resultados
cat("Probabilidad estimada:", probabilidad_simulada, "\n")
cat("Probabilidad exacta:", probabilidad_exacta, "\n")

# Número de personas en el salón

num_personas <- 50
# Número de dÃ-as en un año
dias_en_ano <- 365

# Número de simulaciones
num_simulaciones <- 1000

# Inicializar vector para contar el número de personas nacidas el mismo

dÃ-a
personas_por_dia <- numeric(dias_en_ano)

# Realizar simulación
for (i in 1:num_simulaciones) {
# Generar fechas de nacimiento aleatorias para cada persona
fechas_nacimiento <- sample(1:dias_en_ano, num_personas, replace =
TRUE)

# Contar cuántas personas nacieron el mismo dÃ-a

personas_nacidas_el_mismo_dia <- table(fechas_nacimiento)

# Actualizar el vector de conteo

personas_por_dia[as.numeric(names(personas_nacidas_el_mismo_dia))] <-
personas_por_dia[as.numeric(names(personas_nacidas_el_mismo_dia))] +
as.numeric(personas_nacidas_el_mismo_dia)
}

# Calcular la distribución de probabilidad

probabilidad <- personas_por_dia / (num_personas * num_simulaciones)

# Imprimir resultados
cat("Distribución de probabilidad f(x):\n")
print(probabilidad)

2. Simulación de experimentos aleatorios con probabilidades definidas. Considere el

conjunto de todos los tipos de sangre en una población de personas:𝑆
={A,B,AB,O}Suponga que se han determinado las probabilidades de ocurrencia de
cada uno de estos tipos de sangre en la población, con valores:𝑃(A)=0.4, 𝑃(B)=0.11,
𝑃(AB)=0.04y𝑃(O)=0.45En base a estos datos, genere una muestra aleatoria de
tamaño𝑚 =100y determine la probabilidad de que dos personas seleccionadas al azar
tengan el mismo tipo de sangre.
#S=[A,B,AB,O]
#tenemos las probabilidades P(A)=0.4, P(B)=0.11, P(AB)=O.O4, P(O)=0.45
library(dplyr)
library(sampling)
N=100
n=2
set.seed(1)
muestra_aleatoria<-slice_sample(.data = Tipo_de_sangre,n=2,replace=F)

muestra_aleatoria
A<-c(0.4)
B<-c(0.11)
AB<-c(0.04)
O<-c(0.45)
P= A^2+B^2+AB^2+O^2
P

3. Muestreo de variables aleatorias con una distribución de probabilidad dada.

Generar una muestra de tamaño 𝑚 = 10 de una variable aleatoria con una distribución
binomial con parámetros 𝑛=18y𝛼 =1/3.

library(dplyr)
library(sampling)
set.seed(1)
Base_de_datos_ingreso_mensual_3_csv
muestra_aleatoria<-slice_sample(.data =
Base_de_datos_ingreso_mensual_3_csv,n=10,replace = F)
muestra_aleatoria
dbinom(5,18,1/3)
x<-c(0:10)
dbinom(x,18,1/3)

4. Simulación numérica de la ley de los grandes números. Realizar los pasos

siguientes:
a) Definir un vector𝑥de números enteros desde1hasta20.
b) Generar un vector𝑝de probabilidades para cada valor de𝑥de acuerdo con una
distribución binomial con𝑛=100y𝛼 =0.1.
c) Realizar𝑘 = 100muestreos aleatorios de tamaño𝑚 = 5de la distribución𝑝de𝑥. Para
cada muestreo𝑖=1,2,...,𝑘calcular la mediā𝑥𝑖y varianza𝑠2𝑖de la muestra obtenida.
d) Calcular la mediā𝑥de las medias̄𝑥𝑖y la varianza𝑠2dē𝑥y comprobar la ley de los
grandes números, es decir:̄
𝑥 =1𝑘𝑘∑𝑖=1̄𝑥𝑖→ 𝜇 =10𝑠2=1𝑘2𝑘∑𝑖=1𝑠2𝑖→𝜎2𝑘=9100
e) Repetir los pasos anteriores 𝑐) y 𝑑) con𝑘 =1000y5000para comprobar que el𝑘→∞| 𝑥 ̄
−𝜇|→0f)
Ahora calculē𝑥y𝑠2con𝑚 =10y𝑘 =100y compare sus resultados con los valores ob-
tenidos en el inciso 𝑑). ¿Qué podría concluir de esta comparación sobre la
convergencia dē 𝑥y𝑠2en función de𝑚y𝑘?
# a) Definir un vector x de números enteros desde 1 hasta 20
x <- 1:20

# b) Generar un vector p de probabilidades para cada valor de x

n <- 100
alpha <- 0.1
p <- dbinom(x, size = n, prob = alpha)

# c) Realizar k = 100 muestreos aleatorios de tamaño m = 5 de la

distribución p de x
k <- 100
m <- 5

# Inicializar vectores para almacenar medias y varianzas de cada muestra

medias <- numeric(k)
varianzas <- numeric(k)

# Realizar muestreos
for (i in 1:k) {
muestra <- sample(x, m, replace = TRUE, prob = p)

# Calcular la media y la varianza de la muestra

medias[i] <- mean(muestra)
varianzas[i] <- var(muestra)
}

# Imprimir resultados
cat("Medias de las muestras:\n")
print(medias)

cat("\nVarianzas de las muestras:\n")

print(varianzas)
# d) Calcular la media y la varianza de las medias y comprobar la ley de
los grandes números
media_medias <- mean(medias)
varianza_medias <- var(medias)

# Calcular la media y varianza de las varianzas

media_varianzas <- mean(varianzas)
varianza_varianzas <- var(varianzas)

# Imprimir resultados
cat("Media de las medias (𝜇):", media_medias, "\n")
cat("Varianza de las medias:", varianza_medias, "\n\n")

cat("Media de las varianzas (𝜎^2):", media_varianzas, "\n")

cat("Varianza de las varianzas:", varianza_varianzas, "\n\n")

# e) Repetir con k = 1000 y 5000

k_1000 <- 1000
k_5000 <- 5000

# Inicializar vectores para almacenar medias y varianzas de cada muestra

medias_1000 <- numeric(k_1000)
varianzas_1000 <- numeric(k_1000)

medias_5000 <- numeric(k_5000)

varianzas_5000 <- numeric(k_5000)

# Realizar muestreos para k = 1000

for (i in 1:k_1000) {
muestra <- sample(x, m, replace = TRUE, prob = p)
medias_1000[i] <- mean(muestra)
varianzas_1000[i] <- var(muestra)
}

# Realizar muestreos para k = 5000

for (i in 1:k_5000) {
muestra <- sample(x, m, replace = TRUE, prob = p)
 medias_5000[i] <- mean(muestra)
varianzas_5000[i] <- var(muestra)
}

# Calcular medias y varianzas para k = 1000 y 5000

media_medias_1000 <- mean(medias_1000)
varianza_medias_1000 <- var(medias_1000)

media_varianzas_1000 <- mean(varianzas_1000)

varianza_varianzas_1000 <- var(varianzas_1000)

media_medias_5000 <- mean(medias_5000)

varianza_medias_5000 <- var(medias_5000)

media_varianzas_5000 <- mean(varianzas_5000)

varianza_varianzas_5000 <- var(varianzas_5000)

# Imprimir resultados
cat("Resultados para k = 1000:\n")
cat("Media de las medias:", media_medias_1000, "\n")
cat("Varianza de las medias:", varianza_medias_1000, "\n")
cat("Media de las varianzas:", media_varianzas_1000, "\n")
cat("Varianza de las varianzas:", varianza_varianzas_1000, "\n\n")

cat("Resultados para k = 5000:\n")

cat("Media de las medias:", media_medias_5000, "\n")
cat("Varianza de las medias:", varianza_medias_5000, "\n")
cat("Media de las varianzas:", media_varianzas_5000, "\n")
cat("Varianza de las varianzas:", varianza_varianzas_5000, "\n\n")

# f) Calcular media y varianza con m = 10 y k = 100

m_10 <- 10
k_100_m_10 <- 100

# Inicializar vectores para almacenar medias y varianzas de cada muestra

medias_10_100 <- numeric(k_100_m_10)
varianzas_10_100 <- numeric(k_100_m_10)

# Realizar muestreos para m = 10 y k = 100

for (i in 1:k_100_m_10) {
muestra <- sample(x, m_10, replace = TRUE, prob = p)
medias_10_100[i] <- mean(muestra)
varianzas_10_100[i] <- var(muestra)
}

# Calcular media y varianza para m = 10 y k = 100

media_medias_10_100 <- mean(medias_10_100)
varianza_medias_10_100 <- var(medias_10_100)

media_varianzas_10_100 <- mean(varianzas_10_100)

varianza_varianzas_10_100 <- var(varianzas_10_100)

# Imprimir resultados
cat("Resultados para m = 10 y k = 100:\n")
cat("Media de las medias:", media_medias_10_100, "\n")
cat("Varianza de las medias:", varianza_medias_10_100, "\n")
cat("Media de las varianzas:", media_varianzas_10_100, "\n")
cat("Varianza de las varianzas:", varianza_varianzas_10_100, "\n")