4 Luis Inca

UNIVERSIDAD TÉCNICA DE AMBATO
MAESTRÍA EN TELECOMUNICACÍONES
ESTADISTICA Y PROBABLIDAD
INTEGRANTES:
 LUIS ENRIQUE CHICO ANALUISA

 WALTER IVAN CRIOLLO PAREDES
 SAÚL GABRIEL LOPEZ NARANJO
 LUIS FERNANDO INCA GUAMAN
Fecha: 11 DE ABRIL DE 2019

PRÁCTICA RSTUDIO Nº 04
1. TEMA
Distribuciones de Probabilidad
2. OBJETIVOS
Resolver los ejercicios de distribuciones de probabilidad, posteriormente crear un script

en RSTUDIO con la solución de cada uno de ellos.
VARIABLES DISCRETAS Y CONTINUAS
5. PARA REALIZAR CIERTO ANÁLISIS DE SANGRE, LOS TÉCNICOS DE LABORATO

RISTAS TIENEN QUE LLEVAR A CABO DOS PROCEDIMIENTOS. EN EL PRIMERO RE
QUIEREN UNO O DOS PASOS Y EN EL SEGUNDO REQUIEREN UNO, DOS O TRES PA
SOS.
A. ENUMERE LOS RESULTADOS EXPERIMENTALES CORRESPONDIENTES A ESTE

ANÁLISIS DE SANGRE.
> p1 <- c(1, 2)#procedimiento 1 (dos pasos)

> p1
[1] 1 2
> p2 <- c(1, 2, 3)#procedimiento 2 (3 pasos)
> p2
[1] 1 2 3
> res_exp <- c("1-1", "1-2", "1-3", "2-1", "2-2", "2-3")#todos los resultados expermientales posi
bles
> res_exp
[1] "1-1" "1-2" "1-3" "2-1" "2-2" "2-3"
Evento 1 Evento 2
1 1
2 2
3
Resultados V.A.D(Finita): {1-1,1-2,-1-3,2-1,2-2,2-3}
B. SI LA VARIABLE ALEATORIA QUE INTERESA ES EL NÚMERO DE PASOS REQUE

RIDO EN TODO EL ANÁLISIS (LOS DOS PROCEDIMIENTOS), DE LOS VALORES QUE
TOMA LA VARIABLE ALEATORIA EN CADA UNO DE LOS RESULTADOS EXPERIME
NTALES.
> v_aleatoria_1 <- c(1+1)#combinación 1

> v_aleatoria <- c(v_aleatoria_1, v_aleatoria_2, v_aleatoria_3, v_aleatoria_4, v_aleatoria_5, v_a
leatoria_6)
> v_aleatoria#los valores que toma la variable son 2, 3, 4, 5
[1] 2 3 4 3 4 5
Resultados V.A.D(Finita): {2, 3, 4, 5}
6. A CONTINUACION SE DA UNA SERIE DE EXPERIMENTOS Y SU VARIABLE ALEA

TORIA CORRESPONDIENTE. EN CADA CASO DETERMINE QUÉ VALORES TOMA LA
VARIABLE ALEATORIA Y DIGA SI SE TRATA DE UNA VARIABLE ALEATORIA DIS
CRETA O CONTINUA.
A.HACER UN EXAMEN CON 20 PREGUNTAS NÚMERO DE PREGUNTAS CONT

ESTADAS CORRECTAMENTE
> preg_correctas <- c("tenemos preguntas_correctas=x (0<=x<=20). v.a.discreta (finita)")

> preg_correctas
[1] "tenemos preguntas_correctas=x (0<=x<=20). v.a.discreta (finita)"
Espacio muestral={0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20}
# Espacio muestral=21
Variable Aleatoria Discreta(Finita)= {0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20}
B.OBSERVAR LOS AUTOMOVILES QUE LLEGAN NÚMERO DE AUTOMOVILES

QUE LLEGAN A LA CASETA DE PEAJE A 1 CASETA DE PEAJE EN UNA HORA
>
> num_automoviles <- c("tenemos número de automoviles=y (y:y ϵN y>=0). v.a.discreta(infinit
a)")
> num_automoviles
[1] "tenemos número de automoviles=y (y:y ϵN y>=0). v.a.discreta(infinita)"
x=número de automóviles que llegan a la caseta

Espacio muestral={x0,x1,x2,…..xn} hasta que haya transcurrido 1hora
Variable Aleatoria Discreta (infinita)
>
> #C.REVISAR 50 DECLARACIONES DE IMPUESTOS NÚMERO DE DECLARACIO
NES QUE TIENEN ALGUN ERROR
>
> numero_declaraciones <- c("tenemos numero de declaraciones con error=z (0<=z<=50). v.a.di
screta (finita)")
> numero_declaraciones
[1] "tenemos numero de declaraciones con error=z (0<=z<=50). v.a.discreta (finita)"
Espacio muestral={0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,…………….,50}
# Espacio muestral=51
Variable Aleatoria Discreta(Finita)=
{0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,……...,50}
>
> #D.OBSERVAR TRABAJAR A UN EMPLEADO NÚMERO DE HORAS NO PRO
DUCTIVAS EN UNA JORNADA DE 8 HORAS
>
> horas_no_productivas <- c("tenemos horas no productivas=w (0<=w<=50). v.a.continua")
> horas_no_productivas
[1] "tenemos horas no productivas=w (0<=w<=50). v.a.continua"
>
x=Número de horas no productivas en una jornada de 8 horas
Espacio muestral= {0<=x<=8}
Espacio muestral= {x: x pertenece a los números reales +}
Variable Aleatoria Continua (Infinita)
> #E.PESAR UN ENVIO NÚMERO DE LIBRAS.

>
> numero_libras <- c("tenemos número de libras=u (u:u ϵR u>=0). v.a.continua")
> numero_libras
[1] "tenemos número de libras=u (u:u ϵR u>=0). v.a.continua"
x= Número de libras
Espacio muestral={x>0}
Espacio muestral= {x: x pertenece a los números reales +}
Variable Aleatoria Continua (Infinita)
DISTRIBUCIÓN DISCRETA BINOMIAL

####################EJERCICIO 1/////////////////////////////
23. SI EL 40% DE LOS VOTANTES DE UNA GRAN CIUDAD FAVORECE AL
CANDIDATO A, ¿CUAL ES LA PROBABILIDAD PARA QUE, EN UNA MUESTRA AL
AZAR DE 20 VOTANTES, LA MAYORIA FAVOREZCA AL CANDIDATO A?
> #p(x)=f(x)= (nCx)*(p^x)*((1-p)^(n-x)) FORMULA GENERAL
> #p=40%=0.40, n=20, f(x≥11) =f(11) +f(12)+f(13)+f(14)+f(15)+f(16)+
f(17)+f(18)+f(19)+f(20)
> #x=11,12,13,14,15,16,17,18,19,20
> #P%=f(x≥11)*100
> x<-11:20
> n<-20
> p<-0.40
> tabla<-cbind(x , dbinom(x,n,p))
> tabla
x
[1,] 11 7.099488e-02
[2,] 12 3.549744e-02
[3,] 13 1.456305e-02
[4,] 14 4.854351e-03
[5,] 15 1.294494e-03
[6,] 16 2.696862e-04
[7,] 17 4.230371e-05
[8,] 18 4.700412e-06
[9,] 19 3.298535e-07
[10,] 20 1.099512e-08
> y= sum(dbinom(x,n,p))
> P=y*100 #RESPUESTA%
>P
[1] 12.75212
> plot(x,dbinom(x,n,p),type = "h")
> plot(x,dbinom(x,n,p),type="h",xlab= "Número de Evento",col="red",
+ ylab="Probabilidades",
+ main="Probabilidades por Evento")
Respuesta. La probabilidad para que en una muestra al azar de 20 votantes, la mayoría

favorezca al candidato A es de 12.75%.
FIG.1 Diagram de probabilidades ejercicio 1 binomial.

#Diagrama Acumulado Número de Evento
> tabla_acumulada<-cbind(x,pbinom(x,n,p))
> tabla_acumulada
x
[1,] 11 0.9434736
[2,] 12 0.9789711
[3,] 13 0.9935341
[4,] 14 0.9983885
[5,] 15 0.9996830
[6,] 16 0.9999527
[7,] 17 0.9999950
[8,] 18 0.9999997
[9,] 19 1.0000000
[10,] 20 1.0000000
> #plot(x,pbinom(x,n,p))
> plot(x,pbinom (x,n,p), type= "s",xlab= "Número de Evento",col="red",
+ ylab="probabi??idade",
+ main="probabilidades acumuladas del número de aciertos")
FIG.2 Diagram de probabilidades acumuladas ejercicio 1 binomial.
> rm(list=ls())#Borra el environment

> graphics.off()#Borra Plots
> ####################EJERCICIO 2//////////////////////////////

> # 24. Supongamos que Jorge dispara su revolver 18 veces, ¿Cual es la probabi> #lidad de que
logre exactamente 8 centros, sabiendo que la probabilidad > #de que logre centro es de 0,20?

> #p=0.20 , n=18, f(x=8)=f(8),x=8
> #P%=f(x=8)*100
> x<-8
> n<-18
> p<-0.20
> tabla
x
[1,] 8 0.01202811
>P
[1] 1.202811
Respuesta: La probabilidad de que logre 8 centros exactamente es del 1.20%
> #Diagrama Número de Evento

> plot(x,dbinom(x,n,p),type="h",xlab= "Número de Evento",col="blue",
+ main="Probabilidades del número de Evento")
> #Diagrama Acumulado Número de Evento

> tabla_acumulada
x
[1,] 8 0.995748
> plot(x,pbinom (x,n,p), type= "s",xlab= "Número de Evento",col="blue",

> #####d###############EJERCICIO 3//////////////////////////////
> #25. Diez monedas son extraidas del bolsillo de una persona y puestas
> #sobre la mesa,¿Cuál es la probabilidad de que el numero de caras
> #este entre 5 y 7 inclusive?
> #p=50%=0.50 , n=10, f(5≤x≤7)=f(5)+f(6)+f(7), x=5,6,7
> #P%=f(5≤x≤7)*100
> x<-5:7
> n<-10
> p=0.5
> tabla
x
[1,] 5 0.2460938
[2,] 6 0.2050781
[3,] 7 0.1171875
>P
[1] 56.83594
Respuesta: La probabilidad de que el numero de caras este entre 5 y 7 es de 56.83%

> plot(x,dbinom(x,n,p),type="h",xlab= "Número de Evento",col="green",
+ main="Probabilidades del número de aciertos")

> tabla_acumulada
x
[1,] 5 0.6230469
[2,] 6 0.8281250
[3,] 7 0.9453125
> plot(x,pbinom (x,n,p), type= "s",xlab= "Número de Evento",col="green",

> ####################EJERCICIO 4//////////////////////////////

> #26.¿Cuál es la probabilidad de contestar correctamente, por lo menos
> #tres de las cinco preguntas de un test falso y verdadero?
> #p=50%=0.50 , n=5, f(x≥3)=f(3)+f(4)+f(5),x=3,4,5
> #P%=f(x≥3)*100
> x<-3:5
> n<-5
> p=0.5
> tabla
x
[1,] 3 0.31250
[2,] 4 0.15625
[3,] 5 0.03125
>P
[1] 50
Respuesta. La probabilidad de contestar correctamente por lo menos 3 de 5 preguntas es del

50%


> tabla_acumulada
x
[1,] 3 0.81250
[2,] 4 0.96875
[3,] 5 1.00000

> ####################EJERCICIO 5//////////////////////////////

> #27. Si se sabe que nueve de cada diez perosnas tienen caries, al tomar
> #al azar un grupo de cinco personas,¿Cuál es la probabilidad de que:?
> p=0.90
> q=0.10
> n=5
> rm(list=ls())
> #a)Cuatro tenga caries?

> #p=90%=0.90 , n=5, f(x=4)=f(4),x=4
> #P%=f(x=4)*100
> x<-4
> n<-5
> p=0.9
> tabla
x
[1,] 4 0.32805
>P
[1] 32.805
Respuesta. la probabilidad de que 4 personas tengan caries es del 32.80%

FIG.9 Diagram de probabilidades ejercicio 5a binomial.

> tabla_acumulada
x
[1,] 4 0.40951
> plot(x,pbinom (x,n,p), type= "h",xlab= "Número de Evento",col="green",
+ ylab="Probabilidad",
+ main="Probabilidades acumuladas del número de aciertos")
FIG.10 Diagrama de probabilidades acumuladas ejercicio 5a binomial.

> #b)por lo menos dos tenga caries?

> #p=90%=0.90 , n=5, f(x≥2)=f(2)+f(3)+f(4)+f(5) = 1-(f(0)+f(1)),x=2,3,4,5
> #P%=f(x≥2)*100
> x<-2:5
> n<-5
> p=0.9
> tabla
x
[1,] 2 0.00810
[2,] 3 0.07290
[3,] 4 0.32805
[4,] 5 0.59049
>P
[1] 99.954
Respuesta. La probabilidad de que por lo menos dos personas tengan caries del grupo de 5
personas es del 99.95%

FIG.11 Diagram de probabilidades ejercicio 5b binomial.

> tabla_acumulada
x
[1,] 2 0.00856
[2,] 3 0.08146
[3,] 4 0.40951
[4,] 5 1.00000
> plot(x,pbinom (x,n,p), type= "s",xlab= "Número de aciertos",col="green",
+ main="probabilidades acumuladas del número de Evento")
FIG.12 Diagrama de probabilidades acumuladas ejercicio 5b binomial.

> #c)Por lo menos dos no tenga caries?

> #p=10%=0.10, n=5,f(x≥2)=f(2)+f(3)+f(4)+f(5) =1-(f(0)+f(1)), x=2,3,4,5
> #P%=f(x≥2)*100
> x<-2:5
> n<-5
> p=0.1
> tabla
x
[1,] 2 0.07290
[2,] 3 0.00810
[3,] 4 0.00045
[4,] 5 0.00001
>P
[1] 8.146
Respuesta. La probabilidad de que por lo menos 2 de 5 no tengan caries es del 8.15%

FIG.13 Diagram de probabilidades ejercicio 5c binomial.
> tabla_acumulada
x
[1,] 2 0.99144
[2,] 3 0.99954
[3,] 4 0.99999
[4,] 5 1.00000
FIG.14 Diagrama de probabilidades acumuladas ejercicio 5c binomial.

> #d)por lo menos una tenga caries?

> #p=90%=0.90,n=5,f(x≥1)=f(1)+f(2)+f(3)+f(4)+f(5)=1-(f(0)), x=1,2,3,4,5
> #P%=f(x≥1)*100
> x<-1:5
> n<-5
> p=0.9
> tabla
x
[1,] 1 0.00045
[2,] 2 0.00810
[3,] 3 0.07290
[4,] 4 0.32805
[5,] 5 0.59049
>P
[1] 99.999
Respuesta. La probabilidad de que por lo menos 1 persona tenga caries es del 99.99%

> plot(x,dbinom(x,n,p),type="h",xlab= "Número de Evento",col="RED",
FIG.15 Diagram de probabilidades ejercicio 5d binomial.
> tabla_acumulada
x
[1,] 1 0.00046
[2,] 2 0.00856
[3,] 3 0.08146
[4,] 4 0.40951
[5,] 5 1.00000
> plot(x,pbinom (x,n,p), type= "s",xlab= "Número de Evento",col="RED",
FIG.16 Diagrama de probabilidades acumuladas ejercicio 5d binomial.

DISTRIBUCION DE PROBABILIDAD DISCRETA POISSON
64. Entre las 2 y las 4 de la tarde, el promedio de llamadas telefónicas que recibe un
conmutador de una empresa por minuto es 2,5. Hallar la probabilidad de que en un
determinado minuto haya: a)0 b)1 c)2 d)3 llamadas.
Código Script R
# n=120 p= 2.5/120 = 0.0208 lambda=n*p= 2.5
lambda<- 2.5
#a) 0 llamadas
x<-0
Pra=dpois(x,lambda)
Pra
Pra=Pra*100
Pra #Probabilidad en Porcentaje
#b) 1 llamada
x<-1
Prb=dpois(x,lambda)
Prb
Prb=Prb*100
Prb #Probabilidad en Porcentaje
#c) 2 llamadas
x<-2
Prc=dpois(x,lambda)
Prc
Prc=Prc*100
Prc #Probabilidad en Porcentaje
#d) 3 llamadas
x<-3
Prd=dpois(x,lambda)
Prd
Prd=Prd*100
Prd #Probabilidad en Porcentaje
rm(list=ls())
Código Consola R
> # n=120 p= 2.5/120 = 0.0208 lambda=n*p= 2.5
> lambda<- 2.5
> #a) 0 llamadas
> x<-0
> Pra=dpois(x,lambda)
> Pra
[1] 0.082085
> Pra=Pra*100
> Pra #Probabilidad en Porcentaje de 0 llamadas en un minuto
[1] 8.2085
> #b) 1 llamada

> x<-1
> Prb=dpois(x,lambda)
> Prb
[1] 0.2052125
> Prb=Prb*100
> Prb #Probabilidad en Porcentaje de 1 llamada en 1 minuto
[1] 20.52125
> #c) 2 llamadas

> x<-2
> Prc=dpois(x,lambda)
> Prc
[1] 0.2565156
> Prc=Prc*100
> Prc #Probabilidad en Porcentaje de 2 llamadas en 1 minuto
[1] 25.65156
> #d) 3 llamadas

> x<-3
> Prd=dpois(x,lambda)
> Prd
[1] 0.213763
> Prd=Prd*100
> Prd #Probabilidad en Porcentaje de 3 llamadas en 1 minuto
[1] 21.3763
Respuesta. La probabilidad de que haya 0 llamadas es del 8.20%, que haya 1 llamada es
20.52%, que haya 2 llamadas es 25.65% y que haya 3 llamadas es 21.37%
65. Supongamos que de cada 5000 vehículos, 2 tienen problemas con las llantas en una
autopista. Si 1000 vehículos transitan por la autopista durante cierto día. ¿Cuál es la
probabilidad de que por lo menos 2 vehículos tengan problemas con las llantas?
Código Script R
p=2/5000
p
n=1000
n
lambda=(n*p)
lambda
#Probabilidad de que por lo menos 2 vehículos tengan problemas con las llantas.
# Pr(X >=2) = 1 - [Pr(X=0) + Pr(X= 1)
x=0
Pr1=dpois(x,lambda)
Pr1
x=1
Pr2=dpois(x,lambda)
Pr2
Pr=1-(Pr1+Pr2)
Pr
Pr=Pr*100
Pr #Probabilidad en Porcentaje
rm(list=ls())
Código Consola R
> p=2/5000
>p
[1] 4e-04
> n=1000
>n
[1] 1000
> lambda=(n*p)
> lambda
[1] 0.4
> #Probabilidad de que por lo menos 2 vehiculos tengan problemas con las llantas.
> # Pr(X >=2) = 1 - [Pr(X=0) + Pr(X= 1)]
> x=0
> Pr1=dpois(x,lambda)
> Pr1
[1] 0.67032
> x=1
> Pr2
[1] 0.268128
> Pr=1-(Pr1+Pr2)
> Pr
[1] 0.06155194
> Pr=Pr*100
> Pr #Probabilidad en Porcentaje de que por lo menos 2 vehiculos tengan problemas con las llan
tas
[1] 6.155194
Respuesta. La probabilidad de que por lo menos dos vehículos tengan problemas con las
llantas es de 6.15%
67. El promedio de atracos en cierta ciudad es de 2 por día. Utilizando la distribución de

poisson, determinar la probabilidad de que un dia dado haya:
a) No más de 3 atracos b) A lo más 2 atracos
Código Script R
lambda<- 2
# a) Pra(X<=3)= Pr0(x=0) + Pr1(x=1) + Pr2(x=2) + Pr3(x=3)
x<- 0
Pr0=dpois(x,lambda)
Pr0
x<- 1
Pr1=dpois(x,lambda)
Pr1
x<- 2
Pr2=dpois(x,lambda)
Pr2
x<- 3
Pr3=dpois(x,lambda)
Pr3
Pra=Pr0+Pr1+Pr2+Pr3
Pra
Pra=Pra*100
#b) Prb(X<=2)= Pr0(x=0) + Pr1(x=1) + Pr2(x=2)
Prb=Pr0+Pr1+Pr2
Prb
Prb=Prb*100
rm(list=ls())
Código Consola R
> lambda<- 2
> #a) Pra(X<=3)= Pr0(x=0) + Pr1(x=1) + Pr2(x=2) + Pr3(x=3)
> x<- 0
> Pr0
[1] 0.1353353
> x<- 1
> Pr1
[1] 0.2706706
> x<- 2
> Pr2
[1] 0.2706706
> x<- 3
> Pr3
[1] 0.180447
> Pra=Pr0+Pr1+Pr2+Pr3
> Pra
[1] 0.8571235
> Pra=Pra*100
> Pra #Probabilidad en Porcentaje de que en un dia haya no más de 3 atracos
[1] 85.71235
> #b) Prb(X<=2)= Pr0(x=0) + Pr1(x=1) + Pr2(x=2)

> Prb=Pr0+Pr1+Pr2
> Prb
[1] 0.6766764
> Prb=Prb*100
> Prb #Probabilidad en Porcentaje de que en un dia haya a lo más 2 atracos
[1] 67.66764
Respuesta. La probabilidad de que haya no más de tres atracos es del 85.71% y de que haya a
lo más dos atracos es del 67.66%
68. Una compañía de seguros considera que solamente alrededor de 0,01% de la población
le ocurre cierto tipo de accidentes cada año. La empresa tiene 10000 asegurados contra
este tipo de accidentes. ¿Cuál es la probabilidad de que máximo 3 de ellos sufran
accidentes?
Código Script R
P<- 0.01/100
P
n<- 10000
lambda<- n*P
lambda
#Pr(x<=3)= Pr0(x=0) + Pr1(x=1) + Pr2(x=2) + Pr3(x=3)
x=0:3
Pr=dpois(x,lambda)
Pr
Pr=sum(dpois(x,lambda))
Pr
Pr=Pr*100
Pr #Probabilidad en Porcentaje
Código Consola R
> P<- 0.01/100
>P
[1] 1e-04
> n<- 10000
> lambda<- n*P
> lambda
[1] 1
> #Pr(x<=3)= Pr0(x=0) + Pr1(x=1) + Pr2(x=2) + Pr3(x=3)
> x=0:3
> Pr=dpois(x,lambda)
> Pr
[1] 0.36787944 0.36787944 0.18393972 0.06131324
> Pr=sum(dpois(x,lambda))
> Pr
[1] 0.9810118
> Pr=Pr*100
> Pr #Probabilidad en Porcentaje
[1] 98.10118
Respuesta. La probabilidad de que máximo tres sufran accidentes es del 98.10%
69. Se toma una muestra de 1500 artículos de un lote de producción que arroja el 24% de
defectuosos. ¿Cuál es la probabilidad de obtener? :
a) 2 ó menos artículos defectuosos
b) más de 2 defectuosos
Código Script R
n<- 1500
n
P<- 0.24/100
P
lambda<- n*P
lambda
#a) Pra(x<=2)= Pr0(x=0) + Pr1(x=1) + Pr2(x=2)
x=0:2
Pra=dpois(x,lambda)
Pra
Pra=sum(dpois(x,lambda))
Pra
Pra=Pra*100
#b) Prb(x>2)= 1 - [Pr0(x=0) + Pr1(x=1) + Pr2(x=2)]

x=0:2
Prb=dpois(x,lambda)
Prb
Prb=(1-sum(dpois(x,lambda)))
Prb
Prb=Prb*100
Código Consola R
> n<- 1500
>n
[1] 1500
> P<- 0.24/100
>P
[1] 0.0024
> lambda<- n*P
> lambda
[1] 3.6
> #a) Pra(x<=2)= Pr0(x=0) + Pr1(x=1) + Pr2(x=2)

> x=0:2
> Pra=dpois(x,lambda)
> Pra
[1] 0.02732372 0.09836540 0.17705772
> Pra=sum(dpois(x,lambda))
> Pra
[1] 0.3027468
> Pra=Pra*100
> Pra #Probabilidad en Porcentaje de que 2 ó menos artículos salgan defectuosos
[1] 30.27468
> #b) Prb(x>2)= 1 - [Pr0(x=0) + Pr1(x=1) + Pr2(x=2)]

> x=0:2
> Prb=dpois(x,lambda)
> Prb
[1] 0.02732372 0.09836540 0.17705772
> Prb=(1-sum(dpois(x,lambda)))
> Prb
[1] 0.6972532
> Prb=Prb*100
> Prb #Probabilidad en Porcentaje de más de 2 defectuosos
[1] 69.72532
Respuesta. La probabilidad de que dos o más artículos estén defectuosos es de 30.27% y la

probabilidad de que más de dos estén defectuosos es de 69.72%
DISTRIBUCIÓN NORMAL
99. El peso medio de las frutas de un gran cargamento es de 15,00 onzas, con una desviación
estándar de 1,62 onzas; si sus pesos están distribuidos normalmente, ¿qué porcentaje de frutas
tendrá un peso entre 15,00 y 18,00 onzas?
Datos
media=15,00
desviación estándar=1,62
# P(15<X<18)
pnorm(18,15,1.62)-pnorm(15,15,1.62)
#La representación gráfica de la función de densidad se

obtiene fácilmente como:
curve(dnorm(x,15,1.62),xlim=c(0,30),col="blue",lwd=2,
xlab="x",ylab="f(x)",main="Función de Densidad
N(15,1.62)")
#También podemos representar la función de distribución:

curve(pnorm(x,15,1.62),xlim=c(0,30),col="blue",lwd=2,
xlab="x",ylab="F(x)",main="Función de Distribución
N(15,1.62)")
Respuesta: El 46.79% de las frutas tendrán un peso entre

15,00 y 18,00 onzas.
100. Si la vida media de cierta marca de bacterias es de 30 meses, con una desviación estándar
de 6 meses. ¿Qué porcentaje de estas bacterias puede esperarse una duración de 24 a 36 meses?
Se supone que su duración sigue una distribución normal.
Datos
media= 30
desviación estándar= 6
# P(24<X<36)
pnorm(36,30,6)-pnorm(24,30,6)

curve(dnorm(x,30,6),xlim=c(0,60),col="blue",lwd=2,
N(30,6)")
#También podemos representar la función de
distribución:
curve(pnorm(x,30,6),xlim=c(0,60),col="blue",lwd=2,
xlab="x",ylab="F(x)",main="Función de
Distribución N(30,6)")
Respuesta:
El 68.26% de las bacterias puede durar entre 24 a 36
meses
101. Se sabe que la duración media de los tubos de los receptores de televisión es de 3,0 años,
con una desviación estándar de 1,5 años. Los tubos que duran menos de un año se reemplazarán
sin costo. Por cada 100 receptores vendidos (un tubo por receptor), Cuántos tubos tiene que
reemplazar gratis.
Datos
media= 3
desviación estándar= 1.5
P(X<1)
pnorm(1,3,1.5)

curve(dnorm(x,3,1.5),xlim=c(-5,12),col="blue",lwd=2
N(30,6)")
curve(pnorm(x,3,1.5),xlim=c(-5,12),col="blue",lwd=2,
N(3,1.5)")
Respuesta: Se debe reemplazar gratis 9.12 tubos por cada

100 receptores vendidos.
102. En cierto negocio el salario medio mensual es de

$686.000 y la desviación estándar de $4.500. Si se supone
que los salarios tienen una distribución normal, ¿Qué
porcentaje de obreros perciben salarios entre $680.000 y
$685.000?
Datos
media= $686.000
desviación estándar= $4.500
# P(680.000<X<685.000)
pnorm(685000,686000,4500)-pnorm(680000,686000,4500)
#La representación gráfica de la función de densidad se obtiene
fácilmente como:
curve(dnorm(x,686000,4500),xlim=c(650000,730000),col="blue
",lwd=2,
N(686.000,4.500)")

curve(pnorm(x,686000,4500),xlim=c(650000,730000),col="blue
",lwd=2,
N(686.000,4.500)")
Respuesta: El 32.08% de obreros perciben salarios entre $680.000 y

$685.000.
112. Un conjunto de 10.000 observaciones tiene una distribución normal con media de 450. Si
1.700 de ellas están comprendidas entre 450 y 460 ¿cuál es la desviación?
Datos
n=10000
media=450
(450<=x<=460)=1700
p=1700/10000=0.17
z(p=0.17)=0.44
z=(x-media)/deviación
desviación=(x-media)/z
desviación=(460-450)0.44=22.72
# P(450<X<460)
pnorm(460,450,22.72)-pnorm(450,450,22.72)
#La representación gráfica de la función de densidad se obtiene

fácilmente como:
curve(dnorm(x,450,22.72),xlim=c(350,550),col="blue",lwd=2,
N(450,22.72)")
curve(pnorm(x,450,22.72),xlim=c(350,550),col="blue",lwd=2,
N(450,22.72)")
Respuesta: La desviación es igual a 22.72

113. En una distribución normal que tiene un desviación estándar de 2.00, la probabilidad de
que el valor de una variable, elegida al azar, sea mayor de 28, es 0.03
a) Calcule la media de la distribución
b) Obtenga el valor de la variable que supera el 95% de los valores.
Datos
desviación=2
p=0.03
media=?
Z=(x-media)/desviación
media=x-(Z*desviación)
Z(p=0.03)=0.08
media=28-(0.08*2)
media= 27.84
Respuesta. La media de la distribución es igual a 27.84
p=0.95 q=0.05
Z(q=0.05)=0.13
x=media+Z*desviacion
x=27.84+0.13*2=28.1
x=100-28.1=71.9
La variable que supera el 95% de los valores es igual a 71.9
#P(X>28)
1-pnorm(28,27.84,2)
#La representación gráfica de la función de densidad se obtiene fácilmente como:
curve(dnorm(x,27.84,2),xlim=c(15,40),col="blue",lwd=2,
xlab="x",ylab="f(x)",main="Función de Densidad N(3,1.5)")

curve(pnorm(x,27.84,2),xlim=c(15,40),col="blue",lwd=2,
xlab="x",ylab="F(x)",main="Función de Distribución N(3,1.5)")

4 Luis Inca

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

4 Luis Inca

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD TÉCNICA DE AMBATO

 LUIS ENRIQUE CHICO ANALUISA

Fecha: 11 DE ABRIL DE 2019

Resolver los ejercicios de distribuciones de probabilidad, posteriormente crear un script

VARIABLES DISCRETAS Y CONTINUAS

5. PARA REALIZAR CIERTO ANÁLISIS DE SANGRE, LOS TÉCNICOS DE LABORATO

A. ENUMERE LOS RESULTADOS EXPERIMENTALES CORRESPONDIENTES A ESTE

> p1 <- c(1, 2)#procedimiento 1 (dos pasos)

B. SI LA VARIABLE ALEATORIA QUE INTERESA ES EL NÚMERO DE PASOS REQUE

> v_aleatoria_1 <- c(1+1)#combinación 1

Resultados V.A.D(Finita): {2, 3, 4, 5}

6. A CONTINUACION SE DA UNA SERIE DE EXPERIMENTOS Y SU VARIABLE ALEA

A.HACER UN EXAMEN CON 20 PREGUNTAS NÚMERO DE PREGUNTAS CONT

> preg_correctas <- c("tenemos preguntas_correctas=x (0<=x<=20). v.a.discreta (finita)")

B.OBSERVAR LOS AUTOMOVILES QUE LLEGAN NÚMERO DE AUTOMOVILES

x=número de automóviles que llegan a la caseta

> #E.PESAR UN ENVIO NÚMERO DE LIBRAS.

DISTRIBUCIÓN DISCRETA BINOMIAL

Respuesta. La probabilidad para que en una muestra al azar de 20 votantes, la mayoría

FIG.1 Diagram de probabilidades ejercicio 1 binomial.

> rm(list=ls())#Borra el environment

> ####################EJERCICIO 2//////////////////////////////

> #p(x)=f(x)= (nCx)*(p^x)*((1-p)^(n-x)) FORMULA GENERAL

Respuesta: La probabilidad de que logre 8 centros exactamente es del 1.20%

> #Diagrama Número de Evento

> #Diagrama Acumulado Número de Evento

FIG.4 Diagram de probabilidades acumuladas ejercicio 2 binomial.

Respuesta: La probabilidad de que el numero de caras este entre 5 y 7 es de 56.83%

> plot(x,dbinom(x,n,p),type = "h")

FIG.5 Diagram de probabilidades ejercicio 3 binomial.

> #Diagrama Acumulado Número de Evento

FIG.6 Diagram de probabilidades acumuladas ejercicio 3 binomial.

> rm(list=ls())#Borra el environment

> ####################EJERCICIO 4//////////////////////////////

Respuesta. La probabilidad de contestar correctamente por lo menos 3 de 5 preguntas es del

> plot(x,dbinom(x,n,p),type = "h")

> #Diagrama Acumulado Número de Evento

FIG.8 Diagram de probabilidades acumuladas ejercicio 4 binomial.

> ####################EJERCICIO 5//////////////////////////////

> #a)Cuatro tenga caries?

Respuesta. la probabilidad de que 4 personas tengan caries es del 32.80%

> plot(x,dbinom(x,n,p),type = "h")

FIG.9 Diagram de probabilidades ejercicio 5a binomial.

FIG.10 Diagrama de probabilidades acumuladas ejercicio 5a binomial.

> #b)por lo menos dos tenga caries?

> plot(x,dbinom(x,n,p),type = "h")

FIG.11 Diagram de probabilidades ejercicio 5b binomial.

> #Diagrama Acumulado Número de Evento

FIG.12 Diagrama de probabilidades acumuladas ejercicio 5b binomial.

> #c)Por lo menos dos no tenga caries?

Respuesta. La probabilidad de que por lo menos 2 de 5 no tengan caries es del 8.15%

> plot(x,dbinom(x,n,p),type = "h")

FIG.13 Diagram de probabilidades ejercicio 5c binomial.

FIG.14 Diagrama de probabilidades acumuladas ejercicio 5c binomial.

> rm(list=ls())#Borra el environment

> #d)por lo menos una tenga caries?

> plot(x,dbinom(x,n,p),type = "h")

FIG.16 Diagrama de probabilidades acumuladas ejercicio 5d binomial.

> rm(list=ls())#Borra el environment

> #b) 1 llamada

> #c) 2 llamadas

> #d) 3 llamadas

67. El promedio de atracos en cierta ciudad es de 2 por día. Utilizando la distribución de

> #p(x)=f(x)= (nCx)(p^x)((1-p)^(n-x)) FORMULA GENERAL