UNIVERSIDAD DE INVESTIGACIÓN DE TECNOLOGÍA

EXPERIMENTAL YACHAY TECH

Escuela de Ciencias Matemáticas y Tecnología Informática

Cátedra de Probabilidad y Estadística

Trabajo Práctico

Diana López Ramos

Tercer Semestre

Paralelo D

Cédula: 172168607-7

PhD Ernesto Ponsot

1. Construya, utilizando la regla de Sturges (truncada), una tabla de frecuencias
Partimos de la fórmula de Sturges, que es la siguiente:
n=100

𝑚 = 1 + 3,3 log10 (𝑛)

𝑚 = 1 + 3,3 log10 (100)
𝑚 = 7,60
𝑚 ≈ 7 (𝐶ó𝑑𝑖𝑔𝑜 𝑒𝑛 𝑅, 𝑎𝑛𝑒𝑥𝑜 ú𝑙𝑡𝑖𝑚𝑎 ℎ𝑜𝑗𝑎)

Rango de clase
𝑙í𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟−𝑙í𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟
𝑟𝑚 =
𝑚
1,28−0,23
𝑟𝑚 = 7

𝑟𝑚 =0,15

mi fi Fi fr Fr
[0,23;0,38) 0,305 2 2 0,02 0,02
[0,38;0,53) 0,455 6 8 0,06 0,08
[0,53;0,68) 0,605 18 26 0,18 0,26
[0,68;0,83) 0,755 32 58 0,32 0,58
[0,83;0,98) 0,905 20 78 0,2 0,78
[0,98;1,13) 1,055 17 95 0,17 0,95
[1,13;1,28] 1,205 5 100 0,05 1
100 1
2. Grafique el histograma de frecuencias relativas.

3. Calcule la media (m) y la desviación estándar (s) muestrales.

Media

𝟏
̅ = ∑𝒏𝒊=𝟏 𝒙𝒊
𝒙 𝒏

̅ = 𝟎, 𝟕𝟗𝟖𝟖
𝒙

Varianza
𝟏 𝒏
𝒔𝟐 = ̅ )𝟐
∑ (𝒙𝒊 − 𝒙
𝒏−𝟏 𝒊=𝟏

𝒔𝟐 = 𝟎, 𝟎𝟒𝟏𝟕𝟓𝟐𝟎𝟖𝟏
Desviación Estándar
𝒔 = √𝒔𝟐

𝒔 = 𝟎, 𝟐𝟎𝟒𝟑𝟑𝟑𝟐𝟓𝟗
 Máximo 1,28
Mínimo 0,23
Promedio 0,7988
Varianza 0,041752081
Desviación Estándar 0,204333259

4. Suponga que los datos son una MA observada de una VA X con media m y
desviación estándar s. Encuentre: (Códigos en R, anexos en la hoja final)
a) P (0,5 ≤ X ≤1,0) =

0,5 − 𝑚𝑒𝑑𝑖𝑎 1 − 𝑚𝑒𝑑𝑖𝑎

𝑃( ≤𝑍≤ )
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟/√𝑛 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟/√𝑛

0,5 − 0,7988 1 − 0,7988

= 𝑃( ≤𝑍≤ )
0,020433326 0,020433326

= 𝑃(−14,62317 ≤ 𝑍 ≤ 9,84665)

= 𝑃(𝑍 ≤ 9,85) − 𝑃(𝑍 < −14,6)

= 1 − 𝑃 (𝑍 > 9,85) − 𝑃(𝑍 > 14,6)

= 1−0−0

= 1

Que una persona retire del banco entre 500 y 1000 dólares tiene una probabilidad de 100%.
Esto debido a que los datos no poseen muchos valores mayores a 1 y se usa la media (que
es una medida de tendencia central). Sin embargo, aunque la probabilidad sea de 100% es
posible que no suceda.
b) P (X ≤ 0,8) =

0,8 − 𝑚𝑒𝑑𝑖𝑎
𝑃(𝑍 ≤ )
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟/√𝑛

0,8 − 0,7988
= 𝑃(𝑍 ≤ )
0,020433326
 = 𝑃(𝑍 ≤ 0,058727590)

= 1 − 𝑃(𝑍 ≤ 0,059)

= 1 − 𝑃(𝑍 > 0,06)

= 1 − 0,4761

= 0,5239

c) El valor de k tal que P (X > k) =0,3

𝑘 − 𝑚𝑒𝑑𝑖𝑎
𝑃(𝑍 ≤ )
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟/√𝑛

𝑘 − 0,7988
𝑃 (𝑍 ≤ ) = 0,3
0,020433326

𝑃 (𝑍 > 0,52)

𝑘 = (0,52)(0,020433326) + 0,7988

𝑘 = 0,81
Con una probabilidad del 30%, una persona haría un retiro del banco de 810
dólares.

d) Un intervalo del 95% de confianza para la media poblacional

𝑃 (−𝑍𝛼 ≤ 𝑍 ≤ 𝑍𝛼 ) = 0,95
2 2
𝜶
= 𝟎, 𝟎𝟐𝟓
𝟐
 𝑍𝛼 = 1,96
2

𝜎
𝜇 = 𝑥̅ ± 𝑍𝛼/2 ∗ ( )
√𝑛

0,204333259
𝜇 = 0,7988 ± 1,96 ∗ ( )
√100

𝜇 ∈ (0,758750681, 0,838849319)

5. La agencia bancaria atiende unos 2000 clientes al mes. Como política ha

decidido mantener un inventario de efectivo de 1,4 millones de dólares
mensuales. Considerando que tanto excederse como subestimar esta cantidad
tiene importantes costos, con base en la información que ahora tiene ¿Qué
recomendación le haría a la agencia bancaria?
El intervalo de confianza nos dice que con una probabilidad del 95%, una persona retira
por mes del banco entre 0.758750681 "𝑦" 0.838849319 miles de dólares. El banco necesita
entre 1.5 millones y 1.7 millones de dólares, si atiende mensualmente a 2000 clientes. La
manera más optima de reducir costos, seria que el banco a 1.5 millones de dólares como
mínimo para cubrir la demanda.

ANEXOS CÓDIGOS R
data <- read.table("C:/Users/DIANA/Documents/Probabilidad/DATOS.csv", header=T,
dec=".")
head(data)
attach(data)
m <- trunc(1 + 3.3*log10(100), 0)
m
rango <- range(b)
Tclases <- (rango[2]-rango[1])/m
Tclases cortes <- seq(rango[1], rango[2], by=Tclases)
cortes
b.cut <- cut(b, cortes, include.lowest=TRUE, right=FALSE)
b.cut
b.freq <- table(b.cut)
b.freq <- addmargins(b.freq)
Tfreq <- as.data.frame(cbind(fi=b.freq))
Tfreq <- cbind(Tfreq, fr=Tfreq$fi/Tfreq['Sum','fi'])
Fi <- vector("numeric",m+1)
Fri <- vector("numeric",m+1)
Fi[1] <- Tfreq[1,'fi']
Fri[1] <- Tfreq[1,'fr']
for(i in 2:m) {
Fi[i] <- Tfreq[i,'fi']+Fi[i-1]
Fri[i] <- Tfreq[i,'fr']+Fri[i-1]
}
Fi[m+1] <- NA
Fri[m+1] <- NA
Tfreq <- cbind(Tfreq, Fi=Fi, Fri=Fri)
Tfreq
ggplot(data, aes(b) + ggtitle("Histograma de Frecuencias") + geom_histogram(bins=m)
p <- mean(b)
p
v <- var(b)

v
s <- sd(b)
s
pnorm(1,p,s/10)- pnorm(0.5,p,s/10)
pnorm(0.8,p,s/10)
qnorm(0.3,p,s/10)
t.test(b)