Estadística ll

Trabajo de aplicación nº 2

 Caso de estudio:

Nombre: Maria de los Angeles Balderrama Cuellar

Código: C8278-3

Curso: 3º A

Carrera: Ing. Agroindustrial

Docente: Lic. Marco Antonio Camacho García

Fecha: 12-Octubre-2019

Cochabamba-Bolivia
 Introducción
En el presente informe se pretende demostrar que la estadística se puede emplear en
cualquier caso.

En el siguiente trabajo se mostraran los datos del ranking de la AMC (Asociación de

Motociclismo Cochabamba) en el cual da a conocer las posiciones resultantes de acuerdo a las
fechas de competencia realizadas en el departamento de Cochabamba en el año 2019.

Los siguientes datos son de la CAT: “50 4T”, Promocional Cross y Mx1.Las fechas 1ª,3ª,5º,7º y
8va fecha se corrieron en el circuito de Quintanilla, la 2ª en el circuito de la localidad de San
Isidro, la 4ta en el circuito de Punata y la 5ta fecha se corrió en el circuito de Sacaba.

Categoría: “50 4t”

Nº NOMBRE 1ª 2ª 3º 4ª 5º 6ª 7ª 8ª Total
fecha fecha fecha fecha fecha fecha fecha fecha puntos
1 Nicolás Balderrama 25 25 25 22 25 22 22 22 188
2 Leandro Garnica 22 22 22 1 22 20 25 151
3 Jhoset Hinojosa 18 18 20 16 20 15 20 18 145
4 Daniel Ortuño 22 22 22 22 18 20 22 148
5 Juan P. Mamani 25 22 25 25 25 122
6 Jhoset Vargas 1620 18 18 16 88
7 Jessi Romero 20 18 20 58
8 Miguel.A Flores 25 25 50
9 Aylen Caero 20 25 45
10 Jhonny Cross 20 20 40
11 Sebastian Rocha 20 16 36
12 Alexis Licona 20 16 36
13 Jhonny Romero 15 18 33
14 Nicolás Saavedra 18 18
15 Darlin Céspedes 16 16
En el siguiente grafico podemos observar la proporción de acuerdo a los puntos totales
obtenidos.

R A N K I N G D E PA RTA M E N TA L D E M OTO C I C L IS MO
Nicolás Balderrama
3% 2%1% Leandro Garnica
3% 16%
3% Jhoset Hinojosa
3% Daniel Ortuño
4% Juan P. Mamani
Jhoset Vargas
4% Jessi Romero
13%
Miguel.A Flores
5%
Aylen Caero
Jhonny Cross
8% Sebastian Rocha
12% Alexis Licona
Jhonny Romero
10% Nicolás Saavedra
13% Darlin Céspedes
 Categoría: Promocional Cross
Nº NOMBRE 1RA 2DA 3RA 4TA 5TA 6TA 7MA 8VA TOTAL
FECHA FECHA FECHA FECHA FECHA FECHA FECHA FECHA PUNTOS

1 JAIME OROZCO 25 13 25 25 25 25 25 25 188

2 ANTONIO PAREDES 16 20 18 16 15 15 22 20 142
3 JOSE FUENTES 20 22 15 18 20 10 14 119
4 ANDRES ZURITA 18 15 16 18 12 20 16 115
5 RAFAEL MORAN 22 18 20 22 82
6 MIRKO SUAREZ 11 14 14 13 67
7 GILMAR VASQUEZ 25 22 13 60
8 FAUSTO MONTAÑO 16 22 22 60
9 YAMIL MASIAS 11 13 11 18 53
10 CARLOS ORELLANA 15 10 11 36
11 JHON VILLARROEL 18 18 36
12 JONATHAN TORREZ 14 16 30
13 PEDRO LIZARAZU 9 12 21
14 JONATHAN BALDERRAMA 20 20
15 JIMMY TERAN 16 16
16 CRISTIAN BURGOS 16 16
17 ANDRES ROSAS 13 13
18 RAUL ARAUS 13 13
19 GARY ANTEZANA 12 12
20 JOULBERT COTRINA 11 11
21 JAVIER LLANO 10 10
22 DIEGO VILLARROEL 8 8

R A N K I N G D E M OTO C I C L IS MO D E PA RTA M E N TA L
1%1%1%1%1%
1%1% JAIME OROZCO
1% 17% ANTONIO PAREDES
2%
2% JOSE FUENTES
3% ANDRES ZURITA
RAFAEL MORAN
3% MIRKO SUAREZ
GILMAR VASQUEZ
3% FAUSTO MONTAÑO
YAMIL MASIAS
CARLOS ORELLANA
13% JHON VILLARROEL
5%
JONATHAN TORREZ
PEDRO LIZARAZU
JONATHAN BALDERRAMA
5% JIMMY TERAN
CRISTIAN BURGOS
ANDRES ROSAS
RAUL ARAUS
5% 11% GARY ANTEZANA
JOULBERT COTRINA
JAVIER LLANO
6% DIEGO VILLARROEL
7% 10%
 Categoria: Mx1

Nº NOMBRE 1RA 2DA 3RA 4TA 5TA 6TA 7MA 8VA TOTAL
FECHA FECHA FECHA FECHA FECHA FECHA FECHA FECHA
QUINTA SAN QUINT PUNAT QUINT SACAB QUINT QUINT PUNTOS
ISIDRO A A A A A A
1 CRISTIAN PINTO 22 25 22 25 25 25 144
2 JEFFERSON HERBOSO 20 18 15 18 20 22 22 135
3 JHONATAN HERBOSO 25 20 15 25 25 110
4 JHOMAR MEDRANO 22 18 18 22 80
5 FREDDY HERBOSO 20 18 18 56
6 DANIEL MERIDA 14 16 20 50
7 JAFET ORTIZ 16 18 16 50
8 ALEJANDRO ANTEZANA 18 20 38
9 CARLOS GALLEGUILLOS 15 15 30
10 FRANZ TORRICO 22 22
11 JESUS MERCADO 20 20
12 PAOLO SARMIENTO 16 16
13 RODRIGO LOZADA 15 15
14 EDWIN VALDIVIA 14 14

R A N K I N G D E PA RTA M E N TA L D E M OTO C I C L I S M O
3% 2% 2% 2%
CRISTIAN PINTO
3%
JEFFERSON HERBOSO
19% JHONATAN HERBOSO
4%
JHOMAR MEDRANO
5% FREDDY HERBOSO
DANIEL MERIDA
6%
JAFET ORTIZ
17% ALEJANDRO ANTEZANA
6%
CARLOS GALLEGUILLOS
FRANZ TORRICO
7% JESUS MERCADO
14% PAOLO SARMIENTO
10%
RODRIGO LOZADA
EDWIN VALDIVIA

NOTA: Las celdas vacías nos indican que el piloto abandono o no compitió, por tal motive no
tiene puntos.
 Aplicación
A continuación se analizara el caso de estudio y en base a ello se procederá a resolver
algunos factores estadísticos aplicando las leyes aprendidas en el aula.
De las cuales determinaremos tres variables aleatorias.

PRIMERA VARIABLE
•Dada una población y el experimento aleatorio consistente en seleccionar una
muestra de dicha población, se define la variable aleatoria U (estadístico muestral)
como una aplicación que asigna a cada muestra, m, un resumen estadístico
determinado, U (m). Esta nueva variable aleatoria U tiene una distribución de
probabilidad denominada distribución muestral de U.

Su comportamiento dependerá del que tenga X en la población y del tamaño de las

muestras.
Estaremos interesados en conocer su comportamiento probabilístico, porque esto nos
permitirá hacer inferencias acerca del comportamiento de la población.
A veces nos resultará útil conocer su esperanza matemática y/o su varianza.
Distribuciones muestrales
Sea una población P y X la variable aleatoria observada, cuya distribución es Normal
X → N (µ, σ)
Total muestra

Además, si el tamaño de la muestra es suficientemente grande (n>30), t se distribuye

normalmente, aunque X en la población no sea normal.
 1. ¿Cuál es la probabilidad de que de los 15 pilotos solamente 7 acaben 6
carreras?

n=7 pilotos Condición: Terminen 6 carreras competidas

𝑋1 =7 pilotos que terminen 6 competiciones.

6 (𝑐𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛)
𝑃= = 0.75
8(𝑡𝑜𝑡𝑎𝑙 𝑐𝑎𝑟𝑟𝑒𝑟𝑎𝑠)
p=0.75

q=1-p`
q=1-0.75=0.25
q=0.25

𝑋1 = {0,1,2,3,4,5,6,7}

E (𝑋1 ) = 𝑛 ∗ 𝑝
E (𝑋1 ) = 7 ∗ 0.75

E (𝑋1 ) = 5.25 ≈ 5 𝑝𝑖𝑙𝑜𝑡𝑜𝑠

𝜎(𝑋1 ) = √𝑛 ∗ 𝑝 ∗ 𝑞

𝜎 = √7 ∗ 0.75 ∗ 0.25

𝜎 = 1.14 ≈ 1 𝑝𝑖𝑙𝑜𝑡𝑜

Existe una estimación de 5 pilotos que terminaran las 6 carreras, con la variación
de 1 piloto.
Se estima que de 4 a 6 pilotos culminan satisfactoriamente las 6 competencias
 Intervalo de estimación  [E (𝑋) ± 𝜎(𝑋)]
[5 ± 1 ] = (4; 6)

0 4 5 6 7

P (4≤X≤6) = ∑𝑥=6
𝑥=4 = 0.7958

P (𝑋=0 ) = 7𝐶0 ∗ 0.750 ∗ 0.257 =0.00006 𝑿𝟏 P(𝑿𝟏 )

P (𝑋=1 ) = 7𝐶1 ∗ 0.751 ∗ 0.256 =0.00128 0 0.00006
1 0.00128
P (𝑋=2 ) = 7𝐶2 ∗ 0.752 ∗ 0.255 =0.01153
2 0.01153
3 4
P (𝑋=3 ) = 7𝐶3 ∗ 0.75 ∗ 0.25 =0.0576 3 0.0576
P (𝑋=4 ) = 7𝐶4 ∗ 0.754 ∗ 0.253 =0.1730 4 0.1730
5 0.3114
P (𝑋=5 ) = 7𝐶5 ∗ 0.755 ∗ 0.252 =0.3114
6 0.3114
6 1
P (𝑋=6 ) = 7𝐶6 ∗ 0.75 ∗ 0.25 =0.3114 7 0.1334
P (𝑋=7 ) = 7𝐶7 ∗ 0.757 ∗ 0.250 =0.1334 ∑ 𝑷(𝑿𝟏 ) 1

0,35
0,314 0,3114
0,3

0,25

0,2
0,173

0,15 0,1334

0,1
0,0576
0,05
0,01153
0,0006 0,00128
0
0 1 2 3 4 5 6 7
SEGUNDA VARIABLE

DISTRIBUCION DE BERNULLI

Consiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso
ocurre o no, siendo p la probabilidad de que esto sea así (éxito) y q=1-p el que no lo
sea (fracaso). En realidad no se trata más que de una variable dicotómica, es decir que
únicamente puede tomar dos modalidades, es por ello que el hecho de llamar éxito o
fracaso a los posibles resultados de las pruebas obedece más una tradición literaria o
histórica, en el estudio de las v.a., que a la situación real que pueda derivarse del
resultado. Podríamos por tanto definir este experimento mediante una v.a. discreta X
que toma los valores X=0 si el suceso no ocurre, y X=1 en caso contrario, y que se

denota

En teoría de probabilidad y estadística, la distribución de Bernoulli (o distribución

dicotómica), nombrada así por el matemático suizo Jacob Bernoulli, es una distribución
de probabilidad discreta, que toma valor 1 para la probabilidad de éxito (P) y valor 0
para la probabilidad de fracaso (q=1-p).
Si X es una variable aleatoria que mide el "número de éxitos", y se realiza un único
experimento con dos posibles resultados (éxito o fracaso), se dice que la variable
aleatoria X se distribuye como una Bernoulli de parámetro p.
Su función de probabilidad viene definida por:

La fórmula será:
 2. ¿Cuál es la probabilidad de que en la categoría Mx1 algún piloto o varios NO
abandonen la carrera o no compitan?

Evento éxito=Ningún piloto abandone o no participe en la categoría Mx1.

X=1
Carreras totales: 112
Carreras corridas: 40
Carreras abandonadas o no participadas: 72
Ley de la probabilidad total
P (E) = P (E / 𝐴1 ) P (𝐴1 ) + P (E / 𝐴2 ) P (𝐴2 ) + P (E / 𝐴3 ) P (𝐴3 )+ P (E / 𝐴𝑛 ) P (𝐴𝑛 )
40 6 40 7 40 5 40 4 40 3 40 3 40 3
P (E)= (112 ∗ )+ (112 ∗ )+ (112 ∗ )+ (112 ∗ )+ (112 ∗ )+ (112 ∗ )+ (112 ∗ )+
40 40 40 40 40 40 40
40 2 40 2 40 1 40 1 40 1 40 1 40 1
(112 ∗ )+ (112 ∗ )+ (112 ∗ )+ (112 ∗ )+ (112 ∗ )+ (112 ∗ )+ (112 ∗ )
40 40 40 40 40 40 40

6+7+5+4+9+4+5
P (E)= 11

P (E)= 0.3571

P (E)= 0.3571 * 100

P (E)= 35.71 %
X P(X)
∅ q=0.6429
1 P=0.3571
∑(𝑿) 1
0,7

0,6

0,5

0,4
P(X)
0,3

0,2

0,1

0
0 1

E(X)=p
E(X)=0.3571

𝜎(𝑋) = √𝑝 ∗ 𝑞

𝜎(𝑋) = √0.3571 ∗ 0.6429

𝜎(𝑋) = 0.48 ≈ 0.5

Intervalo de estimación  [E (𝑋) ± 𝜎(𝑋)]

[0.3571 ± 0.48 ] = (0.1129; 0.8371)

∅ 0.1229 0.8371 1

0.1229 ≤ p ≤0.83

Se estima que hay una probabilidad de 0.3571 de que todos los pilotos
compitan sin abandonar pero esto puede variar de acuerdo a un 48%.
TERCERA VARIABLE

DISTRIBUCIÓN HIPERGEOMÉTRICA

Dada la siguiente situación:

 Una población constituida por N individuos en total.

 De los cuales Np individuos son del tipo A , y Nq individuos son del tipo Ã.

De forma que la proporción de individuos A que hay en la población es p, y la

proporción de individuos de tipo à , es q (p+q=1).

 Se realizan n (pruebas) extracciones sin reemplazamiento

De forma que la probabilidad de extraer un individuo A ( Ã) en una de las extracciones

depende de los resultados de las pruebas anteriores.

 Si consideramos la variable aleatoria X = nº de resultados A obtenidos en las n

extracciones, X seguirá una distribución hipergeométrica. X~H(N,n,p)

Puede comprobarse que la función de cuantía es, entonces:

La distribución hipergeométrica es semejante a la binomial, excepto en el hecho de

que las pruebas no mantienen constantes las probabilidades de A y Ã

m = np
distribución es s2 = npq (N-1/ (N-n))

Al término (N-1/ (N-n)) se le llama coeficiente de exhaustividad, o también, factor

corrector de poblaciones finitas:

Puede observarse que este factor es siempre inferior a 1 y que cuando la población es
muy grande (N® ¥) tiende a 1(por tanto si la población es muy grande la media y la
varianza coinciden con las de la D. Binomial).

De hecho, si la población es muy grande (resulta irrelevante la existencia o no de

reposición) la función de cuantía de la Hipergeométrica tiende a la f. de cuantía de la
distribución Binomial y se puede prescindir del hecho de que haya o no
reemplazamiento.
 3. ¿Cuál es la probabilidad de que los pilotos de la categoría promocional,
compitan en el circuito de sacaba y no asistan?

N = 22 pilotos de la categoría promocional

X P(X)
n=10 pilotos que asisten 0 0.000001
X= 12 1 0.00018
2 0.0045
12𝐶0 ∗10 𝐶10
P (𝑋=0 ) = =0.000001 3 0.0408
22𝐶10
4 0.1607
12𝐶1 ∗10 𝐶9
P (𝑋=1 ) = =0.00018 5 0.3086
22𝐶10
6 0.30007
12𝐶2 ∗10 𝐶8
P (𝑋=2 ) = =0.0045 7 0.1469
22𝐶10
8 0.0344
12𝐶3 ∗10 𝐶7
P (𝑋=3 ) = =0.0408 9 0.0034
22𝐶10
10 0.0001
∑(𝑿) 1

12𝐶4 ∗10 𝐶6
P (𝑋=4 ) = =0.1607
22𝐶10

12𝐶5 ∗10 𝐶5
P (𝑋=5 ) = =0.3086
22𝐶10

12𝐶6 ∗10 𝐶4
P (𝑋=6 ) = =0.30007
22𝐶10

12𝐶7 ∗10 𝐶3
P (𝑋=7 ) = =0.1469
22𝐶10

12𝐶8 ∗10 𝐶2
P (𝑋=8 ) = =0.0344
22𝐶10

12𝐶9 ∗10 𝐶1
P (𝑋=9 ) = =0.0034
22𝐶10

12𝐶10 ∗10 𝐶0
P (𝑋=10 ) = =0.0001
22𝐶10

E(X)=n*p
E(X)= X/N
E(X)= 12* 0.5454
E(X)= 5.45≈ 5
 𝑋 𝑋 𝑁−𝑛
𝜎(𝑋) = √𝑛 ∗ ∗1− ∗
𝑁 𝑁 𝑁−1

10 10 22 − 12
𝜎(𝑋) = 12 ∗ ∗1− ∗
22 22 21
𝜎(𝑋) = 1.41 ≈ 1

0,35
0,3086
0,30007
0,3

0,25

0,2
0,1607
0,1469
0,15

0,1

0,05 0,0408 0,0344

0,000001 0,00018 0,0045 0,0043 0,0001

0
0 1 2 3 4 5 6 7 8 9 10

Intervalo de estimación  [E (𝑋) ± 𝜎(𝑋)]

[5.45 ± 1.416] = (4.034; 6.866)

0 4.034 6.866 10

Se estima que 5 pilotos no asistirán pero esto puede variar con 1

piloto.