Estadística Inferencial II Colegio de Bachilleres

COLEGIO DE BACHILLERES
ESTADSTICA DESCRIPTIVA
E INFERENCIAL II
FASCCULO 3.
FUNCIONES DE DISTRIBUCIN
NORMAL ESTNDAR
UNA VISIN ESTTICA
Autores: Emigdio Arroyo Cervantes

Juan Matus Parra
NDICE
INTRODUCCIN
PROPSITO
CUESTIONAMIENTO GUA
7
9
CAPTULO 1. FUNCIONES PROBABILSTICAS

CONTNUAS
1.1 DISTRIBUCIN NORMAL ESTNDAR
11
12
1.1.1 Normalizacin
14
1.1.2 Valores Normalizados Z y rea Bajo la Curva
21
1.1.3 Aproximacin Normal a la Distribucin Binomial
36
1.2 DISTRIBUCIONES MUESTRALES Y TEOREMA

40
DEL LMITE CENTRAL
1.2.1 Distribuciones Muestrales
40
1.2.2 El Teorema Central del Lmite
50
1.2.3 Distribucin T-Student
55
RECAPITULACIN
70
ACTIVIDADES DE CONSOLIDACIN
71
AUTOEVALUACIN
73
APENDICES
79
BIBLIOGRAFA CONSULTADA
92
INTRODUCCIN
En el fascculo anterior estudiaste las distribuciones de probabilidad binomial y de

Poisson. Estas son distribuciones de variable aleatoria discretas, en que cada valor de
las variables se le asigna una probabilidad.
Existen otras distribuciones de probabilidad, las de variables aleatorias continuas cuya
determinacin de la probabilidad difiere de las anteriores toda vez que las observaciones
del experimento generan un espacio muestral infinito y cada intervalo de este tiene un
nmero infinito no numerable de posibles resultados los cuales incluyen valores reales.
De lo anterior podemos concluir que para determinar la probabilidad de una variable
aleatoria continua, se desarrolla un mtodo distinto a los anteriores.
En este fascculo estudiars la distribucin normal como modelo de fenmenos
aleatorios en los que se efectan mediciones continuas y te capacitars en el clculo de
la probabilidad de fenmenos aleatorios de regularidad estadstica, aplicando para ello,
la distribucin normal estndar.
As mismo, estudiars la aplicacin de a distribucin de medias muestrales mediante el
uso del Teorema del Lmite Central para muestras grandes y la distribucin de Student
en muestras pequeas.
PROPSITO
Con este fascculo puedes estudiar las funciones probabilsticas continuas su distribucin
normal estndar, las distribuciones muestrales y teorema central del lmite, as como la
distribucin T de Student.
Estos temas que parecen sin sentido, toman una importancia fundamental cuando
hablamos de investigacin. Para cualquier ciencia o profesin la investigacin juega un
papel preponderante, y para que esta sea aceptada cientficamente es necesario que
cuente con datos fidedignos y sistematizados adecuadamente y esta es la contribucin
de nuestros temas sin sentido! A travs de su estudio puedes aprender a sistematizar
los elementos cuantitativos de cualquier investigacin, y si ests pensando Yo no ser
investigador, ser mdico, o socilogo, o qumico, o pedagogo, o...! Nosotros tendramos
que contestarte que todos, absolutamente todos, en algn momento de su vida
profesional hacen investigacin y entonces requerirs estas herramientas.
Para que puedas ejercitar los contenidos que integran el fascculo, aparecen una serie
de actividades, no dejes de hacerlas!
CUESTIONAMIENTO GUA
Sabemos que las aguas negras de la Ciudad de Mxico se utilizan para el riego de los
campos de cultivo circunvecinos al Valle de Mxico.
Esta agua negras contienen entre otras sustancias, el cloro en cantidades perjudiciales
al sembrado de cereales porque en lugar de beneficiarlo con el riego, lo quema y lo
seca.
Por lo anterior, es necesario darle al agua un tratamiento con el fin de disminuir o
eliminar el contenido de cloro. Para ello el Departamento del D.F. tiene establecido un
laboratorio en los colectores de aguas para determinar el contenido de cloro y dar el
tratamiento correspondiente antes de abrir las compuertas.
Para el anlisis se toma una muestra de 5 lt. De aguas negras diariamente. Los
resultados correspondientes al mes de noviembre de 1993 fueron las que se muestran
en la siguiente tabla. Las cantidades de cloro se registran en partes pro milln (ppm).
16.2 15.4 16.0 16.6 15.9 15.8 16.0 16.8 16.9 16.8
15.7 16.4 15.2 15.8 15.9 16.1 15.6 15.9 15.6 16.0
16.4 15.8 15.7 16.2 15.6 15.9 16.3 16.3 16.0 16.3
Usemos estos datos para realizar un recordatorio de los conceptos estudiados en tu
curso de Estadstica I. Esto nos servir para abordar los nuevos conceptos que
estudiars en este fascculo y para ello realiza el siguiente ejercicio:
1. Ordena los datos en sentido creciente.
2. Determina el rango de variacin de los datos.
3. Elabora una tabla de frecuencia de datos agrupados de 5 clases.
4. Determina la moda, la mediana y la media de la muestra.
5. Determina la desviacin estndar.
6. Traza el histograma.
7. Traza el polgono de frecuencia.
8. Analiza e polgono de frecuencias y determina:
a) De qu tipo es (platicrtica, mesocrtica, etc.)
b) Determina el sesgo.
c) Determina el orden de la media, la moda y la mediana.
9. Analiza la desviacin estndar y determina como es la dispersin de las puntuaciones.
9
10
CAPTULO 1
FUNCIONES PROBABILSTICAS
CONTNUAS
En el siglo XVIII a los jugadores profesionales les interesaba conocer a priori, las
probabilidades de xito en los distintos juegos de azar, para ello acudieron a los
matemticos de la poca en busca de ayuda. Como una respuesta a una necesidad
planteada a los matemticos, en 1973 Abraham DMoavre (1667-1754) es quien obtiene
por primera vez la ecuacin matemtica de la curva normal.
La distribucin normal nos permite el clculo de probabilidades de variables aleatorias
continuas y discretas de cualquier problema de: Ingeniera, Medicina, Ciencias Sociales,
Agricultura, Psicologa, Fsica, Qumica, etc.
Otros grandes matemticos contribuyeron dndole impulso, entre ellos podemos citar a
Friedrich Gauss (1777-1855) quien perfeccion y la utiliz ampliamente en su teora de
errores de las mediciones fsicas. Laplace la us en el clculo de lo errores de las
observaciones astronmicas. El matemtico Ruso P.L. Chebyshev estableci varios
teoremas relacionados con la curva de la distribucin normal.
Los experimentos realizados pro muchos cientficos, permiten determinar que la mayor
parte de las variables aleatorias se pueden estudiar considerando que tiene una funcin
de densidad normal.
11
1.1 DISTRIBUCIN NORMAL ESTNDAR
Retomemos el problema de las aguas negras. Los resultados que debiste obtener son:
R = 1.7
M = 16.05
S = 0.42
M = 16.01
X = 16.08
El histograma y el polgono de frecuencias son los siguientes:
fi
10
15.2 15.37
15.72
16.08
16.42
16.77
Fig. 1
Del polgono de frecuencias podemos ver que la curva es asimtrica; est sesgada a la
izquierda por lo tanto su asimetra es negativa. Por su puntiagudez es del tipo
leptocrtica.
Recordars que los polgonos de frecuencias pueden ser :
1. Simtricos ( Grfica A )
2. Asimtricos ( Grficos B y C )
d) En la asimetra positiva el sesgo es a la derecha (Grfico B)
e) En la asimetra negativa el sesgo es a la izquierda (Grfico C)
12
fi
B
0
Fig. 2
1. Los polgonos simtricos se clasifican en :

a) Platicrtico (Grfica A)
b) Mesocrtico (Grfica B)
c) Leptocrtico (Grfica C)
C
fi
C B A
Fig. 3
De los grficos anteriores podemos concluir que la forma de cada una, est ntimamente
relacionada con las medidas de tendencia central y de dispersin.
En las simtricas, las medidas de tendencia central coinciden en el mismo punto, es
decir = Mo = Md.
13
Las medidas de dispersin son diferentes, de la figura ( 3 ) obtenemos que:

A = B = C
En las asimtricas las medidas de tendencia central son diferentes y lo mismo ocurre con
las de dispersin.
a) Sesgo positivo < Md < Mo
b) Sesgo negativo > Md > Mo
A B C
En cualquier problema de variable aleatoria continua, su polgono de frecuencia es

alguna de las grficas anteriores y stas dependen de sus parmetros de tendencia
central y de dispersin.
La grfica que tiene forma de campana, su media = 0 y = 1, se llama curva normal
estndar o campana de Gauss pro haber sido el primer cientfico que us esta
representacin.
Las curvas simtricas tienen la forma de campana y las asimtricas no tienen esa forma
pero pueden transformarse a simtricas.
El procedimiento para transformar las curvas asimtricas en simtricas, es mediante una
normalizacin de los datos del problema y que estudiaremos a continuacin.
1.1.1.
Normalizacin
El proceso de transformacin de un polgono de frecuencias a una curva normal, se

llama normalizacin y para ello se hace un cambio de escala mediante la normalizacin
o tipificacin de las puntuaciones, es decir, los valores ( x ) se transforman en valores Z
mediante la ecuacin de transformacin.
Z=
Xi
... (1)
Z = Puntuacin normalizada o tipificada

Xi = Cada una de las puntuaciones de la poblacin
= Media de las puntuaciones de la poblacin
= Desviacin estndar de la poblacin
14
Veamos el siguiente ejemplo:

Se desea conocer el peso promedio de los alumnos del turno vespertino del plantel 2 del
Colegio de Bachilleres. Para ello se toma una muestra representativa de 150 alumnos y
se pesan. Los pesos ya organizados en 13 clases, se muestran en la siguiente tabla de
frecuencias:
Clases en kg.
fi
30 34 35 39
1
5
40 44
8
45 49 50 54
8
10
55 59
18
65 69
36
75 79
12
80 84 85 89
8
3
90 94
1
70 - 74
28
ACTIVIDAD DE REGULACIN
Con estos datos anteriores, calcula:

c) La media, y
d) La desviacin estndar.
e) Traza el polgono de frecuencias.
15
60 64
12
Los resultados que debiste obtener son:
N = 150
X = 63.9
S = 12.2
POLGONO DE FRECUENCIAS
fi
40
30
20
10
Fig. 4
27 32
42
52
62
72
82
92 97 102
De esta grfica podemos concluir que es asimtrica con sesgo negativo y del tipo
leptocrtica.
Ahora vamos a normalizar estos datos y trazar la curva normal estndar sobre este
polgono de frecuencias para poder constatar el cambio de escala.
16
Para explicar el procedimiento vamos a construir la siguiente tabla:
Normalizacin de una Distribucin Asimtrica

1
CLASE
2
fi
3
Lr
SUP
9094
8589
8084
7579
7074
6569
6064
5559
5054
4549
4044
3539
3034
1
3
8
12
28
36
12
18
10
8
8
5
1
94.5
89.5
84.5
79.5
74.5
69.5
64.5
59.5
54.5
49.5
44.5
39.5
34.5
4
5
x=xix Z = x/
30.6
25.6
20.6
15.6
10.6
5.6
0.6
4.4
9.4
14.4
19.4
24.4
29.4
2.51
2.10
1.69
1.28
0.87
0.46
0.05
0.36
0.77
1.18
1.59
2.00
2.41
6
PARTE
MAYOR
7
PARTE
MENOR
8
fe
9
fe
redondeada
0.9940
0.9821
0.9545
0.8997
0.8078
0.6772
0.5199
0.3594
0.2206
0.1190
0.0599
0.0228
0.0080
0.0119
0.0276
0.0548
0.0919
0.1306
0.1573
0.1605
0.1388
0.1016
0.0631
0.8331
0.0148
0.0080
1.785
4.140
8.220
13.875
19.590
23.595
24.075
20.820
15.240
9.465
4.965
2.220
1.200
1.8
4.1
8.2
13.9
19.6
23.6
24.1
20.8
15.2
9.5
5.0
2.2
1.2
Las columnas 1 y 2 corresponden a la clase y la frecuencia establecidas en la primera

tabla.
La columna 3 corresponde al lmite real superior de cada clase el cual se determina

aumentando medio punto a cada valor del lmite superior.
La columna 4 es igual a la desviacin de cada puntuacin con respecto a la media y se

obtiene mediante la ecuacin:
x = xi x
... (1)
Se toma como xi, al lmite real superior de cada clase.
17
La columna 5 es el valor de Z correspondiente a cada puntuacin y se obtiene mediante

la ecuacin de normalizacin o tipificacin, esto es:
Z =
x
xi x
=
... (2)
La columna 6 se determina de los valores de la tabla del apndice ( A ) reas y

x
que posteriormente
ordenadas de la curva de distribucin normal en funcin de
ejemplificaremos.
En la primera columna de esta se localiza el valores de z, en la tercera columna se lee el

valor del rea bajo la curva normal de la parte mayor.
En la cuarta columna se lee el rea bajo la curva normal de la parte menor y se registra
en la columna siete de nuestra tabla.
EJEMPLO:
Para z = 2.51 el rea de la parte mayor que se lee en la tercera columna es 0.9940.
Para z = 2.41 en la cuarta columna se lee el rea de la parte menor correspondiente a
0.0080.
La columna ocho de nuestra tabla corresponde a la frecuencia esperada (fe) y se calcula
multiplicando el total de casos N =150 por el rea de la parte menor (columna 7) de cada
puntuacin.
Ejemplo:
(0.0119) (150) = 1.785
La columna nueve es la frecuencia esperada (fe) redondeada a una cifra decimal.
Con estos valores de la tabla trazamos el polgono de frecuencias y la curva normalizada

para ver el cambio que sufre el polgono de frecuencias de cualquier problema que se
normalizan los datos:
18
fi
A
30
B
20
10
S
0
27
27.3
32
37
42
47
39.5
52
57
51.7
62
67 72
S=63.9
77
76.1
82 87 92
88.3
97
100.3
Fig. 5
A = Polgono de frecuencia de los pesos de 150 alumnos del plantel 2 del turno
vespertino del Colegio de Bachilleres.
B = Curva normal del mismo problema.
En la escala Z de la figura 5, se determinan los valores de la desviacin tpica ( s ), a
uno y otro lado de la media ( x ).
Del ejemplo anterior habrs notado que normalizar los datos de un problema es
equivalente a cambiar la escala x por la z y calcular las nuevas frecuencias que son
las ordenadas de cada punto. Para ello usamos los valores de la tabla. Estos valores
corresponden a las reas bajo la curva normal y se han calculado mediante la ecuacin
que define a la funcin normal y sta es:
y = f (x) =
1
2
( x ) 2
2
...(3)
19
D = 3.1416....
= media proporcional
e = 2.718281...
= desviacin estndar de la poblacin
x = cada uno de los datos u observaciones.
Con la ecuacin ( 3 ) podemos trazar la curva normal que tiene la forma de campana.
Primero obtenemos y de los datos del problema y sustituimos en la frmula ( 3 ).
Para obtener un par ordenado, usamos un valores arbitrario de x obtenemos un valor
de y. Esta sucesin de puntos nos da la curva normal.
La Curva Normal Estndar

La curva normal estndar o campana de Gauss es la misma curva normalizada
solamente que mediante una traslacin se lleva la curva hasta el origen . En este caso
usamos = 0 y = 1.
La siguiente grfica muestra la curva normalizada con = 30 y = 10
A
-30
-20
-10
10
-3
-2
=0
20
30
40
50
60
Fig. 6
A = Curva normalizada
B = Curva normalizada y estandarizada
Al trasladar la grfica anterior al origen, hemos transformado los parmetros y en :
=0
=1
Con estos valores reducidos, la curva normal estndar se obtiene mediante la grfica de
la funcin:
y = f (x) =
1
2
...(4)
20
Y la ecuacin de tipificacin es la ya conocida:

x=+Z
Z=
...(1)
Con los datos del problema de las aguas negras, elabora la tabla con los datos
normalizados y traza la curva normal sobre el polgono de frecuencias que ya obtuviste
antes.
1.1.2
VALORES NORMALIZADOS Z Y REA BAJO LA CURVA NORMAL
Ya qued establecido que para normalizar el polgono de frecuencias y transformarlo en

una campana de Gauss, se tipifican las observaciones ( xi ) del problema cambindolos
a una escala (Z) mediante la ecuacin ( 1 ).
Esta curva normal es necesaria estandarizarla para poder calcular la probabilidad
mediante una misma tabla ya elaborada para toda curva normal estandarizada, que se
obtiene trasladando la media al origen como ya se indic.
La curva normal estandarizada tiene las siguientes caractersticas:
a) La altura alcanza su valor mximo como = 0 y su valor es 0.4, es decir; el punto
mximo es Pm(0,0.4)
b) La curva normal estndar es simtrica con respecto a la media por lo tanto los
parmetros de tendencia central son iguales, es decir:
= Mo = Md = 0
...(5)
21
c) La desviacin estndar es = 1
d) El rea bajo la curva es
A=1
Z
=0
Fig. 7
El rea sombreada vale 1 y como la curva es simtrica cada regin a los lados del eje y
vale 0.5.
e) El eje Z es una asntota horizontal de la curva ya que lim (z) = 0
z
f) El rea ms importante donde se distribuye la probabilidad de un suceso, se encuentra
comprendida entre + 3 y esto lo puedes constatar en la siguiente grfica de la Fig. 8.
g) De acuerdo con el teorema de Chebishev relacionado con la desviacin estndar y el
rea bajo la curva, podemos establecer los siguientes porcentajes de la misma:
99%
95%
68%
-3
-2
=0
Fig. 8
De esta grfica podemos ver que el rea antes y despus de + 3 corresponde al 1%, es
decir el 0.5% para cada lado de la grfica.
22
Por la simetra que tiene la curva normal estndar, existen tablas correspondientes al
rea bajo al curva que nicamente contemplan la parte positiva de la grfica y estos
mismos valores se usan para el lado negativo.
Ejemplo: Con los siguientes valores de Z determinaremos el valor de rea bajo la curva
y trazaremos un esquema del rea correspondiente:
Z = + 0.5, + 0.7, + 1.5
En la primera columna de la tabla localizamos el valor de Z = 0.5 y en la segunda
columna leemos el valor del rea.
Z = 0.5 ; A = 0. 1915
Z
= 0 Z = 0.5
Z = -0.5 , A = 0.1915
Z
Z =-0.5 = 0
Z = 0.7
; A = 0.2580
Z
=0
Z = 0.7
23
Z = -0.7
A = 0.2580
Z
Z =-0.7
Z = 1.5
=0
A = 0.4332
Z
=0
Z = -1.5
Z = 1.5
; A = 0.4332
Z
Z =-1.5
=0
De las grficas anteriores podemos ver, que el valor del rea es el mismo para valores
positivos y negativos de Z solamente que para el valor negativo, el rea se representa a
la izquierda de la media.
24
Normaliza los valores de X = 4, 6, 9,12,18,20, usando = 10 y = 5. traza una grfica

para cada valores de x, comprala con la grfica de los valores normalizados y traza una
para cada Z sombreando en ambas grficas la regin correspondiente.
El rea bajo la curva normal estndar representa la probabilidad de un evento; toda el
rea bajo la curva vale uno y representa la probabilidad del evento seguro.
El rea de cada mitad de la grfica, es 0.5
=0
=0
P(Z) = 0.5
P(Z) = 0.5
Si queremos la probabilidad de un evento cuyo valor est limitado por dos puntuaciones,
por ejemplo:
P ( x, X x2 )
Probabilidad de x comprendida entre x1 y x2.
Para determinar esta probabilidad, tipificamos los valores x.
Sabemos que la curva normalizada de la escala x es equivalente a la curva normall
estndar en la escala Z.
P ( x1 x x2) = P ( Z1 Z Z2 )
Determinamos
Z1
Z2
X1
X2
P ( Z ) = P ( Z1 ) + P ( Z2 )
25
Las grficas correspondientes en ambas escalas son:
Si las x estn en el lado positivo entonces, debemos recordar que los valores que se
leen en la tabla normalizada son a partir de la media hasta el valor de Z.
Las grficas de las variables x y z son las que se muestran a continuacin:
P ( Z ) = P ( Z2 ) P ( Z1 )
26
Si los valores de x estn en la parte negativa de z es decir a la izquierda de la media,

entonces los grficos son:
P ( Z ) = P ( Z2 ) P ( Z1 )
X2 X1
Z2 Z1
Si solamente tenemos una X a la derecha de la media entonces el rea bajo la curva

es:
P ( Z ) = 0.5 + P ( Z1 )
X1
27
=0
Z1
Recuerda que la primera mitad del rea bajo la curva vale 0.5, es por eso que a la
probabilidad de Z, le sumamos 0.5.
X1
=0
Z1
Si nos interesa la probabilidad de x<, entonces la grfica es:
P (Z) = 0.5 P (Z1)
P(X1)
X1
P(Z1)
Z1
28
Si queremos la probabilidad de las partes sombreadas de las siguientes grficas:

P ( Z ) = [ 0.5 P ( Z1) ] + [ 0.5 P ( Z2 )]
P(X1)
X1
P(X2)
P(Z2)
P(Z1)
X2
Z1
=0
Z2
Recuerda que la probabilidad de Z , es la parte sin sombrear de la media a la izquierda

hasta Z, y la probabilidad de Z2, es la parte sin sombrear de la media a la derecha
hasta Z2.
Con los siguientes valores determina la probabilidad y traza la grfica correspondiente

para cada inciso.
1. a)
b)
c)
d)
e)
f)
Z = 0 y Z = 0.94
Z = 0 y Z = -2.15
A la derecha de Z = 0.62
A la derecha de Z = - 0.93
A la izquierda de Z = 0.84
A la izquierda de Z = -0.35
2. a)
b)
c)
d)
e)
Z = - 0.59
Z = -0.71
Z = 0.32
Z = -0.81
Z = -1.65
y Z = 0.59
y Z = 1.99
y Z = 0.92
y Z = -0.42
y Z = -0.25
29
Si se conoce la probabilidad de un evento y queremos determinar el valor de Z, entonces

nos situamos en la segunda columna de la tabla ( rea desde la media), localizamos el
valores de la probabilidad y en el mismo rengln y en la misma columna 1 determinamos
el valores deZ.
Ejemplo: Si P ( Z ) = 0.4429 entonces el valore de Z es?
De la tabla obtenemos que Z = 1.58
=0
Determina Z si P ( Z ) = .7580. Este valor es mayor que 0.5 correspondiente a la mitad

de la grfica por lo tanto hacemos la siguiente transformacin:
P ( Z) = 0.5 + P ( Z )
P (Z1 ) = P ( Z ) 0.5 = 0.7589 0.5 = 0.2589

P ( Z1 ) = 0.2589
=0
Z1
En la tabla nos situamos en este valor y en la columna 1 est el valor de Z = 0.70

Si la probabilidad de z a la izquierda de la media es P ( Z ) = 0.1331, entonces Z es?
30
En la segunda columna de la tabla localizamos el valor de la probabilidad y en la misma

lnea en la primera columna determinamos el valor de Z = -0.34. El valor del signo es
por estar a la izquierda de la media
-Z
=0
1. Determina el valor de Z y traza la grfica de cada inciso, si la probabilidad de z

es:
a)
b)
c)
d)
e)
f)
Entre 0 y Z, P ( Z ) = 0.4864
A la izquierda de Z, P ( Z ) = 0.9983
A la derecha de Z, P ( Z ) = 0.7324
A la derecha de Z, P ( Z ) = 0.2981
A la izquierda de Z, P ( Z ) = 0.1314
Entre Z y Z, P ( Z ) = 0.7286
2. Una variable aleatoria tiene una distribucin normal con media = 60 y

desviacin estndar = 5.2 Cules son las probabilidades de que la variable
aleatoria tome un valor como el que se indica? Traza la grfica de cada inciso.
a)
b)
c)
d)
Menor que 62.5

Mayor que 70.5
Entre 60.0 y 66.2
Entre 48 y 72
Si tienes alguna duda consulta a tu profesor o a tu consultor.
31
EJEMPLO:
Con los siguientes valores, calcula la probabilidad de la distribucin binomial y traza e
polgono de frecuencia de cada una.
1) n = 10, p = 0.2, q = 0.8, x = 0, 1, 2, . . . 10
2) n = 10, p = 0.8, q = 0.2, x = 0, 1, 2, . . . 10
3) n = 10, p = 0.5, q = 0.5, x = 0, 1, 2, . . . 10
Para el problema 1 sustituimos valores en ( 6 ) y obtenemos:
10
0
10
F( 0 ) = ( 0 ) ( 0.2 ) ( 0.8 ) = ( 1 ) ( 1 ) ( 0.1073 ) = 0.1073
10
1
9
F( 1 ) = ( 1 ) ( 0.2 ) ( 0.8 ) = ( 10 ) ( 0.2 ) ( 0.1342 ) = 0.2684
10
2
8
F( 2 ) = ( 2 ) ( 0.2 ) ( 0.8 ) = ( 45 ) ( 0.04 ) ( 0.1677 ) = 0.3019
10
3
7
F( 3 ) = ( 3 ) ( 0.2 ) ( 0.8 ) = ( 120 ) ( 0.0008 ) ( 0.2097 ) = 0.2013
10
4
6
F( 4 ) = ( 4 ) ( 0.2 ) ( 0.8 ) = ( 210 ) ( 0.0016 ) ( 0.2621 ) = 0.0881
10
5
5
F( 5 ) = ( 5 ) ( 0.2 ) ( 0.8 ) = ( 252 ) ( 0.00032 ) ( 0.3276 ) = 0.0264
Calcula los siguientes valores:
F( 6 ) =
F( 7 ) =
F( 8 ) =
F( 9 ) =
F( 10 ) =
32
Clculo del segundo problema:

10
0
10
F( 0 ) = ( 0 ) ( 0.8 ) ( 0.2 ) = ( 1 ) ( 1 ) ( 0.000000102 ) = 0.0000001
10
1
9
F( 1 ) = ( 1 ) ( 0.8 ) ( 0.2 )= ( 10 ) ( 0.8 ) ( 0.000000512 ) = 0.0000009
10
2
8
F( 2 ) = ( 2 ) ( 0.8 ) ( 0.2 ) = ( 45 ) ( 0.64 ) ( 0.000002 ) = 0.0000737
10
3
7
F( 3 ) = ( 3 ) ( 0.8 ) ( 0.2 ) = ( 120 ) ( 0.512 ) ( 0.000012 ) = 0.0008
10
4
6
F( 4 ) = ( 4 ) ( 0.8 ) ( 0.2 ) = ( 210 ) ( 0.4096 ) ( 0.000064 ) = 0.0055
10
5
5
F( 5 ) = ( 5 ) ( 0.8 ) ( 0.2 ) = ( 252 ) ( 0.3276 ) ( 0.00032 ) = 0.02642
Calcula los siguientes valores:

F( 6 ) =
F( 7 ) =
F( 8 ) =
F( 9 ) =
F( 10 ) =
Clculo para el tercer problema:
10
0
10
f( 0 ) = ( 0 ) ( 0.5 ) ( 0.5 ) = ( 1 ) ( 1 ) ( 0.00097 ) = 0.0009
10
1
9
f( 1 ) = ( 1 ) ( 0.5 ) ( 0.5 )= ( 10 ) ( 0.5 ) ( 0.00195 ) = 0.009
10
2
8
f( 2 ) = ( 2 ) ( 0.5 ) ( 0.5 ) = ( 45 ) ( 0.25 ) ( 0.0039 ) = 0.039
10
3
7
f( 3 ) = ( 3 ) ( 0.5 ) ( 0.5 ) = ( 120 ) ( 0.125 ) ( 0.00781 ) = 0.1172
33
10
4
6
f( 4 ) = ( 4 ) ( 0.5 ) ( 0.5 ) = ( 210 ) ( 0.0625 ) ( 0.0156 ) = 0.2051
10
5
5
f( 5 ) = ( 5 ) ( 0.5 ) ( 0.5 ) = ( 252 ) ( 0.03125 ) ( 0.03125 ) = 0.2461
f( 6 ) =
f( 7 ) =
f( 8 ) =
f( 9 ) =
f( 10 ) =
Representacin grfica de las probabilidades de cada uno de los problemas:

Para poder trazar la grfica como si fuese una variable continua, cerramos los espacios
entre cada barra del histograma, para ello tomemos medio punto despus de cada valor
para obtener el lmite real superior de clase.
p<q
Grfica del problema 1.
La grfica 1 es asimtrica y sesgada a la derecha-
34
p>q
La grfica 2 es antisimtrica y sesgada a la izquierda.
La grfica 3 es simtrica muy parecida a la campana de Gauss.
35
1.1.3
APROXIMACIN NORMAL A LA DISTRIBUCIN BINOMIAL
En el fascculo anterior estudiaste el clculo de probabilidades de variables discretas

cuya distribucin es binomial.
Veamos la representacin grfica de una variable de distribucin binomial cuando
n ( nmero de elementos de la poblacin ) aumenta.
n= 5
n = 11
n = 15
n = 50
En las grficas anteriores podemos ver si n aumenta, los espacios entre las barras se
van cerrando y la grfica se aproxima a la campana de Gauss que es la grfica de una
variable aleatoria continua.
Veamos el clculo de los siguientes problemas correspondientes a una dis tribucin
binomial definida por la ecuacin:
n
f ( x) = p x (1 p) n x
x
n = Nmero de observaciones
x = Nmero de xitos esperados
p = Probabilidad de xito
q = 1-p = Probabilidad de fracaso
Con estos ejemplos podrs notar que el clculo en la distribucin binomial, es muy
laborioso, aunque existen tablas para algunos valores; pero no son suficientes cuando
n crece.
Por ejemplo si en un problema de distribucin binomial se han realizado 100
observaciones y se desea saber la probabilidad de obtener al menos 45 xitos.
36
Para determinar esta probabilidad tenemos que calcular

f ( 45 ) + f ( 46 ) + f ( 100 ) = P( x )
...(7)
Otra forma de calcular esta Probabilidad es restndole a la unidad las probabilidades de

la siguiente forma:
P (x ) = 1 [ f ( 0 ) + f ( 1 ) + f ( 2 ) + . . . + f ( 44 ) ]
...(8)
Una forma de ahorrar este trabajo laborioso es haciendo el clculo de probabilidades por
medio de la distribucin normal.
Ya vimos en las grficas anteriores cmo el polgono de frecuencias de un problema de
distribucin binomial se aproxima a la campana de Gauss, por lo tanto podemos usar la
distribucin normal para calcular una probabilidad binomial con una aproximacin
aceptable.
Se recomienda usar la distribucin cuando n es grande y P se aproxima al valor de 0.5.
se considera que n es grande si n>30
Para usar la distribucin normal se calculan los parmetros aplicando las siguientes
ecuaciones:
= np
...(9)
= np(1 p)
. . . ( 10 )

Determinar la probabilidad de obtener 6 guilas en 15 lanzamientos de una moneda
equilibrada y comparar el resultado mediante la distribucin normal.
Solucin:
15 1
15 1
1
f (x ) = f ( 6 ) = ( )6 (1 )156 = ( )15 = 5005(0.0000305) = 0.1527
2
2
6
6 2

f ( x ) = 0.1527
Solucin usando la distribucin normal.

Para aplicar esta distribucin corregimos los espacios para considerar a la variable como
si fuese continua o sea para 6 guilas tomamos medio punto antes y medio punto
despus, es decir:
37
1
) = 7.2
2
x = 5.5
= np = 15 (
x = 6.5
1 1
1
= np(1 p) = (15)( )( ) =
15 = 1.9365
2 2
2
Z1 =
2
5.5 7.5
=
= 1.033
1.9365
1.9365
Z2 =
1
6.5 7.5
=
= 0.5164
1.9365
1.9365
P(z) = P(Z2)-P(Z1) =
=P(-1.033)-P(-0.5164)
=0.3485-0.1950=0.1535
P(Z)-f(x)=0.1535-0.1527
=0.0008
-Z2
-Z1 =0
De estos calculus concluimos que la diferencia de la probabilidad normal y binomial es

de 8 diezmilsimos. Este ejemplo nos ilustra que podemos usar la distribucin normal
para calcular la probabilidad de una distribucin binomial, con una aproximacin tal que
no afecta la toma de decisiones.
Veamos otro ejemplo:
Una editorial de libros tcnicos obsequia un porcentaje de libros para dar a conocer una
nueva edicin. Con el libro de obsequio se enva un cuestionario que deben contestar los
lectores y devolver a la editorial. En el cuestionario se incluyen preguntas con respecto
de las personas para mejorar su contenido y preparar nuevos tirajes; pero la experiencia
de sta es que la probabilidad de que devuelvan el cuestionario es de P ( x ) = 0.18.
Se envan por correo 100 ejemplares a profesionistas que pudiesen interesarles el
contenido, del libro Aplicacin industrial de la probabilidad. A la editorial le interesa
saber la probabilidad que al menos reciban 15 cuestionarios de regreso.
Solucin: El problema es de recibir o no el cuestionario, por lo tanto es una distribucin
binomial con n = 100 y P = 0.18 por lo que para hallar el resultado debemos calcular:
P ( x ) = f ( 15 ) + f ( 16 ) + . . . + f ( 100 )
. . . ( 11 )
O bien
38
P ( x ) = 1-[f ( 0 ) + f ( 1 ) + . . . + f ( 14 )]
. . . ( 12 )
El Segundo clculo es menos laborioso, sin embargo no deja de serlo. Sabemos que una
buena aproximacin es mediante la distribucin normal cuyo clculo es ms sencillo.
Veamos el desarrollo:
= np = 100 ( .18 ) = 18
=
np(1 p) = 100(.18)(.82 ) = 3.84
Para transformar la variable binomial a continua tomamos el lmite real inferior de clase
14.5 18
X = 14.5 o sea medio punto antes. Con este valor calculamos Z1
= 0.9114
3.84
P(Z) = P (Z1) + 0.5
. . . ( 13 )
De las tablas obtenemos:
P (Z1) = P (-0.9114) = 0.3186
Sustituyendo este valor en ( 13 )
Obtenemos: f(x) = P(Z) = 0.3186+0.5
f(x) = 0.8186
-Z1
=0
De acuerdo con este resultado la editorial recibir el 82% de los cuestionarios enviados.
EJERCICIO:
1. Aplica la distribucin binomial y determina la probabilidad de recibir al menos 15
cuestionarios. Compara los resultados e indica el error de aproximacin, si es
positivo o negativo.
EJERCICIO:
1. Realiza los siguientes problemas aplicando la distribucin binomial y compara el
resultado usando la distribucin normal.
2. La polica tiene conocimiento que la probabilidad del robo de automviles en la
ciudad de Mxico es de P( x ) = 0.4 y tiene reportados 10 automviles robados
en el mes de diciembre. Calcular la probabilidad de recuperar:
a) A lo ms 3 de los 10 robados
b) Al menos 6 de los 10 robados
3. En el plantel 11 del Colegio de Bachilleres se tiene el conocimiento de que la

39
probabilidad de mujeres en el primer ingreso es de 0.45. Si seleccionamos una

muestra al azar de 10 alumnos de primer ingreso, Cul es la probabilidad de
que :
a) Seis de los 10 sean mujeres
b) A lo mas 6 de los 10 sean mujeres
c) Al menos 5 de los 10 sean mujeres
1.2
DISTRIBUCIONES MUESTRALES Y TEOREMA CENTRAL DEL

LMITE
En el fascculo ( 1 ) del curso de estadstica descriptiva se definieron los conceptos:

3) Estadstica
4) Parmetros
1) Poblacin
a) finita e
b) infinita
2) Muestra aleatoria
Tambin se estableci por qu es conveniente estudiar una muestra aleatoria en lugar

de la poblacin.
Se recomienda que repases estos conceptos que usaremos en esta unidad.
1.2.1 DISTRIBUCIONES MUESTRALES
Cuando vamos al mercado nos dan una prueba de barbacoa y del sabor de esta muestra
se infiere el sabor de toda y si nos gusta entonces la compramos. Lo mismo ocurre si
queremos comprar queso, pedimos una prueba y de esta deducimos si todo el queso
est bueno o no.
Si el industrial quiere determinar el nmero de horas de vida que tiene un foco, toma una
muestra de todo el lote y los mantiene encendidos hasta que se funden.
De estos casos podemos deducir que no es posible analizar todo el queso o la barbacoa
porque no quedara para vender. El industrial no puede fundir todos los focos porque no
tendra qu vender.
En toda investigacin estadstica el objetivo general de esta, es hacer generalizaciones
de inferencias vlidas obtenidas de la muestra. En otras palabras, se trata de conocer las
caractersticas de la poblacin a partir de los datos de una o mas muestras obtenidas de
la poblacin.
Las muestras pueden ser:
a) Las muestras no probabilsticas no nos permiten hacer generalizaciones.
b) Las muestras probabilsticas son la base de la inferencia estadstica y a
este tipo corresponde el muestreo aleatorio.
40
DEFINICIN:
Se llama muestreo aleatorio de una poblacin finita de n elementos, si cada muestra
tiene la misma probabilidad de ser seleccionada y cada elemento de la poblacin tiene la
misma probabilidad de ser incluido en la muestra.
Los tipos de muestras aleatorias son:
1.
2.
3.
4.
Muestreo sistemtico.
Muestreo estratificado.
Muestreo por conglomerados.
Muestreo aleatorio simple.
En lo que sigue nos ocuparemos de cada uno de ellos.

Muestreo Sistemtico
En este muestreo los elementos de la poblacin se seleccionan con un intervalo
uniforma que se mide en el tiempo, en el espacio o en el orden.
Ejemplo:
Se desea entrevistar a cada dcimo estudiante del S.E.A. del Plantel 2 del Colegio de
Bachilleres, para ello se toma una lista de todos los estudiantes. Supongamos que
escogimos el 5., entonces el siguiente ser de los 10 primeros seleccionados al azar y a
partir de este vamos tomando los nmeros dcimos de toda la lista.
Este muestreo tiene ventajas y desventajas.
a) Ventajas:
1.
Cada elemento de la poblacin tiene la misma probabilidad de ser seleccionado.
2. El muestreo requiere de poco tiempo.

3. El costo es reducido.
b) Desventajas:
1. No todas las muestras tienen la misma probabilidad de ser seleccionadas.
2. Debido a lo anterior se puede cometer el grave error de tomar una muestra que
no sea representativa, por ejemplo:
Se muestrea un determinado nmero de familias para saber si el mircoles est
incluido un platillo de carne de res en su alimentacin. La respuesta es negativa
porque solamente el domingo la consume ya que es el da en que van al pueblo
a comprarla. Esta forma de tomar la muestra no es representativa.
41
Muestreo estratificado
Para este muestreo, dividimos la poblacin en grupos homogneos llamados
estratificados. Determinamos la proporcin correspondiente de cada estrato en
base a la poblacin y esta misma proporcin se toma cada estrato para formar la
muestra.
Este mtodo es til cuando la poblacin ya esta dividida en grupos.
Por ejemplo:
Los estudiantes del S.E.A. del plantel 2 del Colegio de Bachilleres estn
divididos por edades con intervalos de 5 aos y los porcentajes son los
siguientes:
de 18 a 23
de 24 a 29
de 30 a 35
de 36 a 41
de 42 a 47
de 48 a 53
de 54 y mas
30%
25%
20%
10%
7%
5%
3%
Se desea saber cuantas horas estudian diariamente; para ello de cada grupo se
toma un porcentaje igual al del grupo, es decir del primer grupo tomamos el 30%
del grupo. De la misma forma se toma el porcentaje de los siguientes grupos
para formar la muestra representativa para su estudio.
Muestreo con Conglomerados
Para este tipo de muestreo, dividimos a la poblacin en grupos conglomerados y
de estos seleccionamos una muestra aleatoria, para su estudio.
Por ejemplo:
En una investigacin de mercados se desea saber el nmero de coches por
familia de la ciudad de Mxico. Para ello dividimos las colonias en manzanas y
de este nmero seleccionamos aleatoriamente un nmero de manzanas para
entrevistar a cada familia.
Muestreo Aleatorio Simple
El muestreo aleatorio simple tiene las caractersticas establecidas en la
definicin dada en la pgina 30. Es el muestreo ms recomendable para el
estudio estadstico, solamente que tiene sus inconvenientes.
42
Para poder hacer el

siguientes preguntas:
muestreo aleatorio simple debemos
contestarnos las
1. Dada una poblacin finita de N elementos, Cuntas muestras de n

elementos podemos formar?
2. Conociendo las n muestras Cmo podemos tomar una de ellas que sea
representativa de la poblacin?
Para dar respuesta a la primera pregunta, nos trasladamos al fascculo donde estudiaste
el anlisis y aplicamos la ecuacin:
N
N!
C =
n
!
(
N
n)!
n

. . .(14)
EJEMPLO:
Determina Cuntas muestras de tamao n se pueden formar de una poblacin finita N
para los siguientes datos?
a) n = 2 y N = 20
b) n = 3 y N = 100
Solucin:
a)
20
20!
201918!
=
= 190
C =
2
20
2
2! (18)!
!
(
)!
2

Este resultado nos dice que con una poblacin de 20 elementos podemos tomar 190
muestras de dos elementos cada una.
b) a)
100
100!
100999897! !
=
=
= 50 33 98 = 161, 700
C
3
100
3
123! (97 )!
!
(
)!
3
Este resultado nos indica que de una poblacin de 100 elementos podemos formar 161,
700 muestras de 3 elementos.
Para contestar la segunda pregunta observamos lo siguiente:
Para que estas muestras sean representativas en el primer caso cada muestra debe
1
tener
de probabilidad de ser seleccionada.
190
43
En el 2 caso cada muestra debe tener
1
de probabilidad de ser seleccionada.
161700
Cmo debemos tomar cada muestra para que sea representativa?

Hay varias formas de tomar la muestra. Estas formas son las siguientes: en el primer
caso cuando el nmero de muestras no es muy grande se pueden numerar recortes de
papel, doblarlos y meterlos en un recipiente donde se puedan mezclar ampliamente.
Una vez mezclados, se saca la muestra.
Por ejemplo:
En una empresa se premiar con un viaje a Europa a solo 2 de los 5 empleados de
mayor eficiencia. Cmo seleccionamos a los dos que deben ir?
Solucin:
A cada empleado lo representamos con la primera letra de su nombre.
1.
2.
3.
4.
5.
Abraham
Dionisio
Efran
Fausto
Ivn
(A)
(D)
(E)
( F)
(I )
Determinamos el nmero de muestras

5
N
5!
543!
20
=
=
= 10
C = C =
2
2
5
2
2
3
2
n
!
(
)!
!
(
)!

P(n)=
1
10
Cada muestra la escribimos en un recorte de papel y stas son:

1
A-D
2
A-E
3
A-F
4
A-I
5
D-E
6
D-F
7
D-I
8
E-F
9
E-I
10
F-I
Doblamos bien el corte de papel de cada muestral, la introducimos en una vasija; la

agitamos ampliamente y extraemos a la pareja afortunada.
Quiz haya visto este procedimiento en el sorteo de los equipos para el campeonato
mundial de ftbol. En el sorteo se usaron esferas huecas bisectadas y en su interior se
coloc el nombre de cada equipo, se revolvan ampliamente, se sacaba una esfera de la
cual se tomaba el nombre del equipo y se colocaba en el grupo correspondiente.
44
EJERCICIO:
1) Si para el campeonato mundial de ftbol hay 24 equipos de los cuales se deben
formar 6 grupos de 4. Cmo organizaras los equipos para que cada muestra
sea aleatoria? Cmo tomaras cada muestra y qu equipos la compondran?
Determina los dos posibles finalistas.
2) Calcula el nmero de muestras de tamao 3 para una poblacin de:
a) 7 elementos
b) 15 elementos
c) 50 elementos
3) Calcula el nmero de muestras de tamao 5 para una poblacin de:
a) 10 elementos
b) 25 elementos
c) 75 elementos
Si tienes alguna duda consulta a tu profesor o a tu consultor acadmico.
5
b) Si el nmero de muestras es muy grande como en el ltimo ejercicio 15, que son
17,259, 390; la forma explicada con recortes de papel no es la adecuada. Para estos
casos se usa otro procedimiento que consiste en usar una tabla de nmeros aleatorios
como la que se incluye en el apndice B.
Esta tabla de nmeros aleatorios se puede constituir fcilmente con un programa de
computacin.
Uso de la tabla de nmeros aleatorios.
Para explicar su uso, veamos el siguiente ejemplo:
El Banco Nacional de Mxico tiene una promocin para tarjeta habientes que consiste en
condonarles la cuenta a 10 personas de cada sucursal, en la primera quincena del mes
de enero de 1994. La lista de cuenta habientes es de 550 y para determinar la muestra
aleatoria numeramos cada cliente con tres cifras en orden ascendente esto es: 001,
002, 003, ..., 550 y nos situamos al azar en una columna de nmeros aleatorios y nos
desplazamos en ella en la direccin que queramos analizando las tres primeras cifras de
cada nmero hasta completar los 10 nmeros de la muestra.
Para nuestro ejemplo nos situamos en la ltima pgina de nmeros aleatorios del
apndice B, en la columna 27 rengln 31 y nos desplazamos hacia abajo, los nmeros
obtenidos de 3 cifras son:
187, 155, 388, 320, 281, 088, 520, 275, 480 y 273
Como la tabla es de nmeros aleatorios, podemos asegurar que esta muestra es
45
aleatoria.
Como habrs notado mediante el uso de nmeros aleatorios, es muy fcil tomar una
muestra aleatoria.
EJERCICIO:
Mediante el uso de las tablas del apndice B, realiza e siguiente ejercicio.
En una empresa de 120 empleados se desea obtener una muestra aleatoria de 10
empleados para darles un curso de actualizacin. Qu empleados formaran la
muestra?
Distribucin de Media Muestrales
Ya sabemos cmo determinar e nmero de muestras de una poblacin y cmo
seleccionar una muestra aleatoria, ahora estudiaremos cmo se organiza una
distribucin de medias muestrales.
La distribucin de medias muestrales son las probabilidades de todas las medias
posibles de las muestras de una poblacin finita.
Toda distribucin de probabilidad puede describirse mediante su media y su desviacin
estndar.
Al tomar las muestras aleatorias se cometen ciertos errores que se reflejan en que la
media y la distribucin de cada muestra no son iguales, y por lo tanto la media y la
desviacin estndar de la poblacin tampoco coinciden con los de la muestra. Por esta
razn, la desviacin estndar de la distribucin de un estadstico muestral recibe el
nombre de error estndar estadstico.
El error estndar no solamente indica el tamao del error accidental, sino tambin la
exactitud que alcanzaremos si usamos un estadstico muestral para estimar un
parmetro de la poblacin.
De una poblacin cuyos elementos son ( 1, 3, 5, 7, 9 ), formar el nmero de muestras
aleatorias de 2 elementos, construir la distribucin de medias muestrales, determinar la
media de la distribucin de medias ( - ); determinar la desviacin estndar de la
distribucin de medias y comparar estos resultados con los parmetros de la poblacin.
Solucin:
n=2
N=5
Media de la poblacin:
1 + 3 + 5 + 7 + 9 25
=
=5
5
5
46
= 5
2 = Varianza de la poblacin:
2 =
1
[(1-5)+(3-5)+(55)+(75)+(95)]
5
2 = 8
8 = 2.83
= 2.83
5
5!
Nmero de muestras C =
= 10
2
!
(
5
2)
2

Conjunto de muestras
{(1, 3), (1, 5), (1, 7), (1, 9), (3, 5), (3, 7), (3, 9), (5, 7), (5, 9), (7, 9)}
Conjunto de medias muestrales
{2, 3, 4, 5, 4, 5, 6, 6, 7, 8}
Probabilidad de las medias muestrales
Media de la distribucin
x =
2 (
1
1
2
)+ 3( )+ 4 ( )+ 5
10
10
10
x = 5
Varianza
de la distribucin de
1
1
) + (3-5) ( ) + (4-5)
10
10
1
1
5) ( ) + (8-5) ( )
10
10
2 = (2-5) (
2 = 3
Probabilidad
1
10
1
10
2
10
2
10
2
10
1
10
1
10
de medias muestrales
(
2
2
1
1
)+ 6 ( )+ 7 ( )+ 8 ( )
10
10
10
10
medias muestrales:
(
3 = 1.73
47
1
1
1
) + (5-5) ( ) + (6-5) ( ) + (710
10
10
De estos resultados concluimos que:

1. La media de la distribucin de medias
es igual a la media poblacional ( )
2. La desviacin estndar de la distribucin de medias
es menor que la
desviacin estndar poblacional ().

De este ejemplo podemos ver el error estndar de la media en que
< , el cual ya
habamos mencionado.
Ilustramos el proceso de la distribucin de media muestrales mediante las siguientes
grficas.
Dada una poblacin de N elementos, sta tiene una media y una desviacin estndar
cuya relacin entre ellos se muestra en la grfica siguiente:
Distribucin de la
poblacin
Grfica A.
Distribucin de
medias muestrales
Grfica B.
48
De esta poblacin se pueden formar un gran nmero de muestras pero solamente

mostramos 4 de ellas para ilustrar el procedimiento.
Distribucin de
medias muestrales
con x =
=0
< ,
Con estas grficas podemos darnos mejor idea de la secuencia de operaciones que
realizamos para obtener la distribucin de medias muestrales representada por la grfica
C. Esta grfica es simtrica y tiene la forma de la curva normal o campana de Gauss.
De esta misma grfica podemos constatar que la media poblacional es igual a la media
de la distribucin de medias, lo cual no ocurre con la desviacin estndar en la que hay
un error.
La desviacin estndar de la distribucin muestral de medias para poblaciones finitas de
tamao N, se puede calcular por la ecuacin
x =
Nn
=
N 1
n
. . . (15)
Esta ecuacin se llama error estndar de las medias.
Nn
le llamamos factor de correccin por poblacin finita, toda vez que para
N 1
poblaciones infinitas se aplica la ecuacin x =
. . . (16)
n
A la raz
Si la muestra es al menos el 5% de la poblacin entonces el factor de correccin no

afecta porque tiende a la unidad.
49
Veamos el ejemplo que usamos para la distribucin de medias en que:

x = 3
= 8
N=5
n=2
Con estos valores sustituimos en la frmula y obtenemos:
3(8)
52
8
8 3
x =
=
=
5 1
2( 4)
2
2 4
x =
De este resultado concluimos que por ser la muestra al menos el 5% de la poblacin, el

factor de correccin no afecta a la distribucin estndar de medias.
EJERCICIO:
1. De una poblacin finita N = { 3, 4, 5, 6, 7, 8 y 9}, se toman muestras aleatorias de
2 elementos.
a) Calcula la media y la desviacin estndar de la poblacin, .
b)
Calcula el nmero de muestras aleatorias que se pueden formar,

establece el conjunto de muestras u determina la probabilidad de cada
una.
c) Construye la distribucin de medias muestrales de la poblacin.

d) Calcula la media, la varianza de la distribucin de medias; valor de la
desviacin estndar de las medias, aplicando la ecuacin del error
estndar.
e) Realiza las grficas de la secuencia de operaciones.
2. Determina el factor de correccin para una poblacin N = 10, 000 con muestras
de n = 100 e indica si afecta o no a la desviacin estndar de la distribucin de
medias muestrales x .
1.2.2 EL TEOREMA CENTRAL DEL LMITE
En los ejemplos anteriores qued establecido que las muestras aleatorias tomadas de
una poblacin tienen diferentes medias y comparadas con la media muestral, hay un
determinado error.
Con respecto a este error, el teorema de Chebyshev dice:
50
1
que la media de una
k2
muestra aleatoria de tamao (n) difiere de la media de la poblacin en un valor igual a
x k.
Podemos afirmar con una probabilidad de cuando menos 1-
Este teorema de Chebyschev afirma que para estimar la media poblacional, cuando
utilizamos la media de una muestra aleatoria podemos afirmar con una probabilidad de
cuando menos 1-
1
que nuestro error ser menor que: x (k).
k2
EJEMPLO:
Dada una poblacin de N elementos Cul es el error para K = 2, si tomamos una
muestra n = 64 con una desviacin estndar I = 20?
Solucin:
20
= 2.5
Calculamos x =
64
1
1
= 1 2 = 0.75 que la media de la muestra difiere
2
k
2
de la media de la poblacin, y que el error que se comete es menor que:
x k = 2.5 ( 2 ) = ( 5 )
Se afirma con una probabilidad de 1-
Con este teorema podemos conocer el error que cometemos sin tener que hacer el
desarrollo de la distribucin de medias muestrales.
Existe otro teorema an ms preciso que el de Chebyshev, ste teorema se llama:
Teorema del lmite central y dice:
Si el tamao de la muestra ( n ) es grande, entonces la distribucin muestral terica de
las medias
Este teorema es fundamental en la estadstica, ya que justifica el uso de los mtodos de
la curva normal en la solucin de una amplia gama de problemas. Se aplica a
poblaciones infinitas y a poblaciones donde n es una parte de la poblacin. Es difcil
especificar con exactitud cuan grande debe ser (n) para poder aplicar el teorema central
del lmite. Sin embargo para n=20 ya se puede obtener un polgono de frecuencias
simtricas y en forma de campana; para n=30, ya podemos considerar a (n)
suficientemente grande.
Si la poblacin que muestreamos tiene un polgono de frecuencias simtrico y en forma
de campanas, entonces podemos aplicar el teorema del lmite central sin importar el
tamao de (n).
51
EJEMPLO:
Apliquemos el teorema del lmite central en el mismo problema donde aplicamos el
teorema de Chebyshev, o sea
N=64 =20
Chebyshev dice: cul es la probabilidad de que el error que se comete al tomar la
media de la muestra como parmetro de la poblacin sea menor que 5? Y con su
teorema se obtiene cuando menos de 0.75. Este resultado nos indica que puede ser ms
pero no se precisa.
Veamos el clculo con el teorema central del lmite.
El rea bajo la curva es para:
Z1 =
20 / 64
= 2
Z2 =
5
20 / 64
=2
Con los valores de Z nos vamos a las tablas del apndice A, que se encuentran al final
del fascculo, obtenemos
P(Z) = P(Z1) = 0.472
P(Z) = P(Z1) + P(Z2) = 2(0.4772) = 0.9544
Con este ejemplo podemos ver como el teorema central del lmite es ms preciso que el
de Chebyshev, toda vez que Chebyshev da un rango de aproximacin y el del lmite
central nos fija el valor de la probabilidad.
La grfica de la curva normal de este problema se muestra en la siguiente figura cuya
rea est sombreada.
-3
-2
=0
+2
+3
Figura 9.
El tamao (n) cobra importancia cuando el polgono de frecuencias no es simtrico, en

estos casos en la medida en que (n) aumenta, el error estndar disminuye.
52

Si tomamos a x como estimacin de , cmo es el error estndar de la media si n=50
se incrementa a n=200.
Solucin:
50
200
=
=
200
50
50
200
1 1
=
4 2
Con este ejemplo podemos vera que al aumentar el valor de (n), el error de la media
disminuye; en nuestro ejemplo disminuy la mitad.
Si la naturaleza del problema que se est resolviendo tiene distribucin normal, entonces
el teorema del lmite central cobra mayor importancia en el clculo del error estndar de
la media. Veamos el siguiente ejemplo:
Dada una poblacin normal de =100 y =25, formamos muestras de 5elementos y
determinamos la media de cada muestra X. Sin duda la media de cada muestra es
mayor que la media poblacional y la desviacin estndar de la distribucin muestral es
menor que la de la poblacin, porque la dispersin de la muestra es menor que la de la
poblacin. Grficamente lo podemos ver de la siguiente forma:
=0
Figura 10.
La grfica A es la distribucin muestral de la poblacin =100 y =25.

La grfica B es la distribucin de las medias maestrales con n=5 y _<25.
X
53
Ahora formemos muestras con n=20 y la grfica de esta nueva distribucin de medias
maestrales es la C
<<<25
=0
Figura 11.
De la grfica C concluimos que al aumentar el valor de (n) estamos intensificando el

efecto de promediar la muestra y por ello la dispersin disminuye an ms, es decir en
la grfica C _<<25.
X
De lo anterior concluimos que si (n) crece, el error estndar que se comete al tomar a la
media muestral como estimador de la poblacin () es cada vez ms pequeo.
Ya dijimos que para n>30 podemos considerar que (n) es grande y aunque el teorema
central del lmite se puede aplicar a una muestra cuya n<30, el error estndar es mayor.
En estos casos se recomienda aplicar otra distribucin que nos permite clculos ms
precisos en muestras pequeas y que veremos a continuacin.
EJERCICIO:
1. La media de una muestra aleatoria de tamao n=400 se utiliza para estimar la media
de una poblacin infinita que tiene desviacin estndar =5. Qu podemos decir
acerca de la probabilidad de que el error ser menor que 0.4 mediante el uso de:
a) El teorema de Chebyshev
b) El teorema d}central del lmite
54
2. En los equipos de deteccin de la contaminacin por humo, se usan pequeas

bateras cuya duracin tiene una desviacin =77 horas. Se utiliza la media de una
muestra de tamao n=49 para estimar la media poblacional. Mediante la aplicacin
del lmite central, qu podemos decir acerca de la probabilidad de que la estimacin
tenga un error?
a) Menor de 10 horas?
b) Menor de 20 horas?
1.2.3 DISTRIBUCIN T DE STUDENT
En la inferencia estadstica se hacen generalizaciones con base en muestras, mediante

estimaciones y pruebas de hiptesis.
La estimacin consiste en asignar un valor numrico a un parmetro de una poblacin
sobre la base de datos de muestras; y la prueba de hiptesis est basada en la
aceptacin o rechazo de suposiciones concernientes a los parmetros de una poblacin.
En el subtema 3.2.2 se hicieron estimaciones de medias poblacionales a travs de
medias maestrales cuando el tamao de la muestra es grande (Teorema del lmite
central).
Sin embargo, cuando la muestra involucrada es pequea es muy probable que la
desviacin tpica muestral S sea bastante distinta de la desviacin tpica de la poblacin
; en consecuencia en estos casos no se puede utilizar el teorema central del lmite para
estimar la media de una poblacin a travs de la media de una muestra. En estos casos
se utiliza otra distribucin llamada t de Student.
La teora de las muestras pequeas sacadas de una poblacin normal de desviacin
tpica desconocida, fue descubierta por el ingls William Gosset en 1908 con el
seudnimo de Student.
La distribucin t de Student se representa mediante la expresin:
t=
X-
s/ n
, ..(12)
donde:
X = media de la muestra
= media de la poblacin
s = desviacin tpica de la muestra
n = tamao de la muestra
55
La distribucin t de Student se basa en la consideracin de que la poblacin a partir de la

cual se obtiene la muestra tiene una distribucin normal, al menos aproximadamente
normal.
Con la distribucin Student es posible estimar parmetros de una poblacin a partir de
los estadsticos calculados para una muestra cuando sta es pequea.
Dicha estimacin puede ser puntual o por intervalos.
La estimacin es puntual cuando se estiman parmetros empleando valores de una
muestra nica; y por intervalos cuando se establece un rango de valores dentro de los
cuales se espera que el parmetro caiga.
Como ejemplo para ilustrar un problema en la estimacin de medias, considrese un
estudio en el cual un mdico desea determinar el incremento promedio real del pulso
cardiaco de una persona que realiza cierta tarea ardua. Los siguientes datos representan
los incrementos de pulso cardiaco en pulsaciones por minuto que el mdico obtuvo en
relacin con 32 personas:
27, 25, 19, 28, 35, 23, 24, 22,
14, 30, 32, 34, 23, 26, 29, 27,
27, 24, 31, 22, 23, 38, 25, 16,
32, 29, 26, 25, 28, 26, 21, 28.
Calculando la media de la muestra se obtiene que X =26.2 pulsaciones por minuto y en
ausencia de otra informacin este nmero sirve como estimador de la media de la
poblacin .
Una estimacin de este tipo es una estimacin puntual ya que consta de un solo nmero.
Pero esta manera de estimar un parmetro no es la ms confiable ya que no nos dice en
cuanta informacin se basa la estimacin y tampoco nos dice nada acerca del posible
tamao del error. Una estimacin por intervalos es mucho ms til que una estimacin
puntual, debido a que posee ms informacin; no solo da el valor estimado, sino tambin
la precisin y el nivel de confianza.
Propiedades de la distribucin T - Student
Comparando la variable normal estandarizada Z=

t=
X-
/ n
y la variable t de student,
X-
se observa que son similares y que el nico cambio est en el denominador

s/ n
donde se sustituye S en lugar de .
Como la distribucin normal estndar Z, la distribucin t tambin es continua, en forma
de campana y perfectamente simtrica. La nica diferencia entre las dos distribuciones,
es que la distribucin t tiene mayor variabilidad; la curva t est ms extendida en la parte
de las clases y es ms achatada en la zona del centro.
56
En la siguiente figura se comparan los dos tipos de curvas.

CURVA Z
Figura 12.
La siguiente figura muestra el comportamiento de la distribucin t comparada con la

distribucin Z.
g.l = grados de libertad.
Figura 13.
De la figura se puede observar que conforme aumenta el tamao de la muestra, la curva

t se aproxima a la curva normal; cuando el tamao de la muestra n tiende a infinito, la
curva t es idntica a la curva normal. Tambin de la figura se puede afirmar que no hay
una sola distribucin para la distribucin t de Student, sino una familia de distribuciones;
esto es debido al efecto del tamao de la muestra. Si n es pequea, la t de Student
correspondiente es muy ancha, pero si n30, la distribucin t y la normal Z son casi
indistinguibles. De todo lo anterior se pueden establecer propiedades de la distribucin
de t de Student.
57
Caractersticas de la distribucin t de Student
1.
2.
3.
4.
Es simtrica con respecto a la media

Tiene media =0 y >1
La desviacin tpica <1, cuando el tamao de la muestra tiende a infinito.
La distribucin Z tiene solamente una distribucin con media =0 y desviacin tpica
=1; mientras que la distribucin t tiene una familia de distribuciones.
5. La distribucin t no se tabula segn el tamao de la muestra, sino en trminos del
nmero de grados de libertad.
6. La distribucin t es continua, en forma de campana.
7. La distribucin t se basa en la consideracin de que la poblacin a partir de la cual se
obtiene la muestra tiene una distribucin normal o aproximadamente normal.
8. La variabilidad de la distribucin t, depende de dos variables aleatorias (S y X ).
9. La distribucin t se Student se utiliza para estimar parmetros poblacionales a travs
de los valores de las muestras, para muestras pequeas (n<30) y cuando la
desviacin tpica S es conocida.
10. El nmero de grados de libertad es el nico parmetro de la distribucin t. Esto es, la
forma de la curva t est totalmente definida cuando se conoce el nmero de grados
de libertad (g.l=n-1).
El trmino grados de libertad abreviado (g.l.), se refiere al nmero de datos que pueden
variar libremente, despus de haber impuesto ciertas restricciones a nuestros datos.
El nmero de
g.l.=n-1.
grados de libertad es el tamao de la muestra menos uno; es decir
Cuando se quiere calcular la media de una poblacin a travs de la media muestral,

debido a la variabilidad de la media muestral X; sta no ser exactamente igual a la
media poblacional , por lo tanto siempre habr un margen de error llamado error
muestral; es decir:
= X error muestral
El mximo error que se comete cuando se utiliza X como estimacin de , cuando n30
est dado por:

,
donde Z
denota el valor el valor
2
2
n
de Z para el cual el rea situada debajo de la curva normal estndar a su derecha es
igual a /2.
E=Z
La seleccin del valor de es arbitraria, depende de qu tanto error se est dispuesto a

tolerar.
El error que se est dispuesto a tolerar se llama nivel de confianza.
58
EJEMPLO:
Z0.05, significa que estamos dispuestos a tolerar un 5% de error.
Hallando este nivel de confianza en una grfica, se tiene:
= 0.05
= 0.025
2
Z
=0
Z1
Zz
Figura 14.
En las tablas del rea bajo la curva normal se obtiene Z2=1.96; y como la curva es
simtrica, Z1=-1.96.
Lo anterior significa que el 95% de las diferencias maestrales cae entre -1.96 y 1.96
desviaciones estndares.
En base al ejemplo anterior, obtener Z0.01 y representarlo en una grfica.
EJEMPLO:
Un experto en mecnica utiliza la media de una muestra aleatoria de tamao n=30 para
estimar el tiempo promedio que le toma a un mecnico realizar cierta tarea. Si con base
en la experiencia, el experto puede suponer f=2.5 minutos para estos datos, qu se
puede decir con un nivel de confianza del 1% acerca del tamao mximo de su error?
SOLUCIN:
n = 30
= 2.5
= 1% = 0.01
Utilizando las tablas del rea bajo la curva normal se tiene:

Z0.005 = 2.57
Sustituyendo estos datos en la frmula E = Z/2
E = (2.57)
( 2.5)
30
59
se tiene:
6.425
= 1.17
5.477
/2 = 0.005
El resultado obtenido significa que el experto en mecnica puede afirmar con una
certeza del 99% que su error ser cuando mucho de 1.17 minutos.
EJERCICIO:
Con referencia al problema de los pulsos cardiacos de las 32 personas, qu se puede
decir con un nivel de confianza del 5% acerca del error mximo si se utiliza X=26.5 como
estimacin del incremento promedio real del pulso de una persona que realiza la tarea
dada?
Formato de una muestra para estimar la media cuando n30
Z
, tambin se puede utilizar para determinar el tamao de la

2
n
muestra que se necesita para lograr un grado de exactitud deseada. Despejando n de la
expresin anterior se tiene:
La frmula E =
Z /2
n=
.(16)
E
Frmula para determinar el tamao de la muestra
EJEMPLO:
El profesor de Estadstica de la Universidad desea emplear la media de una muestra
tomada para estimar la cantidad promedio de tiempo que los estudiantes requieren para
pasar de una clase a la siguiente. Adems desea que esta estimacin tenga un error de
cuando mucho 0.30 minutos con probabilidad 0.95. Si se sabe de estudios similares
anteriores que es razonable tomar = 1.50 minutos, de qu tamao tendr que tomar
una muestra?
SOLUCIN:
La probabilidad 0.95 de que al hacer la estimacin se tenga un error de cuando mucho
0.30 significa que se est tomando un nivel de confianza del 5%, = 5% = /2
= 2.5% = 0.025.
De tablas se tiene Z0.025 = 1.96; adems = 1.50, E = 0.30
60
Sustituyendo los datos de la frmula:

Z /2
n =
se tiene
2
(1.96) (1.50)
n=
= 96.04
0.30
Se requiere una muestra aleatoria de tamao n=96 para la estimacin.

EJERCICIO:
1. En un estudio de los hbitos de ver televisin, se busca estimar el nmero de horas
en promedio que los alumnos de bachillerato ven televisin por semana. Si es
razonable suponer = 3 horas, de qu tamao deber ser la muestra de manera
que se pueda afirmar con la probabilidad de 0.99 que la media de la muestra fallar
cuando mucho en 35 minutos?
Intervalos de confianza
Anteriormente ya se dijo que para estimar parmetros, lo ms adecuado es formar un

intervalo de confianza, el cual generalmente incluir al parmetro por estimar.
Como ya vimos al estimar en base a la media de la muestra X , la estimacin no ser
perfecta; es decir, siempre habr un margen de error, tal que:
= X error muestral;
pero ya vimos que el mximo error muestral que se puede cometer es E =
Z
2
lo tanto podemos escribir:

=X
Z
2
.(17)
donde:
X
Z
2
= media muestral
= Es el valor de Z para el cual el rea bajo la curva normal a la
derecha de Z es /2
= Nivel de confianza
= Desviacin tpioca de la media
61
, por
Puesto que los niveles de confianza ms utilizados son 0.05 y 0.01, entonces podemos
establecer los siguientes intervalos de confianza:
= X 1.96
= X 2.58
; intervalo de confianza de 95%

; intervalo de confianza de 99%
Recuerda que para = 0.01 = /2 = 0.025 y que Z0.025 = 1.96.

EJERCICIO:
1. Para = 0.01, obtener: Z1/2 = ___________.
Z,
= ___________.
2
EJEMPLO:
Obtener el intervalo de confianza del 95% del conjunto de datos:
(1, 5, 2, 3, 4, 1, 2, 2, 4, 3)
X
1
5
2
3
4
1
2
2
4
3
27
X2
1
25
4
9
16
1
4
4
16
9
89
1er. Paso: Se determina la media

X=
X
N
X = 27
X =
27
= 2.7
10
X = 2.7
N = 10
2do. Paso: Se obtiene la desviacin estndar de la
muestra
S=
X
-X
N
S=
89
- (2.7) = 8.9 - 7.29
10
S=
1.61 0 1.27
62
S = 1.27
3er. Paso: se obtiene el error estndar de la media.
S
=
X
N-1
ntese que el denominador en la frmula se

escribi N-1 en vez de N; la razn es que N-1
corrige el sesgo del error estndar.
1.27
1.27
=
=
= o.42
X
3
10 - 1
= 0.42
X
4o. paso: Se multiplica el error estndar de ____________ por 1.96 que es el valor de Z
al nivel de confianza de 0.05.
= X 1.96
X
= 2.7 1.96 (0.42)
= 2.7 0.82
1.88 3.52
Lo anterior significa que se puede asegurar con un 95% de confianza que la verdadera
muestra poblacional est entre 1.88 y 3.52.
EJERCICIO:
Del conjunto de datos del problema anterior, encontrar el intervalo de confianza del 99%.
EJEMPLO:
Un fabricante de productos especiales de acero necesita la dureza media de un lote
grande de piezas de acero que acaba de recibir. Es muy importante la determinacin de
la dureza ya que si sta sale de cierto rango, es necesario aplicar un tratamiento costos
para llevarla al grado de dureza deseado. Imagina que t trabajas en el departamento
de pruebas de cierta compaa y le han enviado el resultado de una prueba de dureza
efectuada en una muestra aleatoria de 40 piezas, siendo la medida de la muestra X = 70
y la desviacin estndar S = 2. Qu haras?
SOLUCIN:
Se tiene que estimar la dureza media en base a una muestra con n = 40, X = 70 y S =
2 y un nivel de confianza del 99%, ya que la situacin es bastante delicada.
63
= X 2.58
= 70 (2.58)
40
= 70 (2.58) (0.82)
o sea:
69.18 70.82
El gerente, al recibir el informe, observa que este resultado cae muy cerca del extremo
del rango aceptable (de 68.3 ________), pide que se aumente la precisin del intervalo
de confianza del 0.82 a 0.50, preservando el nivel de confianza en 99%. Qu haras t?
SOLUCIN:
Hay que determinar el tamao de la muestra necesaria para alcanzar la precisin de E =
0.50.
Z /2
n=
podemos tomar = 5
(2.58) (2) 5.16

n=
=
= (10.32) 2 = 106.50
0.50 0.50
Entonces nos bastara una muestra de 107 piezas. Como ya tenamos 40 piezas, se
manda completar la muestra probando la dureza de 67 piezas adicionales. Se calculan
las nuevas X y S en base a la muestra total y se obtiene el nuevo intervalo de confianza
a 99% con precisin de 0.50.
EJERCICIO:
La actividad de ciertas vacunas puede mediarse nicamente a travs de pruebas en
organismos vivos (conejos por ejemplo). Este procedimiento es costos y tardado, pero
esencial para asegurar el funcionamiento correcto de estas vacunas.
a)
Si la muestra de 30 pruebas dio un ndice medio de actividad de X = 880 unidades

con S = 110, forma un intervalo de confianza de 95% para la actividad media de la
vacuna.
b)
Calcula el tamao de muestra total necesaria para tener un error de estimacin

E 25 unidades con 99% de confianza.
64
Confiabilidad de Promedios en Muestras Pequeas
Anteriormente ya se compar la distribucin Z con la distribucin t de Student.

Si en la distribucin Z =
X-
/ n
t=
, se reemplaza t por Z y por S se tiene la distribucin:

X-
/ n
distribucin de Student.
Esta distribucin se utiliza para estimar parmetros para muestras pequeas.

Los intervalos de confianza se forman de la misma manera que en la distribucin Z.
La forma de la curva de la distribucin t de Student est basada en el nmero de grados
de libertad (g. l. = n-1), en lugar del tamao n de la muestra. A medida que aumenta el
nmero de grados de grados de libertad, la curva de la distribucin t es menos variable.
Una muestra la vamos a considerar pequea cuando sea n<30.
La tabla de valores t es diferente de la de valores Z. en la tabla de valores de la
distribucin t de Student cada fila corresponde a una distribucin t distinta. La ltima
columna da el nmero de grados de libertad.
EJEMPLO:
Para 10 g. l., el 10% del rea de la curva est a la derecha del valor t = 1.383, y como la
curva es simtrica, el 10% del rea de la curva est a la izquierda del valor t = -1.383.
0.10
0.10
-3
-2
-1
=0
Figura 14. Distribucin t para 10 g. l. y /2 = 0.10.
De la figura se tiene que el 80% de los casos estn comprendidos entre -1.383 y 1. 383.
65
EJERCICIO:
Para 10 g. l. y un nivel de confianza de 5%, determinar el intervalo de confianza y dibujar
su grfica.
, de la misma forma como se defini Z ,

2
2
de manera que el rea situada debajo de la curva que est a la derecha de t

es igual
2
a -t . Sin embargo t
depende del nmero de grados de libertad.
2
2
Para la distribucin t de Student se define t
Utilizando el hecho de que la distribucin t es simtrica con respecto a t = 0 (media de la

distribucin t), entonces la probabilidad de que la variable aleatoria que tiene una
distribucin t tome un valor entre -t/2 y t/2; es decir, -t/2 t t/2 es 1-.
De la figura podemos
afirmar
P(-t/2 t t/2) =1-
t
-t
2
t
2
=0
Distribucin t
Igual que en la distribucin Z, el intervalo de confianza en muestras pequeas se puede
escribir:
= X t /2
S
n
Frmula para determinar intervalos de confianza para muestras pequeas.
66
EJEMPLO:
La curva de la distribucin t con 10 g. l. se muestra en la siguiente figura. Hallar el valor
de t para que:
-t1
=0
t1
Figura 16.
a)
b)
c)
d)
El rea rayada de la derecha sea 0.05

El rea total rayada sea 0.10
El rea no rayada sea 0.99
El rea rayada de la izquierda sea 0.01
SOLUCIN
a) /2 = 0.05
En las tablas de la distribucin t se busca el nivel de confianza 0.05 con 10 g. l.
(n = 10 + 1 = 11), es decir, el tamao de la muestra n = 11.
t0.05 = 1.812
EJERCICIO:
Resolver los dems incisos del problema anterior.
EJEMPLO:
Los contenidos de cido sulfrico en siete recipientes similares son: 9.8, 10.2, 10.4, 9.8,
10.0, 10.2 y 9.6 litros. Encuentra un intervalo de confianza al 95% para la media de todos
los recipientes, suponiendo una distribucin aproximadamente normal.
SOLUCIN:
La media y la desviacin estndar de la muestra para los datos proporcionados son:
X = 10.0 y S = 0.283 (Checar estos resultados)
67
Empleando la tabla de la distribucin t, se encuentra que t0.025 = 2.447, para 6 g. l.

Recuerda que = 0.05 == /2 = 0.025
el intervalo de confianza al 95% para es:
0.283
= 10.0 (2.447)
7
= 10.0
0.6925
2.64575
= 10.0 0.26174
9.738 < < 10.26174
redondeando
9.74 < < 10.26

EJERCICIO
1. Una muestra aleatoria de 25 automviles del mismo modelo se conducen de la
misma forma y usando la misma calidad de gasolina. Los automviles recorren un
promedio de 9 km por litro de gasolina, con una desviacin tipo de 1.2 km. Estimar el
recorrido medio por litro y dar su intervalo de confianza a un nivel de confianza del
95%.
Verificar la respuesta:
8.505 9.459
2. En un estudio de la contaminacin del aire, una estacin de experimentos obtuvo una

medida de 2.36 miligramos de materia orgnica suspendida soluble de benceno por
metro cbico con una desviacin estndar de 0.48 de una muestra tomada al azar de
tamao n = 10.
a)
Construye un intervalo de confianza del 99% de la media de la poblacin

muestreada.
b)
Qu se puede afirmar con el 95% de confianza acerca del error mximo, si

X = 2.36 miligramos se utiliza como estimacin de la media de la poblacin
muestreada?
Verificar las respuestas.

a)
1.87 2.85
b)
E = 0.34
68
Pruebas de hiptesis
Al hacer inferencias de caractersticas de poblaciones a travs de muestras se utilizan

los mtodos de Estimacin y Pruebas de Hiptesis.
Cuando se analizan caractersticas de poblaciones por el mtodo de pruebas de
hiptesis, es necesario tener en cuenta los siguientes conceptos:
NIVEL DE CONFIANZA. Es el nivel de error que se est dispuesto a tolerar.
ESTADSTICO DE PRUEBA. Es una variable aleatoria cuyo valor se utiliza para llegar a
la decisin de rechazar o no la hiptesis nula.
REGIN CRTICA. Es el conjunto de valores para el estadstico de prueba que llevar a
rechazar la hiptesis nula.
REGIN DE ACEPTACIN. Es el conjunto de valores para el estadsticos de prueba
que provocar la aceptacin de la hiptesis nula.
VALOR CRTICO. Es el valor que separa a la regin de rechazo y la regin de
aceptacin.
HIPTESIS ESTADSTICA. Es una afirmacin o conjetura acerca del parmetro o
parmetros de una poblacin.
La siguiente grfica muestra el valor crtico, la regin de rechazo y la regin de
aceptacin.
1-
REGIN DE
RECHAZO
VALOR
CRTICO
REGIN DE
ACEPTACIN
VALOR
CRTICO
REGIN DE
RECHAZO
Figura 17.
Se ha aprendido a estimar la media de una poblacin , dando un intervalo de confianza

o acompaando la estimacin de punto X con una evaluacin del error posible. Ahora
aprenders cmo demostrar una hiptesis referente a la media de una poblacin ; es
decir, se presentarn mtodos para decidir si se acepta o se rechaza una afirmacin
acerca de un valor especfico de .
Estos conceptos sern abordados en la siguiente unidad, preprate para acceder a ellos.
69
RECAPITULACIN
FUNCIN
PROBABILSTICA
DISCRETA
CONTINUA
MUESTREO
SISTEMTICO
ASIMTRICAS
SIMTRICAS
ESTRATIFICADO
NORMALIZACIN
POR CONGLOMERADOS
ALEATORIO SIMPLE
DISTRIBUCIN
NORMAL ESTNDAR
PEQUEAS
n < 30
DISTRIBUCIN
t DE STUDENT
GRADOS DE
LIBERTAD
GRANDES
n > 30
MEDIA
MUESTRAL
APLICACIN EN LA
SOLUCIN DE
PROBLEMAS
TEOREMA DEL
LMITE
CENTRAL
NIVEL DE
CONFIANZA
PRUEBAS DE
HIPTESIS
70
ACTIVIDADES DE CONSOLIDACIN
Para reafirmar los conceptos aprendidos resuelve el siguiente ejercicio. Si tienes alguna
duda, consulta con tu asesor.
I.
La Ca. General Motor Company tiene la intencin de promover a sus trabajadores

a un tabulador salarial mejor que el actual y para ello aplica un examen de
conocimientos culturales, habiendo obtenido las siguientes puntuaciones:
27, 28, 28, 28, 29, 30, 30, 30, 30, 31, 31, 31, 32, 32, 32,
33, 33, 33, 33, 34, 34, 34, 34, 35, 35, 35, 35, 35, 35, 35,
36, 36, 36, 36, 36, 37, 37, 37, 37, 37, 37, 38, 38, 38, 38,
38, 38, 38, 39, 39, 39, 39, 40, 40, 40, 40, 40, 40, 40, 40,
41, 41, 41, 41, 41, 41, 41, 41, 42, 42, 42, 42, 42, 42, 43,
43, 43, 43, 44, 44, 44, 44, 44, 44, 44, 45, 45, 45, 45, 45,
46, 46, 46, 47, 47, 47, 47, 47, 47, 47, 48, 48, 48, 48, 49,
49, 49, 49, 50, 50, 51, 51, 51, 52, 52, 53, 53, 53, 54, 54,
55, 56, 56, 57, 57, 58, 59, 61, 62, 62.
Determina:
1)
2)
3)
4)
5)
6)
7)
8)
9)
La media
La moda
La mediana
La varianza
La desviacin estndar
Traza el polgono de frecuencias
Normaliza los datos y traza la curva de mejor ajuste sobre la grfica anterior
para contrastar el cambio
Determina el tanto por ciento de casos que se espera hallar entre la media y
las puntuaciones 28, 38 y 60
Calcula el tanto por ciento y el nmero de casos esperados entre los
siguientes pares de puntuaciones:
a)
b)
c)
10)
35 y 45
50 y 55
56 y 60
Cuntos casos se espera hallar por encima de una puntuacin igual a 50?
Cuntos por debajo de 35?
71
PROBLEMA
II.
Los datos dados a continuacin corresponden a incrementos de pulso cardiaco en

pulsaciones por minuto que un mdico determina en relacin con diez personas
que realizan una tarea ardua:
27, 14, 27, 32, 25, 30, 24, 29, 19, 32
a)
estimar el incremento promedio real del pulso cardiaco de una persona que
realiza una tarea ardua, mediante el estimador puntual X.
b)
Estimar el alejamiento de las pulsaciones por minuto con respecto al

promedio, utilizando un estimador puntual.
c)
Determinar el nmero de grados de libertad para la muestra dada.
d)
Determinar el error mximo que se comete al estimar el incremento

promedio del pulso cardiaco de una persona mediante el estimador puntual
X, con un nivel de confianza del 95%.
e)
Obtener el tamao que deber tener la muestra, de tal manera que al

emplear la media X, de una muestra para estimar el incremento promedio
del pulso cardiaco de una persona, se tenga un error mximo de 25
pulsaciones por minuto con un nivel de confianza de 95%.
f)
Construir un intervalo con un nivel del 99% en relacin con el incremento

promedio real del pulso de personas que realizan la tarea dada.
72
AUTOEVALUACIN
Los resultados que debiste obtener son los siguientes, si alguno no coincide, entonces
revisa tus clculos, localiza el error y corrgelo.
SOLUCIN DEL PROBLEMA I
1)
= 47.1
2)
Mo = 48.7
4)
= 64.2
5)
= 9.04
6)
TABLA DE FRECUENCIAS
CLASE
Xm
Fi
Fa
60-62
57-59
54-56
51-53
48-50
45-47
42-44
39-41
36-38
33-35
30-32
27-29
61
58
55
52
49
46
43
40
37
34
31
28
5
10
15
18
20
17
14
10
8
6
4
3
5
15
30
48
68
85
99
109
117
123
127
130
X=
XmFi
Xm- X
13.9
10.9
7.9
4.9
1.9
-1.1
-4.1
-7.1
-10.1
-13.1
-16.1
-19.1
305
580
825
936
980
782
602
400
296
204
124
84
6118
Xmfi 6118
=
= 47.1
n
130
2 =
fi (Xm - X) 8332.2 833.2

= 64.6
=
=
n -1
130 - 1
129
= 64.590698 = 8.04
6
2
Mo = 47.5 + 3
= 47.5 + = 48.7
2
3
+
5
130
- 48
= 48 + 51 = 50.6
Md = 48 + 3 2
20
20
73
3)
(Xm- X )
193.21
118.81
62.1
24.01
3.61
1.21
16.81
50.41
102.01
171.61
259.21
364.81
Md = 50.6
Fi(Xm- X )
966.5
1188.1
936.2
432.2
72.2
20.6
235.3
504.1
816.1
1029.7
1036.8
1094.4
8332.2
2
POLGONO DE FRECUENCIAS
7)
TABLA DE NORMALIZACIN PARA EL AJUSTE DE CURVAS

Z=
CLASE
fi
Ls.
X = Xi -
X
60-62
57-59
64-56
51-53
48-50
45-47
42-44
39-41
36-38
33-35
30-32
27-29
5
10
15
18
20
17
14
10
8
6
4
3
62.5
59.5
56.5
53.5
50.5
47.5
44.5
41.5
38.5
35.5
32.5
29.5
15.4
12.4
9.4
6.4
3.4
0.4
-2.6
-5.6
-8.6
-11.6
-14.6
-17.6
X I
1.92
1.54
1.12
0.80
0.42
0.05
-0.32
-0.70
-1.07
-1.44
-1.82
-2.19
X = 47.1
= 8.04
N = 130
74
DEBAJO
ENCIMA
0.9726
0.9382
0.8686
0.7881
0.6628
0.5199
0.3745
0.2420
0.1423
0.0749
0.0344
0.0143
0.0344
0.0696
0.0805
0.1253
0.1429
0.1454
0.1325
0.0997
0.0674
0.0405
0.0201
0.0143
fe
4.47
9.05
10.47
16.29
18.58
18.90
17.23
12.96
8.76
5.27
2.61
1.86
Fe. red.
4.5
9.1
10.5
16.3
18.6
18.9
17.2
13.0
8.8
5.3
2.6
1.9
A) POLGONO DE FRECUENCIAS (A)

B) Curva NORMALIZADA
(B)
8)
a) 49%
b) 37%
9)
a) 33%, 43 casos
b) 19.6%, 26 casos
10)
a) 47 casos
b) 9 casos
c)45%
SOLUCIN DEL PROBLEMA II

a)
Para estimar la media de una poblacin, hay varios estimadores puntuales, los
ms conocidos son: media, mediana y moda.
De estos estimadores el ms adecuado es la media, ya que es la ms confiable
por considerar todos los datos de la muestra, cosa que no ocurre con la mediana y
la moda.
X=
27 + 14 + 24 + 32 + 25 + 30 + 24 + 29 + 19 + 32 259
= 25.9
=
10
10
X = 25.69
Esto significa que el incremento promedio real del pulso cardiaco es 25.9
pulsaciones por minuto.
75
Este error que se comete al estimar a travs de X se determina mediante la

frmula:
E = t /2
Donde:
E=
error
t /2 = rea bajo la curva a la derecha de /2
=
desviacin estndar de la poblacin
n=
N de datos
NOTA: Recuerda que en ausencia de se puede utilizar s.
= 0.05
/2 = 0.025
De las tablas de la distribucin t de Student y tomando g. l. = 9, se tiene:

t(0.025) = 2.262
5.44 12. 305
=
= 3.89
E = 2.262
10 3.162
E = 3.89
Esto significa que podemos asegurar con un grado de confianza del 95% que el
error que se comete al estimar a travs de X es menor de 3.89 pulsaciones por
minuto.
La confiabilidad de X como estimador de la media de la poblacin depende del
tamao de la muestra y el tamao de la desviacin estndar de la poblacin.
b)
Para estimar el alejamiento promedio de las pulsaciones por minuto con respecto
al incremento promedio real existen varios estimadores. Los ms usuales son: la
desviacin media, varianza y desviacin estndar.
De ellos utilizaremos el estimador s (desviacin estndar de la muestra).
Dado que generalmente no se conoce el parmetro, que es la desviacin estndar
de la muestra; es estadstico s (desviacin estndar de lamuestra), puede servir
como estimador de .
76
X
14
19
24
25
27
29
30
32
X2
196
361
576
625
729
841
900
1024
5252
f
1
1
1
1
2
1
1
2
s=
fix2
196
361
576
625
1458
841
900
2048
7005
Para determinar s se utiliza la frmula

S=
donde
fx 2
2
-X
N
N = N de datos
f = frecuencia de cada dato
X = media de la muestra
7005
( 25.9) 2 = 700.5 - 670.81 = 29.69 = 5.44
10
s = 5.44
Esto significa que en promedio el incremento promedio del pulso cardiaco se aleja
5.44 pulsaciones por minuto de la media.
c)
g. l. = 10 1 = 9
g. l. = n 1
g. l. = 9
d)
Sabemos que al estimar la media poblacional a travs de la media muestral X

existe un error, es decir:
= X error muestral
e)
Para determinar el tamao que deber tener la muestra con un nivel de confianza
del 95% para tener un error mximo de 2.5 pulsaciones por minuto se utiliza la
frmula:
E = t /2
despejando n se tiene
n=
t /2
E
n=
( 2.262) (5.44) 2
= (4.922112)2 = 24.22
2.5
77
redondeando se tiene n = 24
Esto Significa que el tamao de la muestra debe ser 24 para cometer un error
menor de 2.5 pulsaciones por minuto al estimar a travs de X .
f)
La estimacin de parmetros puede ser puntual o por intervalos.

La estimacin de la media poblacional por intervalos tiene la ventaja sobre la
estimacin puntual de que en la estimacin por intervalos es posible conocer el
tamao del error, as como la precisin y el nivel de confianza, cosa que no se
puede tener con la estimacin puntual.
Como ya vimos al estimar en base a la media muestral X, la estimacin no es
perfecta, es decir, siempre hay un margen de error.
= X E
pero E = t /2
= X = t /2
intervalos de confianza para estimar
donde
= nivel de confianza
Para un nivel de confianza del 99% se tiene que:
= 0.0
/2 = 0.005
t (0.005) = 4.032
con 9 grados de libertad
5.44
= 25.9 4.032
10
= 25.9
21.934
3.162
= 25.9 6.936
18.96 32.83
Esto significa que se puede asegurar con un 99% de confianza que la verdadera
muestra poblacional est entre 18.96 y 32.83 pulsaciones por minuto.
78
APNDICES
APNDICE A
REAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIN NORMAL EN FUNCIN DE X/
(1)
Z
PUNTUACIN
TIPIFICADA
(2)
A
REA DESDE
LA MEDIA
A
(3)
B
REA DE LA
PARTE MAYOR
(4)
C
REA DE LA
PARTE MENOR
(5)
Y
ORDENADA
EN
79
APNDICE A
(1)
Z
PUNTUACIN
TIPIFICADA
(2)
A
REA DESDE
LA MEDIA
A
(3)
B
REA DE LA
PARTE MAYOR
(4)
C
REA DE LA
PARTE MENOR
(5)
Y
ORDENADA
EN
80
APNDICE A
(1)
Z
PUNTUACIN
TIPIFICADA
(2)
A
REA DESDE
LA MEDIA
A
(3)
B
REA DE LA
PARTE MAYOR
(4)
C
REA DE LA
PARTE MENOR
(5)
Y
ORDENADA
EN
81
APNDICE A
(1)
Z
PUNTUACIN
TIPIFICADA
(2)
A
REA DESDE
LA MEDIA
A
(3)
B
REA DE LA
PARTE MAYOR
(4)
C
REA DE LA
PARTE MENOR
(5)
Y
ORDENADA
EN
82
APNDICE A
(1)
Z
PUNTUACIN
TIPIFICADA
(2)
A
REA DESDE
LA MEDIA
A
(3)
B
REA DE LA
PARTE MAYOR
(4)
C
REA DE LA
PARTE MENOR
(5)
Y
ORDENADA
EN
83
APNDICE A
(1)
Z
PUNTUACIN
TIPIFICADA
(2)
A
REA DESDE
LA MEDIA
A
(3)
B
REA DE LA
PARTE MAYOR
(4)
C
REA DE LA
PARTE MENOR
(5)
Y
ORDENADA
EN
2.69
84
APNDICE A
(1)
Z
PUNTUACIN
TIPIFICADA
(2)
A
REA DESDE
LA MEDIA
A
(3)
B
REA DE LA
PARTE MAYOR
(4)
C
REA DE LA
PARTE MENOR
(5)
Y
ORDENADA
EN
85
APNDICE A
(1)
Z
PUNTUACIN
TIPIFICADA
(2)
A
REA DESDE
LA MEDIA
A
(3)
B
REA DE LA
PARTE MAYOR
(4)
C
REA DE LA
PARTE MENOR
(5)
Y
ORDENADA
EN
86
APNDICE B
Tabla. Valores crticos de t
t2
n
t.100
t.050
t.025
87
t.010
t.005
d.f
NMEROS ALEATORIOS
APNDICE C
88
NMEROS ALEATORIOS
89
APNDICE C
NMEROS ALEATORIOS
90
APNDICE C
NMEROS ALEATORIOS
91
BIBLIOGRAFA CONSULTADA
DOWNIE, N. M. y HEAT, R. W. Mtodos Estadsticos Aplicados. Ed. Harla.

FREUD, John E. , WILLIAM, Frank J., PERLES. Benjamn M. Estadstica para la
Administracin. Ed. Prentice Hall Hispanoamericana S. A.
GRAY, William A. y OTIS M, Ulm. Probabilidad y Estadstica Elemental. Editorial
C.E.C.S.A.
HOEL, Paul G. Estadstica Elemental. Ed. C. E. C. S. A. Mxico, 1976.
KREYSZING, Edwin. Introduccin a la Estadstica Matemtica. Ed. Limusa. Mxico,
1981.
LEVN, Richard I. Estadstica para Administradores. Ed. Pretince Hall.
LINCONL L., Chao. Introduccin a la Estadstica. Ed. CECSA. Mxico, 1985.
LINCOYAN Portus, Goviden. Curso Prctico de Estadstica. Ed. McGraw-Hill, Mxico,
1985
LIZRRAGA G., Ignacio Manuel. Estadstica. Ed.; McGraw-Hill. Mxico, 1986.
MENDENHALL, William. Trad. SEGAMI, Carlos. Introduccin a la Probabilidad y la
Estadstica. Grupo Editorial Iberoamrica. Mxico, 1989.
PARSEN, Emanuel. Teora Moderna de Probabilidad y sus Aplicaciones. Ed. Limusa.
Mxico, 1973.
SEYMOR, Lipschutz, Ph. D. Teora y Problemas de Probabilidad. Editorial McGraw-Hill.
92

Estadística Inferencial II Colegio de Bachilleres

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadística Inferencial II Colegio de Bachilleres

Cargado por

Copyright:

Formatos disponibles

COLEGIO DE BACHILLERES

Autores: Emigdio Arroyo Cervantes

CAPTULO 1. FUNCIONES PROBABILSTICAS

1.1.2 Valores Normalizados Z y rea Bajo la Curva

1.1.3 Aproximacin Normal a la Distribucin Binomial

1.2 DISTRIBUCIONES MUESTRALES Y TEOREMA

1.2.2 El Teorema Central del Lmite

1.2.3 Distribucin T-Student

En el fascculo anterior estudiaste las distribuciones de probabilidad binomial y de

1.1 DISTRIBUCIN NORMAL ESTNDAR

El histograma y el polgono de frecuencias son los siguientes:

1. Los polgonos simtricos se clasifican en :

Las medidas de dispersin son diferentes, de la figura ( 3 ) obtenemos que:

En cualquier problema de variable aleatoria continua, su polgono de frecuencia es

El proceso de transformacin de un polgono de frecuencias a una curva normal, se

Z = Puntuacin normalizada o tipificada

Veamos el siguiente ejemplo:

Con estos datos anteriores, calcula:

Los resultados que debiste obtener son:

Para explicar el procedimiento vamos a construir la siguiente tabla:

Normalizacin de una Distribucin Asimtrica

Las columnas 1 y 2 corresponden a la clase y la frecuencia establecidas en la primera

La columna 3 corresponde al lmite real superior de cada clase el cual se determina

La columna 4 es igual a la desviacin de cada puntuacin con respecto a la media y se

Se toma como xi, al lmite real superior de cada clase.

La columna 5 es el valor de Z correspondiente a cada puntuacin y se obtiene mediante

La columna 6 se determina de los valores de la tabla del apndice ( A ) reas y

En la primera columna de esta se localiza el valores de z, en la tercera columna se lee el

(0.0119) (150) = 1.785

La columna nueve es la frecuencia esperada (fe) redondeada a una cifra decimal.

Con estos valores de la tabla trazamos el polgono de frecuencias y la curva normalizada

La Curva Normal Estndar

Y la ecuacin de tipificacin es la ya conocida:

VALORES NORMALIZADOS Z Y REA BAJO LA CURVA NORMAL

Ya qued establecido que para normalizar el polgono de frecuencias y transformarlo en

Normaliza los valores de X = 4, 6, 9,12,18,20, usando = 10 y = 5. traza una grfica

Las grficas correspondientes en ambas escalas son:

Si los valores de x estn en la parte negativa de z es decir a la izquierda de la media,

Si solamente tenemos una X a la derecha de la media entonces el rea bajo la curva

Si nos interesa la probabilidad de x<, entonces la grfica es:

P (Z) = 0.5 P (Z1)

Si queremos la probabilidad de las partes sombreadas de las siguientes grficas:

Recuerda que la probabilidad de Z , es la parte sin sombrear de la media a la izquierda

Con los siguientes valores determina la probabilidad y traza la grfica correspondiente

Si se conoce la probabilidad de un evento y queremos determinar el valor de Z, entonces

Determina Z si P ( Z ) = .7580. Este valor es mayor que 0.5 correspondiente a la mitad

P (Z1 ) = P ( Z ) 0.5 = 0.7589 0.5 = 0.2589

En la tabla nos situamos en este valor y en la columna 1 est el valor de Z = 0.70

En la segunda columna de la tabla localizamos el valor de la probabilidad y en la misma

1. Determina el valor de Z y traza la grfica de cada inciso, si la probabilidad de z

2. Una variable aleatoria tiene una distribucin normal con media = 60 y

Menor que 62.5

Si tienes alguna duda consulta a tu profesor o a tu consultor.

Clculo del segundo problema:

Calcula los siguientes valores:

Representacin grfica de las probabilidades de cada uno de los problemas:

Grfica del problema 1.

La grfica 1 es asimtrica y sesgada a la derecha-

Grfica del problema 2.

La grfica 2 es antisimtrica y sesgada a la izquierda.

Grfica del problema 3.

La grfica 3 es simtrica muy parecida a la campana de Gauss.

APROXIMACIN NORMAL A LA DISTRIBUCIN BINOMIAL

En el fascculo anterior estudiaste el clculo de probabilidades de variables discretas