Test Proby Estad Mendoza

Probabilidad y Estadstica
Facultad Regional Mendoza

http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT1
Unidad Temtica 1
Estadstica descriptiva y anlisis de datos
Responda verdadero o falso. Coloque una letra V a la izquierda del nmero del tem si acepta
la afirmacin enunciada, o una F si la rechaza.
1. Definiciones preliminares, tipos de datos y variables
1.
Desde el punto de vista estadstico, las poblaciones pueden ser finitas o infinitas.
2.
Si se ha recopilado la informacin deseada para los elementos de un subconjunto

que representa a una poblacin objeto de estudio, se est en presencia de un censo.
3.
Si el Ministro de Educacin est interesado en el rendimiento de los estudiantes

argentinos, medido por el promedio de calificaciones, las unidad de anlisis son los
establecimientos educativos del pas.
4.
La rama de la estadstica que se ocupa de utilizar datos de una muestra para hacer
inferencias acerca de la poblacin en estudio, se conoce con el nombre de
estadstica descriptiva.
5.
El nivel de estudios o escolaridad de los empleados de una empresa es una variable

cuantitativa.
6.
El nmero de hijos de los trabajadores de una fbrica es una variable cuantitativa

continua.
7.
El color de ojos de las personas es una variable cualitativa que se mide en una
escala nominal.
8.
Una escala nominal consiste en categoras mutuamente excluyentes que no implican

un orden jerrquico entre ellas.
9.
El cargo que ocupa un empleado en la empresa, es una variable cualitativa y se

mide en escala ordinal.
10.
La antigedad de un empleado en una institucin pblica es una variable numrica

que se mide en una escala nominal.
11.
La escala de intervalo es una forma de medida ms completa que la escala ordinal,

ya que permite discernir no slo qu valor observado es el ms grande, sino tambin
por cunto.
12.
Los datos primarios son siempre de mejor calidad que los datos secundarios.
13.
Los censos, en general, resultan muy costosos, difciles de realizar e incluso en

algunos casos pueden resultar imposibles de llevar a cabo.
14.
El nmero del piso desde el que es llamado un ascensor de un edificio en altura, es

una variable numrica continua.
15.
El promedio de los resultados obtenidos al lanzar dos dados, es una variable

numrica continua.
16.
Cuando el conjunto de valores que puede tomar una variable es finito, es decir, se
puede contar, se dice que la variable es discreta.
Autoevaluacin UT1
17.
Las variables continuas son aquellas en que los datos resultantes de las mediciones,
pueden tomar cualquiera de los valores de una escala continua, en el rango para el
cual est definida la variable. De otro modo, pueden tomar el continuo de valores
entre el mnimo y el mximo observado.
18.
Las grficas circulares y grficas de barras, son herramientas tiles para descripcin
grfica de conjuntos de datos cuantitativos.
19.
Las grficas circulares tambin se las conoce con el nombre de grficas de pastel,
grficas de torta o grficas de sectores.
20.
Las grficas de barras pueden representarse tanto con barras verticales como
horizontales.
21.
En el diagrama de Pareto, las categoras de la variable cualitativa deben disponerse

en orden decreciente por altura (o frecuencia) y se muestra una poligonal
acumulativa superpuesta a las barras.
22.
Para representar las grficas de barras o las circulares, se pueden emplear tanto
frecuencias absolutas como relativas.
23.
La representaciones de las grficas de barras y grficas circulares en escala relativa

(proporcin o porcentaje), tienen la ventaja de independizarse del tamao de la
muestra a partir de la cual se obtuvo la informacin.
24.
Las grficas de sectores resultan ms apropiadas, es decir, ms cmodas de leer,

cuando se tiene variables cualitativas con una gran cantidad de categoras, por
ejemplo 26.
25.
Cuando se tiene una variable cualitativa, las categoras en que se agrupan los datos
para representarlos mediante una grfica de barras, son mutuamente excluyentes.
26.
En las grficas de barras, las barras no deben pegarse una a otras.
27.
Si la poblacin estudiantil de una Universidad es de 12.000 alumnos, para

representar grficamente el turno en que cursan los estudiantes (maana, tarde o
noche), se puede utilizar tanto una grfica de sectores como una grfica de barras.
28.
La grfica de puntos encuentra su mejor aplicacin en el caso de conjuntos de datos

pequeos.
29.
Las distribuciones de frecuencias sacrifican algunos detalles, pero ofrecen

informacin acerca del patrn de comportamiento de los datos.
30.
El histograma es una representacin grfica que se utiliza para representar variables

numricas; no se utiliza para variables cualitativas.
31.
Al agrupar los datos en tablas de frecuencias, un dato particular del conjunto de

datos, debe pertenecer a una y slo una clase o categora, por lo que se dice que las
clases son completamente inclusivas.
32.
La organizacin de los datos por categoras o clases permite identificar patrones de

comportamientos evidentes de los mismos.
33.
A partir de una distribucin de frecuencias, se puede reconstruir una lista con la

totalidad de los datos observados a partir de la cual se construy dicha tabla.
Autoevaluacin UT1
34.
Una distribucin de frecuencias es una tabla en la que organizamos los datos en

clases y se muestra el nmero de observaciones del conjunto de datos que caen en
cada una de las clases.
35.
Las clases en que se agrupan los datos en una tabla de frecuencias, deben ser
completamente inclusivas, esto significa que, los datos que ms se repiten deben
incluirse en una misma clase.
36.
Las clases de una distribucin de frecuencias deben ser mutuamente excluyentes y

completamente inclusivas.
37.
De ser posible, conviene que todas las clases de una distribucin de frecuencias
tengan el mismo ancho; de lo contrario, tendramos una distribucin mucho ms
difcil de interpretar.
38.
Para construir las distribuciones de frecuencias, como regla general, los estadsticos
aconsejan utilizar entre 20 y 25 clases.
39.
El nmero de clases que se utiliza para construir la distribucin de frecuencias es

independiente de la cantidad de datos disponibles.
40.
La frmula de Sturges, da el nmero de clases de una distribucin de frecuencias y

puede utilizarse para iniciar la exploracin a partir de la misma: k = 1 + 3,3 log n.
41.
Sea cual sea el conjunto de datos que se desea representar grficamente, para
determinar el nmero de clases, es indistinto emplear la frmula de Sturges o la
frmula n.
42.
Las grficas de distribuciones de frecuencias simples y de distribuciones de

frecuencias relativas resaltan y aclaran los patrones que no se pueden distinguir
fcilmente en las tablas.
43.
Los histogramas se pueden construir utilizando tanto las frecuencias absolutas

como las frecuencias relativas.
44.
La frecuencia relativa simple de cualquier clase particular, se obtiene calculando el

cociente entre el nmero de observaciones que entran en la clase y el nmero total
de observaciones realizadas.
45.
En una distribucin de frecuencias, la suma de todas las frecuencias relativas de

todas las clases, es igual al nmero total de observaciones realizadas.
46.
Cuando el histograma se construye utilizando frecuencias relativas, resulta fcil

comparar los datos de muestras de tamaos diferentes.
47.
La marca de clase de una distribucin de frecuencias se calcula haciendo la

diferencia entre el lmite superior y el lmite inferior de la clase correspondiente.
48.
Los polgonos de frecuencias slo se pueden utilizar para representar las

distribuciones de frecuencias relativas.
49.
El polgono de frecuencias construido con las frecuencias simples absolutas, tiene

la misma forma que el polgono de frecuencias simples relativas construido a partir
del mismo conjunto de datos, pero con una escala diferente en los valores del eje
vertical.
50.
La representacin grfica de la distribucin de frecuencias acumuladas mediante

una poligonal, se conoce con el nombre de ojiva.
Autoevaluacin UT1
51.
La ojiva es una representacin grfica que se puede construir utilizando frecuencias

acumuladas absolutas o relativas, indistintamente.
52.
La ojiva se construye uniendo los puntos dados por los pares ordenados (punto
medio de clase; frecuencias acumuladas de clase), con trazos rectos que dan lugar a
una poligonal.
53.
En una distribucin de frecuencias, la notacin Fri se refiere a las frecuencias de

clase relativas acumuladas.
54.
Dada la representacin grfica de una ojiva, a partir de la misma es posible

reconstruir los datos originales exactos con los que se construy la misma.
55.
Si la lectura de la ojiva para la variable en estudio en la clase (12 ; 14] de una tabla
de frecuencias arroja el valor 30%, debe interpretarse que el 30% de los datos estn
comprendidos en el intervalo (12 y 14].
56.
Si la lectura de la ojiva para la variable en estudio en la clase (2,5 ; 3,5] de una tabla
de frecuencias arroja el valor 60%, debe interpretarse que el 40% de los datos son
mayores que 3,5.
57.
Para describir en palabras el patrn de comportamiento de los datos, se puede hacer

referencia a la simetra o asimetra de la distribucin, a la presencia o no de modas
en la distribucin, as como al lugar en que tienden a agruparse los datos en la
escala de la variable.
En la Tabla 1 se presenta la distribucin de frecuencias para el peso, en gramos, de 35

monedas de diez centavos.
Tabla 1. Distribucin de frecuencias para el peso de 35 monedas de diez centavos.
Lmites de Clase
Punto
Frecuencias Simples
Frecuencias Acumuladas
Clase (Inferior Superior] Medio
Absoluta
Relativa
Absoluta
Relativa
...............................................................................................................................................................
1
(2,13
2,16]
2,145
2
0,0571
2
0,0571
2
(2,16
2,19]
2,175
3
0,0857
5
0,1429
3
(2,19
2,22]
2,205
5
0,1429
10
0,2857
4
(2,22
2,25]
2,235
15
0,4286
25
0,7143
5
(2,25
2,28]
2,265
8
0,2286
33
0,9429
6
(2,28
2,31]
2,295
1
0,0286
34
0,9714
7
(2,31
2,34]
2,325
1
0,0286
35
1,0000
58.
El 14,29% de las monedas de la muestra pes ms de 2,19 gramos, pero no super

los 2,22.
59.
El 71,43% de las monedas de la muestra tiene un peso que no pasa de 2,25 gramos.
60.
Hay 10 monedas en la muestra cuyo peso est por encima de los 2,25 gramos.
61.
Ocho monedas de la muestra tienen un peso que en la distribucin de frecuencias

queda representado por el valor 2,265 gramos.
62.
Las frecuencias de clase simples relativas de la Tabla 1 estn expresadas en

porcentaje.
Autoevaluacin UT1
63.
De acuerdo a la informacin de la Tabla 1, la moneda ms liviana de la muestra

pesa 2,13 gramos.
64.
El nmero de clases que se ha adoptado en la Tabla 1 concuerda con el propuesto

por la frmula de Sturges: k = 1 + 3,3 log n.
65.
El nmero de clases que se ha adoptado en la Tabla 1 concuerda con el propuesto

por la frmula n.
66.
Uno de los puntos de la representacin grfica de la ojiva correspondera al par

ordenado (x ; F ): (2,25 ; 33).
67.
En la muestra se observaron 8 monedas con un peso igual a 2,265 gramos.
2. Descripcin de un conjunto de datos: Mtodos numricos.

68.
La media aritmtica de un conjunto de datos siempre coincide con alguno de los

valores centrales del conjunto de valores observados.
69.
La media aritmtica siempre est comprendida entre los valores mximo y mnimo
observados.
70.
La media aritmtica resulta siempre la mejor medida de tendencia central de un

conjunto de datos numricos.
71.
En todo conjunto de datos numricos, la media es un valor mayor o igual que cero.
72.
La media aritmtica es la mejor medida de tendencia central de un conjunto de

datos categricos.
73.
Si la media o promedio de las calificaciones de un examen de Estadstica, en la

escala del cero al diez, resulta exactamente igual a diez puntos, el rango de tales
calificaciones debe ser igual a cero.
74.
Doce alumnos rinden un examen de Estadstica, son calificados en la escala del cero
al diez y la mediana de las calificaciones es igual a seis. En tales condiciones,
podra ocurrir que ms de cinco alumnos obtuvieran una calificacin de siete puntos
o ms.
75.
La suma de las desviaciones respecto de la media aritmtica es siempre igual a cero.
76.
Dado un conjunto numrico de datos de tamao n > 1, la mediana puede o no

existir.
77.
La mediana es una medida de tendencia central sensible a los datos apartados de la

muestra.
78.
La mediana del siguiente conjunto de datos {2, 5, 7, 1, 3} es igual a 7.
79.
La moda puede no existir y cuando existe no necesariamente es nica.
80.
Dado un conjunto de mediciones resultantes de un experimento, la moda puede no

coincidir con alguno de los valores observados.
81.
La moda del siguiente conjunto de datos {3, 3, 3, 3, 3} es igual a 3.
82.
El valor de la media aritmtica de un conjunto de datos categricos es siempre

menor que la moda de los mismos.
Autoevaluacin UT1
83.
En todo conjunto de datos numricos, la moda es un valor mayor o igual que cero.
84.
Si un conjunto de datos no tiene moda, debe interpretarse que el valor numrico de

la moda es igual a cero.
85.
La moda es una medida de tendencia central que puede calcularse tanto para datos
numricos como para datos categricos.
86.
Si se tiene un conjunto de datos resultantes de medir la temperatura en el Parque

General San Martn a la hora 8, podra suceder que se observe ms de una moda.
87.
La mediana es una medida de la variabilidad de un conjunto de datos numricos.
88.
La media aritmtica es la medida que mejor describe la posicin central del

siguiente conjunto de datos {1; 2; 3; 3; 1; 2; 2; 1; 312}.
89.
En el siguiente conjunto de datos{2, 1, 0, 1, x}, x podra asumir un valor tal que

la media sea menor que la mediana.
90.
Es suficiente calcular las medidas de tendencia central de una muestra, para

proporcionar un resumen apropiado y acabado del conjunto de datos del cual
proviene.
91.
El rango del conjunto de datos siguiente {6, 2, 0, 2, 6} es igual a cero.
92.
El rango de un conjunto de datos, siempre y sin restriccin alguna, es un valor

mayor o igual que cero.
93.
Si el rango del conjunto de datos siguiente {1, 2, 3, x, 3, 2, 1} es igual a tres, el

valor de x slo podra asumir el valor cero.
94.
El rango es una medida pobre de la variabilidad, en particular si el tamao de la

muestra es grande; considera slo los valores extremos y no nos dice nada acerca de
la distribucin de los valores intermedios.
95.
La varianza del siguiente conjunto de datos {1, 1, 1, 1, 1} es igual a 12.
96.
Cuando la desviacin estndar de un conjunto de datos numrico es menor que

cero, debe interpretarse que todos los datos son menores que la media aritmtica.
97.
La desviacin estndar de un conjunto de datos, nunca puede resultar mayor que la

media del mismo conjunto de datos.
98.
Si la desviacin estndar de la estatura de los alumnos de la Universidad es igual a

9 centmetros y la desviacin estndar del promedio de calificaciones de los
mismos alumnos es de 3 puntos, se debe concluir que la dispersin de las
calificaciones es menor que la dispersin de las estaturas.
99.
Si el rendimiento de un grupo de alumnos que es evaluado en Estadstica resulta

ptimo, digamos que todos obtienen por lo menos ocho puntos sobre diez, nada
impide que la desviacin estndar de las calificaciones resulte igual a 4 puntos.
100. Si la unidad de medida de la desviacin estndar de una variable se expresa en

metros, la varianza lo estar en metros cuadrados.
101. El coeficiente de variacin permite comparar la dispersin o variabilidad de
conjuntos de datos diferentes, incluso medidos en unidades diferentes.
102. El coeficiente de variacin de cualquier conjunto de datos numricos, expresado en
porcentaje, est comprendido entre cero y cien.
Autoevaluacin UT1
103. Si la desviacin estndar del caudal del Ro X es de 45 m/s y la desviacin

estndar del caudal del Ro Y es de 240 m/s, se debe concluir que los caudales del
Ro Y estn ms dispersos que los del Ro X.
104. Si una distribucin tiene sesgo positivo, es asimtrica a derecha.
105. En cualquier conjunto de datos numricos distribuidos simtricamente, media,
mediana y moda son coincidentes.
106. Si una distribucin de frecuencias de clase relativas resulta simtrica, la distribucin
de frecuencias acumuladas tambin lo ser.
107. Si el tercer cuartil de un conjunto de datos observados es igual a 35, el 25% de los
datos del conjunto es mayor que 35.
108. Si el valor del sexto decil de un conjunto de datos es igual a 8, significa que la sexta
parte de los datos son iguales o inferiores a 8.
109. El percentil cincuenta de un conjunto de datos siempre coincide con el segundo
cuartil.
110. Dado el conjunto de datos {1, 1, 1, 1, 1, 3, 5, 5, 5, 5, 5} se cumple que el segundo
decil es menor que el tercer cuartil.
111. Si se sabe que el percentil diez de un conjunto de datos es igual a 10, el primer decil
ser igual a 1.
112. En algunos conjuntos de datos, podra encontrarse que el percentil 22 resulte mayor
que el cuartil inferior.
113. Si un fabricante de puertas para viviendas debe decidir qu altura darle a las mismas
para una produccin estndar, se le debe sugerir que adopte para las puertas, una
altura igual a la estatura media de las personas adultas del mercado en el que se
vendern dichas puertas.
114. Las estadsticas obtenidas de las muestras nos proporcionan informacin acerca de
la tendencia central de los datos y de su dispersin, mientras que la presentacin
grfica de los datos agrega informacin adicional en trminos de imagen.
115. El grfico de caja y extensin es una representacin que muestra, para muestras
razonablemente grandes, el centro de la localizacin, la variabilidad y el grado de
asimetra de los datos.
116. Los grficos de caja y extensin no permiten realizar comparaciones visuales entre
muestras.
117. Los datos apartados (valores extremos) se deben identificar especficamente tanto
en los grficos de caja y extensin como los histogramas de frecuencias.
118. Tres de los datos necesarios para construir un grfico de caja y extensin son: el
primer cuartil, la mediana y el percentil setenta y cinco.
119. Datos apartados son aquellos que se encuentran por encima del tercer cuartil y por
debajo del primer cuartil, ms all de 1,5 veces el rango intercuartil.
120. Los grficos de caja y extensin NO proporcionan informacin sobre la variabilidad
de los datos.
Autoevaluacin UT1
121. El grfico de caja mltiple se puede utilizar para comparar la misma variable en
muestras distintas.
122. Si el grfico de caja es perfectamente simtrico, la varianza del conjunto de datos
con que se construy es igual a cero.
123. En el grfico de caja, la caja siempre encierra exactamente el 50% de las
observaciones.
124. Si se tiene un conjunto de cuarenta datos numricos, el diagrama de tallos y hojas
ofrece una informacin ms detallada que el histograma de frecuencias.
125. Si se tiene un conjunto de cuarenta mil datos numricos, el diagrama de tronco y
hojas resultara una representacin ms apropiada que el histograma de frecuencias,
ya que da una informacin ms detallada.
126. El valor Z debe estar comprendido entre 1 y +1.
127. Si el valor Z que le corresponde a una observacin particular de la muestra, x, es
negativo, debe interpretarse que el valor de x es menor que cero.
128. Si Pedro rindi una prueba de Estadstica y obtuvo una calificacin tal que el valor
Z correspondiente es igual a 2, debe interpretarse que Pedro aprob el examen.
129. Pedro y Juan son estudiantes de la clase de Estadstica. Pedro tiene una estatura que
coincide con la estatura promedio del grupo, mientras que a la estatura de Juan le
corresponde un valor Z igual a 2,95. Debe interpretarse entonces que Juan tiene
una estatura apenas por debajo de la de Pedro.
130. La media de los valores Z de un conjunto de datos numricos es siempre igual a 0.
131. La desviacin estndar de los valores Z de un conjunto de datos numricos, puede
arrojar un valor comprendido entre 0 y 1.
3. Aspectos ticos
132. Debe distinguirse entre una mala presentacin de los datos y una presentacin que
carece de tica.
133. La conducta NO TICA se da cuando el analista oculta hechos a propsito y/o
distorsiona tablas o grficos; tambin, cuando no incluye los hallazgos pertinentes.
134. No entregar un trabajo en trmino por estar enfermo, es una conducta NO TICA.
Autoevaluacin UT2
Unidad Temtica 2
Probabilidad
1.
El experimento que consiste en lanzar un dado legal y observar el resultado obtenido,

es un experimento estadstico.
2.
El experimento que consiste en seleccionar al azar una semana cualquiera del ao

calendario y observar el da de la semana que sigue al da lunes, es un experimento
estadstico.
3.
Se denomina espacio muestral, al conjunto de todos los resultados posibles de un

experimento estadstico.
4.
Dado un experimento estadstico, slo es posible definir un evento o suceso de inters

en el mismo.
5.
Dados los resultados de un experimento estadstico, es posible definir un subconjunto

del espacio muestral, , denominado conjunto vaco y que no contiene elemento
alguno.
6.
El conjunto vaco, , slo es posible definirlo para algunos experimentos

estadsticos.
7.
La interseccin de dos eventos G y H da por resultado un evento que contiene a todos

los elementos que pertenecen a G, que pertenecen a H, o que pertenecen a ambos.
8.
Un evento o suceso, est formado por una coleccin de puntos muestrales, que
constituye un subconjunto del espacio muestral.
9.
Dados dos eventos no excluyentes e independientes, A y B, si P(A) = 0,15 y P(B) =

0,40, entonces se cumplir que P(AB) = 0,55.
10. Dados dos eventos complementarios, D y E, se cumple siempre que P(D) + P(E) = 1.
11. Si despus de lanzar un dado legal diez veces se obtienen los siguientes resultados:
{2, 3, 5, 1, 5, 4, 1, 3, 4, 2}, se puede afirmar que la probabilidad de que el resultado
de un nuevo lanzamiento sea el 6, es igual a 1/6.
12. Si se cumple que: P(M) + P(N) = 1, se debe concluir entonces que los eventos M y N
son complementarios.
13. No se puede calcular probabilidades de eventos que consideren datos categricos.
14. La probabilidad de que al lanzar una moneda legal dos veces se obtenga una cara, es
igual a 0,5.
15. La probabilidad de que al lanzar una moneda legal tres veces se obtenga una cara, es
igual a la probabilidad de que al lanzarla tres veces, se obtengan dos caras.
16. En determinadas situaciones particulares, por ejemplo, cuando al realizar un
experimento estadstico la ocurrencia de un evento dado es fsicamente imposible, el
clculo de la probabilidad de ocurrencia de tal evento, puede arrojar valores menores
que cero.
Probabilidad
Autoevaluacin UT2
17. El teorema de la probabilidad total exige que el espacio muestral est constituido por
una particin de subconjuntos mutuamente excluyentes.
18. Se sabe que la probabilidad de que llueva el primer lunes de junio en Mendoza es
igual a 0,03. Tambin se sabe que la probabilidad de que promocionen el curso de
Estadstica ms de la mitad de los alumnos inscriptos, es igual a 0,20. Dado que
llueve el primer lunes de junio en Mendoza, la probabilidad de que ms de la mitad
de los alumnos inscriptos promocionen el curso de Estadstica, es igual a 0,006.
19. Dado un experimento estadstico en el que pueden ocurrir los eventos H y K, se
puede verificar que: P(KH) = P(K).P(K|H).
20. Se sabe que una moneda est cargada y que la P(CARA) = 2/3 y la P(CRUZ) = 1/3.
Se puede afirmar entonces que, la probabilidad de que al lanzarla dos veces se
obtengan dos caras, es igual a 4/9.
21. Si arrojamos un dado legal dos veces, el espacio muestral es finito y est compuesto
por 36 eventos simples.
22. La probabilidad de que la suma de los resultados obtenidos al lanzar dos dados
legales sea igual a dos, es igual a 2/36.
23. Si dos eventos V y L son complementarios, se cumplir siempre que P(VL) = 0.
24. Dados dos eventos A y B definidos en el mismo espacio muestral, si P(A|B) = 2/3 y
P(A) = 1/3, entonces los eventos A y B son independientes.
25. Si A y B son dos eventos cualesquiera, definidos en el mismo espacio muestral,
entonces se cumple siempre que P(AB) = P(A) + P(B).
26. Se dice que dos eventos definidos en el mismo espacio muestral, A y B, son
independientes, si se cumple la siguiente igualdad: P(AB) = P(A) + P(B).
27. Si dos eventos J y K definidos en el mismo espacio muestral son independientes, se
cumple que: P (J|K) = P(J) . P(K).
28. Una regla multiplicativa importante est dada por el teorema que dice que si en un
experimento aleatorio pueden ocurrir los eventos M y N, entonces se cumple que:
P(MN) = P(M|N) . P(N).
29. Si una moneda es insesgada, la probabilidad de que al realizar un lanzamiento se
obtenga cara, es igual a la probabilidad de que al realizar un lanzamiento se obtenga
una cruz, y vale 0,25.
30. Para calcular la probabilidad de obtener un seis al lanzar un dado legal, se debe
recurrir a la definicin de probabilidad frecuencial.
31. Dados dos eventos A y B no excluyentes e independientes, con probabilidad de
ocurrencia de cada uno de ellos P(A) = 0,45 y P(B) = 0,35, entonces se cumple que la
P(A|B) = 0,45.
32. Dados dos eventos definidos en el mismo espacio muestral, J y K, mutuamente
excluyentes, con P(J) = 0,20 y P(K) = 0,10, se cumple que la P(JK) = 0,02.
33. Dados tres eventos mutuamente excluyentes, A, B y C, definidos en un mismo
espacio muestral, se cumple que: P(ABC) = P(A) + P(B) + P(C).
Probabilidad
10
Autoevaluacin UT2
34. Dados dos sucesos disjuntos A y B, de un mismo espacio muestral, con P(A) = 0,30 y
P(B) = 0,20, entonces se cumplir que: P(AB) = 0,60.
35. La probabilidad de ocurrencia de un evento cualquiera A vara entre y +.
Opcin Mltiple
Seleccione con una X la opcin que considere correcta. Tenga en cuenta
que cada tem ha sido construido de modo tal que slo una de las cuatro
opciones es correcta. No obstante, podra ocurrir que las tres primeras
opciones sean correctas y que la cuarta opcin indique Todas las
anteriores; en tal caso, debe seleccionar slo la cuarta opcin.
36. Cul de las siguientes opciones es una afirmacin correcta?

a) Si dos eventos son mutuamente excluyentes, se dice tambin que son
incompatibles.
b) Si dos eventos son independientes, son tambin incompatibles.
c) Si dos eventos son disjuntos, se dice tambin que son compatibles.
d) Si dos eventos son NO mutuamente excluyentes, se dice tambin que son
disjuntos.
37. Si la probabilidad de ocurrencia de un evento A no se ve afectada por la ocurrencia de
otro evento B, se dice que los eventos A y B son:
a)
b)
c)
d)
Dependientes.
Independientes.
Mutuamente excluyentes.
Complementarios.
38. Dados dos eventos definidos en un mismo espacio muestral, A y B, con P(A) > 0 y P(B)
> 0, si la P(AB) = 1, puede suceder que:
a)
b)
c)
d)
A y B sean mutuamente excluyentes.

Las reas en el diagrama de Venn se solapen.
P(A) = P(B)
Todas las anteriores.
39. La probabilidad de que un valor escogido al azar de una poblacin determinada sea
mayor o igual que la mediana de la poblacin es igual a:
a)
b)
c)
d)
0,25
0,50
1,0
No se puede responder con la informacin disponible.
40. Los eventos resultantes de lanzar al aire una moneda insesgada son mutuamente
excluyentes porque:
a) El resultado de cualquier lanzamiento no se ve afectado por los resultados de
los lanzamientos que le anteceden.
b) La probabilidad de obtener cara es igual a la probabilidad de obtener cruz.
c) No se pueden presentar cara y cruz como resultado del mismo lanzamiento.
d) Ninguna las anteriores.
Probabilidad
11
Autoevaluacin UT2
41. Si A y B son eventos mutuamente excluyentes y se representan en un diagrama de Venn:

a)
b)
c)
d)
Las regiones de A y de B quedan solapadas.

Las reas encerradas por las regiones de A y de B son siempre iguales.
La regin de B debe quedar incluida en la regin de A.
Ninguna de las anteriores.
42. Suponga que se lanza un dado legal una vez. Cules de las siguientes afirmaciones son
verdaderas?
a) La probabilidad de obtener un nmero mayor que uno, es igual a: [ 1
P(obtener uno) ].
b) La probabilidad de obtener un tres es igual a [ 1 P(obtener uno, o dos, o
cuatro, o cinco o seis) ].
c) La probabilidad de obtener un cinco o un seis es igual a la probabilidad de
obtener un tres o un cuatro.
d) Todas las anteriores.
43. Si A y B son eventos no mutuamente excluyentes, la P(AB) se obtiene de la siguiente
manera:
a)
b)
c)
d)
Calculando P(A) + P(B).

Restando P(AB) a la suma de las probabilidades [ P(A) + P(B) ].
Calculando la diferencia: {1 [ P(A) + P(B) ]}
Sumando P(AB) a la suma de las probabilidades [ P(A) + P(B) ].
44. Se lanza un dado no cargado dos veces consecutivas y usted debe trazar el diagrama de
rbol de probabilidades que muestre todos los resultados posibles de los dos
lanzamientos. Cuntas ramas tendr su rbol? Tenga en cuenta a todas las ramas del
rbol.
a)
b)
c)
d)
e)
6
12
36
42
48
45. Se colocan en una urna diez esferas numeradas del uno al diez. Las esferas numeradas
de 1 a 4 son verdes y las numeradas de 5 a 10 son azules. Cul es la probabilidad de
que una esfera seleccionada al azar de dicha urna sea azul?
a)
b)
c)
d)
0,1
0,4
0,6
0,8
46. Se colocan en una urna diez esferas numeradas del uno al diez. Las esferas numeradas
de 1 a 4 son verdes y las numeradas de 5 a 10 son azules. Cul de las siguientes
afirmaciones resulta verdadera?
a)
b)
c)
d)
Probabilidad
P(la esfera seleccionada sea la #2 / se saca una esfera verde) = 0,1

P(la esfera seleccionada sea la #2 / se saca una esfera verde) < 0,1
P(la esfera seleccionada sea la #2 / se saca una esfera verde) > 0,1
P(la esfera seleccionada sea verde / se saca la esfera #2) = 0,4
12
Autoevaluacin UT2
47. Simblicamente, una probabilidad condicional es:

a)
b)
c)
d)
P(AB)
P(AB)
P(A|B)
P(AxB)
48. Cules de las siguientes condiciones de aplicacin corresponden al teorema o regla de

Bayes?
a) Independencia.
b) Un evento observado A ocurre con cualquiera de k eventos mutuamente
excluyentes y exhaustivos.
c) Hay k eventos mutuamente excluyentes y exhaustivos que tienen idntica
probabilidad de ocurrencia.
d) Todos los anteriores.
49. Si A y B son eventos mutuamente excluyentes se cumple que:
a)
b)
c)
d)
AB =
P(AB) = 0
P(AB) = P(A) + P(B)
50. Dado un evento A y su complemento A, entonces se cumple que:

a)
b)
c)
d)
0 < [ P(A) + P(A) ] < 1

P(A) = P(A)
P(A) se puede calcular a partir de la P(A)
51. Cul de las condiciones siguientes se debe dar para calcular una probabilidad
frecuencial?
a)
b)
c)
d)
Es suficiente realizar una vez el experimento aleatorio.

No es necesario realizar previamente el experimento aleatorio.
Es necesario basarse en la subjetividad.
52. Dados dos eventos A y B independientes, con P(A) > 0 y P(B) > 0, se cumple que:
a)
b)
c)
d)
P(AB) = 0
P(A|B) = P(B)
P(AB) = P(A) . P(B)
P(B|A) = P(B)
53. Dados los eventos A y B, se cumple que P(AB) = P(A).P(B) cuando:

a)
b)
c)
d)
Probabilidad
A y B son independientes.
P(A|B) = P(A)
P(B|A) = P(B)
Cualquiera de las anteriores.
13
Autoevaluacin UT2
54. Se tiene dos eventos cualesquiera definidos en el mismo espacio muestral, A y B, con
P(A) = 0,6 y P(B) = 0,4. Cules de las siguientes afirmaciones son correctas?
a)
b)
c)
d)
A y B son eventos complementarios.

A y B son eventos compatibles.
A y B son eventos independientes.
No hay informacin suficiente para responder.
55. Cul de las siguientes afirmaciones es correcta?

a)
b)
c)
d)
Probabilidad
Si P(A) = 1 P(B) entonces A y B son eventos complementarios.

Si P(A/B) = P(B) entonces A y B son eventos independientes.
Si A y B son eventos incompatibles, entonces P(AB) =
14
Autoevaluacin UT3
Unidad Temtica 3
UT3-1: Variable Aleatoria
1.
Una variable aleatoria es una funcin que asigna un nmero real a cada resultado en
el espacio muestral de un experimento estadstico.
2.
Por convencin, las variables aleatorias se denotan con una letra mayscula de
nuestro alfabeto, por ejemplo X, y los particulares valores de la misma, con su
correspondiente letra minscula, en este ejemplo x.
3.
Slo es posible definir una variable aleatoria para cada espacio muestral.
4.
El nmero de valores que puede tomar una variable aleatoria discreta es contable (ya
sea finito o infinito numerable).
5.
Una variable aleatoria discreta slo puede tomar valores enteros.
6.
Una variable aleatoria discreta slo puede asumir valores positivos.
7.
El volumen de nafta que se pierde por evaporacin durante el llenado del tanque de
combustible, es una variable aleatoria discreta.
8.
El nmero de molculas raras presentes en una muestra de aire es una variable

aleatoria continua.
9.
Las variables aleatorias continuas representan datos que se obtienen continuamente,

mientras que las variables aleatorias discretas representan datos que se obtienen de
vez en cuando.
10. En la mayora de las aplicaciones prcticas, las variables aleatorias continuas

representan datos medidos, mientras que las variables aleatorias discretas representan
datos contados.
11. El nmero de artculos defectuosos en una muestra de k artculos es una variable
aleatoria discreta.
12. Si se toma el registro de la temperatura ambiente en una estacin de mediciones de
una localidad determinada en tres momentos del da, la temperatura media diaria es
una variable aleatoria discreta.
13. El nmero de sismos que ocurren por ao en un lugar determinado, es una variable
aleatoria discreta.
14. El nmero de conexiones soldadas que no cumplen con ciertos estndares de calidad,
de las 800 que tiene un circuito impreso, es una variable aleatoria discreta.
15. El tiempo que tardan los alumnos en resolver su examen final de Estadstica, es una
variable aleatoria continua.
16. El conjunto de pares ordenados [ x, f(x) ] se llama funcin de probabilidad, funcin
masa de probabilidad, funcin de cuanta o distribucin de probabilidad de la
variable aleatoria discreta X.
Variable aleatoria
15
Autoevaluacin UT3
17. Algunos autores expresan, que la distribucin de probabilidad para una variable
aleatoria discreta X, es una tabla, grfica o frmula que da la probabilidad f(x)
asociada a cada posible valor x.
18. La probabilidad de que la variable aleatoria discreta X tome valores menores o
iguales que el particular valor x, est dada por el valor de la funcin masa de
probabilidad f(x).
19. La funcin de probabilidad f(x) de una variable aleatoria discreta X, siempre y sin
restricciones, asume valores iguales o mayores que cero.
20. Tanto en el caso de variables aleatorias discretas como continuas, la probabilidad de
que la variable aleatoria Y tome el particular valor y, est dado por el valor de f(y).
21. La distribucin acumulada F(x), de una variable aleatoria discreta X, se define slo
para los valores que toma la variable aleatoria en estudio.
22. La distribucin acumulada F(x) de una variable aleatoria discreta X, con distribucin
de probabilidad f(x), toma valores entre y +.
23. La grfica de barras para representar una distribucin de probabilidad de una variable
aleatoria discreta, se obtiene al graficar los puntos [ x, f(x) ], uniendo los puntos al eje
x, ya sea con una lnea punteada perpendicular al eje o con una lnea slida. Las
distancias de los puntos al eje estn dadas por las probabilidades f(x), medidas en el
eje de ordenadas.
24. El histograma de probabilidad para representar la distribucin de probabilidad de una
variable aleatoria discreta, se obtiene al graficar los puntos [ x, f(x) ], de modo que
sus bases, de igual ancho, se centren en cada valor de x, y sus alturas sean iguales a
las probabilidades, f(x).
25. La distribucin acumulada F(x), de una variable aleatoria discreta X, es una funcin
escalonada que se obtiene graficando los puntos [ x, F(x) ].
26. Dada una variable aleatoria discreta X con funcin de probabilidad f(x), se cumple
siempre la siguiente igualdad: P (X < x ) = P (X x ).
27. Si la funcin de masa de probabilidad de una variable aleatoria discreta X toma el
valor f(3)=0,15, debe interpretarse que la probabilidad de que dicha variable exceda
el valor 3 es 0,15.
28. Si la funcin de la distribucin acumulada de una variable aleatoria discreta X toma
el valor F(2)=0,4, debemos interpretar que la probabilidad de que la variable
aleatoria X tome el valor 2 es igual a 0,4.
29. Una de las condiciones que debe cumplir la funcin de masa de probabilidad, f(x), de
la variable aleatoria discreta X, es que 1 f(x) +1.
30. Si se tiene una variable aleatoria discreta X, la funcin de masa de probabilidad f(x1),
nos da la probabilidad de que la variable aleatoria tome el particular valor x1.
31. La probabilidad de que una variable aleatoria continua tome exactamente uno de sus
valores posibles es igual a cero.
32. Al igual que en el caso de variables aleatorias discretas, la forma tabular [ x, f(x) ], es
una de las formas posibles de expresar la distribucin de probabilidad de una variable
aleatoria continua X.
Variable aleatoria
16
Autoevaluacin UT3
33. Dada una variable aleatoria continua X con funcin de densidad de probabilidad f(x),
se cumple siempre que la P(X < x) = P(X x).
34. En la representacin grfica de la funcin de densidad de probabilidad f(x) de una
variable aleatoria continua X, las probabilidades deben leerse en el eje de ordenadas.
35. La funcin de densidad de probabilidad f(x) de una variable aleatoria continua X,
siempre y sin restricciones, toma valores iguales o mayores que cero.
36. La funcin de densidad de probabilidad f(y) de una variable aleatoria continua Y, no
puede tomar valores mayores que uno.
37. Cuando una variable aleatoria continua X toma el particular valor x = mediana, la
funcin de distribucin acumulada toma el valor 0,5.
38. Algunas variables aleatorias continuas, encierran un rea total bajo la curva de la
funcin de densidad de probabilidad inferior a uno.
39. Dada una variable aleatoria continua X con funcin de densidad de probabilidad f(x),
se cumple que P(X = x) = 0. Esto debe ser interpretado como que es imposible que la
variable aleatoria X asuma el particular valor x.
40. Si se tiene una variable aleatoria continua U con funcin de densidad de probabilidad
f(u) y funcin de distribucin acumulada F(u), siempre se cumple lo siguiente:
P(u1 U < u2) = F(u2) F(u1), donde u2 > u1 son particulares valores de la variable
aleatoria U.
41. Si se tiene una variable aleatoria continua V con funcin de densidad de probabilidad
f(v), siempre se cumple que: P(a V < b) = P(a V b), donde a y b son
particulares valores de la variable aleatoria V.
42. La funcin de densidad de probabilidad de una variable aleatoria continua X siempre
podr definirse slo para los valores positivos de la variable.
43. Si se tiene una variable aleatoria continua X con funcin de densidad de probabilidad
f(x), en la representacin grfica de f(x) en funcin de x, la probabilidad de que la
variable tome el particular valor x1 se lee en el eje de ordenadas para el particular
valor x1.
44. La funcin de la distribucin acumulada F(x) de una variable aleatoria continua X no
toma valores menores que cero.
45. Dada una variable aleatoria discreta X, si F(7) = F(5), entonces f(7) = f(5).
46. Si X es una variable aleatoria continua que toma valores slo en el intervalo [2; 4],
entonces la funcin f(x) = 0,5 puede ser la funcin de densidad de probabilidad de la
variable X.
47. El polgono de frecuencias, construido a partir del histograma de frecuencias relativas
de una variable aleatoria continua X, resulta muy til para ajustar una estimacin de
la funcin de densidad de probabilidad f(x).
48. La mediana de una variable aleatoria continua X, se puede obtener a partir de la
funcin de distribucin acumulada, para el valor particular de x = 0,5.
49. La variable aleatoria X, definida como el promedio de los resultados obtenidos al
lanzar dos dados legales, es una variable aleatoria discreta.
50. Dada una variable aleatoria continua X, con funcin de densidad de probabilidad f(x)
Variable aleatoria
17
Autoevaluacin UT3
definida en el intervalo [3; 6], se cumplir siempre que la P(X 3) = 1.
1. Clasificar las variables aleatorias en discretas o continuas

Para responder los siguientes tems escriba, a la izquierda del nmero del tem, la letra D si
considera que se trata de una variable aleatoria discreta o la letra C si considera que es
continua.
51. Resistencia a traccin de las barras de acero del tipo ADM-420 (N), en MN/m.
52. Nmero de vehculos controlados por da, en el acceso a Mendoza por Desaguadero.
53. Produccin diaria de agua potable en la planta de tratamiento Alto Godoy, Mendoza,
en miles de m/da.
54. La seccin de una viga de madera puede formarse abulonando dos escuadras. Se
dispone de secciones individuales de (3"x 2"); (3"x 3") y (3"x 4"). Sea X la variable a
clasificar, definida como la altura total de la seccin obtenida, de base igual a 3".
55. Tiempo de secado de una pintura de secado rpido, observado en el panel de ensayo.
56. Nmero de permisos de construccin de edificios, por ao, otorgados por la
municipalidad de Godoy Cruz, en la provincia de Mendoza.
57. Superficie implantada con frutales en la provincia de Mendoza, en Ha, declarada
cada ao.
58. Consumo de energa elctrica por tipo de actividad productiva en la provincia de
Mendoza, en MWh / ao.
59. Cantidad de lneas telefnicas instaladas, por ao, en la provincia de Mendoza.
60. Superficie construida por ao, en la ciudad Capital de Mendoza, en m / ao.
61. Nmero de accidentes de trnsito por ao, en rutas argentinas.
62. Volumen anual de efluentes cloacales tratados por la planta depuradora de Campo
Espejo, en hm / ao, en la provincia de Mendoza.
63. Nmero de instalaciones elctricas inspeccionadas anualmente por la municipalidad
de Guaymalln.
64. Gas entregado anualmente en la provincia de Mendoza, por tipo de usuario, en miles
de m / ao.
65. Una empresa comercializa entablonados de madera en espesores de 1/8, 1/4 o 3/8 de
pulgada. La variable aleatoria es el espesor del entablonado solicitado en dos pedidos
recibidos.
Variable aleatoria
18
Autoevaluacin UT3
2. Esperanza, varianza y combinaciones lineales de variables aleatorias

66. Es comn entre los estadsticos, referirse a la media como la esperanza matemtica o
el valor esperado de la variable aleatoria X y denotarla como E(X).
67. La frmula para calcular el valor esperado de variables aleatorias continuas, es la
misma que se utiliza para calcular el valor esperado de las variables aleatorias
discretas.
68. El valor esperado del resultado obtenido al lanzar un dado legal es 3,5.
69. Si el valor esperado del resultado obtenido al lanzar un dado legal es 3,5, debe
interpretarse que los resultados que ms se repiten son el 3 y el 4.
70. El valor esperado de una variable aleatoria, describe cmo se distribuye la funcin de
probabilidad en su rango.
71. El valor esperado de la variable aleatoria Y = 2X 1, es igual al doble del valor
esperado de la variable aleatoria X.
72. La media o valor esperado de una variable aleatoria X resulta de especial importancia
en estadstica, pues describe el lugar donde se centra la distribucin de probabilidad.
73. Si el valor esperado de una variable aleatoria asume un valor menor que cero, debe
interpretarse que, fsicamente, es imposible que la variable tome ese particular valor.
74. Si una variable aleatoria tiene una varianza pequea, esperaramos que la mayor parte
de las observaciones se agrupen cerca y alrededor de la media.
75. La varianza de la variable aleatoria Y = 2X 1, es cuatro veces mayor que la varianza
de la variable aleatoria X.
76. Sea X la variable aleatoria definida como las calificaciones de los estudiantes de
Ingeniera en Estadstica; y sea Y la misma variable en lgebra. Si se cumple que
E(X) = E(Y) y que la V(X) > V(Y), dado el valor de la media de X y un intervalo
alrededor de la misma, se cumplir que la probabilidad de que la variable Y tome
valores dentro de dicho intervalo, es mayor.
77. Si se tiene un histograma simtrico de una distribucin discreta de probabilidad, se
debe concluir que la variabilidad en la distribucin es nula.
78. La varianza de una variable aleatoria con distribucin de probabilidad f(x), es el
valor esperado del cuadrado de las desviaciones respecto de su media.
79. Una forma de obtener la varianza de una variable aleatoria X es, haciendo la
diferencia entre el valor esperado del cuadrado de la variable, y el valor esperado de
la variable elevado al cuadrado.
80. El valor esperado de una constante es siempre igual a cero.
81. El valor esperado del producto de una constante por una variable aleatoria, es igual
al producto de la constante por el valor esperado de la variable aleatoria.
82. El valor esperado de la suma algebraica de dos variables aleatorias, es siempre igual
a la suma de los valores esperados de las mismas.
Variable aleatoria
19
Autoevaluacin UT3
83. El valor esperado del producto de dos variables aleatorias, es igual al producto de
los valores esperados de las mismas, siempre y sin excepcin.
84. La varianza de una constante es siempre igual a la constante elevada al cuadrado.
85. La varianza de una constante por una variable aleatoria, es igual al cuadrado de la
constante multiplicado por la varianza de la variable aleatoria.
3. Teorema de Chebyshev
86. La proporcin de valores que toma una variable aleatoria entre dos valores simtricos
alrededor de la media, est relacionada con la desviacin estndar de la variable
aleatoria.
87. El teorema de Chebyshev, proporciona una estimacin conservadora de la
probabilidad de que una variable aleatoria tome un valor dentro de k desviaciones
estndar de su media, para cualquier nmero real k.
88. El teorema de Chebyshev encuentra su ms plena aplicacin, cuando la variable en
estudio se distribuye normalmente.
89. Segn el teorema de Chebyshev, la probabilidad de que una variable aleatoria
cualquiera, tome un valor dentro de k desviaciones estndar de la media, es
exactamente igual a: 1 1/k.
90. Si X es una variable aleatoria cuya funcin de densidad de probabilidad f(x) es
conocida y se desea saber la probabilidad de que la variable asuma valores en el
intervalo 2, es el caso ms apropiado para utilizar el teorema de Chebyshev.
Variable aleatoria
20
Autoevaluacin UT3-2
Unidad Temtica 3
UT3-2: Distribuciones de probabilidad de variables
aleatorias discretas
1. Distribucin uniforme discreta
1.
En la distribucin de probabilidad uniforme discreta, la variable aleatoria toma cada

uno de sus valores con idntica probabilidad.
2.
El parmetro de la distribucin de probabilidad uniforme discreta, viene dado por la

inversa de la cantidad de valores que puede tomar la variable aleatoria.
3.
La variable aleatoria que describe el nmero de caras obtenidas al lanzar dos

monedas legales sigue una distribucin de probabilidad uniforme.
4.
La media de una variable aleatoria discreta uniforme, f(x; k), siempre coincide con
uno de los valores para los cuales est definida la variable.
5.
La varianza de una variable aleatoria discreta uniforme, f(x; k), NO est relacionada
con el nmero de valores que puede tomar la variable.
2. Distribucin binomial
6.
En la distribucin binomial las pruebas que se repiten pueden ser dependientes o

independientes.
7.
El nmero X de xitos obtenidos en n experimentos de Bernoulli se denomina

variable aleatoria binomial.
8.
La media de la distribucin binomial de parmetros n y p, viene dada por el producto

np.
9.
El rango de valores de una variable aleatoria binomial va de cero a p.
10. Los resultados del experimento que da lugar a la generacin de una variable aleatoria
binomial, son independientes.
11. La varianza de la distribucin binomial puede calcularse en funcin de la
probabilidad con que ocurre cada xito y del nmero de veces que se realiza la
prueba en el experimento.
12. El espacio muestral de un experimento Bernoulli puede representarse de manera
genrica, como {xito, fracaso}.
13. Dado un valor de n pequeo, para valores pequeos del parmetro p, digamos
menores de 0,05 por ejemplo, la distribucin binomial ser sesgada a la izquierda.
14. Cuando la probabilidad de xito en un proceso Bernoulli es de 0,20, la grfica de la
distribucin binomial resultante al realizar el experimento cinco veces es simtrica.
Distribuciones de variables aleatorias discretas
21
Autoevaluacin UT3-2
15. El nmero de caras obtenidas al lanzar una moneda legal diez veces, sigue una
distribucin binomial.
16. Se tiene un examen de opcin mltiple que contiene diez preguntas; cada pregunta
tiene cuatro opciones y slo una de ellas es correcta. Si una persona responde al azar,
el nmero de respuestas correctas sigue una distribucin binomial.
17. Los valores que puede tomar una variable aleatoria que sigue una distribucin
binomial, siempre estn comprendidos entre cero y uno, inclusive.
18. Las distribuciones binomiales para valores del parmetro p = 0,5 tienen una
representacin grfica simtrica respecto de un eje vertical que pasa por el valor de la
media de la distribucin.
19. Para un valor fijo de n, la distribucin se vuelve ms simtrica a medida que el
parmetro p aumenta desde 0 hasta 0,5, o disminuye desde 1 hasta 0,5.
20. Para un valor fijo de p, la distribucin binomial se vuelve ms simtrica a medida que
n aumenta.
21. La media y la varianza de una variable aleatoria binomial, dependen slo de los
parmetros n y p.
22. Si X ~ binomial (x; n, p), para n = 10 y p = 0,98, la representacin grfica de la
funcin masa de probabilidad, resultar sesgada a la izquierda.
23. Si p = 0,4 en un proceso Bernoulli, entonces el clculo de: 7C3 . (0,4)3 . (0,6)4 da la
probabilidad de obtener tres o ms xitos en 7 ensayos.
24. Una variable aleatoria binomial asume valores entre el y el +.
25. El nmero de caras obtenidas al lanzar una moneda legal diez veces sigue una
distribucin binomial y la representacin grfica de la distribucin es simtrica
respecto del valor x = 1.
26. Si una mquina que tiene la herramienta desgastada produce 1% de piezas
defectuosas, el nmero de piezas defectuosas en las siguientes 25 que produzca, sigue
una distribucin binomial, cuyos parmetros son: n = 100 y p = 0,25.
27. Un examen de opcin mltiple est formado por 10 preguntas; cada pregunta tiene 5
opciones y slo una de ellas es correcta. Si una persona responde al azar, el nmero
de respuestas correctas sigue una distribucin binomial, cuyos parmetros son: n = 50
y p = 0,10.
3. Distribucin hipergeomtrica
28. La distribucin hipergeomtrica es de suma utilidad en aplicaciones en el campo del
control de calidad, donde el muestreo de aceptacin se realiza con ensayos
destructivos.
29. La variable aleatoria hipergeomtrica NO asume valores negativos.
30. El modo en que se realiza el muestreo (con o sin reposicin), genera diferencias entre
la distribucin binomial y la distribucin hipergeomtrica.
31. Tanto en la distribucin binomial como en la hipergeomtrica, se debe repetir el
22
Autoevaluacin UT3-2
experimento hasta encontrar el primer xito.

32. Tanto en la distribucin binomial como en la hipergeomtrica, las pruebas son
independientes.
33. En un experimento hipergeomtrico, se selecciona, con reemplazo, una muestra
aleatoria de tamao n de un lote de N artculos, donde k de los N artculos se pueden
clasificar como xitos y (N k) se pueden clasificar como fracasos.
34. El nmero de xitos (elementos defectuosos) de un experimento hipergeomtrico, en
el que se selecciona una muestra aleatoria de tamao tres, de un lote de tamao veinte
que tiene cinco elementos defectuosos, vara entre cero y cinco.
35. En un experimento hipergeomtrico, la probabilidad de no encontrar xitos en una
muestra aleatoria, es siempre igual a cero.
36. Cuando el tamao de la muestra, n, es suficientemente pequeo en relacin al tamao
del lote, N, la distribucin binomial permite calcular, de manera aceptable,
probabilidades de la distribucin hipergeomtrica.
37. La expresin (N n) / (N 1) se conoce como factor de correccin de poblacin
finita.
38. Para calcular probabilidades de la distribucin hipergeomtrica, se puede utilizar la
distribucin binomial, si el factor de correccin para poblaciones finitas (N n) / (N
1) es cercano a cero.
39. El muestreo con reemplazo es equivalente al muestreo de una poblacin infinita, en
la que se acepta que la proporcin de xitos permanece constante para cualquier
ensayo del experimento.
4. Distribucin geomtrica
40. Los parmetros de la distribucin geomtrica son n y p.
41. Los valores que puede asumir una variable geomtrica van de cero a n.
42. El parmetro de la distribucin geomtrica est dado por la probabilidad de obtener
un xito en una prueba cualquiera del experimento, valor que permanece constante en
cada prueba.
43. En la distribucin geomtrica las pruebas son independientes.
44. La media de una variable aleatoria que sigue una distribucin geomtrica est dada
por la inversa del parmetro de la misma.
45. Si se define a la variable aleatoria X como el nmero de lanzamientos que se deben
hacer con un dado legal hasta que salga el seis, E(X) = 6.
46. Se sabe que una persona tiene una probabilidad de dar en el blanco de 0,90. En tal
condicin, la probabilidad de que en los prximos diez disparos que realice, recin d
en el blanco en el cuarto, es igual a 0,0009.
23
Autoevaluacin UT3-2
5. Distribucin de Poisson
47. La representacin grfica de la distribucin de Poisson siempre tiene forma simtrica.
48. Dada una variable con distribucin binomial de parmetros n y p, para valores
suficientemente grandes de n y pequeos de p, las condiciones se aproximan a las del
proceso de Poisson, con parmetro igual al producto np.
49. Una de las propiedades del proceso de Poisson, es que la probabilidad de que ocurra
un solo resultado durante un intervalo es independiente de la longitud del intervalo.
50. En el proceso de Poisson, el nmero de resultados que ocurren en un intervalo o
regin especfica, es independiente del nmero de ocurrencias que se producen en los
intervalos o regiones adyacentes al considerado.
51. La media de una distribucin de Poisson es igual a su desviacin estndar.
52. La variable aleatoria de Poisson slo puede tomar valores comprendidos en el
intervalo [0 ; ], siendo su parmetro.
53. La variable aleatoria de Poisson puede tomar valores menores que cero, slo cuando
la tasa de ocurrencia sea menor que uno.
54. Si X ~ Poisson (x; ), para valores suficientemente grandes del parmetro, la
distribucin tiende a ser simtrica.
6. La distribucin de Poisson como forma limitante de la binomial
55. Sea X una variable aleatoria binomial con distribucin de probabilidad b(x; n, p).
Siempre y en cualquier caso es posible utilizar la distribucin de Poisson como forma
limitante de la distribucin binomial, es decir, b(x; n, p) p(x; ).
56. Para una distribucin binomial dada, con n suficientemente grande y p pequea, las
condiciones se aproximan a las del proceso de Poisson, con parmetro igual a la
constante np.
57. Cuando p sea un valor cercano a la unidad, de ninguna manera ser posible utilizar la
distribucin de Poisson para aproximar probabilidades binomiales.
24
Autoevaluacin UT3-2
7. Opcin Mltiple
Seleccione con una X la opcin que considere correcta. Tenga en cuenta
que cada tem ha sido construido de modo tal que slo una de las cuatro
opciones es correcta. No obstante, podra ocurrir que las tres primeras
opciones sean correctas y que la cuarta opcin indique Todas las
anteriores; en tal caso, debe seleccionar slo la cuarta opcin.
Descripcin del problema:
Los componentes de un sistema se envan a destino en lotes de 8 unidades. El control de

calidad del producto establece que se seleccionen aleatoriamente dos unidades de cada lote y
se acepte el lote si no se encuentran unidades defectuosas en la muestra. Suponga que el lote
tiene 3 unidades defectuosas.
58. El nmero de unidades defectuosas en la muestra sigue una distribucin:
e)
f)
g)
h)
Binomial
Hipergeomtrica
Poisson
Geomtrica
59. Los parmetros de la distribucin son:

a)
b)
c)
d)
n, p
N, n, k
t
p
60. Los valores que puede asumir la variable aleatoria en estudio son:
a)
b)
c)
d)
x = 0, 1, , n
x = 0, 1, , k
x = 0, 1, , t
x = 1, 2,
61. De acuerdo a la informacin disponible, la variable aleatoria en estudio:

a)
b)
c)
d)
Sigue una distribucin hipergeomtrica que se aproxima a la binomial.

Sigue una distribucin binomial que se aproxima a la de Poisson.
Sigue una distribucin hipergeomtrica que se aproxima a la de Poisson.
62. Si X es el nmero de unidades defectuosas en la muestra, el planteo para calcular la

probabilidad de que el lote sea aceptado, es:
a)
b)
c)
d)
P( X < 3)
P( X < 2)
P( X = 0)
63. La probabilidad de que el lote sea aceptado, es:

a)
b)
c)
d)
0,642857
0,375000
0,357143
Ninguna de las anteriores. El valor correcto es:
25
Autoevaluacin UT3-3
Unidad Temtica 3
3-3: Distribuciones de probabilidad de variables
aleatorias continuas
Atencin!
Para responder los tems que comienzan con un asterisco (*) debe
utilizar las tablas estadsticas. Para responder los otros tems debe
pensar en las propiedades de la distribucin y responderlos sin
utilizar tablas.
En el caso particular de la distribucin normal, antes de responder
la autoevaluacin debe memorizar las reas que encierra la curva
alrededor de: ; 2 ; 3. Es suficiente recordar hasta
el tercer decimal.
1. Distribucin uniforme continua
1.
Si una variable aleatoria continua X est distribuida uniformemente en el intervalo

[A; B], la probabilidad de que tome valores en intervalos de igual longitud dentro de
su rango, es la misma.
2.
Dado que la funcin de densidad de probabilidad de una variable aleatoria uniforme

continua X en el intervalo [A; B] es constante, tiene varianza nula.
3.
El valor esperado de una variable aleatoria continua, distribuida uniformemente en el

intervalo [1; 3], es igual a 1.
4.
La funcin de densidad de una variable aleatoria continua distribuida uniformemente

en el intervalo [A; B], es simtrica respecto de un eje vertical que pase por la media.
5.
Si X es una variable aleatoria continua distribuida uniformemente, cuartil inferior y

cuartil superior son coincidentes.
2. Distribucin normal
6.
Los parmetros de la distribucin de probabilidad de una variable aleatoria normal

son su media y la desviacin estndar (o su varianza).
7.
Siempre y sin restriccin alguna, la curva de la funcin de densidad de probabilidad

de una variable aleatoria normal, es simtrica respecto de un eje vertical que pasa por
la media.
8.
Para algunos valores particulares de los parmetros de la distribucin normal, la

curva de la funcin de densidad de probabilidad puede presentar ms de una moda.
Distribuciones de variables aleatorias continuas
26
9.
Autoevaluacin UT3-3
Si X N (x; , ), media, mediana y moda son coincidentes.
10. La curva de la distribucin normal tiene sus puntos de inflexin en correspondencia

con los valores de la variable ubicados alrededor de la media, a una distancia de
una vez la desviacin estndar.
11. La probabilidad de que cualquier variable aleatoria distribuida normalmente, con
media y varianza , tome valores entre 3, es igual a 0,997.
14. La funcin de distribucin acumulada F(x), de cualquier variable aleatoria X
distribuida normalmente, es igual a 0,5 para el valor de x igual a la media.
15. Una variable aleatoria X distribuida normalmente est definida slo para valores
positivos de la misma.
16. Si graficamos dos curvas normales con la misma desviacin estndar y medias
diferentes, las curvas tendrn la misma forma, pero estarn centradas en posiciones
diferentes a lo largo del eje de la variable.
17. La funcin de densidad de una variable aleatoria normal es ms chata y se extiende
ms sobre el eje de la variable (horizontal), mientras mayor sea su varianza.
18. La probabilidad de que una variable aleatoria normal tome el particular valor x1, se
puede leer en el eje de ordenadas, en f(x1).
19. La probabilidad de que una variable aleatoria X N (x; , ), tome valores entre los
particulares valores x = x1 y x = x2, est representada por el rea bajo la curva de la
funcin de densidad de probabilidad comprendida entre x1 y x2.
20. No cualquier variable aleatoria X N (x; , ) se puede transformar en otra variable
aleatoria Z N (z; 0, 1).
21. La distribucin de una variable aleatoria normal con media cero y varianza uno, se
llama distribucin normal estndar.
22. La probabilidad de que una variable aleatoria X N (x; = 4, = 2) tome valores
entre 4,5 y 5,5 es igual a la probabilidad de que la variable aleatoria normal estndar
tome valores entre 0,25 y 0,75.
23. La probabilidad de que una variable aleatoria normal, con media seis y desviacin
estndar igual a dos, tome valores menores que seis, es igual a la probabilidad de que
la misma variable tome valores menores o iguales que seis.
24. La curva de la funcin de distribucin acumulada de una variable aleatoria normal, es
simtrica respecto de un eje vertical que pasa por el valor de la media.
25. La funcin de distribucin acumulada de una variable aleatoria normal, siempre y sin
restriccin alguna, toma el valor 0,5 para el valor particular de la variable igual a la
media de la distribucin.
26. * El percentil sesenta y siete de la una variable normal estndar es igual a 0,44.
27. El quinto decil de una variable normal estndar es igual a 0,5.
27
Autoevaluacin UT3-3
28. El percentil treinta y tres de cualquier variable aleatoria normal es igual a 0,44.
29. La probabilidad de que una variable aleatoria normal estndar tome valores mayores
que uno, es igual a 0,841.
30. Cuando se mantiene constante el valor de la media, a medida que la desviacin
estndar aumenta, la curva de la distribucin normal va perdiendo simetra.
3. Aproximacin normal a la distribucin binomial a la normal
31. Dado que la distribucin binomial siempre resulta simtrica, siempre se pueden
obtener buenos resultados, calculando probabilidades binomiales utilizando la
distribucin normal.
32. Algunas veces, cuando la distribucin binomial adquiere forma de campana
simtrica, la distribucin normal es una buena aproximacin de la binomial.
33. La distribucin binomial se aproxima bien por la normal cuando el tamao de la
muestra es suficientemente grande.
34. La aproximacin normal es excelente para evaluar probabilidades binomiales cuando
n es suficientemente grande, y muy buena, para valores pequeos de n, si p es
razonablemente cercano a 0,5.
35. En la prctica, si se cumple que np 5 y nq 5, la aproximacin normal para evaluar
probabilidades binomiales ser aceptable.
36. Si X binomial (x; n = 15, p = 0,4) y se dan las condiciones para aproximar el
clculo de probabilidades utilizando la distribucin normal, entonces se puede
verificar que P(4 X < 8) = P(-1,318< Z <+0,791).
37. Para efectuar la aproximacin normal a la binomial, es necesario efectuar la
correccin por continuidad de la variable.
4. Distribucin gamma y exponencial
38. La media y la varianza de la distribucin gamma son y respectivamente.
39. La distribucin exponencial es un caso particular de la distribucin gamma.
40. La funcin de densidad de probabilidad, f(x), de una variable aleatoria continua X que
tiene una distribucin exponencial con parmetro , es igual a uno para todo x < 0.
41. La funcin de densidad de probabilidad, f(x), de una variable aleatoria continua X que
tiene una distribucin exponencial, es simtrica respecto de un eje vertical que pasa
por la media.
42. La media y la varianza de la distribucin exponencial son, respectivamente, y .
43. La funcin de densidad de probabilidad f(x) = .e-x es la funcin de densidad de
probabilidad de la distribucin exponencial con = 1/.
44. Para = 1, a medida que aumenta , la distribucin gamma tiende a cambiar su
28
Autoevaluacin UT3-3
forma: de sesgada a la derecha tiende a la simetra.

45. Para cualquier = constante y positivo, la distribucin gamma resulta sesgada a la
derecha.
5. Distribucin Ji Cuadrada
46. La distribucin ji-cuadrada se genera sumando variables aleatorias independientes
distribuidas uniformemente.
47. La distribucin ji-cuadrada es un caso particular de la distribucin gamma.
48. La media y la desviacin estndar de la distribucin ji-cuadrada son y 2,
respectivamente, siendo el nmero de g.d.l..
49. Si graficamos dos funciones de densidad de probabilidad de variables aleatorias con
distribucin ji-cuadrada, donde la media de la primera es menor que la media de la
segunda, la curva de la segunda ser ms baja y se extender ms lejos.
50. La distribucin ji-cuadrada tiene un papel importante en la metodologa y en la teora
de la inferencia estadstica.
51. Los parmetros de la distribucin ji-cuadrada son dos: el tamao de la muestra, n, y
el nmero de g.d.l., .
52. La distribucin ji-cuadrada est definida, con valores distintos de cero, para valores
de la variable aleatoria comprendidos entre y + .
53. La probabilidad de que una variable aleatoria con distribucin ji cuadrada, de
parmetro igual a 30, tome valores menores que (13,787), es igual a 0,995.
parmetro igual a 25, tome valores mayores que (2), es igual a uno.
parmetro igual a 10, tome valores menores o iguales que la media, es igual a 0,5.
56. La suma de n variables aleatorias independientes distribuidas normalmente, genera
una variable aleatoria con distribucin ji cuadrada de parmetro igual a n.
6. Distribucin logartmica normal
57. La distribucin logartmica normal se aplica en casos donde una transformacin de
logaritmo natural tiene como resultado una distribucin normal.
58. La variable aleatoria continua X tiene una distribucin logartmica normal si la
variable Y = ln (X) tiene una distribucin normal con media y desviacin estndar
.
7. Distribucin de Weibull
29
Autoevaluacin UT3-3
59. Los parmetros de la distribucin de Weibull son su media y su varianza.

60. La confiabilidad de un componente o producto, se define como la probabilidad de
que funcione apropiadamente por lo menos un tiempo especfico, bajo condiciones
experimentales especficas.
61. Una de las distribuciones de aplicacin en problemas de confiabilidad de
componentes que forman los sistemas, es la distribucin de Weibull.
62. La funcin de densidad de una variable aleatoria con distribucin de Weibull, es
siempre simtrica respecto de un eje vertical que pasa por la media.
8. Distribucin t
Abrev. g.d.l.: grados de libertad
63. Sea Z una variable aleatoria normal estndar y sea V una variable aleatoria que sigue
una distribucin ji cuadrada con g.d.l. Si Z y V son independientes, entonces la
distribucin de la variable aleatoria T se conoce como la distribucin t, con g.d.l.,
Z
.
donde T =
V
64. Una variable aleatoria con distribucin t se define como el cociente entre una variable
aleatoria normal estndar y la raz cuadrada del cociente entre una variable aleatoria
con distribucin ji cuadrada y su nmero de g.d.l., siendo las variables
independientes.
65. La distribucin de una variable aleatoria T, con distribucin t, difiere de la
distribucin de una variable normal estndar Z, en que la varianza de T depende del
tamao de la muestra n y siempre es mayor que uno. Slo cuando el tamao de la
muestra tiende a infinito (n ) las dos distribuciones coincidirn.
66. Si bien la distribucin de T y la distribucin de Z tiene forma de campana, la
distribucin de t es ms variable que la de Z, debido al hecho de que los valores de T
dependen de las fluctuaciones de dos cantidades, X y S, mientras que los valores de
Z dependen slo de los cambios de X de una muestra a otra.
67. Si graficamos dos variables aleatorias con distribucin t, donde 1 es el nmero de
g.d.l. de la primera y 2 el de la segunda, y 1 < 2, entonces la primera se extender
ms sobre el eje horizontal.
68. * El valor de t con = 10 g.d.l. que deja a su izquierda y debajo de la curva un rea
igual a 0,975 y a su derecha un rea igual a 0,025 es igual a 2,228.
69. Cuando n , las distribucin t y la distribucin normal estndar coincidirn.
70. El uso de la distribucin t de Student NO tiene restricciones respecto de la
distribucin de la poblacin muestreada.
30
Autoevaluacin UT3-3
9. Distribucin F
71. La estadstica F se define como el cociente entre dos variables aleatorias ji cuadradas
independientes, divididas, cada una, por su nmero de g.d.l..
72. Si U y V son variables aleatorias normalmente distribuidas, con 1 y 2 g.d.l.,
respectivamente, entonces la estadstica F = [(U/1) / (V/2)] tiene una distribucin F,
con 1 g.d.l. en el numerador y 2 g.d.l. en el denominador.
73. Para graficar la funcin de densidad de probabilidad de una variable aleatoria F se
necesita conocer el nmero de g.d.l. del numerador, 1, y el nmero de g.d.l. del
denominador, 2.
74. * Utilizando la notacin ( f ; 1; 2 ), donde f es un valor particular de una variable
aleatoria que sigue una distribucin F, con 1 g.d.l. en el numerador y 2 g.d.l. en el
denominador, que deja a su derecha un rea bajo la curva igual a , se puede verificar
que f0,05; 15; 10 = 2,85.
denominador, que deja a su derecha un rea bajo la curva igual a , se puede
verificar que f0,95; 19; 20 = 0,463.
denominador, que deja a su derecha un rea bajo la curva igual a , se puede
verificar que f0,01; 24; 12 = 3,03.
77. Algunas aplicaciones de la distribucin F tienen que ver con la comparacin de
varianzas muestrales y con la inferencia acerca de las varianzas poblacionales.
78. La estadstica F se define como la suma del cuadrado de variables normales estndar
independientes.
79. La probabilidad de que una variable aleatoria con distribucin F que tiene 5 g.d.l. en
el numerador y siete en el denominador, tome valores menores que 3, es igual a uno.
80. * La probabilidad de que una variable aleatoria con distribucin F con 1 = 10 y 2 =
8 tome exactamente el valor 3,35 es igual a 0,05.
31
Autoevaluacin UT3-4
11. Combinaciones lineales de variables aleatorias

81. La distribucin normal posee la propiedad reproductiva, esto es, la suma de variables
aleatorias independientes distribuidas normalmente, es una variable aleatoria normal.
82. Si X1, X2, X3, , Xi, , Xn, son variables aleatorias independientes que tienen,
respectivamente, distribuciones ji cuadrada con 1, 2, 3, , i, , n, g.d.l.,
entonces la variable aleatoria que resulta de la suma de las variables independientes:
W = X1 + X2 + X3 + + Xi + + Xn , tiene una distribucin normal con media igual
a la suma de las medias de las variables y varianza igual a la suma de las varianzas de
las variables Xi.
83. La suma del cuadrado de variables aleatorias normales estndar independientes, tiene
una distribucin ji cuadrada, con parmetro igual al nmero de variables normales
estndar cuyos cuadrados se suman.
84. Dada la variable aleatoria X distribuida normalmente con media igual a 50 y
desviacin estndar igual a 2, y la variable aleatoria Y distribuida normalmente con
media igual a 20 y desviacin estndar igual a 4, siendo X e Y variables aleatorias
independientes, entonces la variable W = X Y tendr una distribucin normal con
media igual a 30 y desviacin estndar igual a 6.
85. Dada la variable aleatoria X que tiene una distribucin ji cuadrada con 3 g.d.l. y la
variable aleatoria Y que tiene una distribucin ji cuadrada con 5 g.d.l., siendo X e Y
variables aleatorias independientes, entonces la variable W = X + Y tendr una
distribucin ji cuadrada con media igual a 8 y varianza igual a 16.
12. Distribuciones de probabilidad conjunta
86. Los resultados de un experimento estadstico pueden dar lugar al estudio de una o
ms variables aleatorias.
87. Para el caso de dos variables aleatorias discretas, X e Y, la funcin de probabilidad
conjunta f(x,y), da la probabilidad de que ocurran los valores x e y al mismo tiempo.
88. Sea Y la variable aleatoria que da el nmero de licencias por enfermedad solicitadas
por los empleados de una empresa en un mes cualquiera del ao, y Z el mes del ao
en que la solicitan, expresado en nmeros del uno al doce. Si la funcin de
probabilidad conjunta de Y y Z toma el valor f(5,12) = 0,45, debe interpretarse que la
probabilidad de que cinco empleados soliciten licencia por enfermedad en el mes de
diciembre, es por lo menos igual a 0,45.
89. Cualquier funcin f(x,y) que cumpla la condicin de que x0 y que y0, es funcin de
probabilidad conjunta de las variables aleatorias discretas X y Y.
90. Si las variables Y y Z son variables aleatorias continuas, con funcin de densidad
conjunta f(y,z), la representacin grfica de la misma dar una superficie sobre el
plano yz, y se puede medir la P[(Y, Z) A], donde A es cualquier regin en el plano
yz, en la escala graduada de un eje perpendicular al plano yz.
Combinaciones lineales de v.a. - Probabilidad conjunta
32
Autoevaluacin UT3-4
91. Las variables aleatorias continuas Y y Z, con funcin de densidad conjunta f(y,z), no
pueden tomar valores menores que cero.
92. Dada la distribucin de probabilidad conjunta de las variables aleatorias discretas X y
Y, es posible obtener las distribuciones marginales de X y Y, a partir de f(x,y).
93. Sean Y y Z variables aleatorias discretas con funcin de probabilidad conjunta f(y,z).
Siempre se cumple que la suma de los valores de la distribucin marginal de
cualquiera de las variables sobre todos los valores de la misma, es igual a uno.
94. Las distribuciones marginales de las variables aleatorias continuas Y y Z, son en
realidad las distribuciones de probabilidad de las variables individuales Y y Z solas.
Independencia estadstica
95. La simbologa f(x, y) debe leerse: probabilidad de que la variable aleatoria X tome el
particular valor x y que la variable aleatoria Y tome el particular valor y.
96. La simbologa f (xy) debe leerse: probabilidad de que la variable aleatoria X tome el
particular valor x, dado que la variable aleatoria Y toma el particular valor y.
97. Cuando f (yz) depende de z, la distribucin condicional de la variable aleatoria Y
dado que Z = z, es igual a la distribucin marginal de la variable aleatoria Y.
98. Si f (xy) no depende de y, se cumple que f (xy) = g(x) y f(x, y) = g(x) . h(y).
99. Las variables aleatorias discretas Y y Z son estadsticamente independientes, si y slo
si, la funcin de distribucin de probabilidad conjunta de las mismas es igual al
producto de las distribuciones marginales, para toda (y, z) dentro de sus rangos.
100. Si se verifica algn punto (y, z) para el que f(y,z) g(y).h(z), las variables aleatorias
discretas Y y Z no son estadsticamente independientes.
101. Si se cumple que f(x, y) = P(X=x , Y=y), para todo (x, y), entonces las variables
aleatorias discretas X, Y, son estadsticamente independientes.
102. Dadas las variables aleatorias discretas Y y Z, con f(2,1) = 7/5; g(2)=4/5 y h(1)=3/5,
se puede afirmar que las variables aleatorias discretas Y y Z son estadsticamente
independientes.
Combinaciones lineales de v.a. - Probabilidad conjunta
33
Autoevaluacin UT4
Unidad Temtica 4
Distribuciones fundamentales del muestreo
1. Muestreo aleatorio
1.
En Estadstica, el trmino poblacin se usa para referirnos al conjunto de personas

que constituyen el grupo en estudio.
2.
Siempre ser posible y no habr dificultades en disponer del conjunto de todas las
observaciones que constituyen la poblacin estudiada.
3.
Cualquier subconjunto de una poblacin, constituye una muestra representativa de la

poblacin en estudio.
4.
Cualquier procedimiento de muestreo que produzca inferencias que sobreestimen o

subestimen de forma consistente alguna caracterstica de la poblacin, se dice que
est sesgado.
5.
En un muestreo aleatorio, las observaciones se obtienen de manera independiente y

al azar.
6.
Cualquier conjunto de datos seleccionados de una poblacin, permite hacer

inferencias confiables acerca de los parmetros de la poblacin de la cual proviene.
7.
La distribucin de probabilidad de una estadstica se llama distribucin muestral.
8.
La distribucin de probabilidad de una estadstica depende del tamao de la

poblacin y es independiente del tamao de las muestras.
9.
La distribucin muestral de X , es la distribucin que resulta cuando un experimento

se lleva a cabo una y otra vez, probando siempre con muestras de distintos tamaos.
2. Distribuciones muestrales de medias y diferencia de medias

10. Si tomamos muestras de una poblacin normal con media y varianza conocida,
la distribucin muestral de X ser normal con media y varianza /n, donde n es el
tamao de la muestra, sin importar qu tan pequeo sea el tamao de las muestras.
11. Si tomamos muestras de una poblacin no normal o desconocida, con media y
varianza conocida, la distribucin muestral de X ser normal, con media y
varianza /n, donde n es el tamao de la muestra, siempre que el tamao de la
muestra sea suficientemente grande.
12. La aproximacin normal para la distribucin de la media muestral, en general ser
buena si n 30, sin importar la distribucin de la poblacin.
34
Autoevaluacin UT4
13. El teorema del lmite central afirma que la forma lmite de la distribucin de la media
muestral de una poblacin cualquiera, con media y varianza , es la normal, con
media y varianza /n, cuando el tamao de la muestra n tiende a infinito.
14. Las aplicaciones de teorema del lmite central giran alrededor de las inferencias sobre
la media de una poblacin o de la diferencia entre las medias de dos poblaciones.
15. Si X es una variable de una poblacin que sigue una distribucin exponencial, la
media muestral de dicha variable, se distribuye normalmente cuando el tamao de las
muestras seleccionadas es suficientemente grande.
16. Si se extraen al azar muestras independientes de tamao n1 y n2 de dos poblaciones
cualesquiera, sean discretas o continuas, con medias 1 y 2 y varianzas 1 y 2,
respectivamente, entonces la distribucin muestral de las diferencias de las medias
( X 1 X 2 ), est distribuida normalmente con media (1 2) y varianza (1/n1 +
2/n2), sin condicin alguna.
17. La distribucin muestral de las diferencias de las medias es til cuando se comparan
las medias desconocidas de dos poblaciones.
3. Distribucin muestral de la varianza de una muestra: S
18. Si S es la varianza de una muestra aleatoria de tamao n, que se extrae de una
poblacin cualquiera que tiene varianza , entonces la estadstica = (n 1) S/,
sigue una distribucin ji cuadrada con = n 1 grados de libertad.
19. Si X es la media muestral de n variables aleatorias independientes distribuidas
normalmente, con la misma media, , e idntica varianza, , entonces la variable
X
aleatoria T =
n , tiene una distribucin t con = n 1 g.d.l., donde S es la
S
desviacin estndar de la muestra, sin condicionamientos para el tamao de la
muestra.
20. La distribucin t se utiliza ampliamente en problemas que tienen que ver con la
inferencia acerca de la varianza de una poblacin o en problemas que implican
comparaciones de las varianzas de dos muestras.
21. El uso de la distribucin t y la consideracin del tamao de la muestra no se
relacionan con el teorema de lmite central. El uso de la distribucin normal estndar
Z en lugar de T para n 30 slo implica que S es un estimador suficientemente bueno
de .
35
Autoevaluacin UT5
Unidad Temtica 5
Estimacin de parmetros: medias, varianzas y
proporciones
1. Estimacin. Estimadores. Propiedades.
1.
La teora de la inferencia estadstica consiste en aquellos mtodos mediante los

cuales se realizan inferencias o generalizaciones acerca de una poblacin, a partir de
la informacin de una muestra aleatoria extrada de dicha poblacin.
2.
En el mtodo clsico de estimacin de un parmetro de la poblacin, las inferencias

se basan de manera estricta, en la experiencia personal y subjetiva que una persona
tiene sobre la poblacin que se estudia.
3.
La estadstica inferencial que veremos en nuestro curso, se refiere a dos reas

importantes: estimacin de parmetros y pruebas de hiptesis.
4.
es un estimador cuyo valor es una estimacin puntual de algn

Genricamente,
parmetro poblacional desconocido .
5.
Casi siempre, el valor numrico de una estimacin puntual coincide exactamente con
el valor numrico del parmetro a estimar.
6.
En general, se espera que las estimaciones del parmetro poblacional obtenidas

mediante un buen estimador, estn muy alejadas del valor real del parmetro.
7.
Nunca debe utilizarse la mediana de la muestra de una poblacin para estimar el

verdadero valor de la media de dicha poblacin.
8.
El estimador varianza muestral, siempre producir estimaciones puntuales ms

cercanas a la media de la poblacin de la cual proviene la muestra, que las
estimaciones puntuales del estimador media muestral.
9.
Una de las propiedades deseables que debe reunir un estimador, es que sea
insesgado.
10. Se dice que un estimador es insesgado cuando proviene de una poblacin cuya
funcin de densidad de probabilidad es simtrica.
es un estimador insesgado del parmetro poblacional , si el valor
11. Una estadstica
esperado de la estadstica es igual al parmetro estimado.
12. La varianza muestral es un estimador sesgado de la varianza poblacional.
13. Todas las estadsticas son estimadores insesgados del parmetro poblacional.
14. La desviacin estndar muestral es un estimador sesgado de la desviacin estndar
poblacional, aunque el sesgo es insignificante en muestras grandes.
15. Se puede demostrar que E(S) = .
Estimacin de parmetros
36
Autoevaluacin UT5
16. Dividimos por (n 1) en lugar de n cuando se estima la varianza de una poblacin,

porque en esta condicin la varianza muestral es un estimador insesgado del
parmetro estimado.
17. De los todos los posibles estimadores de algn parmetro poblacional , se denomina
estimador ms eficiente de , al de menor varianza.
18. El estimador ms eficiente de un parmetro poblacional es el que cumple la
condicin de tener varianza nula.
19. Si consideramos a la media muestral y la mediana muestral como estimadores de la
media poblacional, , es posible demostrar que la mediana muestral es un estimador
ms eficiente que la media muestral.
20. En poblaciones normales, la media muestral y la mediana muestral son estimadores
insesgados de la media de la poblacin ; adems, tienen la misma varianza.
21. Para obtener el estimador ms eficiente de algn parmetro poblacional , es
suficiente seleccionar aquel que tenga menor varianza.
22. Las estimaciones puntuales que se obtienen con un estimador insesgado, resultan
iguales y coinciden con el valor numrico del parmetro estimado.
23. Cuando se estima un parmetro poblacional con el estimador insesgado ms
eficiente, se espera que la estimacin puntual coincida con el valor del parmetro a
estimar.
2. Estimacin por intervalos de confianza
24. Dado que es poco probable que el estimador insesgado ms eficiente estime al
parmetro poblacional con exactitud, es preferible determinar un intervalo y esperar,
con una confianza dada, que contenga al verdadero valor del parmetro.
25. Al construir un intervalo de confianza para estimar la media de una poblacin, se
debe tener en cuenta la distribucin de la poblacin (si es normal, no normal o
desconocida).
26. Una estimacin por intervalo de un parmetro poblacional , es un intervalo de la
y
forma Inf < < Sup , donde Inf y Sup dependen del valor de la estadstica
.
tambin de la distribucin del muestreo de
27. Una vez definido el parmetro poblacional a estimar , los valores numricos de los
lmites inferior y superior del intervalo de confianza, Inf y Sup , respectivamente, se
mantienen constantes, sea cual sea la muestra y la estimacin por intervalo que se
haga a partir de la misma.
< <
) = 1 , debemos interpretar que, la probabilidad de
28. Al escribir P(
Inf
Sup
seleccionar una variable aleatoria que produzca un intervalo que contenga al
verdadero valor del parmetro poblacional , es (1).
29. Al estimar la media poblacional mediante un intervalo de confianza, slo algunas
37
Autoevaluacin UT5
veces esta estimacin depende del tamao de la muestra seleccionada.

30. Al construir un intervalo con un nivel de confianza del 95%, por ejemplo, es posible
conseguir mayor precisin en la estimacin, aumentando el tamao de la muestra
seleccionada.
31. Si el nivel de confianza elegido es del 99%, podemos estar seguros de que el
intervalo que construyamos a partir de la muestra, contendr al verdadero valor del
parmetro poblacional estimado.
32. Al estimar un parmetro mediante un intervalo de confianza, a mayor precisin,
menor ser la amplitud del intervalo.
3. Estimacin de la media y diferencia de medias

33. La distribucin de probabilidad de la media muestral, est centrada en el valor de la

media de la poblacin de la cual proviene la muestra, y en la mayora de las
aplicaciones, la varianza de la media muestral es ms pequea que la de cualquier
otro estimador de la media poblacional.
34. El tamao de la muestra seleccionada para estimar la media de una poblacin rara
vez influye en la estimacin realizada.
35. Al estimar la media de una poblacin, siempre se dar que, para un nivel de confianza
dado, muestras diferentes de igual tamao seleccionadas aleatoriamente de una
misma poblacin, producirn intervalos de igual amplitud.
36. Para un nivel de confianza elegido y un tamao de muestra dado, todos los intervalos
que se construyan para la media de una poblacin de varianza conocida , a partir de
muestras diferentes, tendrn la misma amplitud.
37. Al estimar la media de una poblacin por intervalos de confianza, la estimacin
puntual ocupa el punto medio de la amplitud del intervalo.
38. El tamao de la muestra seleccionada para estimar la media de una poblacin
mediante un intervalo de confianza, depende del error de estimacin especificado.
39. Al calcular las estimaciones mediante intervalos de confianza para la media de una
poblacin, se debe hacer una distincin entre los casos de desviacin estndar de la
poblacin conocida y desconocida.
40. Para estimar la media de una poblacin cualquiera con desviacin estndar
desconocida, hacemos uso de la distribucin muestral de la variable aleatoria T, con
distribucin t de Student.
41. El parmetro de la distribucin t de Student, utilizada para estimar la media de una
poblacin mediante un intervalo de confianza, est relacionado con el tamao de la
muestra seleccionada.
42. En Estadstica, se dice que trabajamos con muestras grandes cuando el tamao de las
mismas es por lo menos igual a 30.
43. Cuando se trabaja con muestras grandes, la varianza muestral es un buen estimador
38
Autoevaluacin UT5
puntual de la media de dicha poblacin.

44. Al realizar una estimacin por intervalos de la media de una poblacin con
desviacin estndar conocida, a partir de muestras distintas pero de tamao fijo, el
mximo error de estimacin para un nivel de confianza dado, tiene siempre el mismo
valor numrico.
45. Cuando se desconoce la varianza de una poblacin normal y se desea efectuar una
estimacin por intervalos de la media a partir de una muestra pequea de tamao n,
se debe utilizar la distribucin t, con (n 1) g.d.l.
46. Se denomina error de estimacin, al valor absoluto de la diferencia entre la
estimacin puntual y el verdadero valor del parmetro a estimar.
47. El mximo error de estimacin de la media de una poblacin, depende solamente del
nivel de confianza elegido para realizar la estimacin.
48. A la desviacin estndar de un estimador, se la conoce con el nombre de error
estndar del estimador. Por ejemplo, el error estndar de la media muestral viene
dado por el cociente / n.
49. Dado el siguiente resultado de una estimacin por intervalos de confianza para la
diferencia de las medias de dos poblaciones: ( +3,43 < 1 2 < +8,57 ), se debe
interpretar, con un nivel de confianza dado, que la media 2 es mayor que la media
1.
50. Si los dos lmites de confianza obtenidos al calcular un intervalos de confianza para
la diferencia de las medias de dos poblaciones resultan negativos, debe descartarse el
resultado y pensar que se ha cometido un error de clculo.
51. En la construccin de intervalos de confianza para estimar la diferencia entre dos
medias poblacionales, de acuerdo a la informacin disponible, se puede utilizar la
distribucin normal estndar o la distribucin t.
4. Estimacin de la proporcin y diferencia de proporciones
52. Un estimador puntual de la proporcin p en un experimento binomial est dado por la

estadstica P = X / n , donde X representa el nmero de xitos en n pruebas.
53. Cuando el tamao n de la muestra es pequeo y la proporcin desconocida p es
cercana al valor cero o al valor uno, el procedimiento de clculo que permite la
construccin del intervalo de confianza visto en nuestro curso, no es confiable y por
lo tanto no se debe utilizar.
54. Si necesitamos conocer el tamao de muestra necesario para que el error de
estimacin no supere una cantidad especfica e, con un nivel de confianza dado,
siempre se deber tomar una muestra preliminar que nos permita tener una
estimacin previa del parmetro a estimar p.
55. Para obtener una estimacin por intervalos de confianza de la diferencia entre dos
proporciones poblacionales, cuando el tamao de las muestras es pequeo, se debe
utilizar la distribucin t de Student.
39
Autoevaluacin UT5
56. Cuando el tamao de las muestras seleccionadas de dos poblaciones es pequeo, la

construccin de un intervalo de confianza para la diferencia entre las dos
proporciones poblacionales, requiere la utilizacin de la distribucin ji cuadrada.
57. Al estimar un intervalo de confianza para la diferencia entre dos proporciones
poblacionales, las muestras aleatorias independientes seleccionadas de cada
poblacin, siempre deben tener el mismo tamao.
5. Estimacin de la varianza y del cociente de varianzas
58. Para establecer una estimacin por intervalos de la varianza poblacional , se utiliza
una estadstica que tiene distribucin t.
59. Al construir una estimacin por intervalos de la varianza poblacional , no tiene
mayor importancia la distribucin de la poblacin estudiada.
60. La amplitud del intervalo de confianza para estimar la varianza de una poblacin,
depende del tamao de la muestra aleatoria seleccionada.
61. Cuando se tiene una muestra aleatoria pequea, para construir un intervalo de
confianza que estime la varianza de una poblacin, se debe emplear la distribucin t.
62. Al igual que en el caso de medias, los intervalos de confianza que se construyen para
estimar la varianza de una poblacin, resultan simtricos respecto de la estimacin
puntual.
63. Para la estimacin por intervalos del cociente de las varianzas de dos poblaciones
cualesquiera, 1/2, se utiliza una estadstica que tiene distribucin F.
64. Cuando el intervalo de confianza obtenido al estimar el cociente de las varianzas de
dos poblaciones normales incluye al valor cero, se debe aceptar, para el nivel de
confianza seleccionado, la igualdad de varianzas, esto es, 1 = 2.
65. Al realizar la estimacin por intervalos del cociente de varianzas de dos poblaciones,
las muestras aleatorias deben extraerse de poblaciones normales y ser independientes.
40
Autoevaluacin UT5
6. Aplicaciones
66. Se lleva a cabo un estudio para determinar si cierto tratamiento metlico tiene algn
efecto sobre la cantidad de metal que se elimina en una operacin de decapado. Se
sumerge una muestra aleatoria de 100 piezas en un bao por 24 horas sin el
tratamiento, lo que da un promedio de 12,2 milmetros eliminados de metal y una
desviacin estndar de 1,1 milmetros. Una segunda muestra de 200 piezas se somete
al tratamiento, seguido de 24 horas de inmersin en el bao, lo que da como
resultado una eliminacin promedio de 9,1 milmetros de metal con una desviacin
estndar de 0,9 milmetros. Se desea ahora verificar si el tratamiento reduce el
promedio de metal eliminado. Para ello se puede plantear un intervalo de confianza
para la media de dos poblaciones, utilizando la distribucin F con 99 grados de
libertad en el numerador y 199 grados de libertad en el denominador.
67. Una mquina produce piezas metlicas de forma cilndrica. Se toma una muestra
aleatoria de las piezas y los dimetros medidos son 1,01; 0,97; 1,03; 1,04; 0,99; 0,98;
0,99; 1,01 y 1,03 centmetros. Si se sabe que el dimetro de las piezas de esta
mquina est distribuido normalmente, para construir un intervalo de confianza del
99% para la varianza poblacional de las piezas, se utiliza la distribucin ji cuadrada
con 8 grados de libertad.
68. Se toma una muestra aleatoria de 12 agujas de tejer en un estudio de prueba de
dureza de las cabezas de las agujas por el mtodo Rockwell. Los valores medidos son
48,0; 49,0; 49,0; 50,0; 51,0; 45,0; 47,0; 48,5; 48,0; 50,0; 48,5 y 48,0. Se sabe tambin
que la dureza de las agujas estudiadas tiene una distribucin normal. Para construir
un intervalo de confianza del 95% para la media de la poblacin de las agujas se
utiliza la distribucin t de Student con 11 grados de libertad.
69. Se considera cierto cambio en el nmero de artculos defectuosos en un proceso de
fabricacin de partes componentes. A los efectos de determinar si el nuevo
tratamiento tiene como resultado una mejora, se toman muestras del procedimiento
existente y del nuevo. Se encuentra que 75 de 1500 artculos del procedimiento actual
son defectuosos y 80 de 2000 artculos del procedimiento nuevo tambin lo son. Con
los datos disponibles, se puede comparar el nmero de artculos defectuosos de
ambos procedimientos, existente y nuevo, construyendo un intervalo de confianza
para el cociente de varianzas de las poblaciones, utilizando una estadstica con
distribucin F.
41
Autoevaluacin UT6
Unidad Temtica 6
Pruebas de hiptesis
1. Conceptos generales y diseo de la prueba de hiptesis
1.
Una hiptesis estadstica es una aseveracin sobre los parmetros de una o ms

poblaciones.
2.
Para probar una hiptesis estadstica es necesario extraer una muestra aleatoria de la
poblacin en estudio y utilizar los datos de la muestra para proporcionar evidencia
que apoye o no la hiptesis que se desea probar.
3.
Al establecer una prueba de hiptesis correctamente diseada, estamos seguros de

que siempre tomaremos una decisin correcta.
4.
Las hiptesis son siempre proposiciones referidas a la muestra de la poblacin o

distribucin en estudio.
5.
Una hiptesis nula apropiada para probar que la media de una poblacin es igual a
40, sera la siguiente: H0: X = 40.
6.
El diseo de un proceso de decisin lleva consigo la idea de la probabilidad de tomar

una decisin errnea.
7.
La aceptacin de una hiptesis nula, simplemente implica que los datos no dan
suficiente evidencia para rechazarla.
8.
Si el ingeniero est interesado en apoyar con fuerza una opinin acerca de un

parmetro de la poblacin en estudio, plantear la estructura de la prueba de modo tal
que llegue a la opinin de inters, en la forma de rechazo de una hiptesis.
9.
El trmino hiptesis nula se refiere a cualquier hiptesis que deseamos probar y se

denota con H0.
10. La decisin de rechazar una hiptesis nula lleva implcita la aceptacin de una
hiptesis alternativa, que se denota con H1.
11. Aunque se establezca la hiptesis nula con un signo igual, se entiende que incluye
cualquier valor no especificado por la hiptesis alternativa.
12. La estructura de la hiptesis nula se plantea de modo que se especifique un valor
exacto del parmetro (o contenga la igualdad), mientras que la hiptesis alternativa
permite la posibilidad de varios valores.
13. La prueba de hiptesis involucra la seleccin de una muestra aleatoria, el clculo de
un estadstico de prueba a partir de los datos muestrales y luego el uso de este
estadstico para tomar una decisin sobre la hiptesis nula.
14. Una vez planteada la estructura de la prueba de hiptesis, el rango del estadstico de
prueba queda dividido en dos regiones, denominadas regin crtica y regin de
aceptacin. Las fronteras entre las regiones crticas y de aceptacin reciben el
nombre de valores crticos.
Prueba de hiptesis
42
Autoevaluacin UT6
15. El error de tipo I se define como la probabilidad de rechazar la hiptesis nula,

cuando sta es verdadera.
16. El error de tipo II se define como la aceptacin de la hiptesis nula, cuando sta es
falsa.
17. Se denomina nivel de significancia a la probabilidad de cometer un error de tipo I y
se denota con la letra griega .
18. Al nivel de significancia tambin suele llamrsele tamao de la regin crtica.
19. Para calcular la probabilidad de cometer un error de tipo II, no es necesario plantear
una hiptesis alternativa especfica.
20. Idealmente, deberamos utilizar un procedimiento de prueba en el que la probabilidad
de cometer errores de tipo I y de tipo II, sea pequea.
21. Si el nivel de significancia de una prueba de hiptesis es = 0,01, significa que, si la
hiptesis nula es cierta, existe una probabilidad igual a 0,01 de rechazarla.
22. Si la hiptesis nula de una prueba es cierta, la probabilidad de cometer un error de
tipo II es nula.
23. La probabilidad de cometer simultneamente los errores de tipo I y II en una prueba
de hiptesis, est dado por el producto ., puesto que los errores son independientes.
24. Para calcular la probabilidad de cometer un error de tipo II, que se denota con la letra
griega , es necesario tener una hiptesis alternativa especfica, esto es, debe
proponerse un valor especfico del parmetro que se prueba.
25. El tamao de la regin crtica viene dado por la probabilidad de cometer un error de
tipo II.
26. Al probar la hiptesis nula H0: = 70, frente a la hiptesis alternativa H1: > 70,
para un tamao de muestra fijo, una disminucin en la probabilidad de cometer error
de tipo I, da como resultado un aumento en la probabilidad de cometer un error del
tipo II.
27. Establecidos el o los valores crticos, en general, un aumento del tamao de la
muestra, aumenta tanto a como a .
28. Cuando la hiptesis nula es falsa, aumenta a medida que el valor verdadero del
parmetro se acerca al valor hipottico propuesto por la hiptesis nula. Mientras
mayor sea la diferencia entre el valor real del parmetro y el hipottico, ser menor.
29. Si la hiptesis nula es falsa, es mximo cuando el valor real de un parmetro
coincide con el valor hipottico.
30. Si graficamos las probabilidades de aceptacin de H0 que corresponden a diversas
alternativas para , incluido el valor especificado por H0, y unimos todos los puntos
mediante una curva suave, obtenemos la curva de operacin caracterstica del
criterio de prueba, o simplemente curva CO.
31. La probabilidad de aceptacin de Ho cuando es verdadera es simplemente (1 ).
32. La potencia de una prueba es la probabilidad de rechazar la hiptesis nula, cuando
alguna alternativa especfica es verdadera.
33. La potencia de una prueba se puede calcular como (1 ).
Prueba de hiptesis
43
Autoevaluacin UT6
34. La potencia de una prueba puede interpretarse como la probabilidad de rechazar, de

manera correcta, una hiptesis nula falsa.
35. La potencia puede asumir valores comprendidos entre 1 y +1.
36. Por definicin, error de tipo II, es la probabilidad de aceptar una hiptesis nula
cuando sta es falsa.
37. El error de tipo I consiste en rechazar la hiptesis nula cuando sta es falsa.
38. El error de tipo II consiste en aceptar la hiptesis nula cuando sta es verdadera.
39. El nivel de significancia debe ser un valor comprendido entre 0,01 y 0,05.
40. El nivel de significancia en una prueba de hiptesis es insensible al tamao de la
muestra.
41. Las pruebas de hiptesis slo son aplicables a poblaciones normales.
42. Al probar la media de una poblacin con conocida, para un tamao de muestra
dado, al pasar de un nivel de significancia de 0,01 a 0,05 aumentamos el riesgo de
cometer un error de tipo I y disminuimos el riesgo de cometer un error de tipo II.
43. Cuando el ingeniero utiliza un nivel de significancia igual a 0,01 en sus experimentos
en inferencia estadstica, significa que el 1% de las veces rechazar la hiptesis nula.
44. Si se acepta la hiptesis nula al nivel de significancia de 0,05, la probabilidad de
cometer un error de tipo II siempre ser igual a 0,95.
45. Un nivel de significancia de 0,01 significa que, en promedio, una de cada cien veces
que la hiptesis nula sea cierta, la rechazaremos.
46. Al disear una prueba de hiptesis, el investigador slo puede controlar el error de
tipo I o el error de tipo II, pero no hay modo de controlar los dos simultneamente.
47. Las pruebas de hiptesis slo pueden ser utilizadas para hacer inferencias sobre las
medias de las poblaciones.
48. La potencia de una prueba de hiptesis es independiente de la probabilidad de
cometer un error de tipo II.
49. Cuando el ingeniero utiliza un nivel de significancia igual a 0,05 en sus experimentos
en inferencia estadstica, significa que habr rechazado indebidamente la hiptesis
nula slo el 5% de las veces.
2. Pruebas de una y dos colas
50. A veces, la regin crtica para la hiptesis alternativa > 0 se encuentra en la cola
derecha de la distribucin de la estadstica de prueba.
51. En pruebas de una cola, una regla prctica consiste en observar el smbolo de la
desigualdad de la hiptesis alternativa y verificar que apunte hacia la regin crtica.
52. Una prueba con hiptesis alternativa bilateral del tipo 0, se llama prueba de dos
colas, pues la regin crtica se divide en dos partes, las tienen probabilidades iguales
que se colocan en cada cola de la distribucin de la estadstica de prueba.
Prueba de hiptesis
44
Autoevaluacin UT6
53. La ubicacin de la regin crtica se puede determinar slo despus de establecer la

hiptesis alternativa.
54. Para determinar cul hiptesis se establecer como H0 y cul como H1, si la
afirmacin sugiere una sola direccin como mayor que, menor que, superior a,
inferior a, entonces H1 se debe establecer con el uso del smbolo de desigualdad que
corresponda a la direccin sugerida (< o >).
55. Para determinar cul hiptesis se establecer como H0 y cul como H1, si la
afirmacin no sugiere ninguna, entonces H1 se establece con el signo de diferente ().
3. Uso del valor P en la toma de decisiones
56. Si no se tiene en mente un nivel de significancia preseleccionado, es imposible

sacar conclusiones en una prueba de hiptesis.
57. La preseleccin de un nivel de significancia tiene sus races en la filosofa de que se
debe controlar el riesgo mximo de cometer un error de tipo I.
58. La decisin de aceptar o rechazar la hiptesis nula propuesta, se puede tomar en
funcin del valor P y sin haber establecido previamente un nivel de significancia.
59. Segn algunos autores, un valor P es el nivel de significancia ms bajo en el que el
valor observado de la estadstica de prueba es significativo.
60. El valor P de una prueba de hiptesis se puede calcular independientemente del nivel
de significancia elegido.
61. El valor P de una prueba de hiptesis nunca debe resultar mayor que el nivel de
significancia.
62. El valor P se puede calcular una vez establecidas las hiptesis nula y alternativa y sin
necesidad de haber seleccionado la muestra.
63. El nivel de significancia es un valor numrico que vara ente 1 y +1.
64. El nivel de significancia puede establecerse con antelacin a la seleccin de la
muestra.
Prueba de hiptesis
45
Rtas. Autoevaluaciones
No debe consultar la respuesta antes de contestar los tems de las

Autoevaluaciones!
Primero debe leer detenidamente cada tem. Luego debe pensar, razonar y calcular si es
necesario. Recin entonces responda. Una vez que haya respondido el tem de la
autoevaluacin, debe contrastar su respuesta con la que se propone como correcta.
Si despus de responder, su respuesta no coincide con la propuesta, debe reconsiderar su
razonamiento sobre la afirmacin. Finalmente, si despus de tal reconsideracin no est de
acuerdo con la respuesta propuesta, no dude en consultar. Juntos consideraremos la
solucin.
No trate de memorizar respuestas! Piense y razone siempre antes de contestar. Una vez que
haya contestado, practique justificar su respuesta. No debe enviar la justificacin de las
respuestas de las Autoevaluaciones, excepto que se solicite explcitamente la justificacin de
algunos tems en particular.
Unidad
Temtica 1:
Estadstica
descriptiva y
anlisis de
datos
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
V
F
F
F
F
F
V
V
V
F
V
F
V
F
F
V
V
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
F
V
V
V
V
V
F
V
V
V
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
V
V
V
F
V
F
V
F
V
V
F
F
V
F
V
V
V
F
V
F
F
V
V
V
F
V
F
F
V
V
58. V
59. V
Respuestas Autoevaluaciones
60.
61.
62.
63.
64.
65.
66.
67.
V
V
F
F
F
F
F
F
68.
69.
70.
71.
72.
73.
74.
75.
76.
77.
78.
79.
80.
81.
82.
83.
84.
85.
86.
87.
88.
89.
90.
91.
92.
F
V
F
F
F
V
F
V
F
F
F
V
F
V
F
F
F
V
V
F
F
V
F
F
V
46
93.
94.
95.
96.
97.
98.
99.
100.
101.
102.
103.
104.
105.
106.
107.
108.
109.
110.
111.
112.
113.
114.
115.
116.
117.
118.
119.
120.
121.
122.
123.
124.
125.
126.
F
V
F
F
F
F
F
V
V
F
F
V
F
F
F
F
V
V
F
F
F
V
V
F
F
V
V
F
V
F
F
V
F
F
127.
128.
129.
130.
131.
F
F
F
V
F
Aspectos
ticos
132. V
133. V
134. F
Unidad
Temtica 2:
Probabilidad
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
V
F
V
F
V
F
F
V
F
V
V
F
F
V
V
F
V
F
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
F
V
V
F
V
V
F
F
F
V
F
F
V
F
V
F
F
OM
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
a
b
d
b
c
d
d
b
d
c
c
c
b
d
c
d
d
d
d
d
Unidad
Temtica 3.
3-1: Variable
aleatoria
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
V
V
F
V
F
F
F
F
F
V
V
F
V
V
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
V
V
V
F
V
F
F
F
V
V
V
F
F
F
F
V
V
F
V
F
V
F
V
F
F
V
V
F
F
V
F
V
V
F
V
V
Discretas (D) ;
Continuas (C)
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
63.
64.
65.
C
D
C
D
C
D
C
C
D
C
D
C
D
C
D
Esperanza y
Varianza
66. V
67. F
68. V
69.
70.
71.
72.
73.
74.
75.
76.
77.
78.
79.
80.
81.
82.
83.
84.
85.
F
F
F
V
F
V
V
V
F
F
V
F
V
F
F
F
V
Teorema de
Chebyshev
86.
87.
88.
89.
90.
V
V
F
F
F
3-2:
Distribuciones
discretas
Uniforme
1.
2.
3.
4.
5.
V
V
F
F
F
Binomial
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
F
V
V
F
V
V
V
F
F
V
V
F
V
V
V
V
V
F
F
F
F
F
47
Hipergeomtrica
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
V
V
V
F
F
F
F
F
V
V
F
V
Geomtrica
40.
41.
42.
43.
44.
45.
46.
F
F
V
V
V
V
V
Poisson
47.
48.
49.
50.
51.
52.
53.
54.
F
V
F
V
F
F
F
V
Aproximacin
binomial a
Poisson
55. F
56. V
57. F
Problemas OM
58.
59.
60.
61.
62.
63.
b
b
a
d
c
c
3-3:
Distribuciones
continuas
Uniforme
1.
2.
3.
4.
5.
V
F
V
V
F
Normal
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
V
V
F
V
V
V
V
V
V
F
V
V
F
V
F
V
V
V
F
V
V
F
F
F
F
Aproximacin
normal a la
binomial
31.
32.
33.
34.
35.
36.
37.
F
V
V
V
V
V
V
Gamma y
exponencial
38.
39.
40.
41.
42.
43.
44.
45.
V
V
F
F
V
V
V
F
Ji Cuadrada
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
F
V
F
V
V
F
F
F
V
F
56. F
Log Normal
57. V
58. V
Weibull
59.
60.
61.
62.
F
V
F
F
Distribucin t
63.
64.
65.
66.
67.
68.
69.
70.
V
V
V
V
F
V
V
F
Distribucin F
71.
72.
73.
74.
75.
76.
77.
78.
79.
80.
V
F
V
V
V
F
V
F
F
F
Combinaciones
lineales
81.
82.
83.
84.
85.
V
F
V
F
V
Distribuciones
Probabilidad
Conjunta
86.
87.
88.
89.
90.
91.
92.
93.
94.
95.
96.
97.
98.
99.
100.
V
V
F
F
F
F
V
V
V
V
V
F
V
V
V
101. F
102. F
Unidad
Temtica 4:
Distribuciones
fundamentales
del muestreo
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
F
F
F
V
V
F
V
F
F
V
V
V
V
V
V
F
V
F
V
F
V
Unidad
Temtica 5:
Estimacin de
parmetros
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
V
F
V
V
F
F
F
F
V
F
V
F
F
V
V
V
F
F
F
F
F
F
F
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
63.
64.
65.
66.
67.
68.
69.
V
V
V
F
V
F
V
F
V
V
F
F
V
V
V
V
F
V
V
F
V
V
V
F
V
F
F
V
V
V
F
F
F
F
F
F
V
F
F
F
F
V
F
V
V
F
Unidad
Temtica 6:
Pruebas de
hiptesis
1.
2.
3.
4.
5.
6.
7.
8.
V
V
F
F
F
V
V
V
48
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
63.
64.
V
V
V
V
V
V
F
V
V
V
F
V
V
V
F
V
F
V
F
V
V
V
V
V
V
V
F
F
F
F
F
F
F
V
F
F
V
F
F
F
V
F
V
V
V
V
V
F
V
V
V
V
F
F
F
V

Test Proby Estad Mendoza

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

Test Proby Estad Mendoza

Cargado por

Copyright:

Formatos disponibles

Probabilidad y Estadstica

Facultad Regional Mendoza

Si se ha recopilado la informacin deseada para los elementos de un subconjunto

Si el Ministro de Educacin est interesado en el rendimiento de los estudiantes

El nivel de estudios o escolaridad de los empleados de una empresa es una variable

El nmero de hijos de los trabajadores de una fbrica es una variable cuantitativa

Una escala nominal consiste en categoras mutuamente excluyentes que no implican

El cargo que ocupa un empleado en la empresa, es una variable cualitativa y se

La antigedad de un empleado en una institucin pblica es una variable numrica

La escala de intervalo es una forma de medida ms completa que la escala ordinal,

Los censos, en general, resultan muy costosos, difciles de realizar e incluso en

El nmero del piso desde el que es llamado un ascensor de un edificio en altura, es

El promedio de los resultados obtenidos al lanzar dos dados, es una variable

Estadstica descriptiva y anlisis de datos

En el diagrama de Pareto, las categoras de la variable cualitativa deben disponerse

La representaciones de las grficas de barras y grficas circulares en escala relativa

Las grficas de sectores resultan ms apropiadas, es decir, ms cmodas de leer,

En las grficas de barras, las barras no deben pegarse una a otras.

Si la poblacin estudiantil de una Universidad es de 12.000 alumnos, para

La grfica de puntos encuentra su mejor aplicacin en el caso de conjuntos de datos

Las distribuciones de frecuencias sacrifican algunos detalles, pero ofrecen

El histograma es una representacin grfica que se utiliza para representar variables

Al agrupar los datos en tablas de frecuencias, un dato particular del conjunto de

La organizacin de los datos por categoras o clases permite identificar patrones de

A partir de una distribucin de frecuencias, se puede reconstruir una lista con la

Estadstica descriptiva y anlisis de datos

Una distribucin de frecuencias es una tabla en la que organizamos los datos en

Las clases de una distribucin de frecuencias deben ser mutuamente excluyentes y

El nmero de clases que se utiliza para construir la distribucin de frecuencias es

La frmula de Sturges, da el nmero de clases de una distribucin de frecuencias y

Las grficas de distribuciones de frecuencias simples y de distribuciones de

Los histogramas se pueden construir utilizando tanto las frecuencias absolutas

La frecuencia relativa simple de cualquier clase particular, se obtiene calculando el

En una distribucin de frecuencias, la suma de todas las frecuencias relativas de

Cuando el histograma se construye utilizando frecuencias relativas, resulta fcil

La marca de clase de una distribucin de frecuencias se calcula haciendo la

Los polgonos de frecuencias slo se pueden utilizar para representar las

El polgono de frecuencias construido con las frecuencias simples absolutas, tiene

La representacin grfica de la distribucin de frecuencias acumuladas mediante

Estadstica descriptiva y anlisis de datos

La ojiva es una representacin grfica que se puede construir utilizando frecuencias

En una distribucin de frecuencias, la notacin Fri se refiere a las frecuencias de

Dada la representacin grfica de una ojiva, a partir de la misma es posible

Para describir en palabras el patrn de comportamiento de los datos, se puede hacer

En la Tabla 1 se presenta la distribucin de frecuencias para el peso, en gramos, de 35

El 14,29% de las monedas de la muestra pes ms de 2,19 gramos, pero no super

Ocho monedas de la muestra tienen un peso que en la distribucin de frecuencias

Las frecuencias de clase simples relativas de la Tabla 1 estn expresadas en

Estadstica descriptiva y anlisis de datos

De acuerdo a la informacin de la Tabla 1, la moneda ms liviana de la muestra

El nmero de clases que se ha adoptado en la Tabla 1 concuerda con el propuesto

El nmero de clases que se ha adoptado en la Tabla 1 concuerda con el propuesto

Uno de los puntos de la representacin grfica de la ojiva correspondera al par

En la muestra se observaron 8 monedas con un peso igual a 2,265 gramos.

2. Descripcin de un conjunto de datos: Mtodos numricos.

La media aritmtica de un conjunto de datos siempre coincide con alguno de los

La media aritmtica resulta siempre la mejor medida de tendencia central de un

La media aritmtica es la mejor medida de tendencia central de un conjunto de

Si la media o promedio de las calificaciones de un examen de Estadstica, en la

La suma de las desviaciones respecto de la media aritmtica es siempre igual a cero.

Dado un conjunto numrico de datos de tamao n > 1, la mediana puede o no

La mediana es una medida de tendencia central sensible a los datos apartados de la

La mediana del siguiente conjunto de datos {2, 5, 7, 1, 3} es igual a 7.

La moda puede no existir y cuando existe no necesariamente es nica.