Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
3.
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.
6.
7.
El color de ojos de las personas es una variable cualitativa que se mide en una
escala nominal.
8.
9.
10.
11.
12.
Los datos primarios son siempre de mejor calidad que los datos secundarios.
13.
14.
15.
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.
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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.
22.
Para representar las grficas de barras o las circulares, se pueden emplear tanto
frecuencias absolutas como relativas.
23.
24.
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.
27.
28.
29.
30.
31.
32.
33.
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT1
34.
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.
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.
40.
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.
43.
44.
45.
46.
47.
48.
49.
50.
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT1
51.
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.
54.
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.
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.
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.
62.
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT1
63.
64.
65.
66.
67.
69.
La media aritmtica siempre est comprendida entre los valores mximo y mnimo
observados.
70.
71.
En todo conjunto de datos numricos, la media es un valor mayor o igual que cero.
72.
73.
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.
76.
77.
78.
79.
80.
81.
82.
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT1
83.
En todo conjunto de datos numricos, la moda es un valor mayor o igual que cero.
84.
85.
La moda es una medida de tendencia central que puede calcularse tanto para datos
numricos como para datos categricos.
86.
87.
88.
89.
90.
91.
92.
93.
94.
95.
96.
97.
98.
99.
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT1
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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.
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT2
Unidad Temtica 2
Probabilidad
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.
2.
3.
4.
5.
6.
7.
8.
Un evento o suceso, est formado por una coleccin de puntos muestrales, que
constituye un subconjunto del espacio muestral.
9.
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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.
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)
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT2
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)
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
12
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT2
P(AB)
P(AB)
P(A|B)
P(AxB)
AB =
P(AB) = 0
P(AB) = P(A) + P(B)
Todas las anteriores.
51. Cul de las condiciones siguientes se debe dar para calcular una probabilidad
frecuencial?
a)
b)
c)
d)
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)
Probabilidad
A y B son independientes.
P(A|B) = P(A)
P(B|A) = P(B)
Cualquiera de las anteriores.
13
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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)
Probabilidad
14
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT3
Unidad Temtica 3
UT3-1: Variable Aleatoria
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.
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.
6.
7.
El volumen de nafta que se pierde por evaporacin durante el llenado del tanque de
combustible, es una variable aleatoria discreta.
8.
9.
Variable aleatoria
15
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT3
Variable aleatoria
18
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT3
19
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT3-2
Unidad Temtica 3
UT3-2: Distribuciones de probabilidad de variables
aleatorias discretas
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. Distribucin uniforme discreta
1.
2.
3.
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.
7.
8.
9.
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.
21
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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
Distribuciones de variables aleatorias discretas
22
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT3-2
23
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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:
Binomial
Hipergeomtrica
Poisson
Geomtrica
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,
P( X < 3)
P( X < 2)
P( X = 0)
Ninguna de las anteriores.
0,642857
0,375000
0,357143
Ninguna de las anteriores. El valor correcto es:
25
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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.
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. Distribucin uniforme continua
1.
2.
3.
4.
5.
2. Distribucin normal
6.
7.
8.
26
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
9.
Autoevaluacin UT3-3
27
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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
Distribuciones de variables aleatorias continuas
28
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT3-3
29
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT3-3
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT3-3
9. Distribucin F
Abrev. g.d.l.: grados de libertad
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.
75. * 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 f0,95; 19; 20 = 0,463.
76. * 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 f0,01; 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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT3-4
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
Abrev. g.d.l.: grados de libertad
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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.
33
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT4
Unidad Temtica 4
Distribuciones fundamentales del muestreo
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. Muestreo aleatorio
1.
2.
Siempre ser posible y no habr dificultades en disponer del conjunto de todas las
observaciones que constituyen la poblacin estudiada.
3.
4.
5.
6.
7.
8.
9.
34
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT5
Unidad Temtica 5
Estimacin de parmetros: medias, varianzas y
proporciones
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. Estimacin. Estimadores. Propiedades.
1.
2.
3.
4.
5.
Casi siempre, el valor numrico de una estimacin puntual coincide exactamente con
el valor numrico del parmetro a estimar.
6.
7.
8.
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT5
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
Estimacin de parmetros
37
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT5
38
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT5
Estimacin de parmetros
39
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT5
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.
Estimacin de parmetros
40
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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.
Estimacin de parmetros
41
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT6
Unidad Temtica 6
Pruebas de hiptesis
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. Conceptos generales y diseo de la prueba de hiptesis
1.
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.
4.
5.
Una hiptesis nula apropiada para probar que la media de una poblacin es igual a
40, sera la siguiente: H0: X = 40.
6.
7.
La aceptacin de una hiptesis nula, simplemente implica que los datos no dan
suficiente evidencia para rechazarla.
8.
9.
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT6
43
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT6
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Autoevaluacin UT6
Prueba de hiptesis
45
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
Rtas. Autoevaluaciones
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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
Respuestas Autoevaluaciones
Rtas. Autoevaluaciones
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
Probabilidad y Estadstica
Facultad Regional Mendoza
http://web.frm.utn.edu.ar/estadistica
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.
Respuestas Autoevaluaciones
V
F
V
V
F
F
F
F
V
F
V
F
F
V
V
V
F
F
F
F
F
F
F
Rtas. Autoevaluaciones
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