Está en la página 1de 72

R la hueva es

ESTADSTICA

Docente:

M.Sc. Est. Carlos Daniel Gonzales Hidalgo.

1
1. PROBABILIDAD

1.1. INTRODUCCIN

La estadstica representa un mtodo para la toma de decisiones frente a la incertidumbre y


como tal, se basa en la teora de probabilidades, pues la probabilidad es la medida de la
incertidumbre y de los riesgos asociados con ella. Por ello, el estudiante, antes que aprender
procedimientos estadsticos para tomar decisiones, debe tener un concepto claro de la teora de
probabilidad.

Un tratamiento preciso de la teora de probabilidad requiere de dos enfoques, uno inicial,


basado en la teora de conjuntos, y un segundo basado en las distribuciones de probabilidad.

El primer enfoque nos permite comprender con claridad el concepto de probabilidad, as


como obtener un listado de axiomas y propiedades fundamentales de la teora de probabilidad. Con
el segundo enfoque, llegamos a representaciones matemticas que facilitan el clculo de
probabilidades, mediante frmulas que se ajustan regularmente a ciertos fenmenos o experimentos.

1.2. EXPERIMENTO

En estadstica se considera experimento al proceso mediante el cul se obtienen los datos, ya


sea de naturaleza cualitativa o cuantitativa.

1.2.1. EXPERIMENTO DETERMINSTICO

Se llama as al fenmeno o experimento que siempre tiene que ocurrir. Es decir se presenta
de una nica manera y existen frmulas matemticas que describen el fenmeno y con las que
se pueden determinar el resultado del experimento.

Ejemplos:

1. El experimento consiste en dejar en el aire un plumn, ste siempre tiene que caer, pues la
ley de la gravedad har que sea atrada al suelo.
2. Elevamos el precio de un bien, inmediatamente se reducir la cantidad demandada.

1.2.2. EXPERIMENTO NO DETERMINISTICO O ALEATORIO

Se llama as al fenmeno o experimento en el que no se puede determinar con certeza su


resultado, debido a que las causas que lo originan son no predecibles por ser aleatorias.
2
Por qu se dice que el experimento es no determinstico o aleatorio?

Por que:

a. Sus resultados son producto del azar.


b. Se puede repetir, cada experimento muchas veces sin cambiar las condiciones.
c. Sus resultados posibles se pueden enlistar en un conjunto.

Ejemplos:

1. Lanzar una moneda sobre una mesa es un experimento aleatorio; unas veces resulta cara
otras veces sello. Si en este experimento cargsemos la moneda (revistiendo la cara con
un metal pesado) de tal manera que al lanzarla a una mesa siempre resulte cara, el
experimento deja de ser aleatorio y pasara a ser determinstico.
2. Consideremos un partido entre dos equipos de Ftbol; desde el punto de vista de los
resultados (goles). Siempre queda un margen de azar en la determinacin del nmero de
goles a favor o en contra.
3. Los juegos de lanzar dados, barajas, loteras, ruletas, carrera de caballos, etc. son
tpicamente aleatorios.
4. Observar la vida til de un artculo.

1.3. ESPACIO MUESTRAL ()

Se denomina espacio muestral, al conjunto formado por todos los resultados posibles de un
experimento aleatorio.

En notacin matemtica el espacio muestral se define como sigue:

= {x / x es resultado de un experimento aleatorio}

Ejemplos:

Describir el espacio muestral asociado a cada uno de los experimentos aleatorios:

1. Lanzar una moneda al piso y observar el resultado que ocurre en la cara superior de la
moneda.

= {c, s} n () = 2

2. Lanzar dos monedas consecutivas al piso y observar el resultado que ocurre en la cara
superior de las monedas.

= {(c, c), (c, s), (s, c), (s, s)} n () = 4

1 2

3
C = ( C, C )

C
S = ( C, S )

C = ( S, C )

S
S = ( S, S )
_________________________________________________
2 * 2 = 4

3. Elegir el Presidente de una asociacin, de un grupo de 5 candidatos (A, B, C, D, E).

= {A, B, C, D, E} n () = 5

4. Lanzar una moneda hasta obtener cara y contar el nmero de lanzamientos.

= {1, 2, 3,}

5. Determinar la vida til de un artculo.

= {w / w 0}

1.4. EVENTO O SUCESO

Se llama evento o suceso a todo subconjunto del espacio muestral. A los eventos se les
denota con las primeras letras maysculas del alfabeto, as decimos:

A = Es un evento A

A se le considera evento seguro y a evento imposible.

Ejemplo:

Suponga que se lanza dos monedas consecutivas al piso y se observa el resultado que ocurre
en la cara superior de las monedas. Enliste los siguientes eventos:

a). Se obtuvo exactamente una cara.


b). Se obtuvo exactamente dos sellos.
c). Se obtuvo por lo menos una cara.
d). Se obtuvo mas de una cara.
e). Se obtuvo a lo ms dos caras.
f). Se obtuvo menos de dos caras.

Solucin.
= {(c, c), (c, s), (s, c), (s, s)} n () = 4

4
a). A = {(c, s), (s, c)} n (A) = 2
b). B = {(s, s)} n (B) = 1
c). C = {(c, c), (c, s), (s, c)} n (C) =3
d). D = {(c, c)} n (D) = 1
e). E = {(c, c), (c, s), (s, c), (s, s)} n (E) = 4
f). F = {(c, s), (s, c), (s, s)} n (F) = 3

1.5. ALGEBRA DE EVENTOS

Usando las leyes del lgebra de conjuntos se puede formar nuevos eventos, los cuales son
subconjuntos del mismo espacio muestral de donde provienen los eventos dados. As para los
eventos dados. As, para los eventos A, B Y C de se cumplen las siguientes leyes:

1.5.1. LEY DE IDEMPOTENCIA:

a) Unin: AA =A
b) Interseccin: AA =A

1.5.2. LEY ASOCIATIVA:

a) Unin: A(BC) = (AB)C = (ABC)


b) Interseccin: A(BC) = (AB)C = (ABC)

1.5.3. LEY CONMUTATIVA:

a) Unin: AB = BA
b) Interseccin: AB =BA

1.5.4. LEY DISTRIBUTIVA:

a) Unin: A(BC) = (AB) (AC)


b) Interseccin: A(BC) =(AB) (AC)

1.5.5. LEYES DE MORGAN:

a) Unin: (AB) =A B
b) Interseccin: (AB) = A B

1.5.6. LEYES DEL COMPLEMENTO:

a) Unin: AA =
b) Interseccin: AA =

1.5.7. LEY DE IDENTIDAD:

5
a) Unin: A=A y A =
b) Interseccin: A = y A=A

1.6. TCNICAS DE CONTEO

1.6.1. PERMUTACIONES

Permutacin es un arreglo lineal de todos los elementos de un conjunto o parte de los


elementos del conjunto (subconjunto) tomados en un orden definido. El nmero total de
permutaciones est en funcin al nmero de elementos tomados a la vez para cada
permutacin. Segn esto podemos distinguir tres casos:

a) Permutaciones simples.

a.1. nPn = n

a.2. nP r = n / (n-r)

b) Permutaciones con objetos repetidos.

nPn1, n2, n3,...nk = n / (n1 * n2 * *nk)

c) Permutaciones circulares.

PCn = (n-1)
Ejemplos:

1. Se invita a 5 gerentes de grandes Empresas de Chiclayo, para dar a los alumnos de


Marketing y Negocios Internacionales de la UCV, una conferencia sobre exportacin.
De cuntas maneras distintas se pueden sentar los gerentes en una fila?

5P5 = 5 = 5*4*3*2*1 =120


2. De un grupo de 4 personas, se tiene que elegir a 3 personas que deben ocupar el cargo
de presidente, secretario, y vocal. De cuntas maneras se pueden hacer los arreglos?

4P3 = 4 / (4-3) = 24

6
3. El nmero de formas diferentes de permutar 12 objetos iguales en todo, salvo el color,
de los cuales 3 son negros, 4 son blancos y 5 son rojos es,

12P3, 4, 5 = 12 / (3 * 4 *5) =27720


4. De cuntas maneras diferentes pueden sentarse 9 personas alrededor de una mesa
elipsoidal?

PC9 = (9-1) =8

1.7. COMBINACIONES

Cuando hablamos de combinaciones, no debemos tener en cuenta el orden de los elementos;


slo nos interesa que se combine un elemento con otro.

nCr = n / r(n-r)
Ejemplos:

1. Cuntos cables de conexin se necesitan para que dos aulas cualesquiera, de doce aulas
existentes en total en una Universidad, puedan comunicarse directamente?

12C2 = 12 / 2 (12-2) = 66

2. Una caja contiene 20 tornillos similares, de los cuales 10 son buenos, 8 tienen defectos del
tipo A, 5 tienen defectos del tipo B, y 3 los dos tipos de defectos.Cuntos elementos tiene
el espacio muestral que resulta de escoger al azar 11 tornillos de manera que 2 tengan
defectos Ay B, 3 defectos slo A, 2 con defectos slo B y 4 sin defectos?

10C4 * 5C3 * 3C2 * 2C2 = 6300


3. Dados los eventos A de 4 elementos, y B de 8 elementos.Cuntos eventos de 6 elementos
pueden formarse si cada uno debe contener:

a) Un solo elemento de A?
b) Por lo menos un elemento de A?

Solucin:

a) 4C1 * 8C5 = 224 formas.

b) 4C1 * 8C5+ 4C2 * 8C4+ 4C3 * 8C3+ 4C4 * 8C2 = 896 formas.

1.8. PROBABILIDAD DE OCURRENCIA DE OCURRENCIA DE UN EVENTO

1.8.1. DEFINICIN DE PROBABILIDAD CLSICA

Si A es un evento de , la probabilidad de que ocurra el evento A est dada por:


P(A)= n(A) / n ()
7
Espacio Evento (A)
Experimento muestral n(A)
aleatorio n()

P(A)= n(A) / n ()
Ejemplo: Suponga que el experimento aleatorio consiste en lanzar un dado y observar el
resultado que ocurre en la cara superior del dado. Calcular la probabilidad de que
ocurra:

a) El nmero 6.
b) Por lo menos el nmero 4.
c) A lo ms el nmero 2.
d) Por lo menos el nmero 1.

Solucin:

= {1, 2, 3, 4, 5, 6} n () = 6

a) A= {6} n (A) = 1

P(A)= n(A) / n () = 1/6

b) B= {4, 5, 6} n (B) = 3.

P(B)= n(B) / n () = 3/6

c) C = {1, 2} n (C) = 2.

P(C)= n(C) / n () =2/6

d) D = {1, 2, 3, 4, 5, 6} n (D) = 6

P(D)= n(D) / n () =6/6

1.8.1. DEFINICIN DE FRECUENCIA RELATIVA

La probabilidad de un evento (que suceda o que resulte) es la proporcin de veces


que el evento sucedera en una serie prolongada de eventos repetidos.

Ejemplo:

La tabla siguiente, muestra el estado civil de 30 Trabajadores de una Empresa. Ao 2005.

ESTADO CIVIL ni
SOLTERO 20

8
CASADO 10
TOTAL 30

Si se selecciona un trabajador al azar, cul es la probabilidad de que sea soltero?

Solucin:

P(Soltero)= 20 / 30

1.9. AXIOMAS DE PROBABILIDAD

A.1. 0 P(A) 1

A.2. P() =1

A.3. Si A y B son dos eventos en , tales que A y B son mutuamente excluyentes


(AB = )

P(AB) = P(A)+P(B)

Este axioma se puede extender para k eventos mutuamente excluyentes A 1, A2,, AK,
es decir

P( A1A2 AK) = P(A1)+P(A2)++P(AK)

1.10. TEOREMAS DE PROBABILIDAD

T.1. P( ) = 0

T.2. P(A) = 1- P(A)

T.3. Si AB P(A) P(B)

T.4. Si A y B no son mutuamente excluyentes ( AB )

P(AB) = P(A)+P(B) -P (AB)


T.5. Si A, B y C no son mutuamente excluyentes

P(ABC) = P(A)+P(B)+P(C) -P (AB) - P (AC)- P (BC)+ P (ABC)

Ejemplos:
1. La probabilidad de que la seora hablantina reciba por lo menos 8 llamadas
telefnicas en un da es 0.2 y la probabilidad de que reciba a lo ms 5
llamadas telefnicas en un da es 0.3. Hallar la probabilidad de que la
seora hablantina reciba 6 7 llamadas en un da.

9
Solucin:
= {0,1 ,2 ,3 ,4 ,5, 6, 7, 8, 9,...}
A= {8, 9,} P(A) = 0.2
B= {0, 1, 2, 3, 4, 5} P(B)=0.3
C = {6, 7} P(C) = ?
ABC =
P (ABC) = P()
P(A) + P(B) + P(C) = 1
0.2 + 0.3 + P( C) = 1 P( C) = 0.5
2. Un escolar entra a una tienda de golosinas. La probabilidad de que compre caramelos es
0.7, la probabilidad de que compre galletas es 0.5 y la probabilidad de que compre
ambos (caramelos y galletas) es 0.3. Hallar la probabilidad de compre caramelos, o
galletas o ambos.

Solucin:
Sean los eventos:
A = El nio compra caramelos
B = El nio compra galletas
AB = El nio compra caramelos y galletas

P(AB) = P(A)+P(B) -P (AB)

= 0.7 + 0.5 0.3 = 0.9

1.11. PROBABILIDAD CONDICIONAL

A menudo se quiere determinar la probabilidad de que ocurra un evento sabiendo que otro
evento ha ocurrido. La probabilidad condicional (o condicionada) de que un evento B ocurra dado
que otro evento a ha ocurrido se denota por P(B/A). Esta notacin se lee . La probabilidad de que
B ocurra dado que A ha ocurrido o simplemente la probabilidad de B dado A

P(B/A) = P (AB) / P(A) , Si P(A) 0

Ejemplo:

Un club consiste de ciento cincuenta miembros. Del total, 3/5 son hombres y 2/3 son profesionales.
Adems, 1/3 de las mujeres son no profesionales.

a) Se elige al azar un socio del club:


a.1) Calcular la probabilidad de que sea hombre y profesional.
a.2) Calcular la probabilidad de que sea hombre, dado que es profesional.

b) Se eligen tres socios al azar:

b.1) Si las tres son mujeres, cul es la probabilidad de que slo l de ellas sea profesional?
b.2) Si resultan ser del mismo sexo, cul es la probabilidad de que sean mujeres?.
Solucin:
PROFESIONAL NO PROFESIONAL TOTAL
HOMBRE (H) 60 30 90
MUJER (M) 40 20 60
10
TOTAL 100 50 150
a)
a.1) P(H P) = 60/150 = 0.4
a.2) P(H/P) = P (HP) / P(P) = (60/150) / (100/150) = 0.6

b)
b.1) A = Las tres son mujeres
B = Slo una es profesional P(B/A) = ( 40C1 * 20C2)/ 60C3
b.2) A = Los tres son del mismo sexo
B = Las tres son mujeres P(B/A) = ( 60C3 )/ (90C3 + 60C3) = 0.23

1.12. EVENTOS INDEPENDIENTES

Se dice que el evento B es independiente del evento A, si,

P(B/A) = P(B)

Se verifica que, si P(B/A) = P(B), entonces, P(A/B) = P(A) y recprocamente


En consecuencia, podemos afirmar que:

Los eventos A y B son independientes si, y slo si,

P(B/A) = P(B) y P(A/B) = P(A).

Esto equivale a decir que A y B son independientes si slo si

P(AB) = P (A) P(B)

Ejemplo:

Suponga que en un proceso de produccin se utilizan las mquinas. 1 y 2, que trabajan en forma
independiente para producir cierto bien. Si la probabilidad de que ambas mquinas fallen es 1/5 y
de que falle slo la 2 es 2/15. Calcular la probabilidad de que

a) Falle slo la mquina 1.


b) La produccin contine.

Solucin:
P(AB) =1/5 = 3/15, P(AB) = 2/15, entonces, P(B)= 5/15

Adems de P(AB) = P (A) P(B), resulta, P(A) = 9/15

a)
P(AB) = P (A) P(B) = 9/15 * 10/15 = 6/15

b)
P(AB AB AB ) = P(AB) + P(AB) + P( AB )

11
= P(A) P(B) + P(A) P(B) + P( A) P(B)

= 6/15 * 5/15 + 9/15*10/15 + 6/15 * 10/15 = 12/15

1.13. PROBABILIDAD TOTAL

Si k eventos: A1, A2,..,AK, constituyen una particin del espacio muestral , entonces, para
cualquier evento B en ,

P(B) = P(A1) * P(B/A1)+P(A2)*P(B/A2)++P(AK)*P(B/AK)


A1 A2 AK

TEOREMA DE BAYES

Para cualquier evento Ai de la particin, se tiene:

P(Ai/B) = P (Ai ) P(B/ P(Ai) / P(B) , Si P(B) 0

Ejemplo:

Las probabilidades de que los socios S1 y S2 sean elegidos presidente de un club son
respectivamente 0.4 y 0.6. Las probabilidades de que se aumenten las cuotas mensuales de
los socios son de 0.9 si sale elegido S1 y de 0.2 si sale elegido S2.

a) Cul es la probabilidad de que haya un aumento en las cuotas mensuales de los


socios?.
b) Si se aumenta la cuota mensual, cmo se modifican las probabilidades de que salgan
elegidos los socios S1 y S2 ?.

Solucin:
S1 0.9 A
0.4

12
0.6 S2 0.2 A

a) P(A) = P(S1) * P(A/S1)+P(S2)*P(A/S2) = 0.4*0.9 + 0.6*0.2 = 0.48

b)
P(S1/A) = P (S1 ) P(A/ P(S1) / P(A) = 0.75

P(S2i/B) = P (S2) P(B/ P(S2) / P(A) = 0.25


La probabilidad de S1 se modifica de 0.4 A 0.75 y la de S2 se modifica de 0.2 a 0.25

Laboratorio N 01

1. Sean A, B, y C tres eventos cualesquiera de un espacio muestral , expresar cada uno de


los siguientes eventos compuestos en trminos de operaciones entre A, B y C:

a) Ocurra por lo menos uno de los eventos.


b) Ocurran todos los eventos.
c) Ocurra exactamente uno de los eventos
d) No ocurran evento alguno.
e) ocurra ms de un evento.

2. Cada uno de cuatro amigos elige una bebida al azar en la cafetera. Describa el espacio
muestral del experimento si hay disponibles en tres sabores denominados por L, N y F,
cuntos elementos tiene?.

3. Un lote de N artculos contiene k defectuosos, describir el espacio muestral del nmero


de artculos extrados hasta obtener el ltimo defectuoso.

4. Un experimento consiste en observar la vida til de dos objetos, describa el evento la


duracin del primero ms la duracin del segundo es al menos 4 aos.

5. En un edificio de 10 pisos entran al ascensor al primer piso tres personas. Cada una baja
al azar a partir del segundo piso. De cuntas maneras distintas estas personas pueden
bajar en pisos diferentes?.

6. Cierto producto se arma en tres etapas. En la primera hay 5 lneas de ensamblado, en la


segunda 6, y en la tercera 4. De cuntas maneras distintas puede hacerse circular el
producto durante el proceso de ensamblado?

7. Una caja contiene 8 dulces de pia; 6 de naranja y 4 de fresa. Cuntos elementos tiene
el espacio muestral que resulta de extraer al azar un dulce de cada sabor?

8. Cierta marca de sierra elctrica es calificada por especialistas, en cuanto a rendimiento,


como: Muy buena, (B1); o, buena, (B2); o regular, (B3), y en cuanto al precio,
como cara, (C1), o barata; (C2). De cuntas maneras es calificada la sierra
elctrica por los especialistas?.

9. Un grupo de 5 hombres y 10 mujeres, se divide al azar en 5 grupos de 3 personas cada


una. Calcular el nmero de maneras en que cada grupo contenga un hombre.

13
10. De cuntas maneras diferentes puede un padre dividir 8 regalos entre sus 3 hijos, si el
mayor debe recibir 4 regalos y los menores 2 cada uno?

11. Un sistema est formado por dos componentes A y B cuyas probabilidades de falla son
1/6 y 2/15 respectivamente. Si la probabilidad de al menos una de las dos componentes
falle es 7/30, calcular la probabilidad de que:

a) Ninguno de las dos componentes fallen.


b) Slo una de las componentes falle.

12. Un lote contiene n objetos. La probabilidad de que al menos uno sea defectuoso es 0.06,
mientras que la probabilidad de que al menos dos sean defectuosos es 0.04. Calcular la
probabilidad de que:

a) Todos los objetos sean no defectuosos.


b) Exactamente un objeto sea defectuoso.

13. Doscientas personas estn distribuidas de acuerdo a su sexo y lugar de procedencia de la


siguiente manera: 130 son hombres, 110 son de la capital y 30 son mujeres y de
provincias. Si se eligen dos personas al azar calcular la probabilidad de que:

a) Ambos sean hombres y de provincias.


b) Al menos uno de los dos escogidos sea mujer.

14. Un comerciante tiene 12 unidades de cierto artculo de los cuales 4 tienen algn tipo de
defecto. Un cliente pide para comprar 3 de tales artculos pero que no tengan defectos. Si
el comerciante escoge al azar y de una sola vez 4 de tales artculos, cul es la
probabilidad de que con las 4 unidades escogidas satisfaga el pedido del cliente?

15. Cien personas fueron encuestadas acerca de sus preferencias sobre tres productos A, B,
y C. Se encontr que 50 prefieren el A, 37 el B, y 30 el C. Adems 12 prefieren A y B, 8
slo A y C, 5 slo B y C, y 15 slo C. De cinco personas encuestadas elegidas al azar,
calcular la probabilidad de que 2 de ellas prefieran B, y C, 2 slo A y B, y una prefiera
los tres productos.

16. Si P(A)=5/8, P(B)=3/4 y P(A/B)=2/3, calcular P(A/B)

17. Si P(B)=3/15, P(B/A)=1/5, y P(AB)=1/15, calcular P(AB)

18. De 20 clientes de crdito de una tienda comercial, 100 tienen crditos menores que $
200, 15 tienen crditos de al menos $ 500, y 110 tienen crditos menores de 4 aos.
Adems 30 clientes tienen crditos de al menos 4 aos y de 200 a menos de $500, y 10
clientes tienen crditos al menos $500 y menos de 4 aos.

a) Si se elige un cliente al azar, cul es la probabilidad de que tenga crdito menos


de de 4 aos si tiene saldo de crdito de menos de $ 200?
b) Si se eligen dos clientes al azar y resultan de al menos de 4 aos de crdito, cul
es la probabilidad de que uno tenga saldo de crdito de $ 500 o ms?

19. Slo el 60% de la mercadera que recibe un comerciante del fabricante A es de calidad
excepcional, mientras que el 90% de la mercadera que recibe del fabricante B es de
calidad excepcional. Sin embargo la capacidad del fabricante B es limitada, y, por esta

14
razn slo el 30% de la mercadera le es permitido adquirir del fabricante B, el 70% la
adquiere de A. Se inspecciona un embarque que acaba de llegar y se encuentra que es de
calidad excepcional, cul es la probabilidad de que provenga del fabricante A?.

2. DISTRIBUCIONES DE PROBABILIDAD

2.1. INTRPODUCCIN

En la primera unidad desarrollamos algunos modelos probabilsticas a travs de espacios


maestrales. Esto facilit la comprensin del concepto de probabilidad y la obtencin de algunas
propiedades fundamentales de la teora de probabilidad, sin embargo, para estudiar situaciones
prcticas ms generales, necesitamos ampliar estos conceptos para que tengamos
distribuciones(o modelos) de probabilidad que representen todos los tipos de variables definidas
e en la asignatura de Estadstica Descriptiva. As todo lo estudiado en tal asignatura para hacer
un tratamiento descriptivo de las variables cuantitativas tendr su correspondiente distribucin(
o modelo terico). Estas variables numricas a las cuales asociamos distribuciones de
probabilidad, sern llamadas variables aleatorias.

2.2. VARIABLE ALEATORIA

Una variable estadstica es una caracterstica (cualitativa o cuantitativa) que se mide u


observa en una poblacin. Si la poblacin es aleatoria y la caracterstica es cuantitativa la
variable estadstica es denominada variable aleatoria. Las variables aleatorias se clasifican en
discretas y continuas.

Definicin. Se denomina variable aleatoria, a una variable estadstica cuantitativa definida en un


espacio muestral .

El dominio de la variable aleatoria X es el espacio muestral y el rango es un subconjunto


de los nmeros reales que denotaremos por RX, siendo,

RX = {x / x = X (w), w }

Ejemplo:

Sea el espacio muestral que se obtiene al lanzar al aire una moneda tres veces consecutivas,
esto, es,

= {SSS, SSC, SCS, CSS, SCC, CSC, CCS, CCC}.

Si X es el nmero de caras obtenidas, entonces X es una variable aleatoria cuyo rango es: RX =
{0, 1, 2, 3}.

2.2.1. VARIABLE ALEATORIA DISCRETA:


15
FUNCIN DE PROBABILIDAD Y FUNCIN DE DISTRIBUCIN ACUMULADA.

2.2.1.1. PROBABILIDAD EN EL RANGO RX.

Una variable aleatoria discreta asume cada uno de sus valores con cierta probabilidad que
denotaremos por PX (probabilidad inducida por X).

En efecto, si el rango de la variable aleatoria X es el conjunto finito de nmeros, RX = {1,


2,, xn}y si B ={xi} es un evento en RX, entonces,

PX = ({xi}) = P ({x / X (w) = xi}),

PX = xi = P ({w / X (w) = xi}).

2.2.1.2. FUNCIN DE PROBABILIDAD

Sea X una variable aleatoria discreta. Se denomina funcin (ley o modelo o distribucin) de
probabilidad de X a la funcin f(x) definida por f(x) = PX = x para todo x nmero real y que
satisface las siguientes condiciones:

i) f(x) >= 0 para todo x R, y ii) f ( xi) 1


xi Rx

NOTAS.

1. Si A RX, entonces, la probabilidad de A es el nmero:

P( A) P X xi = f ( xi)
xiRx xi Rx

2. La funcin de probabilidad de una variable aleatoria X se puede expresar: por una ecuacin:
f(x) = PX = x = expresin de x, o por el conjunto de pares {(xi,pi)/pi = f(xi), xi RX} o por
una tabla, si RX es finito.

Valores de xi de X x1 x2 x3 xn
Probabilidad Pi = P X xi p1 p2 p3 pn

La grfica de una distribucin de probabilidades discreta es la grfica de bastones.

Ejemplo:

Sea X la variable aleatoria definida como el nmero de caras que ocurren al lanzar un moneda 4
veces.

a) Determinar la distribucin de probabilidades de X.

b) Calcular la probabilidad P0<X<=2

SOLUCIN.

16
a)

f(0) = PX=0 = 1/16

f(1) = PX=1 = 4/16

f(2) = PX=2 = 6/16

f(3) = PX=3 = 4/16

f(4) = PX=4 = 1/16

b)

2
P0<X<=2 = f (k )
k 1
f (1) f (2) 4 / 16 6 / 16 10 / 16

2.2.1.2. FUNCIN DE DISTRIBUCIN ACUMULADA DE VARIABLE ALEATORIA


DISCRETA

F ( x) P X x P X K f (k ), para x
KX kx

2.2.2. VARIABLE ALEATORIA CONTINUA:

Variable aleatoria continua: Funcin de densidad y funcin de distribucin acumulada.

2.2.2.1. Funcin de densidad de probabilidad.


Definicin.
Se dice que la funcin f(x) es funcin de densidad (ley o distribucin) de probabilidad de la
variable aleatoria continua X si satisface las siguientes condiciones:
i) f x 0 para todo x es el conjunto de los nmeros reales

ii) x dx 1

iii) P A P x A f x dx, para cualquier int ervalo A


A

NOTAS.
1. La condicin i) persona que la grfica de f(x) no tiene puntos por debajo del eje de las
abscisas.
La condicin ii), indica que el rea total bajo la curva es igual a uno.

17
La condicin iii) expresa: probabilidad igual a rea. Esto es, si A a, b, la probabilidad
Pa X b es igual a el rea de la regin limitada por la curva, el eje X y las rectas X = a, X =
b, es decir: (ver figura 6.5).

Pa X b f x dx
b

2. No es difcil verificar que si el evento A es cualquier intervalo en la recta real, entonces,


P(A) satisface los axiomas de la probabilidad.

3. Cualquier funcin f(x) que satisfaga slo las condiciones i) y ii) no es probabilidad, slo es
probabilidad cuando la funcin de densidad es integrada entre dos lmites. Por ejemplo, la
funcin:
f x 3x 2 / 8 para 0 x 2.
Satisface las condiciones i) y ii), pero f(x) no es probabilidad, ya que entre otros valores se
tiene, f(w) = 1.5, f(1.8) = 1.215.

4. Si x0 es cualquier valor especfico de la variable aleatoria continua X, entonces:

PX x0 Px0 X x0 x dx 0
x0

x0 f

Como consecuencia se tiene:


a) P A 0, no implica A
b) Pa X b Pa X b Pa X b Pa X b

EJEMPLO 6.12.
Sea f(x) una funcin definida en todos los nmeros reales por

a) Hallar el valor de la constante c para que, f(x) sea una funcin de densidad para alguna
variable aleatoria X.
b) Calcular P0 X 1

18
SOLUCIN.
a) El rea de la figura 6.6. debe ser igual a 1, entonces,
2
x3
f x dx
8

2
1 cx dx c c
2
0
3 0 3

Resultando, c = 3/8. Luego.


3x 2 / 8, si x 0,2
f x
0, si x 0,2

La grfica de esta funcin de densidad est dada en la figura 6.6.

1
3x 2 x3
b) P0 X 1
1

1
dx
0
8 8 0 8
2.2.2.2. Funcin de distribucin acumulada de variable aleatoria continua.
Definicin.
La funcin de distribucin acumulada (f.d.a.) F(x) de una variable aleatoria continua X con
funcin de densidad f(), se define (ver figura 6.7) por:

f x PX x f t dt, para x
x

EJEMPLO 6.13.
Sea f(x) una funcin de densidad de probabilidad de una variable aleatoria X, cuya grfica es la
figura que sigue:

19
a) Determinar el valor de la constante c y luego la f.d.p. de X.
b) Hallar la funcin de distribucin acumulada F(x) de X.
c) Usando F(x), calcular P5 / 4 X 5 / 2

SOLUCIN.
a) Si el rea que encierra la figura con el eje X es igual a uno, entonces, c =
La funcin de densidad se define a partir de la ecuacin de la recta y -1/4 = (3/4 ) (3-1) (x-
1), o y = x/4. Luego,
x
4 , si 1 x 3

f x
0. en otro caso


b) La funcin de distribucin acumulada, se calcula por:
F(x)= 0, si x > 1, F(x) = 1; si x > 3.
x2 1
Si 1 x 3, F x
t

x
dt
1 4 8 8
Entonces,
0, si x 1
x 2 1
F x , si 1 x 3
8
1, si x 3

La grfica de esta funcin de distribucin acumulada es la figura 6-8.

20
5 5 5 5 21 9 75
c) P X F F
4 2 2 4 32 128 128

2.2.3. Valor esperado o esperanza matemtica.


La distribucin de probabilidad de una variable aleatoria se caracteriza bsicamente a travs de
medidas de tendencia central y de la dispersin. Estas medidas caractersticas de la distribucin
denominadas parmetros se describen por medio de la esperanza matemtica.
2.2.3.1. Media de una variable aleatoria.
La media de una variable aleatoria X o media de la distribucin de probabilidad de X es un
nmero real que se denota por x o por . La media es denominada tambin esperanza
matemtica o valor esperado de X, y se denota tambin por E(X).

Definicin 1.
La media de una variable aleatoria discreta X con funcin de probabilidad f(x) es la expresin:
Si el rango de X es el conjunto finito Rx x1 , x2 , ... xn , entonces,
n
EX x f x i i
i 1

Si el rango de X es el conjunto infinito numerable Rx x1 , x2 , ... ,



EX x f x i i
i 1

En este caso, si la suma indicada no es igual a un nmero real, se dice que la esperanza de X no
existe.

Definicin 2.
La media de una variable aleatoria continua X con funcin de densidad de probabilidad f(x) es
la expresin:

EX xf x dx

siempre que el valor de la integral sea un nmero real, en caso contrario, se dice que la media de
X no existe.

EJEMPLO 6.19.
Calcular la media de la distribucin de probabilidad de la variable aleatoria X que se define
como el nmero de caras cuando se lanzan cuatro monedas.

21
SOLUCIN.
La distribucin de probabilidad de X se da en la tabla 6-3.
TABLA 6-3
x1 0 1 2 3 4
1/16 4/16 6/16 4/16 1/16
F(xI)

La media de X es el nmero
1 4 6 4 1
E X xi f xi 0 1 2 3 4 2
16 16 16 16 16
Esto significa que si una persona lanza 4 monedas, muchas veces, en promedio obtendr 2 caras
por lanzamiento.

NOTA: (Interpretacin de la esperanza)


Refirindonos al ejemplo 6.19, supongamos que repetimos n veces el lanzamiento de las cuatro
monedas y que se obtienen las frecuencias absolutas n, n1, n2, n3 y n4 de las veces que ocurre; 0,
1, 2, 3 y 4 caras respectivamente. Lo que resulta es una distribucin de frecuencia cuyo
promedio de caras por lanzamiento es igual a
0 x n0 1 x n2 2 x n3 3 x n4 4 x n4 n n n n n
X 0 x 0 1 x 1 2 x 2 3 x 3 4 x 4
n n n n n n

En el clculo de E(X) se usan probabilidades o proporciones tericas, mientras que en el clculo


de X se usan frecuencias relativas o proporciones empricas obtenidas a partir de una muestra
de tamao n. A medida que n vaya creciendo es de esperar que las frecuencias relativas
empricas:

n0/ n, n1/n, n2/n, n3/n, y n4/n,


se vayan aproximando a las correspondientes probabilidades 1/16, 4/16, 6/16, 4/16, 6/16, 4/16 y
1/16. En consecuencia es de esperar que X se vaya aproximando a E(X) a medida que n crece
indefinidamente. Entonces E(X) es la media que ser obtiene a largo plazo o a la larga, en
otras palabras es la media que se espera obtener.

NOTA: (Mediana y moda de una variable aleatoria).


La mediana de una variable aleatoria X es el nmero Me tal que:
F Me PX Me 0.5

22
Por ejemplo, acumulando las probabilidades ejemplo 6.19, resulta, F x 5 / 16, para 1 x 2,

y F x 11/ 16, para 2 x 3.


Luego en x = 2 puede ocurrir cualquier valor entre 5/16 y 11/16. En particular F(2) = 0.5. Por lo
tanto, la mediana = 2.
Por otra parte, la moda de una variable aleatoria X, es el valor de la variable con mayor
probabilidad (caso directo), o donde alcanza su mximo (caso continuo). En la distribucin del
ejemplo 6.19, la moda = 2.

2.2.3.2. Media de una funcin de una variable aleatoria.


Sea X una variable aleatoria discreta con rango Rx y funcin de probabilidad f x PX x.
Entonces, la funcin Y = H(X), es una variable aleatoria con rango R y y / H x y , con

funcin de probabilidad g(y) dada por:


g y PTY y PX x
x Rx / H x y

Por ejemplo, si es una variable aleatoria cuya distribucin de probabilidad est dada por la tabla
6.4, y si Y = H(X) = 2X 3, entonces,
Tabla 6.4
x 0 1 2 3

1/8 3/8 3/8 3/8


F(x)

Y es una variable aleatoria, cuya distribucin de probabilidades es dada por la tabla 6.5, donde
g y PY H x PX x f x .
H(x) = 2x - 3 -3 -1 1 3

1/8 3/8 3/8 1/8


g(y) = f(x)

El valor esperado de H(x) es,


3 3 3 3
E H X H x f x
8 8 8 8

Definicin.
Si X es una variable aleatoria con distribucin con distribucin de probabilidad f(x), la media o
valor esperado o esperanza matemtica de la variable aleatoria H(x) est dada por la expresin:
E H X H x f x ,
i i si X es discreta,

23

Y por : E H X H x f x dx, si X es continua

Si la suma o la integral indicadas no son iguales a un nmero real se dice que la esperanza de
H(x) no existe.

2.2.3.3. Varianza de una variable aleatoria.


La varianza de una variable aleatoria X se denota por cualquiera de las formas:
2 , x2 , Var. X ,V X

Definicin.
Sea X una variable aleatoria con distribucin de probabilidad f(x) y con media igual a . La
varianza de X es la expresin:

x2 E X 2 xi 2 f xi , si X es discreta, y

E X

x2 2

x 2 f x dx, si X es continua.

siempre que la suma y al integral sean nmeros reales.

Definicin. La desviacin estndar de la variable aleatoria X es la raz cuadrada positiva de su

varianza. Esto es, x X2 .


Una de las propiedades de la varianza que sea usa en el clculo es:

var X E X E X 2 2
2

EJEMPLO 6.28.
Calcular la varianza y la desviacin estndar de la distribucin de probabilidad de la variable
aleatoria X que se define como el nmero de caras al lanzar cuatro monedas.

SOLUCIN.
La distribucin de probabilidad de X es la tabla 6-9.
Xi 0 1 2 3 4
1/16
1/16 4/16 6/16 4/16
f(xi)
En el ejemplo 6.19, se ha calculado E(X) = 2. Adems,

24
x f x 0
4
1 4 6 4 1 80
E X2 2 2
x 12 x 2 2 x 3 2 x 4 2 x 5
x0 16 16 16 16 16 16

Por lo tanto, x2 E X 2 2 5 2 1
2

La desviacin estndar de X es: x Var X 1.

EJEMPLO 6.29.
Calcular la varianza y la desviacin estndar de la variable aleatoria discreta X cuya funcin de
probabilidad es:
e x
f x , x 0,1, 2, ...., etc, cons tan te
x!
SOLUCIN.
En el ejemplo 6.2 se ha calculado E X . Adems,

e x x1

k
E X2 x 2 f x x2 e e k 1 k!
x0 x0 x! x 1 x 1! k 0

k k


e k e e e e e 2
k 0 k! k 0 k!

Luego, la varianza de X es:



Var X E X 2 2 2 2
La desviacin estndar de X es
X Var X 1 / 2
NOTA:
Otra forma de calcular esta varianza, es usando la siguiente expresin:
x2 EX X 1 2
En efecto, , y

e x
x2
E X X 1 xx 1 e
2
2 e e 2
x 0 x! x 2 x 2!

2.3. DISTRIBUCIONES DISCRETAS

Vamos a comenzar por estudiar las principales distribuciones discretas.

2.3.1 DISTRIBUCIONES DISCRETAS: BERNOUILLI

Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos
soluciones: acierto o fracaso:

25
Cuando es acierto la variable toma el valor 1

Cuando es fracaso la variable toma el valor 0

Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale);
probabilidad de ser admitido en una universidad (o te admiten o no te admiten); probabilidad de
acertar una quiniela (o aciertas o no aciertas)

Al haber nicamente dos soluciones se trata de sucesos complementarios:

A la probabilidad de xito se le denomina "p"

A la probabilidad de fracaso se le denomina "q"

Verificndose que:

p+q=1

Veamos los ejemplos anteriores :

Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire:

Probabilidad de que salga cara: p = 0,5

Probabilidad de que no salga cara: q = 0,5

p + q = 0,5 + 0,5 = 1

Ejemplo 2: Probabilidad de ser admitido en la universidad:

Probabilidad de ser admitido: p = 0,25

Probabilidad de no ser admitido: q = 0,75

p + q = 0,25 + 0,75 = 1

Ejemplo 3: Probabilidad de acertar una quiniela:

Probabilidad de acertar: p = 0,00001

Probabilidad de no acertar: q = 0,99999

p + q = 0,00001 + 0,99999 = 1

2.3.2. DISTRIBUCIONES DISCRETAS: BINOMIAL

La distribucin binomial parte de la distribucin de Bernouilli:

La distribucin de Bernouiili se aplica cuando se realiza una sola vez un experimento que
tiene nicamente dos posibles resultados (xito o fracaso), por lo que la variable slo puede
tomar dos valores: el 1 y el 0

26
La distribucin binomial se aplica cuando se realizan un nmero"n" de veces el experimento
de Bernouiili, siendo cada ensayo independiente del anterior. La variable puede tomar valores
entre:

0: si todos los experimentos han sido fracaso

n: si todos los experimentos han sido xitos

Ejemplo: se tira una moneda 10 veces: cuantas caras salen? Si no ha salido ninguna la variable
toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la
variable toma el valor 10

La distribucin de probabilidad de este tipo de distribucin sigue el siguiente modelo:

Alguien entiende esta frmula? Vamos a tratar de explicarla con un ejemplo:

Ejemplo 1: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?

" k " es el nmero de aciertos. En este ejemplo " k " igual a 6 (en cada acierto decamos que la
variable toma el valor 1: como son 6 aciertos, entonces k = 6)

" n" es el nmero de ensayos. En nuestro ejemplo son 10

" p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p
= 0,5

La frmula quedara:

Luego,

P (x = 6) = 0,205

Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda.

Ejemplo 2: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado ocho
veces?

" k " (nmero de aciertos) toma el valor 4

" n" toma el valor 8

" p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666)

La frmula queda:

27
Luego,

P (x = 4) = 0,026

Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmeros 3 al tirar un
dado 8 veces.

2.3.3. DISTRIBUCIONES DISCRETAS: POISSON

Cuando la variable aleatoria X es el nmero de eventos que ocurren en un intervalo de tiempo


volumen o espacio de dice que sigue una distribucin de Poisson. Como por ejemplo. El nmero
de accidentes en una fbrica durante un ao, el nmero de prestamos solicitados a una agencia
Bancaria durante un ao, el nmero de errores que se cometen al tejer 20 pies cuadrados de tela,
el nmero de bacterias que se reproducen en un centmetro cbico de agua, etc.

La distribucin de Poisson sigue el siguiente modelo:

Vamos a explicarla:

El nmero "e" es 2,71828

" " = n * p (es decir, el nmero de veces " n " que se realiza el experimento multiplicado por la
probabilidad " p " de xito en cada ensayo)

" k " es el nmero de xito cuya probabilidad se est calculando

Veamos un ejemplo:

La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se realizan
300 viajes, cual es la probabilidad de tener 3 accidentes?

Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces
aplicamos el modelo de distribucin de Poisson.

300*0.02=6

Luego,

28
P (x = 3) = 0,0892

Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%

Otro ejemplo:

La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que


entre 800 recien nacidos haya 5 pelirrojos?

Luego,

P (x = 5) = 4,602

Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recien nacidos es del 4,6%.

2.4. DISTRIBUCIONES CONTINUAS: NORMAL

Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se


comportan segn una distribucin normal.

Esta distribucin de caracteriza porque los valores se distribuyen formando una campana de
Gauss, en torno a un valor central que coincide con el valor medio de la distribucin:

Un 50% de los valores estn a la dercha de este valor central y otro 50% a la izquierda

Esta distribucin viene definida por dos parmetros:

X: N ( 2)

es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de


la campana de Gauss).

29
2: es la varianza. Indica si los valores estn ms o menos alejados del valor central: si la
varianza es baja los valores estn prximos a la media; si es alta, entonces los valores estn muy
dispersos.

Cuando la media de la distribucin es 0 y la varianza es 1se denomina "normal estndar ", y


su ventaja reside en que hay tablas donde se recoge la probabilidad acumulada para cada punto
de la curva de esta distribucin.

Adems, toda distribucin normal se puede transformar en una normal estndar:

Ejemplo: una variable aleatoria sigue el modelo de una distribucin normal con media 10 y
varianza 4. Transformarla en una normal estndar.

X: N (10, 4)

Para transformarla en una normal estndar se crea una nueva variable (Y) que ser igual a la
anterior (X) menos su media y dividida por su desviacin tpica (que es la raz cuadrada de
la varianza)

En el ejemplo, la nueva variable sera:

Esta nueva variable se distribuye como una normal estndar, permitindonos, por tanto,
conocer la probabilidad acumulada en cada valor.

2.4.1. DISTRIBUCIONES ESTNDAR: NORMAL

Y 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5723
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
30
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861

Cmo se lee esta tabla?

La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer. La


primera fila nos indica el segundo decimal del valor que estamos consultando.

Ejemplo: queremos conocer la probabilidad acumulada en el valor 2,75.Entonces buscamos en


la columna de la izquierda el valor 2,7 y en la primera fila el valor 0,05. La casilla de la
interseccin es su probabilidad acumulada (0,99702, es decir 99.7%).

Atencin: la tabla nos da la probabilidad acumulada, es decir, la que va desde el inicio de la


curva por la izquierda hasta dicho valor. No nos da la probabilidad concreta en ese punto. En
una distribucin continua en el que la variable puede tomar infinitos valores, la probabilidad en
un punto concreto es prcticamente despreciable.

Ejemplo: Imaginemos que una variable continua puede tomar valores entre 0 y 5. La
probabilidad de que tome exactamente el valor 2 es despreciable, ya que podra tomar infinitos
valores: por ejemplo: 1,99, 1,994, 1,9967, 1,9998, 1999791, etc.

Veamos otros ejemplos:

Probabilidad acumulada en el valor 0,67: la respuesta es 0,7486

Probabilidad acumulada en el valor 1,35: la respuesta es 0,9115

Probabilidad acumulada en el valor 2,19: la respuesta es 0,98574

Veamos ahora, como podemos utilizar esta tabla con una distribucin normal:

Ejemplo: el salario medio de los empleados de una empresa se distribuye segn una
distribucin normal, con media 5 millones de ptas. y desviacin tpica 1 milln de ptas. Calcular
el porcentaje de empleados con un sueldo inferior a 7 millones de ptas.

Lo primero que haremos es transformar esa distribucin en una normal estndar, para ello se
crea una nueva variable (Y) que ser igual a la anterior (X) menos su media y dividida por la
desviacin tpica

31
En el ejemplo, la nueva variable sera:

Esta nueva variable se distribuye como una normal estndar. La variable Y que corresponde a
una variable X de valor 7 es:

Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a la


probabilidad de sueldos inferiores a 7 millones de ptas.). Esta probabilidad es 0,97725

Por lo tanto, el porcentaje de empleados con salarios inferiores a 7 millones de ptas. es del
97,725%.

EJERCICIOS

Ejercicio 1: La renta media de los habitantes de un pas es de 4 millones de ptas/ao, con una
varianza de 1,5. Se supone que se distribuye segn una distribucin normal. Calcular:

a) Porcentaje de la poblacin con una renta inferior a 3 millones de ptas.

b) Renta a partir de la cual se sita el 10% de la poblacin con mayores ingresos.

c) Ingresos mnimo y mximo que engloba al 60% de la poblacin con renta media.

a) Porcentaje de la poblacin con una renta inferior a 3 millones de ptas.

Lo primero que tenemos que hacer es calcular la normal estndar:

(*) Recordemos que el denominador es la desviacin tpica ( raz cuadrada de la varianza)

El valor de Y equivalente a 3 millones de ptas es -0,816.

P (X < 3) = P (Y < -0,816)

32
Ahora tenemos que ver cul es la probabilidad acumulada hasta ese valor. Tenemos un
problema: la tabla de probabilidades (ver leccin 35) slo abarca valores positivos, no obstante,
este problema tiene fcil solucin, ya que la distribucin normal es simtrica respecto al valor
medio.

Por lo tanto:

P (Y < -0,816) = P (Y > 0,816)

Por otra parte, la probabilidad que hay a partir de un valor es igual a 1 (100%) menos la
probabilidad acumulada hasta dicho valor:

P (Y > 0,816) = 1 - P (Y < 0,816) = 1 - 0,7925 (aprox.) = 0,2075

Luego, el 20,75% de la poblacin tiene una renta inferior a 3 millones ptas.

b) Nivel de ingresos a partir del cual se sita el 10% de la poblacin con renta ms
elevada.

Vemos en la tabla el valor de la variable estndar cuya probabilidad acumulada es el 0,9 (90%),
lo que quiere decir que por encima se sita el 10% superior.

Ese valor corresponde a Y = 1,282 (aprox.). Ahora calculamos la variable normal X equivalente
a ese valor de la normal estndar:

Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a 5,57
millones de ptas. constituyen el 10% de la poblacin con renta ms elevada.

c) Nivel de ingresos mnimo y mximo que engloba al 60% de la poblacin con renta
media

Vemos en la tabla el valor de la variable normalizada Y cuya probabilidad acumulada es el 0,8


(80%). Como sabemos que hasta la media la probabilidad acumulada es del 50%, quiere decir
que entre la media y este valor de Y hay un 30% de probabilidad.

Por otra parte, al ser la distribucin normal simtrica, entre -Y y la media hay otro 30% de
probabilidad. En definitiva, el segmento (-Y, Y) engloba al 60% de poblacin con renta media.

El valor de Y que acumula el 80% de la probabilidad es 0,842 (aprox.), por lo que el segmento
viene definido por (-0,842, +0,842). Ahora calculamos los valores de la variable X
correspondientes a estos valores de Y.

Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos superiores a 2,97
millones de ptas. e inferiores a 5,03 millones de ptas. constituyen el 60% de la poblacin con un
nivel medio de renta.

33
Ejercicio 2: La vida media de los habitantes de un pas es de 68 aos, con una varianza de 25.
Se hace un estudio en una pequea ciudad de 10.000 habitantes:

a) Cuntas personas superarn previsiblemente los 75 aos?

b) Cuntos vivirn menos de 60 aos?

a) Personas que vivirn (previsiblemente) ms de 75 aos

Calculamos el valor de la normal tipificada equivalente a 75 aos

Por lo tanto

P (X > 75) = (Y > 1,4) = 1 - P (Y < 1,4) = 1 - 0,9192 = 0,0808

Luego, el 8,08% de la poblacin (808 habitantes) vivirn ms de 75 aos.

b) Personas que vivirn (previsiblemente) menos de 60 aos

Calculamos el valor de la normal tipificada equivalente a 60 aos

Por lo tanto

P (X < 60) = (Y < -1,6) = P (Y > 1,6) = 1 - P (Y < 1,6) = 0,0548

Luego, el 5,48% de la poblacin (548 habitantes) no llegarn probablemente a esta edad.

Ejercicio 3: El consumo medio anual de cerveza de los habitantes de un pas es de 59 litros, con
una varianza de 36. Se supone que se distribuye segn una distribucin normal.

a) Si usted presume de buen bebedor, cuntos litros de cerveza tendra que beber al ao para
pertenecer al 5% de la poblacin que ms bebe?

b) Si usted bebe 45 litros de cerveza al ao y su mujer le califica de borracho qu podra


argumentar en su defensa?

a) 5% de la poblacin que ms bebe.

Vemos en la tabla el valor de la variable estndar cuya probabilidad acumulada es el 0,95


(95%), por lo que por arriba estara el 5% restante.

Ese valor corresponde a Y = 1,645 (aprox.). Ahora calculamos la variable normal X equivalente
a ese valor de la normal estndar:

34
Despejando X, su valor es 67,87. Por lo tanto, tendra usted que beber ms de 67,87 litros al ao
para pertenecer a ese "selecto" club de grandes bebedores de cerveza.

b) Usted bebe 45 litros de cerveza al ao. Es usted un borracho?

Vamos a ver en que nivel de la poblacin se situara usted en funcin de los litros de cerveza
consumidos.

Calculamos el valor de la normal estndar correspondiente a 45 litros:

Por lo tanto

P (X < 45) = (Y < -2,2) = P (Y > 2,2) = 1 - P (Y < 2,2) = 0,0139

Luego, tan slo un 1,39% de la poblacin bebe menos que usted. Parece un argumento de
suficiente peso para que dejen de catalogarle de "enamorado de la bebida"

Ejercicio 4: A un examen de oposicin se han presentado 2.000 aspirantes. La nota media ha


sido un 5,5, con una varianza de 1,5.

a) Tan slo hay 100 plazas. Usted ha obtenido un 7,7. Sera oportuno ir organizando una fiesta
para celebrar su xito?

b) Va a haber una 2 oportunidad para el 20% de notas ms altas que no se hayan clasificados.
A partir de que nota se podr participar en esta "repesca"?

a) Ha obtenido usted un 7,7

Vamos a ver con ese 7,7 en que nivel porcentual se ha situado usted, para ello vamos a
comenzar por calcular el valor de la normal estndar equivalente.

A este valor de Y le corresponde una probabilidad acumulada (ver tablas) de 0,98214


(98,214%), lo que quiere decir que por encima de usted tan slo se encuentra un 1,786%.

Si se han presentado 2.000 aspirante, ese 1,786% equivale a unos 36 aspirantes. Por lo que si
hay 100 plazas disponibles, tiene usted suficientes probabilidades como para ir organizando la
"mejor de las fiestas".

b) "Repesca" para el 20% de los candidatos

35
Vemos en la tabla el valor de la normal estndar que acumula el 80% de la probabilidad, ya que
por arriba slo quedara el 20% restante.

Este valor de Y corresponde a 0,842 (aprox.). Ahora calculamos el valor de la normal X


equivalente:

Despejamos la X y su valor es 6,38. Por lo tanto, esta es la nota a partir de la cual se podr
acudir a la "repesca".

2.5. Teorema Central del Lmite

El Teorema Central del Lmite dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribucin (cualquiera que ste sea),
la suma de ellas se distribuye segn una distribucin normal.

Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de Bernouilli. Si lanzamos
la moneda al aire 50 veces, la suma de estas 50 variables (cada una independiente entre si) se
distribuye segn una distribucin normal.

Este teorema se aplica tanto a suma de variables discretas como de variables continuas.

Los parmetros de la distribucin normal son:

Media: n * (media de la variable individual multiplicada por el nmero de variables


independientes)

Varianza: n * varianza de la variable individual multiplicada por el nmero de variables


individuales)

Veamos un ejemplo:

Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale cruz el valor 0.
Cada lanzamiento es una variable independiente que se distribuye segn el modelo de
Bernouilli, con media 0,5 y varianza 0,25.

Calcular la probabilidad de que en estos 100 lanzamientos salga ms de 60 caras.

La variable suma de estas 100 variables independientes se distribuye, por tanto, segn una
distribucin normal.

Media = 100 * 0,5 = 50

Varianza = 100 * 0,25 = 25

36
Para ver la probabilidad de que salgan ms de 60 caras calculamos la variable normal estndar
equivalente:

(*) 5 es la raz cuadrada de 25, o sea la desviacin tpica de esta distribucin

Por lo tanto:

P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228

Es decir, la probabilidad de que al tirar 100 veces la moneda salga ms de 60 caras es tan slo
del 2,28%

EJERCICIOS

Ejercicio 1.

La renta media de los habitantes de un pas se distribuye uniformemente entre 4,0 millones ptas.
y 10,0 millones ptas. Calcular la probabilidad de que al seleccionar al azar a 100 personas la
suma de sus rentas supere los 725 millones ptas.

Cada renta personal es una variable independiente que se distribuye segn una funcin
uniforme. Por ello, a la suma de las rentas de 100 personas se le puede aplicar el Teorema
Central del Lmite.

La media y varianza de cada variable individual es:

= (4 + 10 ) / 2 = 7

2 = (10 - 4)^2 / 12 = 3

Por tanto, la suma de las 100 variables se distribuye segn una normal cuya media y varianza
son:

Media: n * = 100 * 7 = 700

Varianza: n * = 100 * 3 = 300

Para calcular la probabilidad de que la suma de las rentas sea superior a 725 millones ptas,
comenzamos por calcular el valor equivalente de la variable normal tipificada:

Luego:

P (X > 725) = P (Y > 1,44) = 1 - P (Y < 1,44) = 1 - 0,9251 = 0,0749

37
Es decir, la probabilidad de que la suma de las rentas de 100 personas seleccionadas al azar
supere los 725 millones de pesetas es tan slo del 7,49%

Ejercicio 2.

En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada clase es del
10%. A lo largo del ao tienes 100 clases de esa asignatura. Cul es la probabilidad de tener
que salir a la pizarra ms de 15 veces?

Se vuelve a aplicar el Teorema Central del Lmite.

Salir a la pizarra es una variable independiente que sigue el modelo de distribucin de


Bernouilli:

"Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10

"No salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9

La media y la varianza de cada variable independientes es:

= 0,10

2 = 0,10 * 0,90 = 0,09

Por tanto, la suma de las 100 variables se distribuye segn una normal cuya media y varianza
son:

Media: n * = 100 * 0,10 = 10

Varianza: n * = 100 * 0,09 = 9

Para calcular la probabilidad de salir a la pizarra ms de 15 veces, calculamos el valor


equivalente de la variable normal estndar:

Luego:

P (X > 15) = P (Y > 1,67) = 1 - P (Y < 1,67) = 1 - 0,9525 = 0,0475

Es decir, la probabilidad de tener que salir ms de 15 veces a la pizarra a lo largo del curso es
tan slo del 4,75%

Ejercicio 3.

Un da visitamos el Casino y decidimos jugar en la ruleta. Nuestra apuesta va a ser siempre al


negro y cada apuesta de 500 ptas. Llevamos 10.000 ptas. y queremos calcular que probabilidad
tenemos de que tras jugar 80 veces consigamos doblar nuestro dinero.

Cada jugada es una variable independiente que sigue el modelo de distribucin de Bernouilli.

38
"Salir negro", le damos el valor 1 y tiene una probabilidad del 0,485

"No salir negro", le damos el valor 0 y tiene una probabilidad del 0,515

(*) La probabilidad de "no salir negro" es mayor ya que puede salir rojo o el cero

La media y varianza de cada variable individual es:

= 0,485

2 = 0,485 * 0,515 = 0,25

A la suma de las 80 apuestas se le aplica el Teorema Central del Lmite, por lo que se
distribuye segn una normal cuya media y varianza son:

Media: n * = 80 * 0,485 = 38,8

Varianza: n * = 80 * 0,25 = 20

Para doblar nuestro dinero el negro tiene que salir al menos 20 veces ms que el rojo (20 * 500
= 10.000), por lo que tendr que salir como mnimo 50 veces (implica que el rojo o el cero
salgan como mximo 30 veces).

Comenzamos por calcular el valor equivalente de la variable normal tipificada:

Luego:

P (X > 50) = P (Y > 2,50) = 1 - P (Y < 2,50) = 1 - 0,9938 = 0,0062

Es decir, la probabilidad de doblar el dinero es tan slo del 0,62% (as, que ms vale que nos
pongamos a trabajar).

Ejercicio 4.

El precio de una accin en bolsa se mueve aleatoriamente entre 10 ptas. y 20 ptas., con la misma
probabilidad en todo el tramo. Hemos dado la orden a nuestro broker de que nos compre
paquetes de 1.000 acciones cada da durante las prximas 40 sesiones.

Una vez ejecutada la orden, tenemos un total de 40.000 acciones. A final de ao vendemos
todas las acciones al precio de 13 ptas./accin, recibiendo 520.000 ptas. Calcular la probabilidad
de que ganemos dinero en esta operacin.

El precio de cada paquete comprado es una variable aleatoria independiente que se distribuye
uniformemente entre 10.000 ptas y 20.000 ptas. Su media y varianza son:

= (10.000 + 20.000 ) / 2 = 15.000

2 = (20.000 - 10.000)^2 / 12 = 833,3

39
El precio total de los 40 paquetes comprados se distribuye segn una distribucin normal cuya
media y varianza son:

Media: n * = 40 * 15.000 = 600.000

Varianza: n * = 40 * 833,3 = 33.333,3

Para estimar la probabilidad de que ganemos dinero, calculamos el valor equivalente de la


variable normal tipificada:

Luego:

P (X > 520.000) = P (Y > 2,40) = 1 - P (Y < 2,40) = 1 - 0,9918 = 0,0082

Por tanto, la probabilidad de que ganemos dinero con la "dichosa" operacin es tan slo del
0,82%

2.6. Aproximacin de la Poisson a la normal.


Sean X1, X2m Xn, n, variables aleatorias independientes e idnticamente distribuidas como
Poisson cada una con promedio en un intervalo dado. Es decir en el mismo intervalo cada Xi,
ocurre con media y varianza iguales a . Entonces, para n suficientemente grande la variable:
n
X
i 1
Xi

tiene distribucin de Poisson con media y varianzas iguales a n .


en consecuencia, por el teorema del lmite central, la variable aleatoria:
X n
Z
n
Tiene aproximadamente distribucin N(0,1), cuando n es suficientemente grande.
La aproximacin es buena si n 5 .

EJEMPLO:
El promedio del nmero de accidentes de trabajo en una fbrica es 2 cada semana. Calcular la
probabilidad de que se produzcan ms de 30 accidentes durante 50 semanas.

SOLUCIN.
Sea Xi; # de accidentes por semana con un promedio de 1, Entonces,
50
X
i 1
X i es el nmero de accidentes en 25 semanas.

40
tiene distribucin de Poisson con media y varianzas iguales a
n 50 x 2 100
Por el teorema del lmite central, la variable aleatoria:
X n X 100
Z
n 10
Tiene aproximadamente distribucin N(01,1).

P X 115 PX 114.5 PZ 1.45 0.0735

Laboratorio N 02

BinomiaI

1. Si X-B(n,p) tal que E(X)=3 y V(X)=2.4 ,calcular: P[X=3].


U=n.p=E(X) =3
Pero Var (X) =2.4
n.p.q=2.4
3.q=2.4.q=0.8 P=0.2

Entonces: n=15
P(x>=3)=P(x=3) + P(x=4)+ + P(x=15)
= 1-+ P(x=0) + P(x=1) + P(x=2)

AHORA CON: p(X=x) = nCx * P^x * q^(n-x)

P(x>=3)=1- P(x=0) + P(x=1) + P(x=2) =10C0 *(0.2)^0 *(0.8)*^15 =1 0398 =0.398

P(x>=10)= 35C0 *(0.2)^0 *(0.8)^15 =0.035


P(x>=1)=11C1 * (0.2)^1 *0.8^14 =0.132
P(x>=2)= 15C2 * 0.2^2 *0.58^13 = 0.231

===================== suma 0.398

2. Un estudiante contesta al azar (o sea sin saber nada) a 9 preguntas, siendo cada una de 4
respuestas de las cuales slo una es la correcta.
a) Determinar la distribucin de probabilidades del nmero de preguntas contestadas
correctamente.

X = nmero de preguntas contestadas


41
P(X=x) = 9Cx *(0.25)^x * (0.75)^9-x

b) Si para aprobar tal examen debe contestar correctamente al menos 6 preguntas, cul es la
probabilidad de aprobar el examen?

P(x>=6) = P(X=6)+ P(X=7) +P(X=8)+ P(X=9)


.

3. En una produccin, la probabilidad de que un objeto sea defectuoso es 0.2. Si en una muestra
de n de tales objetos escogidos al azar uno por uno, se espera que haya un defectuoso,
a) calcular la probabilidad de que haya un objeto defectuoso.
bueno

PRODUCCIN
0.2 defectuoso

P=0.2 entonces Q=0.8


E(X)= 1 valor esperado entonces n*P =1 n= 5

Por lo tnto: P(X=1) = 5C1*( p^1) * (q^(5-1))

P(X=1) = 0.4096

c) cuntos objetos defectuosos es ms probable' que ocurra?

42
4. El 75% de la mercadera que recibe un comerciante del fabricante A es de calidad
excepcional, mientras que el 80'% de la mercadera que recibe del fabricante B es de calidad
excepcional. El 60% del total de la mercadera lo adquiere de A y el resto de B. Si se
seleccionan 4 unidades de la mercadera, qu probabilidad hay de que se encuentren 2 unidades
que sean de calidad excepcional?

Uso: regla de bayes para encontrar el valor de p:

P= Probabilidad de calidad excepcional


A 60% A 40%

E
75% 80%

P(E)=(0.6*0.75)+(0.4*0.8)
P(E)=0.77

P(x=2) = 4C2 * (0.77^2) * ((0.33) ^4-2)


P(x=2) = 0.387

5. En una empresa donde los empleados son 80% hombres y 20% mujeres estn aptos para
jubilarse el 10% de las mujeres y el 10% de los hombres. De cinco solicitudes para jubilarse,
cul es la probabilidad de que al menos dos estn aptos para jubilarse?
H 80% M 20%
jub
10% 10%

P(jub) = (0.8*0.1)+(0.2*0.1) =0.1

Entonces tendramos:

P=0.1
n=5

P(X>=2) = 1-(P(X=0)+P(X=1))
P(X>=2) =0.08146

43
6. Un vendedor a domicilio compra diariamente 10 unidades de un producto a $2 cada una. Por
cada uno, gana 13$ si vende o pierde 1$ si no vende en el da. Si la probabilidad de venta de
cada unidad es 0.2 y si las ventas son independientes
a) hallar la distribucin de probabilidad de las unidades vendidas.

P(X=x)=10Cx*((0.29)^x) *(0.8^(10-x))

c) calcular la utilidad esperada del vendedor.

Compra 10 diariamente
Ent. Utilidad esperada= 13*(P(X=1))+ (13*(P(X=2)))+ + (13*(P(X=10))) (1*(P=0))

Ganancia por unidad (utilidad) 13 dlares por unidad.


P=0.2
n=10

6. Una computadora utilizada por un sistema bancario de 24 horas asigna cada transaccin <tI
azar y con igual probabilidad. a una de cinco posiciones de memoria: 1, 2, 3, 4, 5. Si al
terminar el periodo nocturno de un da se han registrado 1 S transacciones, cul es la
probabilidad de que el nmero de transacciones efectuadas a las posiciones de memoria par
sea mayor que 3?

P(X=>3)=

La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se realizan
300 viajes, cual es la probabilidad de tener 3 accidentes?

Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces
aplicamos el modelo de distribucin de Poisson.

300*0.02=6

Luego,

P (x = 3) = 0,0892

44
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%

8. Una secretaria que debe llegar a la oficina a las 8 de la maana, se retrasa 15 minutos en el'
20% de las veces. El gerente de la compaa que no llega si no hasta las 10 de la maana llama
ocasionalmente a la oficina entre las 8 y 8.15 de la maana. Para dictar una carta. Calcular la
probabilidad de que en 5 maanas por lo menos una no encuentre a la secretaria.

9. Al realizar un experimento, la probabilidad de lograr el objetivo es 0.4. Si se realiza el


experimento 20 veces bajo las mismas condiciones y asumiendo resultados independientes

a) Calcular la probabilidad de lograr el objetivo por lo menos en tres de las 20 veces

b) El costo de realizar el experimento es de SI.1500, si se logra el objetivo; y de S/.3000 si no se


logra. Calcular el costo esperado para realizar el experimento.

Poisson

10. E] nmero medio de automviles que llegan a una garita de peaje es de 120 por hora.
a) Calcular la probabilidad de que en un minuto cualquiera no llegue automvil alguno.
e= 2.71828
= 120/hora

a. P(X=0) = (2.71828^-2 * (2)^0)/0! = 0.1353

= 2autos/min

c) Calcular la probabilidad de que en e] perodo de 3 minutos lleguen ms de 5


automviles.

e= 2.71828
= 120/hora

a. P(X>5) =1 (P(X=0)+ P(X=1) +P(X=2)+ P(X=3)+ P(X=4)+ P(X=5))


P(X>5) = 0.55475

= 6autos/min

c) Si tal garita puede atender a un mximo de 3 automviles en 30 segundos, calcular la


probabilidad de que en un medio minuto dado lleguen ms automviles de lo que puede atender.
= 1autos/min

P(X<=3)=1 (P(X=0) + P(X=1) + P(X=2) +P(X=3) )

P(X>3) = 0.018

45
11. Un lquido contiene cierta bacteria con un promedio de 3 bacterias por cm.3, calcular la
probabilidad de que una muestra,
a) de 1/3 de cm3 no contenga bacteria alguna.

= 1

P(X=0) = e^-1 * ((1^0)/0!) = 0.368

b) de 2 cm,3 . Contenga por lo menos una bacteria.

= 6

P(X>=0) = 1 (P(X=0))
= 1 ((e^-6)*((6^0)/0!))
= 0.997

12. Suponga que el nmero de accidentes de trabajo que se producen por semana en una fbrica
sigue la ley de Poisson de manera que la probabilidad de que ocurran 2 accidentes es igual a 3/2
de ]a probabilidad de que ocurra un accidente, Calcular la probabilidad de que no ocurran
accidentes en 2 semanas consecutivas.
P(X=2) = (3/2)(P(X=1))

((e^-)*(^2))/2!=(3/2)(e^-)*(^1)/(1!)
(^2)=3*1
X=3
Por lo tanto:
P(X=0) = ((e^-6)(6^0))/(0!)=0.002478

13. Un banco atiende todos los das de 8am. a 4pm. y se sabe que e] nmero de clientes por da
que van a solicitar un prstamo por ms de $10,000 tiene una distribucin de Poisson con una
media de 3 clientes por da.
a) Cul es la probabilidad de que hasta el medioda no se haya producido una solicitud de
prstamo por ms de $10,000?

46
b) En cuatro das, cul es la probabilidad de que en dos de los das hasta el medioda no se
haya producido una solicitud de prstamo por ms de $10,000?

14. La demanda semanal de cierto producto tiene una distribucin de Poisson. Actualmente su
media es 3 por semana. Se estima que despus de una campaa publicitaria, el valor esperado de
la demanda se duplicar con probabilidad 0.8 y se triplicar con probabilidad 0,2, cul es la
probabilidad de que despus de la campaa la demanda sea igual a 4?

15. El nmero de personas que cada da se aloja en un hotel es una variable aleatoria X que
tiene distribucin de Poisson con parmetro , .que puede ser igual a 20 con probabilidad 0.5,
igual a 15 con probabilidad 0.3, igual a 10 con probabilidad 0.2
a) Determinar P[X = k] , donde k = 1, 2, ..., etc.
b) Calcular el valor esperado de X.

16. Cierto tipo de loceta puede tener un nmero X de puntos defectuosos que sigue una
distribucin de Poisson con una media de 3 puntos defectuosos por loceta. El precio de la loceta
es $1 si X =0, de $0.70 si X=1 o 2, y de $0.1 si X>2. Calcular el precio esperado por loceta.

17. El nmero de usuarios que acuden a cierta base de datos confidencial sigue una
distribucin de Poisson con una media de dos usuarios por hora.
a) Calcular la probabilidad de que entre las 8 amo y el medioda (l2.m) acudan ms de dos
usuarios.
b) Si un operador de la base de datos trabaja todos los das de 8 amo hasta el medioda (l2.m),
cul es la probabilidad de que este operador tenga que' esperar ms de 7 das hasta observar el
primer da en el cual acceden ms de dos usuarios?

18. Cierta panadera dispone de una masa con frutas confitadas para hacer. 200 panetones.
Agrega 2,000 pasas de uvas a la masa y la mezcla bien. Suponga que e] nmero de pasas es una
variable aleatoria de Poisson con un promedio 10 pasas por panetn. '
a) Calcular ]a probabilidad de que un panetn elegido a] azar no contenga ninguna pasa.
b) Cuntos panetones se espera que contengan 6 pasas?

Normal

19. En cierta comunidad, el porcentaje del ingreso ahorrado por las familias tuvo una media del
10% y una desviacin estn dar de 1.2%. Suponga que la distribucin es normal.
a) Si el 2.28% de los ahorros son mayores que 12.4%, determine la desviacin estndar.
b) Qu porcentaje de familias ahorr entre 9 y 12% de su ingreso?
c) Determine el ahorro mximo para el 0.8% de las familias con bajos ahorros.

20. Una pequea ciudad es abastecida de agua cada dos das. El consumo en volumen de agua
(cada dos das) tiene distribucin normal.

a) Determine la media y varianza de la distribucin si se sabe que el 0.62% del consumo es al


menos de 22,500 litros y que el 1.79% del consumo es a lo ms 17,900 litros.
b) Hallar la capacidad del tanque de agua de la pequea ciudad para que sea slo el 0.01 la
probabilidad de que en el periodo de dos das el agua no sea suficiente para satisfacer toda la
demanda.

21. Las calificaciones de una prueba final de Estadstica tienen distribucin normal con una
media de 12. Si el 95.44% de los examinados obtuvieron calificaciones entre 8 y 16,

47
a) Calcular la desviacin estndar de la distribucin.
b) Si la nota aprobatoria es 11, qu porcentaje de alumnos aprobaron el curso?
c) Qu nota como mnimo debera tener un alumno para estar ubicado en el quinto superior?

22. Los puntajes de una prueba de aptitud acadmica estn distribuidos normalmente con una
media de 60 y una desviacin estndar de 10 puntos.
a) Si el 12.3% de los alumnos con mayor puntaje reciben el calificativo A y el
20% de los alumnos con menor nota reciben el calificativo C, calcular el mnimo puntaje que
debe tener un alumno para recibir una A, y el mximo puntaje que debe tener un alumno para
recibir una C.
b) Si el resto de los alumnos recibe el calificativo B y si el total de alumnos es igual a 90,
cuntos alumnos recibieron el calificativo de A, B Y C?
.
23. Las calificaciones de una prueba final de Matemtica Bsica tienen distribucin normal con
una media igual a 8. Si el 6.68% de los examinados tienen nota aprobatoria (mayor o igual a
11), cmo debe modificarse cada nota para conseguir un 45% de aprobados?

24. Suponga que el ingreso familiar mensual en una comunidad tiene distribucin normal con
media $400 y desviacin estndar $50.
a) Si el 10% de las familias con mayores ingresos debe pagar un impuesto, a partir de que
ingreso familiar se debe pagar el impuesto?
b) Si el ahorro familiar est dada por la relacin Y = X /4 - 50, cul es la probabilidad de que el
ahorro sea superior a $75?

25. Una pieza es considerada defectuosa y por lo tanto rechazada si su dimetro es mayor que
2.02 cm. o menor de 1.98 cm.. Suponga que los dimetros tienen una distribucin normal con
una media de 2 cm. y una desviacin estndar de 0.0 I cm.

a) Calcular la probabilidad de que una pieza sea rechazada


b) Cul es el nmero esperado de piezas rechazadas de un lote de 10,000 piezas?
c) Si se escogen 4 piezas al azar, cul es la probabilidad de que 2 de ellos sean defectuosos? .
d) Se necesitan 4 piezas sin defecto para una mquina. Si estos se prueban uno a uno sin
reposicin, cul es la probabilidad de que la cuarta pieza buena sea la sexta probada?

15. Un gerente viaja diariamente en automvil de su casa a su oficina y ha -- encontrado que el


tiempo empleado en el viaje sigue una distribucin normal con media de 35.5 minutos y
desviacin estndar de 3 minutos. Si sale de su casa todos los das a las 8.20 a.m. y debe estar en
la oficina a las 9 a.m.
a) Cul es la probabilidad de que llegue tarde en un da determinado?
b) Suponiendo independencia entre un da y otro, cul es la probabilidad de que llegue a
tiempo a la oficina 3 das consecutivos?

16. Cierto lquido industrial contiene un porcentaje X por galn de un compuesto particular
cuya distribucin es normal con una media de 15% y una desviacin estndar de 3%. El
fabricante tiene una utilidad neta de $0.15, si 9 < X < 21, de $0.10, si 21<= X<=27, y una
prdida de $.05, si 3<= X<=9, calcular la utilidad esperada por galn.

17. El peso en kilogramos de los artculos que se hacen en la fbrica A tiene una distribucin
normal con una media de 25 Kg. Y con una desviacin estndar de.
4 Kg.. Mientras que el peso de los artculos que se hacen de la fbrica B tiene una distribucin

48
normal con una media de 28 Kg. Y con una desviacin estndar de 3 Kg. De un lote que
contiene el 40% de artculos de A y el 60% de B se elige uno al azar; cul es la probabilidad de
que el peso de este artculo est entre 25 Kg. Y 28 Kg?

3. MUESTREO Y DISTRIBUCIONES MUESTRALES

Al iniciar el estudio de la Estadstica, encontramos que tiene como objetivo dar a conocer un
conjunto de mtodos para recolectar y clasificar informacin, que luego debe ser analizada e
interpretada adecuadamente, de modo que sea til en la toma de decisiones. Esto nos permiti
encontrar dos ramas bien diferenciadas de la Estadstica llamadas: Estadstica Descriptiva y
Estadstica Inferencial.

La primera ya fue estudiada ampliamente en la ESTADISTICA GENERAL, la segunda es el


propsito fundamental de nuestro estudio.

La ESTADISTICA INFERENCIAL O INFERENCIA ESTADSTICA, es el aspecto ms


importante en la toma de decisiones, tanto en las ciencias naturales como en las ciencias
sociales. La inferencia Estadstica se refiere a la ESTIMACION y a la PRUEBA DE
HIPOTESIS, siendo la estimacin el proceso de utilizar ESTADISTICOS (como la media de la
muestra y desviacin estndar de la muestra) que se obtienen de los datos muestrales y sirven
para estimar su verdadero valor o PARAMETRO de la poblacin. Como en las dos unidades
anteriores examinamos las reglas bsicas de probabilidad de un evento y las distribuciones de
probabilidad como la binomial, de Poisson y la normal, en esta unidad utilizaremos estos
conocimientos de probabilidad de modo que puedan utilizar ciertos estadsticos para hacer
inferencias en cuanto a los parmetros de la poblacin. En consecuencia, por provenir los
estadsticos de la MUESTRA, es sta el vehculo para llegar a conclusiones acerca de la
poblacin. As tenemos que si queremos utilizar la media de la muestra para estimar la media de
la poblacin debemos determinar todas las muestras posibles y la media de cada una de ellas. A
la distribucin de probabilidad de estas medias se le denomina DISTRIBUCION MUESTRAL
DE LA MEDIA.

Por ltimo, recordaremos que una poblacin est representada por el conjunto de todos los
valores (observaciones) posibles que puede tomar una variable, por lo cual diremos
indistintamente que la distribucin de la poblacin es la distribucin de la variable.

3.1. MUESTREO

Los datos necesarios para tomar decisiones se renen ya sea estudiando todas las posibles
observaciones de la poblacin (CENSO), ya seleccionado unas pocas de la observaciones para
realizar el estudio (MUESTRA). El propsito fundamental de muestreo es ESTIMAR EL
PARAMETRO de la poblacin basado en el ESTUDIO MUESTRAL

Existen muchas razones para realizar muestreo en una poblacin, entre las que
mencionaremos:

1) El costo elevado al exarninar a toda la poblacin.


2) La imposibilidad de estudiar toda la poblacin, como por ejemplo, los peces de un lago.

3) Las limitaciones de tiempo. como las que recaen sobre los encuestadores polticos antes de
49
una eleccin.
4) La ndole destructiva de Ciertas investigaciones, como por ejemplo, al estudiar el tiempo de
vida de focos de luz de cierta marca.

Todas las anteriores razones nos indican que el uso de muestras ofrece las siguientes ventajas:

1. Ahorra dinero, tiempo y trabajo.

2. Permite una mayor exactitud en el estudio, pues los errores debidos al observador, al objeto
observado y al mtodo de observacin, pueden disminuir y controlarse ms efectivamente.

La nica desventaja del uso de muestras es el llamado ERROR DE MUESTREO, dado por la
diferencia entre el valor que describe a la muestra y el verdadero valor de la poblacin. Este
error se debe a que las muestras seleccionadas de una poblacin difieren unas de otras y como
nosotros estudiamos una muestra para generalizar luego a toda la poblacin. Entonces los
resultados son algo diferentes. Como el error por muestreo puede medirse, en consecuencia
puede disminuirse a voluntad, con solo aumentar el tamao de la muestra.
Una muestra es considerada como una BUENA muestra, si cumple con las siguientes
condiciones:

a) BUENA EN CANTIDAD, si incluye un nmero ptimo de individuos, as por ejemplo, si


una enfermedad se presenta tan solo en 1 % de la poblacin, habr la necesidad de estudiar por
lo menos 100 casos, para tener la posibilidad de hallar una persona enferma, pero si la presencia
es el 50%, basta estudiar dos personas

b) BUENA EN CALIDAD, si refleja fielmente las caractersticas de la poblacin de la cual


procede y difiere de ella, solo en el nmero de unidades incluidas.

3.2 ETAPAS DEL MUESTREO

Los pasos principales para la recoleccin de la informacin de una muestra son:

1) Definir explcitamente la unidad de anlisis.

2) Definir en forma clara la poblacin que va ser muestreada

3) Seleccionar bien las variables que deben ser observadas en cada unidad que se va analizar.
4) Especificar el grado de precisin deseada.
5) Seleccionar la unidad muestral. En algunos casos es obvia, como en el caso de una poblacin
de estudiantes de un centro educativo, en donde la unidad es un estudiante. En otras ocasiones
debe escogerse la unidad muestral, como en el caso de muestreo de residentes de una ciudad,
donde la unidad es una persona, una familia o las familias de una cuadra.

6) Seleccionar la muestra, despus de haber decidido el tamao respectivo.

3.3. TIPOS DE MUESTRAS.

50
Como se muestra a continuacin, existen dos tipos bsicos de muestras: las muestras
probabilsticas y las no probabilsticas. Estas ltimas, son mucho ms sencillas y baratas de
obtener, entre estas tenemos las llamadas MUESTRAS DE JUICIO. MUESTRAS DE CUOTA
y LAS MUESTRAS DE CONVENIENCIA

3.3.1. MUESTRAS NO PROBABILSTICAS

a) MUESTRAS POR JUCIO.

Como su nombre lo indica, es la muestra tomada de acuerdo con el juicio personal, los
elementos que intervienen en una muestra por juicio son resultados del juicio experto del
investigador sobre su "representatividad". En consecuencia, la probabilidad de que cada unidad
elemental sea seleccionada de la muestra, es desconocida y la fidelidad de sus resultados no
puede utilizarse para hacer inferencias de la poblacin total, lo cual es el objetivo del muestreo.

As por ejemplo, un gerente de ventas que selecciona ciertas localidades del Per como tpicas
para probar nuevo tipo de campaa de ventas en ellas y extrae conclusiones de todo el pas a
partir de los resultados de las comunidades muestreadas. Las localidades seleccionadas
constituyen una muestra del Per en base a un juicio, pues el gerente CREE que ciertas
localidades proporcionan un cuadro representativo del pas completo. En consecuencia, la
muestra solo puede evaluarse en trminos de la solidez del criterio del gerente de ventas y no
sobre la base de la muestra en si misma.

b) MUESTRA A CUOTA.

Una muestra a cuota es una muestra basada en un juicio dado. En una muestra a cuota, se
instruye al entrevistador para que interrogue a cierto nmero de personas. As por ejemplo,
puede indicrsele que entreviste a 30 hombres que vivan a cierto nmeros de cuadros que caen
dentro de un cierto rango de edades o cuyos ingreso caen dentro de un intervalo dado.

En la prctica es el entrevistador el que hace la seleccin real de las personas, resultando errores
sistemticos serios en los resultados.

Por ejemplo, un entrevistador tiende a seleccionar a las personas ms fcilmente accesibles; as,
si las entrevistas son en el da, pasar por alto a las personas que estn trabajando; si una
persona se rehsa a responder, el entrevistador simplemente seleccionar a otra persona.

El elemento comn en cada uno de esto casos de muestras basadas en un juicio dado, es el papel
considerable que juega el juicio. Si bien las muestras basadas en un juicio dado pueden
proporcionamos resultados tiles y de hecho a menudo lo hacen, no es posible estimar el error
del muestreo en dicha muestras. Por consiguiente, la precisin del resultado de una muestra
basada en un juicio, depende de la solidez del juicio y no puede evaluarse de la muestra misma.
c) MUESTRA DE CONVENIENCIA O TROZO.
Un trozo es una muestra que se conforma por un proceso de auto seleccin, es decir, un trozo es
una simple "Muestra de conveniencia" un conjunto de sujetos fcilmente agrupados, como los
miembros de una clase en particular, personas que responden a un anuncio. Personas que visitan
una exhibicin en un centro comercial, etc. Tambin en este caso, la desventaja principal, es que
no hay forma probabilstica' de interpretar cuan representativa es la muestra, de la poblacin
total.
As por ejemplo. al ensayar una nueva droga, en lugar de escoger individuos al azar, pueden
51
suministrarse a los casos graves, pues se presume que si la droga es efectiva en tales casos, con
mayor razn lo ser en los casos leves de la enfermedad.

3.3.2. MUESTRAS PROBABILSTICAS

Las muestras probabilsticas son aquellas en que cada individuo de las poblacin tiene una
probabilidad conocida (no necesariamente igual) de ser incluida en la muestra.
La eleccin de una muestra probabilstica requiere dos condiciones fundamentales:

i) Es esencial que la probabilidad de elegir cada individuo sea perfectamente conocida, pues si
no lo es, no ser posible calcular los errores que pueden cometerse al hacer su seleccin.

ii) Es indispensable que los individuos se elijan al azar, sin permitir la intervencin de ningn
factor que favorezca la eleccin de unos en perjuicio de los Otros.
Puesto que el estudio sobre tipos de muestras probabilsticas es muy extenso, solo
mencionaremos algunas de las ms utilizadas, tales como la muestra aleatoria simple. la muestra
sistemtica, la muestra estratificada y la muestra agrupada.

a) MUESTREO ALEATORIO SIMPLE.

Al haber definido las poblaciones y las muestras, distingamos ms detalladamente entre las
poblaciones que son finitas y las que son infinitas. Se dice que una poblacin es FINITA si
consta de un nmero finito (fijo) de elementos,. por ejemplo, la poblacin de escuelas de la
provincia de LIMA. En contraste con las poblaciones finitas, se dicen que una poblacin es
INFINITA si no hay lmite en el nmero de elementos que contiene. Diremos que una muestra
de una poblacin finita es aleatoria si cada elemento de la poblacin tiene igual probabilidad de
ser incluido en la muestra. Existen dos mtodos de seleccionar muestras aleatorias en
poblaciones finitas:

1. MTODO DEL SORTEO

Consiste en colocar en un recipiente fichas con los nombres de todos los integrantes de la
poblacin en estudio, luego remover bien las fichas y extraer1as una a una con sustitucin, hasta
tener las integrantes que deben ir en las muestras.

2. METODO DE LOS NUMEROS ALEATORIOS.

Consiste en obtener los elementos de la muestra utilizando tablas especialmente elaboradas,


llamadas TABLAS DE NUMEROS ALEATORIOS

Para ilustrar el uso de una tabla de nmeros aleatorios, utilizamos el problema de seleccionar
una muestra aleatoria simple, consistente de 15 boletas de notas elegidas de una poblacin de 8
900 boletas.

En la tabla de nmeros aleatorios adjunta, cada dgito o sucesin de ellos es aleatorio. por lo que
se puede utilizar la tabla y leerla en sentido horizontal o ve/1ical, los mrgenes de la tabla
designa los nmeros de fila (margen vertical) y los nmeros de columna (margen horizontal).
los dgitos estn agrupados en sucesiones de cinco con el solo fin de facilitar la observacin de
la tabla.

52
Si se usa esta tabla en lugar de un recipiente para seleccionar la muestra, primero es necesario
asignar nmeros a los miembros individuales de la poblacin, como la poblacin es de N = 8900
boletas de notas, por ser un nmero de cuatro dgitos, cada nmero asignado tambin de ser de
cuatro dgitos, a fin de que cada boleta tenga igual oportunidad de ser seleccionada. Por tanto,
asignamos el. Nmero 0001 a la primera boleta, el nmero 0002 a la segunda boleta, y as
sucesivamente hasta llegar al nmero 8900, para la 8900 ava boleta. Una vez que todas las
boletas han sido numeradas, comenzamos a seleccionar la muestra leyendo las primeras cuatro
cifras de la primera lnea de la tabla de nmeros aleatorios; digamos el nmero 6619. Luego
pasamos a la segunda lnea y leemos el nmero 7284 y as hasta el15 nmero.

b) MUESTREO SISTEMATICO.

En el muestreo sistemtico, los elementos se seleccionan de la poblacin a un intervalo


uniforme que es medido en tiempo orden o espacio. El intervalo en mencin se determina por la
frmula:

I= N / n

El primer elemento de la muestra es elegido al azar entre los I primeros elementos de la


poblacin y luego, el resto de los elementos se elegirn cada lavo elemento de la lista. As por
ejemplo si N = 10000 Y n = 1000, entonces 1 = 10, esto quiere decir que de cada 10 se elige
uno.

Para obtener una muestra sistemtica es necesario tener la lista de los elementos en estudio
(alumnos de una universidad. por ejemplo), luego se les numera del 1 al 10000. En seguida se
escoge al azar un nmero entre 1 y 10, siendo este el primer elemento que se va ha estudiar y
completaremos la muestra cada diez elementos. Si el nmero escogido fue 8, los otros sern 18,
28, 38, etc.

Este procedimiento de muestreo por la sencillez de su aplicacin suele utilizarse en todos


aquellos casos en los cuales existen listados con los nombres de cada uno de los elementos de la
poblacin que se estudia.

La ventaja del muestreo sistemtico es que requiere' menos tiempo y es menos costoso que el
mtodo de muestreo aleatorio simple.

c) MUESTREO ESTRATIFICADO.

Para utilizar el muestreo estratificado, se divide la poblacin en grupos relativamente


homogneos. Llamados estratos. Entonces, se toma una muestra aleatoria simple de cada
estrato, tomando sta el nombre de muestra estratificada.

Una muestra estratificada puede ser proporcional o desproporcionada. En la primera, el nmero


de unidades extradas de cada estrato es proporcional al tamao de este. As por ejemplo, si la
poblacin es dividida en cuatro estratos. Siendo sus tamaos respectivos 10%, 20%. 30% Y
40% de la poblacin y deseamos extraer una muestra de 500 unidades, entonces la muestra
estratificada proporcional se obtiene de la siguiente manera:

ESTRATO N DE UNIDADES
1 500 (10%) = 50

53
2 500 (20%) = 100
3 500 (30%) = 150
4 500 (40%) = 200
TOTAL 500

Como se ver en el ejemplo. la estratificacin proporcional arroja una muestra en la que cada
estrato aporta una cantidad de unidades proporcional al nmero de unidades de la muestra. Este
procedimiento es an ms eficiente cuando las desviaciones estndares de cada estrato no
difieren substancial mente entre si. Por tanto, para que la muestra estratificada sea ms eficiente
se debe dar mayor representacin a un estrato con una gran dispersin y menor representacin a
los estratos con menor dispersin (pequea desviacin estndar).
Una muestra estratificada desproporcionada incluye los procedimientos de tomar un nmero
igual de unidades de cada estrato sin tener en cuenta su tamao, o de dar slo una pequea
representacin a uno o ms estratos son demasiado costosos de investigar, pues an cierta
representacin es valiosa.

La ventaja de las muestras estratificadas es que cuando ellas estn adecuadamente diseadas
reflejan con mayor precisin que otras muestras, las caractersticas de la poblacin a partir de
las cuales ellas fueron escogidas.

Por ejemplo, todos sabemos que el nivel de ingresos tiene una relacin importante con la
opinin pblica en cuanto a una eleccin. Si el 60% de los votantes tienen ingresos bajos, el
30% ingresos medianos y el1 0% ingresos altos, entonces para una muestra estratificada
proporcional de 500 votantes, seleccionaramos 300 votantes de ingresos bajos (60% de 500)
150 de ingresos medianos (30% de 500) y 50 de ingresos altos (10% de 500)

d) MUESTREO AGRUPADO O POR CONGLOMERADOS

En esta clase de muestreo, se divide a la poblacin en grupos o conglomerados, y luego se


selecciona una muestra aleatoria de estos. Cuando los grupos son seleccionados, se pueden
incluir en la muestra todas sus unidades elementales o tomar una muestra de las unidades
elementales de los grupos escogidos. En el primer caso se tiene lo que se conoce como muestreo
en una sola etapa y cuando se procede como en el ltimo caso, tenemos lo que se conoce como
muestreo en dos etapas o submuestreo, escogindose en ambas etapas muestras aleatorias
simples. Cuando el muestreo por agrupacin supone ms de dos etapas para escoger la muestra
final, se le denomina muestreo multietpico.

Tanto en el muestreo estratificado como en el muestreo agrupado, la poblacin se divide en


grupos bien definidos. Se usa el muestreo estratificado cuando cada grupo tiene pequeas
variaciones entre sus unidades elementales, pero hay una gran variacin entre grupos. En tanto
que el muestreo agrupado se usa cuando hay una variacin considerable entre las unidades
elementales de cada grupo, pero los grupos son esencialmente similares entre sI.

As por ejemplo, supongamos que deseamos estudiar los gastos de las familias en el rea del
Cercado de Lima y que hemos decidido entrevistar a 1000 familias. Un modo econmico de
manejar esto puede ser dividiendo el rea total del Cercado en reas ms pequeas. Digamos,
cuadras, y despus entrevistar a todas las familias en un nmero de cuadras seleccionadas al
azar.

3.2. DISTRIBUCIONES MUESTRALES

En la tercera unidad se vio que hay ciertos rasgos invariables dentro de una poblacin que
54
describen una de sus caractersticas, tales como la media y la desviacin estndar , estas
reciben el nombre de PARAMETROS de la poblacin. Al extraerse una muestra, es posible
tener un estimado de los parmetros, a partir de las observaciones de la muestra; estos estimados
por estar en funcin de tales observaciones varan de muestra a muestra y reciben genricamente
el nombre de Estadsticos de la muestra. En consecuencia los estadsticos son variables y por
tanto tienen su correspondiente distribucin de probabilidad, la cual toma el nombre de
DISTRIBUCION MUESTRAL DEL ESTADISTICO. En la prctica las distribuciones
muestrales usuales son: la de una media, la de la diferencia de dos medias y la de una
proporcin.

3.2.1. DISTRIBUCIN MUESTRAL DE LA MEDIA

Si tomamos repetidamente muestras aleatorias de una poblacin con distribucin


de probabilidad cuyos parmetros son y , entonces la variable aleatoria media X tiene la
misma distribucin de probabilidad con parmetros

X =
Y

Si la Poblacin es infinita muestreo con o sin reposicin

X n
=

Si la Poblacin es finita y el muestreo es sin reposicin

X n
=
N n
N 1
Luego, la variable X bajo la transformacin:

Z= X - / n
Se distribuyen como sigue:

CASO 1. Aproximadamente como la normal estndar, si la poblacin es normal o no con


conocida o no y el tamao "n" de la muestra es igual o mayor de 30.

CASO 2. Exactamente como la normal estndar, si la poblacin es normal con conocida y el


tamao "n" de la muestra menor que 30.

Nota: Si no se conoce la desviacin estndar poblacional estimarla mediante la desviacin


estndar de la muestra S

EJEMPLO 4.1
La media de los puntajes de los cocientes de inteligencia (CI) de los alumnos de una universidad
es 110 Y la desviacin estndar es 10. Si los puntajes de los CI estn distribuidos normalmente:

55
a) Cul es la probabilidad de que el puntaje medio de una muestra de 36 alumnos sea mayor que
112?
b) Cul es la probabilidad de que el puntaje medio de una muestra de 100 alumnos sea mayor que
112?

SOLUCION.

a) Por tener los puntajes de los C.I. variables que siguen una distribucin normal, las medias de las
muestras tambin se distribuyen normalmente con media y desviacin estndar respectiva:

X =
= 110 y X = n = 10 36
La puntuacin de que el puntaje medio de una muestra de 36 alumnos sea mayor que 112 es:

P( X > 112) = P( X - / n >112-110 / (5/3))= P(Z > 1.2 ) = 1- P(Z <= 1.2)= 0.1151
b) Para una muestra de 100 alumnos se tiene que:

X =
= 110 y X = n = 10 100
Luego como en a:

P( X > 112) = P( X - / n >112-110 / 1)= P(Z > 2 ) = 1- P(Z <= 2)= 0.0228

LABORATORIO N 03

1. En una muestra de 16 observaciones de una distribucin normal con una media de 150 y una
variancia de 256, encuentre:
a) P ( X < 160) b) P ( X > 142)
Si, en lugar de 16 observaciones, se hicieran 9 observaciones, encuentre:
c) P ( X < 160) d) P ( X > 142)

2. En una muestra de 25 observaciones de una distribucin normal con una media de 98.6 y una
desviacin estndar de 17.2, encuentre:
a) P (92 < X < 102)
b) La probabilidad correspondiente si tenemos una muestra de 36.

3. En una distribucin normal con una media de 56 y una desviacin estndar de 21, de qu
tamao debe ser una muestra de modo que haya por lo menos 90% de probabilidades de que su
media sea mayor que 52%

4. En una distribucin normal con una media de 375 y una desviacin estn dar de 48, de qu
tamao debe ser una muestra para que haya por lo menos .95 probabilidades de que la muestra
se encuentre entre 370 y 380?

56
Un astrnomo del observatorio de Mount Palomar observa que, durante una lluvia de meteoros,
un promedio de 40 meteoros aparecen cada hora, con una variancia de 16 meteoros al cuadrado.
La lluvia de meteoros ocurrir la prxima semana.
a) Si el astrnomo ve la lluvia de meteoros durante 4 horas, cul es la probabilidad de que
aparezca un mnimo de 36 meteoros por hora?
b) Si el astrnomo mira durante una hora ms, aumentar o disminuir esta probabilidad?
Explique su respuesta.

5. El costo promedio de un condominio con estudio en un desarrollo urbano es de $62,000 con


una desviacin estndar de $4,200.
a) Cul es la probabilidad de que un condominio de este desarrollo cueste por lo menos
$65,000?
b) Es la probabilidad de que el costo promedio de una muestra de dos condominios sea al
menos $65,000 mayor o menor que la probabilidad de que un condominio cueste esa cantidad?
En qu cantidad?

6. Una agencia de empleos normalmente aplica pruebas de inteligencia y aptitudes a todos los
que buscan trabajo a travs de ella. La empresa ha reunido datos durante aos, habiendo descu-
bierto que la distribucin de las puntuaciones no es normal, sino que est sesgada a la izquierda
con una media de 86 y una desviacin estndar de 16. Cul es la probabilidad de que, en una
muestra de 75 candidatos, la puntuacin promedio sea por lo menos 84 o mayor que 90?
Una refinera de petrleo tiene monitores de reserva para llevar un control constante del flujo y
prevenir que las fallas de la mquina desorganicen el proceso. Un monitor tiene un promedio de
vida de 4,300 horas, con una desviacin estndar de 730 horas. Adems del monitor primario, la
refinera ha instalado dos unidades de emergencia, que son un duplicado de la unidad primaria
En caso de avera de uno de los monitores, el otro se activa en forma automtica. La vida de
operacin de los dos es independiente de los otros.
a) Cul es la probabilidad de que determinado conjunto de monitores dure por lo menos
13,000 horas?
b) Y un mximo de 12,630 horas?

7. Mara Barrios es auditora de una gran compaa de tarjetas de crdito y sabe que, en
promedio, el saldo mensual de determinado cliente es de $112, con una desviacin estn dar de
$65. Si Mara revisa 50 cuentas seleccionadas al azar, cul es la probabilidad de que el saldo
mensual promedio est:
a) Por debajo de $1oo?
b) Entre $100 y $130?

8. El presidente de una empresa telefnica est molesto con el nmero de telfonos producidos
por la empresa que tienen aparatos defectuosos. En promedio, 120 telfonos son devueltos
diariamente a causa de ese problema, con una desviacin estndar de 81. El presidente ha
decidido que, a menos que logre una seguridad promedio de 85% de que al da no sern
devueltos ms de 135 telfonos en los prximos 40 das, ordenar revisar el producto. Tomar
esta medida?

9. Clara Daz, cuyo trabajo consiste en predecir el futuro de su compaa de riesgo compartido,
acaba de recibir las estadsticas que describen el desempeo de la empresa en 1,800 inversiones
realizadas el ltimo ao. Clara sabe que, en promedio, las inversiones generan utilidades que
tienen una distribucin normal con una media de $7,500 y una desviacin estndar de $3,300.
Aun antes de examinar los resultados concretos de cada una de esas inversiones del ltimo ao,
Clara pudo hacer algunas predicciones exactas usando su conocimiento de las distribuciones
muestrales. Contine el anlisis de ella y calcule la probabilidad de que la media muestral de las

57
inversiones del ao anterior:
a) Superen los $7,700.
b) Sean menores que $7,400.
c) Sean mayores que $7,275, pero no lleguen a $7,650.

10. Un agricultor, que vende trigo a Alemania Occidental, posee 60 acres de campos de trigo.
Basndose en su experiencia, sabe que el rendimiento de cada acre tiene una distribucin
normal con una media de 120 bushels y una desviacin estndar de 12 bushels. Aydele a
planear la cosecha del prximo ao, calculando:
a) La media esperada de los rendimientos de 60 acres de campo, destinados al cultivo de trigo.
b) La desviacin estndar de la media muestral de los rendimientos de los 60 acres.
c) La probabilidad de que el rendimiento medio por acre rebase los 123.8 bushels.
d) La probabilidad de que el rendimiento medio por acre oscile entre 117 y 122 bushels.

11. Un transbordador transporta 25 pasajeros. El peso de cada pasajero tiene una distribuci6n
normal con una media de 165 libras y una variancia de 441 libras al cuadrado. Las normas de
seguridad establecen que, para este transbordador en particular, el peso total de sus pasajeros no
de. be exceder de 4,375 libras ms de 1 % de las veces. Supongamos que usted fuera el dueo
del transbordador y tuviera que calcular:

a) La probabilidad de que el peso total de los pasajeros del transbordador exceda de 4,375 libras

b) El nonagsimo noveno percentil de la distribucin del peso total de los pasajeros del
transbordador. Est cumpliendo el transbordador con las normas de seguridad?

12. Se espera que e! dimetro de las pelotas de pin-pon fabricadas en una planta grande tenga
una distribucin normal aproximada con media de 1.30 pulgadas y desviacin estn dar de 0.04
de pulgada. Cul es la probabilidad de que una pelota seleccionada al azar tenga un dimetro ..
(a) Entre 1.28 y 1.30 pulgadas?
(b) Entre 1.31 y 1.33 pulgadas?
(e) Entre qu dos valores (simtricos respecto a la media) estar el 60% de las pelotas de pin-
pon (en trminos del dimetro)?
(d) Si se seleccionan muchas muestras de 16 pelotas,

(1) cules son la media y la desviacin estndar esperadas?


(2) qu distribucin seguirn la medias muestrales'?
(3) qu proporcin de las medias muestrales estar entre 1.28 y 1.30 pulgadas?
(4) qu proporcin de las medias muestra les estar entre 1.31 y 1.33 pulgadas?
(5) entre qu dos valores estar el 60% de las medias muestrales?

(e) Compare las respuestas de la (a) y {d)(3) con las de (b) y (d)(4). Analice
(f) Explique la diferencia en los resultados de (c) y (d)(5).
(g) Qu es ms probable que ocurra, una pelota individual arriba de 1.34 pulgadas, una media
muestral arriba de 1.32 pulgadas en una media de tamao 4, o una media muestral arriba de
1.31 pulgadas en una muestra de tamao 16? Explique.

13. El tiempo que se usa el correo electrnico por sesin tiene una distribucin normal con =
8 minutos y = 2 minutos. Si se seleccionan muestras aleatorias de 25 sesiones,

(a) calcule X .

58
(b) qu proporcin de las medias muestrales estar entre 7.8 y 8.2 minutos?
(c) qu proporcin de las medias muestrales estar entre 7.5 y 8 minutos?
(d) Si se seleccionan muestras de 100 sesiones, qu proporcin; de las medias muestrales estar
entre 7.8 y 8.2 minutos?
(e) Explique la diferencia entre los resultado de (b) y (d). .
(f) Qu es 'ms probable que ocurra, una sesin de correo electrnico de ms de 11 minutos,
una media muestral mayor que 9 minutos en una muestra de 25 sesiones, o una media mueso-al
mayor que 8.6 minutos en una muestra de 100 sesiones? Explique.

14. El tiempo que un cajero tarda con cada cliente tiene una media poblacional = 3.10
minutos y una desviacin estndar = 0.40 minutos. Si se selecciona una muestra aleatoria de 16
clientes.

(a) cul es la probabilidad de que el tiempo promedio que pasa con cada cliente sea de al
menos 3 minutos?
(b) existe una posibilidad de 85% de que la media muestra] sea menor que cuntos minutos?
(c) Qu suposicin de"; hacerse para resolver los incisos (a) y (b)? (d) Si se obtiene una
muestra aleatoria de 64 clientes, existe una probabilidad dc 85% de que la media muestral sea
menos de cuntos minutos"
(e) Qu suposicin debe hacerse para resolver el inciso (d)?

f) Qu es ms probable que ocurra, un servicio individual de menos de 2 minutos, una media


muestral mayor que 3.4 minutos en una muestra de 16 clientes, o una media muestral menor que
2.9 minutos en una muestra de 64 clientes? Explique.

15. La compaa de transportes Toby determin que, con base anual, la distancia recorrida por
camin tiene una distribucin normal con media de 50.0 miles de millas y desviacin estndar
de 12.0 miles de millas. Si se selecciona una muestra aleatoria de 16 camiones,

(a) cul es la probabilidad de que la distancia promedio recorrida sea menor que 45.0 miles de
millas en el ao?,
(b) Cul es la probabilidad de que la distancia promedio recorrida est entre 44.0 y 48.0 miles
de millas en el ao?
(c) Qu suposicin debe hacerse para resolver los incisos (a) y (b)
(d) Si se selecciona una muestra aleatoria de 64 camiones, existe una posibilidad de 95% de que
la media muestral sea menor que cuntas millas?
(e) Qu suposicin debe hacerse para resolver el inciso (d)?
(f) Cules seran las respuestas de los incisos (a) a (d) si la desviacin estndar fuera
10.0 miles de millas?

16. Se fabrican bolsa de plstico para empacar verduras de manera que la resistencia a roturas
tenga una distribucin normal con media de 5 libras por pulgada cuadrada y desviacin estndar
de 1.5 libras por pulgada cuadrada. Si se selecciona una muestra de 25 bolsas,
(a) cul es la probabilidad de que la resistencia promedio
(1) est entre 5 y 5.5 libras por pulgada cuadrada'
(2) Est entre 4.2 y 4.5 libras por pulgada cuadrada?
(3) sea menor que 4.6 libras por pulgada cuadrada'
(b) Entre qu dos valores simtricos respecto a la media estar el 95% de las resistencias
promedio'
(c) Cules seran las respuestas a los incisos (a) y (b) si la desviacin estndar fuera
1.0 libra por pulgada cuadrada'

59
Luego, la variable X bajo la transformacin:

4. ESTIMACIN ESTADSTICA

La inferencia estadstica es el proceso que consiste en utilizar los resultados de una muestra para
llegar a conclusiones acerca de las caractersticas de una poblacin.

Existen dos tipos de estimaciones: estimaciones puntuales y estimaciones de intervalo. Una


estimacin puntual consiste en una sola estadstica de muestra que se utiliza para estimar el
valor verdadero de un parmetro de poblacin. Puesto que la estadstica de prueba vara de una
muestra a otra necesitamos considerar este hecho con el fin de proporcionar una estimacin ms
significativa y caracterstica de la poblacin. Para lograr esto, debemos desarrollar una
estimacin de intervalo de la media de poblacin verdadera, tomando en consideracin la
distribucin de muestreo de la media. El intervalo que construimos tendr una confianza o
probabilidad especfica de estimar correctamente el valor verdadero del parmetro de poblacin.

4.1. ESTIMACIN DEL INTERVALO DE CONFIANZA DE LA MEDIA


POBLACIONAL

Estimacin de intervalo de confianza de la media (desvo de la poblacin conocido):


En la inferencia estadstica debemos tomar los resultados de una sola muestra y llegar a
conclusiones acerca de la poblacin. En la prctica, la media de la poblacin es la cantidad
desconocida que se va a determinar. Para algunas muestras la estimacin de intervalo de la
media de la poblacin ser correcta y para otras no. Tenemos que recordar que para el clculo
del intervalo trabajamos con una estimacin de intervalo de confianza de 95, por ejemplo, esto
puede interpretarse como si se tomaran todas las muestras posibles del mismo tamao, n, 95%
de ellas incluiran la media de poblacin verdadera en alguna parte del intervalo alrededor de
sus medias de muestra, y solamente 5% de ellas no estaran incluidas. En general el nivel de
confianza se simboliza como (1- ) * 100%, en donde es la porcin que se encuentra en los
extremos de la distribucin que est fuera del intervalo de confianza. Por consiguiente para
obtener la estimacin del intervalo tenemos:

Z es el valor correspondiente a un rea de (1- )/2 desde el centro de una distribucin normal
estandarizada. El valor Z elegido para construir tal intervalo de confianza se conoce como el
valor crtico.

Cualquier aumento en el nivel de confianza se logra ampliando simultneamente el intervalo de


confianza obtenido (hacindolo menos preciso y menos til).

Estimacin de intervalo de confianza de la media (desvo desconocido)


Del mismo modo en que la media de la poblacin se desconoce, es probable que la desviacin
estndar real de la poblacin tampoco sea conocida. Por lo tanto, necesitamos obtener una
estimacin de intervalo de confianza utilizando las estadsticas de muestra " X " y "S". Para ello,
utilizamos la distribucin t-student.

60
De este modo, el intervalo de confianza se establecer a partir de la siguiente frmula:
Estimado del intervalo de confianza de la porcin

4.2. ESTIMACIN DEL INTERVALO DE CONFIANZA DE LA DIFERENCIA DE


DOS MEDIAS POBLACIONALES

( )
2 2

( X - Y ) Z 1- / 2 1 2

n n
1 2

Es el intervalo de confianza de 100(1- ) % de la diferencia de medias para:

2) Muestras grandes, varianzas conocidas y poblaciones normales o no.


3) Muestras grandes, varianzas conocidas y poblaciones normales o no
4) Muestras pequeas, varianzas conocidas y poblaciones normales.

(n1 1) s1 (n2 1) s 2 1
2 2
1
( X - Y ) t 1- / 2 , n1 n2 2 ( )
n1 n2 2 n1 n2
Es el intervalo de confianza de 100(1- ) % de la diferencia de medias para:

Muestras pequeas, varianzas desconocidas y poblaciones normales

4.3. ESTIMACIN DEL INTERVALO DE CONFIANZA DE LA PROPORCIN


POBLACIONAL

Podemos establecer la siguiente estimacin de intervalo de confianza (1-) para la proporcin


de la poblacin:

12 y2 2

Tamao de muestra para la media:

Por consiguiente para determinar el tamao de la muestra, deben conocerse tres factores:

1. El nivel de confianza deseado.


2. EL error de muestreo permitido.

61
3. La desviacin estndar.

Determinacin del tamao de muestra para una proporcin:

Al determinar el tamao de muestra para estimar una porcin se deben definir tres incgnitas:

1. El nivel de confianza.
2. El error de muestreo permitido.
3. La porcin verdadera de xitos.

Estimacin y determinacin del tamao de muestra para poblaciones finitas.

Estimacin de la media

Estimacin de la proporcin

Determinacin del tamao de muestra

5. PRUEBA DE HIPOTESIS

La prueba de hiptesis empieza con algo de teora, afirmacin o negacin con respecto a un
parmetro particular de una poblacin. La hiptesis de que el parmetro de la poblacin es igual a la
especificacin de la compaa se conoce como hiptesis nula. Una hiptesis nula es siempre una de
status quo o de no diferencia. Se simboliza con el smbolo Ho.
Siempre que especificamos una hiptesis nula, tambin debemos especificar una hiptesis
alternativa, o una que debe ser verdadera si se encuentra que la hiptesis nula es falsa. La hiptesis
alternativa se simboliza H1. La hiptesis alternativa representa la conclusin a la que se llegara si
hubiera suficiente evidencia de la informacin de la muestra para decidir que es improbable que la
hiptesis nula sea verdadera, y por tanto rechazarla. El hecho de no rechazar la hiptesis nula no es
una prueba de que sta sea verdadera. Nunca podemos probar que tal hiptesis sea correcta porque

62
estamos basando nuestra decisin nicamente en la informacin de la muestra, no en la poblacin
entera.

- La hiptesis nula se refiere siempre a un valor especificado del parmetro de poblacin, no a una
estadstica de muestra.
- El planteamiento de la hiptesis nula siempre contiene un signo de igualdad con respecto al valor
especificado del parmetro.

- El planteamiento de la hiptesis alternativa nunca contiene un signo de igualdad con respecto al


valor especificado del parmetro.

Regiones de rechazo y de no rechazo

La distribucin de muestreo de la estadstica de prueba se divide en dos regiones, una regin de


rechazo (conocida como regin crtica) y una regin de no rechazo. Si la estadstica de prueba cae
dentro de la regin de no rechazo, no se puede rechazar la hiptesis nula.
La regin de rechazo puede considerarse como el conjunto de valores de la estadstica de prueba
que no tienen posibilidad de presentarse si la hiptesis nula es verdadera. Por otro lado, estos
valores no son tan improbables de presentarse si la hiptesis nula es falsa. El valor crtico separa la
regin de no rechazo de la de rechazo.

Riesgos en la toma de decisiones al utilizar la metodologa de prueba de hiptesis.


Se pueden presentar dos tipos diferentes de errores:

- Un error tipo I se presenta si la hiptesis nula es rechazada cuando de hecho es verdadera y deba
ser aceptada.

- Un error tipo II se presenta si la hiptesis nula es aceptada cuando de hecho es falsa y deba ser
rechazada.

Nivel de Significacin. La probabilidad de cometer un error tipo I denotada con la letra griega alfa,
se conoce como nivel de significacin de la prueba estadstica. Est bajo el control directo del
individuo que lleva a cabo la prueba. Ya que se ha especificado el valor de alfa, se conoce el
tamao de la regin de rechazo, puesto que alfa es la probabilidad de un rechazo de la hiptesis
nula.

Coeficiente de confianza. EL complemento ( 1- ) de la probabilidad de cometer un error de tipo I


se conoce como coeficiente de confianza.

El coeficiente de confianza es la probabilidad de que la hiptesis nula no sea rechazada cuando de


hecho es verdadera y debera ser aceptada.

Riesgo . La probabilidad de cometer un error de tipo II se conoce como nivel de riesgo del
consumidor.

Potencia de una prueba. El complemento (1- ) de la probabilidad de cometer un error del tipo II se
conoce como potencia de una prueba estadstica.

La potencia de una prueba es la probabilidad de rechazar la hiptesis nula cuando de hecho esta es
falsa y debera ser rechazada.
63
Una manera en que podemos controlar la probabilidad de cometer un error del tipo II en un estudio,
consiste en aumentar el tamao de la muestra. Tamaos ms grandes de muestra, nos permitirn
detectar diferencias incluso muy pequeas entre las estadsticas de muestra y los parmetros de la
poblacin. Cuando se disminuye , aumentar de modo que una reduccin en el riesgo de
cometer un error de tipo I tendr como resultado un aumento en el riesgo de cometer un error tipo
II.

Prueba de hiptesis Z para la media (desvo de la poblacin conocido)

El estadstico de prueba a utilizar es:

La Potencia de una prueba

representa la probabilidad de que la hiptesis nula no sea rechazada cuando de hecho es falsa y
debera rechazrsele. La potencia de prueba 1- representa la sensibilidad de la prueba estadstica
para detectar cambios que se presentan al medir la probabilidad de rechazar la hiptesis nula cuando
de hecho es falsa y debera ser rechazada. La potencia de prueba estadstica depende de qu tan
diferente en realidad es la media verdadera de la poblacin del valor supuesto.

Una prueba de un extremo es ms poderosa que una de dos extremos, y se debera utilizar siempre
que sea adecuado especificar la direccin de la hiptesis alternativa.

Puesto que la probabilidad de cometer un error tipo I y la probabilidad de cometer un error tipo II
tienen una relacin inversa y esta ltima es el complemento de la potencia de prueba (1-), entonces
y la potencia de la prueba varan en proporcin directa. Un aumento en el valor del nivel de
significacin escogido, tendra como resultado un aumento en la potencia y una disminucin en
tendra como resultado una disminucin en la potencia.

Un aumento en el tamao de la muestra escogida tendra como resultado un aumento en la potencia


de la prueba, una disminucin en el tamao de la muestra seleccionada tendra como resultado una
disminucin en la potencia.

Todos los procedimientos paramtricos tienen tres caractersticas distintivas: Los procedimientos de
prueba paramtricos pueden definirse como aquellos.

1) que requieren que el nivel de medicin obtenido con los datos recolectados est en forma de
una escala de intervalo o de una escala de cociente.
2) implican la prueba de hiptesis de valores de parmetros especificados.
3) y por ltimo requieren un conjunto limitante de suposiciones.

Los procedimientos no paramtricos pueden definirse como aquellos que no tienen que ver con los
parmetros de una poblacin.

Prueba t de hiptesis para la media (2 desconocida)

64
En ocasiones se desconoce la desviacin estndar de la poblacin. Sin embargo, se la puede estimar
con el clculo de S, la desviacin estndar de la muestra. Recordemos de muestreo de la media
seguir una distribucin t con n-1 grado de libertad.

Prueba de hiptesis 2 para la varianza (o desviacin estndar)

Al intentar llegar a conclusiones con respecto a la variabilidad de la poblacin, primero debemos


determinar que estadstica de prueba puede utilizarse para representar la distribucin de la
variabilidad de los datos de la muestra. Si la variable se supone que est distribuida normalmente,
entonces la estadstica de prueba para probar si la varianza de la poblacin es igual o no a un valor
especificado es:

Una distribucin chi-cuadrado es una distribucin sesgada cuya forma depende exclusivamente del
nmero de grados de libertad. Conforma este aumenta, la distribucin se vuelve ms simtrica.

Pruebas de dos muestras con datos numricos

Prueba t de varianza conjunta para diferencias entre dos medias

Supongamos que consideramos dos poblaciones independientes, cada una con una media y una
desviacin estndar. La estadstica de prueba utilizada para determinar la diferencia entre las medias
de las poblaciones est basada en la diferencia entre las medias de las muestras (X1 X2). Debido
al teorema del lmite central esta estadstica seguir la distribucin normal. La estadstica de prueba
Z es:

65
En donde X es la media de la muestra correspondiente a cada una de las dos muestras, n es el
tamao de la muestra y por ltimo tenemos la varianza de la muestra.

Si suponemos que las varianzas son iguales y que las muestras fueron tomadas de manera aleatoria
e independiente se puede utilizar una prueba t de varianza conjunta para determinar si existe alguna
diferencia significativa entre las medias de las poblaciones. Si puede calcular la siguiente estadstica
de prueba t de varianza conjunta:

Donde:

La estadstica de prueba t de varianza conjunta sigue una distribucin t con n1+n2-2 grados de
libertad.

Prueba tde varianza separada para diferencias entre dos medias

Si suponemos que las varianzas no son iguales como en el caso anterior debemos replantear el
estadstico a utilizar.

La estadstica de prueba t puede ser aproximada con la frmula de v, mostrada anteriormente.

Prueba t para la diferencia de medias

Con el propsito de determinar cualquier diferencia que exista entre dos grupos relacionados, deben
obtenerse las diferencias en los valores individuales de cada grupo. Cuando la desviacin estndar
de la poblacin de la diferencia es conocida y el tamao de muestra es lo suficientemente grande.
La estadstica de prueba Z es:

66
Sin embargo, en la mayora de los casos no conocemos la desviacin estndar real de la poblacin.
La nica informacin que se puede obtener son las estadsticas sumarias como la media y la
desviacin estndar de muestra. Si se supone que la muestra de resultados es tomada de manera
aleatoria e independiente se puede realizar una prueba t para determinar si existe una diferencia
media de poblacin significativa. La estadstica seguir una distribucin t con n-1 grados de
libertad.

Ho= d = 0 donde d= 1-2


H1= d 0

Se puede calcular el siguiente estadstico de prueba:

Prueba de hiptesis con datos categricos

Prueba Z de una muestra para la proporcin. Para evaluar la magnitud de la diferencia entre la
proporcin de la muestra y la porcin de la poblacin supuesta la estadstica de prueba est dada por
la ecuacin siguiente:

La estadstica de prueba Z est distribuida de manera aproximadamente normal.

Prueba Z para diferencias entre dos porciones (muestras independientes). Cuando se evalan
diferencias entre dos porciones basndose en muestras independientes se puede emplear una prueba
Z. La estadstica de prueba es:

67
Se supone que las dos porciones de poblacin son iguales.

Ho= p1=p2
H1= p1 p2

LABORATORIO N 04

1. Si X = 85, = 8 y n = 64, establezca un estimador del intervalo de confianza de 95% para la


media poblacional
2. Si X = 125, = 24 Y n = 36, establezca un estimador del intervalo de confianza de 99% para
la media poblacional .

3. Una investigadora de mercado establece que tiene una confianza de 95% de que el promedio
verdadero de las ventas mensuales de un producto est entre 170,000 y 200,000 dlares. Explique el
significado de esta afirmacin.

4. Suponga que el administrador de una tienda de pinturas desea estimar la cantidad real de pintura
contenida en las latas de 1 galn compradas a un fabricante con renombre en todo el pas. Se sabe,
de las especificaciones de fabricacin que la desviacin estndar de la cantidad de pinturaes igual a
0.02 de galn. Se selecciona una muestra aleatoria de 50 latas y la cantidad promedio de pintura por
galn es 0.995 de galn.
(a) Establezca una estimacin del intervalo de confianza de 99% para el promedio poblacional de la
cantidad de pintura incluida en una lata de l galn.
(b) Segn estos resultados, piensa que el dueo de la tienda tiene derecho a quejarse con el
fabricante Por qu?
(c) La poblacin cantidad de pintura por galn, tiene una distribucin normal Explique.
(d) Explique por qu un valor observado de 0.98 de galn en una lata no es raro aun cuando est
fuera del intervalo de confianza que calcul.
(e) Suponga que us un estimador de intervalo de confianza de 95%. Cules seran las respuestas
de los incisos (a) y (b)?

5. El gerente de control de calidad de una fbrica de focos necesita estimar la vida promedio de un
envo grande. Se sabe que la desviacin estndar del proceso es 1 00 hora.Una muestra aleatoria de
64 focos indica una vida media de la muestra de 350 horas.
(a) Establezca una estimacin del intervalo de confianza de 95% para la vida promedio real de los
focos de este envo.
(b)Piensa que el fabricante tiene derecho a establecer que los focos duran un promedio de 400
horas? Explique.
(c) La vida de los focos, debe tener una distribucin normal Explique. (d) Explique por qu un
valor observado de 320 horas no es raro, aun cuando est fuera del intervalo de confianza.
(e) Suponga que la desviacin estndar del proceso cambi a 80 horas. Cules seran las respuestas
a los incisos(a) y (b)?

6. La divisin de inspeccin de Lee County Weiglns and Measures Department esta interesada en la
cantidad real de refresco que contienen las botellas de 2 litros en una embotelladora local de una
compaa de refrescos conocida en too el pas. La embotelladora informa a la divisin de inspeccin

68
que la desviacin estndar en estas botellas es 0.05 ele litro. Una muestra aleatoria de 100 botellas
de 2 litros obtenida en esta planta indica un promedio muestral, de 1.99 litros.
a) Establezca un intervalo de confianza de 95% de la cantidad promedio verdadera de refresco en
cada botella.
(b) La poblacin de refrescos, debe tener una distribucin normal? Explique.
(c) Explique por qu el valor observado de 2.02 litros no es raro, aun cuando est fuera del intervalo
de confianza calculado.
(d) Suponga que el promedio muestral es 1.97 litros. Cul sera la respuesta al inciso a)?

7. Determine el valor crtico de I en las siguientes circunstancias:


(a) 1- = 0.95, n = 10.
(b) 1- = 0.99, n = 10.
(c) 1- = 0.95, n = 32.
(d) 1- = 0.95, n = 65.
(e) 1- = 0.90, n = 16.

8. Si X = 75, S = 24 y n= 36, suponga que la poblacin tiene una distribucin normal y establezca
una estimacin del intervalo de confianza de 95% de la media poblacional .
9. Si X =50, S = 15 Y n = 16, suponga que la poblacin tiene distribucin normal y establezca una
estimacin del intervalo de confianza de 99% de la media poblacional.

10. Establezca una estimacin del intervalo de confianza de 95% para la media poblacional, con
base en los siguientes conjuntos de datos; suponga que la poblacin tiene distribucin normal:

Conjunto 1: 1, 1, 1, 1, 8, 8, 8, 8
Conjunto 2: 1, 2, 3, 4, 5, 6, 7, 8
Explique por qu tienen intervalos de confianza distintos aun cuando tienen la misma media y el
mismo rango.

11. Calcule un intervalo de confianza de 95% para la media poblacional, con base en los nmeros
1,2, 3, 4, 5, 6, 20. Cambie el nmero 20 a 7 y calcule de nuevo el intervalo de confianza. Con estos
resultados, describa el efecto del valor extremo en el intervalo de confianza.

12. El departamento de transportes del gobierno de Estados Unidos requiere que los fabricantes de
neumticos proporcionen informacin acerca de la cara de la llanta para que un cliente potencial
est mejor informado al tornar su decisin de compra. Una medida muy importante en el
desempeo de la llanta es el ndice de desgaste de las cuerdas, que indica la resistencia de la llanta
al desgaste de las cuerdas comparada con el grado de la llanta de 100, Esto significa que una llanta
con grado de 200 debe durar el doble, en promedio, que una llanta con gracia 100. Suponga que una
organizacin para el consumidor desea estimar el ndice de desgaste real de las cuerdas de una
marca de llantas con grado 200 que produce cierto fabricante. Una muestra aleatoria de 18 llantas
indican ndice de desgaste promedio muestral de 195.3 y una desviacin estndar de 21.4.
(a) Suponga que los ndices de desgaste de cuerdas de lo poblacin tiene distribucin normal;
establezca un intervalo de 95% de confianza estimado del ndice de desgaste promedio de la
poblacin para las llantas que produce el fabricante de esta marca.
(b) Piensa que la organizacin para el consumidor debe denunciar al fabricante por producir llantas
que no cumplen la informacin de desempeo proporcionada en la cara de la llanta? Explique.
(e) Diga por qu un ndice de desgaste observado de 210 para una llanta en particular no es raro,
aunque est fuera del intervalo de confianza desarrollado en (a).

69
13. Un auditor del departamento estatal de seguros desea determinar la proporcin de reclamaciones
pagadas por una compaa de seguros de salud dentro de los 2 meses siguientes a la recepcin de la
solicitud. Se selecciona una muestra aleatoria de 200 reclamaciones y se determina que 80 se
pagaron en menos de 2 meses.
(a) Establezca una estimacin del intervalo de confianza de 99% de la proporcin de la poblacin
de reclamaciones pagadas en menos de 2 meses.
(b) Si se supone que 90% O ms reclamaciones se pagan en menos de 2 meses, qu de be informar
el auditor al departamento estatal de seguros acerca del desempeo de los pagos de la compaa de
seguros?

14.Un distribuidor de automviles desea estimar la proporcin de clientes que todava tienen los
autos comprados hace 5 aos. Una muestra aleatoria de 200 clientes seleccionada de los registros
del distribuidor indica que 82 clientes conservan el auto comprado 5 aos antes.
(a) Establezca un intervalo de confianza de 95% de la proporcin de la poblacin de todos los
clientes que conservan los autos 5 aos despus de comprarlos.
(b) Cmo puede el distribuidor usar los resultados de (a) para estudiar la satisfaccin del cliente
con el auto que le compraron?

14. Una papelera recibe un cargamento de un fabricante de cierta marca de bolgrafos de bajo
costo. Se prueba una muestra aleatoria de 300 bolgrafos y se encuentra que 30 estn defectuosos.

(a) Establezca un intervalo de confianza de 90% para estimar la proporcin de bolgrafos


defectuosos en el cargamento.
(b) El cargamento se puede regresar si contiene ms de 5% de bolgrafos defectuosos; segn los
resultados de la muestra, puede la papelera regresarlo?
(c) Suponga que se desea un intervalo estimado de 99% de confianza en (a). Cul sera el efecto
de este cambio en sus repuestas de (a) y (b)?

15. La compaa de telfonos quiere estimar la proporcin de viviendas que compraran una lnea
telefnica adicional si estuviera disponible a un costo de instalacin reducido de manera sustancial.
Se selecciona una muestra aleatoria de 500 viviendas. Los resultados indican que 135 de las
viviendas compraran la lnea adicional a un costo de instalacin reducido.
(a) Establezca un intervalo de confianza de 99% para la proporcin de la poblacin de viviendas
que compraran una lnea de telfono adicional.
(b) Cmo usara estos resultados el gerente a cargo de programas promocionales para clientes
residenciales?

16. Un grupo de consumidores desea estimar el monto de las facturas de energa elctrica para el
mes de julio para las viviendas unifamiliares en una ciudad grande. Con base en estudios realizados
en otras ciudades, se supone que la desviacin estndar es 25 dlares. El grupo desea estimar el
monto promedio para julio dentro de 5 dlares del promedio verdadero con 99% de confianza.

(a) Qu tamao de muestra necesita?


(b) Si desea 95% de confianza, qu tamao de muestra requiere?

17. Una agencia de publicidad que da servicio a una estacin de radio desea estimar. el tiempo
promedio diario que la audiencia escucha la estacin. De estudios anteriores, la desviacin estndar
se estima en 45 minutos.
(a) Qu tamao de muestra se necesita si la, agencia desea una confianza de 90% con 5 minutos
del resultado correcto?
(b) Si se desea 99% de confianza, qu tamao de muestra necesita?

70
18. Suponga que un proveedor de gas desea estimar el tiempo de espera promedio para la
instalacin del servicio dentro de 5 das con 95% de confianza. Debido a que no tiene acceso a
datos histricos, hace una estimacin independiente de la desviacin estndar, que piensa es de 20
das. Qu tamao de muestra necesita?

19. Un encuestador poltico desea estimar la proporcin de electores que votarn por el candidato
demcrata en una campaa presidencial. El encuestador desea 99% de confianza de que su
prediccin ser correcta dentro de 0.04 de la proporcin de la poblacin.
(a) Cul es el tamao de muestra necesario?
(b) Si desea 95% de confianza, qu tamao de muestra requiere?
(c) Si desea 95% de confianza y un error muestral de 0.03 , qu tamao de muestra necesita?
(d) Segn las respuestas de (a) a (e), qu conclusin general se deriva acerca del efecto del nivel de
confianza deseado y el error muestral aceptable en el tamao de la muestra requerido?

20. El gerente de un banco desea 90% de confianza de tener un resultado correcto dentro de 0.05 de
la proporcin de poblacin real de ahorradores que tienen cuentas de ahorros y de cheques en el
banco. De cuntos ahorradores debe ser su muestra?

21. Para Ho: 100 , H1: 100 y una muestra de tamao n, ser mayor si el valor real de
es 90 que si el valor real de es 75. Por qu?

22. En el sistema legal norteamericano se supone que un acusado es inocente hasta que se pruebe su
culpabilidad. Considere una hiptesis nula Ho. de que el acusado es inocente y la hiptesis
alternativa H1 de que es culpable. Un jurado tiene dos decisiones posibles: declararlo culpable (es
decir, rechazar la hiptesis nula o declararlo inocente (es decir, no rechazar la hiptesis nula).
Explique el significado de los riesgos de cometer un error tipo I o un error tipo II.

71
TRBAJO:

1- Investigar sobre muestreo


2- Muestreo probabilstico

a. Muestreo aletorio Simple.


b. Muestreo Sistemtico-
c. Muestreo estratificado.
d. Muetreo por conglomerado.
CUATRO EJEMPLOS DE C/U relacionado con mi especialidad

4. Muestreo no probabilstico:
a. Muestreo por Cuotas
b. Muestreo a juicio
c. Muestreo por Conveniencia
d. Muestreo Bola de nieve

DOS EJEMPLO DE C/U A MI CARRERA

5. Tamao de muestra en el muestreo aleatorio simple para poblaciones finitas e infinitas


6. Tamao de muestra en el muestreo estratificado.
Cuatro ejem de c/u

EXAMEN PURO BINOMIAL

72