Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variable Aleatoria PDF
Variable Aleatoria PDF
DISTRIBUCIN DE PROBABILIDADES
Variable Aleatoria es una funcin que asocia un nmero real, perfectamente definido, a
cada punto muestral. A veces las variables aleatorias (va) estn ya implcitas en los puntos
muestrales.
Ejemplo 2: Sea el evento, lanzar una moneda 3 veces al aire. Si se representa la cara con c
y el sello con s, entonces el espacio muestral ser:
Espacio Muestral = {ccc, ccs, csc, scc, css, scs, ssc, sss}
La probabilidad de cada suceso elemental es 1/8. Por ejemplo p(ccc) = 1/8, ya que la
probabilidad de sacar cara en una tirada es 1/2 segn la definicin clsica y las tiradas son
independientes.
Definimos la va X: nmero de caras, que puede tomar los valores {0, 1, 2, 3}. Se buscan
todos los puntos muestrales que dan lugar a cada valor de la variable y a ese valor se le
asigna la probabilidad del suceso correspondiente.
x Sucesos px
0 {zzz} 1/8
3 {ccc} 1/8
En el caso de las variables discretas, como en el ejemplo, es una funcin que para cada
valor de la variable da su probabilidad.
Ejemplo 3. Sea el evento experimental, lanzar al aire 2 monedas. Se sabe que el espacio
muestral de este experimento contiene 4 puntos muestra les.
Una variable X es una variable aleatoria si es una magnitud susceptible de tomar diversos
valores con determinadas probabilidades. Es una regla que asocia un nmero con cada
evento simple en el espacio muestra de un experimento. Por lo general, esta regla se
simboliza por medio de las maysculas X, Y o Z.
Definicin
Una variable aleatoria es una funcin que asocia un nmero real a cada elemento
del espacio muestral.
O tambin,
Una Variable Aleatoria es una funcin que asigna un nmero real a cada resultado
en el espacio muestral de un experimento aleatorio.
Definicin
3 .... f x (x k ) 1
x
S = (Espacio Muestral) = {HHH, HHM, HMH, MHH, HMM, MHM, MMH, MMM}
Si lo que interesa es slo el nmero de hembras que alumbra la mujer, entonces se podra
asignar un valor numrico de 0, 1, 2 3 a cada uno de los puntos muestrales.
Los nmeros 0, 1, 2 y 3 son cantidades aleatorias que se determinan a travs del resultado
del experimento. Se podra pensar como los valores que toma alguna variable aleatoria X,
que en este caso representa el nmero hembras que nacen cuando la mujer tiene 3
alumbramientos.
Definicin
Las variables aleatorias discretas representan datos que se refieren, tales como el nmero
de artculos defectuosos en una muestra de m de ellos o el nmero de accidentes en
carreteras por ao en un estado determinado.
Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede
salir un nmero de 1 al 6; en una ruleta el nmero puede tomar un valor del 1 al 32.
Definicin
Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores dentro
de cierto intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc); la esperanza media de vida
de una poblacin (72,5 aos, 7,513 aos, 72, 51234 aos).
Con frecuencia, los valores posibles de una variable aleatoria continua son precisamente los
mismos valores contenidos en el espacio muestral continuo. Tal es el caso de aquella
variable aleatoria que representa la distancia que cierta marca de automvil puede recorrer,
en un camino de prueba, con 5 litros de gasolina. En la mayora de los problemas prcticos,
las variables aleatorias continuas representan datos medidos, tales como alturas, pesos,
temperaturas, distancias o perodos de vida posibles.
Se puede especular en una variable aleatoria como un valor o una magnitud que cambia de
un desarrollo a otra, sin seguir una secuencia predecible. Por ejemplo, en un hospital para
tratamiento del cncer de pulmn no se tiene manera de saber con exactitud cuntos
hombres van a ser atendidas en un da cualquiera. Si los registros diarios del hospital
indican que los valores de la variable aleatoria van desde 100 hasta 115 pacientes diarios,
entonces sta es una variable aleatoria discreta.
Una variable aleatoria es discreta cuando nicamente puede tomar un determinado nmero
de valores en un intervalo. Por ejemplo, la variable aleatoria N de caras obtenidas al
lanzar 2 monedas, es una variable aleatoria discreta en el intervalo (0,2). Solo puede tomar
los valores 0, 1 y 2. Si el espacio muestral consiste en un Conjunto discontinuo de sucesos,
entonces una variable asociada con ese conjunto se le llama discreta; de otra manera, se le
llama continua.
Una variable aleatoria es continua cuando puede tomar cualquier valor en un intervalo.
Supongamos el experimento de lanzar una moneda hacia una lnea marcada en el suelo.
Supongamos que la distancia mxima a que puede caer la moneda de la marca es 1 metro
(entendiendo como distancia la del centro de la moneda a la lnea). Si definimos una
Distribuciones de Probabilidad
DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS
Para una variable aleatoria discreta, se pueden enumerar todos los valores numricos
posibles de la variable en una tabla con las probabilidades correspondientes. Existen
diversas distribuciones estndar de probabilidad que pueden utilizarse como modelos para
una amplia gama de variables aleatorias discretas en aplicaciones de negocios.
Para una variable aleatoria continua no es posible enumerar todos los posibles valores
fraccionarios de la variable y, por lo tanto, las probabilidades que se determinan a travs de
una funcin matemtica se ilustran en forma grfica mediante una funcin de densidad de
probabilidad o curva de probabilidad.
Valor
Demandas Posibles Nmero de Das Probabilidad P ( X ) Ponderado X . P ( X )
X
3 3 0.06 0.18
4 7 0.14 0.56
5 12 0.24 1.20
6 14 0.28 1.68
7 10 0.20 1.40
8 4 0.08 0.64
TOTALES 50 1.00 E ( X ) 5 . 66
Las variables aleatorias, son aquellas que se relacionan con la ocurrencia de un fenmeno
aleatorio. Cuando una de esas variables aleatorias toma diversos valores, la probabilidad
asociada a cada uno de tales valores puede ser organizada como una distribucin de
probabilidad, lo que se denomina distribucin de las probabilidades asociadas a cada uno
de los valores de la variable aleatoria. Las distribuciones de probabilidad logran
representarse a travs de una tabla, una grfica o una frmula, en cuyo caso tal regla de
correspondencia se le denomina funcin de probabilidad.
Una variable aleatoria discreta adquiere cada uno de sus valores con cierta probabilidad. En
el proceso del lanzamiento de una moneda 3 veces, la variable X, que representa el nmero
de sellos, toma el valor 2 con una probabilidad de 3/8, puesto que 3 de los puntos
muestrales igualmente probables dan como resultado 2 sellos y 1 cara. Si se suponen
arreglos iguales para los eventos simples del siguiente ejemplo:
b 3 1 1 0 0 1
Espacio Muestral SJB SBJ JSB JBS BSJ BJS
La probabilidad de que ningn obrero reciba de nuevo la herramienta que tena, es decir,
la probabilidad de que B tome el valor de cero, es 1/3. Los posibles valores b de B y sus
probabilidades estn dados por
b 0 1 3
1 1 1
P(B = b) 3 2 6
Definicin
1. f ( x ) 0.
2. f ( x) 1.
3 . P ( X x ) f ( x ).
Solucin.- Sea X una variable aleatoria cuyos valores de x son los nmeros posibles de
computadoras defectuosas adquiridas por el comerciante. Luego, x puede se cualquiera de
los nmeros 0, 1 y 2. Entonces:
3 5 3 5
0 2 10 1 1 15
f (0) P (X 0) ,.. f (1) P ( X 1) ,..
8 28 8 28
2 2
3 5
2 0 3
.f ( 2 ) P ( X 2 )
8 28
2
X 0 1 2
2
P(X=x) /4
SOLUCIN: Si asumimos que todos los resultados observados al lanzar los dos dados son
equiprobables (si todos los sucesos elementales que lo integran tienen la misma
probabilidad) entonces el espacio muestral del experimento, con treinta y seis posibles
resultados, se presentan a continuacin:
1 2 3 4 5 6
1 1,1 2,1 3,1 4,1 5,1 6,1
2 1,2 2,2 3,2 4,2 5,2 6,2
3 1,3 2,3 3,3 4,3 5,3 6,3
4 1,4 2,4 3,4 4,4 5,4 6,4
5 1,5 2,5 3,5 4,5 5,5 6,5
6 1,6 2,6 3,6 4,6 5,6 6,6
Como nos interesa la suma de los puntos observados, si obtenemos el resultado (3, 5) le
asignamos el valor 8, correspondiente a la suma de 3 y 5. Podemos calcular la probabilidad
de que la suma sea igual a 8, contando todos los resultados donde la suma es ocho. El
evento de que la suma es ocho contiene 5 resultados: {(2,6), (3,5), (4,4), (5, 3), (6,2)}; por
lo tanto la probabilidad deseada es 5/36. Podemos repetir este proceso con cada uno de los
resultados para obtener las siguientes sumas probables al lanzar dos de acuerdo con la
tabla 2.
Sumas 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
Probabilidades
36 36 36 36 36 36 36 36 36 36 36
En este caso la variable X puede asumir un valor entre un conjunto finito de valores
posibles. Cualquier variable que pueda asumir un nmero finito de valores decimos es una
variable aleatoria discreta. Tambin son variables aleatorias discretas aquellas que
pueden asumir un nmero muy grande o infinito de valores que potencialmente podran ser
contados, tal como el nmero de habitantes del planeta, el nmero de granos de maz
producidos en el planeta en una fecha determinada, el nmero de los rboles de un pas.
x 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
f(x) 36 36 36 36 36 36 36 36 36 36 36
Vemos que f(x) nunca adquiere un valor menor de cero. Esto se debe a que f(x) representa
una probabilidad, la cual nunca puede ser menor de cero. De igual manera f(x) nunca puede
ser menor de 1. Si sumamos todos lo valores que puede tener f(x) obtenemos 1, debido a
que estamos sumando las probabilidades de que la variable aleatoria asuma uno de los
0,18
0,16
0,14
0,12
Probabilidades
0,1
0,08
0,06
0,04
0,02
0
1 2 3 4 5 6 7 8 9 10 11 12
Podemos usar el histograma de probabilidad para calcular probabilidades tal como P(X
4). Vemos que P(X 4) = P(X =2 X =3 X =4) = P(X = 2) + P(X = 3) + P(X = 4) , ya
que los eventos donde X = 2, X = 3 y X = 4 son disjuntos. Entonces P(X 4) = 1/36 + 2/36
+ 3/36 = 6/36, sumando las reas de la barras que estn sobre el 4 y a su izquierda.
Debemos ser muy cuidadosos con las desigualdades, ya que P(X 4) = 6/36, mientras que
P(X< 4) = 3/26.
a) Todos los valores de la distribucin son mayores o iguales que cero, y adems son
menores o iguales que uno.
0 P(X=x) 1.
f ( x ) P(X=x) = 1.
De donde se puede afirmar que: la suma de todas las probabilidades de los eventos posibles
de una variable aleatoria es igual a la unidad. Hay que recalcar que estas propiedades se
enuncian suponiendo que conocemos el valor de la probabilidad, pero en la realidad esto no
ocurre, es decir, que no sabemos la probabilidad y lo que se hace es trabajar con
estimaciones. Se puede observar que en ningn caso las combinaciones toma valores
la frmula,
xf , donde, ( ) es la media de la poblacin, la cual puede expresarse
n
f
como X
n
.
x .P ( x )
X 0 1 2
2
P(X=x) /4
2
1 1 1
xP ( x ) 0 . 4 1 . 2 2 . 4 1
x0
f (x )
2
f
(x)
2 2
n
(x)
2
P( x )
2 1 2 1 2 1 1 1 1 1 1 1 2
( 0 1) (1 1 ) ( 2 1) 1. 0. 1. .
4 2 4 4 2 4 4 4 2 2
Esta medida de resumen se puede obtener multiplicando cada resultado posible Xi por su
probabilidad correspondiente P ( X i ) y despus sumando los productos resultantes. Por
lo tanto el valor esperado de la variable aleatoria discreta X, representada como E ( X ) ,
se puede expresar con la siguiente formula matemtica:
x E(X ) X i P ( X i ) , donde:
i 1
Xi = Resultado i de X.
i= 1, 2, 3, ....,N.
x E(X ) xf x
( x) o x E(X ) X iP(X i ) .
x i 1
La media de X puede interpretarse como el centro de la masa del rango de los valores de X.
Esto es, si se coloca una masa igual a f x ( x ) en cada punto x de la recta real, entonces
E(X) es el punto donde la recta queda en equilibrio. Por consiguiente, el trmino funcin de
probabilidad puede interpretarse mediante esta analoga con la mecnica.
Si se tiran dos monedas al aire 16 veces y X representa el nmero de caras que ocurren por
lanzamiento, entonces los valores d e X pueden ser 0, 1 y 2. Supngase que en el
experimento se obtienen cero caras 4 veces, una cara 7 veces y dos caras 5 veces. El
promedio de caras por lanzamiento de las dos monedas es entonces
( 0 )( 4 ) (1)( 7 ) ( 2 )( 5 )
1 . 06 .
16
Reestructrese ahora el clculo para el nmero promedio de caras resultantes, de modo que
tenga la siguiente forma equivalente
Los nmeros 4/16, 7/16 y 5/16 son las fracciones del total de lanzamientos que resulta en 0,
1 y 2 caras, respectivamente. Estas fracciones son tambin las frecuencias relativas que
corresponden a los diferentes valores de X en el experimento. En efecto, se puede calcular
entonces la media o el promedio de un conjunto de datos, si se conocen los distintos valores
que intervienen y sus frecuencias relativas, sin conocimiento alguno del nmero total de
observaciones en el conjunto de datos. Por consiguiente, si 4/16 1/4 de los lanzamientos
resultan 0 caras; 7/16, una cara; y 5/16, dos caras, el nmero medio de caras por
lanzamiento seria 1.06, sin importar que el nmero total de lanzamientos sea de 16, 1 000 o
aun de 10 000.
Utilcese ahora este mtodo de las frecuencias relativas para calcular a la larga el nmero
promedio de caras por lanzamiento de dos monedas que podra esperarse.
Suponiendo que se tiran al aire dos monedas normales, se tiene que el espacio
muestra1 para el experimento es
Puesto que los 4 puntos muestrales son igualmente probables, se deduce que
P(X = 0) = P(SS) = 1 .
4
P(X = 2) = P(HH) = 1 .
4
1 1 1
E ( X ) 0 1 2 1 . 0 .
4 2 4
Esto significa que una persona que tira al aire 2 monedas una y otra vez, lograr en
promedio 1 cara por tirada.
EL mtodo descrito para calcular el nmero esperado de caras en cada tirada de 2 monedas,
indica que la media o valor esperado de una variable aleatoria discreta puede obtenerse
multiplicando cada uno de los valores x 1 , x 2 ,..., x n , de la variable aleatoria X por su
probabilidad correspondiente f ( x 1 ), f ( x 2 ),....., f ( x n ), y sumando luego los resultados.
Sin embargo, esto se verifica slo si la variable aleatoria es discreta. En el caso de variables
aleatorias continuas, la definicin del valor esperado es en esencia la misma, slo que las
sumatorias se reemplazan por integrales.
4 3
x 3 x
f(x) , para x = 0, 1, 2, 3.
7
3
1 12 18 4 60 12
E ( X ) 0 1 2 3 1 . 70 .
35 35 35 35 35 7
Por lo tanto, si se selecciona al azar una y otra vez un comit de 3 miembros a partir de un
grupo de 4 qumicos y 3 bilogos, el mismo contendra en promedio 1.7 qumicos.
Solucin. El espacio muestral formado por todos los posibles resultados que pueden
obtenerse cuando se lanzan 3 monedas de manera simultnea, o en forma equivalente si la
moneda se lanzan 3 veces sucesivamente (C = cara, S = sello), es
S = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}. Se puede argumentar que cada una
de estas posibilidades es igualmente posibles y ocurre con una probabilidad igual a 1/8. Un
enfoque alternativo seria aplicar la regla multiplicativa de probabilidad para sucesos
independientes con cada uno de los elementos del espacio muestral (S), as:
1 1 1 1
P ( CCS ) P ( C ) P ( C ) P ( S ) . Recuerde que la probabilidad de salir cara es
2 2 2 8
igual ala de salir sello, es decir, .
La variable aleatoria de inters es X, que es la cantidad que el jugador puede ganar; y los
valores posibles de X 5 $ si ocurre el evento E 1 CCC , SSS y - 3 $ si ocurre el
1 3
E ( X ) 5 3 1 .
4 4
Por lo tanto en este juego el apostador, en promedio, perder 1 $ al lanzar las 3 monedas.
Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia de una
presentacin a otra, sin seguir una secuencia predecible. Por ejemplo, en una clnica para
tratamiento del cncer de mamas no se tiene manera de saber con exactitud cuntas mujeres
van a ser atendidas en un da cualquiera. De modo que el nmero de pacientes del da
siguiente es una variable aleatoria. Los valores de una variable aleatoria son los valores
numricos correspondientes a cada posible resultado del experimento aleatorio. Si los
registros diarios de la clnica indican que los valores de la variable aleatoria van desde 100
hasta 115 pacientes diarios, entonces sta es una variable aleatoria discreta.
En la tabla B se ilustra el nmero de veces que se ha alcanzado cada nivel durante los
ltimos l00 das. Observe que en la tabla aparece una distribucin de frecuencias. Hasta
donde creamos que la experiencia de los pasados 100 das es un comportamiento tpico,
podemos utilizar este registro para asignar una probabilidad a cada nmero posible de
pacientes y encontrar una distribucin de probabilidad. Hemos hecho esto en la tabla B
mediante la normalizacin de la distribucin de frecuencias observadas (en este caso, di-
vidimos cada valor que aparece en la columna de las frecuencias (fi) de la tabla B , el
nmero total de das en que se tomaron los registros (nmero atendido). La distribucin de
probabilidad para la variable aleatoria nmero de atenciones diarias se presenta de
manera grfica en la figura I. Note que la distribucin de probabilidad para una variable
aleatoria proporciona una probabilidad para cada valor posible y que estas probabilidades
deben sumar 1. De la misma forma en esa tabla se registra el valor esperado o esperanza
matemtica que es simplemente la multiplicacin de los valores posibles de la variable
aleatoria por la probabilidad de que la variable aleatoria tome esos valores. En la tabla B
mostramos que ambos requisitos se cumplen. Adems, tanto la tabla B como la figura I nos
dan informacin acerca de la frecuencia de presentacin a la larga del nmero de pacientes
atendidos diariamente que esperaramos observar si este experimento aleatorio se
efectuara de nuevo.
TABLA B
0,12
0,1
PR O B A B IL ID A D
0,08
0,06
0,04
0,02
0
0
1
2
3
4
5
6
7
8
9
0
1
2
3
4
5
10
10
10
10
10
10
10
10
10
10
10
11
11
11
11
11
11
N m e r o s d iar io s d e m u je r e s at e n d id as
Si un agente de seguros afirma que puede esperarse que una mujer de 45 aos de edad
viva otros 33 aos, esto no significa que cualquier persona espere realmente que una mujer
de 45 aos siga viviendo hasta cumplir los 78 aos y muera al da siguiente. En lo
concerniente a esa afirmacin, ciertas mujeres de 45 aos vivirn 12 aos ms, otras
sobrevivirn 25 aos, otras vivirn 38 aos ms, . . . , y la expectativa de vida de 33 aos
ms se debe interpretar como una especie de promedio particular, llamado valor esperado
o esperanza matemtica. Originalmente, el concepto de la esperanza matemtica apareci
en relacin con juegos de azar y, en su forma ms simple, se determina con el producto de
la cantidad que un jugador deposita para ganar y la probabilidad de que gane dicha
cantidad.
EJEMPLO Cul es nuestra esperanza matemtica, si apostamos para ganar 500 pesos, si
y slo si sale cara, al lanzar al aire una moneda equilibrada?
SOLUCIN: La moneda est equilibrada, de manera que la probabilidad de que salga cara
es , entonces nuestra esperanza matemtica es 500x0.5 = 250 pesos.
EJEMPLO Cul es nuestra esperanza matemtica, si compramos uno de los 1000 boletos
de una rifa, en la que se ofrece como premio un televisor a color, que vale 480000 pesos?
1 480000
480000x 480 , es decir, 480 pesos. Por lo tanto, en un sentido
1000 1000
estrictamente monetario, seria irracional pagar ms de 480 pesos por el boleto.
PROBLEMA. Sean 0.24, 0.35, 0.29 y 0.12 las probabilidades de que un usurero pueda
vender en un ao un lote subdividido, con las respectivas ganancias de Bs.1250000, Bs.
800000 o de Bs. 100000 o con una prdida de Bs. 250000. Cul es la utilidad o ganancia
esperada?
SOLUCIN: Si se sustituye
P1 0 . 24 ,.. P2 0 . 35 ,.. P3 0 . 25 .. y .. P4 0 . 12 .
x E(X ) X iP(X i ) .
i 1
x 3 x
3 1 3
f ( x ) , x 0 ,1, 2, 3. Encuentre la esperanza matemtica.
x 4 4
0 3 2 2
3 1 3 27 3 1 3 27 3 1 3 9
f (0 ) ,... f (1) ,.. f ( 2 )
0 4 4 64 1 4 4 64 2 4 4 64
3 0
3 1 3 1
f (3)
3 4 4 64
x 0 1 2 3
27 27 9 1
f ( x) 64 64 64 64
27 27 9 1 27 ( 2 ) 9 ( 3 )1 48 3
E 0 1 2 3 0 . 75 .
64 64 64 64 64 64 4
LA DISTRIBUCIN BINOMIAL
El nombre que recibe esta distribucin se debe a la similitud existente entre la distribucin
de las probabilidades de obtener 0, 1, 2, 3,..elementos considerados como xito de
una muestra de tamao n, y los trminos sucesivos del desarrollo binomial ( p q ) n ,
donde p expresa la probabilidad de xito de un solo ensayo (situacin experimental), y q
es la probabilidad de fracaso (tal que, p + q = 1). En este caso, xito significa
encontrarse con cierta clase de evento, mientras que fracaso significa no encontrarse con
dicho evento. En esta gua se har un breve reposo del Teorema del binomio o Binomio
n
n n n n 1 n n 1 n n n n i i
n
( a b ) a a b .... ab b a b .
0 1 n 1 n i 1 i
n x n x
Px . p q .
x
La probabilidad Px de que un evento se presente POR LO MENOS x veces en n
intentos esta expresada por la ecuacin:
xn xx
n x n x
Px . p q
.
xx
xx
x
1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1
1 6 15 20 15 6 1
1 7 21 35 35 21 7 1
1 8 56 7028 56 28 8 1
1 9 36 84 126 126 84 36 9 1
1 10 45 120 210 252 210 120 45 10 1
6 6 5 4 2 3 3 2 4 5 6
( x y ) x 6 x y 15 x y 20 x y 15 x y 5 xy y .
2.- Cada ensayo proporciona un resultado que puede clasificarse como xito o fracaso.
Cuando es xito la variable toma el valor 1 y cuando es fracaso toma el valor 0.
EJEMPLOS 1: La Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no
sale); la probabilidad de ser admitido en una universidad (o te admiten o no te admiten); la
probabilidad de acertar un Kino (o aciertas o no aciertas).
Verificndose que:
p + q = 1.
EJEMPLOS 2: Probabilidad de salir cara al lanzar una moneda al aire:
p + q = 0,5 + 0,5 = 1.
p + q = 0,25 + 0,75 = 1.
p + q = 0,00001 + 0,99999 = 1.
3. La posibilidad de que cada muestra de aire contenga una molcula rara es 10%. Sea X
= nmero de muestras de aire que contienen la molcula rara en las siguientes 18 muestras
por analizar.
5. Un examen de opcin mltiple contiene diez preguntas, cada una con cuatro opciones, y
se pide a una persona que adivine las respuestas. Sea X = nmero de respuestas
contestadas de manera correcta.
Estos ejemplos dejan entrever la utilidad de un modelo de probabilidad general que incluya
estos experimentos como casos particulares.
Cada uno de estos experimentos aleatorios pueden considerarse corno formado por una
serie de ensayos repetidos; 10 lanzamientos de la moneda en el experimento (1), la
produccin de 25 partes en el experimento (2) y as sucesivamente. En cada caso, la
Los trminos xito y fracaso son solo etiquetas. Tambin pueden utilizarse para este fin
A B o 0 y "1". Por desgracia, en ocasiones las etiquetas usuales pueden ser
engaosas. En el experimento (2), dado que X es el nmero de partes defectuosas, la
produccin de stas es un xito.
A menudo es razonable suponer que los ensayos que forman el experimento aleatorio son
independientes. Esto implica que el resultado de uno de los ensayos no tiene ningn efecto
sobre el resultado que se obtenga en cualquier otro ensayo. En el experimento (2), la
hiptesis de ensayos independientes implica saber que la parte nmero 5 es defectuosa, no
tiene ningn efecto sobre la probabilidad de que cualquiera de las dems partes sea
defectuosa. Asimismo, a menudo es razonable suponer que la probabilidad de xito en
cada ensayo es constante. En el experimento de opcin mltiple [experimento (5)], si se
supone que el sujeto que lleva a cabo la prueba no tiene ningn conocimiento del tema y
slo adivina la respuesta de cada pregunta, entonces puede considerarse que la probabilidad
de una respuesta correcta para cada pregunta es 1/4.
4 1 4 3 4 9 64 .
P ( NDN ) P ( N ) P ( D ) P ( N ) 3
P ( X x ) f ( x ) b ( x .;.. n ;.. p ),
Generalizando la igualad anterior con el objeto de obtener una formula matemtica para
b(x, n, p), que proporcione la probabilidad de x xitos en n ensayos en el caso de un
experimento binomial. Primeramente se considerar la probabilidad de x xitos y de n x
fracasos en un orden especificado. Tomando en cuenta que los ensayos son independientes,
se pueden multiplicar todas las probabilidades correspondientes a los diferentes resultados.
Cada xito ocurre con una probabilidad p y cada fracaso, con una probabilidad q = 1 p.
En consecuencia, la probabilidad para un determinado pedido (del problema anterior) es
x n x
p q . Se debe determinar ahora el nmero total de puntos maestrales en el experimento
que tiene x xitos y n x fracasos. Este nmero es igual al nmero de particiones de n
resultados en dos grupos, con x en un grupo y n x en el otro, el cual esta determinado
n n!
por C ( n ,x ) C xn = (n! se lee factorial de n, donde por definicin factorial
x x ! ( n x )!
de cero es igual 1). Como esas particiones son mutuamente excluyentes, se suman las
probabilidades de todas las particiones diferentes para obtener la formula general o se
n
multiplica p x q n x por .
x
n x n x
b( x , n , p ) f ( x ) . p q ,.... x 0 ,1 ,2 ,3 ......, n
x
0 3 1 2
3 1 3 27 3 1 3 27
f ( 0 ) ..., f ( 1 )
0 4 4 64 1 4 4 64
2 1 3 0
3 1 3 9 3 1 3 1
f ( 2 ) ..., f ( 3 )
2 4 4 64 3 4 4 64
x 0 1 2 3
f(x) f ( x ) 27 27 9 1
64 64 64 64
En este experimento se indica con E un bit errneo, y con C un bit sin error, esto es,
recibido correctamente. Con esto, el espacio muestral de este experimento puede
describirse como una lista de cuatro letras que indican qu bits fueron recibidos con y sin
error. Por ejemplo, el resultado CECE indica que el segundo y el cuarto bit son errneos, y
los otros dos se recibieron correctamente. Por consiguiente, el espacio muestral es:
Resultado x Resultado x
CCCC 0 ECCC 1
CCCE 1 ECCE 2
CCEC 1 ECEC 2
CCEE 2 ECEE 3
CECC 1 EECC 2
Dagoberto Salgado Horta Pgina 31
CECE 2 EECE 3
CEEC 2 EEEC 3
CEEE 3 EEEE 4
Por otra parte, la probabilidad de que se presente cualquiera de los seis resultados
mutuamente excluyentes para los que X = 2, es la misma. Por consiguiente:
En general,
P(X = x) =f(x)= (nmero de resultados con x errores) multiplicados por (0.1)x (0.9)4-x
Para ultimar una frmula general de probabilidad, nicamente es preciso una expresin
para el nmero de resultados que contienen x errores. Puede construirse un resultado que
contiene x errores separando los cuatro ensayos en dos grupos. El tamao de uno de los
grupos es x y contiene los errores, mientras que el tamao del otro grupo es n-x y est
formado por los ensayos donde no hay errores. Tomando en cuenta la ecuacin de
Combinacin, el nmero de maneras de separar cuatro objetos en dos grupos, uno de los
cuales tiene tamao x, es:
4 4!
. Por tanto, en este ejemplo,
x x ! ( n x )!
P ( X 2 ) f ( 2 ) 0 . 0486 .
Otros ejemplo:
Por ejemplo: Consideremos un examen con tres preguntas de opcin mltiple, con cuatro
opciones, y que ser contestado al azar.
Con los datos de esta prueba contamos con un experimento binomial, ya que la
probabilidad de xito permanece constante en las tres preguntas (p = ) y las respuestas de
Tenemos ahora la variable aleatoria X del ejemplo anterior que representar el nmero de
respuestas correctas, siendo sus posibles valores: 0, 1, 2, y 3.
81
P(X=1) = P[(E1 F2 F3) (F1 E2 F3) = /256 = 3(3/4)2(1/4)1
(F1 F2 E3)]
9
P(X=2) = P[(E1 E2 F3) (E1 F2 E3) = /64 = 3(3/4)1(1/4)2
(F1 E2 E3)]
X P(X=x)
0 0.422
1 0.422
2 0.141
3 0.016
a.- Cul es la probabilidad de que en exactamente 2 de las 4 familias los maridos ejerza
una influencia decisiva en la seleccin de la marca del automvil a comprar?
b.- Cul es la probabilidad de que los maridos ejerzan una influencia decisiva en la
seleccin de la marca del automvil en por lo menos 2 de las 4 familias?
c.- Cul es la probabilidad de que los maridos seleccionen la marca del automvil en las 4
familias?
SOLUCIN: Se supone que las decisiones de compras de las familias son independiente
y que p permanece constante de una familia a otra, por lo tanto, n = 4, y p = 0.7. Sea x el
nmero de familias en las cuales los maridos ejercen una influencia decisiva en la seleccin
de un automvil nuevo. Por consiguiente, x = 0, 1, 2, 3 y 4, entonces se tiene que:
4
b ( x ,4 ,0 . 7 ) f ( x ) 0 . 70 0 . 30
x n x
,... x 0 ..,1 .., 2 ..,3 .., 4
x
4 2 2
a ). P ( exactament e ..dos ) P ( x 2 ) f ( 2 ) .( 0 . 70 ) ( 0 . 30 )
2
4!
( 0 . 49 )( 0 . 09 ) 0 . 2646
2 !. 2 !
4 0 4 4 1
1 C 0 ( 0 .7 ) ( 0 .3 ) C 1 ( 0 .7 ) ( 0 .3 )
3
1 0 . 0081 0 . 0756 1 0 . 0837
1 0 . 0837 0 . 9163
PROBLEMA: Con el propsito de decidir si se aceptan los lotes de mercanca que enva
la fabrica RANICA a un comerciante, se lleva acabo un procedimiento que consiste en
seleccionar 10 artculos al azar de cada lote y determinar el nmero que presenta defectos.
Un lote se rechaza siempre que se encuentren 2 o ms artculos defectuosos entre los 10
seleccionados. Se supone que el nmero de artculos en cada lote es grande y que cada lote
contiene un 5 % de artculos defectuosos. Cul es la probabilidad de aceptar un lote de
artculos? Cul es la probabilidad de rechazarlo?
10 x 10 x
p ( x ) f ( x ) .( 0 . 05 ) ( 0 . 95 ) , entonces las probabilidades de aceptar un lote
x
es:
10
10
x 10 x
b ). P ( rechazar ) .( 0 . 05 ) ( 0 . 95 )
x2 x
El estudiante debe realizar la parte 2 de la P ( acetar ) y el resultado tiene que ser igual al
obtenido en la parte 1, (0.914). De la misma forma debe realizar los clculos de la parte b y
el resultado tiene que ser igual al de la parte a (0.086).
El clculo de p(x) puede ser muy aburrido cuando los valores de n son muy grandes. Por
tal razn, es conveniente describir la distribucin de probabilidad binomial mediante se
media y su desviacin estndar. Esto permitir identificar valores de x que son altamente
improbables, usando el conocimiento sobre el teorema de Tchebysheff y la regla emprica.
Por lo tanto, es de gran importancia conocer el valor esperado o esperanza matemtica y la
varianza de la variable aleatoria binomial x.
E ( x ) np
2
npq
npq
Cuando el espacio muestral de una variable aleatoria es un intervalo real decimos que la
variable es continua. La matemtica que utilizamos para las variables continuas es diferente
a la de las discretas aunque los conceptos probabilsticos sean los mismos de manera que en
nuestro estudio de las continuas utilizaremos este paralelo con las discretas.
FUNCIN DE DENSIDAD
Una funcin y=f(x) es una funcin de densidad de una variable aleatoria continua si
cumple las siguientes condiciones:
Para calcular la probabilidad de que X est en un intervalo (a, b) o (a, b] o [a, b) o [a, b] o
cualquier otro intervalo, debemos hacer uso de una funcin asociada a la variable aleatoria,
la funcin de densidad de X. Las variables aleatorias discretas tienen la funcin de
probabilidad, las continuas tienen funcin de densidad. Adems, como en el caso discreto,
la funcin de densidad est ligada a la va X de modo que cuando sea necesario aclarar a
Por analoga con las definiciones de estos conceptos para variables aleatorias discretas, se
definen la esperanza matemtica o media , la varianza y la desviacin tpica de una
variable aleatoria continua de la siguiente forma:
X
Si X es una variable aleatoria de media y desviacin tpica , la variable Z
tiene de media 0 y de desviacin tpica 1, y se llama tipificada de X. Podemos decir que
mide la desviacin de X respecto de su media, tomando como unidad la desviacin tpica
de X.
Distribucin normal
Tambin se llama distribucin de Gauss o distribucin de Laplace-Gauss. Ello se debe a
que el matemtico francs Pierre Simon de Laplace (v.), fue el primero que demostr la
siguiente relacin, muy importante en el estudio de la distribucin normal:
x
2
Cuando Gauss tena diez aos de edad, su maestro solicit a la clase que encontrar la suma
de todos los nmeros comprendidos entre uno y cien. El maestro, pensando que con ello la
clase estara ocupada algn tiempo, qued asombrado cuando Gauss, levant en seguida la
mano y dio la respuesta correcta. Gauss revel que encontr la solucin usando el lgebra,
el maestro se dio cuenta de que el nio era una promesa en las matemticas. Hijo de un
humilde albail, Gauss dio seales dio seales de ser un genio antes de que cumpliera los
tres aos. A esa edad aprendi a leer y hacer clculos aritmticos mentales con tanta
habilidad que descubri un error en los clculos que hizo su padre para pagar unos sueldos.
Ingres a la escuela primaria antes de que cumpliera los siete aos. Cuando tena doce aos,
critic los fundamentos de la geometra euclidiana; a los trece le interesaba las
posibilidades de la geometra no euclidiana. A los quince, entenda la convergencia y prob
el binomio de Newton. El genio y la precocidad de Gauss llamaron la atencin del duque de
Brunswick, quien dispuso, cuando el muchacho tena catorce aos, costear tanto su
educacin secundaria como universitaria. Gauss, a quien tambin le interesaban los clsicos
y los idiomas, pensaba que hara de la filosofa la obra de su vida, pero las matemticas
resultaron ser una atraccin irresistible.
A la edad de setenta y siete aos, Gauss falleci. Se ha dicho que la lpida que seala su
tumba fue escrita con un diagrama, que construy el mismo Gauss, de un polgono de
diecisiete lados. Durante su vida, se reconoci que era el matemtico ms grande de los
siglos XVIII y XIX. Su obra en las matemticas contribuy a formar una base para
encontrar la solucin de problemas complicadsimos de las ciencias fsicas y naturales.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n, p), para un mismo
valor de p y valores de n cada vez mayores, se ve que sus polgonos de frecuencias se
aproximan a una curva en "forma de campana".
Sir Francis Galton construy un ingenioso dispositivo que permita obtener de forma
experimental la curva de distribucin normal. La mayora de las magnitudes, incluida la
inteligencia, se distribuyen siguiendo esta ley normal, que matemticamente viene
expresada por la funcin:
2
es la varianza de la variable aleatoria
Dicha curva y tal como vemos en la grfica, presenta un apiamiento de frecuencias altas
en torno a la media, que se alejan de la misma a medida que ganan en singularidad.La
medida de la distancia al valor central es indicado por la desviacin tipo o estndar.
La distribucin normal queda definida por dos parmetros, su media y su desviacin tpica
y la representamos as
N ( , )
Para cada valor de y se tendr una funcin de densidad diferente, por lo tanto la
expresin N ( , ) representa una familia de distribuciones normales.
2.- La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor entre
y es tericamente posible. El rea total bajo la curva es, por tanto, igual a 1.
3.- Es simtrica con respecto a su media . Segn esto, para este tipo de variables
existe una probabilidad de un 50% de observar un dato mayor que la media, y un 50%
de observar un dato menor.
7.- Como se deduce de este ltimo apartado, no existe una nica distribucin normal,
sino una familia de distribuciones con una forma comn, diferenciadas por los valores
de su media y su varianza. De entre todas ellas, la ms utilizada es la distribucin
normal estndar, que corresponde a una distribucin de media 0 y varianza 1.
8.- Ql y Q3 estn situados a 2/3 de una desviacin estndar. El 68 % del rea de la curva
(probabilidad) se encuentra a una desviacin estndar de la media.
9.- La variable tiene un alcance infinito, pero la mayor parte del rea bajo la curva se
encuentra a tres desviaciones estndar de la media.
FUNCIN DE DISTRIBUCIN
Puesto que hay un nmero infinito de combinaciones para los dos parmetros, hay un
nmero infinito de curvas normales diferentes. Este problema se ha resuelto prcticamente
al transformar los valores de todas las distribuciones normales a los valores de una
distribucin normal estandarizada (tipificada) representada por la curva normal
estandarizada.
x
Z
y su funcin de distribucin es
Consideremos que el peso de los nios varones venezolanos en el momento del nacimiento
se distribuyen normalmente. Si sabemos que el peso medio en el momento de nacer son
3,25 Kg. y la desviacin tpica es de 0,82 Kg., cul es la probabilidad de que el peso de un
nio varn al nacer sea superior a 4 Kg?
X 4 3 . 25
Z 0 . 9146
0 . 82
Por lo tanto la probabilidad de que un nio al nacer tenga un peso superior a 4 kg. es de
18.0 %.
A) Calcular P (z < 1.35) y P (z > 1.35). Solucin: abajo se reproduce parte de la tabla:
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
Recordamos que la tabla proporciona el rea bajo la curva a la izquierda de z. Por lo tanto,
B) Una distribucin normal tiene = 60 y = 5. Encontrar P(x < 63) y P(x > 63).
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
Al consultar la tabla (ver arriba): P(x < 63) = P(z < 0.60) = 0.7257.
Supongamos que se sabe que el peso de los sujetos de una determinada poblacin sigue
una distribucin aproximadamente normal, con una media de 80 Kg. y una desviacin
Esta ltima probabilidad puede ser fcilmente obtenida a partir de la tabla, resultando ser
. Por lo tanto, la probabilidad buscada de que una persona elegida
aleatoriamente de esa poblacin tenga un peso mayor de 100 Kg., es de:
De modo anlogo, podemos obtener la probabilidad de que el peso de un sujeto est entre
60 y 100 Kg:
Por el ejemplo anterior, se sabe que P ( z 2 ) 0 . 9772 . Para la segunda probabilidad, sin
embargo, encontramos el problema de que las tablas estndar no proporcionan el valor de
P ( z 2 ) para valores negativos de la variable. Sin embargo, haciendo uso de la simetra
de la distribucin normal, se tiene que:
Ejemplo: Supongamos que se dispone del peso de n =100 individuos de esa misma
poblacin, obtenindose una media muestral de X 75 Kg., y una desviacin estndar
muestral S 12 Kg., se pretende extraer alguna conclusin acerca del valor medio real de
ese peso en la poblacin original.
Estaremos, por lo tanto, un 95% seguros de que el peso medio real en la poblacin de
origen oscila entre 75.6 Kg y 80.3 Kg. Aunque la teora estadstica subyacente es mucho
ms compleja, en lneas generales ste es el modo de construir un intervalo de confianza
para la media de una poblacin.
Ejemplo: Supongamos que cierto fenmeno pueda ser representado mediante una
va X N ( 45 ,81 ) , y queremos calcular la probabilidad de que X tome un valor entre 39 y
48, es decir,
P 39 X 48 ??
X X 45 X 45
Z . De modo que
81 9
P 39 X 48 0 . 378 37 . 80 %.
z 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 0.5753
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 0.7190 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 0.7823 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 0.8413 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
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 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
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 ahora, como podemos utilizar esta tabla con una distribucin normal:
Ejemplo: el salario medio anual de los empleados de una empresa se distribuye segn una
distribucin normal, con media 5 millones de Bs. y desviacin tpica 1 milln de Bs.
Calcular el porcentaje de empleados con un sueldo inferior a 7 millones de Bs.
Lo primero que haremos es transformar esa distribucin en una normal tipificada, para ello
se crea una nueva variable (Z) que ser igual a la anterior (X) menos su media y dividida
por la desviacin tpica
X
Z
Esta nueva variable se distribuye como una normal tipificada. La variable Z que
corresponde a una variable X de valor 7 es:
75
Z 2
1
Por lo tanto, el porcentaje de empleados con salarios inferiores a 7 millones de Bs. es del
97,725%.
c) Ingresos mnimo y mximo que engloba al 60% de la poblacin con renta media.
SOLUCIN:
Lo primero que tenemos que hacer es calcular la normal tipificada:
X 4
Z
1 . 22
Ahora tenemos que ver cul es la probabilidad acumulada hasta ese valor. Tenemos un
problema: la tabla de probabilidades 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:
Por otra parte, la probabilidad que hay a partir de un valor es igual a 1 (100%) menos la
probabilidad acumulada hasta dicho valor:
b) Nivel de ingresos a partir del cual se sita el 10% de la poblacin con renta ms
elevada.
X 4
1 ,282 1 . 282 ( 1 . 22 ) X 4 X 1 . 57 4 X 5 . 57 .
1 . 22
Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a
5,57 millones de Bs. 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
Por otra parte, al ser la distribucin normal simtrica, entre -Z y la media hay otro 30% de
probabilidad. En definitiva, el segmento (-Z, Z) engloba al 60% de poblacin con renta
media.
Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos superiores a 2,97
millones de Bs. e inferiores a 5,03 millones de Bs. constituyen el 60% de la poblacin con
un nivel medio de renta.
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:
SOLUCIN:
75 68
Z 1 .4
5
Por lo tanto
60 68
Z 1 ,6 . Por lo tanto P (X < 60) = (Z < -1,6) = P (Z > 1,6) = 1 - P (Z < 1,6) =
5
0,0548.
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?.
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.
Vamos a ver en que nivel de la poblacin se situara usted en funcin de los litros de
cerveza consumidos.
45 58
Z 2 ,2
6
Por lo tanto
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"
a) Tan slo hay 100 plazas. Usted ha obtenido un 7,7. Sera oportuno ir organizando una
fiesta para celebrar su xito?
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 tipificada equivalente.
7 .7 5 .5
Z 2 . 1 . A este valor de Z le corresponde una probabilidad acumulada (ver
1 ,049
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; como hay
100 plazas disponibles, tiene usted suficientes probabilidades como para ir organizando la
"mejor de las fiestas".
X 5 .5
0 ,842 ( 0 . 842 )( 1 ,049 ) X 5 . 5 X ( 0 ,883 ) 5 . 5
1 ,049
X 6 ,38
Despejamos la X, su valor es 6,38. Por lo tanto, esta es la nota a partir de la cual se podr
acudir al "Nuevo Ingreso".
Las muestras de tamao N>30, se les llamadas grandes muestras, las distribuciones de
muestreo de muchos estadsticos son aproximadamente normales, siendo la aproximacin
tanto mejor cuanto mayor sea N. Para muestras de tamao menor que 30, llamadas
pequeas muestras, esa aproximacin no es adecuada y empeora al decrecer N, de modo
que son precisas ciertas modificaciones. El estudio de la distribucin de muestreo de los
estadsticos para pequeas muestras se llama teora de pequeas muestras. Sin embargo, un
nombre ms apropiado sera teora exacta del muestreo, pues sus resultados son vlidos
tanto para pequeas muestras como para grandes. En esta gua analizaremos la
Distribucin de Student, la cual se designa con la letra t.
X (X )
Definamos el estadstico t N que es anlogo al estadstico z dado
S S
N
X X
por Z N .
N
Dagoberto Salgado Horta Pgina 62
INTERVALOS DE CONFIANZA
Al igual que se hizo con la distribucin normal, se pueden definir los intervalos de
confianza 95%, 99%, u otros, usando la tabla de la distribucin t. De esta forma podemos
estimar la media de la poblacin dentro de los lmites especificados.
S
X t , Donde S es la desviacin estndar estimada de X .
2 N N
GRADOS DE LIBERTAD
Qu son los grados de libertad? Se pueden definir como el nmero de valores que se
pueden escoger libremente.
Suponiendo que se esta trabajando con dos valores de muestra, a y b, y se sabe que tienen
una media de 18. Simblicamente, se puede expresar:
ab
18 a b 36 . Cmo se puede encontrar los valores que a y b puedan tomar
2
en esta situacin? La respuesta es que a y b pueden ser cualquiera de dos valores cuya
suma sea 36, ya que 36 entre 2 es 18.
Suponiendo que a tiene un valor de 10; ahora b ya no esta libre de tomar cualquier valor,
sino que debe tomar solamente el valor 26 puesto que, si a = 10, entonces 10 + b = 36,
por lo tanto b = 26.
Este ejemplo demuestra que cuando existen 2 elementos de una muestra y solo conocemos
la media de la muestra de esos elementos, entonces somos libres de especificar solamente
uno de esos elementos, puesto que el otro estar determinado por el hecho de que los 2
elementos suman el doble de la mitad de la muestra. En trminos estadsticos se dice que
tenemos un grado de libertad.
Observemos otro ejemplo. Existen 7 elementos en una muestra y se sabe que la media de
estos elementos es 16. Simblicamente se tiene la siguiente situacin:
abcd e f g
16
7
En este caso, los grados de libertad (GL) o el nmero de variables que se pueden
especificar libremente es 7 1 = 6. Se tiene la libertad de asignar valores a 6 variables, y
Dagoberto Salgado Horta Pgina 63
luego ya no tenemos libertad de especificar el valor de la sptima variable, puesto que esa
queda determinada automticamente. En cada uno de los ejemplo tenemos un grado de
libertad que es igual a n 1 grados de libertad, suponiendo que n es el tamao de la
muestra. Utilizamos los grados de liberta cuando se elige una distribucin t para estimar
una media de poblacin, y se utilizar n 1 GL, tomando n igual al tamao de la
muestra.
BIBLIOGRAFA
Benavente del Prado, Arturo Nez (1992): Estadstica Bsica par Planificacin.
Editorial Interamericana. 6. Edicin. Mxico.
LINCON L., CHAO (1996): Estadstica para Ciencias Administrativas. Cuarta edicin.
Editorial McGaw-Hill. Usa.
DIRECCIONES DE INTERNET
http://www.inf.ufsc.br/cee/pasta1/art4.html
http://www.inf.ufsc.br/cee/pasta4/art1p4.html
http://193.145.158.7/asepuma01/doco16.pdf
http://www.caib.es/ibae/esdeveniment/jornades_10_01/doc/Estepa-Jornadas-Mallorca.doc
http://www.inf.ufsc.br/cee/pasta1/art4.html
Software on-line
http://it.stlawu.edu/~rlock/maa99/
http://it.stlawu.edu/~rlock/tise98/java.html
http://www.stat.vt.edu/~sundar/java/applets/
http://www.kuleuven.ac.be/ucs/java/index.htm
Demostraciones Java para el aprendizaje de la estadstica
Electronic Textbook (UCLA), programa on-line de representacin y clculo de funciones de
densidad y de distribucin (normal, F, ji-cuadrado, nmeros aleatorios...). Equivalente a un
libro de tablas