2

Antonio Rustom J.
ESTADSTICA DESCRIPTIVA, PROBABILIDAD E INFERENCIA. Una visin conceptual
y aplicada.

Responsable edicin: Pedro Calandra B.

Diseo de portada: Claudia Rustom S.

Compilacin: Denisse Espinoza A.

Derechos Reservados
Se autoriza la reproduccin parcial de la informacin aqu contenida, siempre y
cuando se cite esta publicacin como fuente.

Inscripcin N: 223.022
del Registro de Propiedad Intelectual

ISBN: 978-956-19-0790-4

Departamento de Economa Agraria

Facultad de Ciencias Agronmicas
Universidad de Chile
Avda. Santa Rosa 11315, La Pintana, Santiago, Chile.

Versin digital disponible en: http://www.agren.cl/estadistica

Santiago de Chile 2012

 3

ESTADISTICA DESCRIPTIVA, PROBABILIDAD

E INFERENCIA
Una visin conceptual y aplicada

ANTONIO RUSTOM J.

REVISORES DE CONTENIDO

CLAUDIO FERNNDEZ L.
ALBERTO MANSILLA M.

2012
4
 5

INDICE
Prlogo 7

Unidad 1 ESTADSTICA DESCRIPTIVA 9

1 Introduccin 9
2 Trminos estadsticos bsicos 11
3 Tipos de variables 11
4 Descripcin de variables 12
5 Otros tipos de grficos 26

Unidad 2 PROBABILIDAD 31
1 Modelos matemticos 31
2 Espacio muestral y eventos 26
3 Frecuencia relativa, la probabilidad y sus propiedades 36
4 Probabilidad en espacio muestral finito equiprorable 40
5 Probabilidad condicional 43
6 Teorema de la probabilidad total y teorema de Bayes 50

Unidad 3 DISTRIBUCIONES DE PROBABILIDAD 55

1 Introduccin 55
2 Distribucin de variable aleatoria 55
3 Valores caractersticos de variables aleatorias 62
4 Nociones sobre distribuciones de variables aleatorias
68
bidimensionales

Unidad 4 DISTRIBUCIONES DE PROBABILIDAD NOTABLES 75

1 Introduccin 75
2 Distribucin Normal 76
3 Distribucin Uniforme 81
4 Distribucin Exponencial 83
5 Distribucin de Bernoulli 84
6 Distribucin Binomial 84
7 Distribucin de Poisson 88
8 Distribucin de Pascal 92

Unidad 5 DISTRIBUCIONES DE PROBABILIDAD EN EL MUESTRO DE 95

POBLACIONES
1 Introduccin 95
2 Poblacin, muestra y tipos de muestreo 95
3 Estadgrafos 98
4 Distribucin de las muestras de una poblacin normal 100
5 Distribuciones que incluyen a la varianza muestral de
103
una poblacin normal
 6

Unidad 6 INFERENCIA ESTADSTICA PARA MEIAS Y VARIANZAS 109

1 Introduccin 109
2 Estimacin de parmetros 109
3 Contraste de hiptesis estadsticas 114
4 Comentarios sobre intervalos de confianza y pruebas de
127
hiptesis

Unidad 7 TEOREMA CENTRAL DEL LIMITE E INFERENCIAS PARA

131
PROPORCIONES
1 Muestras de tamao pequeo 131
2 Teorema del Lmite Central 131
3 Proporcin Poblacional 132
4 Intervalos de Confianza para Proporciones 134
5 Contraste de hiptesis para proporciones 136
6 Contraste de hiptesis para dos o ms proporciones 139

Ejercicios y problemas a resolver 145

Bibliografa 181

Anexo 1 rea bajo la curva normal estndar 183

Anexo 2 Funcin de Distribucin Acumulativa Binomial 185
Anexo 3 Funcin de Distribucin Acumulativa de Poisson 187
Anexo 4 Percentiles de la distribucin ji-cuadrada de Pearson 189
Anexo 5 Percentiles de la distribucin t de Student 191
Anexo 6 Percentiles de la distribucin de Fisher-Snedecor 193
 7

PROLOGO

Este libro va dirigido a alumnos que estudian agronoma y es el resultado de las

experiencias en mi docencia en las carreras de Ingeniera Agronmica, Ingeniera Forestal y
Medicina Veterinaria principalmente en la Universidad de Chile y en la Universidad Santo
Toms, y fundamentalmente por mi labor como profesor consultor de alumnos tesistas y de mi
interrelacin con investigadores en aspectos metodolgicos estadsticos de sus anteproyectos
y proyectos.

El desarrollo de los contenidos hace mucho nfasis en lo conceptual con ejemplos y

problemas orientados a las reas mencionados. En ste, las demostraciones de teoremas o
propiedades se han limitado a aquellas que cumplan con ser un reforzamiento de lo conceptual
para que no sean un distractor de lo esencial que es el concepto.

El libro sigue un orden lgico, en el cual primero se hace una revisin de los elementos de
estadstica descriptiva que, a parte de servir sus propios fines de describir datos, permite
introducir aquellos conceptos fundamentales de la estadstica como son la media aritmtica, la
varianza, la desviacin estndar y el coeficiente de variacin, amn de otros, como los
relacionados a los percentiles, con gran importancia estadstica y cultural.

Las unidades de probabilidad cumplen con ser un respaldo para la fundamentacin en el

desarrollo de las unidades posteriores, principalmente de las distribuciones de probabilidad
notables y comportamiento de las muestras aleatorias.

Las unidades esenciales del libro, para aquellos que manejan las nociones ya
mencionadas, son las de distribucin Normal, distribuciones en el muestreo de poblaciones, la
estimacin y pruebas de hiptesis para los parmetros: media aritmtica, varianza y
proporcin.

El libro incluye, adems, un conjunto de ejercicios y problemas propuestos, con temtica

orientada a las ciencias silvoagropecuarias, la mayora de los cuales se resuelven utilizando
como referencia los ejemplos desarrollados en el texto.

Con frecuencia algunos alumnos consultan por qu los problemas no incluyen las
respuestas, pregunta que considero que refleja que tales alumnos todava no se compenetran
con que la estadstica es una metodologa al servicio de las ciencias. As, en un problema de
prueba de hiptesis, el resultado es todo el desarrollo bien conceptualizado y en un orden
lgico. En cambio una respuesta simplista como " se acepta la hiptesis nula" o "se rechaza la
hiptesis nula" carece totalmente de sentido sin el contexto previo. No es casualidad que
ningn libro de estadstica incluya respuesta a problemas propuestos de tal naturaleza. Sin
embargo, hay problemas, especialmente de probabilidades o tamao de muestra, en los cuales
es posible dar una respuesta que resuma el desarrollo pertinente. En casos como ste se han
incluido las respuestas.

Debo agradecer a todos los acadmicos de la facultad con los cuales me he

interrelacionado y que sin saberlo han aportado a que este libro se haya escrito, al igual que a
todos aquellos que aparecen en la bibliografa. Al profesor Marcos Mora quien, como director
del Departamento de Economa Agraria, apoy y gestion para que la Facultad patrocinara su
publicacin.
 8

Mi mayor muestra de gratitud y amistad al Profesor Claudio Fernndez por su disposicin

para leer el libro y aportar con sus sugerencias para mejorar el original.

Al Profesor Alberto Mansilla, mi entraable amigo, por su importante influencia para

despertar en m el inters por la Estadstica, y en relacin a este libro, por mostrarme una
forma didctica de presentacin de la teora de probabilidades.

A la Facultad de Ciencias Agronmicas por hacer posible la publicacin de este libro, al Jefe
de Biblioteca, Profesor Pedro Calandra, por su responsabilidad en la edicin, y especialmente
a Denisse Espinoza por su paciencia y dedicacin para llevarla a cabo.

Principalmente mis agradecimientos a Eliana, mi esposa, cuya paciencia para soportarme

sentado durante horas frente al computador, me sirvieron de estmulo para seguir adelante y
concluir el texto.

Antonio Rustom J

Santiago, 2012
 9

1. ESTADISTICA DESCRIPTIVA
1.1 Introduccin.

Se postula que "quien tiene la informacin tiene el poder". Posiblemente de ah las grandes
inversiones de los pases, principalmente los desarrollados, en generar conocimientos a travs
de investigaciones de las ms diferentes disciplinas.
Hoy en da la generacin de informacin y su recopilacin ha adquirido gran volumen y se
requiere de instrumentos que sean capaces de procesarla en volumen y rapidez.

La informacin siempre, y con mayor razn hoy en da, es importante para la toma de
decisiones las que deben ser oportunas y ptimas. Con mala o insuficiente informacin
posiblemente la decisin sea mala , por muy bueno que sea el procesamiento de sta. Por el
contrario, por muy buena que sea la informacin si el procesamiento es malo seguramente
tambin la decisin sea equivocada. En consecuencia, un slido respaldo para una acertada
toma de decisiones, contempla ambas aspectos: informacin buena y suficiente,
procesamiento correcto.

La Estadstica es una disciplina que proporciona la metodologa, fundada en la Matemtica,

para obtener, recopilar, procesar, resumir y presentar datos referentes a un estudio de inters,
transformndolos en estadsticas con el fin de interpretarlas para obtener conclusiones, dando
garanta de idoneidad en los procedimientos. Tambin propone metodologas que permita
deducir caractersticas poblacionales a partir de muestras de ella.

Actualmente la Estadstica est tan difundida y sus mritos tan aceptados que
prcticamente no existe actividad que no la utilice de una u otra manera, a tal punto que
cualquier investigacin que genere datos y no la utilice en la forma adecuada para su anlisis,
corre el riesgo que sus conclusiones no sean consideradas cientficamente vlidas. Por dato
se entender un valor que mida en un individuo una caracterstica, que puede ser una cualidad
o una cantidad. Por ejemplo: color de pelo "rubio" ; calificacin "regular" ; rendimiento "72
qq/ha" . Cada uno de ellos, rubio, regular, 72 es un dato.

Abuso y mal uso de la estadstica.

A pesar de la evidente utilidad de la estadstica, su uso se presta para mal uso e incluso
para abusos, lo que ha permitido que surjan detractores que basan sus opiniones en estos
ltimos sin reconocer sus grandes ventajas. A continuacin un par de estas opiniones:

1) Benjamn Disraeli hizo la siguiente aseveracin "Existen tres tipos de mentiras, las mentiras
ordinarias, las grandes mentiras y las mentiras estadsticas".
Darrel Huff en su libro Cmo mentir con la Estadstica, anot al respecto "los bribones ya
conocen tales trucos; los hombres honrados deben aprenderlos para defenderse" (tomado del
texto Estadstica para administradores de Levin, R.. & Rubin, D.)

2) Hace aos, una escritora humorstica chilena, Eliana Simon, public en una revista nacional
un aforismo que deca: "Todo se puede probar con pruebas y lo que no se prueba con
pruebas, se prueba con estadsticas". Sin embargo la misma escritora escribi tambin "Por lo
general, el que no cree en las estadsticas, creera en ellas si las entendiera" (tomado del libro
Estadstica Elemental de Horacio D'Ottone).
 10

Es cierto, como se expres ms arriba, que personas sin escrpulos se sirven de ella para
sus propios fines cuando no tienen otros argumentos para respaldar sus posiciones. A
continuacin algunos ejemplos.

1) La atencin hospitalaria es mala y como prueba est que el porcentaje de enfermos

fallecidos en los hospitales es muy superior al porcentaje de enfermos fallecidos en sus casas.
Es obvio que el porcentaje de fallecidos sea ms alto en los hospitales, independiente de la
calidad de la atencin.

2) El 33% de las alumnas de un curso de ingeniera se cas con profesores de la universidad.

Lo cual resulta cierto, pero no se dijo que el curso tena solamente tres alumnas.

3) Segn una estadstica se producen ms accidentes en el centro de Santiago a 35 km/h que

a 65 km/h.
La razn es que en el centro la causa de los accidentes es por la congestin vehicular,
causa tambin de la baja velocidad.

En otros casos se debe a un mal uso o interpretacin de ella, como lo ilustran los siguientes
ejemplos.

1) La produccin industrial en el ao 1963 est al mismo nivel que en 1950, ya que como se
puede apreciar entre 1950 y 1958 sta disminuy un 30%, mientras que entre 1958 y 1963
aument un 30%.
La razn de esta mala conclusin est en que las bases de clculo de ambos porcentajes
es distinta. As, si en 1950 la produccin es 100, en 1958 ser 70 y por tanto en 1963 ser 91,
es decir, 9% menor que en 1950.
2) Un diario publicaba "los compositores encuentran inconcebible que ms del 100% de lo
recaudado por el Departamento de Derecho de Autor se destine a pagar al personal que
trabaja en el servicio, y el resto a cancelar derechos a los autores del pas".
Aqu est muy expresada la idea, porque si lo recaudado es 100% no hay resto para
cancelar a los autores.
3) Un estudio revel una alta correlacin entre el peso de un nio de bsica y su rapidez de
lectura, deducindose que los nios gordos tienen mayor rapidez de lectura que los flacos.
En este caso la alta correlacin es verdadera , pero la deduccin es mala, por que, en
primer lugar asocian peso con "gordura", en circunstancia que el peso est altamente
correlacionado a la edad y por lo tanto a la estatura. En segundo lugar, los alumnos de mayor
peso estn asociados a mayor edad y por lo tanto a alumnos de los ltimos cursos de bsica.

Uso de la Estadstica.

La Estadstica es necesaria cuando existe variabilidad entre los datos. Sin variabilidad en
las observaciones la Estadstica carece de valor. Se puede decir, entonces, que la Estadstica
es en general el estudio de la variabilidad. Dos aspectos importantes de sta son:

1 Describir informacin.
Esto es vlido slo para el conjunto de datos descritos y se realiza mediante:
i) tablas de frecuencias y/o porcentajes
ii) grficos
 11

iii) medidas que resumen la informacin, como media o promedio, moda, mediana,
desviacin estndar, coeficiente de variacin , etc.
De esta manera una gran cantidad de datos pueden ser mostrados en forma "resumida" y
susceptibles de ser interpretados.
2 Hacer inferencias.
Corresponde a la obtencin de conclusiones acerca de las caractersticas de una poblacin
a partir de una muestra de sta.

1.2. Trminos estadsticos bsicos.

Por Universo se entender el conjunto de individuos objeto de nuestro inters o estudio.

La especificacin del universo, en general, no es trivial, pues es necesario que no haya
ambigedad respecto a quien forma parte o no forma parte de este conjunto.

Por Poblacin se entender el conjunto de datos de una caracterstica medida en cada

individuo del universo. As, asociado a un mismo universo se podrn tener varias poblaciones.
Para distinguir una poblacin de otra denominaremos variable a cada una de estas
caractersticas, por ejemplo, la variable peso, la variable altura, la variable sexo, la variable
estado civil, etc. En consecuencia, los diferentes valores que toma una caracterstica se
denomina variable.

Por muestra se entiende cualquier subconjunto de la poblacin.

Existen distintas formas de elegir una muestra. Las dos ms opuestas son: las muestras
dirigidas donde la seleccin de los individuos de la poblacin se efecta al gusto del
investigador ; las muestras aleatorias, que son las que tienen validez estadstica y son aquellas
donde los individuos son seleccionados mediante un procedimiento regido por el azar, por
ejemplo, a travs de nmeros aleatorios.

Por parmetro se entender cualquier valor caracterstico de una poblacin, por ejemplo, el
peso promedio, la altura mxima o el estado civil ms frecuente. Este valor es constante.

Por estadgrafo o estadstico se entender un valor caracterstico obtenido a partir de una

muestra . Esta cantidad es variable , puesto que depende de la muestra, ya que de una
poblacin se puede elegir un conjunto "muy grande" de muestras cada una con un valor
caracterstico distinto.

1.3 Tipos de variables.

Para representar adecuadamente poblaciones es necesario reconocer el tipo de variable

que se necesita describir. Se puede distinguir dos tipos de variables, las que a su vez se
pueden subdividir en otros dos tipos.

Cualitativas Nominales
Tipos de variables
Ordinales

Cuantitativas Discretas
Continuas
Variable cualitativa, es aquella que mide una cualidad . Variable cuantitativa, es aquella
que mide una cantidad.
 12

Variable nominal, es aquella cuyos valores son nombres o cdigos sin una relacin de
orden intrnseco entre ellos. Ejemplos son: sexo ; estado civil ; nacionalidad ; religin ; raza o
color de piel.

Variable ordinal, corresponde a aquella cuyos valores son nombres o cdigos , pero con
una relacin de orden intrnseco entre ellos, es decir, sus valores conllevan un ordenamiento
de mejor a peor o de mayor a menor. Por ejemplo: la calificacin ( excelente , bueno , regular ,
malo); el grado en las F.F.A.A.( General , Coronel , Capitn , ....) ; la calidad ( extra , primera ,
segunda , ...) o nivel de infestacin (sana , leve , moderada , ....).

Variable discreta, usualmente es aquella que solo toma valores enteros. Por ejemplo:
nmero de hijos por familia ; nmero de elementos defectuosos en una partida de repuestos o
nmero de insectos por hoja.

Variable continua, son las de mayor jerarqua matemtica, y corresponden a aquellas que
pueden asumir cualquier valor real dentro de un cierto rango. Por ejemplo:estatura ; peso ;
edad ; rendimiento de un cultivo o el tiempo que demora un corredor en los 100 m.

1.4 Descripcin de variables.

En general, cualquiera sea el tipo de la variable a resumir, existen tres formas de realizarla:
1 Por medio de tablas de frecuencias, que corresponde a una tabla forma da por columnas,
donde en la primera columna se anotan los diferentes valores de la variable (clases o
categoras) y en las siguientes columnas los diversos tipos de frecuencia. Por frecuencia
absoluta se entiende el nmero de individuos que pertenece a una misma clase.
2 Mediante grficos, que son recursos pictricos que permi ten ilustrar mediante un dibujo ad
hoc lo que aparece en la tabla de frecuencias. Existen diversos tipos de grficos y el uso de
cada uno depende del tipo de variable a representar.
3 Con medidas resmenes, que corresponden a parmetros o estadgrafos, segn se trate
de una poblacin o una muestra, y que sirven para mostrar posicionamiento de los datos,
medidas de posicin, o el grado de concentracin de estos, medidas de dispersin.

Estas posibilidades de presentacin de datos pueden ser elegidas en forma excluyente o

complementarias, incluso las tres simultneamente. A continuacin se explicar la manera en
que es posible resumir cada tipo de variable.

Descripcin de Variables nominales.

1 Mediante tablas de frecuencia cuya estructura es la siguiente:

VALOR fi hi (%)
n" f" h"
n# f# h#
n$ f$ h$
... ... ...
... ... ...
nk fk hk
TOTAL N 100,0%
 13

donde fi : es la frecuencia absoluta ; N: tamao de la poblacin y la frecuencia relativa,

expresada en porcentaje, hi =100 fi /N.

En el cuadro 4.1 se muestra un ejemplo de este tipo de variable.

Raza fi hi (%)
Pastor Alemn 38 31,7
Doberman 12 10,0
Labrador 3 2,5
Pekins 44 36,7
Poodle 23 19,1
TOTAL 120 100,0
Cuadro 4.1. Perros atendidos en
una clnica Veterinaria, por raza.

2 A travs de grficos de los cuales los ms conocidos y utilizados son:

Los de barra simple que se usan para representar tanto frecuencias absolutas , como
frecuencias relativas. Se dibujan como barras rectangulares de altura proporcional a la
frecuencia y todos de igual base. Las barras van separadas porque representan categoras y
no valores numricos en el eje \ .

La figura 4.1 es la representacin grfica del cuadro 4.1.

Los circulares son grficos simulando una torta con porciones de diferentes tamao, que
sirven para expresar la frecuencia relativa o porcentaje de cada categora, donde los tamaos
de los sectores circulares son proporcional al porcentaje que representa cada categora.

La figura 4.2 representa la misma informacin anterior en trminos porcentuales.

 14

Los de barras agrupadas sirven para representar frecuencias absolutas o relativas, cuando
existen subdivisiones dentro de cada categora, como se ilustra en el cuadro 4.2.

Raza fi hi (%) <1 1-2 3-4

Pastor Alemn 38 31,7 14 10 14
Doberman 12 10,0 1 7 4
Labrador 3 2,5 2 0 1
Pekins 44 36,7 28 9 7
Poodle 23 19,1 12 8 3
TOTAL 120 100,0 57 34 29
Cuadro 4.2. Perros atendidos en una clnica
Veterinaria, por raza y grupo de edad.

Por ejemplo si la clasificacin de perros atendidos en la Clnica Veterinaria se subdividiera

por grupos de edad, el grfico para su representacin puede ser el de barras agrupadas, como
el de la figura 4.3.
 15

Los grficos de barras compuestas o subdivididas en los cuales cada barra corresponde
al 100% de una clase y cada subdivisin es proporcional al porcentaje que representa cada
subcategora.

La misma informacin de la figura 4.3 se presenta en forma de barras subdivididas en la

figura 4.4.

Ntese que cada barra tiene la misma altura, independiente de la frecuencia que ella
represente, pues cada barra muestra el particionamiento de cada categora. Este tipo de
grfico no es de utilidad cuando el nmero de subdivisiones es mayor a 4, ya que la
comparacin entre las categorias se hace ms confusa.

Los grficos de lnea casi siempre estn vinculados a la variable tiempo, asociada al eje de
abscisas. Como su nombre lo indica estos se forman al unir los diferentes puntos en el tiempo
 16

por medio de segmentos rectilneos. Tienen la ventaja de permitir la superposicin en paralelo

de dos o ms lneas lo que facilita la comparacin de otros fenmenos asociados al mismo
perodo. En la realidad es una representacin de una variable continua como el tiempo.

Un ejemplo se muestra en la figura 4.5 donde se representa la evolucin del Indice Burstil
Agroindustrial en los aos 2004, 2005 y 2006.

Los pictogramas son dibujos cuyas figuras se relacionan al fenmeno que se est
representando, por ejemplo, "barriles" para representar produccin de petrleo ; "vacas" para
representar masa ganadera o "personas" para representar poblaciones. Son de poco valor
acadmico, porque estn orientados a la divulgacin.

3 Utilizando medidas resmenes, que en el caso de las variables nominales la nica posible
es la moda. Se llama Moda (Mo), al valor de la variable que tiene mayor frecuencia, o sea, el
valor que ms se repite en la poblacin o muestra.

Segn el ejemplo del cuadro 4.1 la moda es Pekins, Mo = Pekins, pues de las razas
atendidas fue la ms frecuente con 44 ejemplares.

Descripcin de variables ordinales.

En general utiliza el mismo tipo de tablas de frecuencia y de grficos que el tipo anterior, la
diferencia radica en que los valores llevan un ordenamiento tanto en la tabla de frecuencia
como en el grfico.
Como medidas resmenes, para este tipo de variables, adems de la moda se puede
utilizar la mediana. Se llama Mediana (Me) o valor mediano , al valor de la variable que
ocupa la posicin central o las dos posiciones centrales de los datos ordenados. As la
mediana es un valor o dos valores que separa a los datos ordenados en dos grupos con igual
nmero de observaciones, uno con valores mayores o iguales a la mediana y el otro con
valores menores o iguales a la mediana.
 17

Ejemplos 4.1

a) En una evaluacin por nivel de dao por pudricin en racimos de uva estos se calificaron
como sano (S), leve (L), moderado (M) y grave (G). Esta es una escala ordinal, porque sano es
el menor nivel de dao y grave el mayor. En la inspeccin de 7 racimos se determinaron los
siguientes niveles para cada uno: S , S , L , M , G , L , S. Para encontrar la mediana es
necesario ordenar los datos en uno de los dos sentidos, sea: S S S L L M G. El valor que
ocupa la posicin central es L que se ubica en el cuarto lugar, por lo tanto Me = leve. Ntese
que a la izquierda hay 3 valores S, menores a L, y a la derecha hay 3 valores, una L igual a la
mediana y los otros M y G mayores a la mediana L. En este mismo ejemplo la moda es S.
b) Si en la misma situacin anterior el nmero de racimos evaluados fuera un nmero par,
entonces, resultaran dos valores medianos, iguales o distintos. Por ejemplo en 10 racimos los
niveles, ya ordenados, resultaron: S S S S S L L L M G. Los dos valores que ocupan las
posiciones centrales, 5 y 6 ubicacin, son S y L respectivamente, por lo tanto una mediana es
S y la otra es L. A la izquierda de S hay 4 valores iguales a S y a la derecha de L hay 4 valores,
dos iguales a L y otros dos mayores.

Descripcin de Variables cuantitativas para datos no agrupados.

Si el nmero de datos, N , no es grande estos, pueden ser tratados en forma individual

como cantidades X" , X# , X$ , ......, XN . En esta situacin no se tabulan y tampoco es posible
mostrarlos en un grfico, pero si se pueden resumir en trminos de dos tipos de medidas:
medidas de posicin y medidas de dispersin.

Las medidas de posicin de tendencia central , cumplen el propsito de indicar el valor

alrededor del cual se distribuyen los datos, es decir, una especie de centro de gravedad de
estos. En general se pretende informar del orden de magnitud de los datos. Algo equivalente a
decir, por ejemplo, "los honorarios son del orden de los $ 20.000 diarios". Existen, tambin,
otros tipos de medidas de posicin que no son de tendencia central y que se presentarn
posteriormente.

Las medidas de dispersin, tienen por finalidad cuantificar la variabilidad de los datos, es
decir, que tan separados o dismiles son uno de otro. Se puede decir que es una medida del
"grado de concentracin o de densidad" de los datos en torno a su centro de gravedad.

Medidas de posicin de tendencia central.

Entre las medidas de posicin ms relevantes se mencionan la Moda y la Mediana ,

definidas anteriormente, y la Media aritmtica que es la ms importante de todas para variables
cuantitativas, debido a su amplia utilizacin, a sus propiedades matemticas y a su vinculacin
a la distribucin normal.
La moda es importante, principalmente, en variables cualitativas o cuando el inters es la
mayora. La mediana, tambin es ms importante para variables cualitativas ordinales y en
ciertas situaciones especiales de variables cuantitativas.
! X3
N

3 "
La media aritmtica , designada y definida como . N
, tiene un uso muy difundido y
conlleva una serie de propiedades muy importantes.

A continuacin se listan una serie de propiedades de la media aritmtica, denominada

comnmente promedio, y ejemplos ilustrativos de ellas.
 18

P" : ! \3 R . , esta propiedad es una consecuencia directa de la definicin.

N

i=1

P# : !(\3 . ! , que establece que la suma de los desvos, respecto a la media, de un

N

i=1
conjunto N de datos es siempre igual a cero. Se llama desvo a la diferencia (\3 . e indica
cuantas unidades est el valor Xi por sobre o por bajo la media del grupo, dependiendo si es
positiva o negativa respectivamente.

P$ : ]3 \3 5 .] .\ 5 , esta propiedad dice que si a cada uno de los datos de un

grupo se le suma una cantidad constante k, entonces, el promedio de los nuevos datos es igual
al promedio original aumentado en la cantidad k.

P% : ]3 5\3 .] 5.\ , es decir, si cada dato de un conjunto es amplificado por una

constante k, entonces el nuevo promedio es k veces el promedio original.

P5 ]3 -\3 5 .] -.\ 5 es la expresin de las propiedades 3 y 4 en forma

combinada.

P6 : La media de una constante es la constante, propiedad bastante trivial e intuitiva.

Ejemplos 4.2

a) Si el ingreso per cpita de una familia compuesta por 5 personas es de $ 75.000,

entonces, el ingreso familiar es de $ 375.000, independiente del ingreso de cada uno.

b) Si la edad promedio de un grupo familiar es actualmente 38 aos, entonces la edad

promedio de este mismo grupo familiar en 14 aos ms ser de 52 aos.

c) Si en la arveja el peso de su vaina vaca es siempre igual al peso de los granos que
contiene, entonces, el peso promedio de las vainas completas es el doble del peso promedio
de su contenido.

d) En una empresa donde el sueldo promedio de sus empleados es de $ 220.000, el

sindicato logra un reajuste de sueldos del 12% ms una asignacin fija de $ 20.000 por
trabajador. Entonces, el sueldo promedio reajustado en la empresa ser igual a :
220.000 ms 12% de 220.000 ms 20.000, o sea, 1,12220.000 20.000 , es decir, de
$ 266.400.

Observaciones.

1) Cuando los datos estn "bien distribuidos" la media aritmtica y la mediana tienen valores
muy parecidos, por lo cual se puede utilizar cualquiera de las dos como medida de posicin,
pero debe preferirse la media aritmtica por ser ms familiar para la mayora de las personas y
por tener ms propiedades vinculantes a otras medidas y a la distribucin normal.
2) La media aritmtica, sin embargo, es muy sensible a valores extremos y por lo tanto su valor
deja de ser "representativo" del conjunto de datos. En casos como estos se puede utilizar la
mediana o la media calculada excluyendo los datos extremos, haciendo la aclaracin
correspondiente.
 19

Medidas de dispersin.

Estas tienen por objetivo dar una cuantificacin de la heterogeneidad de los datos, es decir,
dar una medida de qu tan parecido o dismiles son los datos de una poblacin entre si.

El Rango es una manera sencilla de hacerlo midiendo cun repartidos estn los datos y se
define por R Xmax Xmin . Para calcular el rango es necesario, por tanto, identificar los
valores extremos de los datos. Su desventaja es que al considerar slo los valores extremos y
no los datos restantes resulta una medida poco eficiente.

La Varianza, 52 , es otra forma de medir la variabilidad de los datos. Su construccin se

realiza sobre la base de los desvos respecto a la media aritmtica y cuya definicin es
! X .2 ! X2
N N

i i
52 i=1 N . Se puede demostrar que 52 i=1N .2 , la que resulta ser una forma
ms prctica para su clculo. La varianza es una medida que se complementa muy bien con la
media aritmtica, en especial cuando se asocian a la distribucin normal. Sin embargo la
varianza tiene el gran inconveniente que sus unidades de medida estn al cuadrado, por lo que
no tiene interpretacin en la realidad, por ejemplo sus unidades pueden ser "kg al cuadrado" o
"aos al cuadrado". Este inconveniente se subsana con la Desviacin Estndar o Desviacin
tpica, 5, que se define como la raz cuadrada de la varianza, cuya expresin es
! X2
5 i=1N
N

i
.2

Las propiedades ms importantes de la varianza y la desviacin tpica se explican a

continuacin.

P" : ]3 \3 5 5]2 5\ 2
y 5] 5\ , que establece que la varianza y la desviacin
estndar no se altera al sumar una constante a los datos.

P2 : ]3 k\3 5]2 5 2 5\ 2
y 5] 5 5\ , que especifica que al multiplicar los datos
por una constante, la varianza queda amplificada por la constante al cuadrado y la desviacin
estndar slo por la constante.
2
P3 : \3 5 5\ 5\ 0 es decir, que la variabilidad de una constante es cero.

Ejemplo 4.3

Se mostrarn, numricamente, las propiedades de la media y la varianza utilizando los

datos de la siguiente tabla.
 20

\3 ]3 \3 % Z3 $\3
5 9 15
8 12 24
12 16 36
20 24 60
22 26 66
!\3 '( !\3# """( #
.\ "$ % 5\ %$ )%.
!]3 )( !]3# "($$ .] .\ % "( % 5]# 5\
#
%$ )%.
!Z3 #!" !Z3# "!!&$ .Z $.\ %! # 5Z# *5\
#
$*% &'.
Observacin.

Una notacin utilizada universalmente consiste en resumir una informacin cuantitativa en la

forma . 5 .

Medida de dispersin relativa.

Establecer la homegeneidad o heterogeneidad de los datos de una poblacin mediante la

desviacin tpica o la varianza, requiere conocimiento y principalmente experiencia del
fenmeno en estudio para una correcta interpretacin de sta. Una medida til porque mide la
dispersin en forma relativa es el Coeficiente de Variacin, que permite una interpretacin
ms objetiva de la variabilidad, definida por G Z [ 5. 100]% . Con la dispersin relativa es
posible establecer rangos que determinen niveles de variabilidad poblacional de homogeneidad
o heterogeneidad, as por ejemplo CV menores al 5% indican , por lo general , gran
homogeneidad, CV de alrededor del 20% corresponden por lo general a una homogeneidad
moderada , mientras que CV mayores al 50% indican gran heterogeneidad. Puede alcanzar,
incluso porcentajes muy superiores a 100%.

Ejemplo 4.4

Se expresa que en una lechera E la produccin por vaca es 15 2 , entonces se entiende

que la produccin promedio por vaca es 15 litros, con una desviacin estndar de 2 litros y un
G Z "$ $%.
Si en otra lechera F la produccin por vaca es 14 0,5 , entonces en sta la produccin
promedio por vaca es de 14 litros con una desviacin estndar de 0,5 litros y un G Z $ '%.
En consecuencia, la produccin en la lechera F es ms homognea que en la lechera E.

En una distribucin normal o gaussiana, se establece, como se justificar cuando se estudie

esta distribucin, que aproximadamente el 68% de los individuos tienen valores en el rango
dado por . - 5 y . + 5. Por experiencia se sabe que la produccin sigue un comportamiento
normal, luego en el caso de la lechera E se puede deducir que el 68% de las vacas se
esperara que tengan una produccin entre 13 y 17 litros, mientras que en la lechera F se
esperara una produccin entre 13,5 y 14,5 litros para el 68% de las vacas. Con esta otra
presentacin, tambin se evidencia que la produccin en la lechera F es ms homognea que
en la lechera E
 21

Descripcin de Variables cuantitativas discretas para datos agrupados.

En este caso las tablas son similares a las de variables cualitativas, pero pueden incluir,
adems, frecuencias acumuladas: En la primera columna, ahora se indican los diferentes
valores Xi que asume la variable en estudio y en las siguientes columnas la frecuencia fi que
representa las veces que se repite el valor Xi , la frecuencia acumulada Fi es la suma parcial
de las fi , por ejemplo F$ = f" +f# +f$ , Fi = f" +f# +f$ +f% +...+fi , y Hi es la expresin porcentual de
Fi o si se prefiere es la suma parcial de las hi , como lo muestra el ejemplo del cuadro 4.3.

n lesiones/hoja (X i) f i h i(%) F i H i(%)

0 128 32,0 128 32,0
1 100 25,0 228 57,0
2 52 13,0 280 70,0
3 20 5,0 300 75,0
4 40 10,0 340 85,0
5 60 15,0 400 100,0
Total 400 100,0
Cuadro 4.3. Nmero de lesiones causadas por
virus en 400 hojas de tabaco.

En la tabla , la frecuencia 52 corresponde al nmero de hojas que presentaron 2 lesiones,

cuyo valor porcentual es 13,0%; la frecuencia acumulada 300 indica que existen 300 hojas con
3 o menos lesiones y el 57% de la ltima columna dice que en el 57% de las hojas se encontr
a lo ms una lesin.

El grfico a utilizar para representar estos datos se denomina grfico de varas que
consiste en ubicar sobre el eje horizontal X los valores Xi y trazar sobre este valor una lnea
perpendicular, vara, de altura proporcional a la frecuencia.

Las medidas de posicin, al igual que antes,incluye a la Moda que es el valor Xi de mayor
frecuencia, la Mediana, ya definida anteriormente, que ahora se determina como el valor X i tal
que Hi &!% y Hi" &!% , es decir, "el valor en el cual se supera por primera vez el 50%" .
 22

La Media aritmtica se calcula utilizando la frecuencia fi , ya que este nmero indica las
! fi Xi
l

veces que se repite el valor Xi , como lo indica la siguiente expresin . i "N .

Entre las medidas de dispersin, la Varianza se obtiene igualmente que la media,
ponderando los desvos de los datos por la frecuencia fi . Su expresin es
! fi X .2 ! fi X2
l l
i i
2 2
5 i=1
N y su frmula prctica de clculo es 5 N .2 . La desviacin
i=1

tpica es por definicin la raz positiva de la varianza y el G Z la razn porcentual entre la

desviacin tpica y la media.

Ejemplo 4.5

Con los datos del cuadro 4.3, se obtiene que la Moda es 0, que la Mediana es 1 y que
. = ( !"#) ""!! #&# &'!%!! " )" lesiones/hoja.
Observe que este promedio no es un valor entero, pero igual tiene interpretacin y es una
forma til para comparar situaciones. Hay que comprender que el promedio es un valor
referencial, de mucha utilidad, pero no necesariamente debe coincidir con algn valor
observado. Es posible leer que un futbolista M es ms goleador que otro P, porque M tiene un
promedio de goles por partido de 1,6, mientras que el promedio de goles de P es de 1,2.
Para los mismos datos la varianza se calcula 5 # = ( !# "#) &# '!%!! " )"# , lo
que da $ #*$*, por lo tanto 5 = 3,2939 = 1,8149 y G Z 100,3%.

Descripcin de variables continuas para datos agrupados.

Si la variable es continua los datos se clasifican en clases que son intervalos,

denominndose tabla de frecuencias de intervalos.
La frecuencia fi representa ahora el nmero de datos comprendido en el intervalo y el resto
de la tabla se confecciona en la misma forma que en la tabulacin de variables discretas, pero
incluyendo, adems, una columna con el valor marca de clase Xi . La tabla adquiere la
estructura que se muestra a continuacin.
Intervalo Xi fi hi (%) Fi Hi (%)
L0 X L" X" f" h" F" H"
L" X L# X# f# h# F# H#
L2 X L$ X$ f$ h$ F$ H$
................ ... ... ..... .... ....
Li-1 X Li Xi fi hi Fi Hi
................ ... ... ..... .... .....
Lk -1 X Lk Xk fk hk N 100,0
Total N 100,0

donde: Li-1 e Li : son los lmites inferior y superior respectivamente del intervalo i-simo;
Xi = Li-12+ Li , recibe el nombre de valor clase del intervalo "i" , cuyo supuesto es que representa
al promedio de los datos incluidos en el intervalo, lo que no necesariamente ocurre as y
ci = Li - Li-1 , recibe el nombre de amplitud del intervalo "i", amplitud que puede ser distinta
para cada intervalo. Por lo general, intervalos de igual amplitud facilita los clculos.

Los grficos utilizados en variables continuas son Histogramas y Polgonos de

frecuencias

La tabla corresponde a la distribucin de la produccin de 500 manzanos enanos

 23

Produccin(kg/rbol) Frecuencia
60 X 75 45
75 X < 90 60
90 X 105 70
105 X 120 110
120 X 135 90
135 X 150 70
150 X 165 55
TOTAL 500
Cuadro 4.3 Produccin en kg de 500
manzanos enanos.

El histograma y polgono de frecuencias no acumuladas se muestra en la figura 4.7.

La figura 4.8 ilustra la informacin anterior mediante un histograma y polgono de frecuencia

acumulada.

Los histogramas de frecuencias acumuladas tienen altura Fi o Hi . Los polgonos de

frecuencias acumuladas unen los rectngulos en diagonal, empezando en 0 y terminando en N
o 1 (100%), segn sea el caso, tendiendo a la forma de la curva llamada ojiva.
 24

En cuanto a las medidas resmenes en este caso se da una gran variedad , las que se
agrupan en medidas de posicin , como son la media aritmtica , la mediana , la moda (aunque
esta ltima no tiene un gran sentido prctico) , las cuartilas , percentilas etc. ; y medidas de
dispersin , como son la amplitud , la desviacin tpica , el coeficiente de variacin, etc.

La media aritmtica se calcula considerando la frecuencia fi , pero como en este caso la

frecuencia no representa a un nico valor , sino a un intervalo , debe utilizarse para este
clculo el valor clase \3 , quedando la frmula en forma similar a la de variable discreta:
! fi Xi
k

3 "
. N
.

La Varianza , 5 # , se obtiene , por la misma razn que la media , ponderando los desvos de
los valores clase \3 respecto a la media aritmtica por la frecuencia fi , quedando su
expresin en la forma:
! fi X .# ! fi X2
l l

i i
5# i=1
N
y su frmula prctica de clculo es 5# i=1
N
.2 .

La desviacin tpica , 5 , es como antes la raz positiva de la varianza y el G Z la razn

porcentual entre la desviacin tpica y la media.

Otras medidas de posicin.

Las cuartilas , quintilas , decilas y percentilas son otro tipo de medidas de posicin , siendo
la percentila la que involucra a todas las otras, incluyendo a la mediana.

Existen 99 percentilas: T" a T99 y corresponden a valores dentro del rango de los datos, de
modo que entre dos percentilas sucesivas , T3 y T3" siempre queda comprendido el 1%
de los datos.

As , por ejemplo , entre la percentila T$& y la percentila T&) se encuentra un 23% de las
observaciones , puesto que entre ellas existen (58 - 35) percentilas sucesivas.
 25

Se llama intervalo percentil k al intervalo "i" tal que L3 k% y L3" k% o en palabras "el
valor en el cual se supera por primera vez el k%" acumulado de las observaciones.
kN
100 Fi-1
La frmula para determinar la percentila k , est dada por: Pk = Li-1 + fi
ci ,donde
Li-1 : lmite inferior del intervalo percentil k
Fi-1 : frecuencia acumulada hasta el intervalo anterior al percentil k
fi : frecuencia del intervalo percentil k
ci : amplitud del intervalo percentil k
El percentil k , se debe interpretar en el sentido que el k% de las observaciones es menor
a T5 y el otro (100 - k)% de observaciones tiene valores mayores.
La figura 4.9 explica como se determina la percentila k.

La figura muestra que el punto donde el porcentaje k, en el eje del porcentaje acumulado,
intersecta al polgono de frecuencia acumulada determina en el eje de abscisa el valor Pk el
que se calcula mediante interpolacin o por proporcionalidad en tringulos rectngulos, rea
sombreada pequea versus rea sombreada mayor, lo que origina la frmula dada. La figura,
tambin muestra el caso de la mediana, cuya explicacin es similar a la dada.
El cuadro siguiente muestra las relaciones de cuartilas , quintilas y decilas con las
percentilas:
Cuartilas Quintilas Decilas
U" T#& G" T#! H" T"!
U# T&! G# T%! H# T#!
U$ T(& G$ T'! H$ T$!
G% T)! H% T%!
H& T&!
H' T'!
H( T(!
H) T)!
H* T*!
Observe que de acuerdo a las relaciones anteriores y a la definicin de mediana se deducen
las siguientes equivalencias: Q / U# H& T&!

Ejemplo 4.6

Se utilizarn los datos del cuadro 4.3, para lo cual ser necesario completar la tabla en la
forma siguiente
 26

Produccin(kg/rbol) Xi fi hi (%) Fi Hi (%)

60 X 75 67,5 45 9,0 45 9,0
75 X < 90 82,5 60 12,0 105 21,0
90 X 105 97,5 70 14,0 175 35,0
105 X 120 112,5 110 22,0 285 57,0
120 X 135 127,5 90 18,0 375 75,0
135 X 150 142,5 70 14,0 445 89,0
150 X 165 157,5 55 11,0 500 100,0
TOTAL 500 100,0

Para caracterizar la informacin de la tabla las mejores medidas son la media aritmtica y la
desviacin tpica las que resultan de los siguientes clculos.

45*67,5 + ....+55*157,5 57300 45*(67,5)# + ....+55*(157,5)#

.= 500
= 500
= 114,6 kg ; 5 # = 500
- (114,6)# = 706,59

5 = 706,59 = 26,58 kg y Coeficiente de Variacin C.V = 26,58/114,6 = 23,2%. Luego la

variabilidad relativa de la produccin de los rboles es de 23,2%, que se puede interpretar
50
*500 - 175
como una produccin homognea. La mediana, Me = P50 = 105 + 100 110 * 15 = 115,2 kg,
es slo un complemento a la informacin anterior y su interpretacin es que el 50% de los
rboles tienen una produccin menor a 115,2 kg y el otro 50% una produccin mayor a ese
valor.

Otra informacin relevante se obtiene con aplicacin de los percentiles, como por ejemplo si
82
*500 - 375
interesa saber el valor del percentil 82, P82 = 135 + 100 70 * 15 = 142,5 kg y su
interpretacin es que el 82% de los rboles produce menos de 142,5 kg y el otro 18% produce
ms de 142,5 kg.

Determinar qu porcentaje de los rboles tienen una produccin menor a 100 kg. se realiza
k
*500 - 105
aplicando el concepto de percentil, 100 = 90 + 100 70 * 15 de donde se despeja k = 30,3%.
La respuesta es que el 30,3% de los rboles produce menos de 100 kg.

El mismo procedimiento se utiliza para saber cuntos rboles tienen una produccin mayor
k
*500 - 285
a 130 kg , 130 = 120 + 100 90 * 15, que da un valor para k de 69 %. Luego el 69% de los
rboles produce menos de 130 kg y por lo tanto el 31% de 500 , igual a 155 rboles, tienen
una produccin mayor a los 130 kg.

Si se establece que el 20% de los rboles de menor produccin sern sometidos a una
poda especial, se necesita establecer cul ser la produccin mxima de los rboles sometidos
20
*500 - 45
a esta poda. Esto requiere calcular el percentil 20, P20 = 75 + 100 60 * 15 = 88,75 kg, y por lo
tanto deben ser seleccionados todos los rboles que tenga produccin menor a 88,75 kg.

1.5 Otros tipos de grficos.

En forma ms reciente han surgido otras formas grficas para representar informacin
cuantitativa. Dos de ellos, de bastante inters, son el diagrama de tallo y hoja ( Stem-and-Leaf)
y el diagrama de caja (Boxplot).
 27

Diagrama de tallo y hoja.

Una forma muy adecuada de organizar un nmero moderado de datos individuales consiste
en dividir cada dato en dos parte, su tallo y su hoja. Si por ejemplo el conjunto de datos son
nmeros de dos dgitos, ya sea decenas y unidades o entero y decimal, entonces las decenas
o el entero es el tallo y las unidades o el decimal es la hoja.

Ejemplo 5.1

Los valores 42; 32; 13; 18; 23; 44; 41;18; 15; 25; 35; 28; 17; 28; 42; 51; 50; 21; 27; 36
corresponden a las altura de 20 plantas regeneradas de coige medidas en una cuadrcula en
un bosque nativo y cuya representacin en un diagrama de tallo y hoja queda como sigue.

El diagrama del ejemplo se obtuvo digitando los 20 datos en una columna con la
siguiente secuencia de comandos:
Graph Steam-and-Leaf (opcional Trim outliers) Increment = 10,
porque los datos corresponden a decenas.

En el cuadro la columna del centro, el tallo, indica la cifra de las decenas, y los de la
derecha, las hojas, indica la cifra de las unidades. En la columna de la izquierda el ( ) indica la
"moda"de las hojas y los nmeros hacia arriba y abajo es el nmero de datos acumulados
alrededor de la "moda". En este ejemplo la moda es (6) que indica que existen 6 valores entre
20 y 29. La primera fila indica que los valores entre 10 y 19 son 13 15 17 18 18; el 5 indica el
nmero de datos acumulado hasta la moda. En la tercera fila el tallo es 3 que corresponde a
los datos 32 35 36; el 9 indica cuantos datos hay acumulado desde abajo hasta la moda.

Diagrama de caja.

Se usa para graficar algunos estadsticos de orden y dispersin que describen un conjunto
de datos. Consiste en dibujar en eje horizontal (o vertical) un segmento de lnea que va del
dato menor al mayor (Rango de los datos). Entre ellos se dibujan dos rectngulos adyacentes
(caja) que empieza en el valor Q" , le sigue una lnea que indica la mediana (Q# ) de los datos y
termina en el valor Q$ . La longitud de la caja ( Q$ - Q" ) se llama rango intercuartil y es otra
medida de dispersin de los datos.

Otra forma de este diagrama, lo que depende del programa estadstico utilizado, indican los
valores que se alejan ms de lo "razonable" de la masa de datos (Outliers), que pueden servir
como diagnstico de situaciones irregulares o anormales de los datos. MINITAB utiliza como
 28

criterio un segmento de lnea (bigote) cuyo lmite inferior es Q" " &U$ U" y como lmite
superior Q3 " &U$ U" ; los valores fuera de este rango; outliers, los indica con " * ".

Ejemplos 5.2

a) El grfico corresponde a 40 datos de contenido de nicotina en cigarrillos cuyos

estadsticos son: Min = 0,72 ; Max = 2,55 ; Q" = 1,63 ; Q# = 1,770 ; Q$ = 2,02 ; . = 1,774.

Los lmites del segmento de lnea son: " '$ " &# !# " '$ y # !# " &# !# " '$,
es decir, 1,05 y 2,61. Los asteriscos indican los dos valores inusuales, "outliers", que
corresponden al valor mnimo 0,72 y al valor que le sigue 0,85. Los 38 valores
restantes quedan comprendidos entre los los lmites 1,05 y 2,61.

Los estadsticos y el grfico del ejemplo se obtuvo digitando los datos de nicotina en una
columna de la planilla de MINITAB y la siguiente secuencia de comandos:

Stat BasicStatistics DisplayDescriptiveStatistics

Graphs Boxplot of data.

b) Los datos de " Determinacin de proteina C-reactiva en hembras caninas con tumores
1
mamarios benignos y malignos" fueron procesados con MINITAB, siguiendo la secuencia de
comandos indicados ms arriba, obtenindos/ los estadsticos y el grfico que se muestran a
continuacin.

1R. Crossley, et al, Escuela Medicina Veterinaria, Univ.Santo Toms

 29

El cuadro muestra diferencias de promedios (Mean) de proteina C entre las tres condiciones
de las hembras caninas, con un valor claramente superior entre las hembras con tumores
malignos. Analizando los valores de la mediana (Median) se verifica que estos son muy
similares entre los grupos sano y benigno, pero con un valor muy superior para el grupo de los
malignos, lo que se ilustra en el grfico de caja (boxplot), en el cual se aprecia, adems, la
gran dispersin en contenido de proteina-C entre las hembras con tumores malignos, al punto
que sus valores menores se confunden con los de los otros dos grupos, lo que se constata en
la coincidencia de los valores mnimos de los tres grupos. Esto significa que, si se desea
utilizar esta tcnica para determinar tumores malignos, valores bajos de proteina-C no son
discriminatorios, por lo que un valor bajo de proteina-C no permite descartar tumores malignos.
La bsqueda de valores que permitan diferenciar tumores malignos de benignos hay que
centrarla, entonces, en los valores altos, donde la mediana del grupo de tumores malignos se
ve, en el grfico, que supera a todos los de los otros dos grupos, razn por la cual se podra
adoptar la mediana 7,15, como valor lmite inferior para decidir cuando un tumor es maligno.

Este caso puede ser un claro ejemplo en que la mediana se comporta mejor que la media
aritmtica para comparar grupos, debido a la gran diferencia de dispersin entre estos.
30
 31

2. PROBABILIDAD

2.1 Modelos Matemticos.

En el desarrollo histrico de los esfuerzos por conocer la realidad han habido tres ideas
creativas que han sido fundamentales a las ciencias, cada una en su poca: la idea del orden,
la idea de la causa mecnica y la de la probabilidad. Para los antiguos la ciencia consista
principalmente en ordenar las cosas. A partir de Galileo y Newton la ciencia pas a ser
la bsqueda de las causas de los fenmenos observables. Actualmente una buena parte de la
ciencia moderna tiene como concepto primordial la probabilidad de ocurrencia de ciertos
comportamientos. (Extractado de "La ciencia su mtodo y su historia", Silvia Bravo, 1991).

Todo modelo es una representacin aproximada de la realidad y no es sensato intentar

desarrollar un modelo que la represente en forma exacta. El modelo debe ser adecuado, pero
simple, luego no debe incluir tcnicas sofisticadas que aporten una mayor precisin
innecesaria o que requieran informacin difcil de obtener o cara. En la elaboracin de un
modelo se hacen algunos supuestos bsicos cuya validez debe ser probada. La validacin de
un modelo exige deducir un cierto nmero de consecuencias y corroborarlas con las
observaciones.

Por lo tanto un buen modelo es aquel que une la simplicidad con una razonable
aproximacin a la realidad, sin omisiones importantes en el desarrollo del fenmeno.

Los fenmenos naturales se clasifican en dos tipos.

Fenmenos determinsticos.

Son aquellos en los que el resultado esperado queda determinado por las condiciones bajo
las cuales se realiza, es decir, son predecibles.

Muchos de los fenmenos de la fsica o de la qumica, que se estudian en la enseanza

media o en un primer ao universitario, satisfacen esta condicin y por lo tanto el modelo
matemtico que los describe corresponde a una ecuacin. As, la ley de Boyle-Mariotte
que relaciona la presin y volumen de un gas a temperatura constante; la frmula d = vt que
relaciona la distancia recorrida por un mvil que mantiene cierta rapidez media v durante un
tiempo t, o 2H# O# 2H# O, son ejemplos de este tipo de fenmenos.

Fenmenos no determinsticos o aleatorios.

Son aquellos en los cuales el azar tiene una participacin importante y por lo tanto los
modelos determinsticos no son adecuados, pues el resultado de estos fenmenos no son
predecibles con exactitud y por lo tanto se utilizan modelos matemticos estocsticos para
describirlos, los cuales llevan incorporados una componente que representa la incertidumbre.
As, el resultado del lanzamiento de una dado; de una moneda; la cantidad de agua lluvia que
cae en una estacin meteorolgica durante un ao; cantidad de partculas emitidas en un
intervalo de tiempo por una fuente radiactiva; produccin en qq/ha de una variedad de trigo o el
tiempo de espera en un paradero por un bus, son algunas de las innumerables situaciones de
este tipo de fenmenos.
 32

En resumen se puede decir que un modelo determinstico supone que el resultado est
determinado por las condiciones iniciales, mientras que en un modelo estocstico las
condiciones experimentales determinan solamente el comportamiento probabilstico de los
resultados posibles.

Caractersticas de los experimentos aleatorios.

En lo sucesivo se utilizar el trmino experimento, pues es necesario poder realizarlos a

voluntad. Sus caractersticas son:

1 Es posible repetirlo indefinidamente sin cambiar esencialmente las condiciones en que se

realiza.
2 No es posible predecir un resultado en particular.
3 Es posible describir el conjunto de todos los resultados posibles.
4 A medida que el experimento se repite los resultados parecen ocurrir en forma caprichosa,
pero cuando el experimento se repite un nmero grande de veces se observa un
comportamiento de regularidad que lo caracteriza.

2.2 Espacio muestral y eventos.

Estos son los conceptos a base de los cuales se formaliza toda la teora de las
probabilidades, cuyas definiciones y ejemplos se dan a continuacin.

Definicin.

Se llama espacio muestral al conjunto S de todos los resultados posibles de un

experimento o fenmeno aleatorio &.

Es el smil al concepto de poblacin y puede haber ms de un espacio muestral para un

mismo experimento. Ejemplos de experimentos aleatorios con sus posibles espacios
muestrales se listan a continuacin:

&" : lanzamiento de una moneda ; S - =.

&# : lanzamiento de dos monedas ; S" - - - = = - = = que corresponde al
espacio muestral ms detallado o S# ! " # si lo que interesa es indicar el nmero de
caras obtenidas en cada lanzamiento. Hay que diferenciar entre el resultado (c, s) y (s, c), lo
que se puede explicar utilizando el artificio de que las dos monedas estn pintadas de color
diferente, supngase rojo y blanco, entonces (c, s) corresponde a obtener cara con la moneda
roja y sello con la moneda blanca, mientras que (s, c) corresponde a la situacin inversa.
Tambin puede razonarse haciendo la consideracin que la moneda es la misma y que se
lanza dos veces.
&3 : lanzamiento de un dado ; S " # $ % & '.
&4 : lanzamiento de dos dados ; en este caso el espacio muestral ms detallado es el producto
cruz 1, 2, 3, 4, 5, 6x" # $ % & ', es decir, S " " " # $ % ' '.
&5 : medicin del agua lluvia diaria caida en una estacin de monitoreo ; S h/ ! h "!!,
asumindose que el agua cada en ese lugar es imposible que supere los 100 mm.

&6 : medicin del rendimiento, en qq/ha, de una variedad de trigo ; S p/ ! p )!.

Aunque se piense que no se va a dar un rendimiento nulo no hay inconveniente en que el
 33

espacio muestral los incluya, como se ver ms adelante. Lo que no puede suceder es que el
espacio muestral "quede corto".
&7 : nmero de plantas enfermas al seleccionar 3 plantas de un vivero ; S ! " # $.

Definicin.

Se llama suceso o evento a cualquier subconjunto del espacio muestral, includos el propio
S y el conjunto vaco..

Para designar sucesos se utilizan las primeras letras del abecedario en maysculas: A, B,
C,..., as A - es un suceso asociado a &" ; B (- =), = - es un suceso asociado a &#
; C " ' y D # % ' son sucesos asociados a &% ; E h/ "& h $! y F p/
p %& son sucesos asociados a && y &' respectivamente.

Notacin de sucesos.

Con la finalidad de tener un lenguaje para la probabilidad exenta de ambigedad es

necesario establecer una notacin precisa para expresar nuevos sucesos a partir de la
combinacin de dos o ms de ellos. Esta notacin se logra a travs del uso de la teora de
conjuntos. El rea sombreada de cada figura representa el sector en el cual se ubica el
resultado del experimento.

Si = W es el resultado de un experimento, entonces se dice que:

1) ocurre un suceso E si y solo si = E, que se denotar por E

 34

2) no ocurre el suceso E si y solo si = Ew , que se denotar por Ew

3) ocurre E o F o ambos si y solo si = E F, que se denotar por E F

4) ocurre E y F si y solo si = E F, que se denotar por E F

 35

5) ocurre E y no ocurre F , equivalente a decir ocurre slo A, si y solo si = E F w , que se

denotar por E F w

6) no ocurre E ni ocurre F , equivalente a decir no ocurre ninguno de los sucesos si y solo si

= Ew F w , que se denotar por Ew F w .

() E y F no ocurren juntos si y solo si E F 9

Definicin.

Se dice que los sucesos E y F son mutuamente excluyentes si no pueden ocurrir juntos.

La condicin de exclusin es muy importante, porque permite establecer que si uno de los
sucesos ocurre, entonces el otro no ocurre.
 36

Definicin.

Se llama suceso elemental a aquel suceso que est constituido por uno de los resultados
de un experimento, es decir, es un conjunto unitario.

As, si un experimento tiene asociado un espacio muestral de cardinalidad n, #S= n,

entonces existen n sucesos elementales vinculados Ei =i i = 1, 2, 3, ....,n.

Ejemplos 2.1.

a) Al considerar los sucesos E " ', F # % ' G " $ & H ' asociados al
experimento &$ se establece que H es un suceso elemental, que H y G son sucesos
mutuamente excluyentes y que F y G son sucesos complementarios, F w G , y por lo tanto
son tambin mutuamente excluyentes.

b) El espacio muestral asociado al experimento &% se puede descomponer en 36 sucesos

elementales E" " " E# " # E$ " $ E$' ' '

2.3 Frecuencia relativa, la probabilidad y sus propiedades.

Sea & un experimento que se repite n veces, E un suceso cualquiera asociado a ste y fE la
frecuencia absoluta del suceso E, entonces la frecuencia relativa de E es 2E fE n. La
frecuencia relativa tiene las siguientes propiedades:
1 ! 2E "
2 2E " si y solo si E ocurre en las n repeticiones, es decir, ocurre siempre.
3 2E ! si y solo si E ocurre nunca en las n repeticiones.
4 Si E y F son dos sucesos mutuamente excluyentes, entonces 2EF 2E 2F
5 Cuando n _ , entonces la frecuencia relativa 2E tiende a la probabilidad del suceso E
De esta forma se puede considerar que 2E es la probabilidad emprica de A.

Tomando como modelo la frecuencia relativa y sus propiedades se establece la siguiente

definicin.

Definicin.

Sea W un espacio muestral asociado a un experimento & y T una funcin que le asocia a
cada suceso de S un nmero real bajo las siguientes condiciones:
1 0 T E 1, para todo E W
2 T W "
3 Si E F 9 implica que T E F T E T F , entonces T es una probabilidad
para S y (S,P) se designa como un espacio de probabilidad de S.

Consecuencia.

Si en un espacio muestral finito W , de cardinalidad #S = n, se conoce la probabilidad pi de

cada suceso elemental de W , que satisfacen las condiciones,
n
i) pi 0, i = 1, 2, 3, ...., n y ii) !pi ", entonces todo suceso E tiene asignada una
i=1
probabilidad que se puede deducir a partir de los sucesos elementales, pues E siempre se
 37

puede expresar como la unin de sucesos elementales y estos por definicin son mutuamente
excluyentes.
Por ejemplo E # % &} #} %} &} y por lo tanto
T # % &} T #} T %} T &}, en virtud de la condicin 3 de la probabilidad.

Ejemplos 3.1.

a) Sea W + , - . y T tal que T (+ ) "' , T (, ) "5 , T (- ) "$ ,

T (.) $"! y el suceso E + - . , entonces T es una probabilidad bien definida para
%
W , porque i) T =i ! , para todo =3 W y ii) ! T =3 "' "& "$ $"! ", luego
3"
T (E T + T - T . "' "$ $"! %&.

b) Sea W " # $ y T tal que T (") ""! , T (" #) #5, T $ $&.

En este caso T es una probabilidad bien definida, porque se puede determinar T (") ""!,
T # T (" #) T " $"! y T ($) $&, positivos, y T (") T #
T $ ".

c) Sea W " # $ y T tal que T (" #) #5, T $ $&.

En esta situacin T no es una funcin de probabilidad , porque no se pueden determinar a
partir de las condiciones dadas T ("), T #, T (" $) y T 2, 3.

Las propiedades ms importantes de la probabilidad se enuncian y demuestran a

continuacin.

Teorema 1.

Probabilidad que no ocurra el suceso E: T Ew " T (E).

Demostracin.

W E Ew y E Ew 9 , luego T W T E T Ew " , de acuerdo a la tercera y

segunda condicin de la probabilidad. De la ltima igualdad, despejando se tiene
T Ew " T E.

Teorema 2.

Probabilidad del suceso imposible, cuya notacin es 9: T 9 !

Demostracin.

T 9 T W w " T W " " !, por teorema 1 y segunda condicin de la

probabilidad.
 38

Teorema 3.

Probabilidad que ocurra al menos uno de los sucesos E o F

T E F T E T F T E F.

Demostracin.

E F E F Ew y F E F F Ew , luego T E F T E T F Ew por
ser E y (F Ew) sucesos mutuamente excluyentes. T F T E F T F Ew , pues
E F y F Ew son mutuamente excluyentes. Despejando P(F Ew de la ltima igualdad y
sustituyndola en la anterior se obtiene T (E F T E T F T E F que
corresponde a la propiedad enunciada.

Teorema 4.

Probabilidad que ocurra al menos uno de los sucesos E F o G:

T E F G T E T F T G T E F T E G T F G T E F G

Demostracin.

La demostracin se consigue aplicando recurrentemente el teorema 3.

Teorema 5.

Probabilidad que entre dos sucesos E y F ocurra slo E T E F w T ET E F

Demostracin.

E E W E F F w E F E F w , usando propiedades de conjuntos.

Adems como E F y E F w son sucesos mutuamente excluyentes
T E T E F E F T E F T E F w . Despejando T (E F w de la igualdad
w

se obtiene la propiedad buscada.

Teorema 6.

Probabilidad que no ocurra el suceso E ni ocurra el suceso F : T Ew F w " T E F.

Demostracin.

Una propiedad en teora de conjunto establece que E Fw Ew F w , luego

T Ew F w T E Fw " T E F , aplicando el teorema 1.

Consecuencia.

Una propiedad muy til en probabilidad dice que "la probabilidad que ocurra al menos uno
de entre varios sucesos es igual a 1 menos la probabilidad que no ocurra ninguno de los
sucesos". Esta propiedad se deduce del teorema 6, que en el caso de dos sucesos se expresa
 39

como T E F " T Ew F w y en el caso de tres sucesos como

T E F G " T Ew F w G w .

Teorema 7.

Si E F , entonces T E T F.

Demostracin.

F E F Ew , luego T F T E T F Ew por lo tanto T F T E pues

T F Ew !.

Ejemplos 3.2

a) Dada T E "# , T F "$ y T E F "& , se puede establecer que

- T F w " T F " "$ #$ , por teorema 1.

- T (E F T E T F T E F "# "$ "& "*$!, por teorema 3.
- T Ew F T F T E F "$ "& #"&, por teorema 5.
- T Ew F w T E Fw " T E F " "& %& , por otra propiedad de conjuntos
que establece que (A B)' = (A' B') y teorema 1.
- T Ew F T Ew T F T Ew F " "# "$ #"& ("!.

b) En un vivero una planta puede tener una enfermedad \ con probabilidad "&, otra
enfermedad ] con probabilidad #( y la enfermedad \ o la enfermedad ] o ambas con
probabilidad $( Cul es la probabilidad de que una planta cualquiera tenga:

i) ambas enfermedades ? ii) slo la enfermedad ] ? ; iii) no est enferma ?

Del enunciado se establece T \ "& T ] #( y T \ ] $(, entonces

i) se debe determinar T \ ] . Al despejar la probabilidad de la interseccin en el teorema 3,

se establece que T \ ] T \ T ] T \ ] "& #( $( #$&
ii) lo que se desea es T \ w ] , es decir, que no tenga la enfermedad \ y tenga la
enfermedad ] , por lo tanto T \ w ] T ] T \ ] #( #$& )$&
iii) que no est enferma significa que no tenga la enfermedad \ y no tenga la enfermedad ] ,
luego se debe calcular T \ w ] w " T \ ] " $( %(
 40

2.4 Probabilidad en espacio muestral finito equiprobable.

Un espacio muestral W es finito si su cardinalidad es un nmero natural n y es

equiprobable si todos los resultados de un experimento & tienen la misma posibilidad de ocurrir.
La condicin de equiprobabilidad debe justificarse cuidadosamente.

Ejemplos 4.1

Considrense los siguientes experimentos y sus correspondientes espacios muestrales.

a) &" lanzamiento de un dado simtrico y W " # $ % & ', entonces W es un espacio

muestral finito equiprobable.

b) &2 lanzamiento de una moneda equilibrada y W - =, entonces W es un espacio

muestral finito equiprobable.

c) &3 dos lanzamientos de una moneda equilibrada y W (- - - = = - = =,

entonces W es un espacio muestral finito equiprobable.

d) &4 dos lanzamientos de una moneda equilibrada y W ! " #, donde 0, 1 o 2 indican

el nmero de caras obtenidas en ambos lanzamientos. Entonces W no es un espacio
equiprobable, porque ! es equivalente a = = " es equivalente a - = = - y 2
es equivalente a - -.

e) && extraccin de 3 fichas al azar, sin sustitucin, de una bolsa que contiene 6 fichas
rojas, 4 blancas y 5 azules. Entonces, si W es el conjunto de todas las combinaciones posibles
de 15 fichas tomadas de a 3, ste es un espacio muestral finito equiprobable de "&
$ %&&
resultados.

f) Si en el mismo experimento anterior W representa el nmero de fichas rojas obtenidas,

entonces W no es un espacio muestral equiprobable, pues el nmero de combinaciones que no
contienen fichas rojas es distinto al nmero que contiene una roja y distinto al que contiene dos
rojas y distinto al que contiene las tres rojas, luego sus posibilidades son distintas.

Asignacin de probabilidades en espacios muestrales finitos equiprobables.

Si W es un espacio muestral finito equiprobable, entonces hay n resultados con igual

n n
probabilidad p, para los cuales se debe satisfacer que: !T =i ! p np=", de donde
i=1 i=1
resulta que p "n. La consecuencia es que en todo espacio muestral equiprobable de
cardinalidad n, cada suceso elemental tiene probabilidad T =i "#W "n y por lo tanto
cualquier suceso asociado a este espacio muestral tiene una probabilidad asociada
directamente proporcional a su cardinalidad. A partir de esta condicin se establece la
definicin clsica de probabilidad de sucesos en los siguiente trminos
nmero de casos favorables
T E #E#W nmero de casos posibles .
 41

Ejemplos 4.2

a) Si W (- - - = = - = = es un espacio equiprobable correspondiente al

lanzamiento de dos monedas legales, entonces
- la probabilidad de obtener 2 caras es T - - "%, pues hay 1 resultado favorable entre 4
resultados posibles
- la probabilidad de obtener 1 cara es T - = = - #% "#.

b) Con una bolsa que contiene 6 fichas rojas, 4 blancas y 5 azules, se realiza el
experimento:
i) &: extraer una ficha al azar. En este caso el espacio muestral equiprobable es el
conjunto de las 15 fichas, bajo el supuesto que la nica diferencia entre las fichas es su color.
Entonces la probabilidad de que la ficha obtenida sea de uno de los tres colores posibles es
proporcional al nmero de fichas de ese color, o sea, T azul) &"&, T blanca) %"& y
T roja) '"&.
ii) & extraccin de 3 fichas al azar, sin sustitucin. Este es el experimento && del
ejemplo 4.1 y el espacio muestral equiprobable, cuyos elementos son conjuntos ternarios de la
forma {r, b, r} o {a, a, a}, es muy amplio para expresarlo por extensin, que por lo dems no
interesa, porque slo es importante su cardinalidad, que como se explic antes corresponde a
las combinaciones entre 15 fichas tomadas de a 3, o sea, #W 15 3
%&&. Probabilidades
tipo, asociadas a este experimento, se calculan a continuacin:
- T 3 fichas blancas 43 15
3
%%&& , pues hay 4 combinaciones para obtener 3 fichas
blancas.
61 51 41
6 5 4
-T una ficha de cada color T 1 roja, 1 azul y 1 blanca) 15
455 #%*",
3
esto se explica porque hay 6 formas de seleccionar una ficha roja, 5 para una ficha azul y 4
para blanca y 120 formas de que sea una de cada color.

62 51
-T dos fichas rojas y una azul) (&%&&, pues dos fichas rojas se pueden obtener
15
3

como combinacin de dos fichas elegidas de entre las 6 rojas que hay.

93
- T al menos una ficha roja) " T (ninguna roja) " 15
" )%%&& $("%&&,
3
utilizando la consecuencia del teorema 6 y por qu 3 fichas no rojas se pueden elegir de entre
las 9 fichas que son blancas o azules.

- T a lo ms 2 fichas rojas) T ninguna roja o 1 roja o 2 rojas)

T ninguna roja T 1 roja) T 2 rojas)
93 92 61 91 62
)(*"
15
3 15
3 15
3

Tanto en este caso como en el anterior el espacio muestral corresponde al nmero de

fichas rojas obtenidas al seleccionar 3 fichas al azar, esto es, W ! " # $ y por lo tanto !},
{"}, {#}, {$ son los sucesos elementales de W y en consecuencia
T !} T {"} T {#} T {$ "
Se puede observar que "a lo ms 2 fichas rojas" es equivalente a 0 o 1 o 2 fichas rojas, por
lo tanto, despejando T {$ en la igualdad anterior, se establece que
 42

3
6

T a lo ms 2 fichas rojas) " T $ " " #!%&& )(*"

3
15

Por otra parte "al menos una ficha roja" es equivalente a 1 o 2 o 3 fichas rojas. Despejando
T ! de la misma igualdad anterior se tiene que T al menos una ficha roja) " T !, lo
que es otra fundamentacin para la importante propiedad utilizada en la probabilidad anterior.

c) Se realiza el experimento que consiste en lanzar un dado simtrico dos veces, luego el
espacio muestral equiprobable est formado por los 36 pares ordenados que se obtienen con
el producto {1, 2, 3, 4, 5, 6} x {1, 2, 3, 4, 5 ,6}. No es dificultoso expresar este espacio muestral
por extensin en los siguientes trminos
W " " " # " ' # " # ' ' & ' ' y a partir de ste calcular las
probabilidades de obtener:
- dos seis, lo que se plantea T ' ' "$' , pues hay un resultado favorable entre 36
posibles.
- un tres y cualquier otro nmero, lo que equivale a los pares que tengan primer elemento
3 y segundo elemento distinto a tres o viceversa, luego hay 10 pares que cumplen con la
condicin, en consecuencia T slo un tres en ambos dados) "!$'.
- al menos un tres, es equivalente a slo una vez tres o dos veces tres, luego
T al menos un tres T slo un tres T $ $) "!$' "$' ""$'. Otra forma consiste
en aplicar la propiedad T al menos un tres) " T ningn tres " #&$' ""$', pues
con el primer y segundo dado habra que obtener {1,2,4,5,6}, cuyo producto cruz corresponde
a 25 pares ordenados.
- seis puntos en total. Sea E B C B C '} " & # % $ $ % # & ",
entonces T E &$'.
- un par, o sea, el suceso F B C B C " " # # $ $ ' ' y por lo tanto
T un par T F '$'
- un nmero menor en el primer lanzamiento que con el segundo, que queda
representado por el suceso G B C B C " # " $ " ' # $ & '. Este
suceso tiene cardinalidad 15 y por lo tanto T G "&$'.

d) Los 25 huertos de una localidad se clasificaron en trminos del sistema de riego en

tecnificado (T) o surco (S) y de su tamao en mediano (M) o pequeo (P). Se encontraron
que 13 huertos son de tamao pequeo; 10 riega por surco ; 5 de tamao pequeo y riego
tecnificado. Se necesita realizar una encuesta en la localidad para lo cual se deben seleccionar
5 huertos al azar. Interesa calcular la probabilidad de que los 5 huertos seleccionados
i) tengan riego tecnificado ; ii) sean de tamao mediano ; iii) sean de tamao pequeo y tengan
riego tecnificado; iv) sean de tamao mediano y rieguen por surco.

Lo primero es cruzar la informacin en una tabla 2 por 2 e ir ubicando la informacin

entregada como se muestra en la primera tabla. Las siguientes celdas se rellenan por defecto
como ocurre en la segunda tabla.
tipo riego \ tamao M P Total tipo riego \ tamao M P Total
T 5 T 10 5 15
S 10 S 2 8 10
Total 13 25 Total 12 13 25

A continuacin se trata de identificar los valores adecuados para calcular las probabilidades
de inters.
 43

5
15

i) T & X $!!$&$"$! ! !&'& , pues 15 son los huertos con riego tecnificado.
5
25

12
5
ii) T & Q (*#&$"$! ! !"%*, pues 12 son los huertos de tamao mediano.
25
5

5
5

iii) T & de (X T ) "&$"$! ! !!!!#, pues son slo 5 los huertos pequeos y
5
25

con riego tecnificado. De acuerdo a la probabilidad obtenida es muy difcil que esta situacin
pueda ocurrir.

iv) T & de Q W !. Este suceso es imposible que ocurra, porque se deben elegir 5 de
esa condicin y existen slo 2.

2.5 Probabilidad condicional.

Considrese la bolsa con 6 fichas rojas, 5 azules y 4 blancas de la cual se extraen fichas,
una a una, definindose los sucesos E la 1 ficha obtenida es blanca} y
F la 2 ficha obtenida es blanca}, entonces la probabilidad de F depender de lo que ocurra
antes de extraer la 2 ficha lo que se puede realizar de dos formas.

i) con sustitucin
En este caso despus de cada extraccin la bolsa se mantiene en las mismas condiciones
iniciales cada vez, por lo tanto T E T F %"&, es decir, la probabilidad en cada
extraccin es constante.

ii) sin sustitucin

En esta situacin despus de extraer la 1 ficha y no restituirla, la condicin inicial de la
bolsa ha sido modificada, por lo tanto T E %"&, pero para determinar T F es necesario
conocer la composicin de la bolsa despus de extraer la 1 ficha y ello depende de si ocurri o
no el suceso A, o sea, la probabilidad de B est condicionada a la ocurrencia o no ocurrencia
de A.

Este nuevo concepto necesita explicarse y para ello se debe tener una notacin adecuada.
P(B/A) designa la probabilidad de que ocurra B dado que ha ocurrido A, lo que se lee
"probabilidad de B dado A". Para el caso de los dos sucesos definidos antes, corresponde a la
probabilidad de que la segunda ficha sea blanca dado que la primera lo fue y en consecuencia
despus de la primera extraccin en la bolsa hay catorce fichas de las cuales slo tres son
blancas, por lo cual P(B/A) = P(la 2 ficha sea blanca dado que la 1 fue blanca) = 3/14.
Tambin, P(B/A') = P(la 2 ficha sea blanca dado que la 1 no lo fue) = 4/14 o P(B'/A) = 11/14.

P(B/A) significa que se est calculando la probabilidad de B referida al espacio muestral

reducido A, en vez de referirla al espacio muestral original S.
 44

Cuando se calcula P(B) se est preguntando que tan probable es que el resultado est en B
sabiendo que est en S, mientras que cuando evaluamos P(B/A) la pregunta es que tan
probable es que el resultado est en B sabiendo que est en A. El rea sombreada en la figura
5.1 representa la ocurrencia del suceso A y B/A significa que haya ocurrido B habiendo
ocurrido A, representada en la figura 5.2 por el rea ms oscura, que corresponde a la
interseccin de A y B, pero referida al suceso A.

De los conceptos anteriores surgen las siguientes definiciones.

Definiciones.

Dado dos conjuntos E y F cualesquiera asociados a un espacio muestral W , entonces

1 T FE T E FT E T E !
2 T EF T E FT F T F !

Observaciones.

1) Cuando las probabilidades estn condicionada a un suceso cualquiera, denominado A o B o

C, entonces tal suceso pasa a tener formalmente las caractersticas de un espacio muestral,
reducido en relacin al espacio original S, de modo que todas las propiedades de la
probabilidad que se cumplen en S son tambin vlidas en el espacio muestral reducido. De
hecho cuando se plantea la probabilidad de B, P(B), es totalmente concordante a denotarla
como P(B/S).
2) Consecuente con la observacin anterior es posible demostrar las siguientes propiedades:
P(B'/A) = 1 - P(B/A) , equivalente teorema 1
P(B'/A') = 1 - P(B/A') , equivalente teorema 1
P((B C)/A) = P(B/A) + P(C/A) - P((B C)/A) , equivalente teorema 3
P(B C')/A) = P(B/A) - P((B C)/A) , equivalente teorema 5
 45

Ejemplos 5.1

a) Si T E #& T F #$ T E F "', entonces

"'
- T EF T E FT F #$ "%
"'
- T FE T E FT E #& &"#
- T F w E " T FE " &"# ("#
T FT EF #$"' $'
- T FEw T Ew FT Ew T Ew
"#& $& &'
w w w
- T F E " T FE " &' "'

b) Se lanza un dado. Si el resultado es par cul es la probabilidad de que sea el nmero 6?

- T seispar) "$ , porque si ocurre par hay slo tres resultados posibles de los que uno
de ellos es el 6. Tambin haciendo uso de la definicin
T par y seis) T seis "'
T seispar T par T par $' "$

c) La siguiente tabla corresponde al ejemplo 4.2 d) tipo riego \ tamao M P Total

T 10 5 15
S 2 8 10
Total 12 13 25
.de la cual se pueden calcular las siguientes probabilidades al seleccionar un huerto al azar.
- T huerto con riego tecnificado) "&#& $&
- T (huerto pequeo con riego tecnificado) &#& "&
- T huerto pequeo/riego tecnificado) &"& "$ , pues los huertos con riego tecnificado
son 15 de los cuales 5 son de tamao pequeo.
- T riego por surco/huerto mediano) #"# "' , pues los huertos medianos son 12 de los
cuales 2 riegan por surco.

d) Del ejemplo 4.2. c) se tienen los sucesos E B C B C '}, F B C B C

y G B C B C, cuyas probabilidades son T E &$' T F "' y T G &"#.
Se puede establecer las siguientes probabilidades condicionales.
- T EF "' , porque hay 6 pares que cumplen con B y slo uno de ellos suma seis.
- T FE "& , porque hay 5 pares que cumplen con A y slo uno de ellos es un par.
- T EG #"&, porque hay 15 pares que cumplen con C de los cuales 2 cumplen con A.
- T G F 0 , porque hay 6 pares que cumplen con B y ninguno cumple con C.

Las 4 probabilidades anteriores se calcularon usando el camino ms sencillo, pero las

mismas probabilidades se calculan usando la definicin.

e) Con el fin de aportar mayor claridad al concepto de probabilidad condicional considrese

el ejemplo introductorio de probabilidad condicional, consistente en extraer sin sustitucin dos
fichas de una bolsa y los sucesos A = { la 1 ficha sea blanca } y B = { la 2 ficha sea blanca },
determinndose, usando el mtodo simplificado, que P(B/A) = 3/14. El procedimiento a
continuacin es el que se debe realizar para calcular esta probabilidad haciendo uso de la
definicin. Si se extraen de la bolsa dos fichas sin sustitucin, entonces #S = 15 2
= 105 y
#(A B) = 2 = 6 , luego P(A B) = 2 / 35. Para calcular P(A) es necesario tener en cuenta
4

que el orden es importante porque as est definido el suceso A, de manera que ahora se trata
de variaciones, de modo que #S = 1514 = 210 , pues la primera ficha seleccionada puede ser
cualquiera de las 15 y la segunda cualquiera de las restantes y #A = 414 = 56 , pues la
 46

primera debe ser blanca y la segunda cualquiera de las 14 restantes, de donde

P(A) = 56 / 210 = 4/15. En consecuencia P(B/A) = P(A B) / P(A) = 24 // 35 15 = 3 /14 como se
haba establecido. Otra forma de analizar la situacin anterior consiste en considerar que, en
la situacin que se est analizando, el orden en que son extradas las fichas es importante, por
lo tanto el espacio muestral son variaciones de 15 fichas tomadas de a 2 en vez de
combinaciones, es decir, #S = P"&
# 15 14 210, pero la condicionalidad reduce este
espacio muestral al suceso A con #A = 414 = 56, entre los cuales hay 43 = 12 que
corresponden a dos fichas blancas, luego P(B / A) = 12 / 56 = 3/14.

Observaciones.

1) Los resultados (b1 , b2 ) y ( b2 , b1 ) son dos segn las variaciones cuando el orden importa
y slo uno cuando el orden no importa que corresponde a las combinaciones, cuya notacin
ser { b1 , b2 } con parntesis de conjunto, donde "b" se refiere a una ficha blanca.
2) Hay dos maneras de calcular la probabilidad condicional P(A / B), directamente
considerando la probabilidad de A respecto al espacio muestral reducido B, o usando la
definicin donde P(A B) y P(B) se calculan respecto al espacio muestral original S.

Principio multiplicativo de probabilidades.

Como consecuencia de la probabilidad condicional se obtiene el principio multiplicativo

general de probabilidad.
Despejando P(A B) ya sea de la definicin 1 como de la definicin 2, se deduce que:

Principio multiplicativo general

P(A B) P(A/B)P(B) P(B/A)*P(A)

Por conveniencia se adoptar la notacin (si , sj ) para indicar un orden en los resultados,
primero el resultado si y segundo el resultado sj . La notacin (si y sj ) denotar que el orden no
importa, primero si y despus sj o viceversa.

Ejemplos 5.2

a) De la bolsa conteniendo 6 fichas rojas (r), 5 azules (a) y 4 blancas (b), se extraen dos
fichas sin sustitucin, entonces la probabilidad de obtener
- una roja y una azul en ese orden se plantea y calcula T r ,a) T 1 roja)T (2 azul/1 roja)
6 5
T r, a) 15 14 "(
61 51
- una roja y una azul en cualquier orden: T r y a) #(. Se aprecia que en este
15
2

caso la probabilidad es el doble de la anterior, evidentemente porque la anterior es ms

restrictiva, exige un orden. La relacin entre ambas formas es que cuando se exige un orden,
entonces (r y a) es equivalente a (r, a) y (a, r). Luego P(r y a) = P(r, a) + P(a, r) = 1/7 + 1/7 =
2/7.
- dos fichas blancas: T b, b) T b y b , pues existe un solo ordenamiento de dos fichas
4 3
blancas, luego, T b, b) T 1 blanca)T 2 blanca/1 blanca) 15 14 #$&. El mismo
42
6
resultado se obtiene con combinatoria para T b y b) #$&.
15
2
105
 47

b) De la bolsa anterior se extraen 3 fichas sin sustitucin, entonces la probabilidad de

obtener
- una roja, una azul y una roja en ese orden:
6 5 5
T r, a, r) T 1 rojaT 2 azul/1 roja)T 3 roja/1 roja y 2 azul) 15 14 13 &*".
62 * 51
75
- dos rojas y una azul en cualquier orden: T 2 rojas y 1 azul) "&*"
15
3
455

Se puede constatar que esta ltima probabilidad es 3 veces la anterior debido a que hay
tres ordenamientos posibles para extraer dos fichas rojas y una azul, donde cada
ordenamiento tiene una probabilidad de 5/91.
- una blanca, una azul y una roja en ese orden:
T b, a, r) T 1 blanca)T 2 azul/1 blanca)T 3 roja/1 blanca y 2
4 5 6
azul 15 14 13 %*"
61 51 41
120
- una de cada color en cualquier orden T roja y azul y blanca 455 #%*",
15
3

que es 6 veces la probabilidad anterior, esto debido a que existen 3x 6 ordenamientos

posibles para obtener una ficha de cada color.

c) En cierta carrera un alumno, si estudia lo suficiente, tiene una probabilidad de 0,6 de

aprobar clculo por primera vez, una probabilidad de 0,9 de aprobar estadstica si aprob
clculo la primera vez y de 0,5 en caso contrario. Cul es la probabilidad de que un alumno
que toma por primera vez clculo apruebe estadstica, si estudia lo suficiente?

Sea C el suceso aprobar clculo por primera vez, E el suceso aprobar estadstica la primera
vez, entonces T G ! ' , T IG ! * y T IG w ! &, luego
w w
T I T IG T G T IG T G ! *! ' ! &! % ! (%

d) En un invernadero hay 6 plantas de una especie entre las cuales hay 2 que estn
enfermas con un virus. Se examinan las plantas una a una hasta encontrar las dos enfermas.
Cul es la probabilidad de que la segunda enferma se encuentre i) al examinar la segunda
planta?, ii) al examinar la cuarta planta? , iii) despus de examinar la cuarta planta?

i) Para encontrar la segunda enferma (E) en el segundo examen es necesario que la primera
planta examinada sea una de las enfermas, luego
T 2 E en 2 examen) T 1 E y 2 E) T 1 E)T 2 E/1 E) 6# 15 ""&
ii) Para encontrar la segunda enferma en la cuarta inspeccin debe ocurrir que entre las tres
primeras plantas examinadas haya una enferma y dos sanas, en cualquier orden, y la cuarta
planta examinada est enferma, entonces
T 2 E en 4 examen) T E/ 1 E y 2 S en las tres primeras)T 1 E y 2 S en las tres primeras)
42 21
13 13 35 "&
63
La probabilidad anterior es equivalente a la suma de las probabilidades de los tres sucesos
independientes (E, S, S, E), (S, E, S, E), ( S, S, E, E).
iii) T examinar ms de 4 plantas para 2 E) T examinar 5 plantas) T examinar 6 plantas)
43 21 44 21
"# "" 65
4
1
$&.
64 15 3
 48

Observaciones.

1) El nmero de ordenamientos posibles entre n elementos distintos est dado por nx. El
nmero de ordenamientos con n elementos entre los cuales hay grupos de elementos iguales
de tamao a, b, c se determina por nxax bx cx. Por ejemplo la cantidad de nmeros distintos,
de cuatro cifras, que se pueden escribir utilizando los dgitos {2, 4, 5, 7} es igual a 4x , es decir,
24. En cambio utilizando los dgitos {2, 2, 5, 5} slo se pueden obtener 4x2x2x, es decir, 6
nmeros distintos, de cuatro cifras que son: 2255, 2525, 2552, 5252, 5225 y 5522. Utilizando
los dgitos {2, 4, 5, 5, 5} se pueden escribir 5x1x1x3x, es decir, 20 nmeros distintos. Intente
escribirlos todos!
2) Verifique que P(r, r, a) = P(r, a, r) = P(a, r, r) y que P(r, a, b) = P(a, r, b) = ......= P(b, a, r).
3) En las situaciones de extracciones de elementos en los cuales el orden en que son
obtenidos no importa, la extraccin uno a uno es equivalente a extraerlos todos en forma
simultnea.

Independencia de sucesos.

Para introducir el concepto se revisarn algunas situaciones anteriores.

1. En el ejemplo introductorio de probabilidad condicional cuando se extraen fichas una a una

con sustitucin se verifica que para los sucesos A = {la 1 ficha extrada sea blanca}
y B = {la 2 ficha extrada sea blanca}, la P(B/A) = 4/15 y esta probabilidad es coincidente con
la P(B) = 4/15. Es decir, la probabilidad de B no se ve afectada por la ocurrencia de A.

2. En el ejemplo 5.1 c) se definieron los sucesos E B C B C '}, F B C B C y

G B C B C, determinndose que P(A/B) = 1/6 P(A) y P(A/C) = 2/15 P(A), o sea,
en ambas situaciones la probabilidad de A fue afectada por la ocurrencia del suceso B o por la
ocurrencia de C. Sin embargo, al considerar el suceso H B C C nmero par} con P(D) =
"
# , se establece que P(D/B) = 3/6 = P(D), pues de los 6 pares ordenados que satisfacen B, slo
(2,2), (4,4) y (6,6) cumplen con la condicin que la segunda componente sea par, resultando
que la probabilidad de D no es afectada por la ocurrencia del suceso B. En cambio
P(D/C) = 9/15 P(D), verificndose que la probabilidad de D es afectada por la ocurrencia de
C.

Las situaciones anteriores que resultaron notables dan origen a la siguiente definicin.

Definicin.

Se dice que dos sucesos A y B asociados a un espacio muestral S son sucesos

independientes si y slo si P(A / B) = P(A) y P(B / A) = P(B).

La condicin de independencia entre dos sucesos establece que la ocurrencia de uno de

ellos no altera la probabilidad de ocurrencia del otro. La condicin de independencia da origen
a una importante consecuencia.

Principio multiplicativo de probabilidades para sucesos independientes.

Del principio multiplicativo general se tiene que P(A B) = P(A / B)P(B), pero si A y B son
sucesos independientes, entonces por definicin P(A / B) = P(A), que al sustituirse en la
igualdad anterior resulta
 49

Principio multiplicativo para sucesos independientes

A y B sucesos independientes P(A B) P(A)P(B)

El principio anterior se puede aplicar en dos direcciones. La ms frecuente ocurre cuando

mediante un simple racionamiento basado en las condiciones en las que se realiza el
experimento permite deducir que dos sucesos son independientes, entonces se aplica
P(A B) = P(A)P(B). La otra ocurre cuando es dfcil establecer a priori que dos sucesos son
independientes, entonces si se puede establecer que P(A B) = P(A)P(B), se deduce que A
y B son sucesos independientes.

Ejemplos 5.3

a) Del enunciado del problema 3.2 b) no es posible establecer a priori si las enfermedades
\ e ] son o no independientes, pero considerando la informacin se puede establecer que
T \ ] #$& "& #( T \T ] , consecuentemente el que una planta tenga la
enfermedad \ es independiente a que contraiga la enfermedad ] y viceversa. Dicho de otra
manera el que una planta tenga una enfermedad no afecta el que contraiga la otra.

b) Del enunciado del ejemplo 5.1 a) no es posible deducir si existe independencia entre los
sucesos E y F , pero con la informacin entregada se establece que:
T E F "' #& #$ T ET F, luego los sucesos no son independientes.

c) El mecanismo que acciona una lnea de embalaje en una exportadora depende de dos
subsistemas independientes, A y B, con probabilidades de falla de ""! y ""&,
respectivamente, durante un da cualquiera. La lnea deja de funcionar si fallan
simultneamente ambos subsistemas. Entonces, la probabilidad de que en un da cualquiera:
i) la lnea se detenga. Para que esto ocurra deben fallar ambos subsistemas, que corresponde
" "
a T E F T ET F "! "& ""&!.
ii) falle slo el subsistema E, que se calcula:
" "
T E F w T E T E F "! "&! "%"&!
iii) la lnea funcione, lo que ocurrir si al menos un subsistema funcione, esto es,
"
T Ew F w " T E F " T ET F " "&! "%*"&!. En este caso se aplic la
propiedad "probabilidad de que al menos uno no falle, es igual a uno menos la probabilidad de
que ambos fallen".

d) Si se lanzan dos dados legales los resultados de ambos dados son independientes, luego
i) T seis y seis) T seis)T seis) "' "' "$'
ii) T exactamente un seis) T seis no seis) T (no seis, seis "' &' &' "' &")
iii) T al menos un seis) " T ningn seis) " &' &' ""$'
iv) T un par) 'T un par especfico)=' "' "' "', pues existen 6 pares posibles
(1,1),...(6,6).

e) Se lanza un dado cuatro veces y se observa el nmero de ocurrencias del seis. El

espacio muestral para este experimento es W ! " # $ %, que corresponde a las veces
que puede ocurrir el seis en los cuatro lanzamientos. Ntese que este espacio muestral no es
equiprobable, as T ({!}) significa que ninguna vez ocurra el seis, o sea,
T no seis, no seis, no seis, no seis) &' &' &' &' "#&"#*', porque los lanzamientos son
 50

independientes y la probabilidad de no seis cada vez es &' T " indica que uno de los
lanzamientos muestre seis y los otros tres muestre cualquier valor distinto de seis, luego
T seis y no seis y no seis y no seis), que puede ocurrir de 4 maneras distintas, es decir, 41
maneras, por lo tanto, T seis y no seis y no seis y no seis) % "' &' &' &' "#&$#%. La
T # %# "' "' &' &' #&#"', pues existen 42 = 6 formas de ordenar dos veces el seis en
cuatro lanzamientos. De esa manera se sigue calculando la probabilidad para los otros
elementos, 3 y 4, del espacio muestral. Realice los clculos y verifique que la suma de todas
las probabilidades es igual a 1.

f) En una cmara de fro hay 1 bins de manzanas Granny , 1 de manzanas Richard y otro de
manzanas Fuji, todas de igual apariencia. Se sabe que la probabilidad que una manzana tenga
polilla es de 0,05 si es de la variedad Granny, 0,10 si es de la variedad Richard y 0,03 si es de
la variedad Fuji. Entonces al elegir una manzana al azar de cada bin
i) T las tres sanas T sana/Gr)T sana/Ri)T sana/Fu) ! *&! *!! *( ! )#*
ii) P(dos sanas y una daada) T S y S y D)
T S/Gr)T S/Ri)T D/Fu) T S/Gr)T D/Ri)T S/Fu) T D/Gr)T S/Ri)T S/Fu)
! *&! *!! !$ ! *&! "!! *( ! !&! *!! *( ! "'"

g) Una bolsita A contiene dos semillas de flores rojas y tres de flores blancas y otra B
contiene tres semillas de flores rojas y tres de flores blancas. Se extraen, sin sustitucin, dos
semillas de cada bolsita. Dada la independencia del contenido de ambas bolsitas se puede
calcular:
i) T todas sean de flores de igual color) T 2 rs de A y 2 rs de B) T 2 bls de A y 2 bls de B)
22 32 32 32
T 2rs/A)T 2rs/B) T 2bls/A)T 2bls/B) %&!
52 62 52 62
ii) T sean 2 de cada color) T 2rs/A)T 2bls/B) T r y b/A)T r y b/B) T 2bls/A)T 2rs/B)
22 32 #" 31 31 31 32 32
""#&
52 62 52 62 52 62

2.6 Teorema de la probabilidad total y teorema de Bayes.

Muchas veces la probabilidad de un suceso es difcil obtenerla directamente, pero puede

lograrse a partir de la probabilidad de ocurrencia de una serie de sucesos, lo que conduce a lo
que se denomina probabilidad total. Previamente es necesario recordar el concepto de
particin.

Definicin.

Se llama particin de un espacio muestral S a una serie de k sucesos Fi que cumplan las
siguientes condiciones:
1 Fi 9 , para todo i = 1, 2, 3, ,k
2 Fi Fj 9 , si i j
3 F1 F2 F3 Fk W .

La definicin establece que los sucesos son no vacos y excluyentes entre ellos, es decir, no
tienen elementos en comn y adems, son exhaustivos, pues entre todos completan el espacio
muestral. Un rompecabezas es una particin, donde cada pieza es un subconjunto del cuadro
completo, o sea, un suceso desde el punto de vista probabilstico.
 51

Teorema de la probabilidad total.

Sea E W y { Fi / i = 1, 2, 3, ....., k} una particin de W , la cual induce la particin

{ E Fi / i = 1, 2, 3, ....., k} en el suceso E, tal que:
1 (E Fi ) (E Fj ) 9 , si i j.
2 (E F1 ) (E F2 ) (E F3 ) E Fk ) E, entonces si son conocidas las T EFi )
k
y T Fi ) para cada i = 1, 2, 3, k , se puede establecer que T E ! T EBi )T Fi ),
i=1
T Fi ) !
Demostracin.
k
T E T (E F1 ) (E F2 ) (E F3 ) E Fk ) !T E Fi ) , pues se trata de
i=1
una unin de sucesos mutuamente excluyentes por la condicin 1 de particin de E. Pero
para elemento E Fi de la particin de E se cumple que T E Fi ) T EFi )T Fi ), de
acuerdo al principio multiplicativo general de probabilidades. Por lo tanto, sustituyendo en la
k
sumatoria anterior se cumple que T E ! T EBi )T Fi ).
i=1
Observaciones.

1) Siguiendo con la analoga del rompecabezas, si el suceso A a que hace referencia el

teorema lo asimilamos a la figura central de ste, se tendr que algunas de las piezas
contienen parte de la figura central, no importa que la mayora de las piezas no contribuyan a
su formacin, lo que equivale a decir que algunas A Bi son vacas, lo fundamental es que al
armar el rompecabezas completo la figura central quedar completa.
2) Otra situacin se da al considerar un huerto de manzanos donde el 60% de la produccin es
de la variedad Granny Smith, el 30% de la variedad Fuji y el 10% de la variedad Royal,
entonces las tres variedades de manzanas establecen una particin del suceso A = {manzanas
calibre 100} correspondientes a {manzanas Granny calibre 100} , {manzanas Fuji calibre
100} y {manzanas Royal calibre 100}.

Ejemplos 6.1

a) El 60% de la produccin de un huerto de manzanos es de la variedad Granny Smith, el

30% de la variedad Fuji y el 10% de la variedad Royal, y se sabe que son calibre 100 el 15%
de las manzanas Granny, el 35% de las Fuji y el 40% de las Royal. Entonces el porcentaje de
manzanas calibre 100 de la produccin total del huerto se calcula usando el teorema de la
probabilidad total, donde A = {manzanas calibre 100}, como
 52

T A) T AG)T G) T AF)T F) T AR)T R) ! 1&! ' ! $&! $ ! %!! "

! #$&, es decir, el 23,5% del total de manzanas es calibre 100.
Tngase en cuenta que la particin la establecen las variedades y por lo tanto la suma de
sus probabilidades debe ser 1, sin embargo las probabilidades condicionales P(A/G), P(A/F) y
P(A/R) no tienen por qu sumar 1, pues estn referidas respecto a cada variedad.

b) Una mezcla de semillas de clavel produce flores blancas, rojas y rosadas en proporcin
de 50%, 30% y 20% respectivamente. El 5% de las semillas de flores blancas, el 10% de las
rojas y el 15% de las rosadas son infrtiles (F'). Se desea determinar el porcentaje total de
semillas infrtiles. Las condiciones del enunciado se disponen adecuadamente a continuacin:
T flor blanca) T b) ! & T F' / b) ! !&
T flor roja) T r) ! $ T F ' / r) ! "!
T flor rosada) T s) ! # T F' / s) ! "&

Por el teorema de la probabilidad total T F') T F'/ b)T b) T F'/ r)T r) T F'/
b)T b)
! !&! & ! "!! $ ! "&! # ! !)&.
El resultado obtenido permite establecer que el 8,5% del total de semillas son infrtiles.

Teorema de Bayes.

En el caso del ejemplo 6.1 b) se puede estar interesado en determinar la probabilidad de

que una semilla que result ser infrtil corresponda a una de flor roja.
P( roja e infrtil) /r)P(r)
En smbolos P(r /F') = P(infrtil) = P(F'P(F' ) = 0,10 0,3
0,085 = 6/17, por la definicin de
probabilidad condicional y el principio multiplicativo general de probabilidades. Esta forma de
resolver el problema se debe al Rev. Thomas Bayes.

Formalmente, conocidas las probabilidades T EFi ) y T Fi ) para todo i, entonces la

T EFj ) T EFj )T Fj ) T EFj )T Fj )
probabilidad T Fj /E ) T E T E k , para j = 1, 2, 3, k.
! T EBi )T Fi )
i=1
Las explicaciones son las del prrafo anterior, reconociendo, adems, que P(A) es la
probabilidad total.

Ejemplos 6.2

a) La efectividad de un producto para controlar pudriciones en peras es de 0,80 si el hongo

es Botrytis y 0,60 si el hongo es Penicillium. Se estima que el 30% de los frutos est infectado
por Botrytis, el 10% est infectado por Penicillium y el resto est sano. Entonces el porcentaje
de frutos que se espera que presenten pudriciones despus de aplicar el producto se obtiene
con la informacin a continuacin, aplicando la probabilidad total.
T (efectiv /Bot) ! )! .......... T (Bot) ! $
T efect /Pen) ! '! ........... T Pen) ! "
T efect /sano) " ! ............. T sano) ! ' , por lo tanto
T sin pudr) T efect /Bot)T Bot) T efect /Pen)T Pen) T efect /sano)T sano)
! )! $ ! '! " " !! ' ! *! , es decir, el 90% de los frutos estar sano
y en consecuencia el 10% presentar pudriciones.
Podra interesar establecer la probabilidad de que un fruto haya estado infectado por
Penicillium si est sano despus de aplicar el producto. En este caso hay que aplicar el
teorema de Bayes:
 53

T sano/Pen)T (Pen) !'!"

T Pen / sano) T sano) !* ""&.

b) En la situacin del problema 6.1 b) se seleccionan 250 semillas de la mezcla y se

siembran. Es necesario saber la proporcin de flores de cada color que se obtendrn. Esta
situacin se resuelve aplicando sucesivamente el teorema de Bayes, pues se necesita P(b
/frtil), P(r /frtil) y P(s /frtil). La informacin a utilizar es
T flor blanca) T b) ! & T F' / b) ! !& ......T F /b) ! *&
T flor roja) T r) ! $ T F ' / r) ! "! ......T F /r) ! *!
T flor rosada) T s) ! # T F' / s) ! "& ......T F /s) ! )&

T F) " T F') " ! !)& ! *"&

T F /b)T b) !*&!&
T b /F) T F) !*"& *&")$ &" *%
T F /r)T r) !*!!$
T r /F) T F) !*"& &%")$ #* &%
T F /s)T s)
T s /F) T F) !)&!#
$%")$ ") '% , es decir, 51,9% sern flores blancas,
!*"&
29,5% sern rojas y 18,6% sern flores rosadas. Estas probabilidades reciben el nombre de
probabilidades a posteriori.

c) Una empresa M considera que su rival la empresa W tiene una probabilidad de 0,6 de
presentarse a una licitacin. Si W se presenta la probabilidad de que M gane (G) la licitacin es
0,2, mientras que si W no se presenta (W' ) la probabilidad de ganarla es 0,9. A la empresa M
le interesa conocer sus posibilidades de hacerse con la licitacin. Esto corresponde a la
probabilidad total
T G) T G / W)T W) T G/ W' )T W' ) ! #! ' ! *! % ! %), es decir, M tiene
una probabilidad de 48% de ganar la licitacin.
Un financista tiene la curiosidad de saber la probabilidad de que W no se haya presentado a
la licitacin si M gan la licitacin, entonces
T G / W' )T W' )
T W' /G) T G) !*!%
!%) $4. Esta probabilidad es de 75%.
54
 55

3. DISTRIBUCIONES DE PROBABILIDAD

3.1 Introduccin

Recurdese que un modelo matemtico es la descripcin matemtica de una situacin real

en cuya elaboracin se hacen algunos supuestos y en el que se consideran algunas
simplificaciones de la realidad. La bondad de un modelo depende de cun bien se aproxima a
la realidad que pretende describir y adems de cun simple sea. En sntesis un modelo es una
forma matemtica de describir el comportamiento de un fenmeno.
Los fenmenos determinsticos, como lo son por ejemplo, los fsicos de la cinemtica, la
energa , la ptica, la termodinmica o en la qumica inorgnica como sucede con
compuestos y sustancias de gran importancia biolgica tales como los fertilizantes o los
pesticidas, son descritos mediante modelos determinsticos. Estos modelos se traducen en
frmulas que establecen las interrelaciones entre los factores que intervienen en el fenmeno,
mediante la cual se puede determinar con certeza el comportamiento de ste si se conocen las
condiciones en que acta un nmero determinado de los factores. Por ejemplo, se puede
predecir con certeza la distancia recorrida por un mvil si se conocen las condiciones en que
se realiza el movimiento.
Por el contrario, en los fenmenos no determinsticos, como lo son todos los juegos de azar
y tambin innumerables fenmenos naturales, como los climticos, la produccin de frutales
o de cultivos, no se pueden predecir con certeza el resultado. En consecuencia la nica
manera de describirlos es a travs de su comportamiento probabilstico mediante modelos
estocsticos. Para comprender estos modelos se requiere conocer una serie de trminos,
notaciones y conceptos que les son propios y que se desarrollarn en esta unidad.

3.2 Distribuciones de variable aleatoria.

El concepto bsico en el que se sustenta toda la teora de las distribuciones de probabilidad

cuyo objetivo es formular los modelos estocsticos en trminos puramente matemticos, es el
de variable aleatoria.

Definicin.

Se llama variable aleatoria (v.a) a una funcin \ cuyo dominio es el espacio muestral W y
con recorrido en los reales, tal que a cada elemento del espacio muestral le asigna una imagen
en los nmeros reales.

En trminos matemticos: \ W d tal que a = W \= d.

Observaciones.

1) Se conviene en designar las variables aleatorias por letras maysculas \ , ] , Z,

2) El recorrido de una variable aleatoria, VX , est formado por todas las imgenes de \ en d.
Conceptualmente es otro espacio muestral del experimento. Este nuevo espacio muestral
generalmente no es equiprobable, aunque W si lo sea.

Los siguientes ejemplos servirn para clarificar el concepto.

 56

Ejemplos 2.1.

a) &" : lanzamiento de una moneda, con espacio muestral S = e= - f, y sea la v.a \" tal
que, \" = " \" - # con VX" e" #f , es decir, la funcin \ transforma al resultado
sello en el real " y cara en el real #
Observe que la definicin de variable aleatoria no impone ninguna restriccin respecto al
nmero real que se asigne, ni tampoco en que los valores asignados tengan alguna
interpretacin, aunque lo habitual es que si la tenga, como se ilustra en el siguiente caso:
Sea \# : n de sellos obtenidos al lanzar una moneda. De acuerdo a esta definicin de \#
\# = " \# - ! con VX# e! "f que se explica en el sentido que si al lanzar la moneda
ocurre sello el nmero de sellos obtenidos es uno, mientras que si ocurre cara el nmero de
sellos obtenidos es cero.
Ambas variables aleatorias, \" y \# , son conceptualmente correctas.

b) &# lanzamiento de dos monedas , con W =e- - - = = - = =f. Si \ : n de

sellos obtenidos con &# , entonces \- - ! \= - \- = " \= = # y
V\ e! " #f.

c) &$ lanzamiento de un dado , con espacio muestral S = e" # $ % & 'f. Si \" : puntos
obtenidos con &3 , entonces \" =3 =3 a =3 W y por lo tanto VX" = e" # $ % & 'f resulta
igual a W , pues \" es la funcin identidad. Si para este mismo experimento se define \# : n
de seis obtenidos con &3 , entonces \# (1) =\# (2) =\# (3) =\# (4) =\# (5) = 0, mientras que
\# (6)= 1, luego VX# = e! "f Otra posible variable aleatoria en este experimento es
\$ , con VX$ = e" #f.
" si el valor es par
2 si el valor es impar

d) &% se lanzan dos dados y se observan los valores obtenidos. Si se define

\" suma de puntos obtenidos, entonces VX " = e# $ % & ' ( ) * "! "" "#f , mientras que si la
variable aleatoria es \# n de ases obtenidos entonces VX# = e! " #f.

Para continuar con el desarrollo del modelo se debe tener una funcin que le asigne
probabilidades a los elementos de VX . Para ello, hay que distinguir entre variables aleatorias
discretas y continuas.

Distribuciones de variables aleatorias discretas (v.a.d).

Una variable aleatoria es discreta si VX es un conjunto finito infinito numerable. Todos los
ejemplos 2.1 corresponden a este tipo de variable.

Definicin.

Sea \ variable aleatoria discreta, entonces una funcin p, denominada funcin de

probabilidad puntual (f.p.p) de cuanta, que le asigne probabilidades a los elementos B3 de
VX , debe satisfacer las siguientes condiciones:
1) p(B3 ) 0 , a B3 VX
2) ! p(B3 ) "
B3 VX
 57

Ejemplos 2.2
"# si B #
a) Sea \ variable aleatoria discreta con

pB3 "$ si B3 $ , entonces p es una

3
correcta funcin de probabilidad puntual
"' si B3 '
en VX = { 2 , 3 , 6 } porque sus imgenes son no negativas y su suma es igual a 1.

b) La distribucin p(B3 ) "' a B3 " # $ % & ' para la variable aleatoria X" del
experimento &$ del ejemplo 2.1, constituye una correcta funcin de probabilidad puntual. En
este caso se establece que el espacio VX" es equiprobable lo que ocurre si el dado es
simtrico. Si el dado estuviese cargado entonces la funcin p indicara diferentes valores para
cada B3 En el mismo experimento la variable aleatoria \# tiene por funcin de cuanta
pB3
&' si B3 !
.
"' si B3 "
#&$' si B !
c) En &4 la variable aleatoria \# tiene funcin de cuanta pB3 "!$' si B3 "
3

"$' si B3 #

Distribuciones de variables aleatorias continuas (v.a.c).

Una variable aleatoria es continua si el conjunto VX es un conjunto infinito no numerable.

En este tipo de variable aleatoria el conjunto VX corresponde a un intervalo o a una unin de
intervalos de nmeros reales. As si & consiste en medir la cantidad de agua lluvia caida en
Quinta Normal durante un ao dado, habra que establecer, por ejemplo, VX =
eh0 h "!!!f, donde h es la altura en mm., o ms simplemente, como se adoptar en lo
sucesivo, VX ser el conjunto de los reales, d. Tenga en cuenta que el espacio muestral no
tiene por qu estar ajustado a lo que realmente suceda, pues lo importante es que no deje
fuera valores posibles, y d cumple con ser el conjunto VX ms amplio posible.

Definicin

Sea \ variable aleatoria continua, entonces una funcin f, denominada funcin de

densidad de probabilidad (f.d.p), que asigne probabilidades en d, debe satisfacer las
siguientes condiciones:
1) fB 0 , a B d
2) '_ fB .B "
_

3) T a \ b 'a fB.B
b

Observaciones.

1) La definicin anterior establece que una funcin que asigne probabilidades a una variable
aleatoria continua debe ser no negativa.

2) Las probabilidades se asignan en trminos de rea bajo la curva cuya funcin es f, por esta
razn la segunda condicin establece que el rea total es uno, porque corresponde a la
probabilidad del espacio muestral.
3) La tercera condicin dice que la probabilidad del suceso definido por el intervalo [a , b] la
determina el rea limitada por la recta B a , la curva fB , la recta B b y el eje S\ .
 58

4) De la definicin se establece que las probabilidades puntuales, es decir en un punto, tienen

el valor cero, pues el rea bajo una curva en un punto es nula, luego, T \ c !. Esta
situacin es intuitivamente correcta, porque cualquier intervalo contiene infinitos puntos y si
cada uno tuviera probabilidad superior a cero, entonces la probabilidad del intervalo superara
al valor 1. Se debe tener presente que la probabilidad es del intervalo y no de los puntos que
estn en l. Como consecuencia de la definicin se concluye que para variables aleatorias
continuas
T a \ b T a \ b T a \ b T a \ b 'a fB.B
b

Algunos ejemplos ayudarn a comprender mejor estos conceptos que son vlidos por su
sencillez y no necesariamente por su interpretacin a alguna situacin real.

Ejemplos 2.3.
" "# B si ! B #
a) Sea \ variable aleatoria continua con fB
! para otros valores

La figura 2.1 muestra el comportamiento de esta variable aleatoria, que coincide con S\ en
los negativos y en el intervalo ] 2 , +_[ , y que en [0 , 2] es un segmento de recta ubicada por
arriba del eje S\ , por lo que la variable toma valores en este ltimo intervalo, formando un
tringulo rectngulo con el eje coordenado cuya rea es igual a uno, cumplindose que el rea
total bajo fB es la unidad. Tambin se aprecia que asigna probabilidades mayores a
intervalos cercanos al cero y probabilidades decrecientes a intervalos cercanos al dos. Algunos
clculos de probabilidades asociadas a esta variable se desarrollan a continuacin.
- T " \ $ ' "# " " B .B "#
$

# # #

' " fB .B '-_ !.B '! " "# B .B ! $% $% , esto se explica porque
#
0 "
- T \ " _
la funcin vale cero en los negativos y por lo tanto el rea es nula.
- T \ #$ ' # f B .B ' # " "# B .B '# !.B %* , pues la funcin toma el valor
_ # _
$ $
cero en el intervalo ]2 , _[ .
- T " \ &# '" " "# B .B "%
#
 59

B# $ si # B "
b) Sea la variable aleatoria continua \ con fB
! para otros valores
La funcin de densidad de probabilidad es un arco de parbola positiva con vrtice en O en
el intervalo [-2 , 1] y coincide con S\ fuera del intervalo figura 2.2. El rea total bajo la curva
corresponde a '-_ fB .B '-_ ! .B '-# B$ .B '" ! .B 0 " ! ".
_ # " # _

Algunas probabilidades asociadas a esta distribucin se calculan a continuacin.

- T " \ " ' #" B .B "$'
" #

# # -# $
'! B
#
- T \ ! .B )*
- T \ " -" fB .B '-"
' .B '" ! .B
-# $
_ " B# _ #
$ * ! #*, representada por el rea
ms clara en la figura 2.2.

Funcin de distribucin acumulativa (f.d.a).

Otra forma de expresar el comportamiento de una variable aleatoria consiste en hacerlo

mediante su distribucin acumulativa, la que aporta una serie de ventajas, en especial para las
distribuciones notables, por razones que se van a explicar posteriormente.

Definicin.

Se llama funcin de distribucin acumulativa, de una variable aleatoria \ , discreta o

continua, a una funcin J tal que J B T \ B.

Tal como lo da a entender su nombre esta es una funcin que va acumulando

probabilidades. En el caso discreto lo hace sumando probabilidades punto a punto, similar a la
frecuencia relativa acumulada L3 en descriptiva. En el caso continuo corresponde al rea total
bajo la curva desde -_ hasta el punto B en el eje real. Formalmente:
1. Si \ variable aleatoria discreta J B ! pB3

2. Si \ variable aleatoria continua J B '_ fB .B

B3 B
B
 60

La figura 2.3 ilustra el concepto de funcin de distribucin acumulativa en el caso de una

variable aleatoria continua X. La interpretacin es que en la medida que el punto x" avanza
hacia la derecha el rea bajo la curva se va incrementando y por tanto el valor de F(x" ), es
decir, aumenta la probabilidad de que ocurra un valor de X menor o igual que x" , hasta
alcanzar el valor 1 cuando x" llegue al final del recorrido.

Propiedades.

1 J es una funcin no decreciente, esto es, si B" B# J B" J B# .

2 lim J B ! y lim J B " , es decir, J B vara entre ! y "

B - _ B_

3 Si \ variable aleatoria discreta, entonces J es u na funcin escalonada, con saltos de

altura p(B3 en cada punto B3 V\ y con probabilidad puntual T \ B3 J B3 J B3-"

4 Si \ variable aleatoria continua, entonces J es un a funcin continua en d con

.
fB .B J B , con probabilidades T + \ , J , J + y P(\ , "J ,.

Ejemplos 2.4.
"# si B #
a) Si \ variable aleatoria con pB3 "$ si B3 $
3
, entonces
"' si B3 '
 61

! si B#
J B
"# si #B$

&' si $B'
" si B'

B# $ si # B "
b) Si \ variable aleatoria con fB
, entonces
! para otros valores

! si B #
J B B* + )* , pues '-_ f B .B = '-2
$ B B B# B$ )

si # B " .B = * +*
"
$
si B "

La funcin cuyo grfico es el de la figura 2.5 no tiene rea asociado, sino que valores sobre
la curva, as en la grfica F(-1) = 7/9 como se aprecia en la grfica, valor que corresponde al
rea ms oscura de la figura 2.2.
 62

Como ejemplos del clculo de probabilidades utilizando la funcin de distribucin

acumulativa J , se utilizarn los mismos casos del ejemplo 2.3. b), de modo que sirvan de
comparacin.

- T "# \ "# J "# J - "# (#

" ) 1 )
+ * - (# + * "$'
)
- T \ ! J ! ! * )*
)
- T \ " " T \ " " J " " -" * * #*
- T 1 \ $# J $# J -" " -*" *) 1 (* #* , pues $# est en el
intervalo B ", as que J $# ", como se ve en la figura 2.5.

3.3 Valores caractersticos de variables aleatorias.

Son valores que permiten resumir mediante un nmero ciertas caractersticas de una
variable aleatoria. Muchas veces este valor caracterstico coincide con el parmetro de la
distribucin. Los dos ms importantes se refieren al valor esperado o esperanza matemtica y
el otro a la varianza.

Valor esperado de una variable aleatoria.

Definiciones.

1. Se llama valor esperado de una variable aleatoria discreta al nmero I [\ ] = ! B3 pB3 .

2. Se llama valor esperado de una variable aleatoria continua al nmero I [\ ] = '_ BfB.B.
B3 VX
_

3. Para cualquier funcin L de la variable aleatoria \ , I [L\ ] ! LB3 :B3 si \ es

B3 VX

variable aleatoria discreta, o I [L\ ] ' _ LBfB .B si \ es variable aleatoria continua.

_

Ejemplos 3.1

a) Sea \ : puntos obtenidos al lanzar un dado ("legal") con :B3 = "' a B3 e" # $ % & 'f,
entonces I [\ ] =" "' # "' $ "' 4 "' & '" ' "' = "' ("+#+$+%+&+') $ &

$&
%
si B3 !
")
b) Sea \ variable aleatoria discreta con :B3 $&
si B3 "

, luego

$&
"#
si B3 #
$&
"
si B3 $
%
I [\ ] =! $& " ") "# "
$& # $& $ $& (
*
 63

c) Sea \ suma de puntos al lanzar dos veces un dado legal, entonces la distribucin de \
"$' si B3 # "#




#$' si B3 $ ""
es :B3
$$' si B3 % "!



%$' si B3 & *


&$' si B3 ' )
'$' si B3 (
La distribucin especifica que la probabilidad de obtener una suma de # puntos es "$' igual a
la probabilidad de obtener "# puntos o que obtener & o * puntos tienen ambas la misma
probabilidad de %$'. Entonces el nmero esperado de puntos obtenidos es
" # $ # "
I [\ ] # $' $ $' "! $' "" $' "# $' #&#
$' 7

Observacin.

De los tres ejemplos anteriores, especialmente en el a), es posible deducir que el valor
esperado de una distribucin es equivalente al "promedio" de los valores que esta variable
aleatoria puede tomar, pero no como promedio simple de sus valores, sino como un promedio
ponderado por su probabilidad :B3 . Esto es equivalente a pensar que en una tabla de
! 03 X3
frecuencia de variable discreta, . R ! 03
R X 3 ! 23 X3 , pues 23 03 R es la
frecuencia relativa y sta equivale a una probabilidad emprica. En este sentido, en los tres
ejemplos, se puede interpretar que si se observa la variable aleatoria un nmero "infinito" de
veces, entonces el promedio de los valores obtenidos es su valor esperado.

Ejemplos 3.2
a) Sea \ variable aleatoria continua con fB
#B si ! B "
! para otros valores

En la figura 3.1 se aprecia que la grfica de esta distribucin est representada por el
segmento que une los puntos (! ! y " # y por el eje S\ en el resto de los reales. De esta
manera asigna probabilidades mayores a valores en intervalos cercanos a 1 y probabilidades
pequeas a intervalos cercanos al cero.
La interpretacin de I [\ ] '-_ BfB .B '! B#B .B #$ , es que si se observa un
_ "

nmero muy grande de veces el valor de la variable su "promedio" es #$, lo cual es

consistente porque sus valores son ms cercanos al 1 que al cero, dentro del intervalo [! "].
 64

b) Sea la funcin de distribucin de \

B# $ si # B "
fB
! para otros valores , entonces
' 1 B# ' 1 B3
I [\ ] -2 B $ .B -2 $ .B &% , o sea, su valor "promedio" es -&%, valor consistente,
porque de acuerdo al ejemplo 2.3 b) esta variable aleatoria toma valores negativos con una
probabilidad de )*

Propiedades del valor esperado.

Las propiedades que se exponen a continuacin son equivalentes a las establecidas para la
media poblacional en la unidad de descriptiva.

1 I [5 ] 5 . El valor esperado de una constante es igual a la constante.

La propiedad es trivial, pues corresponde a la misma propiedad del promedio.

2 I [ -\ ] - I [ \ ] . La propiedad establece que la constante que multiplica a la

variable aleatoria multiplica al valor esperado.

$ I [-\ 5 ] -I [ \ ] 5. Esta corresponde a la propiedad de linealidad del

valor esperado e incluye a las dos primeras como casos especiales.

Demostracin.

Por facilidad en la demostracin se considerar a \ como variable aleatoria continua, pero

como la integral y la sumatoria tienen las mismas propiedades a utilizar en la demostracin,
tambin es vlida para las variables aleatorias discretas.

I [-\ 5 ] '_ -B 50 B .B , por la definicin 3 de valor esperado

_

'_ -B0 B 50 B .B
_
 65

I [-\ 5 ] '_ -B0 B .B '_ 50 B .B

_ _

-'_ B0 B .B 5'_ 0 B .B
_ _

-I [x] 5 , pues la primera integral es el valor esperado de \ y la

segunda es igual a uno por definicin.

4 Sean \ e ] variables aleatorias cualesquiera, entonces I [\ ] ] I [\ ] I [] ]

& Sean \ e ] variables aleatorias cualesquiera, entonces I [\] ] I [\ ]I [] ], salvo

que \ e ] sean variables aleatorias independientes.

Estas dos ltimas propiedades se demuestran en la seccin 4.3, ejemplo 4.2 y en la

consecuencia 3 de variables aleatorias independientes.

Ejemplos 3.3

Como ejemplos se mostrarn algunas aplicaciones del valor esperado.

a) Una compaa aseguradora desea ofrecer un seguro agrcola anual para la

produccin de cerezas por un monto de 2500 UF. La compaa estima que puede tener que
pagar el monto total con probabilidad 0,02 , el 50% del total con probabilidad 0,06 y un 25%
del monto con probabilidad 0,1. Cunto debe ser la prima anual que la compaa debe cobrar
si desea tener una utilidad promedio de 50 UF anual por cada uno de estos seguros?

Sea X: la prdida anual por cada siniestro de la compaa, cuya distribucin de probalidad es

! !# si B3 #&!!
pB3
! !' si B3 "#&!

! "! si B3 '#&
! )# si B3 !
Por lo tanto I [\ ] = #&!!! !#+"#&!! !'+'#&! " = ")( & UF , es el monto promedio anual
que debera pagar la compaa por cada seguro. Si desea tener una ganancia de 50 UF,
entonces debera cobrar 237,5 UF, que corresponde a la prdida ms la utilidad esperada.

b) La funcin :B3 representa la distribucin de probabilidad de calidad de un productor de
"' si B3 ", es decir primera

repollos :B3
"# si B3 #, es decir segunda .

"% si B3 $, es decir tercera
""# si B3 % , si es desecho
Si la ganancia por unidad est dada segn la funcin g(x) = 18x# -144x+281, calcular la
ganancia promedio del productor por cada unidad.

Forma 1.

1 Por la propiedad del valor esperado I [1\] I [")\ # "%%\ #)"]

")I [\ # ] "%%I [\ ] #)"
2 I [\ # ] "# "' ## "# $# "% %# "#
"
#$% y I [\ ] " "' # "# $ "% % "#
"
*%
 66

3 Sustituyendo estos valores donde corresponde se obtiene una ganancia promedio por
unidad de $ 60,5.

Forma 2.

1 Se obtiene la distribucin de probabilidad de la ganancia. Los valores de gi se obtienen

sustituyendo los valores 1, 2, 3 y 4 de B3 , respectivamente, en la funcin ganancia,

obtenindose:

"' si 13 "&&
p ( 13
"# si 13 '&

"% si 13 ""
""# si 13 (
2 Se calcula I [K ] "&& "' '& "# "" "% -( "#
"
$ 60,5 , coincidente con el resultado
anterior.

c) La variable aleatoria \ representa el peso (en kg) de pollos broiler de un productor, cuya
distribucin est dada por:
$
3B B# si " B $
f B 10 .
! en otro caso
Si el productor tiene una ganancia de 0,01 UF por cada pollo que pese entre 1 y 1,5 kg , de
0,02 UF por cada pollo que pese entre 1,5 kg y 2,5 kg y de 0,015 UF cuando pesa ms de
2,5 kg. Cul ser su ganancia total al vender su produccin de 5000 pollos ?

De la funcin de distribucin del peso de los pollos se establece que

T " \ " & "$%! , que T " & \ # & #$%! y que T # & \ $ %%!,
"$%! si 1 ! !"!
luego la distribucin de probabilidad de la ganancia queda establecida por

p 13 #$%! si 13 ! !#! ,
3
en consecuencia la ganancia promedio por pollo es
%%! si 13 ! !"&
I [K ] ! !"! 4"$! + ! !#! 4#$! +! !"& 44! 0,01625 UF, po lo tanto, la ganancia total se obtiene
multiplicando la ganancia promedio por unidad por el total de pollos vendidos, resultando una
ganancia de 81,25 UF.
Observe que la distribucin de la variable ganancia es discreta.

Varianza de una variable aleatoria.

Definicin.

Se llama varianza de una variable aleatoria a I [\ I [X]]# .

Observacin.

La definicin establece que la varianza es un promedio de desvos al cuadrado. Por la

misma razn que en estadstica descriptiva, sta es una medida de la variabilidad del
comportamiento de la variable aleatoria.
 67

Proposicin.

Z [\ ] I [\ # ] (I [\ ])#

Demostracin.

Sea I [ \ ] ., entonces Z [\ ] I [\ .]# , por cuadrado de binomio

I [\ # # .\ .# ], usando propiedades
I [\ # ] # .I [\ ] .#
I [\ # ] # . . .# I [\ # ] .#
I [\ # ] (I [\ ])#

Ejemplos 3.3

a) Del ejemplo 3.1 a) se tiene que :B3 = "' a B3 e" # $ % & 'f y que I [\ ] $ & ,
entonces Z [\ ] I [\ # ] I [\ ])# I [\ # ] "# "' ## "' &# "' '# "' *"',
luego Z [\ ] *" ( #
' # $&"#.

$&
%
si B3 !
")
b) Del ejemplo 3.1 b), :B3 $&
si B3 "
y I [\ ] = *( . Como


$&
"#
si B 3 #
$&"
si B3 $
I [\ ] ! $& " $& # $& $ $& "&( Z [\ ] "&
# # % # ") # "# # " * #
( ( #%%*.

c) Del ejemplo 3.2 a), fB

#B si ! B "
y I [\ ] #$ , luego
! en otro caso
I [\ # ] '! B# #B .B
" "
# Z [\ ] "# #$ # "").

&
B# $ si # B " y I [\ ]
d) Del ejemplo 3.2 b), fB % de donde
! para otros valores
I [\ # ] '-2 B# B$
" #
.B ""& Z [\ ] "" & #
& 4 &")!.
V[\ ] &"
)!
La variabilidad relativa de \ se obtiene con el G Z E[\ ] 4&
! '$*
Propiedades de la varianza.

Tal como sucede con la esperanza las propiedades a continuacin se corresponden con las
vistas en estadstica descriptiva.
1 Z [5 ] = 0 Se establece que la varianza de una constante es igual a cero, situacin trivial
por que una constante no vara.

2 Z [-\ ] - # Z [\ ] . La propiedad establece que la constante que m ultiplica a la variable

aleatoria multiplica al cuadrado a su varianza.

3 Z [-\ 5 ] - # Z [\ ]
 68

Demostracin.
Z [-\ 5 ] I -\ 5# I -\5#
I- # \ # #-5\ 5 # -I\ 5#
- # I\ # #-5 I\ 5 # - # I\# #-5 I\ 5 #
- # I\ # - # I\# , pues 5 # y los dobles productos se anulan
# # # #
- I\ I\ - Z \

Esta demostracin sirve para validar las dos propiedades anteriores que resultan como
casos particulares de sta.

4 Sean \ e ] variables aleatorias independientes, entonces Z [\ ] ] Z [\ ] Z [] ].

Esta es una propiedad importante en estadstica, porque establece que al tener dos
variables aleatorias independientes la varianza de su suma o diferencia es siempre igual a la
suma de sus varianzas, cuya demostracin es el ejemplo 4.3. c) de la seccin 3.4.

3.4 Nociones sobre distribuciones de variables aleatorias bidimensionales.

En muchas situaciones interesa considerar simultneamente dos o ms caractersticas en

un mismo individuo, como por ejemplo, su altura y su peso ; su edad, aos de educacin y su
ingreso mensual. Para tal efecto es necesario desarrollar algunos conceptos.

Definiciones.

1. El par \ ] recibe el nombre de variable aleatoria bidimensional o vector aleatorio si y

solo si \ e ] son variables aleatorias unidimensionales.
p p
Notacin: X \ ] ; X : W d# ; R pX es su recorrido.
p
2. El vector aleatorio X es discreto si su recorrido es un conjunto finito o infinito numerable.
p
3. En X vector aleatorio discreto, una funcin p(B3 , C4 ) que le asigne probabilidades a los
elementos (B3 , C4 de VpX , denominada funcin de probabilidad puntual conjunta de cuanta
conjunta, debe satisfacer las siguientes condiciones:
1 :(B3 C4 ) 0 , a B3 C4 V\
p

2 ! ! :(B3 C4 ) "
B3 C4 V\
p

p , entonces T F !
4. Si F V\ ! :(B3 C4 )
B3 C4 F
p
5. El vector aleatorio X es continuo si su recorrido es una regin de d# .
p
6. Sea X vector aleatorio continuo, entonces una funcin f B C, denominada funcin de
densidad conjunta , que le asigne probabilidades a toda regin B de d# , debe satisfacer las
siguientes condiciones:
1 f B C 0 , a B C d#
2 '_ '_ f B C .E " , donde .E .B.C .C.B
_ _

7. Si F d# , entonces T F 'F ' f B C .E

 69

8. Se llama covarianza de \ e ] a G 9@\ ] I [\] ] I [\ ] I [] ] .

La covarianza es una medida del grado de asociacin entre dos variables. Si G 9@\ ] !
la asociacin entre las variables es directa, en cambio si G 9@\ ] ! la asociacin es
inversa.

El inconveniente de la covarianza es que su unidad de medida depende de las de las

variables y que puede tomar cualquier valor real lo que dificulta una interpretacin ms fina.
Similar a lo que ocurre en estadstica descriptiva, donde el coeficiente de variacin facilita la
interpretacin de la variabilidad, en este caso se establece el coeficiente de correlacin entre
dos variables aleatorias.

9. Se llama coeficiente de correlacin entre X e Y al nmero adimensional rho (3) que se

calcula como la covarianza entre las variables, dividida por la raz del producto de sus
varianzas, as:
3 G 9@\ ] Z [\ ]Z [] ] , -1 3 1, es decir, es un valor acotado.

10. Si ^ es una funcin L de dos variables aleatorias, ^ L\ ] , entonces, segn la

distribucin sea discreta o continua
I [^ ] ! ! L B3 C4 :(B3 C4 ) I [^ ] '_ '_ L B Cf B C .E
_ _

B3 C4 V\
p

Ejemplos 4.1

a) La siguiente tabla de doble entrada define una funcin de probabilidad conjunta

:(B3 C4 ) para un vector aleatorio discreto

B3 C4 ! # 4 ' Total
" ! !& ! !$ ! !( ! !& ! #!
$ ! "! ! "# ! !& ! !$ ! $!
& ! "& ! #& ! !) ! !# ! &!
Total ! $! ! %! ! #! ! "! " !!

Segn la tabla T \ = $ ] = ! :(B# C" ! "!, T \ = 1 ] = 4 :(B1 C3 ! !(

T \ $ ] % T \ = & e ] = ! # T \ = & ] = 0) + P(\ = & ] = 2) ! %!
Observe que la suma de todas las casillas es uno, lo que corresponde a la probabilidad del
espacio muestral.
Sea ^ \] , entonces de la distribucin conjunta, I [^ ] ! ! B3 C4 :(B3 C4 )
B3 C4 V\
p

I [^ ]= "!! !&+"#! !$+"%! !(+"'! !&++&!! "&+&#! #&+&%! !)+&'! !#

= ( # .
Esto significa que la esperanza o promedio del producto de \ por ] es 7,2 .

p BC
B#
b) Sea X \ ] con distribucin conjunta f B C $ si ! B " ! C #
! en otra situacin
Entonces T \ $ ] " '! '" B $ .C .B "$$#%
" "$ # # BC
 70

Sea ^ #\ ] , entonces I [^ ] '_ '_ #B Cf B C .E

_ _

'! '! #B CB# BC

" #
$ .C .B
'! '! #B $ B C $ BC # .C .B #$*. Significa que
" # $ & # "

el valor esperado de dos veces la variable aleatoria X ms la variable aleatoria Y es 23 / 9.

Distribuciones marginales.

En la tabla que define la distribucin conjunta :(B3 C4 ) los totales por fila, se llama
distribucin marginal de \ . Los totales de columnas, se llama distribucin marginal de ] Las
distribuciones marginales corresponden a distribuciones unidimensionales de las variables
aleatorias \ e ] por separado, las que se deducen de la distribucin conjunta. As del
ejemplo 4.1 a), la ltima columna y la ltima fila respectivamente son las distribuciones
marginales


! #! si B3 " ! $! si C4 !
:B3 ! $! si :(C4
! %! si C4 #

B3 $
! &! si ! #! si C4 %
! "! si C4 '
B3 &
Las distribuciones marginales se pueden utilizar como cualquier distribucin unidimensional,
lo que se ilustra en los siguientes ejemplos.

T \ $ ! $! T ] ! T ] = # T ] = 4 T ] = ' ! (!
I [\ ] "! #! $! $! &! &! $ ' y anlogamente I [] ] # #
Z [\ ] "# ! #! $# ! $! &# ! &! $ '# # %% y V [] ] $ &'
Considerando que I [\] ] ( # (del ejercicio 4.1 a)) se obtiene que
G 9@\ ] ( # $ '# # ! (# , con un coeficiente de correlacin
3 ! (## %%$ &' ! #%%.

La funcin g B obtenida integrando f B C respecto a C en todo su recorrido se llama

funcin de ditstribucin marginal de \ , luego gB '_ fB C .C
_

La funcin h C obtenida integrando integrando f B C respecto a B en todo su recorrido

se llama funcin de ditstribucin marginal de ] , luego h C '_ fB C .B
_

Para la funcin de densidad conjunta del ejemplo 4.1 b), las funciones marginales
respectivas son:
gB '_ f B C .C '! B# BC
#B# #$ B si ! B "
$ .C #B $ B g B
_ # # #
! en otro caso
hC '_ f B C .B '! B# BC
" C
h C $
_ " " C ' si ! C #
$ .B $ ' ! en otro caso
Las distribuciones gB y hC, igual que en el caso discreto, se utilizan en situaciones
como las siguientes.

T \ "# ' " #B# #$ B .B &' ; T ] #& '! "$ C' .C ""(
" #&

I [] ] '! C "$ C' .C "!*.

#
#
 71

Ejemplo 4.2

Se demostrar la propiedad que I [\] ] I [\ ] I [] ]

I [\] ] '_ '_ BCf B C .C .B

_ _
Sea ^ \]
'_ '_ Bf B C .C .B '_ '_ C f B C .C .B
_ _ _ _

'_ B .B'_ f B C .C '_ C .C'_ f B C .B

_ _ _ _

'_ B .Bg B '_ C .Ch C

_ _

I [\ ] I [] ]

Variables aleatorias independientes.

Un caso importante en estadstica es aquel en que dos variables aleatorias son

independientes, lo cual se establece en la siguiente

Definicin.

Se dice que dos variables aleatorias son independientes si y solo si su distribucin conjunta
es igual al producto de sus distribuciones marginales y sus rangos no dependen una de la otra.

Consecuencias.

1. Si \ ] es un vector aleatorio discreto, \ e ] independientes :B3 C4 :B3 :C4

# Si \ ] es un vector aleatorio continuo, \ e ] independientes fB C gBhC
3. \ e ] independientes I [\] ] I [\ ] I [] ] G 9@\ ] !.

Demostracin.

I [\] ] '_ '_ BCf B C .E

_ _
, por definicin
'_ '_ BCg B)h ( C .C .B , por ser \ e ] independientes
_ _

'_ Bg B .B' _ Ch ( C .C
_ _

'_ Ch ( C .C'_ Bg B .B
_ _

I [] ] I [\ ]
Por lo tanto G 9@\ ] I [\] ] I [] ] I [\ ] !
Ejemplos 4.3

a) La siguiente tabla describe la distribucin conjunta del vector aleatorio \ ]

B3 C4 % & :B3
" ! !* ! #" ! $!
# ! "& ! $& ! &!
$ ! !' ! "% ! #!
:C4 ! $! ! (! " !!
Se puede verificar que la tabla describe la distribucon conjunta de variables aleatorias
independientes, porque en cada casilla :B3 C4 :B3 :C4 . Adems
I [\ ] "! $! #! &! $! #! " * I [] ] %! $! &! (! % (
I [\] ] "%! !* + "&! #"+ #%! "& + #&! $& +$%! !' +$&! "% ) *$
G 9@\ ] I [\] ] I [\ ]I [] ] ) *$ " *% ( !
 72

1
BC #
f B C 18
si 0 B # 0 C $
b) Sea , la distribucin conjunta de dos
! :9@
variables \ e ]

Sus funciones de distribucin marginales son

g B '!
"
.C "# B si ! B # luego g B #
$ 1 # B si ! B #
18 BC
! para otros valores

hC '!
" #
.B "* C# si ! C $ , luego hC *
# 1 C si ! C $
18
BC#
! para otros valores

Los valores esperados de \ e ] son respectivamente

I [\ ] '! B "# B .B %$ I [] ] '! C "* C# .C *%

# $
;

Si ^ \] , entonces I [\] ] '! '! BC ")

" # $
BC# .C .B
'! ) B .B $
# * #

Se puede establecer que \ e ] son variables aleatorias independientes, pues

fB C 1
18 BC
#
"# B "* C# gBhC y G 9@\ ] $ %$ *% !

c) Se demostrar que si \ e ] son variables aleatorias independientes, entonces

Z [\ ] ] es igual a Z [\ ] Z [] ].

Demostracin.

Z \ ] I \] # I\] #
I \ # ] # #\] I\ I] #
I \ # I ] # # I \] I \# I ] # # I\ I ]
I \ # I \# I ] # I ] # # I \] I\ I ]
Z \ Z ] # G 9@\ ]
Z \ Z ] , pues como \ e ] son independientes G 9@\ ] !
Observacin.

De la demostracin anterior se deduce la propiedad ms general de la varianza de una

suma o diferencia de variables aleatorias que establece: Z [\ ] ] Z [\ ] Z [] ] # G 9@
\ ] .

Ejemplos 4.4

a) Del ejemplo 4.1 b), se obtiene que I [\ ] "$") y I [ ] ] "!*, entonces

"$ "!
utilizando propiedades, I [#\ ] ] #I [\ ] I [] ] # ") * #$*, lo que coincide
con el resultado obtenido antes por definicin.
Tambin, por propiedades I [# \ $] ] # I [\ ] $I [] ] # "$ "!
") $ * )$")
En este caso se puede verificar que Z [\ ] ] Z [\ ] Z [] ], porque \ e ] no son
variables aleatorias independientes.
 73

b) Con la distribucin conjunta de variables aleatorias discretas del ejemplo 4.3 a) se

obtiene que:
I [\ ] " *
I [] ] % (
Z [\ ] "# ! $+## ! &+$# ! # " *# ! %*
Z [] ] %# ! $+&# ! ( % (# ! #".
A partir de los cuales, utilizando propiedades, se calcula:.
I [# $\ ] ] # $I [\ ] I [] ] " !
Z [\ ] ] Z [\ ] Z [] ] ! %* ! #" ! (! , porque \ e ] son variables aleatorias
independientes.
Z [\ ] ] Z [\ ] Z [] ] ! (! , por la misma razn anterior. Tambin:
Z [ \ $] #] Z [- \ $] #] Z [ -\ $] ] Z [ -\ )] Z [$] ]
-"# Z [\ ] $# Z [] ] ! %* *! #" # $)
 74

.
 75

4. DISTRIBUCIONES DE PROBABILIDAD NOTABLES

4.1 Introduccin.

El diagrama de la figura 1.1 establece las dos formas de describir el comportamiento de una
poblacin, empirica o teoricamente, la primera de las cuales requiere realizar una observacin
exhaustiva de la poblacin, es decir, un censo.

Figura 1.1. Distribuciones empricas y

tericas.

Por lo general es difcil realizar censos para grandes poblaciones por razones principales de
costo y tiempo , pero igualmente existe la necesidad de caracterizarlas basndose, si es
posible, en un nmero razonable de observaciones, es decir, en una muestra de la poblacin.
Para tal efecto hay que recurrir a supuestos sobre el comportamiento de la poblacin, es decir,
distribuciones tericas, de las cuales se puede asumir su forma, pero no sus parmetros, los
cuales se deducirn a partir de la muestra, es decir, se har una estimacin. La forma de la
distribucin terica se puede deducir a partir de comportamientos anteriores del fenmeno o a
partir de un anlisis descriptivo de la muestra si sta contiene un nmero relativamente grande
de observaciones como para construir un histograma de frecuencias.

Existe un gran nmero de distribuciones tericas, tanto de variables continuas como de

variables discretas, cada una de las cuales se expresa en trminos de una funcin matemtica,
como se estudi en distribuciones de variables aleatorias. Entre las distribuciones de variable
aleatoria continua ms notables se debe mencionar la distribucin Normal, la ms importante
de todas las distribuciones, la distribucin Uniforme y la distribucin Exponencial. De las
distribuciones discretas son importantes la distribucin Binomial, la ms notable entre las
 76

discretas, la distribucin de Poisson y la distribucin Binomial negativa, todas con aplicaciones

en el mbito agronmico.

4.2 Distribucin Normal.

Es la distribucin que aparece con mayor frecuencia en el comportamiento de fenmenos

reales, en especial en el rea de las ciencias naturales. Johann Carl Friedrich Gauss genio
matemtico , fsico y astrnomo, de nacionalidad alemana, fue el que mayormente contribuy a
su formulacin y aplicacin en diferentes reas del saber como por ejemplo en su aplicacin a
la teora de los errores, de importancia en ingeniera.

Es una distribucin de variable aleatoria continua cuya funcin matemtica, funcin de

" B. #
densidad de probabilidad, es 0 B " # / # 5 -_ B _ , cuya grfica corresponde a
#15
una curva en forma de campana denominada Campana de Gauss, que como se puede
apreciar depende de los parmetros . y 5 2 , que corresponden a su valor esperado y
varianza respectivamente.

Notacin: \ R (. , 5 2 )

Caractersticas de la distribucin normal.

1 la curva tiene forma acampanada, asinttica al e je \ hacia -_ y +_. El rea total encerrada
por sta y \ es igual a 1, como corresponde a toda funcin de distribucin de probabilidad.

2 la curva tiene un mximo en . y es simtrica respecto a la recta x = .. Luego, en esta

distribucin son coincidentes la media aritmtica, la mediana y la moda, es decir, . = Me = Mo.

3 la curva tiene dos puntos de inflexin que se ubican en x = . - 5 y x = . + 5

4 el rea bajo la curva comprendida entre los puntos de inflexin es igual a 0,6826 (68,26%)
y el rea entre . - 25 y . + 25 es igual a 0,9544 (95,44%), cualesquiera sean los valores de
sus parmetros . y 5 # . Se debe recordar que el rea bajo la curva, en variables aleatorias
continuas, corresponde a la probabilidad de sucesos que son intervalos de nmeros reales. En
consecuencia, lo anterior se puede interpretar en el sentido que el 68,26% de los individuos
que componen la poblacin terica tienen un valor de la variable en estudio entre . - 5 y . + 5
y en el 95,44% el valor de la variable quedar comprendida entre . - 25 y . + 25 .

Ejemplo 2.1

En una lechera la produccin diaria de leche por vaca, \ , se distribuye R 18 , 9) , cuya

grfica es la de la figura 2.1. De acuerdo al enunciado se puede deducir que el 68,26% de las
vacas tienen una produccin diaria de leche entre 15 y 21 litros de leche, que corresponde a
valores entre .5 , mientras que el 95,44% de las vacas produciran entre 12 y 24 litros diarios,
que corresponde a .25 .
Si la lechera cuenta con 3000 vacas la pregunta de cuntas de ellas producen entre 15 y 21
litros, se resuelve considerando que el 68,26% de ellas est en esa condicin y por lo tanto el
68,26% de 3000 corresponde a 2048 vacas
Para contestar la pregunta de cuntas vacas producirn ms de 24 litros, se debe
considerar que el 95,44% de ellas produce entre 12 y 24 litros diarios y que en los extremos,
es decir bajo 12 litros y sobre 24 litros, est el (100 - 95,44)% = 4,56% de las observaciones y
 77

como la distribucin es simtrica, la mitad, o sea, el 2,28% produce ms de 24 litros, lo que

implica que 68 son las vacas que estaran en esa condicin.

Distribucin Normal Tpica o estndar.

Se llama distribucin normal tpica a ^ R ! ", con funcin de distribucin de

probabilidad 0 D "#1 / # D . Su funcin de distribucin acumulativa es 9D '_ 0 D .D ,
" # D

que representa el rea bajo la curva normal estndar desde -_ hasta el valor real D Por
ejemplo el rea acumulada hasta el punto a es 9(a) '_ 0 D .D , representada en la figura
a

2.2.
La relacin entre el rea bajo la curva normal tpica con la probabilidad de ^ se expresa as:
1) T ^ a 9a, por definicin y que corresponde al rea desde -_ hasta a.
2) T a ^ b 9b 9a , corresponde al rea entre a y b, segn la siguiente deduccin
'_
b
0 D .D '_ 0 D .D 'a 0 D .D 'a 0 D .D '_ 0 D .D '_ 0 D .D
a b b b a

T a ^ b 9b 9a
3) T ^ b " T ^ b " 9b, corresponde al rea desde b hasta +_.

La funcin de distribucin acumulativa 9 est tabulada para diferentes valores de D La

razn de la tabulacin radica en la situacin prctica de obviar los clculos rutinarios de la
integracin debido a que la '_ 0 D .D no se puede resolver utilizando el Teorema
D

" "# D #
Fundamental del clculo debido a que la funcin 0 D #1 / no tiene primitiva.
En el anexo 1 (tabla A1) se incluye una tabla de la funcin 9D. Los valores para D con un
decimal se presentan en la primera columna y las siguientes columnas corresponden al
segundo decimal de D . As, por ejemplo 9-# "! ! !"(* se lee en la interseccin de
lnea -2,10 con la columna 0,00 y 9-# "% ! !"'# se lee en la misma lnea en la columna
0,04. La probabilidad 9" $) ! *"'# se lee en la lnea con z igual 1,30 y en la columna del
0,08.

Ejemplo 2.2

Se mostrarn algunos ejemplos de clculo de probabilidades asociada a una distribucin

normal tpica.
 78

- T ^ " # 9" # ! ))%*

- T ^ - ! '& 9- ! '& ! #&()

-T ! & ^ ! )# 9! )# 9! & ! (*$* ! '*"& ! "!#%

- T -! & ^ ! )# 9! )# 9- ! & ! (*$* ! $!)& ! %)&%

- T -" # ^ -! ( 9- ! ( 9- " # ! #%#! ! ""&" ! "#'*

- T ^ " %& " T ^ " %& " 9" %& " ! *#'& ! !($&

- T ^ - ! '& " T ^ - ! '& " ! #&() ! (%##

A continuacin se enunciar un teorema de enorme importancia estadstica, porque

establece la relacin entre una distribucin normal cualquiera y la distribucin normal tpica.

Teorema.
\.
Sea \ variable aleatoria con distribucin R . 5 # , entonces la variable tipificada ^ 5
tiene distribucin R ! ".

Esto es de especial relevancia porque limita los clculos de probabilidad de distribuciones

normales al uso de una tabla nica, como la A1 del anexo.

Consecuencia.

Se fundamentar matemticamente cmo probabilidades asociadas a una variable

\ R . 5 # se pueden obtener a partir de probabilidades de una normal tpica.
 79

Por definicin T + \ , '+

, " B. #
#15 # I\T 5 # .B , al realizar en la integral la
B.
sustitucin D 5 se deduce que .B 5 .D y que los lmites de integracin de la integral
+. ,.
transformada son respectivamente D" y D#
5 . Entonces
, '+ # I\T 5 # # .B
5
, " B .
T + \
'D"# " I\T D # # 5 .D
#15
D

'
5 #1
D# "
D" I\T D # # .D
#1
T D" ^ D#
+. ,.
T 5 ^ 5 .
,.
9 5 9 +5 . .
Ejemplos 2.3

a) Para ilustrar el uso del teorema en el clculo de probabilidades, considrese la variable

\ R ## #& cuya transformacin ^ \## 5
R ! ", entonces para obtener
probabilidades de eventos de \ se procede como a continuacin
T \ "# T \ -5## "# 5- ## ) T ^ "# 5- ## 9 "# 5- ## 9- # ! !##)

T #! \ #& T #! 5- ## \##
5
#&##
5
T #! 5- ## ^ #&##
5

9! ' 9- ! ) ! (#&( ! #""* ! &"$)

#* - ##
T \ #* " T \ #* " T ^ 5
) " 9" % " ! *"*# ! !)!)

b En una lechera la produccin de leche por vaca tiene distribucin \ R ") *,

representada en la figura 2.1. Cul es la probabilidad que una vaca elegida al azar:

1) produzca menos de 12 litros

Es necesario transformar \ R ") * a ^ R ! " , lo que implica que ^ \ -$ ") ,
luego T \ "# T \ -$ ") "#")
$
T ^ -# ! !##), por lo tanto la probabilidad que una
vaca elegida al azar produzca menos de 12 litros es de 0,0228. Tambin se puede decir que el
2,28% de las vacas de la lechera producen menos de 12 litros diarios.

2) tenga una produccin entre 21 y 24 litros?

Esto es, T #1 \ #4 T " ! ^ # ! 9(# ! 9" ! ! *((# ! )%"$ ! "$&*
Por lo tanto la probabilidad que una vaca cualquiera produzca entre 21 y 24 litros diarios es de
0,1359.

3) produzca entre 15 y 22 litros?

T "& \ ## T " ^ " $$ 9(" $$9 " ! ! *!)# ! "&)( ! (%*&.
En consecuencia la probabilidad que una vaca elegida al azar tenga una produccin entre 15 y
22 litros es de 0,7495.

4) tenga una produccin mayor a 25 litros?

T \ #& " T ^ # $$ " 9(# $$ " ! **!" ! !!**. Es decir, el 0,99% de
las vacas de la lechera produce ms de 25 litros.
 80

Valores percentiles de la distribucin normal tpica.

Los valores percentiles de distribuciones de probabilidad son de gran importancia en

estadstica. En el caso de la distribucin normal el valor percentil consiste en obtener el valor
de a tal que T ^ a !, ! ! " . Conceptualmente esta situacin es la inversa de la
desarrollada en la seccin anterior. Es decir, si la distribucin tabulada es T ^ a 9a,
entonces T ^ a ! implica 9a !, luego a 9" ! es la inversa de la funcin de
distribucin acumulativa normal.

Notacin. Se utilizar la notacin percentil D! 9" !

Los valores percentiles D! se obtienen de la misma tabla, funcin acumulativa de la normal

estndar, usndola en forma inversa.

Ejemplos 2.4

En cada caso obtener el valor de + que cumpla con la probabilidad dada a partir de una tabla
de la distribucin acumulativa normal estndar:
a) T ^ + ! "!*$ 9+ ! "!*$ + 9-" ! "!*$ D!"!*$ " #$

b) T ^ + ! )"&* 9+ ! )"&* + 9-" ! )"&* D!)"&* ! *!

c) T ^ + ! #! " T ^ + ! #! T ^ + ! )! + 9-" ! )! ! )%

d) T ^ + ! "!*$ " 9+ ! "!*$ 9+ ! )*!( + 9-" ! )*!( " #$

e) T ^ + ! "! 9+ ! *! + 9" ! *! D!*! " #)

f) T ^ + ! "! 9+ ! "! D!"! " #)

Observaciones.

1) Los ejemplos a) y d) , e) y f) corresponden a situaciones simtricas en la distribucin normal

tpica, por lo cual sus valores percentiles tienen el mismo valor pero con signos opuestos. Ello
siempre ocurrir con los valores percentiles complementarios, esto es D! D" - ! .

2) Una situacin de gran importancia en estadstica son los intervalos de probabilidad central
" ! de la distribucin normal tpica ^ , cuyos extremos son valores percentiles simtricos,
que en trminos probabilsticos es T D!# ^ D" - !# " ! o en forma equivalente
T D" - !# ^ D" - !# " !, pues por la observacin anterior D!# D" - !# por
corresponder a valores percentiles simtricos.
As T D!"! ^ D!*! ! )! T " #) ^ " #) ! )! (ver ejemplo e) y f)
anterior) y T D!!#& ^ D!!*(& ! *& T " *' ^ " *' ! *& , valores que se
encuentran en el cuadro 2.1.
 81

Valores percentiles notables de la distribucin normal tpica.

Ciertos valores percentiles de la distribucin normal tpica tienen uso frecuente en inferencia
y por esta razn se denominarn valores notables, los cuales se resumen en la siguiente tabla.

! D! D"-!
! "! - " #) " #)
! !& - " '4& " '4&
! !#& - " *' " *'
! !" - # $$ # $$
Cuadro 2.1. Valores percentiles
notables de la distribucin Z

Tambin se pueden calcular valores percentiles de distribuciones normales cualesquiera y

para ello se debe realizar el proceso de tipificacin tal como en el clculo de probabilidades.

Ejemplo 2.5

Si en un cierto huerto ocurre que el peso \ de manzanas Granny, tiene distribucin normal
con media 140 gr y desviacin tpica de 20 gr, entonces se pueden determinar situaciones
como las siguientes.
a) El peso mximo del 10% de las manzanas de menor peso, o sea, el percentil 10.
La distribucin de las manzanas es \ R "%! %!! para la cual se est pidiendo a tal que
T \ a ! "! T ^ a"%!
#!
! "! 9 a"%!
#!
! "! a"%!
#!
9" ! "! " #).
Despejando, se obtiene que a ""% %! gr, en consecuencia el 10% de las manzanas ms
pequeas pesan menos de 114,4 gr.

b) El peso mnimo del 5% de las manzanas ms grandes, es decir, el percentil 95.

T \ a ! !& " 9 a"%!
#!
! !& 9 a"%!
#!
! *& a"%!
#!
9" ! *& " '%&.
Despejando se obtiene que a "(# * gr. Luego el 5% de las manzanas ms grandes pesan
sobre los 172,9 gr.

c) Entre que peso se encuentra el 90% central de las manzanas.

El 90% central se encuentra entre el percentil 5 y el 95 de la distribucin del peso de las
manzanas, designados respectivamente por a y b, valores simtricos en relacin a la
media 140. Por lo tanto T a \ , ! *! T a"%!
#! ^ b"%!
#! ) ! *!, luego
a"%! a"%! "
9( #! ) ! !& #! 9 ! !& " '%& + "!( "
9( b"%!
#! ) ! *&
b"%!
#!
9" ! *& " '%& , "(# *, por consiguiente el 90% central de
las manzanas pesa entre 107,1 gr y 172,9 gr.

4.3 Distribucin Uniforme.

La distribucin uniforme es la smil de la distribucin equiprobable de variable aleatoria

discreta, y establece que en cualquier posicin, dentro del rango de valores de la variable, la
probabilidad de un suceso est en relacin con la longitud del intervalo que lo define. Por
ejemplo si a , b , c y d, en orden de magnitud, pertenecen al rango de valores y si b - a = d - c ,
entonces en una distribucin uniforme se cumple que T a \ b T c \ d. En
consecuencia la funcin de distribucin de probabilidad de la distribucin uniforme debe ser
una funcin constante en el intervalo de valores de \ . Una variable aleatoria continua \ tiene
 82

distribucin uniforme de parmetros a y b si su funcin de distribucin de probabilidad

"
f B ba
si a B b
es de la forma .
! para otros valores

Notacin: \ Unif (a , b)

Valores caractersticos.

Es fcil deducir aplicando las definiciones de valor esperado y varianza que

ba)#
I [\ ] a # b y Z [\ ] "# .

Ejemplo 3.1

En un terminal de buses la frecuencia de salida a un cierto destino es de treinta minutos a

partir de las 7:00 AM. Un usuario frecuente llega al terminal en un instante que est distribuido
uniformemente entre las 7:30 y las 8:00 hras. Si llega justo a la hora de salida ya no puede
abordarlo y debe esperar el siguiente, de modo que su espera mxima es de 30 minutos.
La hora de llegada del usuario ocurre, tambin, en un intervalo de 30 minutos, luego es una
distribucin uniforme en un intervalo de longitud treinta, por lo tanto las probabilidades de
tiempos de espera es la razn con respecto a 30 del tiempo desde su hora de llegada hasta las
8 hras.
Si, por ejemplo, el usuario tuviera que esperar al menos 10 minutos, su hora de llegada
debe ser entre las 7:30 y las 7:50, es decir, en un intervalo de longitud 20, lo que implica una
probabilidad de ocurrencia de 20/30 o 2/3.
Si interesa la probabilidad de que tenga que esperar menos de 16 minutos, su llegada debe
ser entre las 7:44 y las 8:00, correspondiente a un intervalo de longitud 16, cuya probabilidad
es 8/15.
Para una espera de al menos 5 minutos, cuando la frecuencia de salida es cada 15
minutos, su llegada debe ser entre las 7:30 y 7:40 o entre las 7:45 y 7:55, esto es, dos
intervalos de longitud 10, pero la llegada del usuario sigue siendo uniforme en un intervalo de
30 minutos, luego la probabilidad de tal evento es 20/30. Por otra parte la probabilidad de una
 83

espera de menos de 8 minutos es de 16/30, pues su llegada debe ser entre 7:37 y 7:45 o 7:52
y 8:00, que corresponde a dos intervalos de longitud 8.

4.4 Distribucin Exponencial

La variable aleatoria continua \ tiene distribucin exponencial de parmetro ! si su funcin

!/!B si B ! ! !
de densidad tiene la forma f B .
! si B !
Notacin: \ IB:!

Valores caractersticos.

Aplicando las definiciones de valor esperado y varianza a la distribucin exponencial

y utilizando un poco de clculo integral se puede establecer que I [\ ] "! y Z [\ ]
"!# .

Ejemplo 4.1

Un pesticida, que se degrada inicialmente en forma muy rpida, tiene un promedio de

residualidad de 8 das. Por residualidad se entender que el producto es an efectivo en ese
instante. Por experiencias anteriores se sabe que la variable aleatoria T, das de residualidad,
se ajusta a una distribucin exponencial.

a) determinar la funcin de distribucin de probabilidad del tiempo de residualidad T

! "#&/!"#&> si > !
I [X ] ) "! ! ") ! "#& f >
! si > !

b) cul es la probabilidad que el insecticida tenga una residualidad mayor a 16 das ?

Para este propsito conviene obtener la funcin de distribucin acumulativa que implica
' > ! "#&/!"#&B .B " /!"#&> , si > !, o sea, J > ! , si > !
!"#&> ,
! "/ , si > !
debindose calcular T X "' " J "' /"') /# ! "$&. Luego el insecticida
tiene efectividad despus de los 16 das con una probabilidad de 0,135.

c) cul es el valor mediano de la residualidad del insecticida ?

La mediana corresponde al valor de > tal que J > ! & " /!"#&> ! &
/!"#&> ! &. Aplicando logaritmo y resolviendo se obtiene que > & & das. Esto
significa que hay una probabilidad del 50% que el producto dure menos de 5,5 das.

d) despus de cuntos das existe una probabilidad menor a 0,05 de que haya
residualidad del producto ?
Se debe calcular T X > ! !& " J > ! !& J > ! *& />) ! !&,
usando logaritmo y despejando se obtiene > #% das, es decir, despus de los 24 das.
 84

4.5 Distribucin de Bernoulli.

Existen experimentos dicotmicos en los cuales el resultado se puede establecer en

trminos de xito o fracaso, es decir, ocurre E o E, como por ejemplo un individuo puede
estar sano o enfermo, vivo o muerto, defectuoso o no defectuoso. En estos casos la variable
asociada es una variable aleatoria ] denominada variable Bernoulli tal que ] " si ocurre E,
es decir, se obtiene un xito cuya probabilidad de ocurrencia es :, e ] ! si ocurre E, o sea,
se obtiene un fracaso cuya probabilidad de ocurrencia es " :. Formalmente la distribucin de
] es
p C3
" : si C3 !
: si C3 "

Valores caractersticos.

I [] ] : Z [] ] :" :

Demostracin.

Aplicando las definiciones de esperanza y varianza se tiene que

1) I [] ] !" : ": : .
2) Z [] ] I [] # ] I [] ] # !# " : "# : :# : :# :" : .

4.6 Distribucin Binomial.

La distribucin binomial se origina cuando se seleccionan al azar individuos para establecer

si poseen o no una determinada caracterstica E. La eleccin debe ser independiente y la
probabilidad de que un individuo presente la caracterstica E es la misma de un individuo a
otro. Estas condiciones se dan por ejemplo cuando de un conjunto muy grande de semillas de
una determinada variedad, entre las cuales el porcentaje de germinacin es p, se seleccionan
n semillas en forma independiente, luego el nmero de semillas germinadas sigue una
distribucin binomial. O cuando en un vivero la probabilidad de que una planta est enferma es
p y se seleccionan n plantas al azar para ser examinadas, entonces el nmero de plantas
 85

enfermas entre las n seleccionadas tiene distribucin binomial. Es condicin en estos casos
que la seleccin sea una tras otra y con sustitucin, al ser finitas las poblaciones definidas,
pero si el nmero de individuos, semillas o plantas, es muy grande la sustitucin es irrelevante.

Considrese el caso de un vivero en el cual T enferma) p , T sana " p q y del

cual se seleccionan 10 plantas al azar. Si \ es el nmero de plantas enfermas que hay entre
las 10 seleccionadas, entonces para calcular las probabilidades se procede como se estableci
en probabilidades para sucesos independientes. As las probabilidades de obtener 4, 7 o B3
plantas enfermas se calculan segn el siguiente procedimiento:
T \ 4) cT I I I I W W W W W W , donde I I I I W W W W W W es una de las
formas en que puede ocurrir 4 enfermas y 6 sanas, cuya probabilidad es p 4 q ' , debido a la
independencia de la seleccin y c es el nmero de formas distintas en que puede ocurrir esa
combinacin y por lo tanto c "!4 #"!. Se deduce, entonces que T \ % #"! : ; .
4 '

De manera anloga se establece que T \ ( "!

( p q "#! p q
( $ ( $
y que
T (\ B3 "!
B3 p
B3 q "!B3 , porque al haber B3 plantas enfermas p debe aparecer B3 veces
en el producto, q debe aparecer el resto de las veces y "!
B3 es el nmero de ordenamientos
posibles en que puede ocurrir B3 enfermas y "! B3 sanas.

Formalmente, la variable aleatoria discreta \ , correspondiente al nmero de veces que

ocurre un suceso A, cuya probabilidad de ocurrencia es p, en n observaciones independientes
de un experimento %, tiene distribucin binomial de parmetros n y p, con funcin de
distribucin de probabilidad pB3 B83 :B3 ; 8B3 B3 ! " # 8, con funcin de

distribucin acumulativa J x; n,p ! B83 :B3 ; 8B3 .

x

B3 = !

Notacin: \ Bin (n , p)

Observaciones.

1) La distribucin recibe el nombre de binomial porque cada uno de los valores pB3 resulta ser
q pn ! B83 p B3 q
n
un trmino del desarrollo del binomio 8B3 , cuya suma
B3!
evidentemente es igual a 1, pues p q ".

2) Es fcil establecer la relacin entre la distribucin binomial y la distribucin de Bernoulli, de

parmetro p, ya que a cada una de las n observaciones independientes de % corresponde un
valor 1 o 0, segn haya ocurrido o no el suceso A, por la cual la variable binomial \
corresponde a la suma de n variables independientes Bernoulli, es decir,
\ ! ]3 Bin (n , p).
8

3"
 86

Por ejemplo el valor \ = 4, donde \ es el nmero de plantas enfermas al examinar 10 plantas

al azar, puede ocurrir de varias maneras, como por ejemplo, I I I I W W W W W W =
" " " " ! ! ! ! ! ! I W W I W W W I I W = " ! ! " ! ! ! " " !, que
corresponden a una sucesin de 10 variables Bernoulli, cuya suma es el valor de \ igual a 4.

3) Existen tablas de la distribucin acumulativa binomial, para ciertas combinaciones de n y p.

Valores caractersticos.

I [\ ] 8: Z [\ ] 8:" :

Demostracin.
Dado que \ ! ]3 ,
8
y que para cada ]3 , I []3 ] : , Z []3 ] :" :, luego por
3"
la propiedad del valor esperado y de la varianza para variables independientes
1) I [\ ] I [! ]3 ] ! I []3 ]) ! :) 8:
8 8 8

3" 3" 3"

2) Z [\ ] Z [! ]3 ] ! Z []3 ]) ! :" : 8:" :.

8 8 8

3" 3" 3"

Ejemplo 6.1

En un vivero la probabilidad que una planta de vid tenga virus es de 0,04. Un viticultor
necesita comprar 100 parras al vivero.

Si \ es el nmero de plantas con virus que hay entre las compradas por el viticultor, entonces
\ F38"!! ! !%, con pB3 "!!
B3 ! !% ! *'
B3 "!!B3
, B3 ! " # "!!, cuyo
grfico es el de la figura 6.1.
a) Cuntas plantas con virus se espera que adquiera el viticultor?
Esto se refiere al I [\ ] "!!! !% %, es decir se espera, pero no tiene que ocurrir
necesariamente as, que ste en promedio adquiera 96 plantas sanas y 4 enfermas con virus .
 87

b) Cul es la probabilidad de que el viticultor adquiera

1) ninguna planta con virus ?
Corresponde a T \ ! "!! !
! !%! ! *'"!! ! !"'* , luego existe una probabilidad
de 1,7% de que este suceso ocurra.
2) al menos una planta con virus ?
Esto es T \ " " T \ ! " ! !"'* ! *)$", o sea, esto ocurrir en el 98,31%
de los casos.
3) entre 5 y 10 plantas con virus, ambos valores incluidos ?
Luego, T & \ "! ! "!!
B3 ! !% ! *'
"!
B3 "!!B3
, pero el clculo de esta probabilidad,
B3&
an con calculadora cientfica, es tedioso, por lo que es conveniente utilizar tablas de la
distribucin acumulativa binomial como la del anexo 2 ( tabla A2). .

Entonces T & \ "! J "!;"!! ! !%J % "!! ! !% ! **() ! '#)* ! $')*.

Este suceso ocurrir el 36,89% de las veces.

4) exactamente 4 plantas con virus ?

De la tabla A2, T \ % J % "!! ! !% J $ "!! ! !% ! '#)* ! %#*& ! "**%.
Esto corrobora que la probabilidad de ocurrencia del valor esperado de una variable aleatoria
discreta no es necesariamente un valor alto y en este caso ocurre aproximadamente el 20%
de las veces.

Aproximaciones de la distribucin binomial.

Existen dos aproximaciones para la distribucin binomial. Una de estas aproximaciones es a

la distribucin de Poisson y ocurre cuando n es "grande" y p o q pequeo. Esta distribucin
se tratar a continuacin. La otra aproximacin es a la distribucin normal la que resulta
bastante satisfactoria cuando npq 4. Segn esta condicin la aproximacin no resulta
buena para el problema del viticultor, pues 1000,040,96 %. En la figura 6.2 se ilustra el
caso de la aproximacin a la normal de una binomial con p = 0,3 y con n de 30, 120 y 270 a
distribuciones N( 9, 6,3), N(36, 25,2) y N(81, 56,7) respectivamente.
 88

A continuacin un ejemplo ilustrativo.

Ejemplo 6.2

En un vivero una planta de kiwi tiene una probabilidad de 0,2 de estar enferma. Se
examinan una a una 64 plantas seleccionadas al azar.
Si \ es el nmero de plantas enfermas detectadas en las 64 examinadas, entonces
1) Como X Bin (64, 0,2, se utilizar la distribucin exacta de la tabla A2 para calcular las
siguientes dos probabilidades:
- T & \ "! J "!; '%, ! # J % '% ! # ! #%"! ! !!#" ! #$)*

- T ) \ ") J ") '% ! # J ( '% ! # ! *&(* ! !%#! ! *"&*

2) Dado que I [\ ] 64/5, Z [\ ] 256/25 y que npq 640,20,8 10,24 4,

entonces X N 64
5
256
25
, entonces se utilizar esta aproximacin para calcular las
probabilidades anteriores:
- T & \ "! T %& \ "!& T -# &* ^ -! (# 9-! (# 9-# &*, luego
T & \ "! ! #$"! .

- T ) \ ") T ( & \ ") & 9" () 9-" '' ! *"%!

Las probabilidades de la distribucin normal fueron obtenidas de la tabla A1. Al usar la

aproximacin se debe realizar la correccin por continuidad propuesta por Yates, que consiste
en restar 0,5 en el lmite inferior del intervalo y sumar 0,5 en el lmite superior, pues se debe
asumir que en un intervalo con lmites nmeros enteros al pasar a otro con lmites en un
contnuo, el intervalo parte media unidad antes y termina media unidad despus. Esta
aproximacin se aplic en los clculos anteriores. Comparando los resultados exactos con los
de la aproximacin, se aprecia que las diferencias son del orden de milsimas, con la ventaja
que es ms prctico aplicar la distribucin normal como se ver ms adelante.

4.7 Distribucin de Poisson.

La distribucin de Poisson se puede presentar como una distribucin lmite de la distribucin

binomial cuando n tiende a infinito y p q tiende a cero. La deduccin de esta distribucin se
har aplicando esta situacin lmite.
Sean n y p tal que np se mantenga constante e igual a un valor -, entonces para obviar
el doble limite se sustituir p - n, pues de esta manera p tender a cero cuando n tienda a
infinito. Luego
pB3 lim lim F388 : lim F388 -n ) lim B83 -8 B3 " -8 8B3
8_ :! 8_ 8 _

lim B83 8-B3

B3
" -8 8 " -8 B3 .
8_
B83
8(8-1)8-2)........(8x3 1)
Pero B3 x
tiene x3 factores tanto en numerador como en
denominador.
8(8-1)8-2)........(8x3 1) -B 3
Por lo tanto, pB3 lim B3 x
8B3 " -8 8 " -8 B3
8 _
8(8-1)8-2)........(8x3 1) -B3
lim 8x3 x3 x " -8 8 " -8 B3
8_
-B 3 8(8-1)8-2)........(8x3 1)
x3 x lim 8x3 " 8- 8 " -8 B3
8_
 89

-B 3 8(8-1)8-2)........(8x3 1)
x3 x lim 8x3 lim " 8- 8 lim " 8- B3 .
8 _ 8 _ 8 _

Se determinar cada uno de los tres lmites por separado.

8(8-1)8-2)........(8x3 1) 8x3 1
u = lim 8x3 lim 88 8 1 8 2
8 8 8 ", pues el lmite de cada
8 _ 8 _
uno de los x3 factores es 1.

v = lim " -8 8 = e- , que corresponde a un lmite matemtico notable

8_

w = lim " -8 B3 = ( lim " -8 )B3 = "B3 ".

8 _ 8 _
-B 3 -B 3
En consecuencia pB3 x3 x uv w x3 x e- .

As, una variable aleatoria discreta X con funcin de probabilidad

-B 3 -
pB3 x3 x e , x3 ! " # $, se denomina distribucin de Poisson de parmetro - !,
con funcin de distribucin acumulativa J x; - !
x
- B3
x3 x e - .
B3 !
Notacin: X c (-).

Existen tablas de la distribucin acumulativa de Poisson para diferentes valores de -.

Ejemplo 7.1

Un ejemplo tpico asociado a la aproximacin binomial tiene relacin con el clculo actuarial,
que corresponde al que usan compaas de seguros cuando tienen que calcular las primas a
cobrar por seguros con un alto nmero de asegurados y con una baja probabilidad de
ocurrencia del siniestro. La siguiente situacin ilustra uno de estos casos.
Una compaa tiene 50.000 afiliados al Seguro Obligatorio por Accidentes Personales. La
compaa sabe que la probabilidad anual de muerte por accidente automovilstico es de
0,0001.
La variable aleatoria X nmero de muertes accidentales anuales entre sus asegurados, es
una variable binomial de parmetros n = 50000 y p = 0,0001, cuya funcin de distribucin es
pB3 &!!!!
B3 ! !!!" ! ****
B3 &!!!!B3
, pero estas probabilidades son molestas de
calcular. Como este es un caso con n grande y p pequeo, es vlida la aproximacin de
Poisson. En este ejemplo - np 500000,0001 5 , luego Bin &!!!! ! !!!" es
aproximadamente una Poisson de parmetro 5, denotada c(&). Usando la distribucin
acumulativa, del anexo 3 (tabla A3), la compaa puede calcular la probabilidad de los
siguientes sucesos.

a) Cul es la probabilidad de no pagar ningn siniestro durante el ao ?

T \ ! J !;& ! !!'( ! (%

b) Cul es la probabilidad de pagar a lo ms 3 siniestros durante ese periodo ?

T \ $ J $;& ! #'&!

c) Cul es la probabilidad de tener que pagar exactamente 5 siniestros en el ao ?

T \ & J &;& J %;& ! '"'! ! %%!& ! "(&&
 90

d) Cul es la probabilidad de pagar ms de 5 siniestros en el periodo ?

T \ & " T \ & " J &:& " ! '"'! ! $)%!

Valores caractersticos.

I [\ ] - Z [\ ] -

Esta distribucin se caracteriza por el hecho que la varianza es igual que el valor esperado.
No se dar un demostracin formal de los valores caractersticos anteriores, pero s una
fundamentacin.

El valor esperado de la binomial es np que por definicin es igual a -, por lo cual debe
corresponder al valor esperado de la Poisson. Por otra parte cuando p tiende a cero,
entonces q tiende a uno y como la varianza de la distribucin binomial es npq -q y
como el valor lmite de q es uno resulta igual a -, que corresponde a la varianza de la
distribucin de Poisson.

Observacin.

En el ejemplo 7.1 el valor de - es 5, que corresponde al nmero promedio de muertes

anuales por accidentes automovilsticos que le suceden a la compaa de seguros.

La distribucin de Poisson, adems de su utilizacin como aproximacin a la distribucin

binomial, sirve como modelo probabilstico de un nmero grande de situaciones, varias de ellas
en el rea biolgica y agronmica. La distribucin de bacterias en un cultivo, la distribucin de
glbulos rojos en una muestra de sangre, la distribucin de ciertas plagas de insectos en un
huerto, se modelan de acuerdo a la distribucin de Poisson. Otro tipo de situaciones surgen
cuando los eventos ocurren a lo largo del tiempo, por ejemplo: nmero de camiones llegados a
un centro de acopio o barcos a un puerto durante un da, nmero de llamadas recibidas en una
central telefnica en un lapso de una hora especfica o nmero de personas haciendo fila en un
banco entre las 13:30 y 14:00. En general la distribucin de Poisson se deriva del denominado
proceso de Poisson que se asocia al nmero de ocurrencias de un suceso A en una regin
continua, que puede ser un intervalo , una superficie o un volumen, cuando la ocurrencia de A
en un punto de la regin es independiente a la ocurrencia en otro punto.

El proceso de Poisson presupone principalmente que:

1 el nmero de eventos que ocurren en regiones dis juntas son independientes

2 la probabilidad que un evento ocurra dos o ms v eces en una regin pequea es

virtualmente cero.

3 el parmetro de la distribucin del nmero de ev entos que ocurre en una regin dada es
proporcional al tamao de la regin.

En el caso del ejemplo 7.1 el nmero promedio de muertes anuales por accidentes
automovilsticos es 5, entonces el promedio de muertes mensuales es 5/12 o el promedio de
muertes en dos aos por la causal anterior es 10, por la condicin tercera anterior.
 91

Ejemplos 7.2

a) En una cierta localidad se estima que el nmero promedio de madrigueras de conejos

que existen por hectrea es 2 y sea X el nmero de madrigueras por ha, entonces
X c (#). De la tabla A3 se obtienen los valores para calcular las probabilidades de que en
un cultivo de:

1) una hectrea no haya madriguera, se determina como T \ ! J ! # ! "$&$

2) una hectrea haya exactamente 2 madrigueras, lo que corresponde a

T \ # J # # J " # ! '('( ! %!'! ! #(!(

3) una hectrea se encuentren menos de 3 madrigueras, es decir,

T \ $ T # J # # ! '('(

4) una hectrea haya ms de 5 madrigueras, se plantea

T \ & " T \ & "J & # " ! *)$% ! !"''

5) dos hectreas no haya madrigueras. En esta situacin ] c (%) y en consecuencia se debe

utilizar una tabla para lambda igual a 4. Sin embargo, se ver como con los supuestos del
proceso de Poisson se puede resolver utilizando la distribucin de lambda igual a dos. Las dos
hectreas corresponden a dos regiones de una hectrea, en cada hectrea las ocurrencias
son
independientes, de acuerdo a la condicin primera anterior As,
T ] ! T \ !T \ ! ! "$&$# , cuyo resultado ! !")$ es coincidente con el
valor J !;%.
6) dos hectreas haya exactamente dos madrigueras ?
Dos madrigueras en dos ha. en relacin al suceso por cada ha. puede ocurrir de varias
maneras, dos en la primera ha. y cero en la segunda, o viceversa o una madriguera en
cada ha. Luego
T ] # T \ #T \ ! T \ !T \ # T \ "T \ "
! #(!(! "$&$ ! "$&$! #(!( ! #(!(# ! "%'&,
coincidente con J # % J " %.

b) Si por una parada P pasan en promedio 3 buses cada 15 minutos en forma aleatoria,
este se trata de un comportamiento con distribucin de Poisson de parmetro 3.
Cul es la probabilidad que un usuario que llega a P puntualmente a las 8 AM tenga que
esperar por un bus

1) a lo menos 15 minutos ?
Esto significa que desde las 8 a las 8:15 no pasen buses, luego
T \ !- $ J ! $ ! !%*).

2) a lo ms 15 minutos ?
La distribucin es la misma, pero se trata que en el intervalo pase por lo menos un
bus, luego T \ "- $) " J ! $ ! *&!#

3) a lo ms 5 minutos ?
En esta situacin se trata de una distribucin de Poisson de parmetro 1, pues el
intervalo es la tercera parte del anterior, en consecuencia
 92

T \ "- " " J ! " " ! $'(* ! '$#".

4) a lo menos 30 minutos ?
El parmetro de la distribucin es 6, porque el intervalo es el doble de 15 minutos y
por lo tanto T \ !- ' J ! ' ! !!#& J ! $J ! $. Ntese que la probabilidad
de que ello ocurra existe, pero es muy baja.

4.8 Distribucin de Pascal.

Esta distribucin tambin se denomina binomial negativa, porque su distribucin est

asociada al desarrollo de " ;< . Se genera cuando interesa el nmero de observaciones
necesarias para que un suceso A ocurra r veces en n observaciones independientes de un
experimento &. Es una generalizacin de la distribucin geomtrica, en cuyo caso r ".

Definicin.

La variable aleatoria discreta \ nmero de veces que debe repetirse, en forma

independiente, un experimento & hasta que un suceso A, asociado al experimento y cuya
probabilidad es p , ocurra r veces, tiene distribucin de Pascal de parmetros r y p, con
funcin de probabilidad pB3 B<"
3 "
: < ; B3 < B3 < ,< ", < #, .

Notacin: \ B r , p)

Valores caractersticos.
< r q
I [\ ] : Z [\ ] :#
 93

Observaciones.

1) Cada una de las pB3 corresponde a un trmino del desarrollo de p r (" qr , de donde
proviene su nombre de binomial negativa.

2) Esta distribucin tiene la caracterstica que Z [\ ] I [\ ] , a diferencia de la binomial en la

cual Z [\ ] I [\ ] y de la Poisson en que ocurre que Z [\ ] I [\ ] .

3) No hay tablas para esta distribucin, pero para el clculo de probabilidades se hace uso de
su relacin con la distribucin binomial, siendo \ F (< :) e ] F388 :, entonces:
T \ 8 T ] < y T \ 8 T ] <

Ejemplo 8.1

En un procedimiento de inspeccin sanitaria para la deteccin de plagas en plantas que se

internan al pas con fines de propagacin deben examinarse n plantas. La norma establece
que si no se detectan plantas con problemas el lote es aceptado; si se detectan hasta 2
plantas con problemas el lote es puesto en cuarentena y con 3 ms plantas con problemas el
lote es rechazado. Para un lote de cierta especie de planta la probabilidad que una planta
venga con problemas es de 0,12 cul es la probabilidad de :
a) tener que examinar 20 plantas o menos para encontrar 1 planta con problema?
Esto corresponde a una distribucin de Pascal \ B (1, 0,12) y sea la distribucin
asociada ] Bin(20, 0,12) , luego T \ #! T ] " " ! !((' ! *##%

b) no detectar plantas con problemas al examinar 20 plantas ?

Esto corresponde a la binomial ] , por lo cual T ] ! ! ))#! ! !(('

c) tener que examinar 30 plantas o menos para encontrar 1 planta con problema?
En este caso se asocia ] Bin(30, 0,12), luego T \ $! T ] " ! *()%

d) tener que examinar 30 plantas o menos para encontrar 3 plantas con problemas?
Para este caso \ B (3, 0,12), luego T \ $! T ] $ " ! #)%( ! ("&$

Del anlisis de las probabilidades anteriores se aprecia que es insuficiente examinar 20

plantas en las condiciones planteadas para decretar cuarentena, porque la probabilidad no es
suficientemente alta, por lo que 30 plantas es ms adecuado, an cuando su probabilidad no
es suficientemente alta para decretar rechazo.
94
 95

5. DISTRIBUCIONES DE PROBABILIDAD EN EL MUESTREO DE

POBLACIONES

5.1 Introduccin.

El estudio del muestreo es la introduccin a la teora estadstica propiamente tal. La

experimentacin es parte del Mtodo Cientfico, mediante el cual un investigador obtiene un
conjunto de datos a partir de los cuales desea obtener conclusiones vlidas para un conjunto
ms amplio o poblacin. El paso de lo particular a lo general se denomina inferencia inductiva y
la Estadstica aporta diversas metodologas para llevar a cabo este proceso, todas ellas
basadas en el comportamiento de variables aleatorias en cierto tipo de muestreo.
As, si es de inters conocer las caractersticas de una cierta poblacin es posible, en base
a experiencias previas establecer el supuesto de su comportamiento probabilstico,es decir, su
distribucin de probabilidad. Sin embargo, a menos que se haya censado, sus parmetros no
sern conocidos, lo que implica que su caracterizacin es incompleta, porque slo saber su
comportamiento carece de valor prctico como para sacar conclusiones respecto a ella. Surge,
entonces, la interrogante de cul sera la forma para obtener informacin acerca de ellos. Una
manera sera, como ya se mencion, realizar un censo, pero ste es un proceso lento que
incluso puede ser irrealizable y adems muy oneroso. Otra forma consiste en seleccionar unos
pocos elementos de la poblacin y a partir de ellos conseguir informacin para los parmetros.
Este ltimo procedimiento se denomina muestreo. Dos ejemplos de la realidad ayudarn a
ilustrar las ventajas del muestreo y la inferencia inductiva.

Ejemplos 1.1

a) una cocinera no necesita tomarse toda la sopa para saber si sta est bien sazonada,
por el contrario prueba una pizca y de lo que ah concluya lo hace extensivo al total, es decir,
realiza una inferencia inductiva.

b) por exigencia legal un productor de semillas de flores debe informar en el envase del
porcentaje de semillas infrtiles. Para obtener la informacin en ningn momento piensa en
sembrar todas las semillas producidas, sino que tomar un conjunto bien mezclado de ellas,
las pondr a germinar y a partir del resultado sacar conclusiones. Es posible que tenga que
repetir varias veces el proceso.

En ambos ejemplos no fue necesario usar toda la poblacin para obtener conclusiones
acerca de la caracterstica de inters. Sin embargo, toda inferencia inductiva conlleva riesgo o
un cierto grado de incertidumbre, pues una inferencia inductiva exacta es imposible. Una de las
metodologas estadsticas, la inferencia, establece tcnicas para realizar inferencias inductivas
y dar una medida, con apoyo del clculo de probabilidades, del grado de incertidumbre de
tales inferencias, siempre que se respeten ciertos principios.

5.2 Poblacin, muestra y tipos de muestreo.

La poblacin corresponde a la totalidad de los valores de una caracterstica medida en el

conjunto de los individuos que son de inters en un cierto estudio y para los cuales se
obtendrn las conclusiones respecto a tal caracterstica, es decir, es el espacio muestral.
Una muestra de la poblacin es cualquier subconjunto de sta. Surge la cuestin, entonces,
de cmo seleccionar la muestra. Dos tipos de muestras son las muestras probabilsticas y las
 96

muestras no probabilsticas. En las muestras probabilsticas cada individuo tiene una

probabilidad dada, habitualmente la misma probabilidad, de ser escogido. Esta forma de
muestreo requiere que los individuos sean seleccionados aleatoriamente. En las muestras no
probabilsticas los individuos son seleccionados de acuerdo al criterio del o los investigadores,
basado en sus experiencias y de su supuesto conocimiento de la poblacin en estudio. Esta
forma de muestreo da, por lo general, muestras sesgadas. Con frecuencia se le pregunta al
Estadstico como hacer para seleccionar una muestra representativa. De partida es imposible
saber si la muestra seleccionada lo es, porque no se conoce lo que se quiere representar, esto
es, la poblacin. Sin embargo el nico procedimiento que garantiza, con algn grado de
certeza conocido, seleccionar una muestra representativa es la aleatorizacin.
Cuando el muestreo se aplica a poblaciones pequeas o relativamente grandes se le
denomina muestreo en poblaciones finitas. Existen varios tipos entre los cuales los ms
importantes y de mayor uso son: el muestreo aleatorio simple, el muestreo estratificado, el
muestreo por conglomerados y el muestreo sistemtico.

Muestreo aleatorio simple.

Es el muestreo ms sencillo de todos y consiste en que la eleccin de los individuos de la

poblacin se realiza en forma irrestricta, de modo que cada individuo tiene la misma
probabilidad de ser seleccionado en la muestra.

Muestreo estratificado.

Se aplica cuando en la poblacin existen claramente identificados dos o ms

subpoblaciones o estratos de inters para el estudio a realizar y se quiere asegurar una
muestra con una cantidad de individuos de cada estrato en relacin al tamao de ste. Por lo
general, en cada estrato se realiza un muestreo aleatorio simple. Ejemplos de estratos son:
clases socioeconmicas (ABC1, C2, C3, D, E) ; sexo (hombres, mujeres).

Muestreo por conglomerado.

Hay situaciones en los cuales la poblacin est conformada por conglomerados que son
grupos de individuos que tienen la particularidad de estar muy cercanos unos a otros. Cuando
establecer una lista de todos los individuos resulta muy difcil o cuando una seleccin aleatoria
de estos implicara tener observaciones que podran quedar muy distantes una de otras, lo que
resultara muy costoso, es posible seleccionar primero conglomerados, en forma aleatoria, y
dentro de estos a los individuos de inters para el estudio.
Si los individuos son heterogneos dentro del conglomerado se observan varios o todos sus
componentes, de lo contrario si son muy homogneos basta con pocas observaciones.
Por ejemplo para estimar el ingreso promedio por hogar en el Gran Santiago, resulta muy
conveniente seleccionar manzanas (conglomerados homogneos) y dentro de estas diferentes
hogares, pues es ms fcil tener un mapa con las diferentes manzanas que un listado de
todos los hogares. Adems, es menos costoso encuestar dentro de la manzana que muchos
hogares repartidos por toda la ciudad.
Un manzano es un conglomerado de frutos si lo que se necesita es medir la infestacin por
polilla de la manzana. En inspecciones sanitarias para detectar presencia de insectos
cuarentenarios en fruta de exportacin el palet es un conglomerado de cajas.
 97

Muestreo sistemtico.

Consiste en realizar la eleccin de los individuos en forma sistemtica a intervalos

regulares, en el espacio o el tiempo, hasta obtener el nmero de individuos necesarios para la
muestra, donde el primer seleccionado fue elegido al azar. Por la razn descrita ste no es
propiamente un muestreo probabilstico por lo que se dice que es un muestreo seudoaleatorio.
Se utiliza por razones prcticas de seleccin. Por ejemplo, si se necesita estimar el porcentaje
de fruta de descarte por defectos o daos de insectos en una exportadora, una forma prctica
de hacerlo consiste en seleccionar fruta en la lnea de embalaje (correa transportadora) a
intervalos de tiempo iguales hasta conseguir un nmero adecuado de frutos.
En este tipo de muestreo se corre el riesgo de obtener muestras sesgadas cuando existen
periodicidades dentro de la poblacin.

El muestreo propio de la inferencia estadstica no corresponde a ninguno de los anteriores,

aunque se parece bastante al primero. Su diferencia radica en que se trata de un muestreo en
poblaciones infinitas, lo cual puede resultar extrao, pero que se puede explicar porque se trata
de muestras de variables aleatorias y en teora a una variable aleatoria se le pueden realizar
infinitas observaciones.

Muestreo aleatorio simple (m.a.s) en poblaciones infinitas.

Supngase que se desea establecer la distribucin de la poblacin de alturas de las

chilenas adultas. Situaciones previas han permitido establecer que el comportamiento de las
alturas en poblaciones grandes tiene aproximadamente forma acampanada. Se puede en
consecuencia hacer el supuesto de normalidad de las alturas de la poblacin de inters pero
qu se sabe de sus parmetros media y varianza ? En la realidad casi nada, a lo ms, una idea
vaga del promedio de las alturas. Por lo tanto se debe obtener informacin para determinar
valores de los parmetros.
Una manera de proceder sera medirle las alturas a todas las chilenas adultas, es decir,
censarlas. Con tales datos, si es que no hay errores de medicin, se calculan los verdaderos
valores de . y 5 # . Es fcil darse cuenta de las dificultades, tiempo y costo son las principales,
de llevar a cabo tal proyecto.
Otra manera consiste en obtener la informacin mediante una muestra aleatoria.
Si el propsito es comparar con la poblacin de alturas de las mujeres estadounidenses
adultas, se debe repetir el procedimiento de medirles las alturas a una muestra de esta otra
poblacin, con el fin de obtener informacin de los nuevos parmetros para esta otra
distribucin normal.

Definicin.

Una muestra aleatoria simple de la variable aleatoria \ es un conjunto de n observaciones

independientes \" \# \$ \8 de \ , todas ellas con la misma distribucin de
probabilidad. El nmero natural n recibe el nombre de tamao de la muestra.

Observaciones.

1) Conceptualmente una muestra aleatoria consiste en n observaciones repetidas de \ todas

realizadas bajo condiciones idnticas, pero como en la prctica esto es imposible, hay que
contentarse con que las condiciones sean similares y las variaciones irrelevantes.
 98

2) Por la condicin de independencia de las observaciones, si \ variable aleatoria con funcin

de distribucin pB3 o fB, segn sea discreta o continua, entonces la funcin de distribucin
conjunta, g , de la muestra \" \# \$ \8 de \ es, respectivamente:
8
g\" \# \$ \8 # pB3
3"
8
g\" \# \$ \8 # fB
3"
3) Como cada variable aleatoria \3 tiene la misma distribucin que \ , entonces:
I [\3 ] I [\ ] . y Z [\3 ] Z [\ ] 5 # 3 " # $ 8

5.3 Estadgrafos.

El estadgrafo es un elemento muy importante en estadstica, porque se refiere a un

resultado obtenido a partir de las observaciones muestrales.

Definicin.

Sea \" \# \$ \8 una muestra aleatoria de \ y B" B# B$ B8 los valores

observados en la muestra obtenida, entonces se llama estadgrafo a una funcin real L de la
muestra y valor del estadgrafo a la funcin L de los valores observados.

Observaciones.

1) Un estadgrafo es una variable aleatoria ] L\" \# \$ \8 , mientras que el valor

del estadgrafo es un nmero real C LB" B# B$ B8 . Por ejemplo, en una poblacin de
pesos de manzanas se tomar una m.a.s tamao 3, es decir, se seleccionarn tres
manzanas para medirle su peso representados por las variables aleatorias \" \# y \$ , donde
las tres observaciones tienen la misma distribucin de la poblacin, representada por la
variable aleatoria \ . Considrese como estadgrafo el promedio de la muestra, es decir,
$
] ! \3 $ . El valor de ] es desconocido mientras no se seleccionen las manzanas y se
3"
pesen, luego es una variable aleatoria. Suponga que los pesos de las manzanas seleccionadas
resultaron ser 165 gr , 142 gr y 155 gr. respectivamente, por lo tanto el valor del estadgrafo ]
$
es C ! B3 $ "'& "%# "&&$ "&% gr.
3"
2) Un estadgrafo puede ser cualquier funcin de la muestra. Algunos posibles estadgrafos
son: la media muestral, la varianza muestral, mnimo muestral, mximo muestral, rango
muestral, mediana muestral, proporcin muestral, y as muchos otros. Todos conceptualmente
equivalentes a lo visto en descriptiva, con el apelativo de muestral para diferenciarlos de los
parmetros respectivos.

De los anteriores los ms importantes son la media, la varianza y la proporcin muestral, por
sus propiedades y su vinculacin a la distribucin normal.

Media o promedio muestral.

A la media poblacional, como se describi en estadstica descriptiva o como valor esperado

q
de una variable aleatoria, se asocia la media muestral, simbolizada por X , segn la siguiente
 99

n
Xi !
q
funcin de la muestra aleatoria simple: X i=1n . Esta definicin tiene como consecuencias
varias propiedades importantes para el promedio muestral.

Teorema 3.1.
q
Sea \ una variable aleatoria con I [\ ] . y Z [\ ] 5 # y X la media de una muestra
q q
tamao n de \ , entonces I [X] . y Z [ X] 5 # 8.

Demostracin.

Usando propiedades del valor esperado y la consecuencia 3) de la definicin de muestra

aleatoria simple
n
!X n n
] n" ! I [X3 ]) n" ! . n" (n.) . I [\ ].
q i
I [ X] I [ i=1
n
i=" i=1
Usando propiedades de la varianza y de la condicin de independencia de las X3 de la
definicin de muestra aleatoria simple
n
!X n n
q i
" ! " ! " Z [ \]
Z [ X] Z [ i=1
n ] n# Z [X3 ]) n# 5# #
n# (n5 ) 5 # n n .
i=" i=1

q q
Notacin : I [ X] .qX ; Z [ X] 5qX# .

El teorema anterior es vlido cualquiera sea la forma de la distribucin de \ y es un

resultado de enorme importancia para la estadstica inferencial, como se ver en ese captulo,
principalmente porque demuestra que si el tamao de la muestra crece, la magnitud de la
varianza de la media muestral decrece en proporcin inversa al n .

Ejemplos 3.1
q q
a) sea \ R ## %! y X la media de una muestra tamao 10 de \ , entonces I [ X] ##
q
y Z [ X] %!"! %.

b) si \ Bin (n , p) se recordar que I [\ ] np y que Z [\ ] np(1-p) , luego

q q
I [ X] np y Z [ X] npn(1-p) p(1-p) .

Varianza muestral.

Es una medida de variabilidad de los datos de la muestra, en forma similar a la varianza

poblacional y por ser un estadgrafo corresponde a una funcin de la muestra aleatoria, segn
n
! Xi q
X#
la siguiente definicin: S# i=1
n1 donde (n - 1) recibe el nombre de grados de libertad.
 100

Observaciones.

1) Ntese la semejanza con la definicin de varianza en descriptiva, es decir, suma de desvos

(respecto a la media muestral) al cuadrado, dividido por (n - 1). El denominador en el clculo
de un estimador de varianza siempre se llaman grados de libertad.

2) La divisin por los grados de libertad (n - 1), en vez de n, es necesaria, porque es deseable
que suceda que I [S# ] 5 # , como se demostrar.

Teorema 3.2.

Sea S# la varianza muestral definida como antes, entonces:

n n
! X2 ( !X )# n
i i
1. S# i=1 i=1
n1

2. I [S# ] 5 #

Demostracin.
n
! Xi q
X#
1 ! # 1 !
X#i 2X ! Xi !X d
q q# q q#
1) S# n - 1c
i=1
n1 n-1 (Xi 2Xi X X
n
!X
1 ! q q q# 1 ! q# ! X#i n i=1n
i

n - 1c X#i 2X (nX) nX d n - 1c X#i nX d n - 1

1 #

n n
! X2 ( !X )# n
i i
i=1 i=1
n1
n
! Xi q
X #
2) I [S# ] I i=1 n 1 !\i q
. ) X .
n - 1 I
1 #

! q ! q
n - 1 I \i .)# nX . # n - 1 I\i .)# nIX . #
1 1

! #
n - 1 5 n5q n - 1 n5 n 5n
#
1 # 1 # "
X
n - 1 (n - 1)5 # 5 # .

5.4 Distribucin de las muestras de una poblacin normal.

Con el fin de entender plenamente el concepto de distribucin muestral hay que tener
presente las siguientes consideraciones. Una distribucin hace referencia a una poblacin, en
este caso a una poblacin de muestras aleatorias. El caso es que se tiene originalmente una
poblacin, que es la que interesa conocer a travs de una muestra. La consideracin que se
hace, entonces, es que a partir de un tamao muestral n dado, se genera una poblacin
terica correspondiente a todas las posibles muestras tamao n que se pueden obtener de
la poblacin de inters. La distribucin de la poblacin terica de las medias es la que se va
desarrollar, an cuando para los propsitos de investigacin ser necesario tener slo una
muestra de esa poblacin.
 101

En el desarrollo de este tema es necesario hacer uso del teorema que establece propiedades
reproductivas de la distribucin normal, el que establece que cualquier funcin en primer
grado de una variable aleatoria con distribucin normal tambin ser normal, el que se
enunciar sin demostracin.

Teorema 4.1.

1. Sea \ R . 5 # y la funcin de \ , ] +\ - , entonces la variable aleatoria ] tiene

distribucin normal con media .] +. - y varianza 5]# +# 5 # .

2. Sea \i R .i , 5i# ) , i " # $ 5 un conjunto de k variables aleatorias normales e

k
independientes y sea ] ! \i , entonces la variable aleatoria ] tiene distribucin normal
i=1
k k
con media .] ! .i y varianza 5]# ! 5i# .
i=1 i=1
Consecuencia.
q
Dado que X corresponde a una suma de variables aleatorias normales, en virtud del teorema
anterior su distribucin es normal y en virtud del teorema 3.1 su valor esperado es . y su
q
varianza 5 # /n , por lo tanto si \ R . 5 # X R . 5# 8 . Del resultado anterior
q
q X .
se deduce que la transformacin ^ de X, 5 # 8 , tiene distribucin normal tpica, al igual que
\.
la transformacin ^ de \ 5# Con este resultado es posible calcular probabilidades de
sucesos vinculados a la media muestral de una poblacin normal a partir de una distribucin
normal estndar.

Ejemplos 4.1.
q q
a) Sea \ R ## %! y X la media de muestra tamao 10 de \ , entonces X R ## %.
El grfico de ambas distribuciones se ilustra en la figura 4.1, en la cual el rea en blanco es
comn a ambas distribuciones y por lo tanto las reas sombreadas en una y otra son iguales.
q
b) A partir de la distribucin X R ## %, se calculan las siguientes probabilidades:
q q
##
- T X "* T X "*##
# T ^ " & 9 " & ! !'')
%
q
- T #" X #% T ! & ^ " ! 9" ! 9 ! & ! )%"$ ! $!)&
! &$#)
q
- T X #$ & T ^ ! (& " 9! (& " ! (($% ! ##''

Los resultados anteriores significan que, bajo las condiciones enunciadas, slo el 6,68% de
las muestras dar valores promedios menores a 19, es decir, 3 unidades por debajo de la
media poblacional; que el 53,28% de las muestras entregar valores promedios entre 21 y 24
y que el 22,66% de las muestras dar como resultado promedios por sobre 23,5. Estos
resultados sirven para determinar que tan probable resultar que una media muestral tenga
la aproximacin deseada respecto a la media poblacional que es la que interesa conocer. Se
puede apreciar a travs del grfico anterior, o realizando los clculos respectivos, que las
probabilidades de alejarse del valor central son bastante menores para el promedio muestral
que las que les correspondera a cualquier valor poblacional \ . Por el contrario la probabilidad
 102

q
de una X de estar "alrededor" del valor central es bastante mayor que para un valor
q
poblacional, como consecuencia de la menor varianza de la poblacin de X.

c) De un criadero donde el peso de los cerdos tiene distribucin normal con

media 82 kg y varianza 25, se toma una muestra de 16 cerdos seleccionados al azar. Cul
es la probabilidad que el peso promedio obtenido de la muestra :
- sea menor a 80 kg ?
q q
)#
Primero es conveniente establecer que X R )# #&"' X&% R ! ". luego
q )!)#
T X )! T ^ "#& 9 " ' ! !&%), o sea, la probabilidad de obtener con la
muestra una media menor a 80 es de 0,0548

- tenga una diferencia de 1 kg respecto a . ?

q q
" . "
Esto se plantea T " X . " T "#& X"#& "#& T ! ) ^ ! )
9! ) 9 ! ) ! ())" ! #""* ! &('#,
es decir, la probabilidad de obtener de la muestra una media que difiera de . en a lo ms 1 kg
es de 0,5762.

d) En las condiciones del ejemplo anterior, determinar:

q
- los valores + y , equidistante de . tal que T + X , ! *&, en consecuencia
q q
T + X , ! *& T +"#&
)# )#
X"#& ,"#&
)#
! *& T +"#&
)#
^ ,"#&
)#
! *&
a - 82
Para que la probabilidad anterior se d, 1,25
debe corresponder al percentil 0,025 de la Z
b - 82 a - 82
y 1,25 al percentil 0,975, por lo tanto 1,25
= - 1,96 y b1,25 - 82
= 1,96. Despejando a y b se
obtiene que a = 79,55 kg y b = 84,45 kg.
q
- el valor de - tal que T X - ! !&, luego
q
T X - ! !& T ^ -"#&
)#
! !& " 9 -"#&
)#
! !& 9 -"#&
)#
! *&
-"#&
)#
9" ! *& " '%& - )% !' kg.

e) Cul ser el tamao de muestra necesario a tomar de la poblacin de pesos de los

cerdos para que la probabilidad de obtener una media mayor a 83 sea de 0,10 ?
 103

q q
La distribucin de las medias muestrales es X R )# #&n , luego T X )$ ! "!
" 8 8 8
T ^ & 8
! "! " 9 & ! "! 9 & ! *! & " #) 8 %".
Por lo tanto para que se cumpla la probabilidad deseada la muestra debe corresponder a 41
cerdos del criadero, seleccionados al azar. Observe que el resultado aritmtico es 40,96, pero
n debe ser un nmero natural, luego se aproxima a 41. En clculos de tamao de muestra el
criterio, cuando el resultado es decimal, es siempre aproximar hacia arriba.

5.5 Distribuciones que incluyen a la varianza muestral de una poblacin normal.

Con la varianza muestral o con la combinacin de la varianza con la media muestral resultan
tres distribuciones de enorme importancia, en especial para la inferencia estadstica.

Distribucin ji cuadrada.

Karl Pearson, destacado Estadstico britnico, con el fin de aportar un enfoque estadstico al
estudio de la herencia y la evolucin biolgica es su creador, as como del concepto de
correlacin lineal . Tiene mltiples aplicaciones y una muy importante en el rea de la gentica.
8"W #
Pearson estableci que el estadgrafo H# 5# tiene la distribucin denominada ji
cuadrada (chi-square) con (n 1) grados de libertad, correspondiente a los de S# .

8"W #
Notacin: H# 5# ;# 8 " ; Notacin percentil alfa : ;#! 8 "

Observaciones.

1) La distribucin tiene por representacin una curva como la de la figura 5.1 , donde grados
de libertad (g.l) es el parmetro de la distribucin. A medida que el valor del parmetro (g.l)
aumenta la moda de la distribucin aumenta, es decir, el mximo de la curva se desplaza hacia
la derecha.

2) La funcin de distribucin tiene una expresin matemtica bastante complicada, razn por la
cual el rea acumulada bajo la curva, desde 0 hasta un valor d > 0 , est tabulada para
diferentes grados de libertad, desde 1 hasta 45 o ms segn la tabla utilizada, y para
diferentes valores percentiles :0,005 ; 0,01 ; 0,025 ; 0,05 ; 0,10 ; 0,25 ; 0,50 y sus
complementarios. La tabla, del anexo 4 (A4), corresponde a los valores percentiles de
distribuciones ji cuadrado con distintos grados de libertad. Cada lnea se refiere a la
distribucin ji cuadrada con los grados de libertad indicados y donde cada columna
corresponde a los percentiles p convencionales, ya mencionados
 104

Ejemplos 5.1

a) Determinar por tabla los valores percentiles indicados:

- ;#!!& "& ( #'" ; ;#0,90 15 ## $!( los que se encuentran en la lnea 15 columnas
0,05 y 0,90 respectivamente

- ;#!!& * $ $#& ; ;#!*! * "% ')% se buscan en las mismas columnas en lnea 9.
Observe que al aumentar los grados de libertad los valores percentiles son mayores
concordante con la observacin 1 anterior.

- ;#!!& "# & ##' ;!*&

#
"# #" !#' los valores percentiles de la ji cuadrado son
siempre positivos (ver figura 5.1) a diferencia de lo que ocurre en la normal estndar.

b) Obtener las probabilidades pedidas para el estadgrafo H# ;# #!

De la lnea 20 de la tabla se determina que:
- T H# "! )& ! !& porque 10,85 es el percentil 0,05 de la distribucin de ;# #! .

- T H# #) %" " ! *! ! "! porque 28,41 corresponde al percentil 0,90.

- T (* &* H# $% "( ! *(& ! !#& ! *& porque 34,17 y 9,59 son los percentiles
0,975 y 0,025 respectivamente.

En el siguiente teorema se enunciarn, sin demostracin, las propiedades reproductivas de

la distribucin ji cuadrada que son de inters.
 105

Teorema 5.1.

1. Sean {Hi# ;# 8i , i " # $5 5 variables ji cuadradas independientes, con 8i grados

5
de libertad cada una,entonces la variable aleatoria ] !Hi# tiene distribucin ji cuadrada
i"
5
con 8 !8i grados de libertad.
i"
2. Sean ^i R ! , ") , i " # $ 5 5 variables normales tpicas independientes,
5
entonces la variable aleatoria ] !^i# tiene distribucin ji cuadrada con 5 grados de
i"
libertad.

Observaciones.

1) El teorema establece que una suma de variables ji cuadradas independientes tambin tiene
distribucin ji cuadrada con grados de libertad la suma de los grados de libertad de cada una.
2) Adems, demuestra que la variable aleatoria que resulta de sumar variables normales
tpicas independientes al cuadrado tiene distribucin ji cuadrada y como consecuencia se
deduce que una normal tpica al cuadrado tiene distribucin ji cuadrada con un grado de
libertad.

Distribucin t de Student.

Esta distribucin se debe al Estadstico ingls William Sealey Gosset, qumico de

formacin, alumno y colaborador de Karl Pearson, de quien se cuenta que public sus
primeros trabajos bajo el seudnimo de Student, porque tema ser despedido si alguno de sus
jefes, en la fbrica de cerveza Guiness donde trabajaba como qumico, descubriera que
realizaba investigaciones en estadstica. La verdad es otra, pero lo importante es su
contribucin a la estadstica.
q
X .
En los inicios del siglo pasado Gosset estableci que el estadgrafo > S# 8 tiene
distribucin t con (n 1) grados de libertad, correspondiente a los de S# .
q
X .
Notacin: > S# 8 t 8 " ; Notacin percentil alfa : t! 8 ".
 106

Observaciones.

1) Grados de libertad es el parmetro de la distribucin, igual como ocurre con la ji cuadrada,

pues de hecho esta distribucin es consecuencia del cociente entre una normal estndar y la
raz aritmtica de una ji cuadrada dividida por sus grados de libertad, ambas independientes
entre s.

2) La curva de la distribucin t de Student es acampanada centrada en 0, similar a la normal

estndar, pero con "colas ms pesadas", o sea, encierran una mayor rea, por lo que sus
valores percentiles son mayores que los de ^ , lo que implica mayor variabilidad Esto parece
intuitivamente razonable, porque se diferencia con el estadgrafo ^ en que en el denominador
en vez del parmetro 5 # aparece la varianza muestral S# que es un estadgrafo. Tambin se
cumple que lim >8 " R ! ", como se ilustra en la figura 5.2.
8_
3) La funcin de distribucin tiene una expresin matemtica ms complicada que la de ^ ,
razn por la cual el rea acumulada bajo la curva, desde 0 hasta un valor > > 0 , est tabulada
para diferentes grados de libertad, n, desde 1 hasta 90 o ms segn la tabla utilizada, y para
diferentes valores percentiles : 0,75 ; 0,90 ; 0,95 ; 0,975 ; 0,99 ; 0,995 . Los valores percentiles
complementarios solo se diferencian en el signo, pues son negativos, tal como ocurre en la
distribucin normal estndar. La tabla, del anexo 5 (A5), corresponde a percentiles de
distribuciones t de Student, con distintos grados de libertad.

El uso de la tabla es similar al de la ji cuadrada con la diferencia que slo aparecen los
percentiles superiores debido a la simetra de la distribucin, porque percentiles
complementarios inferiores solamente cambian su signo a negativo.

Ejemplos 5.2

a) Determinar por tabla los valores percentiles complementarios indicados:

- t!*! "! " $(## ; t!,"! "! " $(## los que se obtienen de la lnea 1!
- t!*& & # !"&! ; t!!& & # !"&! los que se obtienen de la lnea &
- t!*& #% " ("!* ; t!!& #% " ("!* los que se obtienen de la lnea #%
 107

Observe que al aumentar los grados de libertad los valores percentiles disminuyen, lo que
se puede constatar al leer los valores hacia abajo en una misma columna. Para grados de
libertad grandes, mayores a 90, los valores percentiles son bastante cercanos al de la normal
tpica como se puede verificar comparando con la ltima fila del cuadro 5.2.

b) Obtener las probabilidades pedidas para el estadgrafo > t *:

De la lnea 9 de la tabla se determina que:
- T > " )$$" ! *& porque 1,8331 es el percentil 0,95 de la distribucin de >
- T > " $)$! " ! *! ! "! porque 1,3830 corresponde al percentil 0,90
- T (> ! (!#( ! #& porque -0,7027 es el percentil 0,25, complementario a 0,75
- T " $)$! > # #'## ! *(& ! "! ! )(&
- T # #'## > # #'## ! *(& ! !#& ! *&, porque 2,2622 es el percentil 0,975

Distribucin de Snedecor-Fisher.

Esta distribucin es conocida gracias al matemtico y fsico estadounidense George W.

Snedecor quien la bautiz de este modo en reconocimiento al notable matemtico, estadstico
y genetista ingls Ronald A. Fisher, quien la haba estudiado anteriormente en 1924 y con
quien trabajaron en conjunto. La distribucin es el resultado del cociente entre dos variables
aleatorias independientes con distribucin ji cuadrada, cada una dividida por sus
correspondientes grados de libertad, m la del numerador y n la del denominador.
Y 7
Si Y ;# 7 y Z ;# 8 con Y y Z independientes, entonces J Z 8 tiene
distribucin con m y n grados de libertad en el numerador y denominador respectivamente.

Notacin: J 7 8 ; Notacin percentil alfa : ! 7 8.

 108

Observaciones.

1) Grados de libertad son los dos parmetros de la distribucin .

2) La curva de la distribucin parte de 0 y tiene una forma algo parecida a la de ji cuadrada,

pero en este caso su moda se aproxima al valor 1 a medida que ambos grados de libertad
aumentan (Figura 5.3).

3) La funcin de distribucin est tabulada para diferentes grados de libertad del numerador y
denominador, y para diferentes valores percentiles : 0,90 ; 0,95 ; 0,975 ; 0,99 ; 0,995 . La tabla
A6, del anexo 6, es una tabla de distribuciones . El uso de esta distribucin, por lo general,
es para los percentiles superiores. Si se necesitara algn percentil inferior se puede hacer uso
de la siguiente relacin "-! 8 7 "! 7 8
7W"# 8W##
4) Si Y 5"#
;# 7 y Z 5##
;# 8 , entonces por definicin
Y 7 7 W"#
7 5"# W"# 5"#
J Z 8 8 W##
8 5##
7 8. Este resultado ser de gran utilidad y uso en
W## 5##
desarrollos estadsticos futuros.

Ejemplos 5.2

Obtener los valores percentiles indicados (7 se busca en la columna y 8 en la fila) :

- !*& % "! $ %()! y !,*& "! % & *'%% , son valores muy diferentes.

- !*! & & $ %&$! ; !*(& & & ( "%'%

- !*& $ "# $ %*!$ ; t!!& "# $ "$ %*!" ! #)'&

 109

6. INFERENCIA ESTADISTICA PARA MEDIAS Y VARIANZAS

6.1 Introduccin.

La inferencia estadstica es una parte de la Estadstica que comprende los mtodos y

procedimientos adecuados para deducir caractersticas de una poblacin a partir de muestras
aleatorias, en forma cientficamente vlidas, cuyo fin es obtener conclusiones respecto a
sta, sujetas a una duda razonable mediante la asignacin de una medida objetiva.
La inferencia comprende dos aspectos. la estimacin de parmetros y el contraste de
hiptesis estadsticas.

6.2 Estimacin de parmetros.

Un parmetro, como se recordar, representa un valor poblacional y por lo tanto es una

constante. El valor de un parmetro se obtiene a travs de un censo, lo que es posible de
hacer cuando las poblaciones son finitas, pero en el caso de la inferencia el tipo de
poblaciones que se estudian se consideran que son infinitas. En consecuencia la nica va de
conseguir una imagen del parmetro es a travs de muestras. Para que una muestra tenga
validez estadstica sta debe ser aleatoria y simple, en los trminos definidos en la unidad
Distribuciones Muestrales. Una muestra aleatoria simple (m.a.s) permite obtener un estimador
del parmetro de inters, esto es, un valor muestral o estadgrafo que estar "cercano" en
alguna medida al valor del parmetro.

Estimacin puntual.

Se llama estimador puntual de un parmetro a un estadgrafo que cumple con lo anterior.

Sin embargo proporciona una imagen algo imprecisa del parmetro, puesto que una vez
calculado el valor del estimador a partir de las observaciones muestrales, slo se puede confiar
en que ste est "cercano" al del parmetro. Por ejemplo, si para estimar el peso promedio de
q
una poblacin de hombres adultos, una muestra aleatoria simple entrega una media X igual a
66,3 kg, la imagen que se puede asociar es que el verdadero peso promedio de las personas
estar "alrededor" de ese valor cun cercano?, imposible establecerlo.

Pueden existir muchos estimadores para un mismo parmetro, por lo tanto hay que
establecer ciertos criterios que permita elegir de entre ellos al que sea el mejor, en el sentido
de que tenga la mayor capacidad de entregar un valor cercano al de l.
Algunas propiedades que caracterizan a un buen estimador s ) del parmetro ) se explican a
continuacin.

1 Insesgamiento, que consiste en que I s ) ) , lo que significa que e l valor "promedio" del
estimador se distribuye alrededor del valor del parmetro ) .
2 Eficiencia o precisin, que consiste en tener la menor varianza entre los estimadores
insesgados de ) , es decir, que de todos los estimadores s ) que cumplan la propiedad anterior
se debe preferir aquel cuya distribucin tenga la menor variabilidad . De esta manera se
asegura una alta probabilidad de que el valor de s) estar ms cercano al de ) .
3 Consistencia, es decir, que en la medida que el tamao de la muestra crezca el valor de s )
estar cada vez ms prximo al del parmetro ) . Esta es una propiedad asinttica.
 110

4 Suficiencia, cuando el estimador utiliza toda la informaci n relevante contenida en la

muestra, de modo que ningn otro estimador pueda proporcionar informacin adicional para
estimar al parmetro.

De los tres parmetros ms importantes: . , 5 # y la proporcin poblacional P, se puede

q s , respectivamente, son sus mejores estimadores, donde P s es la
establecer que X , S# y P
proporcin muestral, ya que es demostrable que satisfacen los criterios anteriores.

Estimacin por intervalos de confianza.

Es otra forma de estimacin de parmetros, mucho ms informativa que la puntual, pues

permite establecer un rango de valores dentro del cual se encontrara el verdadero valor del
parmetro, complementada con un nivel de seguridad o certeza de que esto sea cierto. Para
construir intervalos de confianza es necesario partir de un intervalo de probabilidad (" ! y
disponer de una variable pivotal adecuada para el objetivo a conseguir. Un intervalo es de
probabilidad si al menos uno de sus lmites es una variable aleatoria o una funcin de ella.
Una variable pivotal es un estadgrafo que debe incluir al parmetro a estimar, a su estimador y
cuya distribucin debe ser conocida y totalmente determinada.

Intervalo de confianza para la media de una poblacin normal.

Existen dos casos a considerar, cuando la varianza poblacional es conocida y cuando esta
varianza no es conocida.

Caso 1. Varianza poblacional 5 # conocida.

En esta situacin el nico parmetro desconocido es . el cual debe ser estimado

q
puntualmente mediante X, luego bajo la normalidad de la poblacin la variable pivotal a utilizar
q
X.
es Z 5 # 8 R ! ". Un intervalo de probabilidad central (1 ! para la variable Z est
dada por T D"!# ^ D"!# ) " ! . Sustituyendo Z
q
X.
T D"!# 5 # 8 D"!# ) " ! y despejando . en la desigualdad
T X D"!# 5 # 8 . X D"!# 5 # 8) " ! , obtenindose un intervalo de
q q
probabilidad para ., porque sus dos lmites son variables aleatorias que dependen del
q q
estimador X. Sin embargo, una vez obtenida la muestra y calculado el valor de X, el intervalo
deja de ser aleatorio, pues sus lmites sern constantes y en consecuencia no tiene asociada
una probabilidad, transformndose en una proposicin, cuyos valores son verdadero o falso,
es decir, contiene o no a .. Esta es la razn que explica por qu el intervalo obtenido se
denomina de confianza con valor el de la probabilidad con que se construy. As

X D"!# 5 # 8 . X D"!# 5 # 8)
q q
Intervalo del "!!1-!)% de Confianza para . con varianza conocida.
 111

Ejemplo 2.1.

Se desea estimar, mediante un intervalo de confianza del 95%, el rendimiento promedio de

una nueva variedad de trigo cuya distribucin se asume es normal y desviacin tpica de 12
qq/ha , o sea \ R . 144. Para tal efecto se siembran 15 parcelas experimentales de
10x10 m . Sus rendimientos, expresados en qq/ha , fueron de 89,4 ; 92,8 ; 79,2 ; 82,6 ; 96,2 ;
65,6 ; 106,4 ; 86,0 ; 99,6 ; 69,0 ; 77,5 ; 58,8 ; 96,2 ; 80,9 ; 52,0.
Como este es un caso de varianza conocida, para construir el intervalo slo se necesita
calcular la media muestral, cuyo valor es 82,15 qq/ha, y determinar que z!*(& " *' (fig. 2.1).
Sustituyendo los valores en la expresin del recuadro anterior
( )# "& " *'"%%"& . )# "& " *'"%%"& al 95% de confianza
( (' " . )) # al 95% de confianza. Se deduce, entonces, que con una certeza del
95%, el rendimiento promedio de la nueva variedad es de entre 76,1 y 88,2 qq/ha.

Caso 2. Varianza poblacional 5 # desconocida.

En este caso los dos parmetros de la distribucin normal son desconocidos y deben ser
q
estimados por X y S# . Debido a la normalidad de la poblacin la variable pivotal a utilizar es
q
X.
> W # 8 >8 ". Ahora el intervalo de probabilidad (1 ! para la variable > est dada
por T >"!# 8 " > >"!# 8 ") " ! . Sustituyendo >
q
X.
T >"!# 8 " W # 8 >"!# 8 ") " ! , despejando . en la desigualdad
T X >"!# 8 "W # 8 . X >"!# 8 "W # 8) " ! , deducindose que
q q

X t"!# 8 "W # 8 . X >"!# 8 "W # 8)

q q
Intervalo del "!!1-!)% de Confianza para . con varianza desconocida.
 112

Ejemplo 2.2.

Asuma que en el mismo enunciado del ejemplo 2.1 no se tiene conocimiento de la

variabilidad de los rendimientos de esta nueva variedad, es decir, no se conoce su varianza y
que tanto la muestra como los valores muestrales se mantienen. Ahora, adems, de obtener
un estimador puntual para la media se necesita calcular el estimador de 5 # , S# , mediante la
! X2 ( !X )# n
n n

i i
frmula W # i=1 n i=11 , que con los datos anteriores resulta ser 243,0. Se necesita,
tambin, el valor t0,975 14 2,1448 (fig. 2.2), ya que ahora la distribucin del estadgrafo es >
de Student. Sustituyendo ( )# "& # "%%)#%$"& . )# "& # "%%)#%$"& al 95%
de confianza ( ($ & . *! ) al 95% de confianza. Se puede apreciar que esta
estimacin es ms imprecisa que la obtenida con varianza conocida.

Intervalo de confianza para la varianza y desviacin tpica de una poblacin normal.

Cuando la varianza es desconocida su estimador puntual es S# y una estimacin por

8"W #
intervalo de confianza debe establecerse utilizando la variable pivotal H# 5 # cuya
distribucin, se recordar es ji cuadrada con (n-1) grados de libertad y un intervalo central de
probabilidad (1-!) para una ji cuadrada es
T ;#!# 8 " H# ;#"!# 8 " " ! , sustituyendo H#
8"W #
T ;#!# 8 " 5# ;#"!# 8 " " ! , despejando 5 #
8"W # 8"W #
T ;# 8"
5 # ;# 8" " ! , luego se deduce
"!# !#

#
8"W #
;#8"W
8"
5# ;#!# 8"

"!#
Intervalo del "!!1-!)% de Confianza para 5 # .

El intervalo de confianza para la desviacin tpica se obtiene tomando la raz de los tres
trminos de la desigualdad.
 113

;#8"W 5 ;# 8"
# 8"W#

"!#
8" !#

Intervalo del "!!1-!)% de Confianza para 5 .

Ejemplo 2.3.

Se aprovecharn los datos de los ejemplos anteriores para ejemplificar la estimacin por
intervalo de confianza de la varianza y desviacin tpica cuando estas son desconocidas. De
los clculos anteriores W # result ser igual a 243, luego 14*243 # 14*243
26,12 5 5,63
"$! # 5 # '!% $ al 95% de confianza ya que ;#0,025 14 5,63 y ;#0,975 14 26,12
(fig. 2.3) y el intervalo para 5 es "$! # 5 '!% $ ( "" % 5 #% ') al 95% de
confianza, luego al 95% de confianza el verdadero valor de la desviacin tpica poblacional es
de entre 11,4 y 24,6 qq/ha .

Intervalo de confianza para la diferencia de las medias de dos poblaciones normales.

La estimacin se obtendr a partir de muestras aleatorias independientes de X" N." , 5"# )

y X2 N.2 , 52# ) de tamao 8" y 8# respectivamente, y se desea estimar d (.# - ." ). Su
q q
estimador s d X# X" ) tiene distribucin normal, por ser una combinacin lineal de
q q q q
X " N." , 5"# 8" ) y X # N.# , 5## 8# ), con Isd IX# X" ) .# ." y
s q q q q # # s # #
Z d Z X# X" ) Z X# Z X" 5" 8" 5# 8# , por lo tanto d Nd, 5" 8" 5# 8#
s q q
dd X# X" ).# ."
y en consecuencia N! "
Z s
d 5"# 8" 5## 8#

En el caso ms realista, de varianzas poblacionales 5"# y 5## desconocidas, stas deben ser
estimadas por S#" y S## respectivamente. El supuesto habitual en casos de 2 o ms
poblaciones es el de homocedasticidad, es decir, que todas las varianzas poblacionales son
desconocidas e iguales, luego 5"# 5## 5 # , donde 5 # es la varianza comn a ambas
poblaciones y por lo tanto S#" y S## son estimadores de 5 # , razn por la cual combinando
 114

ambas muestras se obtiene el estimador S#: , que corresponde a la media ponderada entre S#"
8 "W # 8 "W #
y S## respecto a sus grados de libertad, luego S#p " 8""8# ## #

Recurdese que el denominador en el clculo de una varianza corresponde a los grados de
libertad de esa varianza muestral y en este caso es igual (n" +n# -2). Sustituyendo 5"# y 5## por
su estimador S#: se obtiene la varianza estimada de s
d, S#p 8" S#p 8# = S#p "/8" "8# ).
q q
X# X" ).# ."
Por lo tanto tiene distribucin > de Student con (n" +n# -2) grados de libertad,
Sp# "/8" "8# )
porque se est usando una varianza estimada con esos grados de libertad.
El estadgrafo anterior corresponde a la variable pivotal a utilizar para obtener el intervalo de
confianza para la diferencia de las medias. Se debe mencionar que, si no se cumpliera el
supuesto de homocedasticidad, se tendra una variable pivotal cuya distribucin no es exacta.
El intervalo de probabilidad (1 ! para la variable > est dada por:
T >"!# 7 > >"!# 7) " ! , con m = n" +n# -2 . Sustituyendo > y despejando .# -
." de la desigualdad se obtiene
(X # -X " ) t"-!# 7 Sp# "/8" + "8# ) .# " X # -X " ) >"-!# 7 Sp# "/8" + "8# ) )
q q q q

Intervalo del "!!1-!)% de Confianza para .# -." , con varianzas desconocidas e iguales.

6.3 Contraste de hiptesis estadsticas.

El contraste de hiptesis, tambin denominado Prueba de Hiptesis o Docimasia de

Hiptesis, corresponde a un conjunto de metodologas cuyo objetivo es verificar si un
determinado parmetro toma uno o varios valores posibles de inters. Tambin una prueba de
hiptesis puede referirse a la distribucin de poblaciones, todo ello evidentemente, a partir de
muestras aleatorias.
Existen algunos conceptos bsicos vinculados a una prueba de hiptesis y que se
explicarn en lo que sigue.

Una hiptesis estadstica es una proposicin acerca de una caracterstica poblacional,

como puede ser su distribucin o el valor o valores de sus parmetros, y que necesita ser
probada. Como se ver, una hiptesis estadstica nunca podr ser aceptada libre de toda
duda, pues siempre existir un cierto nivel de incertidumbre. Una hiptesis respecto a un
parmetro puede ser simple, si especifica un nico valor del parmetro y compuesta, si
especifica ms de un valor del parmetro.

Una prueba de hiptesis estadstica consta de dos hiptesis. Una denominada hiptesis
nula, designada por H! , y la otra hiptesis alternativa, designada por H" o Ha . La hiptesis
nula es la hiptesis conservadora que representa lo conocido, el statu quo. La hiptesis nula
debe ser una hiptesis simple, y si se refiere a un parmetro debe especificar un nico valor
para ste. La hiptesis alternativa es la hiptesis que representa el cambio, lo que se quiere
probar. Esta puede ser una hiptesis simple o compuesta. Por lo general, se consideran
hiptesis alternativas compuestas. Una hiptesis alternativa compuesta puede ser de tres tipo:

1) Hiptesis alternativa bilateral, cuando es la negacin de H!

2) Hiptesis alternativa unilateral derecha, cuando plantea para el parmetro un valor mayor al
especificado en H!
 115

3) Hiptesis alternativa unilateral izquierda, cuando plantea para el parmetro un valor menor
al especificado en H!

Ejemplos 3.1.

a) En un juicio a un individuo que supuestamente cometi un delito, las hiptesis nula y

alternativa para un juez son, respectivamente, Inocente versus Culpable.

b) Un asesor econmico aconseja a un productor de kiwi cambiarse a la viticultura porque

resultar ms rentable. El agricultor si quiere considerar seriamente la alternativa deber reunir
mltiples consejos e informacin al respecto y deber plantearse las siguientes hiptesis nula
y alternativas respectivamente: mantenerse como productor de kiwi versus cambiarse a la
viticultura.

Los dos ejemplos anteriores se refieren a un mbito no matemtico-estadstico. Un ejemplo

en el mbito estadstico es el siguiente.

c) Un Instituto de Investigacin afirma haber desarrollado una nueva variedad de trigo

cuyo rendimiento promedio supera en 6 qq/ha los 72 qq/ha que rinde la variedad
tradicional. Alguien que quiera verificar tal aseveracin, debe plantearse las hiptesis L!
. (# versus L" . (8.

Una prueba de hiptesis estadstica es una regla que consiste i) en tomar la decisin de
aceptar H! , cuando estadsticamente la muestra no entregue evidencia suficiente para decidir
rechazarla o ii) en tomar la decisin de rechazar H! si la evidencia muestral deja "una mnima
duda" de que esa sea la decisin correcta. En resumen, una prueba de hiptesis es una regla
de decisin que permite aceptar o rechazar una hiptesis nula, a partir de informacin
muestral. Aceptar una hiptesis nula no permite la conclusin que sta sea verdadera, as
como rechazarla, no permite la afirmacin de que la hiptesis alternativa es verdadera.
Nunca es posible probar estadsticamente que una hiptesis nula es verdadera, pues se trata
slo de una cuestin de "credibilidad probabilstica".

Ejemplo 3.2.

En el caso 3.1 c) el interesado debe disear una muestra aleatoria para reunir informacin
sobre el rendimiento de la nueva variedad y una regla, por el momento arbitraria, podra ser
que si se obtiene una media muestral "ms cercana a 72" se acepta H! y por el contrario si
sta es "ms cercana a 78" se rechaza H! .
q
Ntese que la anterior es una perfecta regla de decisin, porque cualquier valor X que se
obtenga, permitir optar por una u otra hiptesis y adems que la decisin debe basarse en un
estadgrafo. Sin embargo no es una regla diseada estadsticamente, como se ver
posteriormente.

Se llama regin crtica de una prueba de hiptesis a un conjunto VG que contiene a todos
los valores del estadgrafo que conducen al rechazo de H! .
q q q
En el ejemplo 3.2, la regin crtica es VG \ \ (&, pues para esos valores, X estar
ms cerca de 78 y la decisin ser rechazar la hiptesis nula.
 116

En toda prueba de hiptesis existe la posibilidad de cometer dos tipos de errores, uno al
tomar la decisin de aceptar y el otro la de rechazar la hiptesis nula. Siempre est presente la
posibilidad de cometer uno de ellos, pero obviamente el propsito es tomar todas las veces la
decisin correcta y como ello no es posible hay que disminuir el riesgo de cometer errores de
decisin y la manera de lograrlo consiste en mantener baja su posibilidad de ocurrencia.
Las posibles decisiones a tomar se muestran en el siguiente cuadro.

Hiptesis verdadera \ Decidir por H! H"

H! Decisin correcta Decisin errnea: error tipo I
H" Decisin errnea: error tipo II Decisin correcta
El cuadro muestra que en dos situaciones la decisin es la correcta y en otras dos la
decisin es incorrecta, pero no existe certeza a que tipo corresponde la decisin tomada.
Cuando se toma la decisin de rechazar H! , siendo esta la hiptesis verdadera, el error
que se comete se denomina de tipo I. Al tomar la decisin de aceptar H! , siendo esta la
hiptesis falsa, el error que se comete se denomina de tipo II. De los dos errores, el que
provoca consecuencias ms grave es el tipo I y por lo tanto la posibilidad de cometerlo debe
ser ms "pequea". La posibilidad de cometer el error tipo II tambin importa, pero sus
consecuencias son menos grave, razn por la cual debe ser mantenido en niveles de riesgo
"razonables". Los niveles de riesgo de ambos errores se establecen en trmino de
probabilidades, segn las siguientes definiciones.

Definiciones.

1. La magnitud del error tipo I se designa por !, siendo ! Probrech. H! / H! verdadera).

2. La magnitud del erro tipo II se designa por " , donde " Prob(aceptar H! / H! falsa).

3. La Potencia de una prueba de hiptesis es la probabilidad de rechazar una hiptesis nula

que es falsa y es igual a 1 " .

En el ejemplo 3.1 a) el juez puede cometer el error tipo I cuando decide declararlo
culpable en circunstancia que el individuo es realmente inocente. El juez puede cometer el
error tipo II si decide declararlo inocente cuando realmente es culpable. En cualquier otra
situacin el juez toma la decisin correcta. Del comentario anterior resalta que es ms grave
cometer el error tipo I, es decir, declarar culpable a un inocente. Tambin es grave cometer el
error tipo II, pero sus consecuencias son menos graves.
En el ejemplo 3.1 b) el agricultor cometera el error tipo I si se cambia a la viticultura y
resulta que sta no es ms rentable que el kiwi. Es fcil apreciar que este error le trae un gran
dao econmico e incluso podra ser su ruina econmica. El error tipo II lo comete si se
mantiene como productor de kiwi y este resulta menos rentable que la viticultura. En este
caso tambin habra un dao econmico, en el sentido que perdi la oportunidad de hacer un
buen negocio, pero su situacin no cambia, sigue igual como estaba, lo que en economa se
llama costo de oportunidad.
En las dos situaciones anteriores resulta claro que el error tipo I debe ser controlado
mediante niveles de riesgo bajos que le den al juez o al inversionista "cierta seguridad de
proteccin" contra este error. Por esta razn es que la probabilidad mxima de cometerlo,
valor !, queda al arbitrio del interesado o investigador. Con el fin de tener valores comparativos
de riesgo, en estadstica se conviene en utilizar valores de ! de 5% , 1% , 0,1% 10%, y no
valores intermedios. En las situaciones comunes se ocupa el valor del 5%.
 117

En una prueba de hiptesis se llama nivel de significacin al valor que el investigador le

asigna a !. El nivel se acostumbra a expresarlo en porcentaje. Si el nivel de significacin de
una prueba es del 1%, entonces ! = 0,01.

El ejemplo estadstico 3.1 c) servir para ver integralmente los conceptos anteriores. Si se
quiere comprobar cientficamente la aseveracin del Instituto de Investigacin, es necesario,
entonces, realizar una prueba con las hiptesis: L! . (# versus L" . (). Asumiendo
que ambas poblaciones se comportan normales, entonces segn H! la nueva variedad hbrida
tiene un comportamiento N(# 5 # ) , es decir, el mismo de la variedad en uso, mientras que
bajo H" su comportamiento es N() 5 # , por el momento la varianza no juega su papel, razn
por la cual no se especificar su valor, aunque se supondr igual en ambas poblaciones.

La figura 3.1 grafica la situacin anterior, en donde la campana de la izquierda, X! , muestra

el comportamiento de la variedad hbrida cuando su rendimiento no es mejor que la tradicional
y la de la derecha, X" , cuando su rendimiento la supera en 6 qq/ha. Para obtener informacin
que permita apoyar una u otra hiptesis, es necesario tomar una m.a.s. Al no conocer cual es
la real situacin de la nueva variedad, no se sabe si la muestra proviene de la primera o de la
segunda de las distribuciones.

Sin embargo, la decisin respecto a . no se toma sobre la base del comportamiento de las
q
poblaciones, sino del comportamiento del estadgrafo X estimador del parmetro, representado
por las campanas ms leptocrticas, segn sea H! o H" la hiptesis verdadera. En
q
consecuencia la regla de decisin se establece en relacin al comportamiento de X0 N(#
q
5 # 8 y X1 N() 5 # 8 , como lo muestra la figura 3.2, que representa las mismas dos
campanas leptocrticas de la figura anterior. La VG se establece en relacin a un valor crtico
q q
(Z G ) K, expresndose en trminos generales como VG XX O, que segn el criterio
utilizado en el ejemplo 3.2, K = 75, ste se ubicara justo en el punto de corte de las dos
campanas de la figura 3.2. En esta situacin el error tipo I y tipo II tendrn la misma
probabilidad de ocurrir, correspondiendo al rea sombreada a la derecha y a la izquierda de K
respectivamente. Pero el rea de la derecha debe tener la magnitud !, entonces la posicin de
K queda determinada por esta condicin. Si el nivel de significacin de la prueba es del 5%, K
 118

debe estar ms hacia la derecha, ms cercano a 78, de forma tal que el rea sombreada bajo
la curva que grafica el comportamiento de la media muestral bajo la hiptesis nula H! , rea de
la derecha, sea igual a 0,05. De esta manera la magnitud del error tipo II, valor de " ,
corresponde al rea sombreada bajo la curva de la media muestral bajo la hiptesis alternativa
H" . Visualmente se aprecia que la magnitud de " es bastante mayor que la magnitud de !. Es
fcil apreciar, que en esta misma situacin, al disminuir " aumenta ! y viceversa, por el hecho
de tener que mover la posicin de K hacia la izquierda o hacia la derecha respectivamente (fig.
3.2).

La nica forma de disminuir " manteniendo fijo el valor de !, consiste en aumentar el

tamao muestral, es decir aumentando n. De esa forma se consigue que ambas curvas sean
ms leptocrticas, o sea estn ms concentradas alrededor de su media y por lo tanto el rea
de traslape entre ellas sea menor, como se aprecia en la figura 3.3, en la cual la distribucin
de las medias muestrales corresponde a muestras tamao 25, mayor que en el caso anterior.
Ntese que la posicin de K se mueve hacia la izquierda, debido a que las reas disminuyen y
q
K, como se dijo, es el lmite de un rea del 5% bajo la curva X! . Un ejemplo numrico
ayudar a aclarar estos conceptos.

Ejemplo 3.3.

Supongamos que X N. "%%, es el comportamiento del rendimiento de la nueva

variedad hbrida, del ejemplo 6.3.1 c), donde el valor de . depende de cual hiptesis, H! o H" ,
es la verdadera. Se asumi que la desviacin tpica del rendimiento es 12 qq/ha, ya que para
los clculos se necesitar de tal informacin. Si, como se hace frecuentemente, se fija
q q
arbitrariamente en 16 el tamao de la muestra, se tendr que X0 N(# * y X1 N() *,
#
pues 58 = "%%
"' es 9. De esta manera el valor de K se determina asignando ! = 0,05
q
Probrech. H! / H! verdadera) = 0,05 T X O . (# ! !&
T ^ O(# O(# O(#
$ ! !& " 9( $ ) ! !& 9( $ ) !*&
O(#
$ 9" ! *& O(#
$ " '%& O (' * Con este valor se puede calcular la
probabilidad de cometer el error tipo II: " Prob(aceptar H! / H! falsa)
q
" T X O . () " T ^ ('*()$
" 9 ! $( ! $&', que corresponde
al rea sombreada de la izquierda de la figura 3.2.
 119

Resumiendo, para un nivel de significacin del 5% y un tamao de muestra 16 el valor

crtico K corresponde a 76,9 con una probabilidad del error tipo II de 35,6%, es decir,
aproximadamente 7 veces el error tipo I. Si se aumenta el tamao de la muestra a 25 se
q q
tendr que X0 N(# & (' y X1 N() & (', pues 5 # n 144/25 es 5,76. Siguiendo los
mismos pasos anteriores se determina que, ahora K toma el valor 75,9, ms a la izquierda que
antes, con una probabilidad de 19,6% para el error tipo II, casi 4 veces el de !, como se ilustra
en la figura 3.3.

En el ejemplo anterior se plante la relacin entre el tamao de muestra y la magnitud de los

errores tipo I y tipo II como suele hacerse en la realidad, esto es, definir el nivel de significacin
de la prueba y decidir el tamao de la muestra por consideraciones prcticas, con lo cual se
pierde el control del error tipo II, por ello, esa no es la forma cientfica de hacerlo. El tamao
de la muestra es el resultado de decidir a-priori los valores aceptables para ! y " , el que
depender de lo que planteen las hiptesis nula y alternativa, esta ltima en trminos de una
hiptesis simple.
 120

Ejemplo 3.4.

Se desea establecer el tamao de muestra necesario para contrastar las hiptesis del
ejemplo 3.1 c), L! . (# versus L" . (). Asumiendo que X R . "%% se tendr
que la distribucin de las medias muestrales bajo la hiptesis nula y alternativa
q q
son X0 R (# 1448 y X1 R () 1448. Entonces para valores ! = 0,05 y " = 0,15,
que corresponden a valores habituales, se tiene:
q
Probrech. H! / H! verdadera) ! !& T X O . (# ! !& T ^ O(#
"%%8
! !&
O(# 8 O(# 8 O(# 8
" 9( "# ) ! !& 9( "# ) !*& "# " '%& (1).

q O()
Prob(aceptar H! / H! falsa) ! "& T X O . () ! "& T ^ "%%8 ! "&
O() 8 O() 8
9 "# ! "& "# " !% #

(1) y (2) establecen un sistema para K y n que al dividir miembro a miembro (1) por (2) se
"'%&
obtiene: O(#
O() "!% O(#
O() " &) O (& '. Sustituyendo en (1)
(&'(# 8
"# " '%& 8 & %) 8 $". En el clculo de 8 siempre
$' 8
"# " '%&
se debe aproximar hacia arriba, para no sobrepasar el valor de !. Entonces con un
tamao muestral de 31 o ms se podra cometer un error mximo, tipo I tipo II, de 5% 15%
respectivamente, al contrastar las hiptesis planteadas.

Esquema para contrastar hiptesis.

El mtodo cientfico exige el cumplimiento de ciertas condiciones como son el planteamiento

de hiptesis, un anlisis lgico y crtico y una metodologa vlida para probar la hiptesis
planteadas. As, para probar hiptesis es necesario ceirse a un esquema de 6 pasos que
satisface tales exigencias y que se explican a continuacin.

1 Se plantean las hiptesis nula, H !, y la alternat iva H" . La hiptesis nula siempre corresponde
a una hiptesis simple, ya que debe especificar completamente la distribucin poblacional,
bajo la cual se establece el estadgrafo de prueba y su distribucin, la que debe ser conocida.
La hiptesis alternativa especifica lo se quiere probar, que por lo general representa el cambio
en relacin a la hiptesis nula. Esta hiptesis puede ser simple o compuesta. Por lo general es
una hiptesis compuesta, es decir, especifica infinitas distribuciones poblacionales alternativas.

2 Se debe elegir el nivel de significacin de la p rueba o valor de !, que se refiere al riesgo

mximo de cometer el error tipo I, el que segn se explic anteriormente es el que provoca
consecuencias ms grave.

3 Se debe identificar el estadgrafo de prueba, el que debe tener caractersticas similares a la

variable pivotal y cuya distribucin debe ser conocida.

4 Se especifica la Regin Crtica, RC, cuya construc cin depende de la hiptesis alternativa,
el valor de ! y la distribucin del estadgrafo de prueba.

5 Consiste en planificar la muestra aleatoria cuya s observaciones entregarn la evidencia que

permitir tomar la decisin de rechazar o aceptar la hiptesis nula. Para este propsito es
necesario procesar los valores y obtener un valor calculado del estadgrafo de prueba o valor
 121

muestral. A continuacin se debe verificar si el valor, as calculado, pertenece o no la Regin

Crtica. Si pertenece, la decisin es rechazar la hiptesis nula, en caso contrario la decisin es
aceptarla o no rechazarla. Aceptar la hiptesis nula debe interpretarse en el sentido que los
datos no proporcionan evidencia suficiente para refutarla, lo que no es equivalente a concluir
que lo que plantea la hiptesis nula es lo verdadero. Recuerde que es imposible establecer la
certeza de que una hiptesis es verdadera a partir de una muestra. Al rechazar una hiptesis
nula se debe concluir que con los datos muestrales es ms creble o probable lo que especifica
la hiptesis alternativa, dado que, bajo la condicin que la hiptesis nula es la verdadera, la
probabilidad de obtener una muestra que proporcione los datos que nos conduce a la hiptesis
alternativa resulta ser pequea. Una probabilidad pequea se refiere a que su valor es igual o
menor al nivel de significacin de la prueba de hiptesis cuyo valor es !.

6 En este paso se debe redactar una conclusin respecto al problema en es tudio, la que se
deduce del anlisis de los resultados realizados en la etapa anterior.

En cada uno de los siguientes tipos de pruebas de hiptesis slo se indicarn los pasos 1, 3
y 4 que son especficos de cada una, puesto que los pasos 2, 5 y 6 son generales y tienen el
mismo enunciado anterior.

Prueba de hiptesis para la media de una poblacin normal.

Sea la poblacin X N. 5 # de la cual se toma una m.a.s. tamao n.

1 Las hiptesis son:
. . hiptesis bilateral
!
H! . .! versus H" : . .! hiptesis unilateral derecha , .! d
. .! hiptesis unilateral izquierda
Existen dos casos a considerar:

Caso 1. Varianza poblacional 5# conocida.

3 En esta situacin, al igual que para intervalos de confianza, el estadgrafo de prueba es

q
X.!
Z 5 # 8 R ! " , bajo la hiptesis H! .
4 La regin crtica depende de lo establecido en los tres pasos anteriores y en particular de la
hiptesis alternativa, por lo cual hay tres posibles R.C. asociadas a cada una de las tres
q
hiptesis alternativa, con un zc que resulta de los clculos al sustituir X en el estadgrafo
indicado en el paso anterior:
RC = { z c / z c z"!# o z c z"!# } regin crtica bilateral
RC = { z c / z c z"! } regin crtica unilateral derecha
RC = { z c / z c z"! } regin crtica unilateral izquierda
q
Obsrvese que la regin crtica no se estableci X K , porque resulta ms directa la
q q
X.!
forma anterior, para evitar tener que despejar X, como se deduce de: 5 # 8 z"! , que
al despejar se obtiene X .! z"! 5 # 8, donde K = .! z"! 5 # 8.
q
 122

Ejemplo 3.5.

Se desea probar, al nivel del 5%, si una nueva variedad de trigo tiene mayor rendimiento
que la variedad tradicional, actualmente en uso, cuyo rendimiento promedio se sabe es de 72
qq/ha con una desviacin tpica de 12 qq/ha. Con esta descripcin se debe plantear la prueba
a realizar, es decir, establecer los pasos 1 a 4 del esquema propuesto.
1) H! . 72 versus H" : . 72

2) Se fijar un nivel de significacin del 5% ( ! = 0,05 )

q
X.!
3) El estadgrafo de prueba, bajo la hiptesis H! , es Z 5 # 8 R ! ", suponiendo
que los rendimientos se distribuyen normales, lo que habitualmente es verdadero, y por ser
conocida la varianza poblacional.

4) La regin crtica es unilateral derecha porque la hiptesis alternativa lo es, luego

RC = { z c / z c z0,95 " '%&}

5) Con el objetivo de realizar la prueba planteada, se siembran 10 parcelas experimentales

de 10x10 m con semilla de la nueva variedad, obtenindose una produccin para cada una de
89,4 ; 92,8 ; 82,6 ; 96,2 ; 106,4 ; 86,0 ; 69,0 ; 77,5 ; 96,2 ; 80,9 qq/ha.
q )(((#
A partir de los datos se calcula que X = 87,7 y z- = "%%"!
4,14 y como este valor
pertenece a la RC, pues 4,14 > 1,645, entonces la decisin es rechazar H!

6) Basado en la evidencia proporcionada por la muestra aleatoria es posible concluir que la

nueva variedad tiene un rendimiento superior a la tradicional, al nivel del 5%.

Observacin.

En la conclusin es importante dejar constancia del nivel de significacin de la prueba,

porque es posible que la decisin de rechazar la hiptesis nula sea incorrecta, es decir, se
puede estar cometiendo el error tipo I, cuyo valor mximo es el valor de !. Sin embargo en el
ejemplo 3.5 , el verdadero valor del error tipo I, de haberse cometido, es mucho menor al 5%,
debido a que zc = 4,14 es bastante mayor que el valor crtico 1,645, valor lmite de la
regin de rechazo, lo que indica que el zc est muy al interior de la regin crtica, lo que otorga
mayor seguridad en no estar cometiendo un error en la decisin tomada.

Caso 2. Varianza poblacional 5# desconocida.

Las hiptesis son las mismas del caso 1, en consecuencia sigue el paso siguiente:
q
X.!
3 En esta situacin el estadgrafo de prueba, bajo la hiptesis H! , es t S# 8 >8 ",
q #
por lo cual de la muestra se debe obtener tanto el valor de X como de S .

q
4 Las regiones crticas con un t c que resulta de lo s clculos al sustituir X y S# en el
estadgrafo indicado, son similares a las del caso 1, pero con valores percentiles de la t:
RC = { t c / t c >"!# 8 " o t c >"!# 8 " regin crtica bilateral
RC = { t c / > c >"! 8 "} regin crtica unilateral derecha
RC = { t c / t c >"! 8 "} regin crtica unilateral izquierda
 123

Note que en ambos casos la regin crtica bilateral es el complemento del intervalo de
confianza, pues corresponde a la parte externa de ste.

Ejemplo 3.6.

Un productor de pollos Broiler afirma que los pollos que produce cumplen con una norma
sanitaria que establece que la cantidad de hormonas que estos contengan no debe superar los
19 nanogramos. Un inspector sanitario decide probar tal afirmacin sobre la base de 10 pollos.
El siguiente es el planteamiento de la prueba a realizar por el inspector, puesto que ste
debe probar, hiptesis H" , que el productor no cumple la norma.

1) H! . 19 versus H" : . 19

2) El inspector decide fijar un nivel de significacin del 5% ( ! = 0,05 )

q
X.!
3) El estadgrafo de prueba, bajo la hiptesis H! , es t S# "! >*, pues la varianza
poblacional es desconocida y asumiendo que los contenidos de hormonas se distribuyen
normales.

4) La regin crtica es unilateral izquierda como la hiptesis alternativa , por lo tanto

RC = { t c / t c >0,95 * " )$$" }

5) Para verificar la afirmacin del productor el inspector sanitario toma una muestra aleatoria
de 10 pollos del productor, obteniendo los siguientes contenidos de hormona en nanogramos,
en cada pollo: 18 ; 22 ; 21 ; 19 , 18 ; 17 ; 19 ; 20 ; 22 ; 20. De estos valores se obtiene que
q 19,619
X = 19,6, S# = 2,94 y t- = #*4"!
= 1,10 , que al no pertenecer a la RC implica la decisin de
aceptar H! , o sea, no rechazarla.

6) La conclusin que obtiene el inspector es que la evidencia muestral no permite establecer

que el productor no cumpla la norma.

Observaciones.

Con la decisin tomada por el inspector, el error susceptible de haberse cometido es el error
tipo II, cuyo nivel no est explcito, pero est directamente vinculado al tamao de la muestra y
como la muestra es relativamente pequea puede corresponder a una alta probabilidad. El
valor de " puede calcularse a posteriori y en l se podra buscar una explicacin de por qu la
prueba no fue capaz de rechazar H! . En este caso es irrelevante informar del valor !.

Prueba de hiptesis para las medias de dos poblaciones normales.

Sean las poblaciones X" R ." 5"# , de la cual se toma una m.a.s. tamao n" y
X 2 R .2 52# , de la cual se toma una m.a.s. tamao n2 .
.2 .1 hiptesis bilateral
1 Las hiptesis son: H ! .2 .1 versus H ": .2 .1 hiptesis unilateral derecha
.2 .1 hiptesis unilateral izquierda
 124

.2 .1 !
Es fcil deducir que las hiptesis anteriores se pueden replantear as:

H! .2 .1 ! versus H" : .2 .1 ! , con tres casos a considerar

.2 .1 !

Caso 1. Varianza poblacionales 5"# y 5## conocidas.

Este es un caso poco usual, pero se tratar porque servir de apoyo en la explicacin de los
casos 2 y 3. Las hiptesis nula y alternativa son comunes a los tres casos.

3 A partir de muestras aleatorias independientes de X" R .", 5"#) y X2 R .2, 52# )

q q
de tamao 8" y 8# respectivamente, el estimador de (.# - ." ) es X# X" ) cuya
q q
X# X" ).# ."
distribucin es N.# - ." , 5"# 8" 5## 8# y Z R ! ", segn lo
5"# 8" 5## 8#
establecido en la construccin del Intervalo de confianza para la diferencia de dos medias
poblacionales. En consecuencia como bajo H! .# ." !, el estadgrafo de prueba es:
q q
X# X"
Z R ! " .
5" 8" 5# 8#
# #

4 Las regiones crticas asociadas son las mismas d el Caso 1, para la media de una
poblacin normal con varianza conocida, esto es
RC = { z c / z c z"!# o z c z"!# } regin crtica bilateral
RC = { z c / z c z"! } regin crtica unilateral derecha
RC = { z c / z c z"! } regin crtica unilateral izquierda

Caso 2. Varianzas poblacionales 5"# y 5## desconocidas e iguales.

3Este es el caso ms usual, en donde 5 #, es la vari anza comn a ambas poblaciones,

correspondiente al supuesto de homogeneidad de varianzas u homocedasticidad y el
q q
X# X" ).# ."
estadgrafo a utilizar es t >(8" +8# -#), tal como se utiliz anteriormente para
Sp# "/8" "8# )
construir el Intervalo de Confianza para la diferencia de dos medias y que bajo H! adopta la
q q 8" "W"# 8# "W##
X# X"
forma t = >(8" +8# -#), donde se recordar que S#p .
Sp# "/8" "8# ) 8" 8# #

4 Las regiones crticas asociada son:

RC = { t c / t c ->"!# (8" +8# -#) o t c >"!# (8" +8# -#) regin bilateral
RC = { t c / > c >"! (8" +8# -#) } regin unilateral derecha
RC = { t c / t c >"! (8" +8# -#) } regin unilateral izquierda

Ejemplo 3.7.

Para determinar si el parasitismo disminuye la capacidad fsica de caballos para

competencias, se evala el rendimiento de 20 caballos sin desparasitar, obteniendo un
rendimiento promedio de 29,9 y una varianza de 15. A su vez se evala el rendimiento de 12
caballos desparasitados, obteniendo que su rendimiento promedio es de 32,4 con una
varianza de 10. El rendimiento se mide en una escala cuyo mximo es 40. Es posible
 125

establecer, al nivel del 5 %, que el parasitismo afecta la capacidad fsica de caballos para
competencias ?

El planteamiento de la prueba se efecta en los pasos 1 a 4, para lo cual es necesario hacer

algunos alcances. El rendimiento de ambas poblaciones se asume normal y se establece en
trminos de la media ., as la poblacin 1 ser la de caballos desparasitados ( con tratamiento)
y la poblacin 2 la de caballos sin desparasitar (sin tratamiento). Entonces lo que se quiere
probar es que el rendimiento promedio de la poblacin 2 es menor que el de la poblacin 1.

1) En consecuencia las hiptesis sern H! .2 .1 versus H" : .2 .1

2) Se utilizar ! = 0,05

3) Como se trata de dos poblaciones con varianzas no conocidas, ya que la informacin del
promedio y la varianza proviene de muestras, el estadgrafo de prueba es
q q 8" "W"# 8# "W##
X# X"
t= >(8" +8# -#) con S#p
S#p "/8" "8# ) 8" 8# #

4) La regin crtica es RC = { t c / t c >!*& $! " '*($} , unilateral izquierda

5) Segn el enunciado los valores de la media y varianza muestrales son:

q q
con tratamiento X" = $# % , S#" = "! , n" = "# ; sin tratamiento X2 = #* * , S#2 = "& , n2 =
#**$#4
#!, de donde S#p """!"*"&
$! "$ # y tc "$#""#"#! - " )) RC rechazar H!
6) Se puede concluir, a un nivel del 5%, que en base a la evidencia muestral el parasitismo
disminuye la capacidad fsica de caballos para competencias.

Una forma ms general de la prueba para comparar dos medias consiste en plantearse las
hiptesis de que las diferencias entre las dos medias es una cantidad d, no necesariamente
.2 .1 d
igual a 0. Replanteando las hiptesis y el estadgrafo, queda en los siguientes trminos:

1 H! .2 .1 d versus H" : .2 .1 d , d d
.2 .1 d
q q q q
X# X" ).# ." ( X# X" )d
3 t >(8" +8# -#), que bajo H! queda t >(8" +8# -#).
Sp# "/8" "8# ) Sp# "/8" "8# )
4 En el resto se procede igual al caso 2.

Caso 3. Varianzas poblacionales 5"# y 5## desconocidas y distintas.

Corresponde al caso de heterogeneidad de varianza y es un caso en el cual no existe un

estadgrafo de prueba con distribucin exacta conocida y en consecuencia se debe recurrir a
aproximaciones, alguna de las cuales se incluyen en los programas estadsticos
computacionales. Uno de las aproximaciones ms conocidas es el procedimiento de Smith-
(1) q q
X# X"
Satterthwaite. Otro procedimiento consiste en calcular >w tal que:
# # S" 8" S# 8#

(1) Mtodos Estadsticos, Snedecor,G. y Cochran,W.; CECSA, 4 impresin, 1977.

 126

i) >w tiene distribucin aproximada t 8 ", si 8" = 8# o ii) se compara >w con el valor crtico
> ww" t""ww## t# , donde t" = t 8" -") y t# = t 8# -", con ponderadores w" = W"# /8" y w# = W## /8# , si
8" 8# .

Prueba de hiptesis para la igualdad de dos varianzas poblacionales.

Corresponde a la prueba para la homogeneidad o igualdad de dos varianzas.

1 Las hiptesis son L! 5"# 5## versus L" 5"# 5##.

2 Se elige ! de 5% o de 10%, segn se cuente con un a tabla que tenga o no el percentil

" !#.
W"# 5"#
3 El estadgrafo a utilizar es J W## 5##
7 " 8 ", deducido en la un idad de
distribuciones muestrales, el que bajo la hiptesis H! , pues al ser iguales 5"# y 5## se
cancelan, toma la forma J S#" S## 8" " 8# ", donde (n" -") y (n# -1) son los
grados de libertad de S#" y S## respectivamente.
Generalmente las tablas de la distribucin estn resumidas para los valores percentiles
superiores, razn por la cual la prueba es conveniente realizarla en los siguientes trminos:
S#
Se calcula la razn F W7# 7 8 ubicando en el numerador la varianza muestral
8
mayor y en el denominador la menor, de modo que la razn sea mayor que 1.

4 La regin crtica es RC { Fc Fc "!# 7 8 } , siendo Fc el valor muest ral del

estadgrafo que resulta de sustituir los valores respectivos de S# .

Ejemplo 3.8.

Una situacin que se debe establecer previamente cuando las varianzas poblacionales son
desconocidas es si estas son homogneas, para de esa manera discriminar si la prueba se
refiere al caso 2 o al caso 3. Esta prueba debe realizarse a-priori a la comparacin de medias,
pero en beneficio del desarrollo conceptual de la unidad se efectuar en este caso a-posteriori
con los datos del ejemplo 3.7 en cuyo enunciado se establece que S#" "! y S## "&. El
desarrollo es el siguiente:
1) L! 5"# 5## versus L" 5"# 5##

2) ! = 0,10 , pues se utilizar una tabla del 95% de la distribucin .

S#2
3) el estadgrafo es F S#1
19 , 11. La varianza de la muestra 2 va en el numerador,
porque es la mayor.

4) La regin crtica es bilateral, pero RC { F- F- 0,95 "* "" = # '' }, por limitaciones
de la tabla utilizada.

5) Jc "&"! " & RC aceptar H!

6) Se concluye que las varianzas poblacionales son homogneas, al nivel del 10%.
 127

6.4 Comentarios sobre intervalos de confianza y pruebas de hiptesis.

En esta seccin se analizarn algunas situaciones complementarias en relacin a la

estimacin mediante intervalos de confianza, respecto a las pruebas de hiptesis y en
particular al planteamiento de la hiptesis alternativa cuando se docima la media de una
poblacin, debido a que a veces se deben tener en cuenta ciertas consideraciones en relacin
al error tipo I.

Precisin , confianza y tamao de muestra en intervalos de confianza.

Se llama error de muestreo a la diferencia d entre el valor muestral de un estimador y el

del parmetro al cual estima. En trminos estadstico: d l s ) ) |. El error de muestreo es
funcin del tamao muestral, de la varianza y del valor percentil de la distribucin de s
) . En el
#
caso del intervalo de confianza para . con varianza conocida d = z"!# 5 8 y cuando la
varianza poblacional no es conocida d = >"!# 8 "S# 8. En otros trminos el error de
muestreo es igual a la mitad de la amplitud del intervalo de confianza.

Se llama precisin de una estimacin, al grado de aproximacin del valor muestral del
estimador respecto al valor poblacional. Se mide en trminos del error de muestreo, de modo
que a menor tamao del error de muestreo existe mayor precisin. Precisin no se debe
confundir con exactitud, que cuando sta se refiere a un clculo depende del nmero de
decimales o del instrumento de clculo, o cuando se trata de una medicin depende del
instrumento con que se realiza la medicin, ya que tiene que ver con la aproximacin del valor
calculado respecto a su valor real. La precisin es un trmino ms estadstico y la exactitud es
ms ingenieril.

La precisin y el grado de confianza de un intervalo estn relacionados a travs del tamao

de la muestra, pues para una misma muestra a mayor grado de confianza se tiene una
menor precisin y viceversa. La nica forma de mantener la precisin aumentando el nivel de
confianza o viceversa, consiste en aumentar el tamao de la muestra. Algunos ejemplos
ayudarn a conceptualizarlos.

Ejemplo 4.1.

En el ejemplo 2.1 se necesitaba estimar la media de una poblacin normal de varianza

144 a partir de una muestra tamao 15, resultando un promedio de 82,15 qq/ha y un intervalo
del 95% de confianza para . con lmites 76,1 y 88,2 qq/ha. En este caso la precisin es de
6,05 qq/ha. Si con la misma muestra se construye un intervalo al 90% de confianza el error
de muestreo es d = 1,64514415 5,1 qq/ha. Se puede observar que se disminuy el
grado de confianza, pero aument la precisin. Si se aumenta la confianza al 99%,
entonces d = 2,57514415 = 8,0 qq/ha. Deduzca que pasara si se tratara de aumentar
la confianza al 100%.

La forma cientfica de enfocar el problema consiste en determinar el tamao de muestra

necesario para una determinada precisin y nivel de confianza. Entonces, el planteamiento en
el caso anterior debe ser, por ejemplo, "calcular el tamao de muestra necesario para estimar
la media poblacional con una confianza del 95% y una precisin de 3 qq/ha". Ahora se conoce
 128

que d = 3, D!*(& = 1,96, luego, 3 = 1,96144n , despejando 8 se obtiene 61,47, pero como n
tiene que ser un nmero natural se aproxima siempre hacia arriba, lo que implica n = 62.

La poblacin, el parmetro, las hiptesis a contrastar y el tamao de muestra en una prueba de

hiptesis para una poblacin.

Cuando se desea realizar una inferencia es importante tener claridad cual es la poblacin y
el o los parmetro de ella que se est investigando a partir de muestras aleatorias. Es
frecuente que el concepto que se tiene de la poblacin sea algo difuso y resulta que es un
aspecto muy importante, porque las conclusiones se refieren a ella y slo a ella y la muestra
tiene que ser un subconjunto que la represente, luego la poblacin debe estar definida en
trminos bien precisos.
Respecto a las hiptesis, un error frecuente es plantearlas para los estadgrafos en
circunstancias que estos son variables aleatorias y por lo tanto la probabilidad de que ocurra
un valor puntual es cero. Las hiptesis siempre se plantean para los parmetros y la hiptesis
nula siempre es una hiptesis simple, pues el valor del parmetro especificado en sta
determina la distribucin del estadgrafo de prueba que debe ser exacta.
El planteamiento de la hiptesis alternativa para un parmetro algunas veces puede generar
dudas, pues depende de a cual decisin errnea se le quiere dar mayor proteccin, es decir,
el planteamiento formal de una hiptesis est influida por la estructura de la probabilidad de
una conclusin errada. El anlisis de ciertos casos ayudarn a desarrollar esta idea.

Caso 1. Si un investigador desea probar que tomar caf aumenta el riesgo de cncer
gstrico, las hiptesis a contrastar son: tomar caf aumenta el riesgo de cncer gstrico
versus tomar caf no aumenta el riesgo de cncer gstrico. El punto es cul debe ser la
hiptesis nula y cul la alternativa. Si se considera que lo conservador es considerar que tomar
caf no produce dao gstrico, entonces
H! : tomar caf no aumenta el riesgo de cncer gstrico
H" : tomar caf aumenta el riesgo de cncer gstrico
Se evaluar la consecuencia de tomar cada una de las posibles decisiones errneas:

i) si se acepta H! cuando la hiptesis alternativa es la verdadera, se est cometiendo el error

tipo II, de probabilidad " y como la conclusin ser que no hay riesgo al tomar caf, la
consecuencia del error es grave, porque se est poniendo en riesgo la salud en trminos de un
error que por lo general tiene valores de probabilidad ms alto que el tipo I. Es decir al elegir
plantear as las hiptesis, el error ms grave que es el riesgo de contraer cncer, no est
siendo controlado adecuadamente.

ii) si se rechaza H! cuando sta es verdadera, se est cometiendo el error tipo I, de

probabilidad !. La conclusin ser que tomar caf es riesgoso para la salud y la decisin ser
abstenerse de beber caf. El costo es perderse la oportunidad de tomar caf, especialmente si
se es adicto al caf, pero no hay riesgo para la salud. Si se permutan las dos hiptesis
anteriores, ambos tipos de errores, tambin se permutan, verificndose que el riesgo para la
salud queda protegido con el nivel de significacin, como debe ser. Recuerde que el error de
peores consecuencias es el tipo I.

Caso 2. Una Compaa Tabacalera afirma que la cantidad de nicotina que en promedio
contiene, uno de sus tipos de cigarrillos, no excede de 2,5 mg. Un investigador que desea
verificar tal aseveracin debe optar por establecer sus hiptesis nula y alternativa. El
investigador toma la opcin que H! . # & versus H" : . # & y va a realizar la prueba
 129

con un tamao muestral suficiente para tener un nivel de significacin del 1% y un error tipo II
de probabilidad " 0,15.
Se analizar cual es la consecuencia de cada una de las dos decisiones errneas.

i) si se acepta H! cuando la hiptesis alternativa es la correcta, se est cometiendo el error

tipo II cuya probabilidad es del 15% y decidiendo que la evidencia muestral no es suficiente
para contradecir la afirmacin de la Compaa, luego se estaran aceptando cigarrillos con
exceso de nicotina, lo que sera muy perjudicial para la salud de los fumadores y con un alto
nivel de riesgo.

ii) si se rechaza H! siendo H! verdadera, es decir, H" falsa, se est cometiendo el error tipo I
cuya probabilidad es del 1% y decidiendo errneamente que los cigarrillos exceden los 2,5 mg
de nicotina. En esta situacin se est perjudicando a la Compaa con un nivel de riesgo del
1% muy inferior al 15% de riesgo que corre la salud de los fumadores.
Como evidentemente la salud de las personas es mucho ms importante que el dao
econmico de la Compaa, el error tipo I debe proteger al consumidor y en consecuencia las
hiptesis deben ser H! . # & versus H" : . # &. Ahora el fabricante se ver
perjudicado con una probabilidad del 15% al aceptar H! , pero la Compaa tiene una solucin
para esta situacin, la cual consiste en financiar un anlisis de los contenidos de nicotina en los
cigarrillos en una muestra mucho mayor, con lo cual se consigue disminuir el valor de " .

Caso 3. Una agroindustria establece como norma de calidad que la fruta que envien los
productores debe contener un porcentaje de frutos con daos por insectos de a lo ms 6%. Si
la partida contiene un porcentaje mayor ser rechazada.
La decisin se tomar en base a una muestra de tamao suficiente para tener !
&% y " "&%, siendo el valor del parmetro a probar una proporcin o porcentaje P. La
hiptesis alternativa a plantearse tiene dos posibilidades, proteger preferentemente a la
agroindustria o proteger al productor. Si se considera como norma que se debe proteger al
ms dbil las hiptesis deben ser H! : P ! !' versus H" : P ! !'. De esta manera al
rechazar H! cuando H" es falsa, se est cometiendo el error tipo I, que conduce a rechazar la
partida cuando sta cumple la norma, pero la probabilidad de este error es de slo 5%. Por el
contrario si la hiptesis alternativa fuera H" : P ! !', al aceptar H! cuando sta es falsa el
error cometido es el tipo II, luego hay una probabilidad del 15% de rechazar una partida que
cumple la norma, en vez del 5% anterior. En este caso la atencin hay que ponerla en si la
hiptesis alternativa debe plantear la aceptacin o el rechazo de la partida de fruta, segn cul
decisin errnea sea ms grave.

Tamao de muestra.

Se tomar el caso de la Compaa Tabacalera para explicar el procedimiento del clculo del
tamao de muestra necesario para cumplir con valores pre establecidos para los errores tipo I
y tipo II. Se optar por las hiptesis que protegen la salud de los fumadores, es decir,
H! . # & versus H" : . # 5. Pero para resolver el problema se debe tener informacin
de la variabilidad del contenido de nicotina en los cigarrillos, as que supngase que la
desviacin tpica es de 0,5 mg y como la hiptesis alternativa debe ser una hiptesis simple
se asumir que H" : . # $. Entonces el tamao de muestra para ! ! !" y " ! "& se
obtiene a partir del siguiente planteamiento.
q
! T rech L! L! verdadera 0,01 T (\ O . # & (1)
q
" T aceptar L! L! falsa 0,15 T (\ O . # $ (2)
que con el supuesto que el contenido de nicotina en los cigarrillos tiene distribucin normal
 130

q
\#& O#& O#& O#& 8
(1) T !& 8 !& 8
! !" 9 !& 8 ! !" 9 !& ! !" $

q
\#3 O#3 O#3 O#$ 8
(2) T !&8 !& 8
! "& " 9 !&8 ! "& 9 !& ! )& %

O#& 8 O#& 8
$ !& 9 " ! !" !& # $$ &

O#$ 8 O#$ 8
% !& 9 " ! )& !& " !% '
El sistema de ecuaciones (5) y (6) tiene dos incgnitas que son K y n. Para eliminar n, se
O#&
divide miembro a miembro (5)/(6), se obtenindose O#$ # #% , luego O 2,36.
#$'#$ 8
Sustituyendo K en (6) !& " !% ! "#8 " !% 8 ('. En consecuencia
se debe analizar una muestra de 76 cigarrillos o ms.

Observacin.

El tamao de muestra depende de las condiciones: de variabilidad poblacional reflejada en

el valor de la desviacin tpica; del nivel de significacin requerido; del valor de la potencia
(" " deseada y de la diferencia, d ." .! , que se establece a partir de los valores de las
medias en las hiptesis alternativa y nula respectivamente. Para esta ltima condicin es
necesario que la hiptesis alternativa sea una hiptesis simple y como en general las hiptesis
alternativas son compuestas hay un tamao de muestra asociado a cada valor de la diferencia
d.
 131

7. TEOREMA CENTRAL DEL LIMITE E INFERENCIAS PARA

PROPORCIONES.

7.1 Muestras de tamao pequeo.

Para muestras de tamao pequeo las inferencias deben realizarse con la distribucin
exacta del estadgrafo de prueba, esto es, si la distribucin poblacional es normal utilizando la
distribucin normal de la media muestral, si la distribucin poblacional es binomial con la
distribucin binomial del estadgrafo, si la distribucin poblacional es Poisson con la distribucin
Poisson del estadgrafo y as en otros casos.

En la unidad anterior la metodologa para las inferencias se basan en el supuesto de

normalidad poblacional, para de esta manera obtener estadgrafos o variables pivotales con
distribucin normal o > de Student o ;# . Hay muchos casos en los cuales la normalidad
poblacional no se cumple y en consecuencia se debe proceder con la distribucin exacta, lo
que trae algn grado de complicacin por que las tablas de esas distribuciones son menos
completas que la de la distribucin normal tpica. El siguiente es un ejemplo de este tipo.
Se sabe que un tipo de vacuna contra el distemper es alrgica en un 40% de los casos. Un
laboratorio promueve una nueva vacuna tan efectiva como la anterior, aunque algo ms cara,
que es menos alrgica que la en uso. Para tal efecto se inoculan 20 perros para decidir sobre
la afirmacin del laboratorio. Las hiptesis son H! T ! %! versus H" : T ! %! y sea
\ nmero de caninos de la muestra que presentan alergia producida por la vacuna, cuyos
valores posibles son ! " # "* #!, en consecuencia la distribucin es \ F38#! ! %!,
luego la regla de decisin debe disearse para una RC {X X K}, donde K es un nmero
natural . La cuestin es cmo se determina el valor de K ?. La respuesta est en la
distribucin acumulativa de la binomial anterior, donde se observa que T \ $ ! !"'! y
T \ % ! !&"!, de modo que para un nivel de significacin del 5%, la ltima probabilidad
da aproximadamente ese valor y en consecuencia K = & , pues recurdese que
! Prob \ & P ! %!= 0,051.
Para establecer el valor de " es necesario fijar un valor alternativo simple para P
Supongamos que H" : P ! #!, entonces:
" Prob\ & P ! #! 1 Prob\ %P ! #! 1 0,6296 0,3704, es decir, el
error tipo II es aproximadamente del 37%.

7.2 Teorema del Lmite Central.

No obstante lo anterior, es posible validar la distribucin normal como parte de la

metodologa estadstica, tomando muestras de tamao grande, situacin que establece el
Teorema Central del Lmite, el que se puede enunciar as.

Sea X variable aleatoria con cualquier distribucin, tal que I\ . y

q
Z \ 5 # y X la media de una muestra tamao n, entonces
q
X N(., 5 # 8 cuando 8 _.
 132

Consecuencias.

Del Teorema anterior se deduce que:

q
X.
1) 5 # n R ! " cuando n _.
2) Cuando n es suficientemente grande, lo que para la mayora de los casos ocurre si n $!,
q
X.
se puede hacer uso de que 5 # n R ! ". Esta es una consecuencia importante, porque
establece que basta tener muestras de tamao mayor a 30 para que la distribucin de la media
muestral sea prcticamente normal, independientemente de cual sea la distribucin
poblacional.

7.3 Proporcin Poblacional.

Sea E una caracterstica de inters a estudiar en la poblacin, la que inducir una particin
de sta en dos subconjuntos: el de los individuos que poseen la caracterstica y el de los
individuos que no la poseen. As en una poblacin finita de tamao N la proporcin T de
individuos que la poseen queda determinado por T #AN Segn la ley de los grandes
#A
nmeros lim T lim N :, que conceptualmente es la probabilidad de A, P(A). Esta
R N_ N_
probabilidad : T E se denominar en adelante proporcin poblacional en poblaciones
infinitas y se designar simplemente por T .

El estimador de la proporcin T se define como T s X , que corresponde a la proporcin

n
muestral, donde X es el nmero de individuos en la muestra que presentan la caracterstica A
cuya probabilidad de ocurrencia es p, en consecuencia la distribucin de la variable aleatoria X
s.
es Binn p, y a partir de sta se puede deducir la distribucin del estadgrafo T

s.
Distribucin del estadgrafo P

ITs I \ " " s

8 8 I\ 8 8: : T , en consecuencia T es un estimador insesgado de T .
:":
s) Z \
Z (T 8
" "
8# Z \ 8# 8:" : 8 T8U , donde U " T .
s es Binomial de media T y varianza T U8.
Luego la distribucin de T

s.
Aproximacin a la normal de la distribucin de T

Se recordar que una variable aleatoria binomial es generada mediante una suma de n
! ]3
8

variables Bernoulli, luego X ! Y3

8 q
s X
y dado que T n 3"
n ] , se establece que la
3"
proporcin muestral es la media de variables Bernoulli y como consecuencia por el Teorema
del Lmite Central Ts R T T Un cuando n _. Se deduce, entonces, que cuando n es
s R T T Un Ts T R ! ". En el caso de una
suficientemente grande T T Un
proporcin se considera que n es suficientemente grande si satisface la relacin nPQ 4, lo
que indica que el valor de n depende del valor de T , como por ejemplo para
T ! & n "# "# % 8 "', o sea en este caso se necesita un n de "( o ms. Para
" *
T ""! n "! "! % n %!!*, es decir, se necesitara un n de %& o ms.
Las figuras 3.1 , 3.2 y 3.3 ilustran como una distribucin Bin n ! "! se aproxima a una
distribucin R ! "n ! !*n Ver tambin la figura 6.2 de la unidad 4.
 133

En lo que sigue se desarrollar la inferencia para proporciones basada en muestras tamao

s
grande, utilizando TTT
Un
R ! " aproximacin establecida por el Teorema Central del
Lmite.
 134

7.4 Intervalos de Confianza para Proporciones.

El desarrollo sigue un esquema similar al utilizado para intervalos de confianza para la

media de distribuciones normales.

Intervalo de confianza para una proporcin.

s T
T
El estadgrafo Z T U8 R ! ", se utilizar como variable pivotal y dado que
s T
T
Prob D"!# ^ D"!# ) " ! Prob D"!# T Un D"!# ) " ! , pero
ahora la probabilidad del intervalo es slo aproximada. Despejando T en la desigualdad
anterior se establece que ProbT s D"!# T Un T T s D"!# T Un) " ! . Sin
embargo, como es T lo que se est estimando la Z T s T Un no es conocida, por lo cual
se debe utilizar su estimador Zs T
s T
s " T
s n T s n , pero aunque Ts T debera tener
s U
T s n
s U
aproximadamente una distribucin > de Student por estar utilizando una varianza estimada,
resulta que si n es grande >8 " R ! " , luego por doble aproximacin
ProbTs D"!# T s nT T
s U s D"!# T s n ) " ! , de donde
s U

s D"!# T
T s
s U8 s D"!# T
T T s
s U8 )
Intervalo del 100(1 !% aproximado de confianza para T

Ejemplo 4.1

Un organismo de defensa al consumidor examin 100 latas de atn envasadas por cierta
industria encontrando que 9 de ellas estaban en mal estado. En un intervalo de confianza del
95%, cul es la proporcin de latas en mal estado de la produccin total de la industria?
Para el intervalo de confianza se requiere Ts * ! !* ; T s
s U8
!!*!*"
! !#*
"!! "!!
y z!*(& " *' ! !* " *'! !#* T ! !* " *'! !#* ! !$$ T ! "%( al 95%
aproximado de confianza. Puede apreciarse que el rango estimado va entre 3,3% y 14,7% de
latas en mal estado, que es una estimacin con poca precisin.

Mejor, entonces, es plantearse que si se desea tener una estimacin con una precisin o
error de muestreo menor al 3% y una confianza del 95% cul debera ser el tamao
muestral requerido ? Como n resultar bastante mayor que 100, que es el tamao de muestra
ya utilizado, para una precisin de un & (%, semi longitud del intervalo anterior, y recordando
que el error de

muestreo en una distribucin normal est dado por D"!# T s n se tiene que
s U

D"!# T s
s U8 0,03 " *'! !*! *"8 ! !$ 8 " *'! !*! *"! !$
8 ") '*( 8 $%* ', luego n 350. Es decir, para ese nivel de precisin se
necesitara examinar por lo menos 350 latas seleccionadas al azar. Con ese tamao de
muestra se tendra una estimacin de la verdadera proporcin T de latas en mal estado, en un
rango de T 0,03, es decir, una estimacin con un 3% de error y una confianza del 95%.
 135

Intervalo de confianza para la diferencia entre la proporcin de dos poblaciones.

La estimacin se obtendr a partir de muestras aleatorias independientes tamao n" y n#

de cada poblacin respectivamente, y se desea estimar (T# - T" ), mediante Ts# - Ts" cuyos
valores caractersticos son:
i) ITs# Ts" I Ts# I Ts" T# T"
ii) Z Ts# Ts" Z Ts# Z Ts" T#nU# # T"nU" " , cuyo estimador est dado por
T s#
s #U s"
s "U
T
s ( Ts# Ts"
V n# n" . Si los tamaos muestrales n" y n# son grandes, entonces
Ts# Ts" T# T"
R ! ". El estadgrafo anterior corresponde a la variable pivotal a utilizar

s U
T s s s
# # T " U"
n# n"

para obtener el intervalo de confianza para la diferencia de dos proporciones.

El intervalo de probabilidad (1 ! al sustituir la variable pivotal es como antes

Ts# Ts" T# T"
Prob D"!# D"!# ) " ! , que al despeja< T# T" se obtiene

s U
T s s s
# # T " U"
n# n"

s " D"-!# s " D"-!#

T s#
s #U T s"
s "U s#
s #U
T s"
s "U
T
(Ts# T 8# 8" T# T" Ts# T 8# 8" )
Intervalo del 100(1 !% aproximado de confianza para T# T"

Ejemplo 4.2

Una industria de alimentos desea promover por TV un nuevo cereal. Una agencia de
publicidad le asegura que un cierto comercial ser igualmente efectivo en el estrato ABC1
como en los estratos C2 y C3, sin embargo la industria cree que por las caractersticas del
comercial ser menos efectivo en el C2-C3. Para verificar la hiptesis de la empresa se decide
pasar por TV el comercial durante dos semanas en el horario de una teleserie de moda, al
cabo de las cuales se tomarn muestras de espectadores fanticos de la teleserie de ambos
estratos socio-econmicos, para verificar la retencin del mensaje en cada uno. Terminado el
periodo de prueba el resultado del muestreo indic que recordaban el mensaje 90 personas de
un total de 120 del estrato ABC1 y tambin otras 90 de un total de 150 del estrato C2-C3 cul
es la diferencia entre la proporcin de personas de cada estrato que recuerdan el comercial, en
un rango del 95% de confianza ?

Sea T" el parmetro del estrato ABC1, cuyo estimador es T s " *! ! (& y T# el
"#!
s 2 *! ! '!. Para construir el intervalo se
parmetro del estrato C2-C1, cuyo estimador es T "&!

n#
T s#
s U T s"
s U !'!!%! !(&!#&
requieren los valores s# T
T s " - ! "& , n" 0,056 y
# " "&! "#!
z!*(& " *', luego -! "& " *'! !&' T# T" - ! "& " *'! !&' implica que
- ! #'! T# T" - ! !%! al 95% aproximado de confianza. El intervalo obtenido establece
que el porcentaje de retencin es entre un 4% a un 26% superior en el estrato ABC1, dado que
la diferencia es negativa y por lo tanto superior para P1 .
 136

7.5 Contraste de hiptesis para proporciones.

El esquema es similar al de las pruebas de hiptesis para las medias poblacionales.

Prueba de hiptesis para la proporcin de una poblacin.

Es el caso en el cual la caracterstica A produce dos subpoblaciones y se requiere probar

T T hiptesis bilateral
que porcentaje representa la subpoblacin con la caracterstica E respecto al total

1 Las hiptesis son H ! T T! vs. H ": T T! hiptesis unilateral derecha , ! T! "

!

T T! hiptesis unilateral izquierda

2 el nivel de significacin se determina con los criterios habituales

3 en esta situacin, con n sufientemente grande, el estadgrafo de prueba, bajo la hiptesis

s T!
T
H! , es Z T! U! 8 R ! ".

4 la regin crtica corresponde a la de una distri bucin normal tpica, con un zc que resulta
s en el estadgrafo indicado en el paso anterior.
de los clculos al sustituir T
RC = { z c / z c z"!# o z c z"!# } regin crtica bilateral
RC = { z c / z c z"! } regin crtica unilateral derecha
RC = { z c / z c z"! } regin crtica unilateral izquierda

Ejemplo 5.1.

Se desea verificar si la multiplicacin por estacas de cierta planta medicinal es viable,

para lo cual debe enraizar a lo menos el 40% de las estacas, para lo cual se sometern a
enraizamiento 140 estacas. El siguiente es el planteamiento para esta situacin.

1) Las hiptesis son: H! T 0,40 versus H" : T 0,40 , pues el parmetro a probar es una
proporcin y la multiplicacin por estacas slo sera viable si la proporcin de estacas que
enraizan es mayor al 40%.

2) Se fijar un nivel de significacin del 5%

Ts T!
3) El estadgrafo de prueba es Z T! U! n R ! " , porque n "%! es sufientemente
grande.

4) Corresponde utilizar R.C = { z c / z c z0,95 = 1,645 } .

5) Para probar las hiptesis anteriores se establecen 140 estacas en un medio para
enraizamiento, verificndose, despus de un tiempo, que de estas enraizan 60. Se calcula
s '! ! %#* y z c !%#*!%! !!#* ! (! RC aceptar H! .
T "%! !%!'"%! !!%"%

6) La evidencia muestral no es concluyente para establecer que la multiplicacin por estaca es

viable.
 137

Observaciones.

1) Una cuestin a plantearse es calcular el valor de la potencia de la prueba anterior que no

permite rechazar H! . El siguiente planteamiento resuelve esta situacin:
! Probrech H! / H! verdadera ) ! !& Prob(T s K P ! % 9 K!% ! *&
!!%"%
K!%
!!%"% " '%& K ! %').
s K P ! %#* 9 K!%#*
" Probaceptar H! / H! falsa ) ProbT !%#*!&(""%! ,
!%')!%#* !!$*
sustituyendo el valor de K se obtiene " 9( !%#*!&(""%! 9 !!%") 9! *$ ! )#$) ,
luego " " ! "('#, es decir, la potencia es 17,6%, lo que es un valor muy bajo.

2) La otra forma de enfocar el problema, como se ha planteado antes, consiste en calcular el

tamao n suficiente para ! del 5% y una potencia del 80%. El planteamiento implica
! Probrech L! L! verdadera ! !& Prob(T s K P ! % (1)
" Probaceptar L! L! falsa s
! #! ProbT K P ! %& (2) , asumiendo ! %&
como valor alternativo para T
s !%
T O0,4 O!% 8
(1) T !%!'8 !%* 8
! !& 9 !%* ! *& $
s !%&
T O!%& O!%& 8
(2) T !%*(8 !%*( 8 ! #! 9 !%*( ! #! %
O!% 8
O!% 8
$ !%* 9 " ! *& !%* " '%& &
O!%& 8
O!%& 8
% !%*( 9 " ! #! !%*( ! )% '

Resolviendo el sistema de ecuaciones (5) y (6), se obtiene K = ! %$$ que sustituyndolo en

(5) resulta n = &*(, muy superior a la muestra de 140 estacas. Este tamao se puede disminuir
si se utiliza como proporcin alternativa 0,42 o 0,43.

Prueba de hiptesis para las proporciones de dos poblaciones.

Sean X" X2 T" y T# dos poblaciones y las respectivas proporciones en que est presente
una misma caracterstica.
T T hiptesis bilateral
2 1
1 las hiptesis son: H ! T2 T1 versus H ": T2 T1 hiptesis unilateral derecha
T2 T1 hiptesis unilateral izquierda
las que se pueden replantear as:
T T !
2 1
H! T2 T1 ! versus H" : T2 T1 !
T2 T1 !
3 A partir de muestras aleatorias independientes de X" y X2 de ta mao n" y n#
respectivamente, suficientemente grandes, el estimador de (T# - T" ) es Ts# Ts" con
Z Ts# Ts" Z Ts# Z Ts" T8# U# # T8" U" " . Pero bajo H! se tiene que T2 T1 T , en
consecuencia Ts1 y Ts2 son estimadores de la proporcin comn, por lo cual se utiliza como
estimador de T la media ponderada T s 8" T" 8# T# y de U a U s " T s . Sustituyendo
8" 8#
estos estimadores en la varianza anterior, se obtiene que Z Ts# Ts" T s "
s U "
8" 8# ,
 138

Ts# Ts" T# T" Ts# Ts"

obtenindose como estadgrafo de prueba R ! " ,
T
s s ""
U 8" 8# T s ""
s U
8" 8#

porque bajo H! T# - T" !.

4) Las regiones crticas asociadas son las mismas de los casos anteriores de distribuciones
normales.
RC = { z c / z c z"!# o z c z"!# } regin crtica bilateral
RC = { z c / z c z"! } regin crtica unilateral derecha
RC = { z c / z c z"! } regin crtica unilateral izquierda

Ejemplo 5.2

Resultados observados con un nuevo medicamento utilizado para aliviar la tensin nerviosa
llevan a pensar que ste es mejor que el que se prescribe comnmente. Para probar la
efectividad del nuevo medicamento, a un grupo de 100 adultos se les administra el
medicamento tradicional y a otros 100 adultos se les administra el nuevo medicamento, sin que
ellos sepan cual estn recibiendo. Los resultados establecen que del primer grupo 59 sienten
alivio, mientras que en los del segundo grupo 71 experimentan alivio. Con la informacin
obtenida a travs de los pacientes, puede concluirse al nivel del 1%, que el nuevo
medicamento tiene mejor efecto que el tradicional ?

Se seguir el esquema de 6 pasos, para lo cual P" es la proporcin de pacientes que se

alivian con el medicamento tradicional y P# la proporcin de pacientes que se alivian con el
nuevo.
1) H! T2 T1 versus H" :T2 T1 , pues el nuevo medicamento ser recomendado si
cumple con que la proporcin de pacientes que son aliviados es mayor que con el tradicional.

2) ! = 0,01 , porque una decisin errnea es muy riesgosa.

Ts# Ts"
3) Como n" y n# son suficientemente grande, el estadgrafo ser Z = R ! ".
T U
s s ""
8 8
" #
4) RC = { z c / z c z0,99 = # $$ }

&* ("
&) Los estimadores son Ts1 "!! ! &* , Ts2 "!! ! (" y el estimador comn
s &*(" !("!&*
T #!! ! '&, luego zc = " () RC aceptar H!
!'&!$& "!! "!!
" "

6) Con la evidencia entregada por la muestra no puede establecerse, con un nivel de

significacin del 1%, que el nuevo medicamento sea ms efectivo que el tradicional para aliviar
la tensin nerviosa. Si las hiptesis se hubieran planteado con un nivel de significacin del 5%,
la conclusin sera distinta.

Observaciones.

1) El orden de los estimadores en el estadgrafo de prueba debe ser el mismo que el de los
parmetros en las hiptesis, ya que si su orden se invierte, el valor zc cambiar de signo, lo
cual no ser consecuente con la RC lo que podra llevar a una decisin equivocada. Si en el
Ts1 Ts2
ejemplo anterior, para las mismas hiptesis, se planteara el estadgrafo Z =
U
s
T s ""
8 8
" #
zc = - 1,78 RC, al nivel del 1%, decisin que coincide con la que corresponde, pero con
 139

un valor mucho ms alejado del valor crtico. Sin embargo al nivel del 5% lo que corresponde
es rechazar H! , pero en esta forma errnea an se aceptara H! .

2) Es posible que las hiptesis se planteen correctamente cambiando el orden de los

parmetros, en cuyo caso el orden de los estimadores en el estadigrafo tambin debe ser
cambiado, pues en este caso la RC cambia. Si en el ejemplo, las hiptesis se plantearan
equivalentemente H! : T1 T2 vs. H" : T1 T2 , en el cual el signo de la desigualdad debe
cambiarse, el estadgrafo ahora debe ser como en la observacin anterior y la regin
crtica ser RC = { z c / z c - z0,99 = - # $$ } del tipo unilateral izquierda. El valor
calculado correcto ser zc = - 1,78 RC, al nivel del 1%, pero al 5% si pertenecera a la regin
crtica, tal como sucede con el planteamiento original. Esta situacin es totalmente simtrica a
la desarrollada en el ejemplo.

3) En el caso de una hiptesis alternativa bilateral las dos observaciones anteriores no tienen
efecto.

4) Estas observaciones tambin son vlidas para la prueba de hiptesis para dos medias.

7.6 Contraste de hiptesis para dos o ms proporciones.

Hay dos casos a tratar y ambas con pruebas basadas en la distribucin ji cuadrada. Una es
la prueba de concordancia y la otra es la prueba de asociacin o de independencia.

Prueba de Concordancia para dos o ms proporciones.

Esta es una generalizacin de la prueba para una proporcin, cuya distribucin es binomial,
y se asocia a una distribucin multinomial. Se puede considerar en el contexto de una particin
de la poblacin en k clases cada una de las cuales representa una proporcin T3 de la
poblacin, de modo que ! T3 ". Se trata de probar si la proporcin de cada clase tiene o no
5

3"
ciertos valores reales especficos T3! . Esta prueba tiene importantes aplicaciones en gentica
en relacin a las leyes de Mendel. El esquema de prueba es el que sigue.

1 Las hiptesis son H ! T" T"!, T2 T#! , , T5 T5! versus H ": b T3 T3! , co n
! T3! ".
5

3"

2 El nivel de significacin ! ser el seleccionado por el investigador.

3 Esta prueba se realiza con las frecuencias observadas o 3 de cada clase, o btenidas a partir
de una muestra aleatoria tamao n de la poblacin. Para este propsito se debe calcular la
frecuencia esperada e3 de cada clase, bajo lo que establece la hiptesis nula. Es necesario
resaltar que la proporcin de cada clase respecto al resto sigue una distribucin binomial de
parmetros n y T3 , luego el valor esperado de cada clase, bajo la hiptesis nula es
e3 nT3! . Es decir, lo que se espera es que la muestra se distribuya proporcionalmente en
cada clase como establece H! Se deben cumplir las siguientes relaciones ! o3 ! e3 n.
5 5

3" 3"
 140

El estadgrafo de prueba, para valores de n suficientemente grande y valores de o3 %,

es D !
5
# o3 e3 #
e3 , cuya distribucin es aproximadamente ji cuadrada con ( k - 1 ) grados de
3"
libertad, cuya notacin es ;# 5 ".

4 La regin crtica es del tipo unilateral derecha , lo que es usual para pruebas basadas en la
distribucin ji cuadrada, pues se rechazar si las diferencias entre lo observado y lo esperado
son grandes, luego RC D# D# ;#"! 5 " .

Ejemplos 6.1

a) Se asegura que una mezcla de semillas para csped contiene tres variedades de pasto,
lolium perenne, lawn grass y festuca rubra en proporciones de 20% , 50% y 30%
respectivamente. Se desea corroborar tal informacin para lo cual se hace el siguiente
planteamiento:

1) H! T" ! #! , T2 ! &! , T$ ! $! versus H" : b T3 T3! , donde la clase 1 es lolium,

la clase 2 es lawn grass y la 3 corresponde a festuca.
#) Se usar != 0,05
3) el estadgrafo de prueba a utilizar es D !
3
# o3 e3 #
e3 ;# #.
3"
4) La regin crtica es RC D# D# ;#!*& # & **".

5) Con el objeto de corroborar o rechazar la hiptesis nula se ponen a germinar 300 semillas
de la mezcla. Das despus se identifica la especie de cada brote y se cuenta por especie,
obtenindose la siguiente distribucin: 70 brotes de lolium, 120 de lawn grass y 110 de festuca,
que corresponden a las frecuencias observadas (o3 . Se deben calcular las respectivas
frecuencias esperadas e3 $!!T3 , todo lo cual se resume en la siguiente tabla, a partir de la
que se obtiene D# :
(! '!# "#! "&! # ""! *! #
var l.p l.g f.r Total D# '! + "&! + *! "# " RC
o3 70 120 110 300
e3 60 150 90 300
rechazar H! .

6) Los datos obtenidos en la muestra de 300 semillas establecen que es muy improbable que
sea verdadera la afirmacin de que la proporcin de las especies sea la especificada en la
hiptesis nula, al nivel del 5%.

b) En gentica en un cruce dihbrido entre dos plantas heterocigticas de guisantes, cada

una con el genotipo RrAa y genes independientes, pueden producir uno de los tipos de
gametos RA Ra rA ra , donde R representa el alelo dominante de la forma
redondeada, r el alelo recesivo rugoso, A el alelo dominante de color amarillo y a el alelo
recesivo de color verde. Segn la Ley de Mendel, la segregacin de caracteres independientes,
RA , Ra , rA y ra se dan en la proporcin 9:3:3:1. Para corroborar la ley anterior se analizaron
480 casos encontrndose la siguiente segregacin fenotpica: 282 del tipo RA , 80 del tipo Ra
, 95 del tipo rA y 23 del tipo ra. Los datos muestrales obtenidos entregan evidencia
suficiente para contradecir la Ley de Mendel ?
 141

1)Las hiptesis H! T" *"', T2 $"' , T$ $"' , T% ""' versus H" : b T3 T3! ,
donde las clases 1 , 2, 3 y 4 representan respectivamente a los tipos RA , Ra , rA y ra.

2) Se proceder con != 0,05.

3) El estadgrafo es D !
%
# o3 e3 #
e3 ;# $.
3"
4) La regin crtica es RC D# D# ;#!*& $ ( )"&.

5) La tabla resume la informacin Fenotipo RA Ra rA ra Total

o3 #)# )! *& #$ %)!
e3 #(! *! *! $! %)!
D# $ &' RC aceptar H!

6) Los datos muestrales obtenidos no entregan evidencia suficiente que permitan refutar la
Ley de Mendel.

c) Para establecer si existen o no diferencias entre productores lecheros respecto a su

preferencia por 5 marcas de insumos, se realiza una encuesta cuyo resultado se resume en el
siguiente cuadro Marca M" M# M$ M% M5
Npreferencias 28 25 35 39 28

1) Las hiptesis son H! P" = P# = P$ = P% = P& = "& versus H" : b P3 "&.

2) Se elige ! = 0,05.
3) El estadgrafo de prueba es D !
&
# o3 e3 #
e3 ;# %.
3"

4) La regin crtica es RC D# D# ;#!*& % * %)).

5) La tabla indica los valores observados y los esperados

#
Marca M" M# M$ M% M5 Total de donde resulta que D % $ RC aceptar H! .
o3 28 25 35 39 28 155
e3 31 31 31 31 31 155

6) La evidencia muestral no es suficiente para establecer que las preferencias de los

productores lecheros se incline por alguna de las marcas.

Observaciones.

1) En las tablas de clasificacin simple con k categoras, como las que se utilizan en las
pruebas de concordancia, el valor esperado slo es necesario calcularlo para (k - 1) de las
categoras, pues la ltima resulta por diferencia, lo que explica los (k - 1) grados de libertad de
la distribucin ji cuadrada del estadgrafo de prueba.

2) La prueba de hiptesis para una proporcin H! T T! versus la hiptesis

bilateral
H" : T T! , es equivalente a una prueba de concordancia para dos proporciones, cuyas
hiptesis son H! T" T"! , T2 T#! versus H" : T" T"! y T# T#! , donde
T# " T" U" .
 142

Prueba de Independencia.

Consiste en determinar si existe o no asociacin entre las categoras de dos variables

cualitativas A y B, cuya estructura corresponde a una clasificacin cruzada, denominada tabla
de contingencia, con a categoras de A y b categoras de B lo que involucra a x b celdas o
casillas. En esta tabla se distinguen dos distribuciones, las de filas o categoras de A y las de
columnas o categoras de B, probabilidades estimadas por los valores muestrales y que por
ubicarse en los mrgenes se llaman distribuciones marginales.

EF F" F# . F4 .. Distr.filas
E" p"
E# p#

E3 p34 p3

Distr.columnas p" p# p4 . 1,0
Tabla 6.1 Distribucin conjunta y marginales de probabilidad

La suma, tanto de la distribucin de filas como la de columnas, es igual a 1,0 por

corresponder al total. Cada casilla contiene, en esta tabla, la probabilidad de ocurrencia
conjunta de la categora i de A y la categora j de B. Adems, se cumplen las siguientes
a b a b b a
igualdades !! p34 1,0; ! p3 1,0 ; ! p4 1,0 ; ! p34 p3 ; ! p34 p4 . Cuando la
3"4" 3" 4" 4" 3"
distribucin marginal de E y de F son independientes, entonces p34 p3 p4 , es decir, la
probabilidad conjunta es el producto de las marginales, como ocurre con la distribucin de
vectores aleatorios discretos.
El esquema a seguir en la prueba es
1 Las hiptesis son:
H! Existe independencia entre las categoras de E y de F
versus H" : Existe asociacin entre las categoras de A y de B
# Se fija el nivel ! de la prueba
3 Al igual que en la prueba anterior sta se reali za con las frecuencias observadas y
esperadas por cada celda. Las frecuencias conjuntas observadas o34 , son las que se obtienen
con la muestra aleatoria de la poblacin, donde a cada individuo se les mide dos
caractersticas, por ejemplo sexo y estado civil o condicin del sellado de tarros de alimentos y
turno en que se produjeron los tarros. La frecuencia esperada se obtiene con las
probabilidades marginales como se muestra en la tabla 6.1. Sin embargo tales probabilidades
son desconocidas, razn por la cual deben ser estimadas con los datos muestrales. Sea n el
tamao muestral, f3 y c4 las frecuencias marginales de filas y columnas respectivamente.
Luego ps3 f3 n y ps.4 c4 n son los estimadores de las frecuencias marginales. Las
frecuencias conjuntas esperadas e34 son obtenidas bajo la hiptesis H! de independencia, lo
que implica que:
c
e34 n ps34 n ps3 ps.4 n fn3 n4 f3 c4 n.
a b (o34 e 34 )2
El estadgrafo de prueba a utilizar es D# !! e34 cuya distribucin, cuando n
3=1 4=1
suficientemente grande y o34 4, es aproximadamente ji cuadrada con a 1b 1 grados
de libertad, denotada por ;# (a "(b 1).
4 La regin crtica es RC D# D# ;#"! ( a - 1 ( b - 1 )
 143

Ejemplo 6.2

En una encuesta a 500 productores de trigo se les consult sobre su superficie sembrada y
la tecnologa empleada en su predio. Posteriormente fueron clasificados en tres categoras de
tamao y tres niveles de tecnologa , dando origen a la siguiente informacin:

Tamao\Nivel tecnolgico Bajo Mediano Alto

Pequeo 110 60 30
Mediano 70 60 50
Grande 20 40 60

la informacin obtenida permite establecer, al nivel del 5%, que existe asociacin entre el
tamao del predio y el nivel tecnolgico de ste ?

1) Se plantean H! Existe independencia entre el tamao del predio y su nivel tecnolgico y

H" : Existe asociacin entre el tamao del predio y su nivel tecnolgico.
#) Se fija el nivel ! = 0,05.

3) El estadgrafo a utilizar es D# !!
3 3 (o34 e 34 )2
e34 ; # 4 .
3=1 4=1
4) La regin crtica es RC D# D# ;#!*& % * %)) .
5) La tabla muestra las frecuencias observadas , esperadas(1) y los totales marginales.

Tamao\Niv. tec. Bajo (1) Mediano (2) Alto (3) Total fila f3
tipo frecuencia obs esp obs esp obs esp
Pequeo (1) 110 80 60 64 30 56 200
Mediano (2) 70 72 60 57.6 50 50.4 180
Grande (3) 20 48 40 38.4 60 33.6 120
Total columna -4 200 160 140 500
""!)!2 '!'%2 $!&'2 (!(#2 '!$$'2
El valor de D# )! + '% + &' + (# ++ $$' '! *, pertenece
claramente a la regin critica, lo que lleva a rechazar la hiptesis nula.
6) Con la informacin aportada por la muestra se debe concluir que el nivel tecnolgico est
asociado al tamao del predio, al nivel del 5%.

Ntese que con los 4 valores esperados calculados (en el pie de pgina) basta, porque los
restantes salen por diferencia con las frecuencias marginales que estn determinadas por las
frecuencias observadas obtenidas en la muestra. Este argumento explica los 4 grados de
libertad de la distribucin.

Observaciones.

1) Si las dos variables categricas son de dos niveles cada una, lo que da origen a una tabla
de contingencia 2 x 2, su distribucin es ji cuadrada con 1 grado de libertad. En este caso se
debe realizar una correccin denominada de Yates por continuidad para variables discretas y

(1)El clculo de las frecuencias esperadas se realiza segn la frmula e f c n, por la cual
34 3 4
e"" #!!#!!&!! )! ; e"2 #!!"'!&!! '% ; e2" ")!#!!&!! (# ; e22 ")!"'!&!! &( '
 144

D# !!
2 2 I o34 e 34 I !&2
que consiste en que el estadgrafo sea e34 ;# " . Esta correcin
3=1 4=1
es conservadora, pues el valor calculado corregido es menor que el sin corregir, lo que trae
como consecuencia que en los casos en que el valor sin corregir est rechazando al lmite la
hiptesis nula, con el valor corregido puede que sta no se rechace.

2) Cuando en una tabla de contingencia la muestra se toma determinando a-priori la frecuencia

marginal de filas o columnas, a diferencia de lo que sucede si es la muestra la que determina
estas frecuencias, el desarrollo de la prueba se sigue realizando en los trminos ya explicados,
pero algunos autores sugieren un cambio, sutil, en el planteamiento de las hiptesis y la
denominan Prueba de Homogeneidad, pues la hiptesis nula establecera que " la proporcin
de individuos en cada columna (fila) es igual para cada fila (columna)", es decir, que la
distribucin porcentual es la misma en todas las columnas (filas), dependiendo si son los
totales marginales de filas (columnas) los que se establecen a-priori. De esta manera se dice
que se est estableciendo si las categoras de A (B) son homogneas en relacin a las
categoras de B (A). Como ilustracin se utilizar el ejemplo 6.2. en el que a-priori se determina
que la encuesta se le aplicar a 100 productores grandes (G), 150 medianos (M) y 250
pequeos (P), entonces la proporcin G : M : P es 100 : 150 : 250, o sea, 2 : 3 : 5 y se plantea
si esta proporcin se da en los tres niveles tecnolgicos. Si as fuera, se concluye que las tres
categoras de tamao de productores es homognea en relacin a su nivel tecnolgico.

3) Puede establecerse que la prueba de hiptesis para dos proporciones H! T" T# versus
la hiptesis alternativa bilateral H" T" T# , es totalmente equivalente a una prueba ji
cuadrada de una tabla de contingencia 2 x 2, para el mismo nivel de significacin.
 145

EJERCICIOS Y PROBLEMAS A RESOLVER

I. ESTADISTICA DESCRIPTIVA

1. Represente grficamente de dos maneras diferentes la informacin del nmero de cajas

exportadas de las siguientes especies y concluya cul grfico es ms ilustrativo.

Especie N de cajas(miles)
Uva blanca 185
Uva negra y rosada 157
Pmaceas 215
Carozos 139

2. Las causas ms frecuentes de atencin en caninos en una clnica veterinaria de la comuna

de Santiago en dos pocas del ao se presenta a continuacin:

Causa N atenciones Verano N atenciones Invierno

Neumona 15 48
Gastritis 55 58
Enteritis 50 41
Parasitismo 60 52
Distemper 24 56
Dermatitis 8 4
Traumatismos 20 20

a) Construya un grfico de sectores circulares por cada poca de atencin

b) Construya un grfico para comparar las causas de atencin, sin considerar la poca, que
sirva para destacar la moda.
c) Construya un grfico en que resalte las causas ms importantes en verano y en invierno.
d) Construya otro grfico en que se puedan comparar las pocas por causa en el cual se
destaque la poca en la cual es ms crtico el distemper, as como la gastritis.

3. En una encuesta a dueas de casa de uoa y de San Miguel sobre las tres frutas ms
consumidas en su hogar durante el ao, se obtuvo la siguiente informacin:

Fruta uoa San Miguel

Uva de mesa 20 16
Duraznos 22 12
Manzanas 17 24
Peras 12 12
Naranjas 10 18
Kiwis 27 10
Guindas 12 8

a) Interprete correctamente y en forma precisa el significado de los nmeros 10 y 18 en

naranjas.
b) Represente estos datos en un grfico adecuado que destaque las preferencias en
cada comuna
 146

c) Construya otro grfico que permita la comparacin adecuada entre las comunas y responda
en cul comuna se consume ms uva y en cul se consume ms pera ?. No se deje guiar
por los valores absolutos.

4. En una encuesta a 600 productores de trigo se les consult sobre la superficie sembrada y
la tecnologa empleada en su predio. Posteriormente fueron clasificados en tres categoras de
tamao y tres niveles de tecnologa , dando origen a la siguiente informacin:

Tamao\Nivel tecnolgico Bajo Mediano Alto

Pequeo 182 85 33
Mediano 68 60 72
Grande 20 41 39

a) Construya un grfico que permita comparar adecuadamente nivel tecnolgico segn

tamao. Qu conclusin es posible obtener y por qu?
b) Construya un grfico adecuado para comparar tamao segn nivel tecnolgico Qu
conclusin se obtiene?

5. La tabla muestra la distribucin de 340 plantas enfermas que fueron sometidas a uno de los
cuatro tratamientos curativos A , B , C y D, de acuerdo a su condicin despus de finalizado el
tratamiento:

Tratam.\Condicin Mejor Igual Peor

A 13 43 14
B 34 28 38
C 22 18 10
D 35 31 54

Construya grficos en que se puedan comparar los resultados por tratamiento:

a) En valores absolutos
b) En valores porcentuales
c) Cul grfico resulta ms adecuado para la comparacin y por qu?
d) Cmo conclusin cul tratamiento resulta ms efectivo? Justifique.

6. La informacin de la tabla corresponde a la produccin de carne de ganado bovino(en miles

de ton.), por categora, durante 5 aos en un matadero de Santiago:

Ao Novillos Vacas Bueyes Vaquillas Terneros(as)

97 90 67 13 60 12
98 97 74 14 64 9
99 94 81 17 70 7
2000 114 85 20 73 6
2001 123 90 21 77 8

a) Construya un grfico lineal que muestre la produccin de carne por categora

b) Muestre la informacin anterior mediante un grfico de barras agrupadas por
categora.
c) Cul de los dos grficos resulta ms ilustrativo y fcil de interpretar para efecto de
comparar entre los aos?
 147

7. Los embarques de frambuesas frescas a Europa y USA , durante 8 semanas, en miles de

cajas, se resume en la tabla a continuacin:

Destino \ Semana 1 2 3 4 5 6 7 8
USA 34 80 48 59 49 83 47 62
EUROPA 10 14 20 27 25 30 13 8

Construya un grfico adecuado:

a) Que muestre las cajas totales embarcadas
b) Que muestre comparativamente los embarques semanales por destino

8. La tabla especifica la natalidad y mortalidad por cada 1000 habitantes entre 1950 y 1995:

Ao 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
Natalidad 25.0 23.7 21.3 18.9 16.9 17.9 19.5 23.6 24.6 25.0
Mortalidad 13.2 13.0 11.7 11.3 10.6 10.8 10.6 9.6 9.3 8.5

a) Represente los datos mediante grficos adecuados, de tres formas diferentes, uno de tipo
lineal. Cul es ms clarificador ?
b) Cmo ha sido comparativamente la evolucin de la natalidad y de la mortalidad en el
tiempo?
c) Qu conclusin puede obtenerse respecto al crecimiento poblacional?

9. Identifique y clasifique las siguientes variables segn sean nominales , ordinales , discretas
o continuas: (Ind. Piense en como graficara cada una de ellas. Lo que se pone en el eje X es
la variable).

a) Procedencia de los vacunos llegados al matadero de Lo Valledor

b) Produccin total agropecuaria total durante 2001 por regiones
c) Nmero de lechones por raza en un criadero de cerdos
d) Nmero de atenciones diarias por distemper en una clnica veterinaria durante un ao
calendario
e) Ingreso per cpita de los pases de America Latina en el ao 2000
f) Nmero de alumnos por asignatura del ciclo bsico
g) Nmero de asignaturas inscritas por los alumnos de Agronoma durante un semestre
acadmico
h) Temperaturas registradas en una estacin meteorolgica durante las 24 horas
i) Proporcin de manzanas producidas en un huerto por calibre
j) Dimetro de las manzanas cosechadas en un huerto
k) Cantidad de alumnos ingresados a la carrera de Agronoma con puntajes superiores a 700
puntos en los aos 1997 , 1998 , 1999 , 2000 y 2001
l) Proporcin de plantas sanas y enfermas en un vivero por especie
m) Produccin de salmones por pases durante 2010

10. En una encuesta a 750 familias se obtuvo la informacin del nmero de hijos de cada una
de ellas, resumida en la siguiente tabla:

n hijos 0 1 2 3 4 5 6 7 8
n familias 40 140 220 160 85 45 25 20 15
 148

a) Cuntas familias tienen 4 hijos?

b) Qu % de familias tiene 3 hijos?
c) Cuntas familias tienen a lo ms 3 hijos?
d) Qu % de familias tiene ms de 4 hijos?
e) Qu % de familias tiene 1 2 hijos?
f) Calcule e interprete la media, mediana, moda y desviacin estndar del nmero de hijos por
familia.
g) Cules de las medidas anteriores resulta ms comparativa?

11. Se cuenta el nmero de araitas rojas en 50 hojas de un manzano seleccionadas

aleatoriamente, obtenindose los siguientes datos:

8 6 5 3 3 4 0 2 4 5 0 6 5 2 4 6 7 1 4 37 6 5 3 0
4 6 2 1 0 3 5 5 4 3 1 1 2 0 6 4 1 3 2 84 5 6 2 3

Clasifique los datos en una tabla de frecuencias de variable discreta y resuelva los siguientes
puntos:
a) Qu porcentaje de hojas estn sanas?
b) Cuntas hojas tuvieron 4 araitas? qu % representa?
c) Qu % de hojas tuvo a lo ms 4 araitas?
d) Qu % de hojas tuvo ms de 5 araitas?
e) Calcule e interprete las siguientes medidas: rango ; promedio ; moda ; mediana ; desviacin
estndar.
f) Justifique que medidas permiten una mejor descripcin de los datos anteriores.
g) Represente grficamente los datos, utilizando grfico de varas y otro de "tallo y hoja" cul
resulta ms ilustrativo?

12. El nmero de preguntas correctamente respondidas por 140 alumnos en una prueba de
diagnstico de Estadstica fueron:

42 32 13 18 23 44 41 18 15 25 35 28 17 28 42 51 50 21 27 36
68 84 75 82 68 90 62 88 76 93 73 79 88 73 60 93 71 59 85 75
61 65 75 87 74 62 95 78 63 72 66 78 82 75 94 77 69 74 68 60
46 38 89 21 75 35 60 79 23 31 39 42 27 97 78 85 76 65 71 55
55 80 63 57 78 68 62 76 53 74 66 67 73 81 52 63 76 75 85 47
13 18 23 44 41 18 15 25 66 78 82 75 94 77 69 74 89 21 75 35
57 78 68 62 76 31 39 42 27 97 78 46 38 89 21 75 35 41 18 15

a) Por qu conviene clasificar estos datos en intervalos, siendo la variable discreta?

Clasifquelos usando 7 intervalos de igual amplitud y a base de la tabulacin responda las
preguntas a continuacin. Compare contando los datos.
b) Cuntos estudiantes obtuvieron menos de 61 ptos?
c) Cuntos estudiantes obtuvieron ms de 75 puntos?
d) Qu % de estudiantes obtuvo entre 50 y 70 puntos?
e) Calcule, interprete y compare la media , la mediana
g) Calcule e interprete Q" , Q$ y P95
h) Calcule la varianza y la desviacin estndar de los puntajes obtenidos Qu tipo de
informacin entregan estas dos medidas?
i) Confeccione con estos datos un diagrama de "tallo y hoja" y un "boxplot"
 149

13. La tabla corresponde a la clasificacin de los pesos de 250 manzanas Granny

seleccionadas al azar de la produccin de un huerto:
Peso(gr) fi
120 X 135 15
135 X 150 33
150 X 165 40
165 X 180 45
180 X 195 50
195 X 210 42
210 X 225 25
TOTAL 250
a) Calcule la media y mediana de los pesos e interprete estos valores
b) Calcule e interprete la varianza , desviacin estndar y C.V de los pesos
c) Construya el histograma y el polgono de frecuencias
d) Calcule e interprete P10 y P75
e) Que % de las manzanas pesa menos de 140 gr?
f) Cuntas de las 250 manzanas pesan ms de 200 gr?
g) Qu % de las manzanas tienen pesos entre . 5 ?
h) Entre qu pesos est comprendido el 90% central de las manzanas?

14. La informacin corresponde al peso en kg de 400 lechones destetados a las 3 semanas de

edad.
Peso(kg) fi
4,1 X 4,5 55
4,5 X 4,9 40
4,9 X 5,3 35
5,3 X 5,7 30
5,7 X 6,1 25
6,1 X 6,5 45
6,5 X 6,9 50
6,9 X 7,3 55
7,3 X 7,7 65
TOTAL 400

a) Represente grficamente y con las medidas adecuadas la informacin y justifique la eleccin

de las medidas
b) Qu puede decir de la variabilidad de los pesos al destete de estos lechones?
c) Si los lechones que pesan menos de 5 kg deben ser sometidos a dieta especial qu
porcentaje de ellos estn en esta condicin?
d) Cuntos de los 400 lechones pesarn entre 5,5 y 7,0 kg?
e) Si se deben seleccionar los 150 lechones de mayor peso a partir de qu peso deben ser
elegidos?
f) Cuntas de las 250 manzanas pesan ms de 200 gr?
g) Es posible suponer con esta muestra que la poblacin tiene distribucin normal?

15. Calcule el promedio ponderado de un alumno que obtuvo en un ramo las siguientes
calificaciones con sus correspondientes ponderaciones:
 150

Notas Ponderacin
4,5 1
3,2 2
5,4 3
5,0 2

16. Un inversionista posee tres tipos de acciones A , B y C en proporcin $ ( & cul es su

ganancia promedio por accin si la ganancia de las acciones tipo A , B y C son $250 , $380 y
$170 respectivamente ?

17. Un grupo de 90 estudiantes , cuyo peso promedio es de 66,47 kg , viaja distribuido en dos
buses A y B. Se sabe que el peso promedio de los estudiantes del bus A es 67,70 kg y el
peso promedio de los del bus B es 65,40 kg cuntos estudiantes viajan en cada bus ?

18. En una empresa el sueldo promedio de sus empleados es de $225.000. La empresa decide
mejorar sus sueldos reajustndolos en un 12% ms una bonificacin fija por trabajador de
$ 22.500 cul es el nuevo sueldo promedio de los trabajadores de la empresa ?

19. En un predio se determin el porcentaje de animales enfermos y el nmero de cabezas por

raza , los que se resumen en la tabla:

Raza % de enfermos n de cabezas

Hereford 2,5% 1200
Angus 3,4% 800
Charolais 5,0% 2400
a) Calcule el nmero de animales enfermos por raza
b) Calcule el promedio simple del porcentaje de animales enfermos en el predio
c) Calcule el porcentaje total de animales enfermos en el predio.
d) Cul de los dos porcentajes es el real ?

20. Durante un mes los siguientes ingredientes de una racin tuvieron la variacin de precios
que se indican:
Ingredientes % variacin costo ingrediente
Maz 10 15
Cebada -6 5
Heno -8 4
Afrechillo 5 6
Harina pescado 7 9
Otros 12 3
a) Calcule la variacin promedio en el mes, sin considerar el costo de los ingredientes
b) Calcule la variacin promedio en el mes , considerando el costo de los ingredientes
c) Cul de los valores representa bien la variacin en el costo de la racin ?

21. Un enfermo obtuvo los siguientes resultados en 3 exmenes :A= 50,35; B= 5,48; C= 0,03
Se sabe que estas pruebas en individuos sanos se caracteriza por los siguientes valores:
Examen Promedio Desv. est.
A 45,20 3,432
B 5,31 0,574
C 0,02 0,003
En cul de los tres exmenes tiene peor resultado el enfermo, si valores altos son malos?
 151

22. Se deben reponer pantallas de monitores de computador para lo cual se consulta a dos
fabricantes. El primero produce pantallas con una duracin media de 18250 horas y una
desviacin estndar de 450 horas ; el segundo produce pantallas con una duracin media de
18780 horas y una desviacin y una desviacin estndar de 1950 horas. Si el costo de ella es
similar cul marca de pantalla recomendara y por qu ?

23. Se midi el peso de los huevos de 300 gallinas ponedoras Leghorn alimentadas con una
dieta X, mientras que otras 200 se alimentaron con la misma dieta ms un aditivo vitamnico,
todas de la misma edad, obtenindose la siguiente informacin resumida:
Dieta X : 56 12
Dieta X + vitamina: 59 8
a) Le parece adecuada como est expresada la informacin?
b) Qu comentario le merece la comparacin del efecto de ambas dietas en el peso de los
huevos?

24 Tres atletas E F y G a ser seleccionados para el Inter-Universitario marcaron los

siguientes tiempos en 5 ensayos de los 100 metros planos.
E: 11,1 ; 11,0 ; 11,8 ; 15,8 ; 11,1
F : 11,3 ; 11,4 ; 11,5 ; 11,6 ; 11,4
G : 10,9 ; 11,0 ; 11,8 ; 11,7 ; 11,6
a) Basndose en medidas de posicin y dispersin, a cul atleta seleccionara y por qu ?
b) Confeccione un boxplot con esta informacin la conclusin es la misma?

25. Qu porcentaje de las observaciones de una poblacin queda comprendida entre la

percentila 32 y la percentila 68 ?

26. La produccin diaria de leche, en litros , obtenida por 7 productores son 1.000, 500, 800,
2.000, 1.350, 950, 23.500.
Calcule la produccin promedio diaria del conjunto de los productores y explique por qu no
es representativa. Cul medida sera ms representativa ?

27. Si Ud. tuviera que decidir la compra de slo un tipo de hamburguesa de vacuno , cerdo ,
pollo o pavo para una "hamburguesa party" con un grupo de 30 amigos en qu medida
estadstica se basara para tomar la decisin de que tipo comprar, si el precio no es relevante ?

28. Ud. como Jefe de Produccin de una empresa agroindustrial est estudiando producir un
nuevo concentrado de fruta donde tiene 3 posibilidades de saborizante : "suave" , "medio" ,
"intenso". Para ello prepara muestras de las tres situaciones y la da a degustar en
Supermercados. En qu medida estadstica basara su decisin de cual saborizante utilizar
en el concentrado?

29. Si la produccin agropecuaria en una cierta regin creci en 30% entre 1995 y 1998 y
disminuy en el mismo porcentaje entre 1998 y 2001 son iguales la produccin agropecuaria
en 2001 y 1995 ? Explique porcentualmente.

30. De la tabla de frecuencia del problema 4 , cul es el :

a) % de predios tamao mediano?
b) % de predios con nivel tecnolgico alto?
c) % de predios de nivel tecnolgico alto y de tamao pequeo?
 152

d) % de predios con nivel tecnolgico alto de tamao pequeo?

31. El siguiente cuadro corresponde a la distribucin de edades de los padres en un colegio.

Mujeres
Hombres
20-25 25-30 30-35 35-40 40-45 45-50
20-25 5 3 0 0 0 0
25-30 8 10 2 0 0 0
30-35 2 7 12 4 0 0
35-40 0 8 18 12 2 0
40-45 0 0 4 3 6 7
45-50 0 0 3 5 7 15
a) qu porcentaje de las madres tienen entre 30 y 35 aos?
b) qu porcentaje de los hombres tienen edades entre 40 y 50 aos?
c) calcule los promedios de edades de hombres y mujeres y comente cual es la diferencia de
edades entre los padres y las madres.

32. Si las 250 manzanas del problema 13 es una "muestra representativa" de la produccin del
huerto y ste produce 75 ton. , obtenga una estimacin del nmero de cajas exportable de 20
kg de este huerto , si se sabe que el peso de las manzanas de exportacin pesan entre 160 gr.
y 200 gr. y que se produce un 8% de descarte por diferentes motivos.

Problemas rea de la salud

1.. El cuadro resume la frecuencia de 260 pacientes aquejados de un tipo de gripe, que fueron
sometidos a uno de los tratamientos A, B o C, y su condicin despus del tratamiento.

Trat\ Condicin Mejor Igual Peor Total

A 42 54 24 120
B 33 15 12 60
C 32 28 20 80

a) Represente grficamente la informacin anterior con el objeto de mostrar cul de los

tratamientos produce una mayor mejora. Tenga en cuenta la diferencia de frecuencia en cada
tratamiento.
b) Concluya cul de los tratamientos es ms efectivo para aliviar la gripe.

2. En un estudio sobre las condiciones de salud en dos comunas marginales del Norte y del
Sur de la RM, se inspeccionaron 500 y 400 nios de entre 5 y 10 aos respectivamente en
cada poblacin, en relacin al nmero de quistes de Giardosis en fecas, cuyos datos se
resume en la tabla a continuacin.
Nmero quistes frec.N frec.S
0 35 75
1 70 120
2 105 60
3 135 45
4 80 40
5 55 35
6 20 25
TOTAL 500 400
 153

a) interprete correctamente el significado de la frecuencia 120 de S.

b) construya un grfico que muestre comparativamente la situacin de ambas comunas.
c) basndose en medidas estadsticas y el grfico, discuta cul es la situacin comparativa
entre ambas comunas.
d) Calcule la mediana y los valores percentiles 5 (5%) y 90 (90%) de cada distribucin
e) A qu porcentaje de los nios se les detect ms de tres parsitos?.

3.. En dos poblaciones A y B los pesos promedios de guaguas al nacer y su correspondiente

desviacin estndar son 2515 40 gr para la poblacin A y 2630 380 gr para la poblacin
B.
a) En cul poblacin los pesos al nacer son ms homogneos y por qu ?
b) En cul de las dos poblaciones es ms probable encontrar una guagua que pese al nacer
menos de 2130 gr ? Suponga que los pesos al nacer distribuyen normal.

4..Con el fin de constatar el sobrepeso en mujeres de estatura media como factor de riesgo del
cncer de mama, a 420 mujeres a las que se les detect la patologa se les registr su peso, lo
que se resume en la siguiente tabla.

Peso(kg) fi
41 X 46 8
46 X 51 22
51 X 56 35
56 X 61 38
61 X 66 45
66 X 71 53
71 X 76 66
76 X 81 85
81 X 86 68
TOTAL 420

a) Represente grficamente y obtenga el peso promedio de las mujeres con cncer de mama
b) Qu puede decir de la variabilidad de los pesos de las mujeres con cncer de mama?
c) Si las mujeres que pesan menos de 53 kg son de peso normal, las que pesan entre 53 y 68
kg tienen sobre peso y las de peso superior a 68 son obesas cul es la proporcin de mujeres
en cada una de las categoras?
d) Es posible concluir con esta muestra que la poblacin de pesos de mujeres con cncer de
mama tiene distribucin normal?
e) Concluya una posible relacin de la obesidad en mujeres como factor de riesgo del cncer
de mama.

II. PROBABILIDADES

1. Determine el espacio muestral S ms reducido para los siguientes experimentos:

a) lanzar una moneda y observar todos los resultados posibles
b) examinar sucesivamente tres plantas y observar todos los resultados posibles en cuanto a
su condicin de sana
c)examinar sucesivamente tres plantas y observar el nmero de plantas sanas
d) lanzar un par de dados y observar los puntos obtenidos
e) observar la temperatura a las 14 hras. , todos los das de un ao
f) en la cosecha de un manzano Granny medir el peso de cada manzana
g) medir el dimetro polar de un kiwi
 154

2. Para cada una de los espacios de probabilidad (W T , determine si T es una probabilidad

bien definida:
a) W + , - . , tal que T + = "' T ,="& T -="$ y T .=$"!
b) W " # $ , tal que T " # = 2/5 y T $) = 3/5
c) W " # $ % & , tal que T " = 3/20 ; T # $ = 1/4 ; T $ = 1/10 ;
T " $ % = 3/5

3. Sea S = { 2 ,3 , 5 , 8 } y sea P una funcin de probabilidad bien definida en S. Encuentre:

a) P(3) si P(2) = 1/3 , P(5) = 1/6 , P(8) = 1/9
b) P(2) y P(3) si P(5) = P(8) = y P(2) = 2 P(3)
c) P(5) si P({2,3}) = 2/3 , P({2 , 8}) = 1/2 y P(2) = 1/3

4. Sean A , B eventos de un espacio muestral S , tal que P(A) = 3/8 ; P(B) = 2/5 ; P(A B) =
1/4. Calcule la probabilidad:
a) P(A B) b) P(A') c) P(A' B) d) P(A' B') e) P(A B')
f) que ocurra A y B g) que ocurra A o B o ambos
h) que ocurra A pero no ocurra B i) que ocurra A o B pero no ambos

5. En cierto lugar hay 16 plantas de las cuales10 estn en buen estado, 4 en regular estado y
2 en mal estado.
i) Al seleccionar aleatoriamente una planta cul es la probabilidad que sta:
a) est en buen estado b) no est en mal estado c)no est en buen estado

ii) al seleccionar aleatoriamente 2 plantas cul es la probabilidad que :

a) ambas estn en buen estado? b) ambas estn en mal estado?
c) al menos una est en buen estado? d) a lo ms una est en mal estado?
e) exactamente una est en mal estado? f) ninguna est en mal estado?
g) ninguna est en buen estado? h) las dos estn en igual estado?

6. De 15 semillas se sabe que hay 10 que producen flores rojas y 5 flores blancas. Se
seleccionan 5 semillas al azar y se ponen a germinar cul es la probabilidad que :
a) ninguna sea de flores blancas? b) una exactamente sea de flor blanca?
c) sean 3 rojas y 2 blancas? d) las 5 sean del mismo color?
e) al menos una sea de flor roja? f) a lo ms dos sean de color blanco?

7. Se lanzan dos dados cul es la probabilidad de obtener:

a) un par de seis b) slo un seis c) al menos un seis
d) doce puntos e) cinco puntos f) siete puntos

8. De un conjunto de 9 cartas numeradas del 1 al 9 se eligen al azar dos simultneamente

cul es la probabilidad que:
a) una sea par y la otra impar? b) la suma de los puntos sea par?

9. En un grupo hay 15 hombres de los cuales 8 tienen 21 aos cumplidos y 10 mujeres de las
cuales 6 son menores de 21 aos. Se eligen dos personas al azar cul es la probabilidad que:
a) ambas tengan 21 aos cumplidos? b) ambos sean del mismo sexo?
c) sean de distinto sexo y menores de 21 aos?
 155

10. En un departamento universitario de 20 acadmicos 7 tienen postgrado y ganan a lo menos

$1300000, 11 ganan menos de $1300000 y 8 no tienen postgrado y ganan menos de
$1300000. Se seleccionan dos acadmicos al azar para una comisin, cul es la
probabilidad de que :
a) ambos tengan postgrado ?
b) ambos no tengan postgrado y ganen menos de $1300000 ?
c) ambos ganen menos de $1300000 y uno tenga postgrado pero el otro no?
d) ambos no tengan postgrado, si ambos ganan menos de $1300000?

11. Un club formado por 30 parejas de casados va a elegir un presidente y luego un secretario
cul es la probabilidad que:
a) ambos sean hombres? b) sean de sexo opuesto? c) sea elegido un matrimonio?

12. Para ensayo se requieren ubicar al azar, en 9 parcelas dispuestas en hileras, 3

tratamientos
( A , B , C ) , cada uno repetido 3 veces Cul es la probabilidad que:
a) queden ubicados en el orden A,B,C,A,B,C,A,B,C ?
b) queden los tres tratamientos con sus tres repeticiones en parcelas adyacentes?

13. Una lnea de embalaje est alimentada por dos subsistemas A y B. Se ha determinado que
P(A falle) = 0,2 ; P(slo B falle) = 0,15 ; P(A y B fallen juntos) = 0,08. Calcule la probabilidad:
a) que slo A falle b) que A falle si B ha fallado

14. En una universidad el 25% de los estudiantes falla en Clculo , el 30% falla en Qumica y el
10% falla en ambas asignaturas. Cul es la probabilidad que un alumno cualquiera:
a) falle en Clculo si ya reprob Qumica b) falle en Qumica si reprob Clculo
c) falle en Clculo o en Qumica d) no repruebe ninguna

15. Los 16 huertos de una localidad se clasificaron en trminos del sistema de riego en
tecnificado (T) o surco (S) y de su tamao en mediano (M) o pequeo (P). Se encontraron
que 10 huertos son de tamao pequeo; 8 riega por surco ; 3 de tamao pequeo y riego
tecnificado. (IND. Con los datos confeccione una tabla de 2x2)
Se necesita realizar una encuesta en la localidad para lo cual se deben seleccionar 3
huertos al azar Cul es la probabilidad de que los 3 huertos seleccionados:
a) sean de tamao mediano y tengan riego tecnificado ?
b) sean de tamao pequeo si riegan por surco ?

16. De una caja que contiene 3 fichas azules , 5 blancas y 4 rojas.

i) si se extraen sucesivamente , sin remplazo, 2 fichas. Calcule la probabilidad que:
a) las dos sean rojas b) sean blanca y roja c) se elijan en el orden roja-blanca

ii) si se extraen sucesivamente , sin remplazo, 3 fichas. Calcule la probabilidad que se:
a) extraigan en el orden roja-blanca-azul b) elija una de cada color sin importar orden

17. De los dgitos 2 , 3 , 5 , 6 , 7 , 9 se seleccionan aleatoriamente tres en forma sucesiva,sin

sustitucin cul es la probabilidad que:
a) el nmero obtenido sea menor que 400? b) el nmero obtenido sea mltiplo de 5?
c) el nmero obtenido sea par menor que 400 ?
 156

18. En un laboratorio se encuentran 10 plantas de las cuales 6 estn sanas. Se examinan las
plantas una a una.
i) Cul es la probabilidad que al examinar las dos primeras:
a) ambas estn sanas? b) ambas estn enfermas?
c) una est sana y la otra enferma? d) la 2a est sana si la 1a estaba sana?

ii) Si las plantas son examinadas hasta ubicar la 4a planta enferma , cul es la probabilidad
que la cuarta planta enferma se detecte al examinar:
a) la cuarta planta? b) la quinta planta? c) la dcima planta?

19. Probar que P(A/B) P(A) P(B/A) P(B)

20. Sean dos sucesos tales que P(A) = 0,4 y P(A B) = 0,7 . Determine P(B) de modo que los
sucesos A y B sean :
a) mutuamente excluyentes b) independientes

21. Al lanzar un par de dados , uno de color blanco y el otro de color rojo. Sea X el resultado
del dado blanco e Y el resultado del dado rojo. Sean los sucesos A B CB C & y
F B CB C Calcule la probabilidad de que suceda:
a) E y F b) E F c) E si sucedi F d) F , si sucedi E

22. La probabilidad que en un packing una manzana tenga defectos por golpe de sol es 1/20 y
la probabilidad que tenga machucones es 1/8. Cul es la probabilidad que una manzana
tenga:
a) ambos defectos? b) defectos? c) slo uno de los defectos?

23. La probabilidad que un durazno presente el desorden fisiolgico A es 2/5 , que presente el
desorden fisiolgico B es 1/2 y que presente el desorden fisiolgico C es 1/3. Si los
desrdenes A,B y C se presentan en forma independiente, cul es la probabilidad que un
durazno seleccionado aleatoriamente:
a) presente los tres tipos de desrdenes fisiolgicos?
b) presente al menos uno de estos desrdenes fisiolgicos?
c) presente slo uno de los desrdenes anteriores?

24. En un procesamiento agroindustrial la probabilidad que un producto se contamine con una

bacteria A es 0,1 y la probabilidad que se contamine con otra bacteria B es 0,05. Cul es la
probabilidad que en uno de estos procesos el producto se contamine?

25. Si en la elaboracin de concentrado de tomate ste se contamina con una bacteria \ con
probabilidad del 2%, con otra bacteria ] con probabilidad del 5% y con al menos una de las
dos bacterias con probabilidad del 5,5% , cul es la probabilidad que el concentrado:
a) no est contaminado?
b) est contaminado con ambas bacterias?
c) est contaminado slo con ] ?
d) se contamine con la bacteria \ , si est contaminado con la bacteria ] ?
e) segn la informacin anterior la contaminacin con \ e ] son independientes?
 157

26. Una bolsa A contiene dos fichas rojas numeradas 1 y 2 , respectivamente , y dos fichas
blancas numeradas 3 y 4. Otra bolsa B contiene 3 fichas blancas numeradas 5 , 6 y 7 ,
respectivamente y tres fichas azules numeradas 8 , 9 y 0. Se extraen aleatoriamente dos fichas
de cada bolsa , cul es la probabilidad que:
a) las cuatro sean de igual color?
b) la suma de puntos de cada bolsa sea igual?

27. Demuestre que si A y B son sucesos independientes , entonces tambin lo son A' y B'
y A y B'.

28. Una especie produce semillas de flores de color rojo , blanco y amarillo en porcentajes del
60% , 30% y 10% respectivamente. Los porcentajes de no germinacin se sabe que son del
7% , 2% y 4% respectivamente.Cul es :
a) el porcentaje de germinacin de esta especie?
b) la proporcin de plantas de cada color que se obtendr en un almcigo?

29. En un vivero un 4% de las plantas de una procedencia A y un 1% de las plantas de otra

procedencia B supera los 60 cm. y se sabe que un 60% de las plantas proviene de B. Se
selecciona una planta al azar y se verifica que mide 73 cm cul es la probabilidad que
provenga de B?

30. En un viedo se plantan vides de tres procedencias A , B y C en proporciones del 25% ,

50% y 25% respectivamente. La probabilidad que estas vides estn produciendo a los 2 aos
son respectivamente 0,1 ; 0,2 y 0,4 respectivamente.
a) Cul es la proporcin de vides que estarn produciendo a los 2 aos ?
b) Si una planta elegida al azar no est produciendo a los 2 aos ,cul es la probabilidad que
provenga de C ?

31. En un vivero una planta puede estar sana o tener una enfermedad A con probabilidad 0,25
u otra enfermedad B con probabilidad 0,35. Al estar sana la probabilidad que no presente
marchitez en las hojas es 0,9 , al tener la enfermedad A presenta marchitez en las hojas con
probabilidad 0,70 y al tener la enfermedad B presenta marchitez con probabilidad 0,60. Cul
es la probabilidad :
a) que al examinar 5 plantas al azar estn todas sanas?
b) que al examinar 5 plantas al azar haya al menos una tenga la enfermedad A?
c) que una planta cualquiera no presente marchitez en las hojas?
d) que una planta est sana , si presenta marchitez en las hojas?

32. 400 predios agrcolas de la VII regin se clasificaron segn su Nivel Tecnolgico (Alto (A),
Medio (M), Bajo (B)) y Tamao (pequeo (p) y mediano (m)) . La siguiente tabla indica el
nmero de predios en cada categora.
Nivel \ Tamao pequeo mediano Total
Alto 30 50
Medio 50
Bajo 150
Total 170
Complete la tabla y calcule la probabilidad de que al elegir un predio al azar ste sea :
a) de Nivel (A) b) de Tamao (m) c) de Nivel (M) y Tamao (p)
d) de Nivel (B) o de Tamao (m) e) no tenga Nivel (B)
f) de Tamao (p) y no tenga Nivel (B)
 158

33. En una ciudad se publican tres peridicos A, B y C. Una encuesta indic las probabilidades
de que los ejecutivos de una empresa de esa ciudad lean alguno de tales peridicos:
P(A) = 0,25, P(B) = 0,3, P(C) = 0,20, P(A B) = 0,1, P(A C) = 0,12, P(B C) = 0,08 y
P(A B C) = 0,06 Cul es la probabilidad de que un ejecutivo cualquiera:
a) no lea ningn peridico? b) lea slo uno de los peridicos?
c) lea el peridico A o el B? d) lea a lo ms uno de los peridicos?

34. En cierta comunidad, la probabilidad de que una familia tenga televisor es 0,64, una
mquina lavadora es 0,55 y que tenga ambos artefactos es 0,35. Se selecciona una familia al
azar, cul es la probabilidad de que :
a) no tenga mquina lavadora? b) solamente tenga televisor?
c) no tenga televisor o no tenga mquina lavadora.
d) no tenga televisor ni mquina lavadora.
e) solamente tenga televisor o solamente tenga mquina lavadora.

35. La probabilidad de que un vendedor de tractores, venda por lo menos tres tractores en un
da es 0,2. Cul es la probabilidad de que venda 0, 1 o 2 tractores en un da?

36. En una caja de manzanas de exportacin la probabilidad de que haya al menos una
manzana mala es 0.05 y de que haya al menos dos malas es 0.01. Cul es la probabilidad de
que la caja contenga :
a) ninguna manzana mala ? b) exactamente una manzana mala ?
c) a lo ms una manzana mala ?

37. Un estudio determin que la probabilidad de que un hombre casado vea un cierto programa
de televisin es 0,4 , de que su mujer lo vea es 0,5 y la probabilidad de que el hombre vea el
programa, dado que su esposa lo ve es 0,7. Cul es la probabilidad de que :
a) una pareja de casados vea el programa ?
b) una mujer casada vea el programa, sabiendo que su esposo lo ve ?
c) solamente uno de ellos vea el programa ?
d) ninguno de los cnyuges vea el programa ?

38. En una empresa el 25% de los empleados son profesionales, el 15% de los empleados
llega atrasado y el 10% es profesional y llega atrasado.
Confeccione una tabla de doble entrada con los datos anteriores (IND. Una categora tiene
que ver con si es profesional y la otra con la puntualidad).
Si se selecciona un empleado al azar, cul es la probabilidad de que ste:
a) llegue atrasado o sea profesional ?
b) sea profesional y no llegue atrasado ?
c) llegue atrasado, si resulta ser profesional ?
d) no sea profesional, si no llega atrasado ?

39. Sean los sucesos A y B tales que P ( A ) = 0,25, P ( A / B ) = 0,5 y P ( B / A ) = 0,25.

Cules de las siguientes proposiciones son verdaderas?
i) A y B son sucesos mutuamente excluyentes
ii) P ( A' / B ) = 0.75
iii) P ( A / B ) + P ( A / B' ) = 1
 159

40. La probabilidad de que en cierta ciudad llueva un da del ao seleccionado aleatoriamente,

es 0,25. El pronstico local del tiempo atmosfrico es correcto el 60% de las veces en que el
pronstico es de lluvia, y el 80% de las veces que se hace otro pronstico.
a) Determine la probabilidad de que el pronstico sea correcto en un da seleccionado al azar.
b) Si en un da determinado el pronstico es correcto, determine la probabilidad de que ese
da sea lluvioso.

Respuestas:
4. 21/40 ; 5/8 ; 3/20 ; 19/40 ; 17/20 ; 1/4 ; 21/40 ; 1/8 ; 11/40 5 i) 5/8 ; 7/8 ; 3/8 ; ii) 3/8 ; 1/120 ; 7/8 ; 119/120 ;
7/30 ; 91/120 ; 1/8 ; 13/30 6. 84/1001 ; 350/1001 ; 400/1001 ; 253/3003 ; 3002/3003 ; 834/1001
7. 1/36 ; 5/18 ; 11/36 ; 1/36 ; 1/9 ; 1/6 8. 5/9 ; 4/9 9. 11/50 ; 1/2 ; 7/50 11. 29/118 ; 30/59 ; 1/59
13. 0,12 ; 8/23 14. 1/3 ; 2/5 ; 9/20 ; 11/20 16. i) 1/11 ; 10/33 ; 5/33 ii) 1/22 ; 3/11 17. 1/3 ; 1/6 ; 1/10
18. i) 1/3 ; 2/15 ; 8/15 ; 5/9 ii) 1/210 ; 2/105 ; 2/5 20. 0,3 ; 0,5 21. 1/18 ; 17/36 ; 2/15 ; 1/2
22. 1/160 ; 17/160 ; 13/80 24. 0,145 26. 1/30 ; 2/45 28. 94,8% ; 58,9% , 31,0% y 10,1%
29. 3/11 30. 0,225 ; 6/31 32. 1/8 ; 17/40 ; 3/8 ; 4/5 ; 5/8 ; 9/20 33. 0,49 ; 0,33 ; 0,45 ; 0,82
34. 0,45 ; 0,29 ; 0,65 ; 0,16 ; 0,49 36. 0,95 ; 0,04 ; 0,99 37. 0,35 ; 7/8 ; 0,20 ; 0,45
38. 0,30 ; 0,15 ; 2/5 ; 14/17 39. ninguna 40. 0,75 ; 0,20

III. DISTRIBUCIONES DE PROBABILIDAD

1. Una variable aleatoria @+ discreta \ tiene por funcin de cuanta , p(xi ):

1/8 si x 5
p(xi ) 3/8 si xi 8
i
Calcule:
1/2 si xi "!
a) P(\ & b) P(\ 3) c) P(\ 8 d) P(\ 8)

2. Para la variable aleatoria nmero de hijos varones en una familia de 5 hijos , obtenga la
funcin de distribucin p(xi ) y mediante ella calcule la probabilidad que una familia tenga:
a) exactamente 2 hijos varones b) ningn hijo varn c) ms de 3 hijos varones
d) a lo ms 3 hijos varones e) al menos un hijo varn.

3. En un conjunto de semillas de una especie floral hay 5 que corresponden a flores rojas, 3 a
flores blancas y 4 a flores amarillas. Sea \ la v.a. que especifica el nmero de semillas rojas
obtenidas al seleccionar al azar 5 semillas:
a) obtenga la distribucin de probabilidad de \ b) calcule P(\ 3)
c) calcule P(" X 4 d) calcule P(1 \ 4)
e) calcule P(1 \ 4) f) calcule P(1 \ 4)
g) calcule P(\ 3) h) calcule P(\ 2)

4. Una caja contiene 4 fichas rojas y 6 blancas. Veinte fichas son elegidas con remplazo. Si \
es el nmero de fichas rojas elegidas , obtenga la distribucin de \ y calcule la probabilidad de
obtener:
a) exactamente 8 fichas rojas b) ninguna ficha roja c) al menos una ficha roja

5. Una planta de kiwi de un vivero tiene una probabilidad de 0,8 de estar sana. Se seleccionan
10 plantas al azar , obtenga la distribucin del nmero de plantas sanas y calcule la
probabilidad de seleccionar:
a) 8 sanas b) ninguna sana c) todas sanas d) al menos una sana.
 160

6. Para cada una de las variables discretas de los problemas anteriores calcule su esperanza
matemtica y su varianza.

7. Para cada una de las variables discretas de los problemas anteriores obtenga su funcin de
distribucin acumulativa (0 .+) y recalcule las probabilidades pedidas a partir de ella.

8. La v.a. continua \ : altura de un quillay en un bosque juvenil, tiene una f.d.p. dada por:
"
8" B si 0 B 4
f(x) #
0 para otros valores
1) de acuerdo a esta distribucin son ms frecuentes rboles altos o bajos en este bosque?
2) Calcule la probabilidad que un quillay de este bosque tenga altura:
a) entre 1 y 2 metros b) mayor que 3 metros c) menor o igual que 1,5 m
d) mayor que "# m y menor o igual a 2,5 m

9. La v.a. \ : rendimiento de un cultivo,en qq. por cada 1000m# , tiene:

"
$' B# si 3 B 6
f.d.p 0 B %&
0 p.o.v
a) cul es la probabilidad que el cultivo rinda entre 4 y 5 qq. ?
b) cul es la probabilidad que el cultivo rinda ms de 4,5 qq ?
c) cul es el rendimiento promedio de este cultivo ?
d) qu tan homogneo es el rendimiento de este cultivo ?

10. Una v.a. continua \ : longitud de raz principal de plntulas de nectarines toma valores
entre 2 y 8 y tiene una f.d.p. de la forma +B $ , donde + es una constante a determinar .
Calcule :
a) el valor de + b) P(3 \ 5) c) P(\ 4) d) P(| \ 5| 0,5)

11. Una v.a. continua \ toma valores entre 2 y " tiene f.d.p. de la forma +B# . Calcule:
a) el valor de + b) P(\ 0) c) P(\ "# ) d) P(-1 \ 12 )

12. Una v.a. \ tiene una funcin de distribucin acumulativa (0 .+

! =3 B !
J B $% B# "% B$ =3 ! B # calcule :
" =3 B #
a) P(\ 1) b) P( "# \ 32 ) c) P(\ "# ) d) P(\ 32 )

13. Para cada una de las variables continuas de los problemas anteriores calcule su esperanza
matemtica y su varianza.

14. Para cada una de las distribuciones de los problemas anteriores obtenga la 0 .+ J B y
recalcule las probabilidades pedidas.

15. Sea \ v.a con distribucin uniforme [-2 , 3].

a) obtenga la f.d.p , 0 B
b) obtenga la f.d.a ,J B
c) calcule P(-1 \ 32 ) y P(0 \ 52 ). Compare y explique el por qu de la coincidencia.
 161

16. Encuentre el valor esperado y la varianza para cada una de las siguientes variables
aleatorias a) \ : nmero de caras obtenidas al lanzar 5 monedas
b) \ : suma de puntos obtenidos al lanzar 2 dados
c) \ , con 0 .: 0 B = 6B(1 B) si 0 B 1

17. Reconozca la distribucin, los parmetros y especifique la funcin de cuanta :B3 de las
siguientes v.a. , justificando cada vez, y calcule para cada una de ellas I\ y Z \ :
a) \" : n de plantas enfermas encontradas al examinar 25 plantas si la probabilidad de
enferma es "&
b) \# n de lesiones en hoja de tabaco, causadas por un virus que provoca en promedio 2
lesiones por hoja
c) \$ : n de manzanas rojas obtenidas al seleccionar al azar 20 manzanas, con sustitucin,
de una caja que contiene 6 manzanas rojas, 4 manzanas jaspeadas y 2 manzanas verdes.

18. Para cada una de las variables , discretas o continuas, definidas en los problemas
anteriores, calcule:

a) I#\ " Z #\ " b) I$ \ Z $ \

19. Si un da no llueve un contratista gana 5 UF y si llueve en el da pierde 1,5 UF . Cul

es su ganancia esperada en los meses de Otoo-Invierno si la probabilidad de lluvia un da
cualquiera es de 0,3 ?

20. En un juego se puede ganar $ 50.000 con probabilidad 0,2 , ganar $ 20.000 con
probabilidad 0,4 y en caso contrario perder una cierta cantidad de dinero. cul es la cantidad
de dinero que se debe perder para que el juego sea justo ?

21. La funcin :B3 representa la probabilidad de un productor de obtener repollos segn

calidad:


"' primera
:B3
"# segunda

"% tercera
""# desecho

Si la ganancia por unidad es $ 150 para primera , $ 105 para segunda , $ 75 para tercera y
$ 9 para desecho , calcule la gana8cia esperada por el productor por unidad producida.

22. La hoja de la planta de tabaco pierde valor en la medida que el nmero de lesiones en su
hoja sea mayor. Por experiencia se sabe que \ : nmero de lesiones por hoja , tiene
distribucin :

B3 0 1 2 3 4
:B3 "$ "% "' "' ""#

La ganancia por hoja de un agricultor depende del nmero de lesiones B3 , segn la funcin
1B %) "%B B# .
Calcule la ganancia promedio por hoja del agricultor.
 162

23. En un rbol se determinan las variables \ n de i nsectos/hoja ; ] n depredadores/hoja

. La tabla define la distribucin de probabilidad conjunta :B3 C4

] \ 0 1 2 3
0 0,03 0,09 0,08 0,30
1 0,11 0,09 0,06 0,04
2 0,19 0,01 0,00 0,00
a) obtenga las probabilidades marginales :B3 :C4 e interprtelas
b) cul es la probabilidad que con 2 predadores haya 3 insectos/hoja?
c) cules son los dos sucesos que tienen mayor probabilidad de ocurrir?
d) cul es la probabilidad que una hoja est sana?
e) calcule una medida de asociacin entre n de ins ectos y n de depredadores e
interprtela
f) son el n de insectos/hoja y el n de depredado res v.a. independientes? Justifique

24. En un packing se trabaja en dos turnos. Sea \ n de veces que falla semanalmente la
correa transportadora en turno 1 e ] n de veces que falla semanalmente la correa
transportadora en turno 2. \ / ] son variables aleatorias independientes y las siguientes son
! &! =3 B 0 ! #! =3 yj 0
las distribuciones marginales de \ / ]

p(xi ) ! #! =3 B3 1 p(yj ) ! (! =3 yj 1
3

! $! =3 B3 2 ! "! =3 yj 2
a) cul es la probabilidad que la correa transportadora durante una semana
cualquiera falle al menos una vez en ambos turnos?
b) en cul de los dos turnos falla ms en promedio la correa transportadora ?

25. Las siguientes tablas corresponden a la distribucion de X e Y , nmero de fallas de dos

correas transportadoras en un packing, y se sabe que ambas funcionan independientemente.



! %! si B3 ! ! $! si C4 !
:B3 :C4
! $! si B3 " ! $& si C4 "
! #! si B3 #
! #0
si C4 #
! "! si B3 $ ! "5 si C4 $

a) cul es la probabilidad que, durante un mes, ambas correas transportadora fallen una
vez?
b) cul es la probabilidad que durante un mes ambas correas no fallen?
c) cul es la probabilidad que durante un mes una de las correas no falle y la otra falle al
menos una vez ?
d) cul es la probabilidad que durante un mes al menos una de las correas falle?
e) cul de las dos correas falla ms en promedio?
f) determine la Z [ \ ] ]
g) aplicando correctamente las propiedades calcule I [ 2\ $] &] y Z [#\ $] &]

26. Sean \ e ] v.a independientes con :B3 &!

B3 ! $ ! (
B3 &!B3
B3 ! " # &!
"# C4
y :C4 / C4"#x , C4 ! " # $ respectivamente. Calcule :
a) I$\ #] $ b) Z $\ #] $
 163

27. Sean \ e ] v.a. continuas con una funcin de densidad conjunta de probabilidad:
1
BC # si 0 B # 0 C $
0 B C 18
! :9@
a) calcule P(\ $# ] #
b) calcule P(\ ] )
c) obtenga las funciones de distribucin marginales 1B 2C
d) calcule I\ y I]
e) calcule G 9@\ ]
f) son \ e ] v.a. independientes?

28. Un aserradero que procesa madera de Pino y Eucaliptus estableci la siguiente funcin de
densidad conjunta para la proporcin de madera con nudos de Pino (\ y de Eucaliptus (] ):
#
0 B C $
B #C si ! B " ! C "
! :9@
a) obtenga las funciones de densidad marginales de \ e ] y explique su significado de
acuerdo al enunciado
b) calcule la probabilidad de obtener menos del 25% de madera de Pino con nudo y ms del
70% de madera de Eucaliptus sin nudo
c) calcule la probabilidad de obtener a lo menos el 50% de madera de Pino y de Eucaliptus
sin nudo.
d) calcule la probabilidad de obtener entre el 20% y el 80% de madera de Pino con nudo
e) cual es el % esperado de madera de Pino con nudo ?
f) cul es el % esperado de madera de Eucaliptus sin nudo ?
g) son X e Y v.a. independientes? Justifique matemticamente

29. Dos variables aleatorias independientes \ e ] tienen distribuciones dadas por 0 B C

0 C respectivamente.
# $
#C C# si ! C #
0 B & 0 C %
B # si ! B "

! para otros valores ! para otros valores
a) cul es la probabilidad que ] tenga valores mayores que 1 ?
b) es homogneo el comportamiento de \ ?
c) cul es la T \ "# e ] "# ?
d) calcule I \ # #\ &
e) calcule Z ( $\ #]

Respuestas:
1. 1/8 ; 0 ; 1/2 ; 7/8 2. 0,3125 ; 0,03125 ; 0,1875 ; 0,8125 ; 0,96875 3. 35/132 ; 770/792 ; 595/792 ;
735/792 ; 560/792 ; 546/792 ; 596/792 4. 0,17971 ; 0,00004 ; 0,99996 5. 0,30199 ; 0 ; 0,10737 ; aprox. 1
8. 5/16 ; 1/16 ; 39/64 ; 5/8 10. a = 1/48 ; 7/24 ; 3/4 ; 1/6 11. a =1/3 ; 8/9 ; 7/72 ; 1/8
12. 1/2 ; 11/16 ; 31/32 ; 5/32 16. a) 5/2 ; 5/4 b) 7 ; 103/18 c) 1/2 ; 1/20 19. UF 3,95
20. $ 45.000 21. $ 97 23. e) Cov(X,Y) = -0,693 , 3 = -0,704 27. 1/6 ; 8/45 ; g(x) = "# x ,
h(y) = 19 y# ; E(X) = 4/3 , E(Y) = 9/4 , Cov(X,Y) = 0 ; si. 28. b) 77/800 ; c) 1/8 ; d) 3/5 ; e) 55,6% ; f) 38,9%
 164

IV. DISTRIBUCION NORMAL

1. Sea ^ R ! " , calcule:

a) T (^ -" &) b) T (^ " )' c) T -0,63 ^ ! )%
d) T -" ## ^ -! (# e) T ^ ! *$ f) P(Z 0,55)

2. Calcule + tal que:

a) T ^ + ! #$$# b) T ^ + ! (%%)
c) T ^ + ! '*"$ d) T ^ + ! !&

3. En la asignatura de Estadstica las notas tuvieron una media de 4,5 y una desviacin
estndar de 0,4 , mientras que en Botnica las notas tuvieron una media de 5,8 y una
desviacin estndar de 0,8. El alumno Veas obtuvo 4,8 en Estadstica y 6,0 en Botnica en
cul de las dos asignaturas el alumno Veas tuvo un rendimiento ms destacado?

4. Sea la @+ \ R "# % , calcule:

a) T \ "& b) T \ "" c) T \ "% d) T "$ \ "% &
e) T * \ "!,5 f) T "! \ 14) g) T \ "! & h) T \ "#

5. Sea una @+ \ R "! #& , calcule el valor de + si:

a) T \ + ! !$"% b) T \ + ! ()#!
c) T \ + ! %((# d) T \ + ! '&#)

6. Se establece que las calificaciones en un examen de portulacin tiene distribucin normal

con media 73 y desviacin estndar 8 cul es la probabilidad que un alumno seleccionado al
azar haya obtenido:
a) a lo ms 60 puntos? b) entre 65 y 89 puntos? c) ms de 80 puntos?

7. Si el nmero de alumnos que rinde el examen de postulacin anterior es 640 cuntos

tendrn:
a) menos de 55 puntos? b) entre 65 y 81 puntos? c) ms de 90 puntos?

8. Se asume que la distribucin de pesos de manzanas Granny (en gr) , en un huerto , tiene
distribucin R "'! '#&.

i) Qu proporcin de las manzanas del huerto pesa:

a) entre 145 y 190 gr? b) menos de 120gr? c) ms de 200 gr?

ii)Cul es el peso:
a) mximo del 10% de las manzanas ms pequeas del huerto?
b) mnimo del 20% de las manzanas de mayor calibre de este huerto?

iii) Si se cosechan al azar 1200 de estas manzanas cuntas pesarn:

a) entre 150 y 200 gr? b) menos de 100 gr? c) ms de 180 gr?

9. Sea \ R &! "!! , encuentre:

a) los valores + y , que limitan el 90% central de las observaciones
b) c tal que P(\ c ! #! c) d tal que T \ d ! "!
 165

10. Si el 15% de las manzanas de menor tamao del huerto anterior se destinan a produccin
de pulpa , el 30% de las manzanas de mayor tamao va a exportacin y el resto a consumo
interno cules son los rangos de pesos de las manzanas segn su destino?

11. Si \ R #! 5 # , encuentre el valor de 5 # si T \ #) ! !##)

12. En una agroindustria se envasa un producto en tarros cuyo contenido neto tiene
distribucin normal, con desviacin estndar de 5 gr. Si el 2,5% de los tarros tiene un peso
mayor de 259,8 gr cul es el peso promedio de su contenido?

13. En un huerto de kiwi de la VI regin se obtuvo que la distribucin del dimetro polar, en
mm, en la temporada 2001 fue R &) "') y en la temporada 2002 fue R '! $':
a) en un mismo grfico comparativo muestre la situacin de ambas temporadas
(indique puntos importantes en el grfico)
b) en cul de las dos temporadas hubo mayor porcentaje de frutos con dimetro polar
menor a 54 mm. ? Justifique numricamente.

14. Sea una poblacin \ R . "%%, calcule

a) T \ $\ %% si . "! b) . si T \ $) ! !'')

Respuestas:

1. 0,0571 ; 0,9686 ; 0,5352 ; 0,1246 ; 0,1762 ; 0,7088 2. -0,73 ; 0,66 ; -0,50; 1,645 3. En Estadstica
4. 0,9332 ; 0,3085 ; 0,1587 ; 0,2029 ; 0,1309 ; 0,6826 ; 0,7734 ; 0,5000 5. 0,7 ; 13,9 ; 10,3 ; 8,05
6. 0,0526 ; 0,8185 ; 0,1922 7. 8 alumnos ; 437 alumnos ; 11 alumnos
8. 61,06% ; 5,48% ; 5,48% ; 128 gr, 181 gr ;721 manz ; 10 manz ; 254 manz 9. 33,6 y 66,4 ; 41,6 ; 62,8 11. 16
12. 250 gr. 14. 0,1587, 20.

V. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

1. Reconozca la distribucin , los parmetros y especifique la funcin de cuanta :B3 de las

siguientes @+ \ , justificando cada vez , y calcule para cada una de ellas I\ y Z \
a) \ n de caras obtenidas al lanzar 15 veces una mon eda no cargada
b) \ : n de caras obtenidas al lanzar 15 veces una m oneda cargada tal que la
probabilidad de cara es 0,10.
c) \ : n de aciertos a un blanco en una serie de 25 disparos, si la probabilidad de acierto es
$%
d) \ : n de fichas rojas obtenidas al realizar 20 ex tracciones , con sustitucin, de una caja
que contiene 6 fichas rojas y 4 fichas blancas
e) \ : n de lesiones en hoja de tabaco , por un viru s que causa en promedio 3 lesiones
por hoja
f) \ : n de bacterias en un cc de un medio de cultiv o , cuyo promedio es 24

2. Sea la @+ \ n de caras obtenidas al lanzar 15 veces una moneda no cargada. Calcule:

a) T \ & b) T \ "! c) T $ \ )
d) T $ \ ) e) T $ \ ) f) T $ \ )

3. Sea la v.a. \ : n de plantas sanas al examinar 2 5 plantas en un vivero, si la probabilidad de

que una planta est sana es 0,75. Calcule:
a) T \ ") b) T \ "& c) T \ 20 d) T ") \ ##
 166

4. En una oficina trabajan 50 personas. Se ha establecido que mensualmente existe una

probabilidad de 0,10 que a una persona se le hagan descuentos indebidos en sus sueldos.
Cul es la probabilidad que en un mes determinado se tengan:
a) ms de 5 personas con descuentos indebidos?
b) slo 3 personas con descuentos indebidos?
c) a lo ms 2 personas con descuentos indebidos?

5. El nmero de camiones que llega a un centro de acopio es una variable de Poisson. Si el

nmero promedio es de 10 camiones en el da , entre las 7 A.M y las 5 P.M .Cul es la
probabilidad de que:
a) en el da lleguen a lo menos 7 camiones ?
b) en el lapso de una hora no lleguen camiones?
c) en un lapso de media hora llegue al menos un camin ?

6. Supongse que en una planta agroindustrial ocurren de manera aleatoria e independiente 2

accidentes por semana. Cul es la probabilidad de que:
a) en una semana no ocurran accidentes? b) en una semana ocurran 2 accidentes ?
c) que en una semana ocurra 1 accidente y en la siguiente ocurran 3 ?
d) en dos semanas sucesivas ocurran accidentes ?

7. Estudios sobre un nuevo insecticida biolgico ha establecido que la probabilidad de

sobrevivencia de la mosca de la fruta a este insecticida es de 0,0002, Se aplica este insecticida
en un huerto con una poblacin de 1000 moscas de la fruta. Cul es la probabilidad de que:
a) no sobreviva ninguna mosca ? b) sobreviva al menos una mosca ?
c) sobrevivan 2 moscas ?

Respuestas:

1. Bin (15 ; 0,5) ; Bin (15 ; 0,9) ; Bin (25 ; 0,75) ; Bin (20 ; 0,6) ; P (3) ; P (24)
2. 0,15088 ; 0,15088 ; 0,69269 ; 0,6788 ; 0,49631 ; 0,48242 3. 0,16541 ; 0,14944 ; 0,21374 ; 0,6944
4. 0,38388 ; 0,13856 ; 0,11173 5. 0,86986 ; 0,36788 ; 0,39347 6. 0,13534 ; 0,27067 ; 0,04884 ; 0,74764
7. 0,81873 ; 0,18127 ; 0,01637

VI. DISTRIBUCIONES EN MUESTRAS ALEATORIAS Y ESTIMACIONES

1. La distribucin de los pesos de una poblacin de adultos hombres es \ R '4 $'). Se

eligen aleatoriamente muestras de 9 individuos de tal poblacin. Calcule:
q q q
a) T '" \ '' b) T \ &* c) T \ '( &

2. En un proceso de seleccin los estudiantes obtuvieron un promedio de 570 puntos con una
desviacin tpica de 40. Se sabe que los puntajes se distribuyen normales. Se toma una
muestra aleatoria de 25 estudiantes cul es la probabilidad de obtener un puntaje promedio
de la muestra:
a) entre 560 y 585 ptos. b) menor a 565 ptos. c) mayor a 590 ptos.

3. La distribucin de las alturas de personas de una poblacin E es normal con media 173 cm y
desviacin tpica 12 cm. y en otra poblacin F es normal de media 175 cm y una desviacin
tpica de 8 cm. De ambas poblaciones se toma una muestra aleatoria de 16 personas en cul
de las dos muestras hay una mayor probabilidad de obtener una altura promedio mayor a 180
cm.? Justifique.
 167

4. Se sabe que en un criadero el peso , en kg , de un cerdo tiene distribucin normal con media
80 y varianza 16. Se toma una m.a.s. de 25 cerdos del criadero.

i) Cul es la probabilidad de obtener un peso promedio de los 25 cerdos :

a) entre 79,0 y 81,5 kg ? b) mayor que 82,3 kg? c) menor que 78,5 kg?

ii) Calcule el valor de:

q
a) a y b equidistante de . tal que T a \ b ! *&
q q
b) c tal que T \ c ! "& c) d tal que T \ d ! !&

5. Sea \ el rendimiento por hectrea de una variedad de trigo cuya distribucin se sabe que
es \ R 72 36 Se siembran con la variedad 9 parcelas de 5 x 10 m , distribuidas al
azar, en un sector A de un fundo y en otro sector B , tambin distribuidas al azar, se siembran
16 parcelas iguales a las anteriores , y se les mide el rendimiento , proyectado a la ha. ( es
decir el rendimiento de la parcela amplificado por 200. por qu?).
q
En un mismo grfico muestre comparativamente la distribucin de la media X del sector A
respecto a la del sector B.

6. Si se toman dos muestras aleatorias de una misma poblacin \ R (. , 5 # ) , la primera de

q q
tamao 10 y la segunda de tamao 20, obtenindose los promedios X" = 34 y X# = 37 cul
q q
promedio X" o X# es estimador de la media poblacional ? Cul de los dos es mejor
estimador de ., es decir , tiene la menor varianza ?

7. La distribucin de los pesos de recin nacidos en un hospital A es normal con media de

2260 gr y desviacin tpica 200 gr.. En otro hospital B la distribucin de los pesos es tambin
normal con media 2300 gr y desviacin tpica 120 gr.
De ambos hospitales se toma una m.a.s. de 16 recin nacidos.En cul de las dos muestras
hay mayor probabilidad de obtener un peso promedio de recin nacidos mayor a 2370 gr?
Justifique estadsticamente.

8. Con el fin de generar una referencia para detectar malformaciones craneanas en guaguas
de 12 meses de edad de se midi la variable \ : permetro craneano de guaguas normales a
los 12 meses de edad y se asume que \ distribuye normal. La medicin en 15 guaguas di los
siguientes valores en centmetros:
45; 47; 48; 46; 42; 49; 44; 47; 50; 46; 43; 48; 45; 49; 44
a) estime en forma puntual la media y la varianza poblacional del permetro craneano
b) obtenga estimaciones para . mediante intervalos del 90% ; 95% y 99% respectivamente,
si se conoce que \ R . ! #&
c) obtenga estimaciones para . mediante intervalos del 90% ; 95% y 99% respectivamente,
si en este caso no se conoce el valor de la varianza poblacional 5#
d) compare los intervalos del 90%, 95% y 99% obtenidos en b) y c) y obtenga conclusiones
respecto a la precisin y confianza.

9. Se sabe que los pesos de cerdos de una poblacin tiene distribucin normal de media . y
varianza 5 # .

i) Se elige una m.a.s. de 9 cerdos :

q
a) determine . si se sabe que 5 # = 36 y que P(X 92) = 0,0668
q
b) determine 5 si se sabe que . = 91 y que P(X 92) = 0,2266
 168

ii) Si se sabe que \ R *& $'

q
a) calcule P(X 97) , para la muestra tamao 9.
q
b)cul debe ser el tamao de la muestra para que se cumpla que P(X 97) 0,05 ?

10. Una mquina envasadora de pulpa de manzana est ajustada para que envase en
promedio 240 gr con una desviacin estndar de 5 gr. Periodicamente se seleccionan 16 tarros
al azar para verificar si la mquina est funcionando correctamente. La mquina se somete a
ajustes si el promedio de la muestra resulta inferior a 237 gr. Si la mquina est envasando
correctamente, cul es la probabilidad que sea sometida a ajuste errneamente?

11. Se sabe que el rendimiento (en qq/ha) de una nueva variedad de trigo tiene distribucin
\ R . "%%.
q
a) Se toma una m.a.s. tamao 16 de \ . Calcule T X . $.
b) Cul debera ser el tamao de la m.a.s para que con una probabilidad del 95% la media
muestral difiera del rendimiento promedio real en menos de 4 qq/ha ?

12. Sea la v.a. t con distribucin t de Student con los gl indicados. Determine:
a) a tal que P(> a ! !&, > con 14 g.l b) b tal que P(> b ! !!&, > con #! g.l
c) c tal que P(> c ! !#&, > con 8 g.l d) t tal que P(-t > t ! *&, > con 18 g.l

13. Se sabe que el estadgrafo = tiene distribucin t de Student con 15 g.l . Calcule:
a) P(s ! '*"# b) P(s 2,6025) c) P(-" $%!' s # "$"&

14. Sea la v.a. D con distribucin chi cuadrado (;# ) , con los g.l indicados .Determine:
a) a tal que P(D a ! !&, D con 12 g.l b) b tal que P(D b ! !!&, D con #3 g.l
c) c tal que P(D c ! !#& , D con 9 g.l
d) d y e tal que P(d D e ! *& central, D con 15 g.l

15. Se sabe que el estadgrafo D tiene distribucin ;# con 10 g.l . Calcule:

a) P(D 3,247 b) P(D 6,737) c) P(4,865 D 18,307

16. El rendimiento \ de una variedad de maz se conoce que tiene distribucin \ R . 5 # .

Con el fin de estimar . se siembran 10 parcelas con la variedad de maz , obtenindose los
siguientes rendimientos a la cosecha:
48 , 50 , 62 , 36 , 45 , 70 , 56 , 40 , 52 , 44
a) obtenga un rango del 95 % de confianza para el verdadero valor de la media b) obtenga una
estimacin para 5 con una confianza del 90 %.

17. Un investigador desea estimar el contenido de Ca en frutos de nectarines , para lo cual

selecciona aleatoriamente una muestra de estos obteniendo los siguientes valores:
10 ; 8,9 ; 9,7 ; 10,8 ; 11,0 ; 10,9 ; 9,5 ; 10,7 ; 8,3 ; 9,0 .
a) construya un intervalo del 95% de confianza para la media del contenido de Ca en los
nectarines
b) construya un intervalo del 95% de confianza para la varianza del contenido de Ca en los
nectarines

18. Se sabe que los aumentos en peso de corderos durante un periodo de 25 das tiene
distribucin R . 5 # ). Una muestra aleatoria de corderos tuvo las siguientes ganancias de
peso a los 25 das:
9 ; 11 ; 12 ; 14 ; 15 ; 16 ; 19 ; 21 ; 24 ; 29 ; 17 ; 20
 169

a) construya un intervalo de confianza del 95% para la varianza de las ganancias de pesos
b) basado en los resultados de la muestra, con una confianza del 95%, puede establecerse
que la poblacin de corderos gana en promedio 20 kg a los 25 das?

19. La variable aleatoria \ representa el peso (en kg) de pollos broiler en un criadero, cuya
distribucin est dada por:
$
3B B# si " B $
0 B 10 ,
! :9@
Si de la poblacin de pollos del problema anterior se toman muestras aleatorias tamao 4 y
se calcula el peso promedio de los cuatro pollos cul es la media y la varianza de esta media
muestral ?

20. Se sabe que la cantidad residual de hormonas \ en pollos Broiler tiene distribucin normal
con media 20 ppm y desviacin tpica de 4 ppm.
a) Cul es la probabilidad de que un pollo cualquiera contenga ms de 25 ppm de
hormonas?
b) Cul es la cantidad mxima residual de hormonas del 20% de pollos que contienen
menos?
c) Cul es la probabilidad de que en una muestra aleatoria de 9 pollos se obtenga una
media de entre 19 ppm y 21 ppm de hormonas?
d) Cul debera ser el nuevo tamao de la muestra si se necesita una probabilidad de a lo
ms 5% de que la media obtenida sea menor a 19 ppm?

Respuestas:
4. i) 0,8643 ; 0,0020 ; 0,0301 ii) + = 78,43 , , = 81,57 ; - = 79,17 ; . = 81,31
9. i) 95 ; 4 ii) 0,1587 ; n 24 10. 0,0082 11. 0,1587 ; n 35 12. -1,7613 ; 2,8453 ; -2,306 ; 2,1009
13. 0,75 ; 0,01 ; 0,875 14. 5,226 ; 44,181 ; 2,700 ; 6,262 ; 27,488 15. 0,025 ; 0,75 ; 0,85 18. 9/5, 3/50

VII. PRUEBAS DE HIPOTESIS PARA LA MEDIA DE DISTRIBUCIONES NORMALES

1. Explique en que consiste, ayudndose con un grfico, los errores tipo I y II de una prueba de
hiptesis.

2. El contenido de protenas de un alimento para ganado debe ser de a lo menos 200 g. por
kg. Ante la sospecha de que la mquina dosificadora no est funcionando adecuadamente se
lleva a cabo una inspeccin. En relacin al planteamiento anterior, explique como el inspector
puede cometer:
a) un error tipo I y cmo es posible controlar este error
b) un error tipo II y cmo es posible controlar este error.

3. Cul es la relacin entre el nivel de significancia de una prueba y el error de tipo I ?

4. Formule las hiptesis nula y alternativa para probar la tesis mdica que tomar ms de 2
tazas de caf al da aumenta el riesgo de cncer gstrico. Discuta en trminos de las
probabilidades de errores tipo I y tipo II con cul de las posibles hiptesis alternativas se corre
mayor riesgo respecto a la salud de los bebedores de caf, si el valor de " es bastante mayor
que !.
 170

5. Un alimento para ganado debe contener 200 g de proteina en promedio, con una desviacin
tpica de 24 g por kg. Ante la sospecha que la mquina est dosificando menos del promedio
es necesario realizar una inspeccin para lo cual se seleccionan 16 envases de 5 kg y a cada
uno se les mide la cantidad de proteina por kg.
Al nivel del 5% calcule la probabilidad de que el inspector cometa el error tipo II , si la
mquina est envasando un promedio de 185 g por kg.

6. En cada uno los siguientes casos establezca la distribucin a utilizar, la Regin Crtica ,
efecte la prueba de hiptesis y obtenga conclusiones, si el supuesto es que la poblacin tiene
distribucin \ R . 5 # :
q
a) L0 : . #( vs L" . #( ; X $! , S % , n #&
q
b) L0 : . *) ' vs L" . *) ' ; X ** " , 5 1,5 , n $!
q
c) L0 : . $ & vs L" . $ & ; X # ) , S ! ' , n ")
q
d) L0 : . $)# vs L" . $)# ; X $&) , 5 &) , n "#
q
e) L0 : . &( vs L" . &( ; X '" , S "# , n $'

7. Formule las hiptesis nula y alternativa para probar:

a) si un nuevo sistema de embalaje reduce el tiempo de este proceso, que actualmente es de
12,5 minutos, en al menos 2 minutos.
b) que una nueva tecnologa de fabricacin, produce ampolletas cuya duracin promedio es
por lo menos 6000 horas mayor que las tradicionales.

8. Para una poblacin \ R . "' se necesita probar las hiptesis simples H! . #! vs

H" : . ").
a) cul es el valor del error tipo II para un un error tipo I de un 5%, si se seleccion una
muestra tamao 25 para probar las hiptesis anteriores ?
b) en una figura muestre las distribuciones de las variables asociadas a la situacin planteada,
indique correctamente , con un decimal si es necesario, los valores de posicin de las
distribuciones, el valor K que limita la Regin Crtica y marque claramente en la figura el error
Tipo I y II.

9. Sea \ R . "' y las siguientes hiptesis L! . 70 @= L" . 68 .

a) Se toma una muestra aleatoria de X, cuyos valores resultan ser: 73, 62, 75, 64, 72, 67, 74,
65.
q q
Qu conclusin se obtiene con la VG \\ ') & ?
b) Identifique y marque claramente en un grfico los dos tipos de errores posibles de
q q
cometerse con VG \\ ') &
c) cul sera el tamao de muestra mnimo y el valor de " para ! = 0,05, si la Regin Crtica
q q
es VG \\ ') & ?

10. Asmase que la residualidad (persistencia) de un insecticida tiene distribucin normal con
desviacin tpica 5 = 2,5. Se sabe que el insecticida en uso tiene una residualidad media de 30
das. Otro laboratorio promueve otro insecticida con las mismas caractersticas, pero dicen que
tiene una mayor residualidad . En un ensayo con el objetivo de verificar tal afirmacin , una
m.a.s. tamao 12 dio como resultado un promedio de 32 das como duracin del efecto del
insecticida. Puede establecerse , al nivel del 5% , que el nuevo insecticida tiene un efecto
residual de mayor duracin?
 171

11. En el envasado de concentrado de tomate una mquina funcionando correctamente debe

envasar en promedio 245 gr. , con una desviacin tpica de 6 gr por tarro. Un tcnico con el fin
de verificar si la mquina est funcionando correctamente toma una muestra aleatoria de tarros
de la lnea de envasado y mide su contenido. Los valores que obtuvo fueron: 232 ; 235 ; 249 ;
241 ; 233 ; 247 ; 244 ; 246 ; 241 ; 248 ; 245 ; 243
a) los resultados de la muestra anterior son suficiente, al nivel del 5%, para que se detenga
el funcionamiento de la mquina y sea sta sometida a reparaciones, si se considera ms
grave detener errneamente el funcionamiento de la mquina ?
b) Cul debera ser el tamao de muestra mnimo necesario, para un nivel de
significacin del 5% y un error tipo II del 15%, para una hiptesis alternativa simple . 242
gr?

12. Supngase que una planta procesadora de alimentos establece que el nivel residual de
insectida que estos contengan al llegar a la industria no debe superar los 5 ppm. Una partida
de tomates es inspeccionada para ver si cumple la norma , tomndose una muestra al azar de
8 tomates , obtenindose la siguiente informacin :
!Xi = 37,6 !X# = 178 Xi : contenido insecticida tomate "i"
i

Los resultados de la muestra permiten concluir que la partida no cumple la norma, al nivel del
5%, si se considera ms grave perjudicar al productor?

13. El gerente de produccin de una exportadora frutcola desea saber si una nueva lnea de
embalaje reduce los tiempos actuales , que en promedio es de 14 minutos. El gerente deicde
comprar la nueva lnea si esta reduce los tiempos en al menos un 15% respecto a la lnea
actualmente en uso. Para decidir la compra solicita los tiempos logrados en 20 procesos de
embalaje con la nueva lnea. Los datos obtenidos y enviados al gerente son:
9,8 , 10,4 , 10,6 , 9,6 , 9,7 , 9,9 , 10,9 , 11,1 , 9,6 , 10,2 , 10,3 ,9,6 , 9,9 , 11,2 , 10,6 , 9,8 , 10,5
, 10,1 , 10,5 , 9,7. Con los datos obtenidos, cul es la decisin que debe tomar el gerente?

14. Se sostiene que con una nueva dieta para cerdos, cuyo objetivo es disminuir la grasa en
cerdos, la cantidad promedio por kg de carne es a lo ms de 100 gr. Se decide realizar un
ensayo en el cual se alimentarn 10 cerdos con la nueva dieta.
a) Cul es la variable asociada al problema y el parmetro de inters ?
b) Especifique las hiptesis, justifique la hiptesis H1 planteada, plantee
correctamente el estgrafo de prueba con su distribucin y la regin crtica
correspondiente.
c) Una vez terminado el proceso de engorda, se faenan los cerdos obtenindose los
siguientes contenidos de grasa (en gr) por cada kg : 98 , 90 , 96 , 105 , 97 , 89 , 107 , 93
, 95 , 102.
es posible establecer que con la nueva dieta se logra reducir la cantidad de grasa en
cerdos, al nivel del 5% ?
d) qu error es susceptible de estarse cometiendo en la decisin tomada en c) y cul es su
magnitud?
e) construya un intervalo de confianza del 95% para el promedio de grasa por kg con la nueva
dieta
f) construya un intervalo de confianza del 95 % para la desviacin tpica del contenido de
grasa.
 172

15. Para controlar araita roja en paltos se utiliza un acaricida el cual debe aplicarse solamente
cuando el promedio de araitas por hoja supera a 3,0. Con el fin de tomar una decisin de si es
el momento de aplicar, un Agrnomo se propone realizar una Prueba de Hiptesis.
Por registros histricos se sabe que la desviacin tpica de araitas por hoja es 0,64.
a) Explique cul es la poblacin en estudio en este problema, la variable asociada y el(los)
parmetro(s) de inters ?
b) Especifique las hiptesis a plantear, justificando la hiptesis H1 a probar, especifique
correctamente el estadgrafo de prueba con su distribucin y la regin crtica
correspondiente.
c) Para efecto del fin anterior el Agrnomo toma hojas de 10 rboles seleccionados al azar
obteniendo los siguientes valores por hoja en cada rbol:
2,5 ; 3,9 ; 2,9 ; 3,9 ; 4,1 ; 4,0 ; 2,7 ; 4,2 ; 2,6 ; 2,8
de acuerdo a la informacin obtenida en la muestra, qu decisin debe tomar el Agrnomo?
d) explique y justifique en cual de los errores es posible estar incurriendo en la decisin
obtenida por el Agrnomo.

16. Para satisfacer los requirimientos de exportacin de uva de mesa la cantidad residual de
sulfuroso no debe exceder el valor 0,69 en promedio.
Se afirma que un nuevo tipo de generador de sulfuroso para cajas de exportacin permite
satisfacer este requerimiento. Se aplica el generador a 10 cajas de uva de exportacin y al final
del periodo de almacenamiento se les mide la cantidad residual de sulfuroso , obtenindose los
siguientes valores: 0,8 ; 0,5 ; 0,8 ; 0,4 ; 0,6 ; 0,4 ; 0,7 ; 0,5 ; 0,4 ; 0,7
Qu conclusin es posible obtener respecto a si el nuevo generador satisface los
requerimientos de exportacin?

17. Un fabricante de cigarrillos sostiene que el contenido promedio de nicotina de los cigarrillos
marca VC no excede los 2,5 mg., con una desviacin estndar de 0,6 mg
Si una muestra aleatoria de 15 cigarrillos de la marca VC dio un promedio de 2,8 mg qu
puede concluirse de la aseveracin del fabricante, al nivel del 5%, si se debe proteger la salud
de las personas?

18. Se cree que una nueva tecnologa en crianza de cerdos produce a los 5 meses de edad
ejemplares de peso promedio mayor a 85 kg.
Se toma una muestra aleatoria de 8 cerdos de 5 meses producidos segn la nueva
tecnologa , cuyos pesos resultan ser: 88 ; 89 ; 83 ; 86 ; 91 ; 82 ; 92 ; 89
Es posible concluir con los datos de la muestra , al nivel del 5 %, que con la nueva tecnologa
se obtienen cerdos de 5 meses con peso promedio mayor a 85 kg ?

19. Se desea evaluar un programa de capacitacin en raleo de ciruelos a temporeros de la VI

regin. Para tal efecto se seleccionaron aleatoriamente 12 temporeros, a los cuales se les
registr el tiempo empleado en el raleo antes y despus de la capacitacin. Los tiempos
obtenidos se indican en la siguiente tabla:

Temporero 1 2 3 4 5 6 7 8 9 10 11 12
Antes 6,2 7,0 7,5 8,0 6,3 7,4 6,5 6,8 6,9 7,6 7,2 6,4
Despus 6,0 7,2 7,0 7,6 5,9 6,9 6,5 6,4 6,7 7,1 7,2 6,2

Qu conclusin se obtiene en relacin a la efectividad del programa de capacitacin?

 173

20. Para evaluar el efecto de un nuevo mtodo de procesamiento para arreglo de racimo
durante el embalaje, se somete a la labor a un grupo de 10 mujeres y posteriormente se las
entrena en el nuevo mtodo. Al final se las evala nuevamente en la labor de arreglo de
racimo. Los resultados obtenidos (en escala de 0 - 100) antes y despus del entrenamiento
son:
Operaria 1 2 3 4 5 6 7 8 9 10
Nota antes 40 65 30 57 60 70 25 45 38 65
Nota despus 50 70 45 65 64 67 40 50 60 66

a) Puede afirmarse que el nuevo mtodo fue efectivo en mejorar la labor de arreglo de
racimo?
b) Es posible afirmar que con el nuevo mtodo se incrementa el resultado en ms de 5 puntos
en promedio?
Asuma que los puntajes obtenidos distribuyen Normal, y concluya con un nivel de
significacin del 5%.

21. Un jefe de produccin desea comparar los porcentajes de descarte en uva de mesa en dos
turnos E y F . Para tal efecto selecciona una muestra de descarte, en diez oportunidades al
azar, en ambos turnos. Los datos obtenidos son los siguientes:
Turno E: 5,1 1,4 1,6 5,7 9,7 9,1 11,2 8,2 8,9 5,8
Turno F : 2,8 7,3 9,8 7,0 9,5 5,5 5,6 4,7 10,8 6,5
a) Cul es la conclusin basado en la muestra obtenida?
b) Construya un intervalo de confianza, del 95%, para la diferencia de medias de descarte
entre el turno E y F

22. Se prueba un nuevo tipo de fertilizante W en frejol, con el fin de probar si W mejora el
rendimiento respecto al fertilizante tradicional X .
a) Indique las poblaciones en estudio, interprete claramente el parmetro a probar y establezca
hiptesis , nivel de significacin, variable pivotal a utilizar con su distribucin y regin crtica
con su grfico.
b) Se siembran y fertlizan 12 parcelas con W y 10 parcelas con X . Realizada a la cosecha se
obtuvo la siguiente informacin de los rendimientos en kg:
Fertilizante W ! \3 $*) ! \3# "$$##
"# "#

Fertlizante X : ! \3 $00 ! \3# 9188

"0 "0

qu puede concluirse del fertilizante W respecto al X , al nivel del 5% ?

c) cules son las condiciones (supuestos) necesarias para la validez del desarrollo realizado
en la pregunta b)?
d) Construya un intervalo del 95% de confianza para la diferencia de rendimiento entre ambos
fertilizantes
e) Realice una Prueba de Hiptesis para verificar el supuesto sobre las varianzas.

23. Para probar si una dieta F produce mayor ganancia de peso en terneros, en kg, respecto a
otro tipo de dieta E se alimentan 15 terneros con la dieta E y otros 15 terneros con la dieta F ,
seleccionados al azar,.Durante el tiempo del ensayo se enfermaron 5 terneros de la dieta E,
los que tuvieron que eliminarse del ensayo.
a) Explique claramente cuales son las poblaciones en estudio, las variables y los parmetros a
probar.
 174

b) establezca hiptesis, especificndolas con precisin, nivel de significacin, variable

pivotal a utilizar con su distribucin y regin crtica con su grfico.
c) Del procesamiento de los datos result la siguiente informacin semi procesada:
! \3 700 ; ! \3# 49227
10 10
Dieta E:
3" 3"
\3 : ganancia de peso ternero 3
Dieta F : ! \3 1110 ; ! \3# 82803
1& 1&

3" 3"
Cul es la conclusin respecto al efecto comparativo de ambas dietas?
d) Qu error es posible haber cometido en la decisin tomada en c) ? Explique.
e) Qu supuestos son necesarios para el desarrollo de la pregunta c) ? Explquelos.
f) Cul ser una estimacin de la verdadera ganancia de peso obtenida con la dieta F , en un
rango del 95% ?

24. Para probar si una hormona CP induce mayor crecimiento de bayas en uva sultanina que la
hormona AG , se aplica cada hormona a 15 parras cada una. Los resultados del largo de bayas
por parra son los siguientes:
q
Hormona AG : X " = 22,0 S#" = 20
q
Hormona CP : X# = 23,9 S## = 32
a) Puede concluirse , al nivel del 5 % , que con la hormona CP se logra mayor largo
de bayas en uva sultanina que con AG ?
b) Puede establecerse estadsticamente que las varianzas 5"# y 5## son distintas ?
c) Qu error ! " es susceptible de estarse cometiendo en la conclusin obtenida
en a) y en la obtenida en b) ?

25. Para comparar el efecto de dos dietas en la cantidad de materia grasa en la leche de vacas
lecheras , se alimentan 15 vacas con la dieta A y 18 vacas con la dieta B. Los siguientes son
los resultados obtenidos:
q
Dieta A : X = 22,0 SA = 2,8
qA
Dieta B : XB = 23,9 SB = 3,2
a) Es posible establecer , al nivel del 5 % , que con la dieta A se obtiene menor contenido de
grasa en la leche que con la dieta B?
b) Son homogneas las varianzas 5A# y 5B# ? Plantee hiptesis y docmelas.
c) Construya un intervalo de confianza del 95 % para el contenido de materia grasa en la
leche obtenido con la dieta B. Interprete conceptualmente el intervalo obtenido.

26. Para determinar si un nuevo suero es eficaz para prolongar la sobrevivencia por leucemia
en ratas, se seleccionan 20 ratas que han contrado la enfermedad y estn en una etapa
avanzada de ella , de las cuales 12 reciben el suero. Los tiempos de supervivencia, en meses,
desde que comenz el tratamiento dio los siguientes resultados:
Con tratamiento: !Xi = 42 !X# = 157,78
i

Sin tratamiento : !Xi = 19,2 !X# = 52,10

i

i) Puede concluirse, al nivel !, que el suero es eficaz para aumentar la sobrevivencia en

ratas:
a) para ! = 0,05 ? b) para ! = 0,01 ?
ii) Con cul de los dos niveles de significacin concluira Ud. y por qu?

Resp. 8. 0,1949 9. a) aceptar H! c) n =20, " = 0,2977 11. b) n 29

 175

VIII. INTERVALO DE CONFIANZA Y PRUEBAS DE HIPOTESIS PARA PROPORCIONES

1. Para estimar la proporcin de pequeos agricultores que cuentan con riego tecnificado se
toma una muestra aleatoria de 150 pequeos agricultores verificndose que 38 tienen este tipo
de riego.
Construya un intervalo del 95 % de confianza para la proporcin de pequeos agricultores
con riego tecnificado.

2. Se desea tener una estimacin, mediante un intervalo del 95 % de confianza, de la

proporcin de enraizamiento de rosas multiplicadas mediante estacas tratadas con una
hormona W , para lo cual se tratan 120 estacas con la hormona W y se plantan. Al cabo de 6
meses se verifica que 36 estacas no echaron races.
a) Entre qu valores se encuentra el % de estacas enraizadas? Cul es el valor del error de
muestreo con este tamao de muestra?
b) cul deber ser el tamao de muestra para disminuir el error de muestreo a 6%?

3. Un municipio determina iniciar una drstica campaa antirrbica si comprueba que la

problacin de perros vagos que presentan la enfermedad supera el 5 %. Una m.a.s. de 190
perros mostr que 13 presentaban la enfermedad. Qu decisin respecto a la campaa debe
tomar la municipalidad con base en la muestra obtenida, a un nivel del 5 %?

4. Se piensa que a lo ms el 8 % de los cerdos de un criadero tiene triquina. En una muestra

de 60 cerdos se detectan 4 que tienen triquina.
a) El tamao de la muestra es suficiente para utilizar la aproximacin normal?
b) Cul es la conclusin obtenida, al nivel del 5 % , basado en la informacin muestral?
c) Qu tipo de error es susceptible de haberse cometido en la conclusin anterior?
d) Entre qu valores est el verdadero porcentaje de cerdos del criadero que tienen triquina, a
un nivel de confianza del 5%?
e) Si se desea estimar la proporcin de cerdos del criadero que tienen triquina, con un nivel de
confianza del 95% y un error no superior a un 4 %, Cuntos cerdos habra que examinar?.

5. Un laboratorio afirma que una hormona X , producida por ellos, aplicada a estacas de rosa
induce un enraizamiento de stas superior al 75%.
a) Especifique con precisin la poblacin a investigar, la variable asociada al problema y el
parmetro de inters?
b) Especifique las hiptesis y justifique su hiptesis H1 .
c) Para verificar tal aseveracin se aplica la hormona X a 120 estacas de rosa de las que
posteriormente se determina que enraizan 95 qu puede concluirse respecto a la afirmacin
del laboratorio, a un nivel del 5% ?
d) En un rango del 95% establezca la verdadera proporcin de enraizamiento lograda con la
hormona X .

6. Un productor de semillas certificada asegura que al menos el 90% de sus semillas

germinan. Para probar tal afirmacin se siembran 120 semillas, de las cuales al cabo de unos
das 98 germinan.
Con este resultado que conclusin debe obtenerse, al nivel del 5 %, respecto a la afirmacin
del productor?

7. Una empresa agroindustrial est interesada en lanzar un nuevo producto al mercado si al

menos un 45% de las personas que concurren a supermercados del sector socio-econmico
 176

ABC1 aprueban el producto. Se consulta a 50 personas en cada uno de cuatro supermercados

que cumplen con la condicin, resultando que 102 personas en total aprueban el producto.
Cul es la decisin que deber tomar la industria respecto al producto?

8. Para probar si el fungicida A es mejor que el fungicida B en el control de Botritis en peras

Winter Nellis , se aplica cada fungicida independientemente a 150 peras previamente
inoculadas con el hongo. De las 150 peras tratadas con A presentaron posteriormente
pudricin 21, mientras que de las tratadas con B presentaron pudricin 33.
a) Puede concluirse , al nivel del 5 %, que el fungicida A controla mejor Botritis en peras que
el fungicida B ?
b) Entre qu valores est la proporcin de peras sanas tratadas con el fungicida A ? D
un rango del 95 % de confianza

9. Un laboratorio afirma tener un nuevo producto WY menos txico y ms efectivo que el

producto BM en el control del tizn del peral. Para confirmar o rechazar tal afirmacin se aplic
el producto WY y BM a 120 y 80 rboles respectivamente. Al cabo de un tiempo se detectaron
7 rboles enfermos de los tratados con BM y 6 de los tratados con WY.
Puede concluirse, al nivel del 5 %, que WY es mejor que BM en el control de la
enfermedad?

10. Para estimar la proporcin de plantas enfermas en un vivero se toma una muestra de 180
plantas elegidas aleatoriamente entre las cuales se encontraron 32 plantas enfermas.
Posteriormente a todas las plantas del vivero se les efecta un tratamiento con el objeto de
sanarlas. Despus de algunas semanas, para determinar si hubo mejora, se toma otra
muestra de 120 plantas, encontrndose slo 12 plantas enfermas.
a) explique el(los) parmetro(s) a contrastar y su interpretacin
b) plantee la hiptesis alternativa y justifique en palabras su eleccin
c) al nivel del 5% el tratamiento result efectivo para reducir la enfermedad?
d) cul es la proporcin de plantas sanas en el vivero antes del tratamiento, en un rango del
95% de confianza?

11. Se necesita probar si un producto natural D tiene efecto para curar plantas enfermas en un
vivero. Se toma una muestra aleatoria de plantas antes de aplicar el producto detectndose en
la muestra 30 plantas enfermas y 90 plantas sanas.
a) en un rango del 95% cul es el porcentaje de plantas sanas del vivero?
b) das despus de aplicado el producto se toma otra muestra aleatoria en el vivero y en el
examen de las plantas seleccionadas se determina que hay 36 plantas enfermas y 114
plantas sanas.
Qu conclusin se obtiene respecto al efecto del producto para curar las plantas
enfermas, al nivel del 5%?

12. Al alimento de gallinas ponedoras se le agrega vitamina C con el fin de probar si ella
contribuye a disminuir la cantidad de huevos trizados. Para tal efecto a un conjunto de gallinas
se les suministra la vitamina con el alimento. Despus de varios das de aplicacin de la
vitamina se seleccionan al azar 150 huevos de gallinas alimentadas con la vitamina,
encontrndose 6 trizados y otros 150 huevos de gallinas alimentadas sin la vitamina , entre
los cuales se cuentan 12 huevos trizados.
Al nivel del 5 %, es posible concluir que conviene agregar vitamina C al alimento para
disminuir la proporcin de huevos trizados ?
 177

13. Se desea probar si el acaricida B es mejor que otro acaricida A en el control de la araita
roja. Para este efecto a un rbol se le aplica el producto A , determinndose que en un
conjunto de hojas hay 110 araitas muertas y 40 vivas , mientras que en las hojas de otro rbol
donde se aplic el producto B se encontraron 100 araitas muertas y 20 vivas.
Puede establecerse, al nivel del 5 %, que el producto B controla mejor que el A la araita
roja?

Respuestas.

2. b) n = 225 4. d) entre 0,4% y 13,0% e) n 177

IX. PRUEBAS DE CONCORDANCIA Y DE ASOCIACION

1. Para probar si la proporcin de plantas con virus en un vivero corresponde al 10 % , se

examinan 75 plantas determinndose que 66 estn libres de virus. Plantee hiptesis y obtenga
conclusiones mediante la prueba de concordancia , a un nivel del 5 % , y compare esta prueba
con la prueba para una proporcin vista en la gua anterior.

2. Segn la ley de Mendel la segregacin fenotpica de dos pares de caracteres debe estar en
la proporcin 9:3:3:1. Para comprobar experimentalmente el cumplimiento de esta ley se
analizaron 800 individuos provenientes de la cruza , encontrndose la siguiente segregacin:
Segregacin AB Ab aB ab
n individuos 445 155 152 48
Los resultados experimentales anteriores son concordante con lo establecido por la Ley de
Mendel , al nivel del 5 % ?

3. Se piensa que las tres causas A , B y C de muerte al nacer de cerdos estn en la proporcin
1:3:4. Para verificar la hiptesis anterior se analiza la causa de muerte de 80 cerditos ,
encontrndose que 14 corresponden a la causa A , 28 a la causa B y el resto a la causa C.
Puede establecerse , al nivel del 5 % , que estos resultados contradicen la proporcin
indicada ?

4. Se desea determinar si existen diferencias entre las preferencias de productores lecheros

respecto de 5 marcas de insumos. Una encuesta da las siguientes preferencias para cada una
de las marcas:
Marca M" M# M$ M% M5
Npreferencias 28 25 35 39 28
Plantee hiptesis y docmelas , al nivel del 5 %.

5. En el procesamiento agroindustrial de tomates en conserva , el anlisis de una muestra de

450 tarros rechazados por defectos da como resultado que fueron rechazados por abolladuras
(A) 162 , por mal etiquetado (E) 145 , por oxidacin (O) 103 y por sellado (S) 40.
Los resultados de esta muestra son concordante con la hiptesis de que las fallas por (A)
son 6 veces ms frecuentes que por (S) , las fallas por (E) 5 veces ms frecuentes que (S) y
las fallas por (O) 3 veces ms frecuentes que (S) ?
 178

6. Se asevera que en una variedad de frejol el 10 % de las semillas no germina , el 30 %

produce plantas anormales y el resto son normales. Se siembran 180 semillas de esta
variedad, germinando 155 de las cuales 105 resultan ser plantas normales.
Qu puede concluirse , al nivel del 5 % , de la aseveracin para esta variedad de frejol ?

7. Se vacunan contra cierta enfermedad 120 animales sanos. Despus de un tiempo se

encuentra que 12 adquirieron la enfermedad. De un examen de 140 animales no vacunados se
encuentran que 50 adquirieron la enfermedad.
Plantee hiptesis que permitan establecer si existe asociacin entre la vacunacin y la
incidencia de la enfermedad y docmelas.

8. Se desea establecer si tres mezclas qumicas P , Q y R aplicadas a semilla de tomate

producen diferencias en la germinacin de stas. Se tratan tres grupos de 200 semillas con
cada una de las tres mezclas , determinndose que germinan 190 , 165 y 180 con P , Q y R
respectivamente.
Qu puede concluirse respecto a la diferencia en la germinacin de las semillas de las tres
mezclas , al nivel del 5 % ?

9. De una encuesta , 600 productores lecheros fueron clasificados de acuerdo al tamao de su

plantel y a su nivel tecnolgico para determinar si hay asociacin entre ambas variables
categricas. La clasificacin con sus frecuencias la muestra la siguiente tabla de doble entrada:
Tamao \Nivel tecnol. bajo mediano alto
pequeo 182 85 33
mediano 68 60 72
grande 20 41 39
Puede establecerse que la proporcin de productores en los niveles tecnolgicos es
independiente de su tamao ?

10.. Se desea probar si existe diferencia entre 4 pequeos productores, A,B,C,D de uva
sultanina en relacin a la calidad de exportacin. Para tal efecto se seleccion una muestra al
azar de racimos de cada productor, contabilizndose el nmero de racimos aceptados para
exportacin.

La informacin se muestra en la siguiente tabla:

Condic.\Productor A B C D
Aceptados 86 230 285 132
Rechazados 14 20 15 18
Basado en la informacin anterior, es posible establecer que la calidad de exportacin es
diferente entre los productores?

11. Una empresa de marketing desea establecer si la preferencia por tres marcas de cereales
(X, Y, Z) est asociado al nivel socioeconmico (A, B, C1 y C2). En una encuesta realizada en
supermercados entreg la siguiente informacin:
Marca\Nivel A B C1 C2
X 25 10 10 5
Y 80 65 45 10
Z 95 90 45 20
Cul es la conclusin obtenida en base a la muestra anterior?
 179

12. Con el fin de determinar el hbito de consumo de palta por grupos de edad se realiz una
encuesta que dio los siguientes resultados:
Consumo \ Edad 20 20-29 30-60 60
bajo 65 66 40 34
medio 42 30 33 42
alto 93 54 27 24
Puede establecerse , al nivel del 5 % , que el nivel de consumo de palta est asociada a la
edad de las personas?
180
 181

BIBLIOGRAFIA

1 Berenson, M.L y Levine, D.M. 1996. Estadstica bsica en Administracin: conceptos y

aplicaciones. Prentice-Hall. 6 ed. Mxico.

2. Canavos, G. 1992. Probabilidad y Estadstica: Aplicaciones y Mtodos. McGraw-Hill.Mxico

3. Chao, L.L. 1993. Estadstica para las ciencias administrativas. McGraw-Hill. 3 ed. Mxico.

4. D'Ottone, H. 1991. Estadstica Elemental. Coopecultura Ltda. Santiago, Chile.

5. Levin, R. 2006. Estadstica para administradores. Prentice-Hall. Mxico.

6. Levin, R. y Rubin, D. 1996. Estadstica para Administracin. Prentice-Hall. 6 ed. Mxico.

7. Meyer. P.L. 1992. Probabilidad y Aplicaciones Estadsticas. Addison- Wesley

Iberoamericana. Wilmington, Delaware, E.U.A

8. Ostle, B. 1983. Estadstica Aplicada. Limusa Wiley. Mxico.

9. Ross, Sh. 2002. Probabilidad y Estadstica para Ingenieros. McGraw-Hill,

Interamericana Editores. 2 ed. Mxico.

10. Royo, A. 1985. Curso de Estadstica. Facultad de Ciencias Agrarias, Veterinarias y

Forestales. Universidad de Chile.

11. Rustom, A. 1990. Elementos de Probabilidad y su aplicacin a la Agronoma.

Publicacin Docente N 1. Direccin Escuela de Agronoma, Facultad de Ciencias Agrarias
y Forestales, Universidad de Chile.

12. Snedecor, G.W y Cochran,W. 1977. Mtodos Estadsticos. C.E.C.S.A. Mxico.

13. Spiegel, M.R. Teora y Problemas de Estadstica. Libros McGraw-Hill. Serie de

Compendios Schaum.

14. Walpole, R.E. y Myers, R.H. 1992. Probabilidad y estadstica. McGraw-Hill, 4 ed. Espaa.

15. Walpole, R.E., Myers, R.H.y Myers, S.L, 1999. Probabilidad y estadstica para
ingenieros. Prentice-Hall Hispanoamericana.

16. Zuwaylif, F.H. 1971. Estadstica General aplicada. Fondo Educativo Interamericano.
Mxico.
182
 183

Anexo 1
184
 185

Anexo 2
186
 187

Anexo 3
188
 189

Anexo 4
190
 191

Anexo 5
192
 193

Anexo 6
194
195
196