Estadistica Des e Inf

COLEGIO DE BACHILLERES
SECRETARA ACADMICA
COORDINACIN DE ADMINISTRACIN
ESCOLAR Y DEL SISTEMA ABIERTO
COMPENDIO FASCICULAR
ESTADSTICA DESCRIPTIVA E
INFERENCIAL II
FASCCULO 1. VARIABLES ALEATORIAS
FASCCULO 1. CORRIENTE ELCTRICA E INDUCCIN
MAGNTICA
FASCCULO
FASCCULO 2. FUNCIONES
2. TRANSMISIN DE DISTRIBUCIN
ONDULATORIA DE LA DE
ENERGA
PROBABILIDAD
FASCCULO 3. RADIACIN ELECTROMAGNTICA
FASCCULOE INTERACCIONES
3. FUNCIONES DE DISTRIBUCIN
ATMICAS Y NUCLEARES
NORMAL ESTNDAR
FASCCULO 4. INFERENCIA ESTADSTICA

DIRECTORIO
Roberto Castan Romo

Director General
Luis Miguel Samperio Snchez

Secretario Acadmico
Hctor Robledo Galvn

Coordinador de Administracin
Escolar y del Sistema Abierto
Derechos Reservados conforme a la ley

2004, COLEGIO BACHILLERES
Prolongacin Rancho Vista Hermosa Nm. 105
Col. Ex Hacienda Coapa
Delegacin Coyoacan, CP 04920, Mxico, D.F.
ISBN 970 632 263-9

PRESENTACON GENERAL
El Colegio de Bachilleres, en respuesta a la inquietud de los estudiantes de contar con

materiales impresos que faciliten y promuevan el aprendizaje de los diversos campos del
saber, ofrece a travs del Sistema de Enseanza Abierta y a Distancia este compendio
fascicular; resultado de la participacin activa, responsable y comprometida del personal
acadmico, que a partir del anlisis conceptual, didctico y editorial aportaron sus
valiosas sugerencias para su enriquecimiento y aunarse a la propuesta educativa de la
Institucin.
Este compendio fascicular es producto de un primer esfuerzo acadmico del Colegio por
ofrecer a todos sus estudiantes un material de calidad que apoye su proceso de
enseanza-aprendizaje, conformado por fascculos.
Por lo tanto, se invita a la comunidad educativa del Sistema de Enseanza Abierta y a

Distancia a compartir este esfuerzo y utilizar el presente material para mejorar su
desempeo acadmico.
DIRECCIN GENERAL
P RE S E N T AC I N D E L CO M P E N DI O F AS C I C UL AR
Estudiante del Colegio de Bachilleres, te presentamos este compendio fascicular que te

servir de base en el estudio de la asignatura Estadstica Descriptiva e Inferencial II y
funcionar como gua en tu proceso de Enseanza-Aprendizaje.
Este compendio fascicular tiene la caracterstica particular de presentarte la informacin

de manera accesible, propiciando nuevos conocimientos, habilidades y actitudes que te
permitirn el acceso a la actividad acadmica, laboral y social.
Cuenta con una presentacin editorial integrada por fascculos, captulos y temas que te
permitir avanzar gilmente en el estudio y te llevar de manera gradual a consolidar tu
aprendizaje en esta asignatura. Para que conozcas los modelos estadsticos bsicos:
descriptivos, probabilsticas e inferenciales que te permitirn organizar la informacin
cualitativa y cuantitativa para representarla en forma ordenada, describirla e interpretarla
y hacer inferencias, de tal manera que puedas aplicar dichos modelos en la resolucin
de problemas sociales, econmicos y fsicos naturales de las diversas reas de
conocimiento.
INFERENCIAL II
FASCCULO 1. VARIABLES ALEATORIAS
Autor: Patricia Mata Olgun
1
2
NDICE
INTRODUCCIN 5
PROPSITO 7
SIMBOLOGA 9
CAPTULO 1. VARIABLES ALEATORIAS 11
1.1 FENMENOS DETERMINSTICOS Y

ALEATORIOS 11
1.2 ELEMENTOS DE UNA FUNCIN DE

VARIABLE ALEATORIA 15
1.3 VARIABLES ALEATORIAS DISCRETAS Y

CONTINUAS 23
1.4 FUNCIN DE VARIABLE ALEATORIA

DISCRETA 26
1.5 DISTRIBUCIN DE PROBABILIDAD,

FUNCIN DE PROBABILIDAD Y FUNCIN
DE DENSIDAD 30
1.6 GRFICA DE UNA FUNCIN DE

PROBABILIDAD (HISTOGRAMA DE
PROBABILIDAD) 33
1.7 FUNCIN DE DISTRIBUCIN DE

PROBABILIDAD ACUMULADA 34
3
1.8 GRFICA DE UNA FUNCIN DE
DISTRIBUCIN DE PROBABILIDAD
ACUMULADA (HISTOGRAMA DE
PROBABILIDAD ACUMULADA OJIVA) 35
1.9 ESPERANZA MATEMTICA 38
RECAPITULACIN 52
ACTIVIDADES DE CONSOLIDACIN 53
AUTOEVALUACIN 54
ACTIVIDADES DE GENERALIZACIN 56
GLOSARIO 57
BIBLIOGRAFA CONSULTADA 59
4
INTRODUCCIN
La Estadstica es una herramienta de la investigacin de las Ciencias, tanto Formales

como Factuales.
Existen cuando menos cuatro buenas razones para estudiar estadstica, al hacerlo sers
capaz de:
1. Aprender las reglas y mtodos para tratar informacin estadstica.
2. Evaluar y cuantificar la importancia de los resultados estadsticos que veamos

publicados.
3. Conocer los aspectos del pensamiento estadstico como un componente

esencial de una educacin humanstica.
4. Entender mejor el mundo real de nuestro entorno.
La razn nmero 1 y 2, son procedimientos estudiados en el curso de Estadstica

Descriptiva, que comprende aquellos mtodos usados para organizar y describir la
informacin recabada.
Y las razones 3 y 4, son aspectos que le competen a la Estadstica Inferencial y

comprende aquellos mtodos y tcnicas usados para hacer generalizaciones,
predicciones o estimaciones sobre poblaciones a partir de una muestra.
Ambas te sirven para tomar decisiones. Y en particular, en este curso te introducirs en

el estudio de la Probabilidad, que es una herramienta bsica para la Inferencia.
5
En tu vida diaria encontraras ejemplos como los siguientes:
a) El predominio de la diabetes en personas con sobrepeso es casi el triple que en

personas sin sobrepeso.
b) Cuatro de cada cinco dentistas declararon preferir la pasta dental Dientes

Limpios.
c) En 1960 se estim que slo el 1% de los estudiantes del ltimo ao de

bachillerato haban probado la mariguana, mientras que en 1980 se estim que
el 60% lo haba hecho.
d) Ninguna aspirina calma mejor el dolor que la de marca Bayer.
e) Ms de 3,000 compaas aseguradoras pagan arriba de 8,800 millones de pesos

anuales en reclamaciones.
f) La Llanta Firestone frena un 35% ms rpido.
6
PROPSITO
Con el estudio de este fascculo:
QU APRENDERS?
Manejars y clasificars las variables
aleatorias (discretas y continuas),
relacionndolas con el concepto de evento
estocstico.
CMO LO LOGRARS?
A travs del concepto de funcin y de esta
manera conocers sus elementos
esenciales: dominio, contradominio,
imagen, grfica, etc. Ejemplificando
adems las funciones probabilsticas
bsicas, tales como: las funciones de
distribucin, acumulada y valor esperado.
PARA QU TE VA A SERVIR?
Para as acceder al conocimiento de la
Estadstica Inferencial como prueba de
hiptesis y estadsticos no paramtricos.
Adems de que podrs verificar su
aplicacin en problemas y/o fenmenos de
la vida cotidiana.
7
Observa el siguiente esquema donde se te presentan los temas que estudiars:
8
SIMBOLOGA
SMBOLO SIGNIFICADO
Espacio muestral
n! n factorial
Xi Variable aleatoria
Sumatoria
f(x) Notacin de funcin
P(Xi) Probabilidad de la variable aleatoria
Media poblacional
fi Frecuencia
N Tamao de la poblacin
n Tamao de la muestra
E(X) Esperanza matemtica
2
Varianza
Desviacin estndar
9
10
CAPTULO 1
VARIABLES ALEATORIAS
1.1 FENMENOS DETERMINSTICOS Y ALEATORIOS
En tus cursos de Fsica, Qumica y Biologa estudiaste fenmenos naturales muy

diversos, algunos de los cuales tienen en comn que SIEMPRE ocurren de la misma
manera, como son:
El movimiento de los planetas
Figura. 1
Encender una vela
Figura. 2
11
Tomar el tiempo que un lpiz tarda en caer
Figura. 3
Todos estos fenmenos ocurren siempre de la misma forma, y se llaman:

DETERMINSTICOS.
Pero existen otros fenmenos que no pueden determinarse con seguridad, por que estn
sujetos al azar como son:
En Administracin (control escolar):

De una generacin de primer semestre, realizar una encuesta que indique cuantos
alumnos vienen de escuelas secundarias pblicas o privadas.
Figura. 4
En Medicina:
El nmero de nacimientos atendidos en una clnica en cierto da y registrar cuantos son
nios o nias
Figura. 5
12
En Matemticas:
Lanzar un moneda y observar que pueda caer guila o sol.
Figura. 6
Este tipo de eventos tambin ocurren en otras reas:

Mercadotecnia.
Criminologa.
Agricultura.
Pesca.
Contabilidad.
Deportes.
Arquitectura.
Diseo grfico.
Pedagoga.
Turismo.
En fin, muchos de los fenmenos que conoces y que no siempre ocurren de la misma
forma, y que estn sujetos al azar, les llamamos FENMENOS ALEATORIOS.
ACTIVIDAD DE REGULACIN
Identifica en el siguiente listado, anotando una A en el parntesis, si el fenmeno

ocurrido corresponde a un fenmeno aleatorio y una D, si se trata de un fenmeno
determinstico.
( ) La prima que cobra una compaa de seguros segn la edad de las personas.
13
( ) Los salarios que reciben los empleados de una empresa.
( ) La Ley de las proporciones constantes en una reaccin qumica.
( ) El fenmeno biolgico de smosis.
( ) La resultante de un sistema de fuerzas.
( ) La cantidad administrada de penicilina a un paciente.
( ) La sincronizacin de los semforos en la Ciudad de Mxico.
( ) La cantidad de automviles vendidos el ao pasado.
( ) La temperatura a la que hierve el agua.
EXPLICACIN INTEGRADORA
Hasta aqu podemos mencionar lo siguiente:
Recuerda que los Fenmenos Determinsticos; son todos aquellos fenmenos que
ocurren siempre de la misma forma y siempre tienen los mismos resultados.
Los Fenmenos Aleatorios; son aquellos fenmenos que no siempre ocurren de la

misma forma, y que estn sujetos al azar.
1.2 ELEMENTOS DE UNA FUNCIN DE VARIABLE ALEATORIA
Ahora ya distingues un fenmeno de variable aleatoria de un fenmeno de variable

determinstico, relacionando un fenmeno de variable aleatoria con una funcin de
variable aleatoria, observemos el siguiente ejemplo: Relaciona la figura con su nombre
Figura. 7
14
Las flechas indican la correspondencia entre elementos de los conjuntos A y B; las
primeras componentes de las parejas pertenecen al conjunto A, llamado conjunto de
partida o dominio, mientras las segundas componentes pertenecen al conjunto B,
denominado conjunto de llegada, codominio o contradominio.
En una relacin, las primeras componentes de sus pares ordenados forman un conjunto
al cual se le llama dominio de la relacin, y las segundas componentes forman otro
conjunto llamado rango o conjunto imagen.
Figura. 8
Para que relaciones el concepto de funcin con la funcin de variable aleatoria

estadstica, vamos a ejemplificarlos en un experimento sencillo:
Experimento de variable aleatorio: Lanzar dos monedas al aire.
Para conocer el dominio, puedes utilizar un diagrama de rbol:
Figura. 9
Hemos llamado A = resultado de caer guila y

S = resultado de caer sol
Entonces el dominio es: { (A,A), (A,S), (S,A), (S,S) }
15
A este conjunto se le llama ESPACIO MUESTRAL y se designa por la letra . Adems
es el dominio de la funcin de variable aleatoria y a cada uno de sus resultados, se le
llama EVENTOS.
Determina el Dominio ( ) de cada uno de los siguientes experimentos aleatorios:
1. Lanzar tres monedas al aire.
2. Lanzar una moneda y un dado.
3. Las respuestas de un examen, si las preguntas son las siguientes:

( ) 1810 1. Descubrimiento de Amrica
( ) 1492 2. Conquista de Mxico
( ) 1521 3. Declaracin de Independencia
4. Los hijos varones y mujeres de una familia de tres hijos.
5. Los lugares ocupados en una fila de supermercados por 3 personas.

Una vez que hayas determinado el Dominio ( ) en cada experimento, compralo con
los resultados que te presentamos a continuacin.
SOLUCIN.
Ayudados por un diagrama de rbol, los resultados de las preguntas anteriores son:
1. Experimento aleatorio: Lanzar tres monedas al aire.
DIAGRAMA DE ARBOL
Figura. 10
16
Dominio o = { (A,A,A), (A,A,S), (A,S,A), (A,S,S), (S,S,A), (S,A,S), (S,S,A), (S,S,S) }
CONTEO DEL ESPACIO MUESTRAL

En el ejercicio anterior tuviste que hacer un diagrama de rbol para determinar el .
Algunas veces es demasiado laborioso y tedioso, por lo que es conveniente que
observes lo siguiente:
En el experimento de lanzar tres monedas al aire, se tiene:
2 resultados posibles = guila o sol.
Tres monedas = 3.
Por lo tanto el Conteo del se puede calcular 2 = 8.

3
17
2. Experimento aleatorio: Lanzar una moneda y un dado.
DIAGRAMA DE ARBOL
Figura. 11
Dominio o = { (A,1), (A,2), (A,3), (A,4), (A,5), (A,6), (S,1), (S,2), (S,3), (S,4), (S,5), (S,6) }

Experimento: lanzar una moneda al aire: Una moneda = 1. Con 2 resultados posibles
guila o sol. Un dado =1. Con 6 resultados posibles 1,2,3,4,5,6.
Por lo tanto el conteo del se calcula 2 X 6 = 12. Es decir, 12 resultados posibles.
3. Experimento aleatorio: Resultados de un examen, si las preguntas son las

siguientes:
( ) 1810 1. Descubrimiento de Amrica
( ) 1492 2. Conquista de Mxico
( ) 1521 3. Declaracin de Independencia
DIAGRAMA DE RBOL
Figura. 12
18
Dominio o = { (1,2,3), (1,3,2), (2,1,3), (2,3,1), (3,2,1), (3,1,2) }
En el experimento de las repuestas del examen, no se vale poner dos veces el mismo
nmero, as que:
1810 Puede tener tres respuestas

1492 Ya solo puede tener dos respuestas, y
1521 Slo puede tener la respuesta sobrante.
Entonces el conteo de elementos del se calcula: 3 X 2 X 1 = 6 = .
3 X 2 X 1 se denota como 3! y se lee tres factorial.
Para generalizar se escribe n! (n Factorial) y es el producto de todos los eventos desde

uno hasta n. Por ejemplo: 6! (seis factorial) es 6 X 5 X 4 X 3 X 2 X 1 = 720.
Podemos entonces decir que en los casos en que las respuestas No se pueden repetir
(no hay repeticin) el se determina con la frmula factorial.
4. Experimento aleatorio: Hijos varones y mujeres en una familia de tres hijos.

Llamemos a los varones H y a la mujeres M.
DIAGRAMA DE RBOL
Figura. 13
= { (H,H,H), (H,H,M), (H,M,H), (H,M,M), (M,H,H,), (M,H,M), (M,M,H), (M,M,M) }

Experimento. Hijos varones y mujeres en un familia de tres hijos: Tres hijos = 3. Con 2
resultados posibles en cada una. Por lo tanto el conteo del se calcula 2 = 8. Es decir,
3
8 resultados posible.
19
5. Experimento aleatorio: Los lugares ocupados en una fila de supermercado por
tres personas.
Llamemos P1 = Primera persona, P2 = Segunda persona y P3 = Tercera persona.
DIAGRAMA DE ARBOL
Figura. 14
Dominio o = { (P1,P2,P3), (P1,P3,P2), (P2,P1,P3), (P2,P3,P1), (P3,P1,P2), (P3, P2,P1)}

Experimento: Los lugares ocupados en una fila de supermercado por tres personas: Tres
personas = 3. Una persona no puede ocupar dos lugares al mismo tiempo. Por lo tanto el
conteo del se calcula como 3! = 3 X 2 X 1 = 6. Es decir, 6 resultados posibles.
En los ejercicios anteriores de lanzar las monedas, el conteo del est dado por:
= nx. Por lo que los resultados pueden repetirse
Recuerda! Solo cuando no hay repeticin se usa el factorial.
Realiza lo que se te pide:

I. En los ejercicios anteriores hemos aprendido a determinar el . Ayudndote con un
diagrama de rbol, resuelve ahora los dos siguientes ejercicios.
1. En Gentica, se sabe que al cruzar dos especies de pollos (White Legorn) con
(Black Legorn), los vstagos son blancos y negros, es decir, que en la primera
generacin no hay pintos. Supongamos que en una cruza nacen 5 pollos, de
recin nacidos todos son amarillos, pero a la sptima semana cambian el
plumaje, determina el del color de los pollos: llama B a los pollos blancos y N
a los negros.
20
2. En una encuesta realizada por el Colegio de Bachilleres en los Pedregales de
Coyoacan, Ciudad de Mxico, se investig el nivel educativo de los pobladores:
en el siguiente cuadro se dan los resultados:
NIVEL DE ESTUDIOS EN LOS PEDREGALES DE COYOACAN EN 1991
NMERO
NIVEL GRADO DE
EDUCATIVO: PERSONAS
(Aos de estudio)
Ninguno Analfabeto 112

De 1 a 3 aos Sabe leer y escribir 122
De 4 a 6 aos Termin la Primaria 253
De 7 a 9 aos Termin la Secundaria 250
De 9 a 12 aos Termin el Bachillerato o similar 213
De 13 a 15 aos Profesin Tcnica 148
De 16 a 18 aos Profesionista 2
De 19 o ms Maestra o Doctorado 0
TOTAL 110
Supongamos que se seleccionan tres personas al azar Cul es el ?
Llama a los niveles educativos:

A= analfabetos,
L= sabe leer y escribir,
B= estudios de Bachillerato o similar,
T= estudios de Maestra o Doctorado
En tu cuaderno haz tu diagrama de rbol para determinar el y recuerda que usars

slo el grado superior de estudios.
21
II. En los siguientes ejercicios determina el nmero de elementos del . Para tal
efecto, selecciona de acuerdo con tu criterio, la frmula adecuada. No utilices
diagramas de rbol.
1. Lanzar cuatro monedas al aire.

2. Lanzar dos monedas y un dado al aire.
3. Nmero de hijos varones en una familia de 5 hijos.
4. Lugar que ocupan 4 personas en una fila de supermercado. Recuerda que dos
personas no pueden ocupan el mismo lugar.
5. Sacar tres fichas de una urna con reemplazo (es decir sacar una ficha y volver
a ponerla en la urna, repitiendo el procedimiento tres veces). La urna contiene
dos fichas negras y tres blancas (Este tipo de experimento se llama con
REEMPLAZO).
6. De 6 pelculas de video que no has visto y que te interesan, De cuntas
maneras puedes seleccionar dos para verlas el fin de semana? Esto es el
nmero de elementos de tu .
7. De ocho temas que tienes que estudiar para el examen de filosofa, el maestro
selecciona tres De cuntas maneras los puede seleccionar? El de dir si
te conviene estudiar todos los temas o slo algunos.
Recuerda que el espacio muestral se designa por la letra . Adems es el dominio de la

funcin de variable aleatoria y a cada uno de sus resultados, se le llama eventos.
Un evento es cada uno de los resultados del dominio de la funcin de variable aleatoria.
Funcin es una relacin entre dos conjuntos, las primeras componentes de las parejas
pertenecen al conjunto A, llamado conjunto de partida o dominio. Las segundas
componentes pertenecen al conjunto B, denominado conjunto de llegada, codominio o
contradominio.
22
1.3 VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Hasta ahora haz calculado funciones aleatorias DISCRETAS determinando el nmero de

elementos del , Los ejemplos ms comunes de variable discretas son los que se
limitan a enteros (......., -3, -2, -1, 0, 1, 2, 3, .......).Las variables, pongamos por caso,
nmero de hijos por familia, nmero de guilas en una serie de intentos o repeticiones
del experimento , no pueden adoptar ms que valores enteros.
Sin embargo, esto ltimo en ocasiones resulta imposible porque existen espacios
muestrales no numerables, es decir, no se pueden contar porque se subdividen
infinitamente y la funcin aleatoria no se puede contar; estas variables aleatorias se
llaman CONTINUAS. Las variables continuas, generalmente son calculadas apoyndose
de formulas matemticas o interpretadas por instrumentos de medicin por lo que
pueden tomar cualquier valor dentro de un intervalo. La estatura de un grupo de
personas ilustra el carcter continuo de las variables, ya que entre dos valores
interpretados por una cinta mtrica, digamos 1.68 m. y 1.69 m., es posible cualquier valor
como 1.687 m., y entre ste y 1.688m., sera posible registrar otra estatura, como 1.6873
m., y as hasta el infinito. El que las estaturas de las personas se reporten slo con dos
decimales de aproximacin, tiene que ver con una operacin de redondeo por razones
prcticas; la variable sigue siendo continua ya que, tericamente, es posible cualquier
valor entre dos lmites dados.
Otros ejemplos de variables continuas, pueden ser:
El Tiempo,
Figura. 15
El clima
Figura. 16
23
El clculo del permetro de un crculo, etc.
Figura. 17
En los siguientes enunciados, indica con una C dentro del parntesis, si se trata de una
funcin aleatoria continua y con una D, si se trata de una funcin aleatoria discreta:
( ) Medida de los nios al nacer.

( ) La contaminacin en IMECAS del medio ambiente.
( ) La produccin de toneladas de cocos en el Estado de Veracruz.
( ) La cantidad de galones de gasolina que consume un automvil.
( ) Los juegos de ftbol ganados por el Guadalajara.
( ) El nmero de perros vacunados contra la rabia en la Ciudad de Monterrey.
( ) La cantidad en litros de agua que se consume en Puebla.
( ) El nmero de analfabetos en el pas.
( ) El nivel educativo en aos de estudio de la poblacin de la colonia Coyoacan en
la Ciudad de Mxico.
( ) Las ventas en dlares que se consumen de Coca-Cola.
( ) El potencial pesquero del Lago de Chapala.
( ) El clculo matemtico del permetro de un rectngulo.
( ) El clculo del rea del pizarrn del saln de clases.
24
Recuerda que una Funcin Aleatoria Continua; es aquella funcin, generalmente

calculada por medio de frmulas matemticas o interpretadas por instrumentos de
medicin por lo que puede tomar cualquier valor dentro de un intervalo.
Una Funcin Aleatoria Discreta; es aquella funcin que slo toma valores enteros.
25
1.4 FUNCIN DE VARIABLE ALEATORIA DISCRETA
Retomando el ejercicio 1 de la ACTIVIDAD DE REGULACIN de la pgina 20, en

Gentica, se sabe que al cruzar dos especies de pollos (White Legorn) con (Black
Legorn), los vstagos son blancos y negros, es decir, que en la primera generacin no
hay pintos.
Supongamos que en una cruza nacen 5 pollos, de recin nacidos todos son amarillos,
pero a la sptima semana cambian el plumaje, determina el Dominio o del color de
los pollos: llama B a los pollos blancos y N a los negros.
Para determinar el nos apoyaremos de su representacin de un diagrama de rbol

= 25 = 32 Variable aleatoria x = pollo blanco (B).
Observa que B denota pollo blanco y N denota pollo negro, naturalmente estamos
interesados en el nmero de POLLOS BLANCOS. De esta forma a cada evento en el
se le asignar un valor numrico de 0, 1, 2, 3, 4 y 5. Estos valores son, por supuesto,
variables aleatorias discretas Xi determinadas por el resultado del experimento.
26
Figura. 18
En donde el conjunto de eventos se le llama Dominio o Espacio Muestral , la Regla de

correspondencia es el conteo del nmero de pollos de plumaje blanco de cada uno de
los eventos y el rango es el conjunto de imgenes que indica el nmero de pollos de
plumaje blanco.
27
La FUNCIN DE VARIABLE ALEATORIA DISCRETA, se escribe como el conjunto de
pares ordenados del Dominio o y rango, ejemplo:
F(Xi) = {[(B,B,B,B,B),5], [(B,B,B,B,N),4], [(B,B,B,N,B),4], [(B,B,B,N,N),3],

[(B,B,N,B,B),4], [(B,B,N,B,N),3], [(B,B,N,N,B),3], [(B,B,N,N,N),2],
[(B,N,B,B,B),4], [(B,N,B,B,N),3], [(B,N,B,N,B),3], [(B,N,B,N,N),2],
[(B,N,N,B,B),3], [(B,N,N,B,N),2], [(B,N,N,N,B),2], [(B,N,N,N,N),1],
[(N,B,B,B,B),4], [(N,B,B,B,N),3], [(N,B,B,N,B),3], [(N,B,B,N,N),2],
[(N,B,N,B,B),3], [(N,B,N,B,N),2], [(N,B,N,N,B),2], [(N,B,N,N,N),1],
[(N,N,B,B,B),3], [(N,N,B,B,N),2], [(N,N,B,N,B),2], [(N,N,B,N,N),1],
[(N,N,N,B,B),2], [(N,N,N,B,N),1], [(N,N,N,N,B),1], [(N,N,N,N,N),0] }
Entonces la FUNCIN ALEATORIA O FUNCIN DE VARIABLE ALEATORIA

DISCRETA, es el conjunto de parejas ordenadas, donde el primer elemento de la pareja
es el evento y el segundo elemento de la pareja es el nmero real de cada resultado de
su en un experimento.
En los siguientes ejercicios, determina la funcin de Variable Aleatoria Discreta:
1. En el ejercicio que hiciste del Nivel Educativo, determina la funcin aleatoria

como parejas ordenas, si consideramos a la variable aleatoria Xi como nivel
educativo.
2. En una convencin hay tres intrpretes, uno es de Francs y dos de Ingls. Si

definimos la variable aleatoria Xi igual al nmero de intrpretes que hablan
ingls, determina.
a) El con un diagrama de rbol.
b) El por conteo.
c) La funcin de variable aleatoria discreta.
28
3. Seis estudiantes (S1, S2, S3, S4, S5, S6) solicitaron empleo para las vacaciones
en una empresa, pero solo contratarn a tres, en la prueba de aptitud obtuvieron
las siguientes puntuaciones:
SOLICITANTE DE EMPLEO PUNTUACIONES

S2, S5 , S6 3
S3, 2
S1, S4 1
Toma como variable aleatoria Xi igual a la suma de puntuacin de los tres

solicitantes.
Determina:
a) El con un diagrama de rbol.
b) El por conteo.
c) La funcin de variable aleatoria discreta.
Recuerda que la Funcin de Variable Aleatoria Discreta, se describe como el conjunto de

pares ordenados del dominio o y rango.
La Funcin Aleatoria o Funcin de Variable Aleatoria Discreta, es el conjunto de parejas

ordenadas, donde el primer elemento de la pareja es el evento y el segundo elemento de
la pareja es el nmero real de cada resultado de su en un experimento.
29
1.5 DISTRIBUCIN DE PROBABILIDAD, FUNCIN DE PROBABILIDAD
Y FUNCIN DE DENSIDAD
Del ejemplo anterior en donde el nmero de pollos blancos expresa la Xi, de 5 pollos que
nacieron, Encontremos la probabilidad de encontrar 0, 1, 2, 3, 4 y 5 pollos blancos?
Para una mejor comprensin ordenemos los datos en una distribucin de probabilidades,
donde la probabilidad se obtiene del nmero de la frecuencia de la Xi entre el total de
eventos obtenidos del .
FRECUENCIA PROBABILIDAD
EVENTO Xi
fi P(Xi= k)
1
(N,N,N,N,N) 0 1 P( Xi 0)
32
(B,N,N,N,N)
(N,B,N,N,N) 5
(N,N,B,N,N) 1 5 P( Xi 1)
(N,N,N,B,N) 32
(N,N,N,N,B)
(B,B,N,N,N)
(B,N,B,N,N)
(B,N,N,B,N)
(B,N,N,N,B)
(N,B,B,N,N) 10
(N,B,N,B,N) 2 10 P( Xi 2)
32
(N,B,N,N,B)
(N,N,B,B,N)
(N,N,B,N,B)
(N,N,N,B,B)
(B,B,B,N,N)
(B,B,N,B,N)
(B,B,N,N,B)
(B,N,B,B,N)
(B,N,B,N,B) 10
(B,N,N,B,B) 3 10 P( Xi 3)
32
(N,B,B,B,N)
(N,B,B,N,B)
(N,B,N,B,B)
(N,N,B,B,B)
(B,B,B,B,N)
(B,B,B,N,B) 5
(B,B,N,B,B) 4 5 P( Xi 4)
(B,N,B,B,B) 32
(N,B,B,B,B)
1
(B,B,B,B,B) 5 1 P( Xi 5)
32
Entonces las probabilidades son:

1
Xi = 0 Pollos blancos, la probabilidad es de , porque hay un evento con cero pollos
32
blancos en 32 resultados posibles.
30
5
Xi = 1 Pollos blancos, la probabilidad es de , porque hay cinco eventos con un pollo
32
blanco en 32 resultados posibles.
10
Xi = 2 Pollos blancos, la probabilidad es de , porque hay diez eventos con dos pollos
32
10
Xi = 3 Pollos blancos, la probabilidad es de , porque hay diez eventos con tres
32
pollos blancos en 32 resultados posibles.
5
Xi = 4 Pollos blancos, la probabilidad es de , porque hay cinco eventos con cuatro
32
pollos blancos en 32 resultados posibles.
1
Xi = 5 Pollos blancos, la probabilidad es de , porque hay un evento con cinco pollos
32
Observa la siguiente tabulacin en donde la primera columna es la Xi y la segunda

columna P(Xi= k), a este arreglo se le conoce como DISTRIBUCIN DE
PROBABILIDAD, observa:
PROBABILIDAD
Xi
P(Xi= k)
1
0 P( Xi 0)
32
5
1 P( Xi 1)
32
10
2 P( Xi 2)
32
10
3 P( Xi 3)
32
5
4 P( Xi 4)
32
1
5 P( Xi 5)
32
Con frecuencia es conveniente representar todas las probabilidades de una Xi mediante

una frmula.
31
Tal frmula necesariamente sera una funcin de los valores numricos x que
denotaremos con f(x). Por tanto, escribimos f(x) = P(Xi= k); es decir, f(0) = P(Xi= 0),
f(1) = P(Xi= 1), f(2) = P(Xi= 2), f(3) = P(Xi= 3), f(4) = P(Xi= 4), f(5) = P(Xi= 5). Llamada
como FUNCIN DE PROBABILIDAD.
La Funcin de probabilidad deber satisfacer los siguientes axiomas:
1. La probabilidad es positiva f (x) 0

2. La suma de todas las probabilidades del experimento aleatorio es
n
igual a uno f x 1
i1
3. P(Xi= k) = f(x)
El conjunto de pares ordenados [Xi, P(Xi= k)], se llama FUNCIN DE DENSIDAD.
1 5 10 10 5 1
D(x) = 0, , 1, , 2, , 3, , 4, , 5, , est funcin se observa con
32 32 32 32 32 32
mayor claridad en una grfica de una funcin de probabilidad.
Se llama Funcin de Probabilidad; a la regla que origina probabilidades a los valores de

la variable aleatoria.
La Funcin de Probabilidad deber satisfacer los siguientes axiomas:
1. La probabilidad es positiva f (x) 0

2. La suma de todas las probabilidades del experimento aleatorio es
n
igual a uno f x 1
i1
3. P(Xi= k) = f(x)
Al conjunto de pares ordenados [Xi , P(Xi = K)], se llama Funcin de Densidad.
32
1.6 GRFICA DE UNA FUNCIN DE PROBABILIDAD (HISTOGRAMA
DE PROBABILIDAD)
Se puede construir grficas para funciones de probabilidad. La grfica de la funcin de

probabilidad puede construirse colocando los valores de Xi en el eje horizontal y las
probabilidades P(Xi= k) en el eje vertical; los rectngulos se construyen de modo que sus
bases, de igual ancho, se centren en cada valor de Xi y sus alturas sean iguales a la
probabilidades P(Xi= k). Las bases se construyen de forma tal que no dejen espacios
entre los rectngulos, la grfica se llama HISTOGRAMA DE PROBABILIDAD, observa el
ejemplo:
Figura. 19
33
1.7 FUNCIN DE DISTRIBUCIN DE PROBABILIDAD ACUMULADA
Hay muchos problemas donde deseamos calcular la probabilidad de que el valor
observado de una Xi sea menor o igual que algn nmero real x. Al escribir
F(x) = P(X x) para cualquier nmero real x, definimos F(x) como la FUNCIN DE
DISTRIBUCIN DE PROBABILIDAD ACUMULADA.

Fx P X x f t
t x
FRECUENCIA PROBABILIDAD PROBABILIDAD

EVENTO Xi fi P(Xi) ACUMULADA
1 1
(N,N,N,N,N) 0 1 P( X i 0) P ( X i 0)
32 32
(B,N,N,N,N)
(N,B,N,N,N) 5 1 5 6
(N,N,B,N,N) 1 5 P( X i 1) P( X i 1)
(N,N,N,B,N) 32 32 32 32
(N,N,N,N,B)
(B,B,N,N,N)
(B,N,B,N,N)
(B,N,N,B,N)
(B,N,N,N,B)
(N,B,B,N,N) 10 1 5 10 16
(N,B,N,B,N) 2 10 P( X i 2) P( X i 2)
32 32 32 32 32
(N,B,N,N,B)
(N,N,B,B,N)
(N,N,B,N,B)
(N,N,N,B,B)
(B,B,B,N,N)
(B,B,N,B,N)
(B,B,N,N,B)
(B,N,B,B,N)
(B,N,B,N,B) 10 1 5 10 10 26
(B,N,N,B,B) 3 10 P( X i 3 P( X i 3)
32 32 32 32 32 32
(N,B,B,B,N)
(N,B,B,N,B)
(N,B,N,B,B)
(N,N,B,B,B)
(B,B,B,B,N)
(B,B,B,N,B) 5 1 5 10 10 5 31
(B,B,N,B,B) 4 5 P( X i 4) P( X i 4)
(B,N,B,B,B) 32 32 32 32 32 32 32
(N,B,B,B,B)
1 5 10 10 5 1 32
1 P( X i 5) 1
(B,B,B,B,B) 5 1 P( X i 5) 32 32 32 32 32 32 32
32
Advierta que la suma de las longitudes de los segmentos verticales debe ser igual a 1.
Hasta aqu podemos mencionar que la Funcin de Distribucin Acumulada, es la

acumulacin de cada evento.
34
1.8 GRFICA DE UNA FUNCIN DE DISTRIBUCIN DE
PROBABILIDAD ACUMULADA (HISTOGRAMA DE
PROBABILIDAD ACUMULADA OJIVA)
La grfica de la Funcin de Distribucin de Probabilidad Acumulada se construye
colocando los valores de Xi en el eje horizontal y las probabilidades Acumuladas
P( X i k ) en el eje vertical; los rectngulos se construyen de modo que sus bases, de
igual ancho, se centren en cada valor de X i y sus alturas sean iguales a la
probabilidades Acumuladas P( X i k ) . La grfica de la FUNCIN DE DISTRIBUCIN
DE PROBABILIDAD ACUMULADA aparece como una funcin escalonada creciente. Las
bases se construyen de forma tal que no dejen espacios entre los rectngulos, la grfica
se llama HISTOGRAMA DE PROBABILIDAD ACUMULADA mejor conocida como
OJIVA, observa el ejemplo. Tal como se muestra en la siguiente figura:
Figura 20.
35
I. Completa con tus propias palabras. Si tienes duda vuelve a revisar el contenido o
consulta a tu asesor.
La probabilidad se define como: __________________________________________________

_______________________________________________________________________________
_______________________________________________________________________________
El dominio es: _________________________________________________________________

_______________________________________________________________________________
_______________________________________________________________________________
La regla de correspondencia es: _________________________________________________

_______________________________________________________________________________
_______________________________________________________________________________
El contradominio (Conjunto de imgenes) es: _____________________________________

_______________________________________________________________________________
_______________________________________________________________________________
II. De acuerdo con lo que has aprendido, resuelve lo siguiente:
1. En el siguiente cuadro, se proporcionan los resultados de una estadstica realizada

por alumnos del Colegio de Bachilleres sobre el modelo de automvil de los
profesores:
Modelo de automvil de los profesores del plantel X del Colegio de Bachilleres
MODELO (X) FRECUENCIA

De 1975 y antes 1
De 1976 a 1978 2
De 1979 a 1981 13
De 1982 a 1984 18
De 1985 a 1987 11
De 1988 a 1990 12
De 1991 a 1993 4
TOTAL 61
36
Si la variable aleatoria es X = Modelo de automvil, determina:
a) La Distribucin de probabilidad
b) La Grfica de la Distribucin de Probabilidad
c) La Funcin de Densidad
d) La Funcin de Distribucin de Probabilidad Acumulada
e) La OJIVA.
2. Un lote contiene 20 T.V., de los cuales 3 estn defectuoso. Si se muestrean 4 de

ellos y se define la variable aleatoria X = T.V. defectuoso. Entonces, determina:
a) El con un diagrama de rbol y recuerda que no puede haber ms de tres

defectuosos.
b) La tabla de funcin de Distribucin de probabilidad.
c) Las grficas de densidad y distribucin de probabilidad.
37
1.9 ESPERANZA MATEMTICA
Una de las preguntas que te hicimos al inicio del fascculo dice: Cul es la probabilidad
de que ganes en un juego de azar y cunto esperas ganar o perder?
Recordaras que una frmula para calcular el valor de la media poblacional es:
x i fi x iP( X x i )
E( X)
N P( x )
Donde fi es la frecuencia de una medida en particular, X i es la variable y N el tamao de

la poblacin. Esta frmula puede rescribirse como:
fi
x i
N
fi P( X x i )
Como la frecuencia representa la probabilidad de que ocurra x, P( x ) , la
N P( x )
media poblacional puede escribirse como x iP( x) . Como consecuencia de estas
observaciones, si X es una variable aleatoria, definimos la media de X como sigue:
Media de una variable aleatoria X

x iP( x)
donde representa la media de la variable aleatoria X. Por ejemplo:
Una planta industrial grande realiza una campaa para promover el uso compartido del
automvil entre sus empleados; los datos se muestran en la siguiente tabla, obtenidos de
los empleados de la planta para conocer los efectos de la campaa.
Nm. De ocupantes P(x) = P(X = Xi)

fi xi fi
(x) por automvil P(x)
425
1 425 1(425) = 425
945
235
2 235 2(235) = 470
945
205
3 205 3(205) = 615
945
52
4 52 4 (52) = 208
945
5 22 5 (22) = 110 22
945
6
6 6 6 (6) = 36
945
Suma de todas las 945
TOTALES 945 1864 P( x ) 1
probabilidades : 945
38
x i fi 1864
La media poblacional es 1.97
N 945
Ahora escojamos un coche al azar que transporte empleados al trabajo y contemos el

nmero de ocupantes; este nmero representa una variable aleatoria X, cuyos valores
425 235 205 205 22 6
son 1, 2, 3, 4, 5 y 6, con las probabilidades , , , , , ,
945 945 945 945 945 945
respectivamente. La media de esta variable aleatoria es entonces:
x = [xiP(x)] = (1)P(1) + (2)P(2) + (3)P(3) + (4)P(4) + (5)P(5) + (6)P(6)
425 235 205 52 22 6

x = (1) + (2) + (3) + (4) + (5) + (6)
945 945 945 945 945 945
x = 1.97 En promedio hay dos ocupantes por automvil.

Observa que este resultado concuerda con el valor calculado anteriormente.
La media de una variable aleatoria X se llama tambin el VALOR ESPERADO de X y se

denota por E(X); en consecuencia, tenemos los resultados siguientes para una variable
aleatoria discreta:
Media de una variable aleatoria discreta X

x E( X) xP( x)
Resuelve los siguientes ejercicios:
1. Una fbrica produce artculos que se clasifican en tres categoras: A, B, C. Si las

ganancias y la produccin estn dadas en la siguiente tabla:
CATEGORIA GANANCIA PRODUCCIN

POR UNIDAD (Nm. De piezas)
A + $ 35.00 50,000
B + $ 10.00 80,000
C $ 5.00 10,000
a) Determina el valor esperado de ganancia por unidad.

b) Determina el rango de la Esperanza Matemtica.
39
2. El Amrica tiene una probabilidad de ganar de 1 . Para los prximos tres juegos,
15
determina:
a) La esperanza de ganar en todos.

b) La esperanza de que solo gane uno o dos.
c) La esperanza de que no gene ninguno.
En el siguiente ejemplo, si el experimento consiste en lanzar dos dados al aire y la

variable aleatoria es la suma de las caras de los dados, determinemos:
a) El diagrama de rbol, y rango.

b) La Funcin de Variable Aleatoria Discreta.
c) La Distribucin de Probabilidad.
d) La Funcin de Densidad.
e) La Grfica de una Funcin de Probabilidad.
f) La Funcin de Distribucin de Probabilidad Acumulada.
g) La Grfica de la Funcin de Distribucin de Probabilidad Acumulada.
h) La Esperanza Matemtica de ganar si la apuesta consiste en: Suma 7 pierdes $
10.00, suma par ganas $ 3.00 y si suma impar (excepto 7) pierdes $ 2.00.
40
a) Diagrama de rbol, y rango
DIAGRAMA DE RBOL RANGO
Figura. 21
41
b) FUNCIN DE VARIABLE ALEATORIA
F(Xi) = { [ (1,1), 2], [ (1,2), 3], [ (1,3), 4], [ (1,4), 5], [ (1,5), 6], [ (1,6), 7]
[ (2,1), 3], [ (2,2), 4], [ (2,3), 5], [ (2,4), 6], [ (2,5), 7], [ (2,6), 8]
[ (3,1), 4], [ (3,2), 5], [ (3,3), 6], [ (3,4), 7], [ (3,5), 8], [ (3,6), 9]
[ (4,1), 5], [ (4,2), 6], [ (4,3), 7], [ (4,4), 8], [ (4,5), 9], [ (4,6), 10]
[ (5,1), 6], [ (5,2), 7], [ (5,3), 8], [ (5,4), 9], [ (5,5), 10], [ (5,6), 11]
[ (6,1), 7], [ (6,2), 8], [ (6,3), 9], [ (6,4), 10], [ (6,5),11], [ (6,6), 12] }
c) DISTRIBUCIN DE PROBABILIDAD
EVENTO Xi FRECUENCIA fi PROBABILIDAD P(Xi= k)
1
(1,1) 2 1 P( Xi 2)
36
(1,2) 2
3 2 P( Xi 3)
(2,1) 36
(1,3) 3
(2,2) 4 3 P( Xi 4)
(3,1) 36
(1,4)
(2,3) 4
5 4 P( Xi 5)
(3,2) 36
(4,1)
(1,5)
(2,4) 5
(3,3) 6 5 P( Xi 6)
(4,2) 36
(5,1)
(1,6)
(2,5)
(3,4) 6
7 6 P( Xi 7)
(4,3) 36
(5,2)
(6,1)
(2,6)
(3,5) 5
(4,4) 8 5 P( Xi 8)
(5,3) 36
(6,2)
(3,6)
(4,5) 4
9 4 P( Xi 9)
(5,4) 36
(6,3)
(4,6) 3
(5,5) 10 3 P( Xi 10)
(6,4) 36
(5,6) 2
11 2 P( Xi 11)
(6,5) 36
1
(6,6) 12 1 P( Xi 12)
36
42
PROBABILIDAD
Xi
P(Xi= k)
1
2 P( Xi 2)
36
2
3 P( Xi 3)
36
3
4 P( Xi 4)
36
4
5 P( Xi 5)
36
5
6 P( Xi 6)
36
6
7 P( Xi 7)
36
5
8 P( Xi 8)
36
4
9 P( X i 9)
36
3
10 P( Xi 10)
36
2
11 P( Xi 11)
36
1
12 P( Xi 12)
36
d) FUNCIN DE DENSIDAD
1 2 3 4 5 6 5 4 3 2 1
D( x ) 2, , 3, , 4, , 5, , 6, , 7, , 8, , 9, , 10, , 11, , 12,
36 36 36 36 36 36 36 36 36 36 36
43
e) GRFICA DE UNA FUNCIN DE PROBABILIDAD
Figura. 22
44
f) FUNCIN DE DISTRIBUCIN DE PROBABILIDAD ACUMULADA
FRECUENCIA PROBABILIDAD
EVENTO Xi PROBABILIDAD ACUMULADA
fi P(Xi)
1 1
(1,1) 2 1 P( X i 2) P( Xi 2) 36
36
(1,2) 2 1 2 3
3 2 P( X i 3) P( Xi 3)
(2,1) 36 36 36 36
(1,3) 3 1 2 3 6
(2,2) 4 3 P( X i 4) P( Xi 4) 36
36
36
36
36
(3,1)
(1,4)
(2,3) 4
1
2
3
4
10
5 4 P( X i 5) P( Xi 5)
(3,2) 36 36 36 36 36 36
(4,1)
(1,5)
(2,4) 5 1 2 3 4 5 15
(3,3) 6 5 P( X i 6) P( Xi 6) 36
36
36
36
36
36
36
(4,2)
(5,1)
(1,6)
(2,5)
(3,4) 6
1
2
3
4
5
6
21
7 6 P ( X i 7) P( Xi 7)
(4,3) 36 36 36 36 36 36 36 36
(5,2)
(6,1)
(2,6)
1 2 3 4 5 6 5
(3,5) P( Xi 8) 36
36
36
36
36
36
36
5
(4,4) 8 5 P( X i 8) 26
(5,3)
36 36
(6,2)
(3,6) P( Xi 9) 1
2
3
4
5
6
5
(4,5) 4 36 36 36 36 36 36 36
9 4 P( X i 9) 4 30
(5,4) 36
36 36
(6,3)
1 2 3 4 5 6 5
(4,6) P( Xi 10) 36
36
36
36
36
36
36
3
(5,5) 10 3 P( X i 10) 4 3 33
(6,4)
36 36
36
36
1 2 3 4 5 6 5
P( Xi 11) 36
36
36
36
36
36
36
(5,6) 2
11 2 P( X i 11) 4 3 2 35
(6,5) 36
36 36 36 36
1 2 3 4 5 6 5
P( Xi 12) 36
36
36
36
36
36
36
1
(6,6) 12 1 P( X i 12) 4 3 2 1 36
36 36
36
36
36
36
1
45
g) GRFICA DE UNA FUNCIN DE DISTRIBUCIN DE PROBABILIDAD
ACUMULADA
Figura. 23
46
h) ESPERANZA MATEMATICA
Xi PROBABILIDAD
Xi Xi P(Xi)
en pesos $ P(Xi)
2 + $ 3.00 1 3 1 3

P( X i 2) 36 36
36
2 4
3 $ 2.00 2 2
P( X i 3) 36
36
36
4 + $ 3.00 3 3 3 9

P( X i 4) 36 36
36
4 8
5 $ 2.00 4 2
P( X i 5) 36
36
36
6 + $ 3.00 5 3 5 15

P( X i 6) 36 36
36
6 60
7 $ 10.00 6 10
P ( X i 7) 36
36
36
8 + $ 3.00 5 3 5 15

P( X i 8) 36 36
36
4 8
9 $ 2.00 4 2
P( X i 9) 36
36
36
10 + $ 3.00 3 3 3 9

P( X i 10) 36 36
36
11 $ 2.00 2 2 2 4

P( X i 11) 36
36
36
12 + $ 3.00 1 3 1 3

P( X i 12) 36 36
36
30 5
VALOR ESPERADO E ( X ) X i P X i
36 6
En promedio perder $ 5.00 cada 6 juegos.
Por otra parte, el valor esperado de algunos eventos puede estar muy disperso. Cuando
se trata de tomar decisiones, es importante conocer la variacin total de los eventos, ya
que sirve para ver la heterogeneidad de las variables aleatorias, cuando la variacin es
muy alta y la homogeneidad cuando la variacin es muy pequea.
47
En el ejemplo que hicimos del experimento de lanzar dos dados y determinar como
variable aleatoria a la suma de las caras, el nmero de resultados del es 36 y :
a) La variable aleatoria xi es igual a la suma de los puntos de las caras, est dada
en la primera columna de la siguiente tabla.
b) La probabilidad P(x) de cada evento (suma de eventos) est dada en la segunda
columna de dicha tabla.
c) Encontramos que la Esperanza Matemtica E(xi) menos el valor esperado E(x)
[E(xi) - E(x)], tal como se indica en la tercera columna del cuadro.
d) La variacin total (varianza), est dada como la suma de los cuadrados de cada
una de las diferencias de los valores esperados, calculadas en la columna
anterior, tal y como se indica en la cuarta columna del cuadro.
2
Xi P(xi) E(xi) E(x) [E(xi) E(x)]
1 1 30 31 961

2 36 36 36 36 1296
2 2 30 32 1024

3 36 36 36 36 1296
3 3 30 33 1089

4 36 36 36 36 1296
4 4 30 34 1156

5 36 36 36 36 1296
5 5 30 35 1225

6 36 36 36 36 1296
6 6 30 36 1296

7 36 36 36 36 1296
5 5 30 35 1225

8 36 36 36 36 1296
4 4 30 34 1156

9 36 36 36 36 1296
3 3 30 33 1089

10 36 36 36 36 1296
2 2 30 32 1024

11 36 36 36 36 1296
1 1 30 31 961

12 36 36 36 36 1296
12206
TOTAL : 9.4182
1296
48
El resultado de la tabla significa que:
La esperanza de ganar o perder en el juego es de $ 9.4182 Consideras que es

mucho?, pero para asegurar ganar esta cantidad, necesitas jugar 1296 juegos con una
cantidad de $ 12,206.00 a esta variacin se le llama VARIANZA.
La varianza se simboliza:
Ex Ex
2
VARIANZA 2 i
La desviacin estndar, es una medida de la variacin de los valores observados con

respecto a la media muestral.
Ex Ex
2
DESVIACIN ESTANDAR i
9.4182 3.0689
49
Resuelve los siguientes ejercicios, utiliza tu cuaderno para dar tus respuestas:
1. En un juego hay tres mquinas, en la mquina M 1 tienes que pagar $ 1.00 por jugar,
pero si ganas la mquina te regresa $ 2.00 y tienes una probabilidad de 31 de ganar.
En la mquina M2 tienes que invertir $ 2.00, pero si ganas la mquina te devuelve $
5.00 y tienes una probabilidad de 81 . En la mquina M3 tienes que pagar $1.5 y si
1
ganas te da $ 3.00 con una probabilidad de 5
de ganar. Si juegas 2 juegos en la
mquina 1, tres juegos en la mquina 2, y 3 juegos en la mquina 3.
a) Cul es la esperanza que tienes de ganar en los 6 juegos?
b) Cul sera la variacin total (VARIANZA) de tus prdidas y ganancias?
2. En una investigacin que hicieron los alumnos del Colegio de Bachilleres, sobre la
demanda de empleos que requieren un mnimo de estudios de Bachillerato en
diversos peridicos dominicales, encontraron lo siguiente:
EMPLEO FRECUENCIA SUELDO PROMEDIO PAGADO

Chferes 6 $ 800.00
Secretarias 2 $ 750.00
Odontlogos 1 $ 2,000.00
Recepcionistas 3 $ 600.00
Ingenieros 1 $ 4,500.00
Otros 3 $ 850.00
Si decidieras solicitar alguno de estos empleos, determina:
a) El valor del sueldo esperado que puedes ganar.
b) La varianza de sueldos.
50
Recuerda que la Media de una variable aleatoria X, es:
x iP( x)
La Media de una variable aleatoria X se llama tambin valor esperado de X y se denota

por E(X).
La Media de una variable aleatoria discreta X, es:
x E( X) xP( x)
51
RECAPITULACIN
Con la finalidad de que reafirmes tus conocimientos. A continuacin te presentamos

algunos dibujos y grficas que se relacionan con los temas que acabas de estudiar.
52
ACTIVIDADES DE CONSOLIDACIN
Con la finalidad de que apliques tus conocimientos que adquiriste en este fascculo,
resuelve el siguiente problema.
Una compaa contratar a 3 personas, para lo cual hace un examen de aptitudes. Se

presentan cuatro solicitantes y los resultados de la prueba de aptitud estn dados en la
siguiente tabla:
SOLICITANTES PUNTUACIN SUELDO

S1, S4 3 $ 300.00
S2 2 $ 100.00
S3 1 $ 60.00
La variable aleatoria x es igual a la suma de puntuacin de los tres solicitantes que van a
contratar:
DETERMINA:
a) El diagrama de rbol, o Espacio Muestral , y rango.
e) La Grfica de la Funcin de Probabilidad.
h) La tabulacin del salario que pagar la Compaa a las 3 personas que

contratar por cada suma de puntuaciones.
i) El Valor Esperado de sueldo que pagar la Compaa.
53
AUTOEVALUACIN
Con la finalidad de que verifiques tu proceso de solucin, a continuacin te presentamos

los resultados que debiste obtener en tu Actividad de Consolidacin:
a) Recuerda que un solicitante slo puede tener una puntuacin.
F(Xi) = { [(3,2,1), 6], [(3,2,3), 8], [(3,1,2), 6], [(3,1,3), 7], [(3,3,2),8], [(3,3,1), 7]
[(2,3,1), 6], [(2,3,3), 8], [(2,1,3), 6], [(2,1,3), 6], [(2,3,3),8], [(2,3,1), 6]
[(1,3,2), 6], [(1,3,3), 7], [(1,2,3), 6], [(1,2,3), 6], [(1,3,3),7], [(1,3,2), 6]
[(3,3,2), 8], [(3,1,3), 7], [(3,2,3), 8], [(3,2,1), 6], [(3,1,3),7], [(3,1,2), 6] }
PROBABILIDAD
Xi
P(Xi=k)
12
6 P(Xi = 6) =
24
6
7 P(Xi = 7) =
24
6
8 P(Xi = 8) =
24
12 6 6
d) La Funcin de Densidad. D(x) = 6, , 7, , 8,
24 24 24

Construye la grfica de la Funcin de Probabilidad colocando los valores de Xi
en el eje horizontal y las probabilidades P(Xi=k) en el eje vertical; los rectngulos
se construyen de modo que sus bases, de igual ancho, se centren en cada valor
de Xi y sus alturas sean iguales a las probabilidades P(Xi=k).
54
PROBABILIDAD PROBABILIDAD
Xi
P(Xi=k) ACUMULADA
12 12
6 P(Xi = 6) = P(Xi = 6) =
24 24
6 12 6 18
7 P(Xi = 7) = P(Xi = 7) = =
24 24 24 24
6 12 6 6 24
8 P(Xi = 8) = P(Xi = 8) = = =1
24 24 24 24 24

Construye la grfica de la Funcin de Distribucin de Probabilidad Acumulada
colocando los valores de Xi en el eje horizontal y las probabilidades acumuladas
P(Xi=k) en el eje vertical; los rectngulos se construyen de modo que sus
bases, de igual ancho, se centren en cada valor de Xi y sus alturas sean iguales
a las probabilidades acumuladas P(Xi=k).
h) La tabulacin del salario que pagar la Compaa a las 3 personas que

contratar por cada suma de puntuaciones.
Xi SALARIO
6 $230.00
7 $165.00
8 $175.00
i) El valor esperado de sueldo que pagar la Compaa, es $570.00.
55
AC T I V I D AD E S D E G E N E R AL I Z AC I N
Con la finalidad de que apliques y consolides tus conocimientos que adquiriste en este
fascculo, resuelve lo siguiente:
En un concurso de baile se asignarn tres premios para las personas que obtengan el
1, 2 y 3 lugar; para lo cual se hace una convocatoria y un examen. Se presentan 8
participantes y los premios de la prueba son los siguientes:
PARTICIPANTES PUNTUACIN PREMIOS

S1, S2, S3 3 $ 500.00
S4, S5, S6 2 $ 300.00
S7, S8 1 $ 150.00
La variable aleatoria x es igual a la suma de puntuacin de las tres personas que

obtengan los tres primeros lugares.
DETERMINA:
a) El Espacio Muestral , y rango.
h) El Valor Esperado de los premios que pagar el Organizador.
56
GLOSARIO
Desviacin estndar: Es la raz cuadrada positiva de la varianza.
Distribucin de probabilidad: Son las probabilidades que toman los eventos de la

variable aleatoria.
Espacio muestral: Es el dominio de la funcin de variable aleatoria y se designa con la

letra .
Esperanza matemtica: Es la media o valor promedio de la variable aleatoria.
Estadstica descriptiva: Comprende aquellos mtodos usados para organizar y

describir la informacin recabada.
Estadstica inferencial: Comprende aquellos mtodos y tcnicas usados para hacer

generalizaciones, predicciones o estimaciones sobre poblaciones a partir
de una muestra.
Evento: Cada uno de los resultados del dominio de la funcin de variable

aleatoria.
Fenmeno determinstico: Son aquellos fenmenos que ocurren siempre de la misma

forma y siempre tienen el mismo resultado.
Fenmenos aleatorios: Son aquellos fenmenos que no siempre ocurren de la misma

forma, y que estn sujetos al azar.
Funcin aleatoria continua: Es aquella funcin, generalmente calculada por medio de

frmulas matemticas o interpretadas por instrumentos de medicin por
lo que puede tomar cualquier valor dentro de un intervalo.
Funcin aleatoria discreta: Es aquella funcin que slo toma valores enteros.
57
Funcin de distribucin de probabilidad acumulada: Es la acumulacin de cada
evento.
Funcin de probabilidad: Regla que asigna probabilidades a los valores de la variable

aleatoria.
Funcin: Es una relacin entre dos conjuntos; las primeras componentes de las
parejas pertenecen al conjunto A, llamado conjunto de partida o dominio,
las flechas indican las correspondencias entre elementos de los
conjuntos A y B, mientras las segundas componentes pertenecen al
conjunto B, denominado conjunto de llegada, codominio o contradominio.
Varianza: Es la variacin de ganar o perder en un fenmeno determinstico.
58
BIBLIOGRAFA CONSULTADA
JOHNSON, Robert.; Estadstica Elemental. Grupo Editorial Iberoamrica, Mxico, 1993.
WALPOLE, Ronald E.; Probabilidad y Estadstica para Ingenieros. Pearson Educacin;

Mxico, 1999.
WEIMER, Richard C.; Estadstica. C.E.C.S.A.; Mxico, 1999.
59
INFERENCIAL II
FASCCULO 2. FUNCIONES DE DISTRIBUCIN DE

PROBABILIDAD
Autores: Esther Barrera Padilla

Leobardo Snchez Pimentel
1
2
NDICE
INTRODUCCIN 5
PROPSITO 79
SIMBOLOGA 11
CAPTULO 1. FUNCIONES DE DISTRIBUCIN DE 13

PROBABILIDAD
1.1 DISTRIBUCIN BINOMIAL 14
1.1.1 MODELO MATEMTICO DE LA

DISTRIBUCIN BINOMIAL 19
1.1.2 MEDIA, VARIANZA Y DESVIACIN
ESTNDAR DE LA DISTRIBUCIN
BINOMIAL 29
1.1.3 TABLAS DE DISTRIBUCIN BINOMIAL
ACUMULADA 35
1.2 DISTRIBUCIN DE POISSON 41

1.2.1 MEDIA, VARIANZA Y DESVIACIN
ESTNDAR DE LA DISTRIBUCIN DE
POISSON 45
1.2.2 APROXIMACIN DE LA DISTRIBUCIN DE
POISSON A LA BINOMIAL 47
1.2.3 TABLAS DE DISTRIBUCIN DE POISSON
ACUMULADA 54
3
RECAPITULACIN 59
AUTOEVALUACIN 64
ANEXO 1 66
ANEXO 2 73
4
INTRODUCCIN
Creadores de las distribuciones, Binomial y de Poisson:
Jacob Bernoulli
Naci el 27 de diciembre de 1754 y fallece el 16 de agosto de 1705, en Basilea Suiza.
Se gradu con un grado de Teologa en Basilea Suiza, en el ao 1676. Recibi

enseanza en matemtica y astronoma, contra los deseos de su padre que era
banquero.
Enseo mecnica en la Universidad de Basilea a partir del ao 1683 y posteriormente

fue nombrado profesor de matemticas en el ao 1687 puesto que ocupo hasta su
muerte, suplindolo su hermano Johann Bernoulli, gran matemtico y progenitor de una
familia de grandes matemticos, los Bernoulli.
Jacob en 1685, debido a un consejo de Leibniz, trabajo en el campo de la teora de las

probabilidades dedicndose a perfeccionar sus estudios realizados anteriormente y
debido a este trabajo el clculo de las probabilidades adquiri estatus de ciencia.
Fue de los primeros en estudiar y aplicar las teoras de clculo de Leibniz, que
resultaban muy confusas para los grandes matemticos, siendo el Jacob el primero en
usar el trmino de integral.
En 1689 Bernoulli publica dos importantes trabajos, uno sobre series infinitas y otro que
demostraba la llamada ley de los grandes nmeros.
En honor de Jacob Bernoulli, su nombre va asociado a varios conceptos matemticos,

como los nmeros de Bernoulli en la teora de nmeros, la lemniscata de Bernoulli en
clculo y los experimentos de Bernoulli en probabilidad.
5
Simen Denis Poisson
Naci el 21 de junio en Pitthiviers, Francia y muere el 25 de abril de 1840, en Sceaux

cerca de Paris Francia.
Denis Poisson fue un prolfico matemtico que desempeo varios puestos dentro del
sistema educativo de Francia y que realizo gran cantidad de investigaciones de
investigaciones matemticas, a continuacin se mencionan algunos de los hechos
notables de su vida.
En 1796 Poisson ingresa a la Escuela Central, demostrando inmediatamente talento

para aprender matemticas. En 1798 ingresa a la Escuela Politcnica siendo alumno de
Laplace y Lagrange quienes notaron su talento matemtico y los cuales fueron sus
amigos durante el resto de sus vidas.
En 1809 l agreg otro puesto, al ingresar al departamento mecnica en la Facultad de

Ciencias, recientemente abierta.
En 1812 Poisson ingresa a la academia de fsica del Instituto a partir del trabajo
desarrollado sobre la distribucin de la electricidad en la superficie de los cuerpos
conductores.
En una investigacin sobre la probabilidad de los juicios en materia criminal y materia

civil, un importante trabajo de probabilidad publicado en 1837, la distribucin de Poisson
aparece por primera vez. La distribucin de Poisson describe la probabilidad que un
evento aleatorio ocurrir en un intervalo de tiempo o espacio bajo las condiciones que la
probabilidad del evento a ocurrir sea muy pequea, y el nmero de ensayos muy grande,
para que el evento posiblemente ocurra unas veces realmente. Aunque en su tiempo
este trabajo no se considero de gran importancia, actualmente se considera a este
trabajo como de gran importancia.
Poisson public entre 300 y 400 trabajos, todos ellos matemticos. A pesar de este gran
rendimiento, l siempre trabaj un tema a la vez. Poisson nunca dese ocuparse con dos
cosas al mismo tiempo.
En la investigacin estadstica a s como en la vida cotidiana existen experimentos o

ensayos que tienen caractersticas comunes, por lo que se pueden analizar con un
mismo modelo matemtico.
Por ejemplo en Matemticas I aprendiste a obtener modelos matemticos de funciones
2
lineales "f(x) = ax + b; en matemticas II, de funciones cuadrticas "f(x) = ax + bx +
x
c", y exponenciales naturales "f(x) = e ". Ests funciones se trataron generalmente se
trataron como funciones continuas de variable continua.
Pero no todos los eventos que suceden en nuestro entorno se pueden trabajar con
funciones continuas, por ejemplo el nmero de hijos de en una familia, sabemos que
pueden ser ningn hijo o un o dos o tres hijos, etc. Pero no podemos hablar de 3 o 1 1
4 2
de hijo. Por eso es necesario en nuestra preparacin matemtica, el estudio de algunos
modelos matemticos discretos.
6
Definida una variable de estudio discreta, por ejemplo; el nmero de hijos en una familia,
el nmero de goles en un partido de ftbol, el nmero de veces en que se muestra un
nmero al lanzar un dado o el nmero de veces que se muestra guila al lanzar una
moneda, etc.
Se considera importante determinar la probabilidad de que la variable de estudio tome

algn valor particular, por ejemplo; al visitar 6 familias cual es la probabilidad de que
tengan menos de dos hijos, o que al lanzar una moneda corriente 8 veces cul es la
probabilidad que se muestren exactamente 3 guilas. Es est tipo de problemas los que
se analizaran en ste fascculo, como, mediante un proceso matemtico lo que nos
permitir obtener un conocimiento ms amplio sobre el estudio de los eventos aleatorios
sus probabilidades y sus posibles aplicaciones en la vida cotidiana.
Por sta importancia en este fascculo se estudiara dos modelos de funciones discretas,
la Binomial y la de Poisson. La primera la desarrollo el matemtico suizo Jocob
Bernoulli, y en honor a su autor, la distribucin Binomial tambin se conoce como de
Bernoulli; la segunda correspondi al matemtico francs Simion Denis Poisson que en
su honor se conoce como la distribucin de Poisson.
En el caso de la distribucin de Poisson, se determinaran las caractersticas de la

distribucin de Poisson y sin deducir se indicara su formula, sus propiedades, media
varianza y desviacin estndar, a s como la aplicacin de este modelo en la solucin de
problemas. Tambin se analizara la distribucin de Poisson como el lmite de la
distribucin Binomial, deduciendo el modelo matemtico de la distribucin de Poisson a
partir de la expresin matemtica de la distribucin Binomial, en esta secuencia se
obtendrn las propiedades de la distribucin de Poisson como aproximacin de la
Binomial y sus aplicaciones a la solucin de problemas.
7
8
PROPSITO
En este fascculo:
QU APRENDERS?
Conocers y analizars dos importantes distribuciones de probabilidad discreta, la

Binomial y la de Poisson, sus modelos y aplicaciones.
CMO LO LOGRARS?
A travs de las propiedades y el anlisis de un experimento binomial que da como

resultado un modelo matemtico y sus elementos como son la media, varianza y
desviacin estndar.
PARA QU TE VA SERVIR?
Para que apliques tus conocimientos en la solucin de problemas reales y conozcas

el uso de las tablas binomiales.
9
10
SIMBOLOGA
SMBOLO SIGNIFICADO
n x nx
b(x,n,p) = p q Distribucin binomial
x
= np Media de la distribucin binomial
2
= npq Varianza de la distribucin binomial
= npq Desviacin estndar de la distribucin binomial
x<b x menor que b

x>b x mayor que b
xb x menor o igual que b
xb x mayor o igual que b
x
f (x,n) = e Distribucin de Poisson
x!
Media de la distribucin de Poisson
2
= Varianza de la distribucin de Poisson
= Desviacin estndar de la distribucin de Poisson
11
12
CAPTULO 1
FUNCIONES DE DISTRIBUCIN
DE PROBABILIDAD
Existen infinidad de sucesos en la vida cotidiana cuyos posibles resultados se puedan

limitar a solamente dos, por ejemplo; en buen estado o defectuoso, ganar o perder,
aprobado o reprobado, inocente o culpable, guila o sol, etc. Los cuales se pueden
analizar mediante un mismo modelo matemtico de funcin de probabilidad f(x) con lo
que se facilita el anlisis y la determinacin de la probabilidad de este tipo de eventos.
Ejemplos:
Una agencia de trabajo recibe a 18 personas en respuesta a un anuncio de solicitud de
empleados publicado en el peridico. Uno de los requisitos para ser contratado es que la
persona sea casada. Si por experiencia de la agencia se sabe que tres de cuatro
personas que van a solicitar empleo son casadas. Cul ser la probabilidad de que de
los 18 solicitantes al trabajo siete de ellos sean casados?
Si en trabajos hechos de investigacin estadstica se conoce que ocho de cada mil

alumnos de cierta escuela tienen sangre O Cul es la probabilidad de que en un da de
donacin de sangre realizada por la Cruz Roja en dicha escuela, 200 estudiantes,
donantes de sangre, tres de ellos tengan sangre O?
Te interesa conocer y aplicar los modelos matemticos que nos permitan analizar y
resolver este tipo de problemas de una manera sencilla? Si es a s, continua con el
estudio de la variable discreta y la determinacin de sus probabilidades mediante dos
modelos matemticos de distribucin de probabilidad, Binomial y Poisson.
13
1.1 DISTRIBUCIN BINOMIAL
Existen muchos experimentos que tienen caractersticas comunes por lo que se pueden
clasificar de alguna manera particular y analizar mediante un mismo modelo matemtico.
En la investigacin estadstica a un conjunto particular de experimentos, que renen

ciertas condiciones se les conoce como Experimentos de Bernoulli.
Para que un experimento sea de Bernoulli tiene que cumplir las siguientes condiciones:
1. El experimento consista de n ensayos repetidos.

2. Cada ensayo proporciona dos posibles resultados que pueden clasificarse como xito
o fracaso.
3. La probabilidad de xito, designada por la letra p, permanece constante de un ensayo
a otro.
4. Los ensayos son independientes.
Analicemos los siguientes experimentos, para determinar si son o no experimentos de

Bernoulli.
Sea el experimento de lanzar una moneda corriente (homognea) cinco veces.
Anlisis:
a) El experimento consiste en 5 ensayos, por lo tanto n = 5.
Cumple con la primera condicin del experimento de Bernoulli.
b) Al lanzar la moneda hay dos posibles resultados, guila o sol. Se puede clasificar uno
de ellos como xito, por ejemplo que muestre guila.
Se cumple con la segunda condicin del experimento de Bernoulli.
c) La probabilidad de que al lanzar la primera vez la moneda muestre guila (xito) es

uno de dos posibles resultados, es decir 21 .
Si lanza esa misma moneda por segunda vez, el estado fsico de la moneda no varia,
sigue teniendo dos lados y sigue siendo homognea, por lo que la probabilidad de
que muestre guila vuelve a ser de 21 .
Para los siguientes lanzamientos las condiciones se repiten y la probabilidad de xito
de que la moneda muestre guila de un ensayo a otro se mantendr constante e igual
a 21 .
Se cumple con la tercera condicin del experimento de Bernoulli.
d) Los ensayos son independientes entre s. Por que en cada ensayo se tienen los
mismos resultados, guila o sol, manteniendo cada resultado la misma probabilidad
de ocurrir de un ensayo a otro, la probabilidad de guila 21 y la probabilida de sol 21 .
Se cumple con la cuarta condicin del experimento de Bernoulli.
14
Como el experimento cumple con las cuatro caractersticas de un experimento de
Bernoulli, se concluye que el lanzar una moneda siete veces o n, es un experimento de
Bernoulli.
Sea el experimento de extraer al azar, en forma sucesiva y sin reposicin, cuatro

canicas, de una bolsa que contiene 5 canicas azules y 7 canicas blancas.
a) El experimento consiste en 4 ensayos, por lo tanto n = 4

Por lo que cumple con la primera condicin del experimento de Bernoulli.
b) Al sacar una canica hay dos posibles resultados, azul o blanca. Se puede considerar
un xito obtener una canica color azul.
Se cumple con la segunda condicin del experimento de Bernoulli.
c) La probabilidad de sacar en el primer intento una canica azul es de.
Figura. 1 Figura. 2
La probabilidad de sacar en el segundo intento una canica azul es de.
Figura. 3
15
La probabilidad de sacar en el tercer intento una canica azul es de:
Figura. 4
La probabilidad de xito de obtener una canica azul vara de un ensayo a otro.
No se cumple con la tercera condicin del experimento de Bernoulli.
En cada ensayo se tienen los mismos resultados, obtener una canica de color azul o de
color blanca. Pero la probabilidad de obtener una canica azul o una blanca vara de un
ensayo a otro, dependiendo de los resultados de los ensayos anteriores.
No se cumple con la cuarta condicin del experimento de Bernoulli.
Por lo tanto no se trata de un experimento de Bernoulli.
Que pasara con el experimento, si en el ejemplo anterior el experimento se realiza de la

siguiente forma.
Sea el experimento de extraer al azar, en forma sucesiva y con reposicin, cuatro

canicas, de una bolsa que contiene 5 canicas azules y 7 canicas blancas.
Ser un experimento de Bernolli?
Si t respuesta fue s, entonces ya entendiste lo que es un experimento de Bernoulli. Si

no, repasa las caractersticas de Bernoulli o pide asesora con tu asesor de contenido.
16
En el parntesis de la derecha escribe una B si el experimento es de Bernoulli y una X si

no lo es.
a) De una caja que contiene 18 calculadoras de las cuales 6 estn ( )

defectuosas, obtener en forma sucesiva y sin reemplazo 5 calculadoras.
b) Resolver un examen con 18 preguntas de verdadero o falso. ( )
c) Realizar 20 llamadas telefnicas para investigar si ven cierto programa ( )
televisivo.
d) Sacar de una baraja tres cartas para repartirlas a tres jugadores. ( )
Determinacin de los coeficientes binomiales:
n n!

x
x! n x!
Se descompone n! en x! o (n x)! factores, en el menor de ellos, en forma decreciente

n(n 1)(n 2) . . .
Se dividen los factores del numerador n(n 1) (n 2). . ., con los factores del menor de
los factoriales x! o (n x)! del denominador que tengan divisibilidad comn. El resultado
ser el producto de los factores del numerador.
Ejemplos:
2 factores
6 con 2, mitad
6 6! 6! 6 5 4! 6 5 35
15
2 2! 6 2 ! 2!4! 2!4! 1 2 1 1
2 20 con 2,
10 6 4 mitad
18 con 3,
20 20! 20! 20 19 18 17 16 tercera
2 19 6 17 4 15504
15 15! 20 15 ! 15!5! 1 2 3 4 5 16 con 4,
cuarta
1 1 1 1 10 con 5,
quinta
17
1 8 con 4, cuarta
2 2 2 con 2, mitad
6 con 3, tercera
8 8! 8765
7 2 5 70
4
4! 4! 1 2 3 4
1 1 1
Las siguientes condiciones ayudan a determinar los coeficientes binomiales.
n n n n
1 n n 1
0 1 n 1 n
Ejemplos:
5 5 5 5
1 5 5 1
0 1 4 5
Realiza los siguientes coeficientes binomiales:
12 15 7
1) 2) 3)
3 2 4

90 13 18
4) 5) 6)
1 0 4
7 10 15
7) 8) 9)
7
5 14
18
Algunas calculadoras cientficas cuentan con la funcin de combinaciones, generalmente
indicada nCr. S tienes una de ellas prctica obteniendo los coeficientes binomiales
anteriores.
1.1.1 MODELO MATEMTICO DE LA DISTRIBUCIN BINOMIAL
El modelo matemtico de la distribucin binomial se deducir a partir de un experimento

de Bernoulli, el lanzamiento de una moneda. Para lograr nuestro objetivo se
determinaran las distribuciones de probabilidad de los experimentos de lanzar la
moneda una, dos y tres veces, bajo las siguientes condiciones:
Se considera xito que la moneda muestre guila, designando con la letra "p" como la
probabilidad de xito de que la moneda muestre guila y "q" la probabilidad de
fracaso de que no muestre guila.
El nmero de ensayos se indica con la letra "n".

El nmero de xitos, que muestre guila, se indica con la letra "x".
La probabilidad de que la variable aleatoria binomial sea igual a xi se indica como
f(xi).
Sea el experimento de lanzar una vez la moneda.
P(a) = p P(s) = q n=1 x: nmero de xitos
Diagrama de rbol del experimento:
Conjunto imagen
ax=1
p X(S) = {0, 1}
Funcin de probabilidad:
q f(1) = P(a) = p
sx=0
f(0) = P(s) = q
19
Expresado cmo tabla:
xi 1 0
F(xi) p q
De la propiedad de la funcin de probabilidad f(xi) = 1, se tiene: p q 1
Grficamente la funcin de distribucin de probabilidad de una moneda que se lanza una

vez, es:
Figura. 5
Sea el experimento de lanzar dos veces la moneda.
Diagrama de rbol del experimento
Conjunto imagen
X(S) = {0, 1, 2}
2
f(0) = P(s, s) = qq = q
f(1) = P(a, s) + P(s, a) = pq + qp = 2pq
2
f(2) = P(a, a) = pp = p
xi 2 1 0
2 2
F(xi) p 2pq q
2 2
De la propiedad de la funcin de probabilidad f(xi) = 1, se tiene: p + 2pq + q = 1
20
Con cul de las siguientes expresiones la relacionas?
1 2 3/4
pq (a + b) (a + b)
3 pq
Por qu? ____________________________________________________________
n=2 n=2 n=2
De la tabla se observa que el exponente de p esta dado por el nmero de xitos, por lo
x
que para x xitos tendramos p .
2 2
En la expresin p + 2pq + q , todos sus trminos son de 2 grado absoluto, por lo que el
trino-mio se puede escribir de la forma:
2 2 2 0 1 1 0 2
p + 2pq + q = p q + 2p q + p q
En el primer trmino n = 2, x = 2 y el exponente de q es cero.

En el segundo termino n = 2, x = 1 y el exponente de q es uno.
En el tercer trmino n = 2, x = 0 y el exponente de q es dos.
Cual ser la relacin de n y x para determinar el exponente de q?

n x
n x n x
x n
Grficamente, la funcin de distribucin de probabilidad de una moneda lanzada dos

veces, es:
Figura. 6
21
Sea el experimento de lanzar tres veces la moneda.
Diagrama de rbol del experimento
Conjunto imagen
X(S) = {0, 1, 2, 3}
3
f(0) = P(s, s, s) = qqq = q
f(1) = P(a, s, s) + P(s, a, s) + P(s, s, a)
2 2 2
= pqq + qpq + qqp = pq + pq + pq
2
= 3pq
f(2) = P(a, a, s) + P(a, s, a) + P(s, a, a)
2 2 2
= ppq + pqp + qpp = p q + p q + p q
2
= 3p q
3
f(3) = P(a, a, a) = ppp = p
n=3
xi 3 2 1 0
3 3
f(xi) P 3p2q 3pq2 q
De la propiedad de la funcin de probabilidad f(xi) = 1, se tiene:

3 3 3
p + 3p2q + 3pq2 + q = 1 que es equivalente a a + b) = 1
y en donde cada trmino es de tercer grado valor absoluto. La ecuacin se puede

escribir:
3 0 1 1 0 3
p q + 3p2q + 3p q2 + p q = 1
El exponente de q es la diferencia del nmero de ensayos n con el nmero de xitos x.

Por lo que cada trmino se puede expresar como:
x nx
p q
22
Grficamente, la funcin de distribucin de probabilidad de una moneda lanzada tres
veces, es:
Figura. 7
Dado el comportamiento de las distribuciones de probabilidad, se puede escribir:

1
p + q = (p + q)
2 2 2
p + 2pq + q = (p + q)
3 2 2 3 3
p + 3p q + 3pq + q = (p + q)
4 5
Para n = 4 y n = 5, se tendra respectivamente: (p + q) y (p + q)
n
Y para el ensimo ensayo n = n, se tiene (p + q) . El cual se puede determinar mediante
el teorema del binomio:
n
n
(p q) n x p
x 0
x
q n x
El cual para un valor particular de de X = xi, se puede expresar como:
n
f (x i ) p x qn x
xi
Definicin.
Distribucin Binomial.
Si un ensayo binomial puede resultar en xito con una probabilidad p y un
fracaso con una probabilidad q = 1 p, entonces la distribucin de probabilidad
de la variable aleatoria binomial X con x xitos en n ensayos independientes, es:
n
b(x, n, p) p x qn x x = 0,1,2,3...n
x
.
23
Utilizaremos la frmula para determinar la funcin de distribucin del lanzamiento de una
moneda tres veces, n = 3, con una probabilidad de xito p y una probabilidad de fracaso
q, siendo x la variable aleatoria el nmero de veces que la moneda muestre guila.
n
b( x, n, p) p x q n x .
x
3 3! 3! 3
b(0,3, p) p 0 q 3 0 (1) q 3 q 1q 3 q 3 ,
0
0! ( 3 0 )! 1 3!
3 3! 3 2! 3
b(1,3, p) p 1q 3 1 p q2 pq 2 pq 2 3 pq 2 ,
1
1! ( 3 1)! 1 2! 1
3 3! 3 2! 2 3
b(2,3, p) p 2 q 3 2 p 2q1 p q p 2 q 3p 2 q ,
2
2! ( 3 2)! 2! 1! 1
3 3! 3! 1
b(3,3, p) p 3 q 3 3 p3q 0 p 3 (1) p 3 p 3 .
3
3! ( 3 3 )! 3! 0! 1
Con lo que obtendremos la misma funcin de distribucin para el lanzamiento de una

moneda tres veces.
Antecedentes:
Para poder contestar las preguntas planteadas en los problemas de distribucin binomial
y de Poisson, se estudiarn brevemente las desigualdades.
Desigualdades:
Las desigualdades se cumplen para un conjunto de nmeros, a diferencia de las

igualdades que solamente se cumplen para algunos valores, dependiendo del grado de
la ecuacin.
Simbologa y significado de las desigualdades:
x < b x menor que b

x > b x mayor que b
x b x menor o igual que b
x b x mayor o igual que b
24
En los siguientes ejemplos, por comodidad y debido a que estamos en variables
discretas, se trabajarn nicamente cantidades enteras positivas (o nmeros naturales).
Ejemplos:
Indicar todos los nmeros enteros positivos que cumplan con las siguientes
desigualdades.
x<6 R. 0, 1, 2, 3, 4, 5, x < 11 R.
x6 R. 0, 1, 2, 3, 4, 5, 6 x > 20 R.
x>8 R. 9, 10, 11, 12, .+ x 11 R.
x8 R. 8, 9, 10, 11, .+ x 30 R.
En nuestros problemas de distribucin binomial y de la aproximacin de Poisson a la

binomial se tendr un nmero mximo indicado por el nmero de experimentos o
ensayos n.
Ejemplo:
Si n = 15, Qu enteros positivos cumplen con las desigualdades x > 7 y x 7 ?
x>7 R. 8, 9, 10, 11, 12, 13, 14 y 15
x7 R. 7, 8, 9, 10, 11, 12, 13, 14 y 15
Si n = 9, indica que nmeros enteros positivos cumplen con las siguientes

desigualdades:
x5 R.
x>4 R.
x<3 R.
x5 R.
25
En algunos casos se manejan intervalos abiertos y cerrados para los valores de x.
a<x<b x mayor que a y menor que b
axb x mayor o igual que a y menor o igual que b
Ejemplos:
Qu nmeros naturales cumplen con las siguientes desigualdades?
6 < x < 14 R. 7, 8, 9, 10, 11, 12 y 13
6 x 14 R. 6, 7, 8, 9, 10, 11, 12, 13 y 14
1. Si n = 12, indica qu nmeros enteros positivos cumplen con las siguientes

desigualdades:
x>3 R.
5x7 R.
x<5 R.
9 < x < 11 R.
2. Si n = 30, indica qu nmeros enteros positivos cumplen con las siguientes

desigualdades:
15 < x < 22 R.
x6 R.
11 x 19 R.
x > 17 R.
x<8 R.
X 25 R.
26
La siguiente tabla da algunos enunciados de las condiciones ms frecuentes que
plantean en problemas en que estn involucradas las distribuciones Binomial y de
Poisson.
Tabla de condiciones
1) Exactamente a xitos, solamente a xitos.

x=a f(x = a) = f(a)
2) a o b xitos.
x = a,b f(x = a,b) = f(a) + f(b)
3) Menos de a xitos.
x<a f(x < a)
4) A lo ms a xitos o cuando ms a xitos o menor o igual de a xitos.

xa f(x a) = f(a)
5) Ms de b xitos o mayor de b xitos.

x>b f(x > b) = 1 f(x < b)
6) Al menos b xitos o por lo menos b xitos o mayor o igual de b xitos.

xb f(x b) = 1 f(x < b)
7) Entre a y b xitos o mayor de a xitos y menor de b xitos.

a<x<b f(a < x < b)
8) De a a b xitos o entre a y b inclusive o, mayor o igual de a xitos y menor o igual de

b xitos.
axb f(a x b)
Ejemplo:
En un experimento con 10 ensayos, cmo se planteara, obtener:
a) Solamente 1 xito.
b) A lo ms 3 xitos.
c) Entre 2 y 5 xitos.
d) Ms de 2 xitos.
e) De 4 a 6 xitos.
f) 4 o 5 xitos.
g) Por lo menos 3 xitos.
h) Menos de 3 xitos.
27
Indica dentro de los parntesis los nmeros faltantes.
a) x = 1 f(1)
b) x 3 f(x 3) = f(0) + f( ) + f( ) + f(3)
c) 2 < x < 5 f(2 < x < 5) = f(3) + f(4)
d) x > 2 f(x > 2) = f(3) + f( ) + f( ) + f( ) + f( ) + f( ) + f( ) + f(10)

x>2 f(x > 2) = 1 f(x 2) = 1 f(0) + f(1) + f(2)
e) 4 x 6 f(4 x 6) = f( ) + f(5) + f( )
f) x = 4,5 f(x = 4,5) = f(4) + f(5)
g) x 3 f(x 3) = f(3) + f( ) + f(5) + f( ) + f(7) + f( ) + f( ) + f(10)

x3 f(x 3) = 1 f(x < 3) = 1 f(0) + f(1) + f(2)
h) x < 3 f(x < 3) = f8 ) + f( ) + f(2)
Ejemplo
Supngase que la probabilidad de que un estudiante no repruebe ninguna materia en el
bachillerato es de 1/3. Si se toma una muestra aleatoria de cinco estudiantes, encuentra
la probabilidad de que en ella no hayan reprobado ninguna materia:
a) 2 estudiantes.
b) Menos de 2 estudiantes.
Solucin:
n=5
p = 1/3
q = 1 p = 1 (1/3) = (3/3) (1/3) = 2/3
a) x = 2
n
b( x, n, p) p x q n x
x
5 5!
b(2,5,1 / 3) (1 / 3)2 (2 / 3)5 2 (1 / 3)2 (2 / 3)3 .
2 2! (5 2)
5! 1 4 5 4 3! 8 8 80
10
2! 3! 9 9 1 2 3! 243 243 243
28
El resultado indica que de 243 posibles muestras seleccionadas de cinco alumnos cada
una de ellas, probablemente 80 tengan dos alumnos que no reprobaron ninguna materia.
b) x < 2
0 5 0 1 5 1
1 1 5 1 2 5 1 2
b( x 2,5,1/ 3) b 0,5, b1,5,
3 3 0 3 3 1 3 3
5 4
5! 2 5! 1 2 5! 32 5! 1 16
(1) (1)
0! (5 0)! 3 1! (5 1)! 3 3 1 5! 243 1 4! 3 81
32 5 4! 16 32 16 32 80 112
1 5 .
243 1 4! 243 243 243 243 243 243
El resultado indica que de 243 posibles muestras seleccionadas, de cinco alumnos cada
una de ellas, probablemente 112 tengan menos de dos alumnos que no reprobaron
ninguna materia.
1.1.2 MEDIA, VARIANZA Y DESVIACIN ESTNDAR DE LA DISTRIBUCIN

BINOMIAL
Para determinar la media de la distribucin binomial se utilizar la esperanza matemtica

de la variable aleatoria discreta. Tomemos el ejemplo del lanzamiento de una moneda
considerando el nmero de guilas como xitos.
El espacio muestral y su funcin de distribucin, considerando el nmero de guilas

como xitos, estn dados por:
S = {a,s}
xi 0 1
(xi) q p
29
La media o valor esperado (esperanza matemtica).
n
E( x ) x
i 1
i f ( x i ) x1f ( x1 ) x 2 f ( x 2 ) ... x n f ( x n ) i ( x i)
E( x ) 0(q ) 1( p) .
Despus de lanzar la moneda dos veces, su funcin de distribucin es:
xi 0 1 2
2 2
(xi) q 2pq p
La media ser:
n
E( x ) x
i 1
i f ( x i ) x1f ( x1 ) x 2 f ( x 2 ) ... x n f ( x n ) i ( x i)
E( x ) 0(q 2 ) 1(2pq) 2p 2 2p(q p)1 ; como q + p = 1 , tenemos E (x) = 2p .
Piensas que el coeficiente de p vara segn el nmero de veces

que se realiza un experimento?
Si as lo crees, al lanzar una moneda tres veces, la media debe ser E(x) = 3p.
La funcin de distribucin del lanzamiento de una moneda tres veces es:
xi 0 1 2 3
3 2 2 3
(xi) q 3pq 3p q p
E( x ) 0(q 3 ) 1(3pq 2 ) 2(3p 2 q ) 3p 3 3pq 2 6p 2 q 3p 3 .

3p q 2 2pq p 2 3pq p 3p1 3p .
2
Conclusin
La media () de la distribucin binomial es igual a:
=np
30
Varianza
Para determinar la varianza de la distribucin binomial aplicaremos la frmula de la

varianza para una variable aleatoria discreta.
n
2 E ( x ) 2 2 x i2 f ( x i ) 2 ,
i 1
2 x12 f ( x1 ) x 22 f ( x 2 )... x n2 f ( x n ) 2 .
Para el experimento de un lanzamiento de una moneda se sustituye:

2 02 (q) 12 (p) (1p)2 p p2 p(1 p) pq
2 pq .
Y la desviacin estndar:
pq
Del lanzamiento de una moneda dos veces:
2 0 2 (q 2 ) 12 (2pq) 2 2 ( p 2 ) (2p) 2 2pq 4p 2 4p 2 ,
2 2pq .
La desviacin estndar:
2pq
La diferencia entre un lanzamiento de una moneda y dos lanzamientos de la misma, en

la varianza y la desviacin estndar, es el coeficiente. La igualdad 2 npq es cierta?
Si es as, para un experimento binomial que se repite tres veces la varianza debe ser
2 3 pq y la desviacin estndar 3pq . Probemos:
Del lanzamiento de una moneda tres veces tendremos:
2 0 2 (q 3 ) 12 (3pq 2 ) 2 2 (3p 2 q ) 3 2 ( p 3 ) (3p) 2
3pq 2 12p 2 q 9 p 3 9p 2 3p(q 2 4pq 3p 2 3p) .
31
Sustituyendo las p que estn dentro de los corchetes, por 1-q:

2 3p q 2 4(1 q )q 3(1 q ) 2 3(1 q )p 3p q 2 4q 4q 2 3(1 2q q 2 ) 3 3q
3pq 2

4q 4q 2 3 6q 3q 2 3 3q 3pq 3pq l.q.d
Este resultado tambin es cierto si lo hacemos n veces; por consiguiente, podemos

generalizar que la varianza para una distribucin binomial es 2 npq , y la desviacin
estndar npq .
Con lo analizado podemos definir la distribucin binomial como un experimento binomial

o de Bernoulli, que tiene las siguientes propiedades:
1. El experimento consiste de n pruebas (o ensayos) idnticos.

2. Cada prueba produce uno de dos resultados posibles: xito o fracaso.
3. La probabilidad de xito de una prueba es igual a p y es constante para todas.
La probabilidad de fracaso es q = 1 p.
4. Las pruebas son independientes.
5. x representa el nmero de xitos observados en n pruebas sin importar el orden
en que sucedan.
La distribucin de probabilidad de la variable aleatoria binomial x, que representa el

nmero de xitos en n ensayos independientes, con una probabilidad de xito p en un
experimento de Bernoulli, es:
n
b(x, n, p) p x qn x , x = 0,1,2,...,n.
x
Las propiedades de esta distribucin son:
Distribucin binomial
Media np
Varianza 2 npq
Desviacin estndar npq
32
En el siguiente ejemplo de distribucin binomial se utiliza su modelo matemtico.
Supongamos que la probabilidad de que un donante de sangre rechazado en el ISSSTE

es de 0.15. si un lunes se presentan 20 donantes, encontrar la probabilidad de que:
a) Tres sean rechazados.

b) Seis o menos sean rechazados.
c) Ocho sean rechazados.
d) Menos de tres sean rechazados.
e) Al menos tres sean rechazados.
n n n!
Frmula: b( x, n, p) p x q n x ;
x x x! (n x )!
Datos:
n = 20
p = 0.15
q = 1 p = 1 0.15 = 0.85
Desarrollo:
a) x=3
20 20!
b(3, 20, 0.15) (0.15) 3 (0.85) 20 3 (0.15) 3 (0.85)17
3
3! ( 20 3 )!
20!
(0.003375)(0.063113) 0.24282
3!17!
Completa el desarrollo llenando los espacios indicados:
b) x = < 6
b (x 6, 20, 0.15) = b(0, 20, 0.15) + b ( _________) + b(2, 20, 0.15) + b(_________)
+ b(_________) + b(_________) + b(6, 20, 0.15)
= 0.038759 + __________ + __________ + 0.24282
+ __________ + 0.102845 + __________ + = 0.9780053.
33
c) x = 8
20 !
b(8, 20, 0.15) (0.15) 8 (0.85) 20 8 (0.15) 8 (0.85)12
8 ! ( )!
= _________ (2. 5628 x 107) ( ________ ) = _________ (3. 6453 x 108)
= ( ________) (3.6453 x 108) = 125 970 (3.6453 x 108)
= 4.591984 x 103
= 0.004592
d) x < 3
b ( x < 3, 20, 0.15) = b ( , , )+b( , , ) + b(2, 20, 0.15) =
= __________+__________+_________ = 0.404895.
e) x 3
b (x 3, 20, 0.15) =
= b (3, 20, 0.15) + b (4, 20, 0.15) + b (4, 20, 0.15) + + b (20, 20, 0.15).
Como se observa es muy laborioso calcular la probabilidad binomial para x

= 3,4,5,6,7,8,9,..., 20. Para evitarlo aplicaremos el teorema de probabilidad del
complemento de un evento, que dice:
Figura. 8
Si despejamos P(A), obtenemos:
P(A) = 1 P(A).
La probabilidad de que el evento A suceda, es igual a la probabilidad del espacio

muestral P(S) = 1 menos la probabilidad de que el evento A suceda (A).
34
En nuestro ejemplo, los eventos que suceden son x 3, es decir, x=
3, 4, 5, 6, 7, 8, 9,..., 19, 20, y los eventos que no suceden x < 3, esto es, x = 0,1,2. Por lo
tanto, nuestro problema quedara planteado de la siguiente forma:
P(A) = 1 (PA)
b(x >3,20,0.15) = 1 b(x < 3,20,0.15) =

= 1 [b(0,20,0.15) + b(1,20,0.15) + b(2,20,0.15)].
Que es ms sencillo que el planteamiento original:
b(x > 3,20,0.15) = 1 0.404895 = 0.595105.
Este problema tiene gran cantidad de operaciones aritmticas. Se puede facilitar

mediante las tablas de distribucin binomial acumulada. Veamos su uso.
1.1.3 TABLAS DE DISTRIBUCIN BINOMIAL ACUMULADA
Estas tablas proporcionan las probabilidades para los valores menores o iguales a un
nmero k de xitos, expresada por:
k
b ( x k, n, p) b( x, n, p) ,
x 0
x 0,1,2,....,k .
Para entender y manejar apropiadamente la tabla obtengamos por medio de la frmula

las probabilidades binomiales para 0,1,2,3 y 4 xitos y posteriormente la probabilidad
acumulada para 0,1,2,3 y 4 xitos, en cuatro ensayos y con una probabilidad de xito
igual a 0.05.
Frmula
n
b( x, n, p) p x q n x
p
Datos
n=4
p = 0.05
p = 1 p = 1 0.05 = 0.95
35
Desarrollo
si x = 0, b(0,4,0.05) = 0.814506
si x = 1, b(1,4,0.05) = 0.171475
si x = 2, b(2,4,0.05) = 0.013537
si x = 3, b(3,4,0.05) = 0.000475
si x = 4, b(4,4,0.05) = 0.000006
La probabilidad acumulada para:
x = 0; b(x 0,4,0.05) = b(0,4,0.05) = 0.814506 ;
x = 1; b(x 1,4,0.05) = b(0,4,0.05) + b(1,4,0.05) = 0.814506 + 0.171475

= 0.985981;
x = 2; b(x 2,4,0.05) = b(0,4,0.05) + b(1,4,0.05) + b(2,4,0.05)

= 0.814506 +0.171475 + 0.013537 = 0.999518;
x = 3; b(x 3,4,0.05) = b(0,4,0.05) + b(1,4,0.05) + b(2,4,0.05) + b(3,4,0.05)

= 0.999993 ;
x = 4; b(x 4,4,0.05) = b(0,4,0.05)+b(1,4,0.05)+b(2,4,0.05)+b(3,4,0.05)+b(4,4,0.05)

= 0.999999.
Estos resultados los comprobaremos posteriormente con las tablas. A continuacin

tenemos una parte de la tabla de distribucin binomial acumulada.
Columna
1 2 3 4 5 6....
n x 0.05 0.10 0.15 0.20
2 0 0.9025 0.8100
1 0.9975 0.9900
3 0 0.8574 0.7290
1 0.9927 0.9720
2 0.9999 0.9990
4 0 0.8145 0.6561
1 0.9860 0.9477
2 0.9995 0.9963
3 1.0000 0.9999
5 0 0.7738 0.5905
1 0.9774 0.9185
2 0.9988 0.9914
3 1.0000 0.9995
4 1.0000 1.0000
36
En la columna uno tenemos el nmero de ensayos posibles n, en la segunda el nmero
de xitos x, y en las siguientes, las probabilidades acumuladas para la probabilidad de
xito p, indicada en la parte superior de la columna. El uso de la tabla de distribucin
binomial acumulada es la siguiente:
Para determinar la probabilidad acumulada de que el nmero de xitos sea menor o

igual que tres x 3 en 5 ensayos, con una probabilidad de xito de p = 0.10. en la
primera columna descendemos hasta encontrar el nmero de ensayos que nos interesa,
en este caso 5, y en la segunda, buscamos el nmero de xitos, 3 en 5 ensayos. En la
parte superior buscamos la probabilidad de xito 0.10, y descendemos hasta el rengln
en que se encuentra el nmero de xitos, 3 en 5 ensayos.
Probabilidad de xito.
n x 0.05 0.10 0.15

2 0 0.9025 0.8100
1 0.9975 0.9900
3 0 0.8574 0.7290
1 0.9927 0.9720
2 0.9999 0.9990
4 0 0.8145 0.6561
1 0.9860 0.9477
2 0.9995 0.9963
Cinco 3 1.0000 0.9999
Ensayos 5 0 0.7738 0.5905
1 0.9774 0.9185
2 0.9988 0.9914
Tres xitos en
cinco ensayos 3 1.0000 0.9995
4 1.0000 1.0000
El nmero encontrado (0.9995) corresponde a la probabilidad binomial acumulada, para

3 xitos en 5 ensayos, con una probabilidad de xito de 0.10, que se expresa:
b(x 3,5,0.10) = 0.9995.
De acuerdo con las tablas las probabilidades acumuladas para x = 0,1,2,3, en 4 ensayos
y con una probabilidad de xito de 0.05, son:
b(x 0,4,0.05) = 0.814

b(x 1,4,0.05) = 0.9860
b(x 2,4,0.05) = 0.9995
b(x 3,4,0.05) = 1
37
Si mediante la frmula comparamos las probabilidades binomiales acumuladas con las
probabilidades acumuladas de la tabla, obtendremos lo siguiente:
Las probabilidades de la tabla estn aproximadas hasta diezmilsimos, por lo que las
probabilidades acumuladas para el nmero de xitos cercanos o iguales al nmero de
ensayos es equivalente a la unidad; por consiguiente, no se consideran los eventos en
que el nmero de xitos es igual al nmero de ensayos.
Para determinar la probabilidad binomial cuando el nmero de xitos x es igual a un

valor dado k, se restan las probabilidades adyacentes de la tabla por medio de la
siguiente expresin:
b(x = k,n,p) = b(x k,n,p) b(x k1,n,p).
Por ejemplo, para determinar la probabilidad de x = 2, en cuatro ensayos, con una

probabilidad de xito de 0.05, se siguen los siguientes
Frmula
b(x = k,n,p) = b(x k,n,p) b(x k1,n,p).
Datos
n=4 b(x = 2,4,0.05) = b(x 2,4,0.05) b(x 1,4,0.05)
p = 0.05 De las tablas
k=2 = 0.9995 0.9860 = 0.0135
Al comparar el resultado obtenido mediante la frmula, qu concluyes?, son

confiables las tablas?, facilitan la solucin del problema?
Resuelve el problema de los donantes de sangre mediante las tablas de probabilidad

binomial acumulada y compara resultados.
38
Contesta lo siguiente mediante la frmula de la distribucin binomial y sus parmetros,

posteriormente resulvelas con el apoyo de las tablas. Utiliza tu cuaderno para dar tus
respuestas.
Imagina que el 5% de los focos producidos en una fbrica son defectuosos, y se

selecciona al azar una muestra de 13 focos:
a) Cul es la probabilidad de que ningn foco est defectuoso?
b) Cul es la probabilidad de que cuatro focos estn defectuosos?
c) Cul es el valor esperado de focos defectuosos?
d) Cul sera su varianza?
e) Cul sera su desviacin estndar?
Las frmulas y resultados correspondientes son:
Para: Frmula Resultado

n a) 0.5133
a, b b( x, n, p) p x q n x b) 0.0028
p
c np 0.651
d npq
2
0.6165
e npq 0.7858
39
El experimento de Bernoulli tiene cuatro caractersticas importantes:
a) Repeticin de ensayos.
b) Cada ensayo es independiente de los dems ensayos.
c) Hay dos nicos resultados p = xito, q = fracaso.
d) En cada ensayo no cambia la probabilidad.
Con base en estas caractersticas se obtuvo el modelo matemtico de distribucin

binomial:
n
b(x, n, p) p x qn x
p
Y tambin los parmetros pertenecientes a la distribucin binomial:
Media np
Varianza 2 npq
Desviacin estndar npq
40
1.2 DISTRIBUCIN DE POISSON
A inicios del siglo XIX, el matemtico francs Simeon Denis Poisson (17811840)
dedujo la frmula para hallar la probabilidad de que exactamente x xitos ocurran en un
intervalo de tiempo dado o en una regin especificada. Dividiendo el intervalo de tiempo
t, en n subintervalos y haciendo que n , se forma un proceso de Poisson, en donde
la probabilidad de que un subintervalo contenga uno ningn xito es casi 1, en tanto
que la probabilidad de un subintervalo de tener ms de un xito es despreciable. La
probabilidad de un xito durante uno de estos subintervalos no depende de lo que
suceda antes.
El valor especifico de n generalmente es desconocido, pero mientras se conozca la

cantidad de xitos esperada en un intervalo de tiempo unitario o en una regin
especificada, no es necesario conocer n para calcular la probabilidad de x xitos.
Por ejemplo puede expresar el nmero esperado de llamadas telefnicas que se

reciban por minuto, el nmero esperado de artculos defectuosos por minuto, la
ocurrencia de imperfecciones en un rollo de tela continuamente producido, la medicin
de radiacin por medio de un contador Geiger, el nmero de ratones de campo por
hectrea, el nmero de bacterias por cultivo, etc.
Estableceremos sin demostrarlo, que la probabilidad de hallar exactamente x xitos en

un intervalo de tiempo t previamente fijado, est dada por la frmula:
x
f (x) e
x!
La media y la varianza de la distribucin de Poisson, tienen un valor igual a .
Media
2
Varianza =
Desviacin estndar =
Antecedente:
El valor de e, se puede determinar mediante una calculadora cientfica. La funcin
exponencial natural en las calculadoras se encuentra arriba de la tecla del logaritmo
natural.
41
Determina con tu calculadora los siguientes exponenciales:

2
e =
e2 =
4
e =
e4 =
Observa que cuando el exponente de e es negativo, el resultado es menor a la unidad.
Ejemplos:
Los empleados de cierta oficina llegan al reloj checador en un promedio de 1.5 por
minuto. Calclese las probabilidades de que:
a) Dos lleguen en un minuto cualquiera.

b) A lo ms 4 lleguen en un minuto cualquiera.
c) Al menos tres lleguen durante un intervalo de 2 minutos.
d) Menos de cinco lleguen durante un intervalo de 6 minutos.
Solucin
a) = 1.5 x=2
1.5 2 1.5 2.25 1.5 1.5

f(2) = e e = 1.125 e = 1.125(0.22313) = 0.25102
2! 2
b) = 1.5 x4
f(x 4) = f(0) + f(1) + f(2) + f(3) + f(4) =
1.5 0 1.5 1.5 1 1.5 1.5 2 1.5 1.5 3 1.5 1.5 4 1.5
= e + e + e + e + e
0! 1! 2! 3! 4!
42
Se observa que el factor comn en los cinco trminos es e 1.5 , por lo que f(x 4), se
puede escribir la siguiente forma:
f(x 4) = f(0) + f(1) + f(2) + f(3) + f(4)
1.5 0 1.5 1 1.5 2 1.5 3 1.5 4 1.5 elevando las potencias de los
= e numeradores y obteniendo los
0! 1! 2! 3! 4! factoriales de los
denominadores
1 1.5 2.25 3.375 5.0625 1.5

= e obteniendo los cocientes
1 1 2 6 24
= [1 + 1.5 + 1.125 + 0.5625 + 0.21093] e 1.5 sumando los cinco trminos
= 4.39843 e 1.5 = 4.39843(0.22313) = 0.98142
c) Como el valor de es por minuto, al pedir en un intervalo de 2 minutos, el valor de

se multiplica por 2, para encontrar el nuevo valor de a utilizar.
= 1.5(2) = 3
f x 3 1 f(x < 3)
= 1 [f(0) + f(1) + f(2)]
3 0 3 1 3 2 1.5 1 3 9
= 1 e
= 1 e 1.5 = 1 1 3 4.5 e 1.5
0! 1! 2! 1 1 2
= 1 8.5 e 1.5 = 1 8.5(0.04978) = 1 0.42313 = 0.57687
d) = 1.5(6) = 9 x<5
f(x < 5) = f(0) + f(1) + f(2) + f(3) + f(4)
90 91 92 93 9 4 9
= e =

0! 1! 2! 3! 4!
= 1 9 40.5 121.5 273.375e9
= 445.375e 9
= 0.05496
43
Resuelve los siguientes ejercicios considerando en tus clculos cinco dgitos decimales
en cada uno de los pasos requeridos para llegar a la solucin solicitada.
1. Si un alumno de 4 semestre del bachillerato al usar maquina de escribir, comete en

promedio 2 errores por pagina escrita. Cul es la probabilidad de que:
a) En una pagina cometa de 3 a 5 errores de escritura.

b) En las dos siguientes paginas tenga uno o dos errores de escritura.
c) En que en tres paginas tenga exactamente 9 errores de escritura.
2. Si el nmero de lesiones menores que se puede esperar se presenten en un partido

de ftbol es de = 2.2. Calcule la probabilidad que durante un partido haya:
a) Ninguna lesin en un partido.

b) A los ms dos lesiones durante un partido.
c) Tres o cuatro lesiones en los siguientes tres partidos.
3. Se estima que el nmero promedio de comercios por manzana en ciudad Azteca es

de 5. Halla la probabilidad de que se tengan tres comercios:
a) En una manzana.
b) En tres cuartos de manzana.
4. En cierto estado del pas, en promedio es afectado por 1.8 temblores "fuertes" al ao.
Encuentra la probabilidad de que este estado sea afectado, por:
a) Menos de tres temblores en un ao.

b) De uno a cuatro temblores en ao y medio.
c) Ningn temblor en medio ao.
5. El promedio de automviles que usan una autopista un fin de semana es de 4.5 por
minuto. Cul es la probabilidad de que usen la autopista:
a) Exactamente seis autos en un minuto.

b) A lo mas dos automviles en un tercio de minuto.
c) Por lo menos tres automviles en el transcurso de los siguientes 30 segundos.
44
1.2.1 MEDIA, VARIANZA Y DESVIACIN ESTNDAR DE LA DISTRIBUCIN DE
POISSON
Media
Para determinar la media de la distribucin de Poisson utilizaremos la esperanza

matemtica de la variable aleatoria discreta:
n
E(x ) x f(x).
x 0
Considerando a n muy grande y a f (x ) como:
x
f (x) e
x!
Por lo tanto, E (x ) se define como:
n n

E( x ) x f ( x ) = x x! e
x 0 x 0

x 0
si x = 0, x e 0 e 0
x! 0!
n
n
x
E( x ) x x! e
x 0

= x
x 1 x!
e
Factorizando tenemos:
n
x n
x 1 1 x 1 n
x 1
E( x ) x e = e e .
x 1 x! x 1 x ( x 1)! x 1 ( x 1)
Hagamos y = x 1, si x = 1, entonces y = 11 = 0, tenemos:
n
x 1 n
y
E( x ) e = e .
x 1 ( x 1)! y 0 y!
45
Como la suma de las probabilidades de todos los posibles resultados de un experimento
es igual a 1, se tiene:
n
y n

y 0 y!
e . f ( y ) 1,
y 0
n
y
E( x ) e (1) .
y 0 y!
E(x) =
Varianza
La varianza de una variable aleatoria discreta se define por:
n
2 = x
x 0
2
f (x) 2.
Para la distribucin de Poisson, tenemos:
n
x
2 = x
x 0
2
x!
e 2.
n
x
si x = 0, entonces: x 2
x!
e 0 ; por lo tanto: 2 = x2 x 1 x!
e 2.
Factorizando tenemos:
1
n
x 2 1 x n
x x 1
2 =
x 1 x ( x 1)!
e
2

x 1 ( x 1!
e 2.
Considerando y = x 1, entonces x = y + 1, si x = 1, y = 0:
n
( y 1) y n
y y n
y
2 = e 2 e e 2 ,
y 0 y! y 0 y ! y 0 y!
n
y y n
y y -
2 = e (1) 2 e 2.
y 0 y ! y 1 y !
46
Factorizando:
n
y 1 1 y 1 n
y 1
2 = e 2 e 2.
x 1 y ( y 1)! y 1 ( y 1)!
Hagamos ahora z = y 1, si y = 1, entonces z = 0:
n
z
2 = 2
2 2 2 2
e 2 (1) + = + =
z 0 z!
Desviacin Estndar.
La desviacin estndar de la distribucin de Poisson se obtiene extrayndole la raz

cuadrada a la varianza.
1.2.2 APROXIMACIN DE LA DISTRIBUCIN DE POISSON A LA BINOMIAL
Cuando n es relativamente grande y p pequea, las probabilidades binomiales a menudo

se aproximan por medio de la frmula de Poisson. La distribucin de Poisson es una
forma lmite de la binomial cuando n , p 0, y = np, permanece constante.
Antecedentes:
Cualquier nmero real, diferente de cero, dividido por una cantidad muy grande,
representada por infinito "", es equivalente a cero.
Demostracin:
Dividamos, por ejemplo, el nmero 10, entre cantidades progresivamente ms grandes, y
observemos los cocientes resultantes.
47
Realiza las divisiones faltantes.
10
10
1
10
0.1
100
10

1000
10
0.001
10000
10

100000
10
0.00001
1000000
10

10000000
Como "" es mucho mayor que cualquiera de los denominadores que dividieron al
10
nmero 10, concluimos que 0 , y por lo tanto, si n es cualquier nmero real

diferente de cero divido entre infinito, es:
n
0

El exponencial natural
n
1
La expresin 1 , cuando n es un nmero real muy grande, equivalente a infinito
n
"", tiende al nmero irracional 2.71828182846 conocido como exponencial natural "e".
Demostracin:
Demos a n valores enteros progresivamente cada vez ms grandes y observemos las
potencias resultantes.
48
Llena los cuadros vacos con las operaciones faltantes.
n=1 n = 10 n = 100 n = 1000

1 11 1 1 101 10 1 1001 100 1 1000
1 1000
1 11 1 0.110 1 0.01100
0 1 0.9 10 0.99100
0 2.867971 2.731999 2.719642
n = 10000 n = 100000 n = 1000000

1 1
10000

10000
1 1
100000
100000
1 1000000
1 1000000
0.999910000
2.718295 2.718283
n
1
Por lo tanto, cundo n , entonces: 1 e.
n
n
n 1
Estos dos resultados; 0y
1 e, cuando n , se utilizaran para la
n
demostracin de la distribucin de Poisson como una aproximacin de la distribucin
Binomial.
Distribucin de Poisson como lmite de la distribucin Binomial
Consideremos la distribucin Binomial:
n n!
bx, n, p p x qn x p x qn x , si x permanece constante y n es muy grande n
x x! n x !
,
Desarrollando el coeficiente binomial, tendremos:
n n!
bx, n, p p x qn x p x qn x
x
x! n x !
nn 1n 2 ... n ( x 2)n ( x 1)n x ! x n x

p q ,
x! n x !
49
Dividiendo factores iguales (n x)! Del numerador y del denominador y dado que q = 1
p, sustituyendo q por 1 p.
nn 1n 2 ... n x 2)n x 1 x
p 1 p
n x

x!

Dado que = np, se puede sustituir p por
n
nn 1n 2 ... n x 2)n x 1
x n x

1
x! n n
m x
a am
Aplicando la propiedad de los exponentes, , en
b bm x
nn 1n 2 ... n x 2)n x 1 x
n x

1
x! x
n n
x
Como el orden de los factores no afecta al producto ab = ba. La potencia n , pasa
dividiendo al numerador del coeficiente binomial que est en funcin de n y x! Dividiendo
x x
a , para obtener el coeficiente de la distribucin de Poisson.
x!
nn 1n 2 ... n x 2)n x 1 x
n x

1
nx x! n
x
Descomponiendo n , en igual nmero de factores del numerador y descomponiendo en
n x
dos factores a 1
m n m-n
, mediante la ley de los exponentes a a = a
n
nn 1n 2 ... n x 2)n x 1 x
n x

1 1
n n n ... n n x! n n
Dividiendo cada factor del numerador con un factor del denominador, en el coeficiente
binomial.
n x
n n 1 n 2 n x 2 n x 1 x
= ... 1 1
n n n n n x ! n n
50
Realizando las divisiones:
n x
1 2 x 2 x 1 x
11 1 ... 1 1 1 1
n n n n x! n n
n n
n 1
Si n , entonces 0 y considerando a la potencia 1 semejante a 1
n n
e, ya que ambas tienen como exponente a n que tiende a , la potencia deber ser
diferente de 1. Por lo tanto.
n
x
11 01 0 ... 1 01 0 1 1 0
x
x! n
n n
1
Trataremos de expresar a 1 con la misma estructura que 1 , para lograrlo,
n n
1
se puede indicar como el reciproco de su reciproco, por lo que , realizando la
n n n

sustitucin
n

x
1
111 ... 11 1 1
x
x! n

m
Dado que la unidad elevada un exponente real, es la unidad, 1 = 1, por lo tanto
(1)x = 1
n

x 1
1 1
x! n

n

1 n
Se necesita que 1 tenga de exponente a , para que sea idntico en estructura
n

n
1
a 1 .
n
51
Sabemos que cuando se tiene una potencia de potencia, los exponentes se multiplican
n

1
a m a mn . Por lo que 1 se elevara a
n
n
1

y para que matemticamente no se

modifique se volver a elevar a la

1

n

n

x
1 x 1
1
= 1
x! n x! n

n

n
1 1
Demostramos que 1 e, cuando n , entonces 1
e. Por lo que se
n n

tiene:
x
x
e e
x! x!
En forma matemtica, el desarrollo anterior se puede resumir de la siguiente forma:
El lmite de la distribucin Binomial cuando n tiende al infinito, p tiende a cero y np

permanece constante, es la distribucin de Poisson, expresado mediante notacin de
limite.
n x
lm p x q n x e
x x!
n
p0
En la mayora de los casos la distribucin de Poisson se puede usar como una buena
aproxi-macin a la distribucin de Binomial, cuando n 20 y p 0.05, si n 100, la
aproximacin es excelente a condicin de que np 10.
52
Para utilizar la distribucin de Poisson como aproximacin de la Binomial se considera
que el valor medio o promedio es = np, donde "n" es el nmero de ensayos, "p" la
probabilidad de xito "p" y "x" el nmero de xitos.
x
f x, e
x!
Ejemplo de distribucin de Poisson mediante su modelo matemtico
Supn que la probabilidad de que cierta tienda de aparatos electrnicos venda un radio
defectuoso es de 3%. Si vende 100 radios en un mes, cul es la probabilidad de que
haya vendido:
a) Dos radios defectuosos?

b) Menos de dos radios defectuosos?
c) Entre 8 y 10, inclusive 8 y 10 radios defectuosos?
d) Al menos dos radios defectuosos?
Datos Frmula
n = 100
p = 3% = 0.03
x
= np = 100 (0.03) = 3 p( x, ) e
x!
Desarrollo
a) x = 2
3 2 3 9
p(2,3) e (0.049787) = 4.5 (0.049787) = 0.224041
2! 2
b) x < 2
3 0 3 3 1 3 1 3 3 3
p( x 2,3) p(0,3) p(1,3) e e e e e 3 3e 3 4e 3
0! 1! 1 1
= 4(0.049787) = 0.199148.
53
Completa lo siguiente:
c) 8 x 10
3 9 3
p(8x10,3) = p(8,3) + p( ___,3) + p(10,3) = ___________ + e + ____________
9!
6561 3 10499 3
e + _________ + _________ = e = 0.233236( ) = 0.011612
40320 44800
d) x 2
p( x 2,3) p(2,3) p(3,3) p(4,3) p(5,3) ... p(100,3),
o mediante el Teorema: p (A) = 1 p(A)
p( x 2,3) 1 p( x 2,3) 1 __________ 0.800852
1.2.3 TABLAS DE DISTRIBUCIN DE POISSON ACUMULADA
Igual que la distribucin binomial, existen tablas de probabilidad acumulada para la

distribucin de Poisson, y ambas tienen uso semejante. La tabla proporciona los valores
menores o iguales a k xitos, obtenidos mediante la expresin:
k
x
p( x k, )
x 0 x!
e .
54
A continuacin tenemos parte de la tabla de Poisson que se encuentra al final de este
fascculo.
x 0 1 2 3

0.02 0.980 1.000
0.04 0.961 0.999 1.000
0.06 0.942 0.998 1.000
0.08 0.923 0.997 1.000
0.10 0.905 0.995 1.000
0.15 0.861 0.990 0.999 1.000

0.20 0.819 0.982 0.999 1.000
0.25 0.779 0.974 0.998 1.000
0.30 0.741 0.963 0.996 1.000
En este caso la tabla se aproxima hasta milsimos. En su parte superior se encuentran

el nmero de xitos y, en la primera columna los valores esperados de .
Ejemplo: Para determinar la probabilidad acumulada de que el nmero de xitos sea

menor o igual a dos, con un valor esperado de = 0.25, localizamos en el primer rengln
el nmero 2, y en la primera columna el valor 0.25.
x 0 1 2 3

0.02 0.980 1.000
0.04 0.961 0.999 1.000
0.06 0.942 0.998 1.000
0.08 0.923 0.997 1.000
0.10 0.905 0.995 1.000
0.15 0.861 0.990 0.999 1.000

0.20 0.819 0.982 0.999 1.000
0.25 0.779 0.974 0.998 1.000
0.30 0.741 0.963 0.996 1.000
En la interseccin de columna y rengln, encontraremos el valor correspondiente a la

probabilidad acumulada de:
p(x 2, 0.25) = 0.998.
55
Ejemplo. Las probabilidades acumuladas para = 0.15 y x = 0, 1, 2, y 3, de la tablas son:
p(x 0, 0.15) = 0.861

p(x 1, 0.15) = 0.990
p(x 2, 0.15) = 0.999
p(x 3, 0.15) = 1.000
Si queremos determinar la probabilidad de Poisson para x = k, utilizaremos una

expresin semejante al caso de la binomial:
p (x = k, ) = p(x k,) p(x k 1, ).
Ejemplo: Queremos determinar la probabilidad de Poisson cuando = 0.15 y x = 1.
Frmula p (x = k, ) = p(x k, ) p(x k 1, ).
Datos
= 0.15 p (x = 1, 0.15) = p(x 1, 0.15) p(x = 0, 0.15).
k=1
De las tablas obtenemos:
p (x = 1, 0.15) = 0.990 0.861 = 0.129.
Resuelve el problema de los radios defectuosos con base en las tablas de Poisson.
Obtuviste los mismos resultados?
56
1. En una fbrica de artculos navideos se presentan defectos que en ocasiones

provocan que las piezas no se enven al mercado. Se sabe que en promedio, una de
cada 1 000 piezas tiene uno o ms defectos. Cul es la probabilidad de que en una
muestra aleatoria de 8 000 piezas se encuentren menos de siete piezas con
defectos? Tambin encuentra la esperanza o media aritmtica, la varianza y
desviacin estndar.
Datos Frmula
x
n = 8 000 p (x, ) = e
x!
1
p= 0.001
1000
= np = (8 000) ( 0.001) = 8
x < 7, por lo tanto, x 6
2. Completa los espacios en blanco:
p(x < 7, 8) = p(0,8) + p(1,8) + p(2,8) + p(3,8) + p(4,8) p(5,8)+ p(6,8).
8 0 8 8 4 8 8 6 8
p(x < 7,8) = e + ________ + ________ + ________ + e + _______ + e .
0! 4! 6!
1 8 512 8
p(x < 7,8) = e + _________ + __________ + e +__________ + __________.
1 3
p(x< 7,8) = _____________;
42037 8
p (x < 7,8) = e = 934.15556 (3.35462 x 104) = 0.31337.
45
Laborioso? En las tables de distribucin de Poisson (anexo 2) localiza = 8 en la

primera columna y x < 6, que nos da la probabilidad buscada. Compara los resultados.
p(x < 7, 8) = p(x 6, 8) = _________________.
57
Las tablas de distribucin acumulada de Poisson simplifican la solucin de los problemas
que requieras resolver, te invitamos a que las uses, tanto las de distribucin binomial
como las de distribucin de Poisson. Continuando con el problema, la media = np es
2
un valor que necesitaste en la solucin anterior, la varianza = tiene como resultado
el mismo valor de la media, y la desviacin estndar es igual a = = 8= 2.82.
Podemos concluir que el modelo matemtico de la distribucin de Poisson se expresa

por:
x
p (x; ) = e
x!
La distribucin de Poisson es una buena aproximacin a la distribucin binomial cuando

np 5, el nmero de ensayos n sea muy grande, y que la probabilidad de p est prxima
a cero. Los parmetros de la distribucin de Poisson son:
Media = np
2
Varianza = np =
Desviacin estndar = np = .
58
RECAPITULACIN
Con la finalidad de que recuerdes los temas importantes que acabas de estudiar. A
continuacin te presentamos el siguiente esquema:
Aprox. de Poisson a la
Distribucin binomial Distribucin de Poisson
Binomial
n x x
Modelo: b( x, n, p) p x q n x f(x) = e f(x) = e
p x! x!
Propiedades:
Media = np = np
2 2 2
Varianza = npq = = =np
Desv. Est. = npq = = = np
59
ACTIVIDAD ES DE CONSOLIDACIN
Con la finalidad de que apliques los conocimientos adquiridos en este fascculo.

Contesta lo que se te indica en cada caso y en los resultados de tus operaciones
considera cinco dgitos decimales en cada uno de los pasos requeridos para llegar a la
solucin solicitada.
I. De los siguientes eventos, indica cules son binomiales.
1. Se lanzan dos dados cinco veces; un jugador gana si los dados muestran el mismo
nmero.
2. Se sacan cuatro bolas sucesivamente sin reemplazo de una urna que tiene cinco
bolas rojas y seis blancas.
3. Se sacan cuatro bolas con reemplazo de una urna que tiene cinco bolas rojas y seis
blancas.
4. Se transmite por radio un comercial sobre el sida, y se realiza una encuesta entre
jvenes de 12 a 18 aos, para saber si lo han escuchado.
5. Un comerciante recibe cinco mquinas de escribir sin defecto, de una compaa que
tena almacenadas seis mquinas defectuosas y cinco no defectuosas.
6. El supervisor de produccin de una industria lechera toma una muestra de 100

envases y revisa cuntos de stos tienen un litro de leche.
7. Un seor compra un billete de Lotera, si su esposa se viste con alguna prenda roja.
8. De una caja que contiene 20 huevos, siete estn descompuestos; se sacan

sucesivamente ocho sin reemplazo.
60
II. Realiza los siguientes problemas de distribucin binomial.
1. Determina:
a) b(2,3,0.5) =
b) b(x<2,3,0.5)
c) b(x2,3,0.5)
d) b(5,5,0.75)
2. La probabilidad de que un agente de trnsito infraccione a un automovilista por

conducir ebrio es de 0.05. Encontrar la probabilidad de que, de 10 conductores que
infraccion; hayan estado ebrios:
a) Exactamente dos
b) Menos de tres
c) Al menos tres
d) Dos de tres
e) Calcular y
3. La probabilidad de que un cobrador de microbs discuta con un pasajero en un viaje

es de 0.35. Encontrar la probabilidad de que en seis viajes, discuta:
a) Exactamente una vez

b) Ninguna vez
c) Exactamente seis veces
d) Al menos dos veces
e) El nmero de veces que se espera que discuta en los seis viajes
f) Varianza y desviacin estndar
4. Supngase que el 15% de amas de casa escuchan determinada estacin de radio

cuando cocinan. Si se entrevistan a 15 de ellas, encontrar la probabilidad de que 15
escuchen esa estacin:
a) Ninguna de ellas
b) Exactamente cinco
c) Entre cuatro y siete
d) Menos de dos
e) Cuntas de ellas se espera que escuchen la estacin
f) Determinar la varianza y la desviacin estndar
5. Suponiendo que la probabilidad de que un alumno estudie en la biblioteca de la

escuela es de uno de cinco, encontrar la probabilidad que de un grupo de 19
alumnos, estudien en la biblioteca:
a) Ninguno
b) Exactamente cinco
c) Al menos tres
61
6. La probabilidad de que un pantaln tenga un defecto es de 0.45. Si un abonero
compra un lote de 12 pantalones, encontrar la probabilidad que estn defectuosos:
a) Ocho pantalones
b) Menos de cuatro pantalones
c) Al menos cuatro pantalones
d) Nmero esperado de pantalones defectuosos
III. Realiza los siguientes problemas de distribucin de Poisson.
1. Si un alumno de 4 semestre del bachillerato al usar mquina de escribir, comete en

promedio 2 errores por pgina escrita. Cul es la probabilidad de que:
a) En una pgina cometa de 3 a 5 errores de escritura.

b) En las dos siguientes pginas tenga uno o dos errores de escritura.
c) En tres pginas tenga exactamente 9 errores de escritura.
2. Si el nmero de lesiones menores que se puede esperar se presenten en un partido

de ftbol es de 2.2 . Calcule la probabilidad que durante un partido haya:
a) Ninguna lesin en un partido.

b) A lo ms dos lesiones durante un partido.
c) Tres o cuatro lesiones en los siguientes tres partidos.
3. Se estima que el nmero promedio de comercios por manzana en Ciudad Azteca es

de 5. Halla la probabilidad de que se tengan tres comercios:
a) En una manzana.
b) En tres cuartos de manzana.
4. En cierto estado del pas, en promedio es afectado por 1.8 temblores fuertes al ao.
Encuentra la probabilidad de que este estado sea afectado, por:
a) Menos de tres temblores en un ao.

b) De uno a cuatro temblores en ao y medio.
c) Ningn temblor en medio ao.
5. El promedio de automviles que usan una autopista un fin de semana es de 4.5 por
minuto. Cul es la probabilidad de que usen la autopista:
a) Exactamente seis autos en un minuto.

b) A lo ms dos automviles en un tercio de minuto.
c) Por lo menos tres automviles en el transcurso de los siguientes 30 segundos.
62
IV. Realiza los siguientes problemas de la aproximacin de la distribucin de Poisson a la
binomial.
1. El 3% de la produccin de una fbrica de lmparas es defectuosa. Si en un da se

producen 140 lmparas, encontrar la probabilidad de que sean defectuosas:
a) Exactamente ocho lmparas
b) Menos de tres lmparas
c) Entre cinco y siete, incluso cinco y siete lmparas
d) Al menos dos lmparas defectuosas
2. Suponiendo que uno de 500 autos que circulan en la autopista MxicoToluca sufren
una falla mecnica, determinar la probabilidad de que en un da cualquiera, de mil
autos en circulacin, tengan fallas mecnicas:
a) Exactamente 10 autos
b) Menos de dos autos
c) Entre tres y siete autos
d) Dos o menos autos
3. Supongamos que la probabilidad de pronunciar mal una palabra por cierto locutor es
de 4%. Si en una participacin suya pronuncia 100 palabras, encontrar la probabilidad
que mencionen mal:
a) Ninguna palabra
b) Exactamente tres palabras
c) Menos tres palabras
d) Tres o cuatro palabras
4. 1700 votantes deben decidir sobre la construccin de un centro comercial. Si la

probabilidad de que una persona vote en favor de la construccin es de 0.001,
determinar la probabilidad de que voten en favor de la construccin del centro
comercial:
a) Menos de dos votantes
b) Ningn votante
c) Al menos tres votantes
5. Supngase que el 2% de los empleados de cierta compaa tienen casa propia. Si

esta compaa tiene 250 empleados, determinar la probabilidad de que tengan casa
propia:
a) Exactamente 10 empleados
b) Al menos dos empleados
c) Entre cinco y nueve empleados
6. Supongamos que el 1.7% de los motores elctricos de cierta marca fallarn antes de
tres aos. Obtngase la probabilidad de que de 500 motores elctricos vendidos
fallen:
a) Seis o ms antes de los tres aos
b) Exactamente nueve antes de los tres aos
c) menos de diez antes de los tres aos
63
AUTOEVALUACIN
A continuacin te presentamos las posibles respuestas a las que debiste haber llegado
en las Actividades de Consolidacin. Si tienes alguna duda, consulta a tu asesor de
contenido:
I. Eventos binomiales.
1. S.
2. No (no son eventos independientes).
3. S.
4. S.
5. No (las probabilidades no son constantes.
6. S.
7. S.
8. No.
II. Distribucin binomial.

1. a) 0.375; b) 0.500; c ) 0.500; d) 0.2637.
2. a) 0. 0746; b) 0.98885; c ) 0.0115; d) 0.0851; e) = 0.5, = 0.6892.
2
3. a) 0.2437; b) 0.0754; c ) 0.0041; d) 0.6809; e) 2; f) = 1.36, = 1.16.
2
4. a) 0.0874; b) 0.0449; c ) 0.9347; d) 0.3186; e) 2; f) = 1.912, = 1.382.
5. a) 0.0144; b) 0.1636; c ) 0.2369.
6. a) 0.0811; b) 0.1345; c ) 0.8655.
III. Distribucin de Poisson.

1. a) 0.30675; b) 0.21972; c) 0.003426.
2. a) 0.11080; b) 0.62269; c) 0.17268.
3. a) 0.14020; b) 0.20663.
4. a) 0.73058; b) 0.79563; c) 0.40656.
5. a) 0.1281; b) 0.80884; c) 0.39072.
IV. Aproximacin de la distribucin de Poisson a la binomial.

1. a) 0.0036; b) 0.0210; c) 0.526; d) 0.922.
2. a) 0.018 ; b) 0.034; c) 0.027; d) 0.125.
3. a) 0.018 ; b) 0.195; c) 0.238; d) 0.931.
4. a) 0.493; b) 0.183; c) 0.243.
5. a) 0.07; b) 0.0960; c) 0.548.
6. a) 0.0850; b) 0.0130; c) 0.653.
64
ACTIVIDADES DE GENERALIZACIN
Con la finalidad de que consolides tu aprendizaje. Realiza lo siguiente:
1. Suponiendo que la probabilidad de que un alumno participe en el taller de Msica del

Colegio de Bachilleres es de uno de cinco. Encuentra la probabilidad que de un grupo
de 25 alumnos, estudien en la clase de msica:
a) Exactamente 8 alumnos.
b) Ms de 10 alumnos.
c) Menos de 5 alumnos.
2. El promedio de automviles que usan la autopista MxicoCuernavaca un fin de

semana es de 6.5 por minuto. Cul es la probabilidad de que usen la autopista:
a) Exactamente 9 autos por minuto.

b) A lo ms 4 automviles en un cuarto de minuto.
c) Por lo menos 6 automviles en el transcurso de los siguientes 45 segundos.
3. La probabilidad de que un sombrero tenga un defecto es de 0.65. Si un grupo tropical

compra un lote de 15 sombreros, encuentra la probabilidad de que estn defectuosos:
a) 6 Sombreros.
b) Menos de 8 sombreros.
c) Al menos 10 sombreros.
d) El nmero esperado de sombreros defectuosos.
65
ANEXO 1
A continuacin te presentamos el Anexo 1 que contiene: Tablas de la funcin de

distribucin binomial acumulada.
66
67
68
69
70
71
72
A N E X O 2
A continuacin te presentamos el Anexo 2 que contiene: Tablas de la distribucin de

Poisson acumulada.
73
74
75
76
77
JOHN E. Freud y Richard. Estadstica. 4 ed., Prentice-Hall Hispanoamericana, Mxico.
JOHSON, Robert. Estadstica elemental. Grupo Editorial Iberoamrica, Mxico.
LINCOLN L., Chao. Introduccin a la Estadstica. CECSA, Mxico.
MEYER. Probabilidad y aplicaciones estadsticas. Fondo Educativo Interamericano.
MORENO, Alberto y Javier, Jauffred. Elementos de probabilidad y estadstica.

Representaciones y servicios de Ingeniera.
MURRAY R., Spiegel. Probabilidad y Estadstica. (Serie Schaum). McGraw-Hill, Mxico.
R. E., WALPOLE, R. H. Myers. Probabilidad y Estadstica para ingenieros. 3 ed.,

Interamericana.
TARO, Yamane. Estadstica. 3 ed. Harla, Mxico, 1979.
WILLOUGHBY, Stephens. Probabilidad y Estadstica. Publicaciones Cultural, Mxico,

1983.
78
ESTADSTICA DESCRIPTIVA
E INFERENCIAL II
FASCCULO 3. FUNCIONES DE DISTRIBUCIN

NORMAL ESTNDAR
Autores: Emigdio Arroyo Cervantes

Juan Matus Parra
1
2
NDICE
INTRODUCCIN 5
PROPSITO 7
SIMBOLOGA 9
CAPTULO 1. FUNCIONES PROBABILSTICAS 11

CONTINUAS
1.1 DISTRIBUCIN NORMAL ESTNDAR 14
1.1.1 NORMALIZACIN 16
1.1.2 VALORES NORMALIZADOS Z Y REA BAJO 23
LA CURVA
1.1.3 APROXIMACIN NORMAL A LA DISTRIBUCIN 37
BINOMIAL
1.2 DISTRIBUCIONES MUESTRALES Y EL

TEOREMA CENTRAL DEL LMITE 43
1.2.1 DISTRIBUCIONES MUESTRALES 43

1.2.2 EL TEOREMA CENTRAL DEL LMITE 54
1.2.3 DISTRIBUCIN TSTUDENT 58
RECAPITULACIN 76
AUTOEVALUACIN 79
3
GLOSARIO 86
ANEXOS 87
4
INTRODUCCIN
La distribucin normal es la ms utilizada para variables aleatorias continuas. Los

conceptos bsicos de esta distribucin fueron planteados por primera vez por Abraham
de Moire (Matemtico francs: 16671754) y por el marqus Pedro Simn de Laplace
(Astrnomo francs: 17491855). Posteriormente fue Kart Friedrich Gauss (Matemtico
alemn; 17771855) quien present las leyes fundamentales de la distribucin normal de
probabilidad, es por eso que esta distribucin se conoce como distribucin Gaussiana y
su curva se conoce como campana de Gauss.
Existen otras distribuciones de probabilidad, las de variables aleatorias continuas cuya

determinacin de la probabilidad difiere de las anteriores toda vez que las observaciones
del experimento generan un espacio muestral infinito y cada intervalo de este tiene un
nmero infinito no numerable de posibles resultados los cuales incluyen valores reales.
De lo anterior podemos concluir que para determinar la probabilidad de una variable

aleatoria continua, se desarrolla un mtodo distinto a los anteriores.
En este fascculo estudiars la distribucin normal como modelo de fenmenos

aleatorios en los que se efectan mediciones continuas y te capacitars en el clculo de
la probabilidad de fenmenos aleatorios de regularidad estadstica, aplicando para ello,
la distribucin normal estndar.
En el fascculo anterior estudiaste las distribuciones de probabilidad binomial y de

Poisson. Estas son distribuciones de variable aleatoria discretas, en que cada valor de
las variables se le asigna una probabilidad.
La distribucin de probabilidad normal te servir para resolver problemas que involucran

variables aleatorias continuas tales como: la altura y los pesos de seres humanos y
animales, errores de medicin en experimentos de laboratorio, el tiempo de vida de
lmparas incandescentes en la industria elctrica, etc. As mismo, estudiars la
aplicacin de a distribucin de medias muestrales mediante el uso del Teorema del
Lmite Central para muestras grandes y la distribucin de Student en muestras
pequeas.
5
6
PROPSITO
En los fascculos anteriores de esta asignatura aprendiste a clasificar y manejar variables

aleatorias (discretas y continuas) y las funciones probabilsticas discretas (binomial y
Poisson). Ahora en este fascculo:
QU APRENDERS?
Comprenders las caractersticas esenciales de las funciones probabilsticas

continuas, tales como: Distribucin Normal y tstudent, adems de las distribuciones
maestrales y Teorema del Lmite Central.
CMO LO LOGRARS?
A partir de la grfica de la curva de Gauss, asociando la probabilidad de una

variable aleatoria normalmente distribuida al rea bajo la curva, apoyndote en el
uso de tablas de distribucin normal, tstudent y calculadoras cientficas.
A partir de la ejecucin de muestreo simple y del clculo de la media x de una
distribucin normal y utilizando tablas de distribucin.
PARA QU TE VA A SERVIR?
Para acceder a los conceptos bsicos y modelos necesarios para el anlisis de la

inferencia (deduccin) estadstica.
7
8
SIMBOLOGA
SMBOLO SIGNIFICADO
Xi
Z Normalizacin

x
t Distribucin t de Student
s n
Z
E Muestra para estimar la media cuando n 30
2 n
x2
1
y f ( x) e 2 Curva normal estndar
2
n
f ( x ) p x (1 p)n x Distribucin binomial
x
9
10
CAPTULO 1
FUNCIONES PROBABILSTICAS CONTINUAS
Sabemos que las aguas negras de la Ciudad de Mxico se utilizan para el riego de los
campos de cultivo circunvecinos al Valle de Mxico.
Esta agua negras contienen entre otras sustancias, el cloro en cantidades perjudiciales
al sembrado de cereales porque en lugar de beneficiarlo con el riego, lo quema y lo
seca.
Por lo anterior, es necesario darle al agua un tratamiento con el fin de disminuir o

eliminar el contenido de cloro. Para ello el Departamento del D.F. tiene establecido un
laboratorio en los colectores de aguas para determinar el contenido de cloro y dar el
tratamiento correspondiente antes de abrir las compuertas.
Para el anlisis se toma una muestra de 5 lt. De aguas negras diariamente. Los
resultados correspondientes al mes de noviembre de 1993 fueron las que se muestran
en la siguiente tabla. Las cantidades de cloro se registran en partes por milln (ppm).
16.2 15.4 16.0 16.6 15.9 15.8 16.0 16.8 16.9 16.8
15.7 16.4 15.2 15.8 15.9 16.1 15.6 15.9 15.6 16.0
16.4 15.8 15.7 16.2 15.6 15.9 16.3 16.3 16.0 16.3
11
Usemos estos datos para realizar un recordatorio de los conceptos estudiados en tu
curso de Estadstica I. Esto nos servir para abordar los nuevos conceptos que
estudiars en este fascculo y para ello realiza el siguiente ejercicio:
1. Ordena los datos en sentido creciente.

2. Determina el rango de variacin de los datos.
3. Elabora una tabla de frecuencia de datos agrupados de 5 clases.
4. Determina la moda, la mediana y la media de la muestra.
5. Determina la desviacin estndar.
6. Traza el histograma.
7. Traza el polgono de frecuencia.
8. Analiza e polgono de frecuencias y determina:
a) De qu tipo es (platicrtica, mesocrtica, etc.)
b) Determina el sesgo.
c) Determina el orden de la media, la moda y la mediana.
9. Analiza la desviacin estndar y determina como es la dispersin de las puntuaciones.
En el fascculo anterior aplicamos las distribuciones de probabilidad de variables

aleatorias discretas para la solucin de problemas de ventas, produccin, de seguros,
etc.
Qu sucede con la solucin de problemas de probabilidad

donde intervienen variables aleatorias continuas?
Se podrn aplicar las distribuciones binomial y de Poisson para resolver

problemas donde la variable sea continua?
Sabas que una de las soluciones del problema de las aguas negras de la
Ciudad de Mxico es utilizarla para riego de cultivos en otros Estados,
pero como esta agua contienen altas cantidades de cloro es necesario
analizarlas y darles un tratamiento para reutilizarlas?
En el siglo XVIII a los jugadores profesionales les interesaba conocer a priori, las
probabilidades de xito en los distintos juegos de azar, para ello acudieron a los
matemticos de la poca en busca de ayuda. Como una respuesta a una necesidad
planteada a los matemticos, en 1973 Abraham DMoavre (1667-1754) es quien obtiene
por primera vez la ecuacin matemtica de la curva normal.
La distribucin normal nos permite el clculo de probabilidades de variables aleatorias

continuas y discretas de cualquier problema de: Ingeniera, Medicina, Ciencias Sociales,
Agricultura, Psicologa, Fsica, Qumica, etc.
12
Otros grandes matemticos contribuyeron dndole impulso, entre ellos podemos citar a
Friedrich Gauss (1777-1855) quien perfeccion y la utiliz ampliamente en su teora de
errores de las mediciones fsicas. Laplace la us en el clculo de lo errores de las
observaciones astronmicas. El matemtico Ruso P.L. Chebyshev estableci varios
teoremas relacionados con la curva de la distribucin normal.
Los experimentos realizados por muchos cientficos, permiten determinar que la mayor
parte de las variables aleatorias se pueden estudiar considerando que tiene una funcin
de densidad normal.
13
1.1 DISTRIBUCIN NORMAL ESTNDAR
Retomemos el problema de las aguas negras. Los resultados que debiste obtener son:
R = 1.7
Mo = 16.01
Me = 16.05
X = 16.08
S = 0.42
El histograma y el polgono de frecuencias son los siguientes:
Figura. 1
Del polgono de frecuencias podemos ver que la curva es asimtrica; est sesgada a la
izquierda por lo tanto su asimetra es negativa. Por su puntiagudez es del tipo
leptocrtica.
Recordars que los polgonos de frecuencias pueden ser:
1. Simtricos (Figura 2 grfico A).
2. Asimtricos (Figura 2 grfico B).

a) En la asimetra positiva el sesgo es a la derecha (Figura 2 grfica B).
b) En la asimetra negativa el sesgo es a la izquierda (Figura 2 grfica C).
14
Figura. 2
1. Los polgonos simtricos se clasifican en:
a) Platicrtico (Figura 3 grfico A).

b) Mesocrtico (Figura 2 grfico B).
c) Leptocrtico (Figura 2 grfico C).
Figura. 3
De los grficos anteriores podemos concluir que la forma de cada una, est ntimamente
relacionada con las medidas de tendencia central y de dispersin.
En las simtricas, las medidas de tendencia central coinciden en el mismo punto, es

decir = Mo = Md.
15
Las medidas de dispersin son diferentes, de la figura 3 obtenemos que:
A B C
En las asimtricas las medidas de tendencia central son diferentes y lo mismo ocurre con
las de dispersin.
a) Sesgo positivo < Md < Mo

A B C
b) Sesgo negativo > Md > Mo
En cualquier problema de variable aleatoria continua, su polgono de frecuencia es

alguna de las grficas anteriores y stas dependen de sus parmetros de tendencia
central y de dispersin.
La grfica que tiene forma de campana, su media = 0 y = 1, se llama curva normal

estndar o campana de Gauss pro haber sido el primer cientfico que us esta
representacin.
Las curvas simtricas tienen la forma de campana y las asimtricas no tienen esa forma
pero pueden transformarse a simtricas.
El procedimiento para transformar las curvas asimtricas en simtricas, es mediante una

normalizacin de los datos del problema y que estudiaremos a continuacin.
1.1.1 NORMALIZACIN
El proceso de transformacin de un polgono de frecuencias a una curva normal, se

llama normalizacin y para ello se hace un cambio de escala mediante la normalizacin
o tipificacin de las puntuaciones, es decir, los valores ( x ) se transforman en valores Z
mediante la ecuacin de transformacin.
Xi
Z ... (1)

Donde:
Z = Puntuacin normalizada o tipificada
Xi = Cada una de las puntuaciones de la poblacin
= Media de las puntuaciones de la poblacin
= Desviacin estndar de la poblacin
16
Veamos el siguiente ejemplo:
Se desea conocer el peso promedio de los alumnos del turno vespertino del plantel 2 del
Colegio de Bachilleres. Para ello se toma una muestra representativa de 150 alumnos y
se pesan. Los pesos ya organizados en 13 clases, se muestran en la siguiente tabla de
frecuencias:
Clases en Kg. Frecuencia (fi)

3034 1
3539 5
4044 8
4549 8
5054 10
5559 18
6064 12
6569 36
7074 28
7579 12
8084 8
8589 3
9094 1
Tabla 1.
Con los datos del ejemplo anterior, calcula (peso promedio de los alumnos del plantel 2
del Colegio de Bachilleres):
a) La media x .
b) La desviacin estndar .
c) Traza el polgono de frecuencias.
17
POLGONO DE FRECUENCIAS
Figura 4.
De esta grfica podemos concluir que es asimtrica con sesgo negativo y del tipo
leptocrtica.
Ahora vamos a normalizar estos datos y trazar la curva normal estndar sobre este
polgono de frecuencias para poder constatar el cambio de escala.
18
Para explicar el procedimiento vamos a construir la siguiente tabla:
Normalizacin de una Distribucin Asimtrica
1 2 3 4 5 6 7 8 9
CLASE fi Lr x=xix Z = x/ PARTE PARTE fe fe
SUP MAYOR MENOR redondeada
9094 1 94.5 30.6 2.51 0.9940 0.0060 1.785 1.8

8589 3 89.5 25.6 2.10 0.9821 0.0179 4.140 4.1
8084 8 84.5 20.6 1.69 0.9545 0.0455 8.220 8.2
7579 12 79.5 15.6 1.28 0.8997 0.1003 13.875 13.9
7074 28 74.5 10.6 0.87 0.8078 0.1922 19.590 19.6
6569 36 69.5 5.6 0.46 0.6772 0.3228 23.595 23.6
6064 12 64.5 0.6 0.05 0.5199 0.4801 24.075 24.1
5559 18 59.5 4.4 0.36 0.6406 0.3594 20.820 20.8
5054 10 54.5 9.4 0.77 0.7994 0.2206 15.240 15.2
4549 8 49.5 14.4 1.18 0.8810 0.1190 9.465 9.5
4044 8 44.5 19.4 1.59 0.9441 0.0559 4.965 5.0
3539 5 39.5 24.4 2.00 0.9720 0.0228 2.220 2.2
3034 1 34.5 29.4 2.41 0.9920 0.0080 1.200 1.2
Tabla 2.
Nota. Se restan los valores consecutivos de la columna 6 para obtener el valor de la columna 7.
Por ejemplo: 0.9940 0.9821 = 0.0119
0.9821 0.9545 = 0.0276
0.9545 0.8997 = 0.0548
Las columnas 1 y 2 de la tabla 2 corresponden a la clase y la frecuencia establecidas en

la primera tabla 1.
La columna 3 corresponde al lmite real superior de cada clase el cual se determina

aumentando medio punto a cada valor del lmite superior.
La columna 4 es igual a la desviacin de cada puntuacin con respecto a la media y se

obtiene mediante la ecuacin:
x = xi x ... (1)
Se toma como xi, al lmite real superior de cada clase.
19
La columna 5 es el valor de Z correspondiente a cada puntuacin y se obtiene mediante
la ecuacin de normalizacin o tipificacin, esto es:
x xi x
Z ... (2)

La columna 6 se determina de los valores de la tabla del apndice ( A ) reas y

x
ordenadas de la curva de distribucin normal en funcin de que enseguida

explicaremos.
En la primera columna de la tabla del anexo A de la pgina 90, se localizan los valores
de z, en la tercera columna se lee el valor del rea bajo la curva normal de la parte
mayor.
En la cuarta columna se lee el rea bajo la curva normal de la parte menor y se registra
en la columna siete de nuestra tabla.
EJEMPLO:
Para z = 2.51 el rea de la parte mayor que se lee en la tercera columna es 0.9940.
Para z = 2.41 en la cuarta columna se lee el rea de la parte menor correspondiente a

0.0080.
Regresando a la tabla 2, la columna ocho corresponde a la frecuencia esperada (fe) y se

calcula multiplicando el total de casos N =150 por el rea de la parte menor (columna 7)
de cada puntuacin.
Ejemplo: (0.0119) (150) = 1.785
La columna nueve es la frecuencia esperada (fe) redondeada a una cifra decimal.
Con estos valores de la tabla trazamos el polgono de frecuencias y la curva normalizada

para ver el cambio que sufre el polgono de frecuencias de cualquier problema que se
normalizan los datos:
20
Figura. 5
En la figura 5, se observa:
A= Polgono de frecuencia de los pesos de 150 alumnos del plantel 2 del turno
vespertino del Colegio de Bachilleres.
B = Curva normal del mismo problema.
En la escala Z se determinan los valores de la desviacin tpica ( ), a uno y otro lado de

la media ( x ).
Del ejemplo anterior habrs notado que normalizar los datos de un problema es
equivalente a cambiar la escala x por la z y calcular las nuevas frecuencias que son
las ordenadas de cada punto. Para ello usamos los valores de la tabla. Estos valores
corresponden a las reas bajo la curva normal y se han calculado mediante la ecuacin
que define a la funcin normal y sta es:
x 2
1
y = f (x) = e 2
...(3)
2
21
Donde:
= 3.1416....
= media proporcional
e = 2.718281...
= desviacin estndar de la poblacin
x = cada uno de los datos u observaciones.
Con la ecuacin ( 3 ) podemos trazar la curva normal que tiene la forma de campana.
Primero obtenemos y de los datos del problema y sustituimos en la frmula ( 3 ).
Para obtener un par ordenado, usamos un valor arbitrario de x, obtenemos un valor de y.
Esta sucesin de puntos nos da la curva normal.
La Curva Normal Estndar
La curva normal estndar o campana de Gauss es la misma curva normalizada

solamente que mediante una traslacin se lleva la curva hasta el origen . En este caso
usamos = 0 y = 1.
La siguiente grfica muestra la curva normalizada con = 30 y = 10
Figura. 6
Donde:
A = Curva normalizada
B = Curva normalizada y estandarizada
Al trasladar la grfica anterior al origen, hemos transformado los parmetros y en :
= 0 y =1
22
Con estos valores reducidos, la curva normal estndar se obtiene mediante la grfica de
la funcin:
2
1 x
y = f (x) = e 2
...(4)
2
Y la ecuacin de tipificacin es la ya conocida:
x
x= + Z Z= ...(1)

Realiza lo que se te pide a continuacin:
Con los datos del problema de las aguas negras (pg. 11), elabora la tabla con los datos
normalizados y traza la curva normal sobre el polgono de frecuencias que ya obtuviste
antes. Utiliza tu cuaderno para dar las respuestas.
1.1.2 VALORES NORMALIZADOS Z Y REA BAJO LA CURVA NORMAL
Ya qued establecido que para normalizar el polgono de frecuencias y transformarlo en

una campana de Gauss, se tipifican las observaciones ( xi ) del problema cambindolos
a una escala (Z) mediante la ecuacin ( 1 ).
Esta curva normal es necesaria estandarizarla para poder calcular la probabilidad

mediante una misma tabla ya elaborada para toda curva normal estandarizada, que se
obtiene trasladando la media al origen como ya se indic.
23
La curva normal estandarizada tiene las siguientes caractersticas:
a) La altura alcanza su valor mximo como = 0 y su valor es 0.4, es decir; el punto

mximo es Pm(0,0.4)
b) La curva normal estndar es simtrica con respecto a la media por lo tanto los
parmetros de tendencia central son iguales, es decir:
= Mo = Md = 0 ...(5)
c) La desviacin estndar es = 1
d) El rea bajo la curva es A=1
Figura. 7
El rea sombreada vale 1 y como la curva es simtrica cada regin a los lados del eje y
vale 0.5.
e) El eje Z es una asntota horizontal de la curva ya que lim( z) 0 .

Z
f) El rea ms importante donde se distribuye la probabilidad de un suceso, se

encuentra comprendida entre + 3 y esto lo puedes constatar en la siguiente grfica
de la Fig. 8.
g) De acuerdo con el teorema de Chebishev relacionado con la desviacin estndar y el

rea bajo la curva, podemos establecer los siguientes porcentajes de la misma:
24
Figura. 8
De esta grfica podemos ver que el rea antes y despus de + 3 corresponde al 1%, es
decir el 0.5% para cada lado de la grfica.
Por la simetra que tiene la curva normal estndar, existen tablas correspondientes al
rea bajo al curva que nicamente contemplan la parte positiva de la grfica y estos
mismos valores se usan para el lado negativo.
Ejemplo: Con los siguientes valores de Z determinaremos el valor de rea bajo la curva
utilizando la tabla de reas bajo la curva del anexo A de la pgina 85 y trazaremos un
esquema del rea correspondiente:
Z = + 0.5, + 0.7, + 1.5
En la primera columna de la tabla localizamos el valor de Z = 0.5 y en la segunda

columna leemos el valor del rea.
Z = 0.5 ; A = 0. 1915
Figura. 9
25
Figura. 10
Figura. 11
Figura. 12
Figura. 13
26
Figura. 14
De las grficas anteriores podemos ver, que el valor del rea es el mismo para valores
positivos y negativos de Z solamente que para el valor negativo, el rea se representa a
la izquierda de la media.

Normaliza los valores de X = 4, 6, 9, 12, 18, 20, usando = 10 y = 5. Traza una
grfica para cada valores de x, comprala con la grfica de los valores normalizados y
traza una para cada Z sombreando en ambas grficas la regin correspondiente.
El rea bajo la curva normal estndar representa la probabilidad de un evento; toda el

rea bajo la curva vale uno y representa la probabilidad del evento seguro.
Figura. 15
27
Si queremos la probabilidad de un evento cuyo valor est limitado por dos puntuaciones,
por ejemplo:
P ( x, X x2 )
Probabilidad de x comprendida entre x1 y x2.
Para determinar esta probabilidad, tipificamos los valores x.
Sabemos que la curva normalizada de la escala x es equivalente a la curva normall

estndar en la escala Z.
P ( x1 x x2) = P ( Z1 Z Z2 )
X1
Determinamos Z1 =

P (Z) = P (Z1) + P (Z2)
X2
Z2 =

Las grficas correspondientes en ambas escalas son:
Figura. 16
Si las x estn en el lado positivo entonces, debemos recordar que los valores que se
leen en la tabla normalizada son a partir de la media hasta el valor de Z.
Las grficas de las variables x y z son las que se muestran a continuacin:
P (Z) = P (Z2) P (Z1)
Si los valores de x estn en la parte negativa de z es decir a la izquierda de la media,

entonces los grficos son:
Figura. 17
28
Si solamente tenemos una X a la derecha de la media entonces el rea bajo la curva
es:
Figura. 18
Recuerda que la primera mitad del rea bajo la curva vale 0.5, es por eso que a la
probabilidad de Z, le sumamos 0.5.
Figura. 19
Si nos interesa la probabilidad de x<, entonces la grfica es:
Figura. 20
Si queremos la probabilidad de las partes sombreadas de las siguientes grficas:
Figura. 21
29
Recuerda que la probabilidad de Z , es la parte sin sombrear de la media a la izquierda
hasta Z, y la probabilidad de Z2, es la parte sin sombrear de la media a la derecha
hasta Z2.

Con los siguientes valores determina la probabilidad y traza la grfica correspondiente
para cada inciso.
1. a) Z = 0 y Z = 0.94
b) Z = 0 y Z = -2.15
c) A la derecha de Z = 0.62
d) A la derecha de Z = - 0.93
e) A la izquierda de Z = 0.84
f) A la izquierda de Z = -0.35
2. a) Z = - 0.59 y Z = 0.59
b) Z = -0.71 y Z = 1.99
c) Z = 0.32 y Z = 0.92
d) Z = -0.81 y Z = -0.42
e) Z = -1.65 y Z = -0.25
Si se conoce la probabilidad de un evento y queremos determinar el valor de Z, entonces

nos situamos en la segunda columna de la tabla (rea desde la media), localizamos los
valores de la probabilidad y en el mismo rengln y en la misma columna 1 determinamos
el valores de Z.
Ejemplo: Si P (Z) = 0.4429 entonces el valore de Z es?
De la tabla obtenemos que Z = 1.58
Figura. 22
30
Determina Z si P (Z) = 0.7580. Este valor es mayor que 0.5 correspondiente a la mitad
de la grfica por lo tanto hacemos la siguiente transformacin:
P (Z) = 0.5 + P (Z) P (Z1 ) = P ( Z ) 0.5 = 0.7589 0.5 = 0.2589
Figura. 23
En la tabla nos situamos en este valor y en la columna 1 est el valor de Z = 0.70
Si la probabilidad de z a la izquierda de la media es P (Z) = 0.1331, entonces Z es?
En la segunda columna de la tabla localizamos el valor de la probabilidad y en la misma

lnea en la primera columna determinamos el valor de Z = 0.34. El valor del signo
negativo es por estar a la izquierda de la media.
Figura. 24
31

1. Determina el valor de Z y traza la grfica de cada inciso, si la probabilidad de Z es:
a) Entre 0 y Z, P ( Z ) = 0.4864
b) A la izquierda de Z, P ( Z ) = 0.9983
c) A la derecha de Z, P ( Z ) = 0.7324
d) A la derecha de Z, P ( Z ) = 0.2981
e) A la izquierda de Z, P ( Z ) = 0.1314
f) Entre Z y Z, P ( Z ) = 0.7286
2. Una variable aleatoria tiene una distribucin normal con media = 60 y desviacin
estndar = 5.2 Cules son las probabilidades de que la variable aleatoria tome un
valor como el que se indica? Traza la grfica de cada inciso:
a) Menor que 62.5

b) Mayor que 70.5
c) Entre 60.0 y 66.2
d) Entre 48 y 72
Si tienes alguna duda consulta a tu asesor de contenido.
Ejemplo:
Con los siguientes valores, calcula la probabilidad de la distribucin binomial y traza el
polgono de frecuencia de cada una.
1) n = 10, p = 0.2, q = 0.8, x = 0, 1, 2, . . . 10

2) n = 10, p = 0.8, q = 0.2, x = 0, 1, 2, . . . 10
3) n = 10, p = 0.5, q = 0.5, x = 0, 1, 2, . . . 10
32
Para el problema 1 sustituimos valores en ( 6 ) y obtenemos:
10 0 10
F( 0 ) = ( 0.2 ) ( 0.8 ) = ( 1 ) ( 1 ) ( 0.1073 ) = 0.1073
0

10 1 9
F( 1 ) = ( 0.2 ) ( 0.8 ) = ( 10 ) ( 0.2 ) ( 0.1342 ) = 0.2684
1

10 2 8
F( 2 ) = ( 0.2 ) ( 0.8 ) = ( 45 ) ( 0.04 ) ( 0.1677 ) = 0.3019
2

10 3 7
F( 3 ) = ( 0.2 ) ( 0.8 ) = ( 120 ) ( 0.0008 ) ( 0.2097 ) = 0.2013
3

10 4 6
F( 4 ) = ( 0.2 ) ( 0.8 ) = ( 210 ) ( 0.0016 ) ( 0.2621 ) = 0.0881
4

10 5 5
F( 5 ) = ( 0.2 ) ( 0.8 ) = ( 252 ) ( 0.00032 ) ( 0.3276 ) = 0.0264
5

Calcula los siguientes valores:
F( 6 ) =
F( 7 ) =
F( 8 ) =
F( 9 ) =
F( 10 ) =
Clculo del segundo problema:
10 0 10
F( 0 ) = ( 0.8 ) ( 0.2 ) = ( 1 ) ( 1 ) ( 0.000000102 ) = 0.0000001
0

10 1 9
F( 1 ) = ( 0.8 ) ( 0.2 ) = ( 10 ) ( 0.8 ) ( 0.000000512 ) = 0.0000009
1

10 2 8
F( 2 ) = ( 0.8 ) ( 0.2 ) = ( 45 ) ( 0.64 ) ( 0.000002 ) = 0.0000737
2
33
10 3 7
F( 3 ) = ( 0.8 ) ( 0.2 ) = ( 120 ) ( 0.512 ) ( 0.000012 ) = 0.0008
3
10 4 6
F( 4 ) = ( 0.8 ) ( 0.2 ) = ( 210 ) ( 0.4096 ) ( 0.000064 ) = 0.0055
4
10 5 5
F( 5 ) = ( 0.8 ) ( 0.2 ) = ( 252 ) ( 0.3276 ) ( 0.00032 ) = 0.02642
5
F( 6 ) =
F( 7 ) =
F( 8 ) =
F( 9 ) =
F( 10 ) =
Clculo para el tercer problema:
10 0 10
f( 0 ) = ( 0.5 ) ( 0.5 ) = ( 1 ) ( 1 ) ( 0.00097 ) = 0.0009
0

10 1 9
f( 1 ) = ( 0.5 ) ( 0.5 ) = ( 10 ) ( 0.5 ) ( 0.00195 ) = 0.009
1

10 2 8
f( 2 ) = ( 0.5 ) ( 0.5 ) = ( 45 ) ( 0.25 ) ( 0.0039 ) = 0.039
2

10 3 7
f( 3 ) = ( 0.5 ) ( 0.5 ) = ( 120 ) ( 0.125 ) ( 0.00781 ) = 0.1172
3

10 4 6
f( 4 ) = ( 0.5 ) ( 0.5 ) = ( 210 ) ( 0.0625 ) ( 0.0156 ) = 0.2051
4

10 5 5
f( 5 ) = ( 0.5 ) ( 0.5 ) = ( 252 ) ( 0.03125 ) ( 0.03125 ) = 0.2461
5

34
f( 6 ) =
f( 7 ) =
f( 8 ) =
f( 9 ) =
f( 10 ) =
Representacin la grfica de las probabilidades de cada uno de los problemas:
Para poder trazar la grfica como si fuese una variable continua, cerramos los espacios
entre cada barra del histograma, para ello tomemos medio punto despus de cada valor
para obtener el lmite real superior de clase.
Grfica del problema 1.
Figura. 25
La grfica 1 es asimtrica y sesgada a la derecha.
35
Figura. 26
La grfica 2 es asimtrica y sesgada a la izquierda.
Figura. 27
La grfica 3 es simtrica muy parecida a la campana de Gauss.
36
1.1.3 APROXIMACIN NORMAL A LA DISTRIBUCIN BINOMIAL
En el fascculo anterior estudiaste el clculo de probabilidades de variables discretas

cuya distribucin es binomial.
Veamos la representacin grfica de una variable de distribucin binomial cuando n

(nmero de elementos de la poblacin) aumenta.
Figura. 28
En las grficas anteriores podemos ver si n aumenta, los espacios entre las barras se
van cerrando y la grfica se aproxima a la campana de Gauss que es la grfica de una
variable aleatoria continua.
Veamos el clculo de los siguientes problemas correspondientes a una distribucin

binomial definida por la ecuacin:
n
f ( x ) p x (1 p)n x
x
Donde:
n = Nmero de observaciones
x = Nmero de xitos esperados
p = Probabilidad de xito
q = 1 p = Probabilidad de fracaso
Con estos ejemplos podrs notar que el clculo en la distribucin binomial, es muy
laborioso, aunque existen tablas para algunos valores; pero no son suficientes cuando
n crece.
37
Por ejemplo si en un problema de distribucin binomial se han realizado 100
observaciones y se desea saber la probabilidad de obtener al menos 45 xitos.
Para determinar esta probabilidad tenemos que calcular
f (45) + f (46) + . . . + f (100) = P(x)
Otra forma de calcular esta Probabilidad es restndole a la unidad las probabilidades de

la siguiente forma:
P (x ) = 1 [ f (0) + f (1) + f (2) + . . . + f (44) ]
Una forma de ahorrar este trabajo laborioso es haciendo el clculo de probabilidades por
medio de la distribucin normal.
Ya vimos en las grficas anteriores cmo el polgono de frecuencias de un problema de

distribucin binomial se aproxima a la campana de Gauss, por lo tanto podemos usar la
distribucin normal para calcular una probabilidad binomial con una aproximacin
aceptable.
Se recomienda usar la distribucin cuando n es grande y P se aproxima al valor de 0.5.

se considera que n es grande si n>30
Para usar la distribucin normal se calculan los parmetros aplicando las siguientes
ecuaciones:
np
np(1 p)

Determinar la probabilidad de obtener 6 guilas en 15 lanzamientos de una moneda
equilibrada y comparar el resultado mediante la distribucin normal.
Solucin:
6 156 15
15 1 1 15 1
f (x) = f (6) = 1 5005 0.0000305 0.1527
6 2 2 6 2
f (x) = 0.1527
38
Solucin usando la distribucin normal.
Para aplicar esta distribucin corregimos los espacios para considerar a la variable como
si fuese continua o sea para 6 guilas tomamos medio punto antes y medio punto
despus, es decir:
1
np = 15 = 7.2
2
1 1 1
np(1 p) (15)( )( ) 15 1.9365
2 2 2
5.5 7.5 2
x = 5.5 Z1 = 1.033
1.9365 1.9365
6.5 7.5 1
x = 6.5 Z2 = 0.5164
1.9365 1.9365
P(z) = P(Z2) P(Z1) =

= P(1.033) P(0.5164)
=0.3485 0.1950 = 0.1535
P(Z) f(x) = 0.1535 0.1527
=0.0008
Z
Figura. 29
De estos clculos concluimos que la diferencia de la probabilidad normal y binomial es

de 8 diezmilsimos. Este ejemplo nos ilustra que podemos usar la distribucin normal
para calcular la probabilidad de una distribucin binomial, con una aproximacin tal que
no afecta la toma de decisiones.
Veamos otro ejemplo:

Una editorial de libros tcnicos obsequia un porcentaje de libros para dar a conocer una
nueva edicin. Con el libro de obsequio se enva un cuestionario que deben contestar los
lectores y devolver a la editorial. En el cuestionario se incluyen preguntas con respecto
de las personas para mejorar su contenido y preparar nuevos tirajes; pero la experiencia
de sta es que la probabilidad de que devuelvan el cuestionario es de P ( x ) = 0.18.
Se envan por correo 100 ejemplares a profesionistas que pudiesen interesarles el

contenido, del libro Aplicacin industrial de la probabilidad. A la editorial le interesa
saber la probabilidad que al menos reciban 15 cuestionarios de regreso.
39
Solucin:
El problema es de recibir o no el cuestionario, por lo tanto es una distribucin binomial

con n = 100 y P = 0.18 por lo que para hallar el resultado debemos calcular:
P ( x ) = f ( 15 ) + f ( 16 ) + . . . + f ( 100 ) . . . ( 11 )
O bien
P ( x ) = 1-[f ( 0 ) + f ( 1 ) + . . . + f ( 14 )] . . . ( 12 )
El Segundo clculo es menos laborioso, sin embargo no deja de serlo. Sabemos que una
buena aproximacin es mediante la distribucin normal cuyo clculo es ms sencillo.
Veamos el desarrollo:
np = 100 (0.18 ) = 18
np(1 p) 100(.18)(. 82 ) 3.84
Para transformar la variable binomial a continua tomamos el lmite real inferior de clase
14.5 18
X = 14.5 o sea medio punto antes. Con este valor calculamos Z1 = 0.9114
3.84
P(Z) = P (Z1) + 0.5 .. . ( 13 )

De las tablas obtenemos:
P (Z1) = P (-0.9114) = 0.3186
Sustituyendo este valor en ( 13 )
Obtenemos: f(x) = P(Z) = 0.3186+0.5
f(x) = 0.8186
Z
Figura. 30
De acuerdo con este resultado la editorial recibir el 82% de los cuestionarios enviados.
40
Realiza los siguientes problemas aplicando la distribucin binomial y compara el

resultado usando la distribucin normal.
1. Aplica la distribucin binomial y determina la probabilidad de recibir al menos 15

cuestionarios. Compara los resultados e indica el error de aproximacin, si es positivo
o negativo.
2. La polica tiene conocimiento que la probabilidad del robo de automviles en la ciudad

de Mxico es de P( x ) = 0.4 y tiene reportados 10 automviles robados en el mes de
diciembre. Calcular la probabilidad de recuperar:
a) A lo ms 3 de los 10 robados
b) Al menos 6 de los 10 robados
3. En el plantel 11 del Colegio de Bachilleres se tiene el conocimiento de que la

probabilidad de mujeres en el primer ingreso es de 0.45. Si seleccionamos una
muestra al azar de 10 alumnos de primer ingreso, Cul es la probabilidad de que :
a) Seis de los 10 sean mujeres

b) A lo mas 6 de los 10 sean mujeres
c) Al menos 5 de los 10 sean mujeres
41
Recuerda que la Distribucin Normal Estndar; es aquella distribucin probabilstica de

la variable normal estndar Z.
Los Polgonos de Frecuencias, son:
a) Simtricos.
b) Asimtricos.
Estos se clasifican en:
1) Platicrtico.
2) Mesocrtico.
3) Leptocrtico.
Normalizacin; es el proceso de transformacin de un polgono de frecuencias a una

curva normal, se representa mediante la ecuacin:
Xi
Z

Donde:
Z = Puntuacin normalizada o tipificada.

Xi = Cada una de las puntuaciones de la poblacin.
= Media de las puntuaciones de la poblacin.
= Desviacin estndar de la poblacin.
Recuerda que la curva normal es simtrica, es decir, en forma de campana.
42
1.2 DISTRIBUCIONES MUESTRALES Y EL TEOREMA CENTRAL DEL
LMITE
En el fascculo 1 del curso de Estadstica Descriptiva e Inferencial I se definieron los

conceptos:
1) Poblacin:
a) finita
b) infinita
2) Muestra aleatoria
3) Estadstica
4) Parmetros
Tambin se estableci por qu es conveniente estudiar una muestra aleatoria en lugar

de la poblacin.
Se recomienda que repases estos conceptos que usaremos en esta unidad.
1.2.1 DISTRIBUCIONES MUESTRALES
Cuando vamos al mercado nos dan una prueba de barbacoa y del sabor de esta muestra
se infiere el sabor de toda y si nos gusta entonces la compramos. Lo mismo ocurre si
queremos comprar queso, pedimos una prueba y de esta deducimos si todo el queso
est bueno o no.
Si el industrial quiere determinar el nmero de horas de vida que tiene un foco, toma una
muestra de todo el lote y los mantiene encendidos hasta que se funden.
De estos casos podemos deducir que no es posible analizar todo el queso o la barbacoa
porque no quedara para vender. El industrial no puede fundir todos los focos porque no
tendra qu vender.
En toda investigacin estadstica el objetivo general de esta, es hacer generalizaciones

de inferencias vlidas obtenidas de la muestra. En otras palabras, se trata de conocer las
caractersticas de la poblacin a partir de los datos de una o mas muestras obtenidas de
la poblacin.
Las muestras pueden ser:
a) Las muestras no probabilsticas no nos permiten hacer generalizaciones.

b) Las muestras probabilsticas son la base de la inferencia estadstica y a este tipo
corresponde el muestreo aleatorio.
43
Definicin:
Se llama muestreo aleatorio de una poblacin finita de n elementos, si cada muestra

tiene la misma probabilidad de ser seleccionada y cada elemento de la poblacin
tiene la misma probabilidad de ser incluido en la muestra.
Los tipos de muestras aleatorias son:
1. Muestreo sistemtico.
2. Muestreo estratificado.
3. Muestreo por conglomerados.
4. Muestreo aleatorio simple.
En lo que sigue nos ocuparemos de cada uno de ellos.
Muestreo Sistemtico
En este muestreo los elementos de la poblacin se seleccionan con un intervalo

uniforma que se mide en el tiempo, en el espacio o en el orden.
Ejemplo:
Se desea entrevistar a cada dcimo estudiante del S.E.A. del Plantel 2 del Colegio de
Bachilleres, para ello se toma una lista de todos los estudiantes. Supongamos que
escogimos el 5., entonces el siguiente ser de los 10 primeros seleccionados al azar y a
partir de este vamos tomando los nmeros dcimos de toda la lista.
Este muestreo tiene ventajas y desventajas.
a) Ventajas:
1. Cada elemento de la poblacin tiene la misma probabilidad de ser seleccionado.

2. El muestreo requiere de poco tiempo.
3. El costo es reducido.
b) Desventajas:
1. No todas las muestras tienen la misma probabilidad de ser seleccionadas.

2. Debido a lo anterior se puede cometer el grave error de tomar una muestra que
no sea representativa, por ejemplo:
Se muestrea un determinado nmero de familias para saber si el mircoles est

incluido un platillo de carne de res en su alimentacin. La respuesta es negativa
porque solamente el domingo la consume ya que es el da en que van al pueblo
a comprarla. Esta forma de tomar la muestra no es representativa.
44
Muestreo Estratificado
Para este muestreo, dividimos la poblacin en grupos homogneos llamados

estratificados. Determinamos la proporcin correspondiente de cada estrato en
base a la poblacin y esta misma proporcin se toma cada estrato para formar la
muestra.
Este mtodo es til cuando la poblacin ya esta dividida en grupos.
Por ejemplo:
Los estudiantes del S.E.A. del plantel 2 del Colegio de Bachilleres estn
divididos por edades con intervalos de 5 aos y los porcentajes son los
siguientes:
Intervalos de clase Porcentaje

(edad)
18 23 30%
24 29 25%
30 35 20%
36 41 10%
42 47 7%
48 53 5%
54 ms 3%
Se desea saber cuantas horas estudian diariamente; para ello de cada grupo se
toma un porcentaje igual al del grupo, es decir del primer grupo tomamos el 30%
del grupo. De la misma forma se toma el porcentaje de los siguientes grupos
para formar la muestra representativa para su estudio.
Muestreo con Conglomerados
Para este tipo de muestreo, dividimos a la poblacin en grupos conglomerados y

de estos seleccionamos una muestra aleatoria, para su estudio.
Por ejemplo:
En una investigacin de mercados se desea saber el nmero de coches por

familia de la ciudad de Mxico. Para ello dividimos las colonias en manzanas y
de este nmero seleccionamos aleatoriamente un nmero de manzanas para
entrevistar a cada familia.
45
Muestreo Aleatorio Simple
El muestreo aleatorio simple tiene las caractersticas de la poblacin y es una

muestra representativa de sta. Es el muestreo ms recomendable para el
estudio estadstico, solamente que tiene sus inconvenientes.
Para poder hacer el muestreo aleatorio simple debemos contestarnos las

siguientes preguntas:
1. Dada una poblacin finita de N elementos, Cuntas muestras de n

elementos podemos formar?
2. Conociendo las n muestras Cmo podemos tomar una de ellas que sea
representativa de la poblacin?
Para dar respuesta a la primera pregunta, nos trasladamos al fascculo donde estudiaste
el anlisis y aplicamos la ecuacin:
N N!
C . . .(14)
n n! (N n)!
EJEMPLO:
Determina Cuntas muestras de tamao n se pueden formar de una poblacin finita N
para los siguientes datos?
a) n = 2 y N = 20
b) n = 3 y N = 100
Solucin:
20 20! 201918!
a) C 190
2 2! (20 2)! 2! (18)!
Este resultado nos dice que con una poblacin de 20 elementos podemos tomar 190
muestras de dos elementos cada una.
100 100! 100999897! !

b) C 50 33 98 = 161, 700
3 3! (100 3)! 123! (97)!
Este resultado nos indica que de una poblacin de 100 elementos podemos formar 161,
700 muestras de 3 elementos.
Para contestar la segunda pregunta observamos lo siguiente:
Para que estas muestras sean representativas en el primer caso cada muestra debe
1
tener de probabilidad de ser seleccionada.
190
46
1
En el 2 caso cada muestra debe tener de probabilidad de ser seleccionada.
161700
Cmo debemos tomar cada muestra para que sea representativa?
Hay varias formas de tomar la muestra. Estas formas son las siguientes:
a) en el primer caso cuando el nmero de muestras no es muy grande se pueden

numerar recortes de papel, doblarlos y meterlos en un recipiente donde se puedan
mezclar ampliamente. Una vez mezclados, se saca la muestra.
Por ejemplo:
En una empresa se premiar con un viaje a Europa a solo 2 de los 5 empleados de
mayor eficiencia. Cmo seleccionamos a los dos que deben ir?
Solucin:
A cada empleado lo representamos con la primera letra de su nombre.
1. Abraham (A)
2. Dionisio (D)
3. Efran (E)
4. Fausto ( F)
5. Ivn (I )
Determinamos el nmero de muestras
N 5 5! 543! 20
C C 10
n 2 2! (5 2)! 2! (3)! 2
1
P(n)=
10
Cada muestra la escribimos en un recorte de papel y stas son:
1 2 3 4 5 6 7 8 9 10
AD AE AF AI DE DF DI EF EI FI
Doblamos bien el corte de papel de cada muestral, la introducimos en una vasija; la

agitamos ampliamente y extraemos a la pareja afortunada.
Quiz hayas visto este procedimiento en el sorteo de los equipos para el campeonato
mundial de ftbol. En el sorteo se usaron esferas huecas bisectadas y en su interior se
coloc el nombre de cada equipo, se revolvan ampliamente, se sacaba una esfera de la
cual se tomaba el nombre del equipo y se colocaba en el grupo correspondiente.
47
1) Si para el campeonato mundial de ftbol hay 24 equipos de los cuales se deben

formar 6 grupos de 4. Cmo organizaras los equipos para que cada muestra sea
aleatoria? Cmo tomaras cada muestra y qu equipos la compondran? Determina
los dos posibles finalistas.
2) Calcula el nmero de muestras de tamao 3 para una poblacin de:
a) 7 elementos
b) 15 elementos
c) 50 elementos
3) Calcula el nmero de muestras de tamao 5 para una poblacin de:
a) 10 elementos
b) 25 elementos
c) 75 elementos
Si tienes alguna duda consulta a tu asesor de contenido.
b) Si el nmero de muestras es muy grande como en el ltimo ejercicio 15, que son
17,259, 390; la forma explicada con recortes de papel no es la adecuada. Para estos
casos se usa otro procedimiento que consiste en usar una tabla de nmeros
aleatorios como la que se incluye en el apndice B.
Esta tabla de nmeros aleatorios se puede constituir fcilmente con un programa de

computacin.
Uso de la tabla de nmeros aleatorios.
Para explicar su uso, veamos el siguiente ejemplo:
El Banco Nacional de Mxico tiene una promocin para tarjetas habientes que consiste
en condonarles la cuenta a 10 personas de cada sucursal, en la primera quincena del
mes de enero de 1994. La lista de cuenta habientes es de 550 y para determinar la
muestra aleatoria numeramos cada cliente con tres cifras en orden ascendente esto es:
001, 002, 003, ..., 550 y nos situamos al azar en una columna de nmeros aleatorios y
nos desplazamos en ella en la direccin que queramos analizando las tres primeras
cifras de cada nmero hasta completar los 10 nmeros de la muestra.
48
Para nuestro ejemplo nos situamos en la ltima pgina de nmeros aleatorios del
apndice B, en la columna 27 rengln 31 y nos desplazamos hacia abajo, los nmeros
obtenidos de 3 cifras son:
187, 155, 388, 320, 281, 088, 520, 275, 480 y 273
Como la tabla es de nmeros aleatorios, podemos asegurar que esta muestra es

aleatoria.
Como habrs notado mediante el uso de nmeros aleatorios, es muy fcil tomar una
muestra aleatoria.
Mediante el uso de las tablas del anexo B, realiza e siguiente ejercicio.
En una empresa de 120 empleados se desea obtener una muestra aleatoria de 10

empleados para darles un curso de actualizacin. Qu empleados formaran la
muestra? Utiliza tu cuaderno para dar la respuesta.
Distribucin de Media Muestrales
Ya sabemos cmo determinar e nmero de muestras de una poblacin y cmo

seleccionar una muestra aleatoria, ahora estudiaremos cmo se organiza una
distribucin de medias muestrales.
La distribucin de medias muestrales son las probabilidades de todas las medias

posibles de las muestras de una poblacin finita.
Toda distribucin de probabilidad puede describirse mediante su media y su desviacin

estndar.
Al tomar las muestras aleatorias se cometen ciertos errores que se reflejan en que la
media y la distribucin de cada muestra no son iguales, y por lo tanto la media y la
desviacin estndar de la poblacin tampoco coinciden con los de la muestra. Por esta
razn, la desviacin estndar de la distribucin de un estadstico muestral recibe el
nombre de error estndar estadstico.
El error estndar no solamente indica el tamao del error accidental, sino tambin la
exactitud que alcanzaremos si usamos un estadstico muestral para estimar un
parmetro de la poblacin.
49
De una poblacin cuyos elementos son ( 1, 3, 5, 7, 9 ), formar el nmero de muestras
aleatorias de 2 elementos, construir la distribucin de medias muestrales, determinar la
media de la distribucin de medias ( ); determinar la desviacin estndar de la
distribucin de medias y comparar estos resultados con los parmetros de la poblacin.
Solucin:
n=2
N=5
1 3 5 7 9 25
Media de la poblacin: 5 5
5 5
2 Varianza de la poblacin:
1
2 [(15)+(35)+(55)+(75)+(95)]
5
2 8 = 8 = 2.83 = 2.83
5 5!
Nmero de muestras: C = 10
2
2! ( 5 2)
Conjunto de muestras
{(1, 3), (1, 5), (1, 7), (1, 9), (3, 5), (3, 7), (3, 9), (5, 7), (5, 9), (7, 9)}
Conjunto de medias maestrales: {2, 3, 4, 5, 4, 5, 6, 6, 7, 8}
Probabilidad de las medias maestrales:

Probabilidad
x
2 1
10
3 1
10
4 2
10
5 2
10
6 2
10
7 1
10
8 1
10
50
Media de la distribucin de medias maestrales:
1 1 2 2 2 1 1
x = 2 ( ) + 3( ) + 4 ( ) + 5 ( ) + 6 ( ) + 7 ( ) + 8 ( )
10 10 10 10 10 10 10
x = 5
Varianza de la distribucin de medias muestrales:
1 1 1 1 1 1 1
2 = (25) ( ) + (35) ( ) + (45) ( ) + (55) ( ) + (65) ( ) + (75) ( ) + (85) ( )
10 10 10 10 10 10 10
2 = 3 = 3 = 1.73
De estos resultados concluimos que:
1. La media de la distribucin de medias x es igual a la media poblacional ( ).

2. La desviacin estndar de la distribucin de medias x es menor que la desviacin
estndar poblacional ( ).
De este ejemplo podemos ver el error estndar de la media en que x < , el cual ya
habamos mencionado.
Ilustramos el proceso de la distribucin de media muestrales mediante las siguientes

grficas.
Dada una poblacin de N elementos, sta tiene una media y una desviacin estndar
cuya relacin entre ellos se muestra en la grfica siguiente:
Figura. 31
51
Figura. 32
De esta poblacin se pueden formar un gran nmero de muestras pero solamente

mostramos 4 de ellas para ilustrar el procedimiento.
Figura. 33
Con estas grficas podemos darnos mejor idea de la secuencia de operaciones que
realizamos para obtener la distribucin de medias muestrales representada por la grfica
C. Esta grfica es simtrica y tiene la forma de la curva normal o campana de Gauss.
De esta misma grfica podemos constatar que la media poblacional es igual a la media
de la distribucin de medias, lo cual no ocurre con la desviacin estndar en la que hay
un error.
La desviacin estndar de la distribucin muestral de medias para poblaciones finitas de

tamao N, se puede calcular por la ecuacin
Nn
x . . . (15)
n N1
Esta ecuacin se llama error estndar de las medias.
52
Nn
A la raz le llamamos factor de correccin por poblacin finita, toda vez que para
N1

poblaciones infinitas se aplica la ecuacin x . . . (16)
n
Si la muestra es al menos el 5% de la poblacin entonces el factor de correccin no

afecta porque tiende a la unidad.
Veamos el ejemplo que usamos para la distribucin de medias en que:

N=5 n=2 x = 3 = 8
Con estos valores sustituimos en la frmula y obtenemos:
8 52 8 3 3(8)
x = = =
2 5 1 2 4 2( 4)
x = 3
De este resultado concluimos que por ser la muestra al menos el 5% de la

poblacin, el factor de correccin no afecta a la distribucin estndar de medias.
1. De una poblacin finita N = { 3, 4, 5, 6, 7, 8 y 9}, se toman muestras aleatorias de 2

elementos.
a) Calcula la media y la desviacin estndar de la poblacin, .
b) Calcula el nmero de muestras aleatorias que se pueden formar, establece el
conjunto de muestras u determina la probabilidad de cada una.
c) Construye la distribucin de medias muestrales de la poblacin.
d) Calcula la media, la varianza de la distribucin de medias; valor de la desviacin
estndar de las medias, aplicando la ecuacin del error estndar.
e) Realiza las grficas de la secuencia de operaciones.
2. Determina el factor de correccin para una poblacin N = 10, 000 con muestras de
n = 100 e indica si afecta o no a la desviacin estndar de la distribucin de medias
muestrales x .
53
1.2.2 EL TEOREMA CENTRAL DEL LMITE
En los ejemplos anteriores qued establecido que las muestras aleatorias tomadas de
una poblacin tienen diferentes medias y comparadas con la media muestral, hay
un determinado error.
Con respecto a este error, el teorema de Chebyshev dice:
1
Podemos afirmar con una probabilidad de cuando menos 1 que la media de
k2
una muestra aleatoria de tamao (n) difiere de la media de la poblacin en un valor
igual a x k.
Este teorema de Chebyschev afirma que para estimar la media poblacional, cuando
utilizamos la media de una muestra aleatoria podemos afirmar con una probabilidad de
1
cuando menos 1 2 que nuestro error ser menor que: x (k).
k
EJEMPLO:
Dada una poblacin de N elementos Cul es el error para K = 2, si tomamos una

muestra n = 64 con una desviacin estndar = 20?
Solucin:
20
Calculamos x = = 2.5
64
1 1
Se afirma con una probabilidad de 1 2
= 1 = 0.75 que la media de la muestra
k 22
difiere de la media de la poblacin, y que el error que se comete es menor que:
x k = 2.5 ( 2 ) = ( 5 )
Con este teorema podemos conocer el error que cometemos sin tener que hacer el
desarrollo de la distribucin de medias muestrales.
Existe otro teorema an ms preciso que el de Chebyshev, ste teorema se llama:

Teorema del lmite central y dice:
Si el tamao de la muestra ( n ) es grande, entonces se aplica la distribucin

muestral terica de las medias.
54
Este teorema es fundamental en la estadstica, ya que justifica el uso de los mtodos de
la curva normal en la solucin de una amplia gama de problemas. Se aplica a
poblaciones infinitas y a poblaciones donde n es una parte de la poblacin. Es difcil
especificar con exactitud cuan grande debe ser (n) para poder aplicar el teorema central
del lmite. Sin embargo para n=20 ya se puede obtener un polgono de frecuencias
simtricas y en forma de campana; para n=30, ya podemos considerar a (n)
suficientemente grande.
Si la poblacin que muestreamos tiene un polgono de frecuencias simtrico y en forma

de campanas, entonces podemos aplicar el teorema del lmite central sin importar el
tamao de (n).
EJEMPLO:
Apliquemos el teorema del lmite central en el mismo problema donde aplicamos el

teorema de Chebyshev, o sea
N=64 =20
Chebyshev dice: cul es la probabilidad de que el error que se comete al tomar la

media de la muestra como parmetro de la poblacin sea menor que 5? Y con su
teorema se obtiene cuando menos de 0.75. Este resultado nos indica que puede ser ms
pero no se precisa.
Veamos el clculo con el teorema central del lmite.
El rea bajo la curva es para:
5 5
Z1 2 y Z2 2
20 / 64 20 / 64
Con los valores de Z nos vamos a las tablas del apndice A, que se encuentran al final
del fascculo, obtenemos
P(Z) = P(Z1) = 0.472

P(Z) = P(Z1) + P(Z2) = 2(0.4772) = 0.9544
Con este ejemplo podemos ver como el teorema central del lmite es ms preciso que el
de Chebyshev, toda vez que Chebyshev da un rango de aproximacin y el del lmite
central nos fija el valor de la probabilidad.
La grfica de la curva normal de este problema se muestra en la siguiente figura cuya

rea est sombreada.
55
Figura 34.
El tamao (n) cobra importancia cuando el polgono de frecuencias no es simtrico, en

estos casos en la medida en que (n) aumenta, el error estndar disminuye.
Si tomamos a x como estimacin de , cmo es el error estndar de la media si n = 50

se incrementa a n = 200.
Solucin:

200 50 50 1 1
200 200 4 2
50
Con este ejemplo podemos ver que al aumentar el valor de (n), el error de la media
disminuye; en nuestro ejemplo disminuy la mitad.
Si la naturaleza del problema que se est resolviendo tiene distribucin normal, entonces
el teorema del lmite central cobra mayor importancia en el clculo del error estndar de
la media. Veamos el siguiente ejemplo:
Dada una poblacin normal de =100 y =25, formamos muestras de 5 elementos y

determinamos la media de cada muestra X. Sin duda la media de cada muestra es
mayor que la media poblacional y la desviacin estndar de la distribucin muestral es
menor que la de la poblacin, porque la dispersin de la muestra es menor que la de la
poblacin. Grficamente lo podemos ver de la siguiente forma:
56
Figura 35.
La grfica A es la distribucin muestral de la poblacin =100 y =25.
La grfica B es la distribucin de las medias maestrales con n=5 y x 25.
Ahora formemos muestras con n=20 y la grfica de esta nueva distribucin de medias
maestrales es la C.
=0
Figura 36.
De la grfica C concluimos que al aumentar el valor de (n) estamos intensificando el

efecto de promediar la muestra y por ello la dispersin disminuye an ms, es decir en
la grfica C x 25.
57
De lo anterior concluimos que:
si (n) crece, el error estndar que se comete al tomar a la media muestral como
estimador de la poblacin () es cada vez ms pequeo.
Ya dijimos que para n30 podemos considerar que (n) es grande y aunque el teorema
central del lmite se puede aplicar a una muestra cuya n30, el error estndar es mayor.
En estos casos se recomienda aplicar otra distribucin que nos permite clculos ms
precisos en muestras pequeas y que veremos a continuacin.
ACTIVIDAD DE REGULACN
Realiza lo que se te pide. Utiliza tu cuaderno para dar las respuestas:
1. La media de una muestra aleatoria de tamao n = 400 se utiliza para estimar la

media de una poblacin infinita que tiene desviacin estndar = 5. Qu podemos
decir acerca de la probabilidad de que el error ser menor que 0.4 mediante el uso
de:
a) El teorema de Chebyshev
b) El teorema central del lmite
2. En los equipos de deteccin de la contaminacin por humo, se usan pequeas

bateras cuya duracin tiene una desviacin = 77 horas. Se utiliza la media de una
muestra de tamao n = 49 para estimar la media poblacional. Mediante la aplicacin
del lmite central, qu podemos decir acerca de la probabilidad de que la estimacin
tenga un error?
a) Menor de 10 horas?
b) Menor de 20 horas?
58
1.2.3 DISTRIBUCIN TSTUDENT
En la inferencia estadstica se hacen generalizaciones con base en muestras, mediante

estimaciones y pruebas de hiptesis.
La estimacin consiste en asignar un valor numrico a un parmetro de una poblacin

sobre la base de datos de muestras; y la prueba de hiptesis est basada en la
aceptacin o rechazo de suposiciones concernientes a los parmetros de una poblacin.
En el subtema 1.2.2 se hicieron estimaciones de medias poblacionales a travs de

medias muestrales cuando el tamao de la muestra es grande (Teorema del lmite
central).
Sin embargo, cuando la muestra involucrada es pequea es muy probable que la

desviacin tpica muestral S sea bastante distinta de la desviacin tpica de la poblacin
; en consecuencia en estos casos no se puede utilizar el teorema central del lmite para
estimar la media de una poblacin a travs de la media de una muestra. En estos casos
se utiliza otra distribucin llamada t de Student.
La teora de las muestras pequeas sacadas de una poblacin normal de desviacin

tpica desconocida, fue descubierta por el ingls William Gosset en 1908 con el
seudnimo de Student.
La distribucin t de Student se representa mediante la expresin:
X-
t , ..(12)
s/ n
Donde:
X = media de la muestra
= media de la poblacin
s = desviacin tpica de la muestra
n = tamao de la muestra
La distribucin t de Student se basa en la consideracin de que la poblacin a partir de la

cual se obtiene la muestra tiene una distribucin normal, o al menos aproximadamente
normal.
Con la distribucin Student es posible estimar parmetros de una poblacin a partir de

los estadsticos calculados para una muestra cuando sta es pequea.
Dicha estimacin puede ser puntual o por intervalos.
La estimacin es puntual cuando se estiman parmetros empleando valores de una

muestra nica; y por intervalos cuando se establece un rango de valores dentro de los
cuales se espera que el parmetro caiga.
59
Como ejemplo para ilustrar un problema en la estimacin de medias, considrese un
estudio en el cual un mdico desea determinar el incremento promedio real del pulso
cardiaco de una persona que realiza cierta tarea ardua. Los siguientes datos representan
los incrementos de pulso cardiaco en pulsaciones por minuto que el mdico obtuvo en
relacin con 32 personas:
27, 25, 19, 28, 35, 23, 24, 22,

14, 30, 32, 34, 23, 26, 29, 27,
27, 24, 31, 22, 23, 38, 25, 16,
32, 29, 26, 25, 28, 26, 21, 28.
Calculando la media de la muestra se obtiene que X =26.2 pulsaciones por minuto y en

ausencia de otra informacin este nmero sirve como estimador de la media de la
poblacin .
Una estimacin de este tipo es una estimacin puntual ya que consta de un solo nmero.
Pero esta manera de estimar un parmetro no es la ms confiable ya que no nos dice en
cuanta informacin se basa la estimacin y tampoco nos dice nada acerca del posible
tamao del error. Una estimacin por intervalos es mucho ms til que una estimacin
puntual, debido a que posee ms informacin; no solo da el valor estimado, sino tambin
la precisin y el nivel de confianza.
Propiedades de la distribucin T - Student
X-
Comparando la variable normal estandarizada Z y la variable t de student,
/ n
X-
t se observa que son similares y que el nico cambio est en el denominador
s/ n
donde se sustituye S en lugar de .
Como la distribucin normal estndar Z, la distribucin t tambin es continua, en forma

de campana y perfectamente simtrica. La nica diferencia entre las dos distribuciones,
es que la distribucin t tiene mayor variabilidad; la curva t est ms extendida en la parte
de las clases y es ms achatada en la zona del centro.
60
En la siguiente figura se comparan los dos tipos de curvas.
CURVA Z
Figura 37.
La siguiente figura muestra el comportamiento de la distribucin t comparada con la

distribucin Z.
g.l = grados de libertad.
Figura 38.
De la figura se puede observar que conforme aumenta el tamao de la muestra, la curva

t se aproxima a la curva normal; cuando el tamao de la muestra n tiende a infinito, la
curva t es idntica a la curva normal. Tambin de la figura se puede afirmar que no hay
una sola distribucin para la distribucin t de Student, sino una familia de distribuciones;
esto es debido al efecto del tamao de la muestra. Si n es pequea, la t de Student
correspondiente es muy ancha, pero si n<30, la distribucin t y la normal Z son casi
61
indistinguibles. De todo lo anterior se pueden establecer propiedades de la distribucin
de t de Student.
Caractersticas de la distribucin t de Student

1. Es simtrica con respecto a la media
2. Tiene media =0 y 1
3. La desviacin tpica 1, cuando el tamao de la muestra tiende a infinito.
4. La distribucin Z tiene solamente una distribucin con media =0 y desviacin
tpica =1; mientras que la distribucin t tiene una familia de distribuciones.
5. La distribucin t no se tabula segn el tamao de la muestra, sino en trminos del
nmero de grados de libertad.
6. La distribucin t es continua, en forma de campana.
7. La distribucin t se basa en la consideracin de que la poblacin a partir de la
cual se obtiene la muestra tiene una distribucin normal o aproximadamente
normal.
8. La variabilidad de la distribucin t, depende de dos variables aleatorias (S y X ).
9. La distribucin t se Student se utiliza para estimar parmetros poblacionales a
travs de los valores de las muestras, para muestras pequeas (n30) y cuando
la desviacin tpica S es conocida.
10. El nmero de grados de libertad es el nico parmetro de la distribucin t. Esto
es, la forma de la curva t est totalmente definida cuando se conoce el nmero
de grados de libertad (g.l=n-1).
El trmino grados de libertad abreviado (g.l.), se refiere al nmero de datos que pueden
variar libremente, despus de haber impuesto ciertas restricciones a nuestros datos.
El nmero de grados de libertad es el tamao de la muestra menos uno; es decir

g.l.=n-1.
Cuando se quiere calcular la media de una poblacin a travs de la media muestral,

debido a la variabilidad de la media muestral X; sta no ser exactamente igual a la
media poblacional , por lo tanto siempre habr un margen de error llamado error
muestral; es decir:
= X error muestral
El mximo error que se comete cuando se utiliza X como estimacin de , cuando n30
est dado por:

EZ
2 n
62
Donde:

Z denota el valor de Z para el cual el rea situada debajo de la curva normal
2
estndar a su derecha es igual a /2.
La seleccin del valor de es arbitraria, depende de qu tanto error se est dispuesto a

tolerar.
El error que se est dispuesto a tolerar se llama nivel de confianza.
EJEMPLO:
Z0.05, significa que estamos dispuestos a tolerar un 5% de error.
Hallando este nivel de confianza en una grfica, se tiene:
Figura 39.
En las tablas del rea bajo la curva normal se obtiene Z 2=1.96; y como la curva es
simtrica, Z1=-1.96.
Lo anterior significa que el 95% de las diferencias maestrales cae entre -1.96 y 1.96
desviaciones estndares.
En base al ejemplo anterior, obtener Z0.01 y representarlo en una grfica.
EJEMPLO:
Un experto en mecnica utiliza la media de una muestra aleatoria de tamao n=30 para
estimar el tiempo promedio que le toma a un mecnico realizar cierta tarea. Si con base
en la experiencia, el experto puede suponer f=2.5 minutos para estos datos, qu se
puede decir con un nivel de confianza del 1% acerca del tamao mximo de su error?
63
SOLUCIN:
n = 30 = 2.5 = 1% = 0.01 = /2 = 0.005
Utilizando las tablas del rea bajo la curva normal se tiene:
Z0.005 = 2.57

Sustituyendo estos datos en la frmula E = Z/2 se tiene:
x
(2.5) 6.425
E = (2.57) 1.17
30 5.477
El resultado obtenido significa que el experto en mecnica puede afirmar con una
certeza del 99% que su error ser cuando mucho de 1.17 minutos.
ACTIVIDAD DE REGULACN
Con referencia al problema de los pulsos cardiacos de las 32 personas, qu se puede

decir con un nivel de confianza del 5% acerca del error mximo si se utiliza X = 26.5
como estimacin del incremento promedio real del pulso de una persona que realiza la
tarea dada? Utiliza tu cuaderno para dar tu respuesta:
Formato de una muestra para estimar la media cuando n30
Z
La frmula E = , tambin se puede utilizar para determinar el tamao de la
2 n
muestra que se necesita para lograr un grado de exactitud deseada. Despejando n de la
expresin anterior se tiene:
2
Z /2
n= .(16)
E
La frmula anterior se utiliza para determinar el tamao de la muestra.
64
EJEMPLO:
El profesor de Estadstica de la Universidad desea emplear la media de una muestra

tomada para estimar la cantidad promedio de tiempo que los estudiantes requieren para
pasar de una clase a la siguiente. Adems desea que esta estimacin tenga un error de
cuando mucho 0.30 minutos con probabilidad 0.95. Si se sabe de estudios similares
anteriores que es razonable tomar = 1.50 minutos, de qu tamao tendr que tomar
una muestra?
SOLUCIN:
La probabilidad 0.95 de que al hacer la estimacin se tenga un error de cuando mucho
0.30 significa que se est tomando un nivel de confianza del 5%, por lo tanto = 5% =
/2 = 2.5% = 0.025.
De tablas se tiene Z0.025 = 1.96; adems = 1.50, E = 0.30
Sustituyendo los datos de la frmula:
2
Z /2
n se tiene
E
2
(1.96) (1.50)
n = 96.04
0.30
Se requiere una muestra aleatoria de tamao n = 96 para la estimacin.
1. En un estudio de los hbitos de ver televisin, se busca estimar el nmero de horas

en promedio que los alumnos de bachillerato ven televisin por semana. Si es
razonable suponer = 3 horas, de qu tamao deber ser la muestra de manera
que se pueda afirmar con la probabilidad de 0.99 que la media de la muestra fallar
cuando mucho en 35 minutos? Utiliza tu cuaderno para dar tu respuesta.
Intervalos de confianza
Anteriormente ya se dijo que para estimar parmetros, lo ms adecuado es formar un

intervalo de confianza, el cual generalmente incluir al parmetro por estimar.
65
Como ya vimos al estimar en base a la media de la muestra X , la estimacin no ser
perfecta; es decir, siempre habr un margen de error, tal que:
= X error muestral;
Z
Pero ya vimos que el mximo error muestral que se puede cometer es E = , por
2 n
lo tanto podemos escribir:
Z
X .(17)
2 n
Donde:
X = media muestral
Z = Es el valor de Z para el cual el rea bajo la curva normal a la derecha de Z
2 es /2
= Nivel de confianza

= Desviacin tpica de la media
n
Puesto que los niveles de confianza ms utilizados son 0.05 y 0.01, entonces podemos
establecer los siguientes intervalos de confianza:

= X 1.96 ; intervalo de confianza de 95%
n

= X 2.58 ; intervalo de confianza de 99%
n
Recuerda que para = 0.01 = /2 = 0.025 y que Z0.025 = 1.96.
EJEMPLO:
Obtener el intervalo de confianza del 95% del conjunto de datos:
2
X X
1 1 (1, 5, 2, 3, 4, 1, 2, 2, 4, 3)
5 25
2 4
3 9 1er. Paso: Se determina la media
4 16
1 1 X = 27 X 27
X X 2.7
2 4 N = 10 N 10
2 4
4 16
3 9
27 89
66
2do. Paso: Se obtiene la desviacin estndar de la muestra
X 89
S= -X S= - (2.7) 8.9 - 7.29
N 10
S= 1.61 0 1.27 S 1.27
3er. Paso: se obtiene el error estndar de la media.
S
ntese que el denominador en la frmula se escribi N1 en vez
X N-1
de N; la razn es que N-1 corrige el sesgo del error estndar.
1.27 1.27
o.42 0.42
X 10 - 1 3 X
4o. paso: Se multiplica el error estndar de la media por 1.96 que es el valor de Z al nivel
de confianza de 0.05.

= X 1.96
X
= 2.7 1.96 (0.42)
= 2.7 0.82
1.88 3.52
Lo anterior significa que se puede asegurar con un 95% de confianza que la verdadera
muestra poblacional est entre 1.88 y 3.52.
EJEMPLO:
Un fabricante de productos especiales de acero necesita la dureza media de un lote

grande de piezas de acero que acaba de recibir. Es muy importante la determinacin de
la dureza ya que si sta sale de cierto rango, es necesario aplicar un tratamiento costoso
para llevarla al grado de dureza deseado. Imagina que t trabajas en el departamento
de pruebas de cierta compaa y le han enviado el resultado de una prueba de dureza
efectuada en una muestra aleatoria de 40 piezas, siendo la medida de la muestra X = 70
y la desviacin estndar S = 2. Qu haras?
SOLUCIN:
Se tiene que estimar la dureza media en base a una muestra con n = 40, X = 70
y S = 2 y un nivel de confianza del 99%, ya que la situacin es bastante delicada.
67

= X 2.58
n
2
= 70 (2.58)
40
= 70 (2.58) (0.82)
o sea: 69.18 70.82
El gerente, al recibir el informe, observa que este resultado cae muy cerca del extremo
del rango aceptable (de 68.3 ________), pide que se aumente la precisin del intervalo de
confianza del 0.82 a 0.50, preservando el nivel de confianza en 99%.
Qu haras t?
SOLUCIN:
Hay que determinar el tamao de la muestra necesaria para alcanzar la precisin de
E = 0.50.
2
Z /2
n podemos tomar = 5
E
2 2
(2.58) (2) 5.16
n (10.32)2 106.50
0.50 0.50
Entonces nos bastara una muestra de 107 piezas. Como ya tenamos 40 piezas, se
manda completar la muestra probando la dureza de 67 piezas adicionales. Se calculan
las nuevas X y S en base a la muestra total y se obtiene el nuevo intervalo de confianza
a 99% con precisin de 0.50.
Realiza lo que se te pide. Utiliza tu cuaderno para dar tu respuesta:
La actividad de ciertas vacunas puede mediarse nicamente a travs de pruebas en

organismos vivos (conejos por ejemplo). Este procedimiento es costos y tardado, pero
esencial para asegurar el funcionamiento correcto de estas vacunas.
a) Si la muestra de 30 pruebas dio un ndice medio de actividad de X = 880 unidades

con S = 110, forma un intervalo de confianza de 95% para la actividad media de la
vacuna.
68
b) Calcula el tamao de muestra total necesaria para tener un error de estimacin
E 25 unidades con 99% de confianza.

c) Para 0.01 obtener: = _____ y Z1 = _____ .
2 2
d) Del conjunto de datos del problema anterior, encuentra el intervalo de confianza del
99%.
Confiabilidad de Promedios en Muestras Pequeas
Anteriormente ya se compar la distribucin Z con la distribucin t de Student.
X-
Si en la distribucin Z = , se reemplaza t por Z y por S se tiene la distribucin:
/ n
X-
t= distribucin de Student.
/ n
Esta distribucin se utiliza para estimar parmetros para muestras pequeas.
Los intervalos de confianza se forman de la misma manera que en la distribucin Z.
La forma de la curva de la distribucin t de Student est basada en el nmero de grados

de libertad (g. l. = n-1), en lugar del tamao n de la muestra. A medida que aumenta el
nmero de grados de libertad, la curva de la distribucin t es menos variable.
Una muestra la vamos a considerar pequea cuando sea n30.
La tabla de valores t es diferente de la de valores Z. en la tabla de valores de la

distribucin t de Student cada fila corresponde a una distribucin t distinta. La ltima
columna da el nmero de grados de libertad.
EJEMPLO:
Para 10 g. l., el 10% del rea de la curva est a la derecha del valor t = 1.383, y como la
curva es simtrica, el 10% del rea de la curva est a la izquierda del valor t = -1.383.
Figura 40. Distribucin t para 10 g. l. y /2 = 0.10.
69
De la figura se tiene que el 80% de los casos estn comprendidos entre -1.383 y 1. 383.
Para 10 g. l. y un nivel de confianza de 5%, determinar el intervalo de confianza y dibujar

su grfica.

Para la distribucin t de Student se define t, de la misma forma como se defini Z ,
2 2

de manera que el rea situada debajo de la curva que est a la derecha de t es igual
2

a -t . Sin embargo t depende del nmero de grados de libertad.
2 2
Utilizando el hecho de que la distribucin t es simtrica con respecto a t = 0 (media de la

distribucin t), entonces la probabilidad de que la variable aleatoria que tiene una
distribucin t tome un valor entre -t/2 y t/2; es decir, -t/2 t t/2 es 1-.
Figura. 41
Distribucin t
Igual que en la distribucin Z, el intervalo de confianza en muestras pequeas se puede

escribir:
70
S
X t /2
n
Frmula para determinar intervalos de confianza para muestras pequeas.
EJEMPLO:
La curva de la distribucin t con 10 g. l. se muestra en la siguiente figura. Hallar el valor
de t para que:
Figura 42.
a) El rea rayada de la derecha sea 0.05

b) El rea total rayada sea 0.10
c) El rea no rayada sea 0.99
d) El rea rayada de la izquierda sea 0.01
SOLUCIN
a) /2 = 0.05
En las tablas de la distribucin t se busca el nivel de confianza 0.05 con 10 g. l.

(n = 10 + 1 = 11), es decir, el tamao de la muestra n = 11.
t0.05 = 1.812
De acuerdo al ejemplo anterior, realiza lo que se te pide:
Resuelve los incisos b, c y d del problema anterior. Utiliza tu cuaderno para dar tu
respuesta.
71
EJEMPLO:
Los contenidos de cido sulfrico en siete recipientes similares son: 9.8, 10.2, 10.4, 9.8,
10.0, 10.2 y 9.6 litros. Encuentra un intervalo de confianza al 95% para la media de todos
los recipientes, suponiendo una distribucin aproximadamente normal.
SOLUCIN:
La media y la desviacin estndar de la muestra para los datos proporcionados son:
X = 10.0 y S = 0.283 (Checar estos resultados)
Empleando la tabla de la distribucin t, se encuentra que t 0.025 = 2.447, para 6 g. l.

Recuerda que = 0.05 y /2 = 0.025
el intervalo de confianza al 95% para es:
0.283
= 10.0 (2.447)
7
0.6925
= 10.0
2.64575
= 10.0 0.26174
9.738 10.26174 redondeando
9.74 10.26
Realiza lo que se te pide. Utiliza tu cuaderno para dar tu respuesta:
1. Una muestra aleatoria de 25 automviles del mismo modelo se conducen de la

misma forma y usando la misma calidad de gasolina. Los automviles recorren un
promedio de 9 Km. por litro de gasolina, con una desviacin tipo de 1.2 Km. Estimar
el recorrido medio por litro y dar su intervalo de confianza a un nivel de confianza del
95%.
72
2. En un estudio de la contaminacin del aire, una estacin de experimentos obtuvo una
medida de 2.36 miligramos de materia orgnica suspendida soluble de benceno por
metro cbico con una desviacin estndar de 0.48 de una muestra tomada al azar de
tamao n = 10.
a) Construye un intervalo de confianza del 99% de la media de la poblacin

muestreada.
b) Qu se puede afirmar con el 95% de confianza acerca del error mximo, si

X = 2.36 miligramos se utiliza como estimacin de la media de la poblacin
muestreada?
Pruebas de hiptesis
Al hacer inferencias de caractersticas de poblaciones a travs de muestras se utilizan

los mtodos de Estimacin y Pruebas de Hiptesis.
Cuando se analizan caractersticas de poblaciones por el mtodo de pruebas de

hiptesis, es necesario tener en cuenta los siguientes conceptos:
NIVEL DE CONFIANZA. Es el nivel de error que se est dispuesto a tolerar.
ESTADSTICO DE PRUEBA. Es una variable aleatoria cuyo valor se utiliza para llegar a
la decisin de rechazar o no la hiptesis nula.
REGIN CRTICA. Es el conjunto de valores para el estadstico de prueba que llevar a

rechazar la hiptesis nula.
REGIN DE ACEPTACIN. Es el conjunto de valores para el estadsticos de prueba

que provocar la aceptacin de la hiptesis nula.
VALOR CRTICO. Es el valor que separa a la regin de rechazo y la regin de

aceptacin.
HIPTESIS ESTADSTICA. Es una afirmacin o conjetura acerca del parmetro o

parmetros de una poblacin.
73
La siguiente grfica muestra el valor crtico, la regin de rechazo y la regin de
aceptacin.
REGIN DE VALOR REGIN DE VALOR REGIN DE

RECHAZO CRTICO ACEPTACIN CRTICO RECHAZO
Figura 43.
Se ha aprendido a estimar la media de una poblacin , dando un intervalo de confianza

o acompaando la estimacin de punto X con una evaluacin del error posible. Ahora
aprenders cmo demostrar una hiptesis referente a la media de una poblacin ; es
decir, se presentarn mtodos para decidir si se acepta o se rechaza una afirmacin
acerca de un valor especfico de .
Estos conceptos sern abordados en la siguiente unidad, preprate para acceder a ellos.
74
Existen diferentes tipos de muestras en Estadstica:
a) Las muestras no probabilsticas no nos permiten hacer generalizaciones.
b) Las muestras probabilsticas con la base de la inferencia estadstica y a este tipo

corresponde el muestreo aleatorio.
Se llama muestreo aleatorio de una poblacin finita de n elementos, si cada muestra

tiene la misma probabilidad de ser seleccionada y cada elemento de la poblacin tiene la
misma probabilidad de ser incluido en la muestra.
El teorema de Chebyshev nos dice:
1
Podemos afirmar con una probabilidad de cuando menos 1 que la media de una
k2
muestra aleatoria de tamao (n) difiere de la media de la poblacin en un valor igual a
Xk .
La distribucin TStudent se representa mediante la expresin:
x
t
s n
75
RECAPITULACIN
Con la finalidad de mostrarte los temas importantes de este fascculo, a continuacin te

presentamos el siguiente esquema.
76
ACTIVIDADES DE CONSOLIDACIN
Para reafirmar los conceptos aprendidos de este fascculo, resuelve el siguiente

ejercicio. Si tienes alguna duda, consulta a tu asesor.
PROBLEMA:
I. La Ca. General Motor Company tiene la intencin de promover a sus trabajadores

a un tabulador salarial mejor que el actual y para ello aplica un examen de
conocimientos culturales, habiendo obtenido las siguientes puntuaciones:
27, 28, 28, 28, 29, 30, 30, 30, 30, 31, 31, 31, 32, 32, 32,
33, 33, 33, 33, 34, 34, 34, 34, 35, 35, 35, 35, 35, 35, 35,
36, 36, 36, 36, 36, 37, 37, 37, 37, 37, 37, 38, 38, 38, 38,
38, 38, 38, 39, 39, 39, 39, 40, 40, 40, 40, 40, 40, 40, 40,
41, 41, 41, 41, 41, 41, 41, 41, 42, 42, 42, 42, 42, 42, 43,
43, 43, 43, 44, 44, 44, 44, 44, 44, 44, 45, 45, 45, 45, 45,
46, 46, 46, 47, 47, 47, 47, 47, 47, 47, 48, 48, 48, 48, 49,
49, 49, 49, 50, 50, 51, 51, 51, 52, 52, 53, 53, 53, 54, 54,
55, 56, 56, 57, 57, 58, 59, 61, 62, 62.
Determina:
1) La media
2) La moda
3) La mediana
4) La varianza
5) La desviacin estndar
6) Traza el polgono de frecuencias
7) Normaliza los datos y traza la curva de mejor ajuste sobre la grfica anterior
para contrastar el cambio
8) Determina el tanto por ciento de casos que se espera hallar entre la media y
las puntuaciones 28, 38 y 60
77
9) Calcula el tanto por ciento y el nmero de casos esperados entre los
siguientes pares de puntuaciones:
a) 35 y 45
b) 50 y 55
c) 56 y 60
10) Cuntos casos se espera hallar por encima de una puntuacin igual a 50?
Cuntos por debajo de 35?
PROBLEMA:
II. Los datos dados a continuacin corresponden a incrementos de pulso cardiaco en

pulsaciones por minuto que un mdico determina en relacin con diez personas
que realizan una tarea ardua:
27, 14, 27, 32, 25, 30, 24, 29, 19, 32
a) estimar el incremento promedio real del pulso cardiaco de una persona que
realiza una tarea ardua, mediante el estimador puntual X.
b) Estimar el alejamiento de las pulsaciones por minuto con respecto al

promedio, utilizando un estimador puntual.
c) Determinar el nmero de grados de libertad para la muestra dada.
d) Determinar el error mximo que se comete al estimar el incremento

promedio del pulso cardiaco de una persona mediante el estimador puntual
X, con un nivel de confianza del 95%.
e) Obtener el tamao que deber tener la muestra, de tal manera que al

emplear la media X, de una muestra para estimar el incremento promedio
del pulso cardiaco de una persona, se tenga un error mximo de 25
pulsaciones por minuto con un nivel de confianza de 95%.
f) Construir un intervalo con un nivel del 99% en relacin con el incremento

promedio real del pulso de personas que realizan la tarea dada.
78
AUTOEVALUACIN
Los resultados que debiste obtener son los siguientes, si alguno no coincide, entonces
revisa tus clculos, localiza el error y corrgelo. Si tienes alguna duda, consulta a tu
asesor.
I. SOLUCIN DEL PROBLEMA.
1) X = 47.1
2) Mo = 48.7
3) Md = 50.6
4) 2 = 64.2
5) = 8.04
6) TABLA DE FRECUENCIAS
CLASE Xm Fi Fa XmFi Xm- X (Xm- X )2 Fi(Xm- X )2

966.5
60-62 61 5 5 305 13.9 193.21 1188.1
57-59 58 10 15 580 10.9 118.81 936.2
54-56 55 15 30 825 7.9 62.1 432.2
51-53 52 18 48 936 4.9 24.01 72.2
48-50 49 20 68 980 1.9 3.61 20.6
45-47 46 17 85 782 -1.1 1.21 235.3
42-44 43 14 99 602 -4.1 16.81 504.1
39-41 40 10 109 400 -7.1 50.41 816.1
36-38 37 8 117 296 -10.1 102.01 1029.7
33-35 34 6 123 204 -13.1 171.61 1036.8
30-32 31 4 127 124 -16.1 259.21 1094.4
27-29 28 3 130 84 -19.1 364.81 8332.2
6118
Xmfi 6118
X 47.1
n 130
fi (Xm - X) 8332.2 833.2

2 = 64.6
n -1 130 - 1 129
64.590698 8.04
79
2 6
Mo = 47.5 + 3 47.5 48.7
2 3 5
130
- 48
Md = 48 + 3 2 48 51 50.6
20 20

POLGONO DE FRECUENCIAS
7) TABLA DE NORMALIZACIN PARA EL AJUSTE DE CURVAS
X I
CLASE fi Ls. Z= DEBAJO ENCIMA fe Fe. red.
X=Xi X
60-62 5 62.5 15.4 1.92 0.9726 0.0344 4.47 4.5

57-59 10 59.5 12.4 1.54 0.9382 0.0696 9.05 9.1
64-56 15 56.5 9.4 1.12 0.8686 0.0805 10.47 10.5
51-53 18 53.5 6.4 0.80 0.7881 0.1253 16.29 16.3
48-50 20 50.5 3.4 0.42 0.6628 0.1429 18.58 18.6
45-47 17 47.5 0.4 0.05 0.5199 0.1454 18.90 18.9
42-44 14 44.5 -2.6 -0.32 0.3745 0.1325 17.23 17.2
39-41 10 41.5 -5.6 -0.70 0.2420 0.0997 12.96 13.0
36-38 8 38.5 -8.6 -1.07 0.1423 0.0674 8.76 8.8
33-35 6 35.5 -11.6 -1.44 0.0749 0.0405 5.27 5.3
30-32 4 32.5 -14.6 -1.82 0.0344 0.0201 2.61 2.6
27-29 3 29.5 -17.6 -2.19 0.0143 0.0143 1.86 1.9
X = 47.1 , = 8.04 y N = 130
80
A) POLGONO DE FRECUENCIAS (A)
B) Curva NORMALIZADA (B)
8) a) 49% b) 37% c)45%
9) a) 33%, 43 casos b) 19.6%, 26 casos
10) a) 47 casos b) 9 casos
II. SOLUCIN DEL PROBLEMA.
a) Para estimar la media de una poblacin, hay varios estimadores puntuales, los
ms conocidos son: media, mediana y moda.
De estos estimadores el ms adecuado es la media, ya que es la ms confiable

por considerar todos los datos de la muestra, cosa que no ocurre con la mediana y
la moda.
27 14 24 32 25 30 24 29 19 32 259
X = 25.9
10 10
X = 25.69
Esto significa que el incremento promedio real del pulso cardiaco es 25.9
pulsaciones por minuto.
81
Este error que se comete al estimar a travs de X se determina mediante la
frmula:

E = t /2
n
Donde:
E= error
t /2 = rea bajo la curva a la derecha de /2
= desviacin estndar de la poblacin
n= N de datos
NOTA: Recuerda que en ausencia de se puede utilizar s.
= 0.05 /2 = 0.025
De las tablas de la distribucin t de Student y tomando g. l. = 9, se tiene:
t(0.025) = 2.262
5.44 12. 305

E = 2.262 = 3.89
10 3.162
E = 3.89
Esto significa que podemos asegurar con un grado de confianza del 95% que el
error que se comete al estimar a travs de X es menor de 3.89 pulsaciones por
minuto.
La confiabilidad de X como estimador de la media de la poblacin depende del

tamao de la muestra y el tamao de la desviacin estndar de la poblacin.
b) Para estimar el alejamiento promedio de las pulsaciones por minuto con respecto
al incremento promedio real existen varios estimadores. Los ms usuales son: la
desviacin media, varianza y desviacin estndar.
De ellos utilizaremos el estimador s (desviacin estndar de la muestra).
Dado que generalmente no se conoce el parmetro, que es la desviacin estndar

de la muestra; es estadstico s (desviacin estndar de lamuestra), puede servir
como estimador de .
82
2 2
X f X fix Para determinar s se utiliza la frmula
14 1 196 196
19 1 361 361
24 1 576 576 fx 2
S= -X
2
25 1 625 625 N
27 2 729 1458
29 1 841 841 donde N = N de datos
30 1 900 900 f = frecuencia de cada dato
32 2 1024 2048 X = media de la muestra
5252 7005
7005
s= ( 25.9) 2 700.5 - 670.81 29.69 = 5.44
10
s = 5.44
Esto significa que en promedio el incremento promedio del pulso cardiaco se aleja
5.44 pulsaciones por minuto de la media.
c) g. l. = n 1 g. l. = 10 1 = 9 g. l. = 9
d) Sabemos que al estimar la media poblacional a travs de la media muestral X

existe un error, es decir:
= X error muestral
e) Para determinar el tamao que deber tener la muestra con un nivel de confianza
del 95% para tener un error mximo de 2.5 pulsaciones por minuto se utiliza la
frmula:

E = t /2
n
t /2
Despejando n se tiene: n =
E
Sustituyendo valores y realizando operaciones, se tiene:
(2.262) (5.44)2 2
n= (4.922112) = 24.22
2.5
83
Redondeando se tiene: n = 24
Esto Significa que el tamao de la muestra debe ser 24 para cometer un error
menor de 2.5 pulsaciones por minuto al estimar a travs de X .
f) La estimacin de parmetros puede ser puntual o por intervalos.
La estimacin de la media poblacional por intervalos tiene la ventaja sobre la

estimacin puntual de que en la estimacin por intervalos es posible conocer el
tamao del error, as como la precisin y el nivel de confianza, cosa que no se
puede tener con la estimacin puntual.
Como ya vimos al estimar en base a la media muestral X, la estimacin no es

perfecta, es decir, siempre hay un margen de error.

= X E pero E = t /2
n

= X = t /2 intervalos de confianza para estimar
n
donde : = nivel de confianza
Para un nivel de confianza del 99% se tiene que:
= 0.0 /2 = 0.005
t (0.005) = 4.032 con 9 grados de libertad
5.44
= 25.9 4.032
10
21.934
= 25.9
3.162
= 25.9 6.936
18.96 32.83
Esto significa que se puede asegurar con un 99% de confianza que la verdadera
muestra poblacional est entre 18.96 y 32.83 pulsaciones por minuto.
84
ACTIVIDADES DE GENERALIZACIN
Con la finalidad de que consolides tu aprendizaje. Realiza lo siguiente:
I. Una mquina est diseada para llenar botellas de crema para el cuerpo con una
media de 750 ml y una desviacin estndar de 10 ml. Si se considera que la cantidad
que se utiliza para llenar las botellas se distribuye normalmente y se escoge una
botella al azar, entonces:
a) Cul es la probabilidad de que tenga menos de 770.8 ml.?
b) Cul es la probabilidad de que contenga ms de 751.6 ml.?
c) Cul es la probabilidad de que contenga entre 740 ml. y 761 ml.?
85
GLOSARIO
CURVA NORMAL: Curva simtrica con forma de campana.
DESVIACIN NORMAL: Es el valor de Z al nmero de desviaciones tpicas.
DISTRIBUCIN NORMAL ESTNDAR: Se trata de la distribucin probabilstica de la

variable normal estndar Z.
PUNTUACIN Z: Es la diferencia entre el valor observado (x) y su media expresada en

trminos de su desviacin tpica.
VARIABLE ALEATORIA DISCRETA: Es aquella que toma un nmero finito de posibles

valores, principalmente enteros no negativos.
VARIABLE ALEATORIA CONTINUA: Es aquella que toma un nmero infinito de

posibles valores y dichos valores pueden diferir unos de otros por
cantidades infinitesimales.
86
ANEXOS
ANEXO A
REAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIN NORMAL EN FUNCIN DE X/
(1) (2) (3) (4) (5)

Z A B C Y
PUNTUACIN REA DESDE REA DE LA REA DE LA ORDENADA
TIPIFICADA LA MEDIA PARTE MAYOR PARTE MENOR X
X X EN
A

87
ANEXO A
(1) (2) (3) (4) (5)

Z A B C Y
X X EN
A

88
ANEXO A
(1) (2) (3) (4) (5)

Z A B C Y
X X EN
A

89
ANEXO A
(1) (2) (3) (4) (5)

Z A B C Y
X X EN
A

90
ANEXO A
(1) (2) (3) (4) (5)

Z A B C Y
X X EN
A

91
ANEXO A
(1) (2) (3) (4) (5)

Z A B C Y
X X EN
A

2.69
92
ANEXO A
(1) (2) (3) (4) (5)

Z A B C Y
X X EN
A

93
ANEXO A
(1) (2) (3) (4) (5)

Z A B C Y
X X EN
A

94
ANEXO B
Tabla. Valores crticos de t

t2
n t.100 t.050 t.025 t.010 t.005 d.f
95
ANEXO C
NMEROS ALEATORIOS
APNDICE C
96
ANEXO C
NMEROS ALEATORIOS
97
ANEXO C
NMEROS ALEATORIOS
98
ANEXO C
NMEROS ALEATORIOS
99
DOWNIE, N. M. y HEAT, R. W. Mtodos Estadsticos Aplicados. Ed. Harla.
FREUD, John E. , WILLIAM, Frank J., PERLES. Benjamn M. Estadstica para la

Administracin. Ed. Prentice Hall Hispanoamericana S. A.
GRAY, William A. y OTIS M, Ulm. Probabilidad y Estadstica Elemental. Editorial

C.E.C.S.A.
HOEL, Paul G. Estadstica Elemental. Ed. C. E. C. S. A. Mxico, 1976.
KREYSZING, Edwin. Introduccin a la Estadstica Matemtica. Ed. Limusa. Mxico,

1981.
LEVN, Richard I. Estadstica para Administradores. Ed. Pretince Hall.
LINCONL L., Chao. Introduccin a la Estadstica. Ed. CECSA. Mxico, 1985.
LINCOYAN Portus, Goviden. Curso Prctico de Estadstica. Ed. McGraw-Hill, Mxico,

1985
LIZRRAGA G., Ignacio Manuel. Estadstica. Ed.; McGraw-Hill. Mxico, 1986.
MENDENHALL, William. Trad. SEGAMI, Carlos. Introduccin a la Probabilidad y la

Estadstica. Grupo Editorial Iberoamrica. Mxico, 1989.
PARSEN, Emanuel. Teora Moderna de Probabilidad y sus Aplicaciones. Ed. Limusa.

Mxico, 1973.
SEYMOR, Lipschutz, Ph. D. Teora y Problemas de Probabilidad. Editorial McGraw-Hill.
100
DIRECTORIO
Dr. Roberto Castan Romo

Director General
Mtro. Luis Miguel Samperio Snchez

Secretario Acadmico
Lic. Filiberto Aguayo Chuc

Coordinador Sectorial Norte
Lic. Rafael Torres Jimnez

Coordinador Sectorial Centro
Biol. Elide Echeverra Valencia

Coordinadora Sectorial Sur
Dr. Hctor Robledo Galvn

Coordinador de Administracin Escolar
y del Sistema Abierto
Lic.Jos Noel Pablo Tenorio Mtro. Jorge Gonzlez Isassi

Director de Asuntos Jurdicos Director de Servicios Acadmicos
C.P. Juan Antonio Rosas Meja Lic. Miguel ngel Bez Lpez
Director de Programacin Director de Planeacin Acadmica
M.A. Roberto Paz Neri Lic. Manuel Tello Acosta

Director Administrativo Director de Recursos Financieros
Lic. Pablo Salcedo Castro

Unidad de Produccin Editorial
AGRADECEMOS LA PARTICIPACIN DE:
Mario Arturo Badillo Arenas

Esther Barrera Padilla
Leonel Bello Cuevas
Javier Daro Cruz Ortiz
Guadalupe Florin Martnez
Jos Luis Prez Coss
Leobardo Snchez Pimentel

Estadistica Des e Inf

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica Des e Inf

Cargado por

Copyright:

Formatos disponibles

COLEGIO DE BACHILLERES

FASCCULO 4. INFERENCIA ESTADSTICA

Roberto Castan Romo

Luis Miguel Samperio Snchez

Hctor Robledo Galvn

Derechos Reservados conforme a la ley

ISBN 970 632 263-9

El Colegio de Bachilleres, en respuesta a la inquietud de los estudiantes de contar con

Por lo tanto, se invita a la comunidad educativa del Sistema de Enseanza Abierta y a

Estudiante del Colegio de Bachilleres, te presentamos este compendio fascicular que te

Este compendio fascicular tiene la caracterstica particular de presentarte la informacin

FASCCULO 1. VARIABLES ALEATORIAS

Autor: Patricia Mata Olgun

CAPTULO 1. VARIABLES ALEATORIAS 11

1.1 FENMENOS DETERMINSTICOS Y

1.2 ELEMENTOS DE UNA FUNCIN DE

1.3 VARIABLES ALEATORIAS DISCRETAS Y

1.4 FUNCIN DE VARIABLE ALEATORIA

1.5 DISTRIBUCIN DE PROBABILIDAD,

1.6 GRFICA DE UNA FUNCIN DE

1.7 FUNCIN DE DISTRIBUCIN DE

1.9 ESPERANZA MATEMTICA 38

La Estadstica es una herramienta de la investigacin de las Ciencias, tanto Formales

1. Aprender las reglas y mtodos para tratar informacin estadstica.

2. Evaluar y cuantificar la importancia de los resultados estadsticos que veamos

3. Conocer los aspectos del pensamiento estadstico como un componente

4. Entender mejor el mundo real de nuestro entorno.

La razn nmero 1 y 2, son procedimientos estudiados en el curso de Estadstica

Y las razones 3 y 4, son aspectos que le competen a la Estadstica Inferencial y

Ambas te sirven para tomar decisiones. Y en particular, en este curso te introducirs en

a) El predominio de la diabetes en personas con sobrepeso es casi el triple que en

b) Cuatro de cada cinco dentistas declararon preferir la pasta dental Dientes

c) En 1960 se estim que slo el 1% de los estudiantes del ltimo ao de

d) Ninguna aspirina calma mejor el dolor que la de marca Bayer.

e) Ms de 3,000 compaas aseguradoras pagan arriba de 8,800 millones de pesos

f) La Llanta Firestone frena un 35% ms rpido.

Con el estudio de este fascculo:

1.1 FENMENOS DETERMINSTICOS Y ALEATORIOS

En tus cursos de Fsica, Qumica y Biologa estudiaste fenmenos naturales muy

El movimiento de los planetas

Encender una vela

Todos estos fenmenos ocurren siempre de la misma forma, y se llaman:

En Administracin (control escolar):

Este tipo de eventos tambin ocurren en otras reas:

Identifica en el siguiente listado, anotando una A en el parntesis, si el fenmeno

Hasta aqu podemos mencionar lo siguiente:

Los Fenmenos Aleatorios; son aquellos fenmenos que no siempre ocurren de la

1.2 ELEMENTOS DE UNA FUNCIN DE VARIABLE ALEATORIA

Ahora ya distingues un fenmeno de variable aleatoria de un fenmeno de variable

Para que relaciones el concepto de funcin con la funcin de variable aleatoria

Experimento de variable aleatorio: Lanzar dos monedas al aire.

Para conocer el dominio, puedes utilizar un diagrama de rbol:

Hemos llamado A = resultado de caer guila y

Entonces el dominio es: { (A,A), (A,S), (S,A), (S,S) }

Determina el Dominio ( ) de cada uno de los siguientes experimentos aleatorios:

1. Lanzar tres monedas al aire.

2. Lanzar una moneda y un dado.

3. Las respuestas de un examen, si las preguntas son las siguientes:

4. Los hijos varones y mujeres de una familia de tres hijos.

5. Los lugares ocupados en una fila de supermercados por 3 personas.

1. Experimento aleatorio: Lanzar tres monedas al aire.

CONTEO DEL ESPACIO MUESTRAL

Por lo tanto el Conteo del se puede calcular 2 = 8.

CONTEO DEL ESPACIO MUESTRAL