Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejemplos de experimentos:
1. Lanzar una moneda y observar que cae….…..……………..……….….Exp. ____________
2. Extraer una canica de color blanco de una urna donde solo hay canicas blancas…….…..
………………………..……………………………….Exp. ____________
3. Lanzar un dado y observar que cae .……………………………………Exp. ____________
4. Realizar una votación para saber quien va a ganar……………………..Exp. ____________
Ejemplo:
Del experimento: Lanzar un dado de 5 caras y una moneda obtener el espacio muestral (Ω) apoyándose
en un diagrama de árbol
Ω = eventos
1
Función: para comprender el concepto de función veamos el siguiente ejemplo
Existen muchas situaciones en la práctica en las que se establece la relación entre los elementos de dos
conjuntos, por ejemplo:
Se les pidió a 10 alumnos de 5º semestre que escribieran su nombre y su calificación del curso de
estadística I:
Conjunto 1 Conjunto 2
Cecilia
Miguel
Joel
Francisco
Verónica Regla de
Cecilia correspondencia
Norma
Juan
Fabiola
Luís
Dominio Rango
Regla de correspondencia: una situación real o un modelo matemático que asocia los elementos de
los dos conjuntos.
En este caso la regla de correspondencia es: _________________________________________
Otro ejemplo: los siguientes conjuntos están relacionados por la regla de correspondencia y = 2 x +1
Conjunto x Conjunto y
0
1
2
3
4 Regla de
5 correspondencia
Dominio Rango
Función: Es una regla de correspondencia en el cual todo elemento de un conjunto llamado Dominio
(D) está asociado con uno y solo un elemento de otro conjunto llamado Rango (R).
2
Ejercicios:
1. Determina que tipo de experimentos son los siguientes:
a) Si dejo caer un objeto que dirección toma……………________________________
b) Si Juana se le declara a Pancho, que contesta Pancho..________________________
c) Lanzar dos dados y observar que números caen……...________________________
2. Del experimento: Lanzar dos dados de 5 caras obtener el espacio muestral apoyándose en un
diagrama de árbol
3
3. Del experimento: De una urna con tres pelotas (verde, blanca y roja) Extraigo una pelota anoto su
color, la hecho a la urna y saco otra pelota, obtener el espacio muestral apoyándose en un diagrama
de árbol.
V
B R
Almigas Novios
Cecilia Juan
Verónica Pedro
Norma Lorenzo
Roberto
Dominio Rango
Vimos en la clase anterior que una regla de correspondencia que asocia dos conjuntos con ciertas
características también se le llama función, y ahora también la nombraremos como variable aleatoria.
Es decir los términos regla de correspondencia, función y variable aleatoria son sinónimos, de aquí en
adelante utilizaremos el termino variable aleatoria que es utilizado en estadística.
Variable aleatoria (v.a.): Es una regla de correspondencia (función) en el cual todo elemento de un
conjunto llamado Dominio (D) está asociado con uno y solo un elemento de otro conjunto llamado
Rango (R).
Una de las características de la variable aleatoria es que el dominio esta dado por el espacio muestral
(Ω )
Espacio muestral Conjunto de la v.a.
Ω X
valores de x
variable aleatoria
Dominio Rango
Ejemplo:
Del experimento: observar el sexo de tres hijos de una pareja cuya variable aleatoria es el número de
hijos varones. Encontrar: a) Dominio b) Rango c) la formula de la v.a.
Solución: Primero se encuentra el dominio, el dominio es el espacio muestral (Ω ), en este caso nos
apoyamos de un diagrama de árbol.
1er hijo 2do hijo 3er hijo Ω X
H ______ (H, H, H) 3
H
M ______ (H, H, M) 2
H
H ______ (H, M, H) 2
M
M ______ (H, M, M) 1
5
a) D = {(H, H, H), (H, H, M), (H, M, H), (H, M, M), (M, H, H), (M, H, M),
(M, M, H), (M, M, M)}
b) R = {0, 1, 2, 3}
Ejercicio 1.
Del experimento: lanzar tres monedas al aire cuya variable aleatoria indica el número de águilas.
Encontrar: a) Dominio b) Rango c) la formula de la v.a.
Solución: Ω X
A ______ (A, A, A) 3
A
S ______ (A, A, S) 2
A
A ______ (A, S, A) 2
S
S ______ (A, S, S) 1
A ______ (S, A, A) 2
A
S ______ (S, A, S) 1
S
A ______ (S, S, A) 1
S
S ______ (S, S, S) 0
a) D = {(A, A, A), (A, A, S), (A, S, A), (A, S, S), (S, A, A), (S, A, S), (S, S, S), (S, S, A)}
b) R = {0, 1, 2, 3}
6
E lv a l od reX e s, c u a n Ωd too m l ao sv a l o rdees
0, (S , S , S )
1, ( A, S , S ) ,(S , S , A)
c)
X = 2, ( A, A, S ) ,( A, S , A) ,(S , A, A)
3, ( A, A, A)
Ejercicio 2.
Del experimento: De una urna con tres pelotas (verde, blanca y roja), extraigo una pelota anoto su
color, ya no la devuelvo y saco otra pelota, la v.a. es el numero de pelotas verdes.
Encontrar a) Dominio b) Rango c) la formula de la v.a.
V
B R
primera segunda Ω X
extracción extracción
blanca (V, B) 1
verde
roja (V, R) 1
a) D = {(V, B), (V, R), (B, V), (R, B), (R, V), (B, R)}
b) R = {0, 1}
7
El valor de X es , cuando Ω toma los valores de
c) X = 0, ( B, R ), ( R, B )
1, (V , B ), (V , R ), ( B, V ), ( R, V )
Ejercicio 3:
Del experimento: seleccionar un número, entre los dígitos del 1 al 9.
y la variable aleatoria es el numero de divisores que tiene el digito seleccionado.
Encontrar a) Dominio b) Rango c) la formula de la v.a.
Ω X
1 1
2 2
3 2
4 3
5 v.a. 2
6 números de divisores 4
7 2
8 4
9 3
Dominio Rango
a) D = {1, 2, 3, 4, 5, 6, 7, 8, 9}
b) R = {1, 2, 3, 4}
8
El valor de X es , cuando Ω toma los valores de
1,1
2, ( 2,3,5,7)
c) X =
3, (4,9)
4, (6,8)
Una Función de densidad de probabilidad (f.d.p.) es simplemente una tabla de valores de las
probabilidades de la variable aleatoria.
ejemplo de probabilidad
La probabilidad para un evento la representamos como P (A)
Ejemplo:
Del experimento: De una urna con tres dulces (menta, fresa, cereza), extraigo un dulce anoto su sabor,
lo devuelvo y saco otro sabor, la v.a. es el numero de sabor menta.
Obtener: a) D b) R c) formula de la v.a. d) f.d.p. e) grafica
m
fB c
Solución:
primera extracción segunda extracción Ω X
m (m, m) 2
9
m f (m, f) 1
c (m, c) 1
m (f, m) 1
f f (f, f) 0
c (f, c) v.a. 0
m (c, m) 1
c f (c, f) 0
c (c, c) 0
a) D = {(m, m), (m, f), (m, c), (f, m), (f, f), (f, c), (c, m), (c, f), (c, c)}
b) R = {0, 1, 2)
0, ( f , f ) ,( f , c) ,(c, f ) ,(c, c)
1, (m, f ) ,(m, c) ,( f , m) ,(c, m)
c) X=
2, (m, m)
d) Ω = 9 e) grafica
Ejercicio 1:
Del experimento: Lanzar una moneda al aire en donde la v.a. es número de águilas
Obtener: a) D b) R c) formula de la v.a. d) f.d.p.
Solución: Ω X
10
águila 1
sol 0
a) D = {águila, sol}
b) R = {0, 1)
0, sol
c) X =
1, aguila
d) Ω = 2 e) grafica
Solución:
primera moneda segunda moneda (Ω) X
b) R = {0, 1, 2)
0, ( aguila , aguila )
c) X = 1, ( sol , águila ), ( aguila , sol )
2, ( sol , sol )
11
d) Ω = 4 e) grafica
Ejercicio 3.
Del experimento: Un vendedor de autos visita tres clientes al día y les puede vender o no vender a cada
uno de ellos, si la v.a. es autos vendidos:
Obtener: a) D b) R c) formula de la v.a. d) f.d.p.
Solución:
1er cliente 2º cliente 3er cliente Ω X
VVV 3
VVN 2
VNV 2
VNN 1
NVV 2
NVN 1
NNV 1
NNN 0
b) R = {0, 1, 2, 3)
12
0, ( NNN )
1, (VNN ), ( NVN ), ( NNV )
c) X =
2, (VVN ), (VNV ), ( NVV )
3, (VVV )
d) Ω = 8 e) grafica
CLASE 4
ESPERANZA, VARIANZA Y DESVIACIÓN ESTÁNDAR DE UNA VARIABLE ALEATORIA
Recordaras del curso de estadística I, que la media ( x ) es el promedio aritmético de una serie de
valores y el valor de la varianza nos sirve para obtener la desviación estándar.
A 5 personas se les tomo el tiempo de atención (en minutos) en una ventanilla de un banco, los
resultados fueron:
8 7.5 6 9 7
8 + 7.5 + 6 + 9 + 7 37 .5
x= = = 7.5 min .
5 5
El cálculo de la varianza lo obtenemos con la siguiente formula:
∑( x i − x )
2 2 2 2
x1 − x + x2 − x + ... + xn − x
s 2
= =
n −1 n −1
13
(8 - 7.5) 2 + (7.5 - 7.5) 2 (6 - 7.5) 2 + (9 - 7.5) 2 + (7 - 7.5) 2 0.25 + 2.25 + 2.25 + .25 5
s2 = = = = 1.25 Final
4 4 4
mente la desviación estándar se calcula: s = s 2 s = 1.25 =1.118
Cuando se calcula el valor promedio de una variable aleatoria se le llama Esperanza matemática,
valor esperado o simplemente Esperanza [E]
Las formulas para obtener [E], S2 y S de una f.d.p. son las siguientes:
E [ X ] = ∑ X i P[ X = x i ]
s 2 = ∑( xi − E[ X ]) 2 P[ X = xi ]
s = s2
Ejemplo:
Del experimento: Número de ventas de autos si el vendedor atiende a tres personas al día cuya v.a. es
autos vendidos. Obtener: a) E[ X ] b) s2 c) s
X P[X =x] x i P[ X = x i ] ( xi − E[ X ]) 2 P[ X = xi ]
1
0 P= = 0.125 0(0.125) = 0 (0-1.5)2(0.125) = 0.281
8
3
1 P= = 0.375 1(0.375) = 0.375 (1-1.5)2(0.375) = 0.093
8
3
2 P= = 0.375 2(0.375) = 0.75 (2-1.5)2(0.375) = 0.093
8
1
3 P= = 0.125 3(0.125) = 0.375 (3-1.5)2(0.125) = 0.281
8
E [X] = ∑X i P[ X = xi ] s 2 = ∑( xi − E[ X ]) 2 P[ X = xi ] =0.7
∑= 1
=1.5 48
a) E[X] = 1.5
14
b) s2 = 0.748
c) s = 0.748 = 0.86
X P[X =x] x i P[ X = x i ] ( xi − E[ X ]) 2 P[ X = xi ]
0 4
P= = 0.444 0(0.444) = 0 (0-0.666)2(0.444) = 0.196
9
1 4
P = = 0.444 1(0.444) = 0.444 (1-0.666)2(0.444) = 0.049
9
2 1
P = = 0.111 2(0.111) = 0.222 (2-0.666)2(0.111) = 0. 197
9
∑= 1 E [X] = ∑X i P[ X = xi ] s 2 = ∑( xi − E[ X ]) 2 P[ X = xi ] =0.4
=0.666 42
a) E[X] = 0.666
b) s2 = 0. 442
c) s = 0.442 = 0.664
15
Ejercicio 2. De la siguiente f.d.p. obtener: a) [E] b) s2 c) s
X 0 1
P[X 0. 0.5
=x] 5
X P[X x i P[ X = x i ] ( xi − E[ X ]) 2 P[ X = xi ]
=x]
0 0.5 0(0. 5) = 0 (0-0.5)2(0. 5) = 0.125
1 0.5 1(0. 5) = 0. 5 (1-0.5)2(0. 5) = 0.125
E [X] = ∑X i P[ X = xi ] s 2 = ∑( xi − E[ X ]) 2 P[ X = xi ] =0.
=0.5 25
a) E[X] = 0.5
s2
b) = 0.25
c) s = 0.25 =0.5
Ejercicio 3: El inspector de control de calidad obtuvo los siguientes datos al observar la fabricación de
llantas.
Defectos P[X x i P[ X = x i ] ( xi − E[ X ]) 2 P[ X = xi ]
X =x]
0 0.6 0(0. 6) = 0 (0-0.75)2(0. 6) = 0.337
1 0.22 1(0. 22) = 0.22 (1-0.75)2(0. 22) = 0.013
2 0.08 2(0. 08) = 0.16 (2-0.75)2(0. 08) = 0.125
3 0.05 3(0. 05) = 0.15 (3-0.75)2(0. 05) = 0.253
4 0.03 4(0. 03) = 0.12 (4-0.75)2(0. 03) = 0.316
5 0.02 5(0. 02) = 0.1 (5-0.75)2(0. 02) = 0.361
6 0 6(0) = 0 (6-0.75)2(0) = 0
16
E [X] = ∑X i P[ X = xi ] s 2 = ∑( xi − E[ X ]) 2 P[ X = xi ] =1.4
=0.75 05
a) E[X] = 0.75
b) s2 = 1.405
c) s = 1.405 =1.185
La esperanza del conjunto X de la v.a. es 0.75 ± 1.185
X P[X =x] x i P[ X = x i ] ( xi − E[ X ]) 2 P[ X = xi ]
0 P = 0.25 0(0.0.25) = 0 (0-1.4)2(0.25) = 0.49
1 P = 0.25 1(0.25) = 0.25 (1-1.4)2(0.25) = 0.04
2 P = 0.35 2(0.35) = 0.7 (2-1.4)2(0.35) = 0.126
3 P = 0.15 3(0.15) = 0.45 (3-1.4)2(0.15) = 0.384
∑= 1 E [X] = ∑X i P[ X = xi ] s 2 = ∑( xi − E[ X ]) 2 P[ X = xi ] =
=1.4 1.04
d) E[X] = 1.4
e) s2 = 1.04
Ahora vamos a realizar unos ejercicios que involucre todos los conceptos que hemos visto hasta este
momento.
Ejercicio 1:
Del experimento: Un doctor analiza 3 personas para observar si están infectadas por un virus, estas
personas pueden estar sanas (no se les da medicamento), enfermas (se les da medicamento) o en duda
(se le manda a hacer unos análisis), la v.a. es el numero de personas sanas.
Obtener a) dominio, b) rango, c) la formula de la v.a., d) la f.d.p., e) la grafica de la f.d.p, f) E[X], s2 y
s.
Solución:
1er 2º 3er Ω X
S (SSS) 3
S E (SSE) 2
D (SSD) 2
S (SES) 2
17
S E E (SEE) 1
D (SED) 1
S (SDS) 2
D E (SDE) 1
D (SDD) 1
S (ESS) 2
S E (ESE) 1
D (ESD) 1
S (EES) 1
E E E (EEE) 0
D (EED) 0
S (EDS) 1
D E (EDE) 0
D (EDD) 0
S (DSS) 2
S E (DSE) 1
D (DSD) 1
S (DES) 1
D E E (DEE) 0
D (DED) 0
S (DDS) 1
D E (DDE) 0
D (DDD) 0
18
8 12 6 1 27
∑= + + = = =1
27 27 27 27 27
e) P [X=x]
x
0 1 2 3
f)
X P[X =x] x i P[ X = x i ] ( xi − E[ X ]) 2 P[ X = xi ]
8
0 P= = 0.296 0(0.29) = 0 (0-0.999)2(0.296) = 0.295
27
12
1 P= = 0.444 1(0.444) = 0.44 (1-0.999)2(0.444) ≈ 0.000
27
6
2 P= = 0.222 2(0.22) = 0.22 (2-0.999)2(0.222) = 0.222
27
1
3 P= = 0.037 3(0.03) = 0..09 (3-0.75)2(0.037) = 0.148
27
E [X] = ∑X i P[ X = xi ] s 2 = ∑( xi − E[ X ]) 2 P[ X = xi ] =0.6
=0.999 65
Solución:
1er J 2º J 3er J 4º J Ω X
P _____ (PPPP) 0
P
G _____ (PPPG) 1
P
P _____ (PPGP) 1
G
P G _____ (PPGG) 2
P _____ (PGPP) 1
19
G _____ (PGPG) 2
G
P _____ (PGGP) 2
G
G _____ (PGGG) 3
P _____ (GPPP) 1
P
G _____ (GPPG) 2
P
P _____ (GPGP) 2
G
G G _____ (GPGG) 3
P _____ (GGPP) 2
P
G _____ (GGPG) 3
G
P _____ (GGGP) 3
G
G _____ (GGGG) 4
b) R = {0, 1, 2, 3, 4}
El valor de X es , cuando Ω toma los valores de
0,
1,
c) X =
2,
3,
4,
S ______ (S, S, S)
S
A ______ (S, S, A)
S
S ______ (S, A, S)
A
3
A ______ (S, A, A) Ω=8 P ( A) = = 0.375
8
S ______ (A, S, S)
S
A ______ (A, S, A)
A
S ______ (A A, S)
A
A ______ (A, A, A)
n!
P( X ) = P (exito ) x P ( fracaso ) n−x
x! (n − x )!
donde n = numero de ensayos x = numero de exitos
P (exito ) = Pr obabilidad del exito
P ( fracaso ) = Pr obabilidad del fracaso
21
1. existen n ensayos
2. cada ensayo tiene 2 posibilidades de ocurrencia, uno denominado “éxito” y otro denominado
“fracaso”
3. Las posibilidades de éxito y fracaso se mantienen constantes para todos los ensayos
4. P(éxito) + P(fracaso) = 1 → P(fracaso) = 1- P(éxito)
5. Los resultados de los ensayos son independientes entre si.
S
S
A
P(fracaso) = 0.5 A
S
A
A
Nuestro Ejemplo 2 si cumple con los supuestos, Ahora ya lo podemos solucionar por medio de la
distribución binomial
Datos: n = 12
Podemos tomar como éxito que caigan soles o que caigan águilas, no importa cual tomemos el
resultado va a ser el mismo.
Es recomendable ver la pregunta y de ahí tomar el éxito, en este caso nos piden la probabilidad de que
caigan 5 soles.
P (éxito) = 0.5
22
P (fracaso) = 0.5
1.0 → la suma debe ser 1
Datos: n = 3
P (éxito) = 0.5
P (fracaso) = 0.5
Ejercicio 2: La probabilidad de que el carburador de un coche salga de fábrica defectuoso es 0.2, ¿Cuál
es la probabilidad de encontrar 2 carburadores defectuosos en un lote de 12?
Datos: n = 12
P (éxito) = 0.2
P (fracaso) = 0.8
1.0
23
12 !
P( X ) = (0.2) 2 (0.8)12 −2 = 66 (0.04 )( 0.107 ) = 0.282
2!(12 − 2)!
Ejercicio 3: Una máquina fabrica una determinada pieza y se sabe que la probabilidad de obtener una
pieza defectuosa es 0.07, hallar la probabilidad de que al examinar 11 piezas sólo haya una defectuosa.
Datos: n = 11
P (éxito) = 0.07
P (fracaso) = 0.93
Datos: n = 5
18
P (éxito) = = 0.18
100
P (fracaso) = 0.82
24
5!
P( X ) = (0.18 ) 3 (0.82 ) 5−3 =10 (0.005 )( 0.672 ) = 0.0336
3!(5 −3)!
Ejercicio 5. En una imprenta 2 de cada 100 libros salen defectuosos, si tomamos 7 libros, obtener la
probabilidad de que los 3 salgan defectuosos.
Solución:
Datos: n = 7
2
P (éxito) = = 0.02
100
P (fracaso) = 0.98
b) éxito: libros no defectuosos, en esta caso (x = 4) porque de los 7 libros 4 salen no defectuosos.
98
P (éxito) = = 0.98
100
P (fracaso) = 0.02
25
Tarea: En cierta ciudad la probabilidad de que se recupere un auto es el 70%, ¿Cuál es la probabilidad
que de 10 autos notificados como robados se recuperen 3?
Datos: n = 10
70
P (éxito) = = 0.7
100
P (fracaso) = 0.3
26
CLASE 7
EJERCICIOS SOBRE DISTRIBUCIÓN BINOMIAL
Ejercicio 1. Se seleccionan 5 estudiantes al azar de un grupo donde el 80 % son mujeres, calcular las
siguientes probabilidades:
Solución:
a) n = 5 éxito: mujeres (x = 5)
80
P (éxito) = = 0.8
100
P (fracaso) = 0.2
b) n = 5 éxito: mujeres (x = 1)
80
P (éxito) = = 0.8
100
P (fracaso) = 0.2
c) n = 5 éxito: mujeres (x = 3)
80
P (éxito) = = 0.8
100
P (fracaso) = 0.2
27
5! 5!
P( X ) = (0.8) 3 (0.2) 5−3 = (0.8) 3 (0.2) 2 =10 (0.512 )( 0.04 ) = 0.204
3!(5 −3)! 5!( 2)!
Ejercicio 2. En una familia con 4 hijos se quiere calcular las siguientes probabilidades:
Solución:
a) n = 4 éxito: mujeres (x = 3)
Cuando no me dan probabilidad de éxito o fracaso se toma P (éxito) = 0.5 y P (fracaso) = 0.5
P (éxito) = 0.5
P (fracaso) = 0.5
b) n = 4 éxito: mujeres (x = 2)
P (éxito) = 0.5
P (fracaso) = 0.5
c) n = 4 éxito: mujeres (x = 1)
P (éxito) = 0.5
P (fracaso) = 0.5
28
Ejercicio 3. Una empresa fabrica mesas de billar, 10 de cada 50 mesas salen defectuosas, encuentre la
probabilidad de que en una muestra de 9 mesas:
Solución:
10
P (éxito) = = 0.2
50
P (fracaso) = 0.8
10
P (éxito) = = 0.2
50
P (fracaso) = 0.8
10
P (éxito) = = 0.2
50
P (fracaso) = 0.8
29
Ejercicio 4. El 12 % de los que hacen reservaciones para un vuelo en avioneta no llegan a tiempo para
abordarla. Dicha avioneta tiene capacidad para 8 personas.
a) Obtener la probabilidad de que las 8 personas que hicieron reservaciones aborden la avioneta.
Solución:
30
CLASE 8
FUNCIÓN DE DENSIDAD DE PROBABILIDADES (F.D.P.), GRAFICA, MEDIA Y
DESVIACIÓN ESTÁNDAR (S) DE LA DISTRIBUCIÓN BINOMIAL
Ejemplo: En cierta colonia 3 de cada 10 personas tiene estudios superiores a preparatoria. Si se toma
una muestra aleatoria de 9 personas, obtener:
a) Función de densidad de probabilidades (f.d.p.) de personas con estudios superiores a
preparatoria
b) Grafica.
c) Media ( x)
d) Desviación estándar (s)
Solución:
a) n = 9, Éxito: personas con estudios superiores a preparatoria (x = )
3
P(éxito) = = 0.3 P(fracaso) = 0.7
10
(f.d.p.) personas con estudios superiores a preparatoria
X P(X)
9!
0 P( X ) = (0.3) 0 (0.7) 9 =1(1)( 0.04 ) = 0.04
0!(9)!
0.155
1
0.266
2
0.266
3
0.171
4
0.073
5
0.021
6
0.003
7
0.0004
8
0.0004
9
31
0,3
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7 8 9
b)
Solución:
a) n = 9, Éxito: mesas defectuosas (x = )
P(éxito) = 0.2 P(fracaso) = 0.8
0.301
2
0.176
3
0.066
4
0.0165
5
0.002
6
0.00029
7
0.000018
8
0.0000005
9
33
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7 8 9
b)
ejercicio 2
X P(X) 0,4
0,35
0 0.00032 0,3
0,25
1 0.0064 0,2
2 0.0512 0,15
0,1
3 0.204 0,05
4 0.4096 0
0 1 2 3 4 5
5 0.327desarrollar
b)
c) x = n* P(éxito) = 5 * 0.8 = 4 d) s= n * P (exito ) * P ( fracaso ) = 5 * 0.8 * 0.2 = 0.8 = 0.894
CLASE 9
34
DISTRIBUCIÓN DE POISSON
Solución: n = 2000 Éxito: alumnos que tienen gusto por las matemáticas (x = 4),
3
P (éxito) = = 0.003 λ = 2000*0.003 = 6
1000
64 1296 1296
P( X ) = 6
= = = 0.13
4 !*2.7182 24 * 403 .35 9680 .4
Ejercicio 1:
Supóngase que 1 niño de cada 1000 que vive en cierta colonia, al crecer se vuelve delincuente. Si hay
4000 niños en esa colonia.
Solución:
a) n = 4000 Éxito: niños que se vuelven delincuentes (x = 5),
1
P (éxito) = = 0.001 λ = 4000*0.001 = 4
1000
45 1024
P( X ) = 4
= = 0.156
5!*2.7182 6550 .989
4 10 1048576
P( X ) = 4
= = 0.00529
10 !*2.7182 198101911 .2
Ejercicio 2:
El 2 % de las llantas producidas por una fabrica son defectuosas, ¿Cuál es la probabilidad de que en
200 llantas
a) 7 se encuentren con defecto?
35
b) 10 se encuentren con defecto?
Solución:
a) n = 200 Éxito: llantas defectuosas (x = 7),
2
P (éxito) = = 0.02 λ = 200*0.02 = 4
100
47 16384
P( X ) = 4
= = 0.0595
7 !*2.7182 275141 .543
4 10 1048576
P( X ) = 4
= = 0.00529
10 !*2.7182 57226570 .8
Ejercicio 3:
En una fábrica de tornillos la probabilidad de encontrar tornillos defectuosos es de 0.005, si se toma
una muestra de 300 tornillos
a) ¿Cuál es la probabilidad de encontrar 5 tornillos defectuosos?
b) ¿Cuál es la probabilidad de encontrar 10 tornillos defectuosos?
Solución:
a) n = 300 Éxito: tornillos defectuosos (x = 5),
1.5 5 7.59
P( X ) = 1.5
= = 0.0141
5!*2.7182 537 .778
1.5 10 57 .665
P( X ) = 1.5
= = 0.00000354
10 !*2.7182 162624189 .95
Ejercicio 4: En una imprenta 3 de cada 1000 libros salen con algún defecto, si se toma una muestra de
150 libros:
36
Solución:
3
P (éxito) = = 0.003 λ = 150*0.003 = 0.45
1000
0.45 1 0.45
P( X ) = 0.45
= = 0.286
1!*2.7182 1.568
3
P (éxito) = = 0.003 λ = 150*0.003 = 0.45
1000
0.45 5 0.018
P( X ) = 0.45
= = 0.0000985
5!*2.7182 188 .194
Tarea: Una fabrica produce alfileres con 2.5 % de defectuosos. Si se toma una muestra de 200 alfileres
¿Cuál es la probabilidad de encontrar 4 defectuosos?
Solución:
2.5
P (éxito) = = 0.025 λ = 200*0.025 = 5
100
54 625
P( X ) = 5
= = 0.175
4!*2.7182 3561 .379
CLASE 10
DISTRIBUCIÓN NORMAL
Vamos a recordar del curso de estadística I la definición de variable (no confundir con lo que vimos
en este curso de variable aleatoria.)
37
variable: la característica que nos interesa de cada elemento de la población.
Por ejemplo si tenemos la población estudiantes del CCH ¿Qué características nos pueden interesar?
- La edad, el peso, materias aprobadas, materias reprobadas, la estatura, semestres cursados,
numero de extraordinarios, etc.
a todas estas características también se les llama variables.
intervalo
Hasta ahora hemos calculado probabilidades para variables discretas, por ejemplo:
- probabilidad de sacar 3 pelotas verdes
- probabilidad de vender 2 autos
- probabilidad de que caiga 2 soles, etc.
y para ello hemos utilizado: variable aleatoria, distribución binomial y distribución de Poisson.
Fue el matemático alemán Kart Gauss (1777-1855) quien presento las leyes fundamentales de la
distribución normal de probabilidad también conocida como distribución gausiana y su curva como
campana normal, campana de Gauss o curva normal.
Área total = 1
38
z
-2.3 3.1 z
Para obtener las áreas nos apoyaremos de la tabla del Área bajo la curva de la distribución
normal estandarizada. (Tabla en Pág. 42)
Las áreas obtenidas en las tablas son del origen al valor z, por ejemplo si quiero obtener un valor
en la tabla el área es la parte sombreada de la curva.
0 z
Solución:
39
a) buscamos en las filas y encontramos el 0.4 después nos vamos a las columnas y encontramos
0.07 porque 0.4 + 0.07 = 0.47 que es el numero buscado, en la intersección de la fila y la columna
esta el valor de 0.1808.
∴ para z = 0.47 → A = 0.1808
c)
d)
A = 0.4947
b) a la izquierda de z = 0.37
40
A = 0.5 + 0.1443 = 0.6443
c) a la derecha de z = -2
d) entre z = -3 y z = 1
f) a la derecha de 4
h) a la derecha de 0
A = 0.5
0 z
41
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 0.0000 0.0039 0.0079 0.0119 0.0159 0.0199 0.0239 0.0279 0.0318 0.0358
0.1 0.0398 0.0438 0.0477 0.0517 0.0556 0.0596 0.0635 0.0674 0.0714 0.0753
0.2 0.0792 0.0831 0.0870 0.0909 0.0948 0.0987 0.1025 0.1064 0.1102 0.1140
0.3 0.1179 0.1217 0.1255 0.1293 0.1330 0.1368 0.1405 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1627 0.1664 0.1700 0.1736 0.1772 0.1808 0.1843 0.1879
0.5 0.1914 0.1949 0.1984 0.2019 0.2054 0.2088 0.2122 0.2156 0.2190 0.2224
0.6 0.2257 0.2290 0.2323 0.2356 0.2389 0.2421 0.2453 0.2485 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2703 0.2733 0.2763 0.2793 0.2823 0.2852
0.8 0.2881 0.2910 0.2938 0.2967 0.2995 0.3023 0.3051 0.3078 0.3105 0.3132
0.9 0.3159 0.3185 0.3212 0.3238 0.3263 0.3289 0.3314 0.3339 0.3364 0.3389
1.0 0.3413 0.3437 0.3461 0.3484 0.3508 0.3531 0.3554 0.3576 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3707 0.3728 0.3749 0.3769 0.3790 0.3810 0.3829
1.2 0.3849 0.3868 0.3887 0.3906 0.3925 0.3943 0.3961 0.3979 0.3997 0.4014
1.3 0.4032 0.4049 0.4065 0.4082 0.4098 0.4114 0.4130 0.4146 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4250 0.4264 0.4278 0.4292 0.4305 0.4318
1.5 0.4331 0.4344 0.4357 0.4369 0.4382 0.4394 0.4406 0.4417 0.4429 0.4440
1.6 0.4452 0.4463 0.4473 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4544
1.7 0.4554 0.4563 0.4572 0.4581 0.4590 0.4599 0.4608 0.4616 0.4624 0.4632
1.8 0.4640 0.4648 0.4656 0.4663 0.4671 0.4678 0.4685 0.4692 0.4699 0.4706
1.9 0.4712 0.4719 0.4725 0.4732 0.4738 0.4744 0.4750 0.4755 0.4761 0.4767
2.0 0.4772 0.4777 0.4783 0.4788 0.4793 0.4798 0.4803 0.4807 0.4812 0.4816
2.1 0.4821 0.4825 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4853 0.4857
2.2 0.4861 0.4864 0.4867 0.4871 0.4874 0.4877 0.4880 0.4884 0.4887 0.4889
2.3 0.4892 0.4895 0.4898 0.4901 0.4903 0.4906 0.4908 0.4911 0.4913 0.4915
2.4 0.4918 0.4920 0.4922 0.4924 0.4926 0.4928 0.4930 0.4932 0.4934 0.4936
2.5 0.4937 0.4939 0.4941 0.4943 0.4944 0.4946 0.4947 0.4949 0.4950 0.4952
2.6 0.4953 0.4954 0.4956 0.4957 0.4958 0.4959 0.4960 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4972 0.4973
2.8 0.4974 0.4975 0.4976 0.4976 0.4977 0.4978 0.4978 0.4979 0.4980 0.4980
2.9 0.4981 0.4981 0.4982 0.4983 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986
3.0 0.4986 0.4986 0.4987 0.4987 0.4988 0.4988 0.4988 0.4989 0.4989 0.4990
3.1 0.4990 0.4990 0.4991 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992
3.2 0.4993 0.4993 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995
3.3 0.4995 0.4995 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996
3.4 0.4996 0.4996 0.4996 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997
3.5 0.4997 0.4997 0.4997 0.4997 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.7 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
4.0 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
CLASE 11
DISTRIBUCIÓN NORMAL ESTANDARIZADA
42
Cuando µ y σ son diferentes a esos valores la distribución normal se estandariza a los nuevos
valores.
X −µ
Z = donde X es el valor a estandarizar
σ
Ejemplo: En la compañía VW se encuentran laborando un total de 700 obreros calificados, por lo que
el dueño de dicha compañía, mando a hacer un estudio estadístico para ajuste de salarios. Del estudio
se obtuvieron los siguientes datos: el ingreso mensual promedio (la media) de los 700 obreros es de
$2500 y la desviación estándar es de $100, la población de obreros se distribuye normalmente.
Si se selecciona un obrero al azar ¿Cuál es la probabilidad de que gane:
a) $2600 o más.
b) menos de $2300
c) entre $2400 y $2700.
2600 − 2500
a) Para X = 2600 → Z = =1
100
para z = 1 → A= 0.3413
0 $2600
A total = 0.5- 0.3413 = 0.1587
0 1 z
2300 − 2500
b) Para X = 2300 → Z = = −2
100
z = -2 → A= 0.4772
0 $2300
A total = 0.5 - 0.4772 = 0.0228
-2 0 z
para z = -1 → A= 0.3413
para z = 2 → A= 0.4772
43
A total = 0.3413 + 0.4772 = 0.8185 $2400 $2700
-1 2
Ejercicio: Con 800 estudiantes se hizo un estudio de “el tiempo que tardan los estudiantes en ir de su
casa a la escuela”, se observo que el comportamiento es el de una distribución normal, de los datos se
obtuvo el tiempo promedio de 25.21 minutos con una desviación estándar de 9.25 minutos.
Si se selecciona un estudiante al azar, ¿Cuál es la probabilidad de que tarde:
a) menos de 12.5 min.
b) entre 12.5 y 35 min.
c) menos de 22.1 min.
d) mas de 40 min.
e) menos de 40 min.
f) entre 25.21 y 35 min
Solución:
12 .5 − 25 .21
a) Para X = 12.5 → Z = = −1.37
9.25
z = 1.37 → A= 0.4146
35 − 25 .21
b) para X = 12.5 → Z == −1.37 , para X = 35 → Z = = 1.05
9.25
para z = -1.37 → A= 0.4146
44
∴ P(entre 12.5 y 35 min) = 0.7677
22 .1 − 25 .21
c) Para X = 22.1 → Z = = −0.33
9.25
z = 0.33 → A= 0.1293
40 − 25 .21
d) Para X = 40 → Z = = 1.59
9.25
z = 1.59 → A= 0.444
e) Para X = 40 → 1.59
z = 1.59 → A= 0.444
A total = 0.3531
CLASE 12
ESTADÍSTICA INFERENCIAL
El proceso estadístico
45
A B
- -
- -
Tablas Graficas
E.D. E..I.
- media
- Medidas de tendencia central - mediana
Medidas descriptivas (me dan información sobre los valores medios) - moda
µ ±σ (Población)
x ± s (Muestra)
Recolección de Datos
edad 15 años
estatura 1.65 m
46
mat. reprob. 3
carrera matemático
Muestra sexo F
Hay ocasiones en que no se puede tomar una muestra por que en el estudio estadístico son necesarios
todos los datos de la población.
Por ejemplo: se requiere conocer el nombre, la edad y el sexo de todos los habitantes del D.F., en este
caso se tomara toda la Población, no existe la muestra.
Ejemplo: ¿Qué característica nos puede interesar de la población: Todos los habitantes de la colonia
“Los Ángeles”?
Representación de datos
En el curso de Estadística 1 se han representado los datos en tablas y graficas, en parte de este curso se
han presentado los datos en f,d,p. y sus gráficos
47
(f.d.p.) personas con estudios superiores a
0 ,3
preparatoria
X P(X) 0 ,2 5
9!
0 P( X ) = (0.3) 0 (0.7) 9 = 0.04 0 ,2
0!(9)!
1 0.155 0 ,1 5
2 0.266 0 ,1
3 0.266
4 0.171 0 ,0 5
5 0.073 0
6 0.021 0 1 2 3 4 5 6 7 8 9
7 0.003
8 0.0004
9 0.0004
En esta última parte del curso estudiaremos lo que es la estadística inferencial cuyos temas son los
siguientes: Teorema del límite central, estimación y prueba de hipótesis.
a) RECOLECCIÓN DE DATOS, vas a preguntarle a 15 alumnos su nombre y que tipo de música les
gusta.
48
b) REPRESENTACIÓN DE DATOS (grafica de barras)
Cantidad de alumnos
Tipo de música
Continente Americano
País Numero de habitantes
México 109,955,400
Canadá 33,212,696
49
Estados Unidos 303,824,646
Encontrar:
a) La población _____________________________________________________
b) La muestra _______________________________________________________
c) La variable _______________________________________________________
d) Datos____________________________________________________________
e) La media ___148997580.7___________________________________________
poner
Tarea: Ejemplo: Del grupo 312 de la secundaria “137”, se tomaron 5 estudiantes para un estudio
estadístico, los resultados fueron los siguientes:
50
Pedro M 20 0 9
Ana F 18 2 7.5
Pablo M 20 0 8.5
Lorena F 19 1 6.5
Encontrar:
a) La población _____________________________________________________
b) La muestra _______________________________________________________
poner
CLASE 13
TEOREMA DEL LÍMITE CENTRAL
Hemos visto que la distribución normal es de gran utilidad para el cálculo de probabilidades.
En esta clase vamos a demostrar El teorema del límite central que nos dice:
51
A medida que aumenta el tamaño de la muestra (n), la distribución de muestreo de las medias
de las muestras se acerca a una distribución normal.
Para comenzar esta demostración selecciona 4 números del 0 al 9 y colócalos en la siguiente tabla:
x x
Alumno números Alumno números
(media) (media)
1 26
2 27
3 28
4 29
5 30
6 31
7 32
8 33
9 34
10 35
11 36
12 37
13 38
14 39
15 40
16 41
17 42
18 43
19 44
20 45
21 46
22 47
23 48
24 49
25 50
Esto lo haremos para cuando n ≥ 30, con la siguiente formula para obtener z
x −µ
z=
pregunta σ enunciado
n
En la clase 11 ya se trabajo con la distribución normal, en los enunciados de los problemas se nos
decía que la población se distribuía normalmente, en el siguiente ejemplo no nos mencionan como se
distribuye la población, pero como n ≥ 30 utilizaremos la formula anterior y así poder utilizar la
distribución normal.
53
Ejemplo: Al llenar de aire las llantas de un vehiculo usualmente se da una presión de 28 libras en
promedio, con una desviación estándar de 1.5 libras. Si se llenan las llantas de 8 vehículos (32 llantas)
¿Qué probabilidad hay de que se observe una presión promedio de mas de 28.5 libras?
Solución:
Datos: n = 32, µ = 28, σ = 1.5, x =28.5
x −µ 28 .5 − 28
z= = =1.88
σ 1.5
n 32
1.88 z
para z = 1.88 → A = 0.4699
Ejercicio 1: El tiempo promedio que hay que esperar en una cafetería para recibir la orden es de 12
minutos, con una desviación estándar de 3 minutos. Si en un día llegan a la cafetería 150 clientes, ¿qué
probabilidad hay de que en ese día el promedio de espera sea más de 11.3 minutos?
Solución:
Datos: n = 150, µ = 12, σ = 3, x = 11.3
Solución:
Datos: n = 47, µ = 7, σ = 2, x =8y x =9
54
x −µ 6 −7 −1 −1
z= = = = = −3.43
Para x = 6 σ 2 2 0.291
n 47 6.855
x −µ 8 −7 1 1
z= = = = = 3.43
Para x = 8 σ 2 2 0.291
n 47 6.855
Tarea: Un jugador de base-ball le dará la máxima distancia a un batazo si logra conectar la bola a un
ángulo de 45°. De las videocintas de sus prácticas de bateo ha podido calcular los distintos ángulos de
sus batazos, siendo en promedio de 42.5° con una desviación estándar de 6°. ¿Qué probabilidad hay de
que en los Siguientes 50 batazos su ángulo promedio de bateo sea de
entre 43° y 44°?
Solución:
Datos: n = 50, µ = 42.5, σ = 6
x −µ 43 − 42 .5 0.5
z= = = = 0.58
para x = 43 → σ 6 0.848
n 50
x −µ 44 − 42 .5 1. 5
z= = = = 1.76
para x = 44 → σ 6 0.848
n 50
Hemos visto que el tercer paso de un estudio estadístico es la interpretación de los valores y toma de
desiciones o también conocido como estadística inferencial.
55
puntual
Estimación
La estadística inferencial por intervalos
Prueba de hipótesis.
Una estimación puede considerarse como una suposición, es decir en base a una muestra puedo
estimar o suponer los resultados, así funciona la estadística inferencial.
Por ejemplo:
a) Cuando nos ofrecen un pedazo de pastel para saber si ésta sabroso o desagradable.
b) Seleccionar una estación de radio durante unos cuantos segundos para determinar si vale la pena
seguir escuchándola.
c) Estar observando la televisión por algunos momentos para estimar si me gusta el programa.
e) En una fabrica de tela inspeccionar algunos rollos, para ver si están buenos o tienen alguna falla y a
partir de está muestra determinar que la producción de ese día esta en buenas condiciones o habrá que
revisar la maquinaría o al personal que la produjo.
µ = 6 p.m.
Pero sin embargo en la práctica, sería conveniente preguntarle cuanto tiempo estarían en el lugar de su
cita antes de retirarse, normalmente pueden indicar 15 minutos (otros pueden indicar 20, 30 minutos y
otros muy cariñosos pueden indicar que hasta un intervalo de tiempo de 1 hora ó mas); es decir que el
tiempo de espera para ver a su novia será entre las 5:45 p.m. y las 6:15 p.m. A esta predicción de
espera se le llama "estimador por intervalo" o “intervalo de confianza”
56
limite inferior 5:45 µ = 6 p.m. 6:15 limite superior
Intervalo de confianza
σ
µ ± z
Calculo de intervalos de confianza limites = n
Ejemplo: En un estudio realizado a 81 personas en un centro comercial, las familias que acuden a surtir
su despensa en períodos de quincena gastan en promedio $1,400.00 con una desviación estándar de
$600.00. El gerente de esa tienda desea estimar los intervalos de confianza del 99% para cuando
acuden a ese centro comercial los clientes.
Solución:
n = 81
µ = 1 ,400
σ = 600
Solución:
n = 36
µ = 12
σ =3
Confianza del estudio = 95 % = 95/100 = 0.95 → es el área bajo la curva
57
para calcular los limites del área de cada lado de la curva 0.95 / 2 = 0.475
de tablas para A = 0.475 → z = 1.96
3
lim ites =12 ±1.96
36
3
lim ites =12 ±1.96
6
=12 ±1.96 (0.5) =12 ± 0.98
lim ite sup erios =12 + 0.98 =12 .98
lim ite inf erior =12 − 0.98 =11 .02
11.02 12 12.98 minutos
Ejercicio 2: Un investigador sociológico en abril de 2003 realizo un estudio sobre una muestra de 60
jóvenes respecto a lo que gastan cuando van al cine y encontró que hay un promedio de $162.50 pesos
y una desviación estándar de $7.5, Se desea calcular un intervalo de confianza del 99% con objeto de
evaluar la fluctuación de lo que gastan los jóvenes en la actualidad en acudir a un cine.
Solución:
n = 60
µ = 162.5
σ = 7.5
Confianza del estudio = 99 % = 99/100 = 0.99 → es el área bajo la curva
para calcular los limites del área de cada lado de la curva 0.99/ 2 = 0.495
de tablas para A = 0.495 → z = 2.58
7.5
lim ites =162 .5 ±2.58
60
7 .5
lim ites =162 .5 ±2.58
7.74
=162 .5 ±2.5(0.968 ) =162 .5 ±2.5
lim ite sup erios =162 +2.5 =165
lim ite inf erior =162 −2.5 =160
160 162.5 165 pesos
Solución:
n = 120
µ = 6.3
σ = 1.45
58
para calcular los limites del área de cada lado de la curva 0.95/ 2 = 0.475
1.45
lim ites = 6.3 ±1.96
120
1.45
lim ites = 6.3 ±1.96
10 .95
= 6.3 ±1.96 (0.132 ) = 6.3 ± 0.258
lim ite sup erios = 6.3 + 0.258 = 6.55
lim ite inf erior = 6.3 −0.258 = 6.04
6.04 6.3 6.55 refrescos
CLASE 15
ESTIMACION (II)
Hay problemas en donde no se da la µ y σ , se nos da un porcentaje, para estas ocasiones los limites
los vamos a calcular con la siguiente formula:
P (exito ) P ( fracaso )
limites = P (exito ) ± z
n
Ejemplo : En un estudio realizado en cierto colegio una empresa tabacalera realizo una encuesta a 400
estudiantes sobre el hábito de fumar y encontró que el 80% de los jóvenes fuman sin importar la
59
marca. Ahora la compañía quiere conocer la estimación puntual y los limites del intervalo de
confianza, la confianza del estudio es del 90%.
Solución:
n = 400
Éxito: jóvenes fumadores → P (éxito) = 80/100 = 0.8
Fracaso: jóvenes no fumadores → P (fracaso) = 0.2
P (exito ) P ( fracaso )
P (exito ) ± z
n
0.8(0.2)
0.8 ±1.65
=
400
limites =
= 0.8 ±1.65 ( 0.02 ) =
= 0.8 ± 0.033
lim ite sup erior = 0.8 + 0.033 = 0.833
lim ite inf erior = 0.8 − 0.033 = 0.767
Como los datos de jóvenes fumadores están dados en porcentajes para obtener los limites reales se
multiplican los porcentajes por n
jóvenes fumadores
0.767(400)=306.8 0.8(400)=320 0.833(400)=333.2
Ejercicio 1. Una cadena de televisión en su noticiero de la noche realizó una pregunta sobre si "usted
se siente seguro cuando sale a la calle" y al final del noticiero se encontró que habían llamado 4325
personas e indicaron que el 85% opinaba que "no" y el 15% que "si". Por lo cual ahora se solicita al
estudiante que calcule la estimación puntual y los limites del intervalo de confianza para cuando uno
sale a la calle y no se siente seguro, la confianza del estudio es del 95%.
Solución:
n = 4325
Éxito: gente que no se siente segura → P (éxito) = 85/100 = 0.85
Fracaso: gente que se siente segura → P (fracaso) = 0.15
60
P (exito ) P ( fracaso )
lim ites = P (exito ) ± z
n
0.85 (0.15 )
= 0.85 ±1.96
=
4325
= 0.85 ± 0.0106
lim ite sup erior = 0.85 +0.0106 = 0.8606
lim ite inf erior = 0.85 −0.0106 = 0.8394
Como los datos de jóvenes fumadores están dados en porcentajes para obtener los limites reales se
multiplican los porcentajes por n
n = 80
Éxito: personas que si compran autos nuevos → P (éxito) = 30/80 = 0.375
Fracaso: personas que no compran autos nuevos → P (fracaso) = 70/80 = 0.625
61
P (exito ) P ( fracaso )
lim ites = P (exito ) ± z
n
0.375 (0.625 )
= 0.375 ±1.65
=
80
= 0.375 ± 0.089
lim ite sup erior = 0.375 + 0.089 = 0.464
lim ite inf erior = 0.375 − 0.089 = 0.286
Como los datos de jóvenes fumadores están dados en porcentajes para obtener los limites reales se
multiplican los porcentajes por n
Ejercicio 3. Se realizo un estudio sobre la deserción escolar de las mujeres respecto al embarazo y se
encontró que de 100 mujeres, 8 de ellas abandonaron sus estudios por ser madres solteras. Calcular la
estimación puntual y los limites del intervalo de confianza de mujeres que han dejado sus estudios por
haberse embarazado, la confianza del estudio es del 94%.
Solución:
n = 100
Éxito: mujeres embarazadas → P (éxito) = 8/100 = 0.08
Fracaso: mujeres no embarazadas → P (fracaso) = 92/100 = 0.92
62
P (exito ) P ( fracaso )
lim ites = P (exito ) ± z
n
0.08 (0.92 )
= 0.08 ±1.89
=
100
= 0.08 ± 0.051
lim ite sup erior = 0.08 +0.051 = 0.131
lim ite inf erior = 0.08 −0.051 = 0.029
Como los datos de jóvenes fumadores están dados en porcentajes para obtener los limites reales se
multiplican los porcentajes por n
mujeres embarazadas
0.029(100)=2.9 0.08(100)=8 0.131(100)=13.1
Tarea: Para el ejercicio 3 calcule cuando la confianza del estudio es del 99% y compare los resultados,
¿Qué concluye?
Solución:
n = 100
Éxito: mujeres embarazadas → P (éxito) = 8/100 = 0.08
Fracaso: mujeres no embarazadas → P (fracaso) = 92/100 = 0.92
63
P (exito ) P ( fracaso )
lim ites = P (exito ) ± z
n
0.08 (0.92 )
= 0.08 ± 2.58
=
100
= 0.08 ± 0.069
lim ite sup erior = 0.08 +0.069 = 0.149
lim ite inf erior = 0.08 −0.069 = 0.011
Como los datos de jóvenes fumadores están dados en porcentajes para obtener los limites reales se
multiplican los porcentajes por n
mujeres embarazadas
0.011(100)=1.1 0.08(100)=8 0.149(100)=14.9
CLASE 16
PRUEBA DE HIPÓTESIS
en las dos clases anteriores vimos el tema de estimación, en esta clase empezaremos a ver lo que es la
Prueba de hipótesis.
64
La prueba de hipótesis consiste en probar que tan cierta o falsa es una suposición, por ejemplo:
a) Me han recomendado un profesor de estadística, tengo la hipótesis o suposición que con el voy a
aprobar el curso.
¿Cómo voy a probar esta hipótesis?_____________________________________________________
b) Unos amigos me han dicho de un trabajo de medio tiempo que es agradable y pagan bien.
¿Cómo voy a probar esta hipótesis?_____________________________________________________
z
b) La temperatura promedio en cualquier día soleado en Acapulco es al menos de 23°
palabra clave: al menos
z
c) La distancia media entre un hogar en la colonia Guadalupe Tepeyac y la estación de bomberos es
menor de 6.5 Km.
palabra clave: es menor que
z
65
d) El nivel medio de monóxido de carbono de contaminación ambiental en la Cd de México es a lo
mas 4.9 puntos.
palabra clave: a lo mas
z
Ejemplo: Una compañía constructora hizo un pedido de varillas, según las normas de construcción las
varillas debe ser mayor o igual a 3 cm. de diámetro. El encargado de la obra toma 50 varillas y
encuentra un diámetro promedio de 2.98 cm. con una desviación estándar de 0.15 cm. Si se utiliza un
nivel de confianza del 98%. ¿El encargado debe aceptar o rechazar dicho pedido?
Solución:
z
Paso 2. Calculo del valor estadístico de prueba (z)
esta valor se obtiene de la hipotesis
x −µ 3 − 2.98
z= = = 0.94
σ 0.15 2 (Clase 14: teorema del límite central)
n 50
I I I
0 0.942 2.33
Paso 3. Confianza del estudio = 98 % = 98/100 = 0.98
De tablas para A = 0.49 → z = 2.33 ∴ El pedido se acepta
Ejercicio 1. Una empresa supone que la edad de sus empleados tiene un promedio
mayor a los 59 años, así que realizó un estudio sobre la edad de sus
trabajadores a partir de una muestra de 60 de ellos, encontrando una edad
promedio de 58 años con una desviación estándar de 7. ¿Es válida la suposición si la confianza del
estudio es del 96%?
Solución:
66
z
X −µ 59 − 58
z= = = 1.10
σ 7
n 60
I I I
0 1.10 2.06
∴ no es valida la suposición
Solución:
67
z
X −µ 83 − 80
z= = = 16 .77
σ 4
n 500
I I
0 1.96 16.77
∴ es valida la suposición
Ejercicio 3. Se realizó un estudio psicológico para medir los tiempos de reacción con respecto a cierto
estímulo. Se utilizó en el experimento una muestra aleatoria de 50 personas. Los resultados se
muestran en la tabla. ¿Presentan los datos suficiente evidencia para sugerir que el promedio verdadero
del tiempo de reacción es mayor a 3.6 segundos? Utilice una confianza de estudio del 95%.
n = 50
µ = 3.7 seg
σ = 0.424
Solución:
68
z
X −µ 3.6 − 3.7
z= = = −1.667
σ 0.424
n 50
I I I
-1.667 0 1.96
∴ no es valida la suposición
Tarea: Un banco supone que sus clientes gastan de sus tarjetas de crédito a lo más $5000 al mes Para
probar esto realizo una encuesta entre algunos de sus clientes y obtuvo los siguientes datos:
n = 100
µ = 4700
σ = 950
Confianza del estudio = 95%
Solución:
69
z
X −µ 5000 − 4700
z= = = 3.15
σ 950
n 100
I I I
0 1.96 3.15
∴ se acepta la suposición
CLASE 17
EJERCICIOS
Ejercicio 1. El pago por consumo de luz en cierta población del área de Naucalpan de Juárez, Estado
de México, es en promedio de $270.65 (durante Febrero-marzo del 2003), con una desviación estándar
de $138.00. La compañía de Luz y Fuerza del Centro desea realizar un estudio de una muestra de 100
casas en esa área geográfica. Calcular la probabilidad del consumo entre $230 y $300.
70
Ejercicio 2. Un investigador sociológico en abril de 2003 realizo un estudio sobre una muestra de 60
jóvenes respecto a lo que gastan cuando van al cine y encontró que hay un promedio de $162.50 pesos
y una varianza de $5625. Se desea calcular un intervalo de confianza del 99% con objeto de evaluar la
fluctuación de lo que gastan los jóvenes en la actualidad en acudir a un cine.
71
Ejercicio 3. En una encuesta realizada en un centro comercial 20 de cada 200 personas compran
zapatos. Se desea conocer los intervalos si la confianza del estudio es del 92% para cuando las
personas compran zapatos.
72
Ejercicio 4. El profesor de estadística cree que sus alumnos actuales tienen un promedio mayor o igual
a 7.5. Para probar esto realizo un examen a 44 alumnos y obtuvo los datos siguientes: Promedio =
7.52, desviación estándar = 1.4, ¿Si el nivel de confianza es del 97 %, el profesor acepta o rechaza su
hipótesis?
73