GUÍA DE TRABAJO # 3

3. Sea X N (100, 225). Halle las probabilidades siguientes:

a. P [X 92.5]

μ= 100 σ2 = 225 → σ = 15

Para dar solución a la P [X 92.5], es necesario realizar la transformación llamada estandarización,

con la cual se obtiene el valor de z:

𝑥− μ 92.5−100
𝑧= = = -0.5
σ 15
Calculando la probabilidad tenemos:

P [X 92.5] = P [Z -0.5] = -0.6915 (Tabla 1. Pág. 66) → 1 - P [Z -0.5] = 1 - 0.6915 = 30.85%

b. P [X 76]

μ= 100 σ2 = 225 → σ = 15

Para dar solución a la P [X 76], es necesario realizar la transformación llamada estandarización,

con la cual se obtiene el valor de z:

𝑥− μ 76−100
𝑧= = = -1.6
σ 15
Calculando la probabilidad tenemos:
P [X 76]= P [Z 1.6] = -0.4452 (Tabla 1. Pág. 66) → P [Z 1.6] + 0.5 = 0.4452 + 0.5 = 94.52%

c. P [77.5 X 100]

μ= 100 σ2 = 225 → σ = 15

Para dar solución a la P [77.5 X 100], es necesario realizar la transformación llamada
estandarización, con la cual se obtiene el valor de z:

𝑥− μ 77.5−100
𝑧= = = -1.5
σ 15
Calculando la probabilidad tenemos:

P [77.5 X 100] = - 0.4332 (Tabla 1. Pág. 66) → P [77.5 X 100] = 43.32%

4. Para la variable definida en el problema 3, halle el valor x que satisface:

a. P [X x] = 0.75

Teniendo en cuenta que X N (100, 225) De acuerdo al punto 3. Entonces tenemos: μ= 100 y σ =15

A continuación, se realiza la gráfica para una rápida visualización de la situación planteada.

A la anterior expresión de la probabilidad se puede escribir como: P [Z ≤ z] = 0.75

De acuerdo a la tabla I (pág. 66), el valor de z, es z = 0.67

Ahora, de acuerdo con la fórmula de estandarización, se despeja x.

𝑥− μ
𝑧=
σ
→ 𝑥 =𝑧μ+ σ
Sustituimos en la ecuación, teniendo en cuenta que: z= 0.67; σ= 15; μ= 100

𝑥 =𝑧μ+ σ
𝑥 = (0.67) (15) + 100
𝑥 = 110.05

b. P [X x] = 0.10

Primero, realizamos la gráfica para una rápida visualización de la situación planteada.

A la anterior expresión de la probabilidad se puede escribir como: P [Z ≥ z] = 0.10

Aplicando la propiedad 3:

1 - P [Z ≤ z] = 1 – 0.10 = 0.9

De acuerdo a la tabla I (pág. 66), el valor de z, es z= 1.28

Ahora, de acuerdo con la fórmula de estandarización, se despeja x.

𝑥− μ
𝑧=
σ
→ 𝑥 =𝑧μ+ σ
Sustituimos en la ecuación, teniendo en cuenta que: z= 1.28; σ= 15; μ= 100

𝑥 =𝑧μ+ σ
𝑥 = (1.28) (15) + 100
𝑥 = 119.2
c. P [X x] = 0.05

A continuación, se realiza la gráfica para una rápida visualización de la situación planteada.

A la anterior expresión de la probabilidad se puede escribir como: P [Z ≤ z] = 0.05

Como se debe hallar el valor de z y el valor de probabilidad no se encuentra en la Tabla I,

esto nos indica que el valor de z es negativo (–z), P [Z ≤ - z] = 0.05

Aplicando la propiedad 3:

1 - P [Z ≤ z] = 1 – 0.05 = 0.95

De acuerdo a la tabla I (pág. 66), el valor de z, es z= 1.64 y como debe ser negativo, queda
–z = –1.64

Ahora, de acuerdo con la fórmula de estandarización, se despeja x.

𝑥− μ
𝑧=
σ
→ 𝑥 =𝑧μ+ σ
Sustituimos en la ecuación, teniendo en cuenta que: z= -1.64; σ= 15; μ= 100

𝑥 =𝑧μ+ σ
𝑥 = (-1.64) (15) + 100
𝑥 = 75.4

5. Suponga un test normal de puntuación media de 75 y una desviación estándar de 6, tres

estudiantes A, B y C fueron notificados de tener puntuaciones Z normales estándares de 1.8, 0.5
y 0.8 respectivamente. Halle las notas obtenidas por A, B y C.

Sean μ = 75 y σ=6 con 𝑧 = 1.8 (𝐴)

𝑧 = 0.5 (𝐵)
𝑧 = −0.8 (𝐶)
Si

𝑥− μ
𝑧= → 𝑥 = 𝑧σ + μ
σ
 Para saber la nota obtenida por el estudiante A, tomamos 𝑧 = 1,8 y con ello resolvemos:

𝑥 = 𝑧σ + μ
𝑥 = (1.8)(6) + 75
𝑥 = 85.5
Por lo tanto, el estudiante A obtuvo 85,5 puntos

 Para el estudiante B, tenemos que 𝑧 = 0,5 , así que:

 𝑥 = 𝑧σ + μ
𝑥 = (0.5)(6) + 75
𝑥 = 78
El estudiante B alcanzó 78 puntos.

 Para el estudiante C tenemos que 𝑧 = −0.8 , entonces:

𝑥 = 𝑧σ + μ
𝑥 = (−0.8)(6) + 75
𝑥 = 70.2
En conclusión, el estudiante C obtuvo un puntaje de 70.2

6. Una fábrica de harina empaqueta en sacos de tela. El saco de harina se acepta como de
distribución normal con media y desviación estándar iguales a 25 y 0.5 respectivamente. Si se
toma al azar un saco, ¿Cuál es la probabilidad de que:

a. Pese cuando más 24.75?

Se tiene X N (25, 0.25). Es decir que: μ= 25 y σ =0.5

Para este ejercicio, se pide hallar P [X ≤ 24.75], en donde la probabilidad se puede escribir como:

P [Z ≤ 24.75]

Para ello es necesario realizar la transformación llamada estandarización, con la cual se obtiene el
valor de z:

𝑥− μ 24.75−25
𝑧= = = −0.5
σ 0.5

Calculando la probabilidad tenemos:

P [X 24.75] = P [Z -0.5] = -0.6915 (Tabla 1. Pág. 66) → 1 - P [Z -0.5] = 1 - 0.6915 = 0.3085

Por lo tanto, la probabilidad de que un saco pese cuando más 24.75 kg es del 30.85%
 b. Pese por lo menos 26.25?

Para este ejercicio, se pide hallar P [X > 26.25], en donde la probabilidad se puede escribir
como: P [Z > 26.25]

es necesario realizar la transformación llamada estandarización, con la cual se obtiene el valor de z:

𝑥− μ 26.25−25
𝑧= = = 2.5
σ 0.5
Calculando la probabilidad tenemos:

P [X 26.25] = P [Z 2.5] = 0.9938 (Tabla 1. Pág. 66) → 1 - P [Z ≤26.25] = 1 - 0.9938 = 0.0062

Por lo tanto, la probabilidad de que un saco pese por lo menos 26.25kg es del 0.62%

7. Una máquina despachadora de refrescos está ajustada para servir en promedio 200 mililitros por
vaso. Si la cantidad de refrescos es normalmente distribuida con una desviación estándar igual
a 15 mililitros.

a. ¿Qué fracción de los vasos contendrá más de 224 mililitros?

P [X 224]

Teniendo en cuenta que: μ = 200 , σ = 15 y X N (200, 225) entonces:

𝑥− μ 224 − 200
𝑧= = = 1.6 = 0.9452
σ 15
 Además, se sabe que:

P [X 224] = 1 - P [X ] = 1 - 0.09452 = 0.0545

Por lo tanto el 5.48% de los vasos contienen más de 224 mililitros.

b) ¿Cuál es la probabilidad de que un vaso contenga entre 191 y 209 mililitros?

P [191 X 209]

Teniendo en cuenta que: μ = 200 , σ = 15 y X N (200, 225),

Los valores correspondientes a z son:

191− 200 𝑥− μ
𝑧= 𝑧=
15 σ

𝑧 = −0.6 𝑧 = 0.6

𝑧 = 0.7257 𝑧 = 0.7257

Ahora, como: 0.7257 + 0.7257 = 1.4514 , entonces

1 − 1,4514 = 0.4514

En conclusión, el 45.14% de los vasos contienen entre 191 y 209 mililitros.

c) ¿Cuántos vasos probablemente se derramarán si se utilizan vasos de 230 mililitros en los

siguientes 1000 refrescos?

P [X 230]
 Teniendo en cuenta que: μ = 200 , σ = 15 y X N (200, 225) entonces:

𝑥− μ 230 − 200
𝑧= = = 2 = 0.9772
σ 15

Además, se sabe que:

P [X 230] = 1 - P [X ] = 1 – 0.9772 = 0.0228

Ésta es la probabilidad de derramar una bebida, pero como nos preguntan para cuando se
sirven 1000 vasos, entonces tendremos que:

𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 = 𝑉𝑎𝑠𝑜𝑠 𝑑𝑒𝑟𝑟𝑎𝑚𝑎𝑑𝑜𝑠 × 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑑𝑒𝑟𝑟𝑎𝑚𝑎𝑟 𝑢𝑛 𝑣𝑎𝑠𝑜

1000 × 0.0228 = 22.8

Por lo tanto, se derramarán aproximadamente 23 refrescos.

d) ¿Bajo qué valor se obtiene el 25% más pequeño de los refrescos?

P [X  x] = 0.25

Teniendo en cuenta que: μ = 200 , σ = 15 y X N (200, 225) es posible deducir

que 𝑧 es negativo (−𝑧) porque no está en la tabla, entonces por propiedad 3,

1 − 𝑃[𝑍 ≥ −z] = 1 − 0.25

1 − 𝑃[𝑍 ≥ −z] = 0.75
1 − 𝑃[𝑍 ≥ −z] = −0.067

Luego, en la fórmula de estandarización despejamos a 𝑥 y tenemos:

𝑥 = 𝑧σ + μ
 𝑥 = (−0.67)(15) + 200
𝑥 = 189.95

Por lo tanto, el 25% más pequeño de los refrescos se obtiene bajo el valor de 𝑧 = −0.67 (Ver
Tabla 1 de la Pág. 6), puesto que por debajo de los 189. 95 ml se da este porcentaje.
 EJEMPLOS DE LA PÁGINA 27
MUESTREO PROBABILÍSTICO

 Muestreo Aleatorio Simple:

Es aquel en que cada elemento de la población tiene la misma probabilidad de ser
seleccionado para integrar la muestra. Cada uno de los elementos de la muestra,
se selecciona aleatoriamente uno por uno.

Ejemplo de muestreo probabilístico:

Una empresa tiene 120 empleados. Se quiere extraer una muestra de 30 de ellos.

Pasos a seguir:

- Enumera a los empleados del 1 al 120

- Sortea 30 números entre los 120 trabajadores
- La muestra estará formada por los 30 empleados que salieron seleccionados
de los números obtenidos.

En resumen, el muestreo aleatorio simple es como hacer un sorteo, afortunadamente

existen herramientas que facilitan la automatización y le da seriedad a este proceso.
Para la realización de este tipo de muestreo, se asigna un número a cada individuo
de la población y a través de algún procedimiento aleatorio, con reemplazamiento,
como sorteo, tabla de números aleatorios, función ran# de la calculadora, etc., y se
eligen tantos sujetos como sea necesario para completar el tamaño de muestra.

 Muestreo Sistemático:
Se utiliza cuando el universo o población es de gran tamaño. Consiste en elegir un
individuo a partir del coeficiente de elevación K= N/n; donde N es el tamaño del
universo y n el tamaño de la muestra. y a partir de él, a intervalos constantes, se
eligen los demás hasta completar la muestra.

Ejemplo de Muestreo Sistemático:

En un colegio hay alrededor de 5000 estudiantes y se desea obtener una muestra
de 100 de ellos. Para ello se realiza lo siguiente:
- Dividimos el total de los estudiantes del colegio (N=5000), sobre el tamaño
de la muestra (n=100) y eso da como resultado k= 50
- Se elige el punto de partida con un número al azar entre 1 y 50. Por ejemplo
24
- A partir del individuo 24 se define la muestra extrayendo los individuos de la
lista con intervalos de 50. (24; 24+50=74; 74+50=124; 124+50=174; hasta
5000)
- Así los elementos de la muestra para seleccionar los 100 individuos
corresponderían a: 24, 74, 124, 174, …, 4974

 Muestreo estratificado
Consiste en la división previa de la población de estudio en grupos o clases que
se suponen homogéneos con respecto a alguna característica de las que se van
a estudiar. A cada uno de estos estratos se le asignaría una cuota que
determinaría el número de miembros del mismo que compondrán la muestra.

Ejemplo de Muestreo estratificado por asignación proporcional

En una empresa se encuentran los siguientes funcionarios:
Género Jornada # de trabajadores
Hombre Completa 95
Hombre Media 19
Mujer Completa 38
Mujer Media 38
TOTAL 190

Se pide tomar una muestra de 50 personas. Para ello:

Lo primero es encontrar el porcentaje de cada grupo:

- % hombre, jornada completa = 95 / 190 = 50%

- % hombre, media jornada = 19/ 190 = 10%
- % mujer, jornada completa = 38 / 190 =20 %
- % mujer, media jornada = 38 / 190 = 20%
Con ello podremos determinar nuestra muestra de 50 persona, así:

- 50% debe ser hombre, jornada completa

- 10% debe ser hombre, media jornada
- 20% debe ser mujer, jornada completa
- 20% debe ser mujer, media jornada
- 50% de 50 es 25
- 10% de 50 es 5
- 20% de 50 es 10
- 20% de 50 es 10

 Muestreo por estadios múltiples

Esta técnica de muestreo se utiliza cuando el investigador desconoce o no

tiene acceso a la lista completa de la población sobre la cual va a efectuar su
estudio.

Para realizar el muestreo por estadios múltiples, se debe subdividir la

población en categorías ordenadas, sobre las cuales sí se tiene un control
total de los individuos que la conforman, y comenzar a extraer sucesivamente
cada nivel, utilizando un procedimiento de embudo. Esta técnica se
desarrolla en varias etapas para cada nivel.

Ejemplo de Muestreo por estadios múltiples

Para evaluar la calidad del servicio al cliente que ofrecen los hospitales del
país, el Ministerio de Salud y Protección social quiere aplicar una encuesta a
los pacientes y ejecutores del servicio, en los centros de salud registrados y
no registrados en la base de datos.

Por esta razón, se hizo necesario construir una muestra subdividida por dos
categorías, la primera corresponde a los hospitales registrados en la base de
datos y la segunda a los no registrados; éstos a su vez fueron subdividirse
en centros de servicio público y de servicio privado. De esta manera se extrae
una muestra de hospitales por departamento, y luego se selecciona
aleatoriamente otra correspondiente a los centros de salud registrados en la
base de datos de cada municipio, para de esta manera, tener acceso y
control de cada subdivisión de la muestra.

 Muestreo por conglomerados

 Se utiliza cuando la población se encuentra dividida, de manera natural, en
grupos que se supone que contienen toda la variabilidad de la población, es
decir, la representan fielmente respecto a la característica a elegir, pueden
seleccionarse sólo algunos de estos grupos o conglomerados para la
realización del estudio.

Ejemplo de Muestreo por conglomerados

Un investigador desea estudiar el rendimiento académico de los estudiantes
secundarios en Colombia. Para ello, debe:

- Puede dividir a toda la población (población de Colombia) en diferentes

conglomerados (ciudades).
- Luego, el investigador selecciona una serie de conglomerados en función de
su investigación, a través de un muestreo aleatorio simple o sistemático.
- Luego, de los conglomerados seleccionados (ciudades seleccionadas al
azar) el investigador puede incluir a todos los estudiantes secundarios como
sujetos o seleccionar un número de sujetos de cada conglomerado a través
de un muestreo aleatorio simple o sistemático.
 GUÍA DE TRABAJO # 4
1. Suponga que las estaturas de los hombres tienen distribución normal con desviación estándar
de 2.5 pulgadas. ¿De qué tamaño se debe tomar la muestra si se desea determinar un intervalo
de confianza del 95% para una media con un error de estimación de 0.5?

Tenemos σ = 25 y 𝑑 = 0.5
Con un nivel de confianza del 95%; por lo tanto, el nivel de significancia α = 5% y

𝑧(1−𝛼) = 𝑧0.975 = 1.96 Tabla I (pág. 66)

2

𝑧 2 σ2
Reemplazando en 𝑛= tenemos:
𝑑2

(1.96)2 (2.5)2
𝑛= = 96.04 ≅ 96
(0.5)2

En conclusión, se debe escoger una muestra de 96 mediciones de estaturas de los hombres

2. Un químico ha preparado un producto diseñado para matar el 80% de un tipo particular de

insectos, ¿de qué tamaño se debe escoger la muestra para estimar la verdadera proporción sí
se requiere un intervalo de confianza del 95% y un error de estimación del 2%?

𝑃̅ = 0.80 𝑑 = 0.02
Con un nivel de confianza del 95%; por lo tanto, el nivel de significancia α = 5% y

𝑧(1−𝛼) = 𝑧0.975 = 1.96 Tabla I (pág. 66)

2

𝑧 2 𝑝̅ (1− 𝑝̅ )
Reemplazando en 𝑛= tenemos:
𝑑2

(1.96)2 (0.80)(1 − 0.80)

𝑛= = 1536.64 ≅ 1537
(0.02)2

Por lo tanto, se debe escoger una muestra de 1537 mediciones del producto

3. Un técnico desea determinar el tiempo promedio que los operarios tardan en preparar sus
equipos. ¿Qué tamaño debe tener la muestra si se necesita una confianza del 95% de que su
 media muestral estará dentro de 15 segundos del promedio real? Suponga que por estudios
anteriores se sabe que σ = 45segundos.

Tenemos σ = 45 y 𝑑 = 0.5
Con un nivel de confianza del 95%; por lo tanto, el nivel de significancia α = 5% y

𝑧(1−𝛼) = 𝑧0.975 =1.96 Tabla I (pág. 66)

2

𝑧 2 σ2
Reemplazando en 𝑛= tenemos:
𝑑2

(1.96)2 (45)2
𝑛= = 34.5 ≅ 35
(15)2

En conclusión, se debe escoger una muestra de 35 mediciones del tiempo

4. Se desea estimar el peso promedio de un lote de 500 naranjas. Para ello se va escoger
aleatoriamente cierto número de naranjas. Se desea que el error de estimación sea máximo de
2 onzas con un nivel de confianza del 90%. ¿Cuántas naranjas deben seleccionarse?

Suponga que σ = 5.

Tenemos N= 500 d= 2 σ=5

Con un nivel de confianza del 90%; por lo tanto, el nivel de significancia α = 10% y

𝑧(1−𝛼) = 𝑧0.95 = 1.64 Tabla I (pág. 66)

2

𝑁𝑧 2 σ2
Reemplazando en 𝑛= tenemos:
(𝑁−1)𝑑 2 +𝑧 2 σ2

𝑁𝑧 2 σ2 (500)(1.64)2 (5)2
𝑛= = = 16.29 ≅ 16
(𝑁−1)𝑑 2 +𝑧 2 σ2 (500−1)(2)2 +(1.64)2 (5)2

Debe seleccionar 16 naranjas para que el error de estimación sea máximo de 2 onzas con un nivel
de confianza del 90%