Estadisca Inferencial PDF

UNIVERSIDAD PRIVADA TELESUP
1
Prefacio:
E
n esta asignatura se estudian herramientas, que permitan al
estudiante, analizar fenómenos que condicionan la toma de
decisiones confiables. Estos conocimientos posibilitarán
afianzar las teorías de investigación en su campo de
competencia y que tienen por finalidad la aplicación de la
teoría a solucionar problemas reales, especialmente en la
construcción de inferencias confiables.
Comprende Cuatro Unidades de Aprendizaje:
Unidad I: Variables Aleatorias.
Unidad II: Distribución de Probabilidad.
Unidad III: Distribuciones Muéstrales.
Unidad IV: Estimación de Parámetros.
2
Estructura de los Contenidos
Distribución
Variables Distribuciones Estimación de
de
Aleatorias Muéstrales Parámetros
Probabilidad
)
Conceptos de Distribución de Muestreo aleatorio. Intervalo de
variables aleatorias. variables confianza.
aleatorias
discretas.
Variables aleatorias Distribución
Intervalo de
discretas. muestral de la
confianza para
media y
Distribución de la media y
proporción.
variables proporción.
Variables aleatorias
aleatorias
continuas.
continúas. Distribución muestral
de la diferencia de Prueba de
Media y varianza de dos medias. hipótesis.
una variable Aplicación de
aleatoria. la distribución
Distribución
normal. Prueba de
muestral de la
hipótesis
diferencia de dos
acerca de la
proporciones.
Aproximaciones media y
a la distribución proporción.
normal.
La competencia que el estudiante debe lograr al final de la asignatura es:
“Identifica e interpreta las principales técnicas,

procedimientos, modelos estadísticos
estimación y prueba de hipótesis que exige la
investigación científica, los estudios de mercado y la
administración de un negocio en un entorno
competitivo.”
3
Índice del Contenido
I. PREFACIO 02
II. DESARROLLO DE LOS CONTENIDOS 03 - 129
UNIDAD DE APRENDIZAJE 1: VARIABLES ALEATORIAS 05-28
1. Introducción 06
a. Presentación y contextualización 06
b. Competencia 06
c. Capacidades 06
d. Actitudes 06
e. Ideas básicas y contenido 06
2. Desarrollo de los temas 07-24
a. Tema 01: Conceptos de Variables Aleatorias. 07
b. Tema 02: Variables Aleatorias Discretas. 11
c. Tema 03: Variables Aleatorias Continuas. 16
d. Tema 04: Media y Varianza de una Variable Aleatoria. 20
3. Lecturas recomendadas 25
4. Actividades 25
5. Autoevaluación 26
6. Resumen 28
UNIDAD DE APRENDIZAJE 2: DISTRIBUCIÓN DE PROBABILIDAD 29-60
1. Introducción 30
b. Competencia 30
c. Capacidades 30
d. Actitudes 30
a. Tema 01: Distribución de Variables Aleatorias Discretas. 31
b. Tema 02: Distribución de Variables Aleatorias Continuas. 40
c. Tema 03: Aplicación de la Distribución Normal. 49
d. Tema 04: Aproximaciones a la Distribución Normal. 53
4. Actividades 58
6. Resumen 60
UNIDAD DE APRENDIZAJE 3: DISTRIBUCIONES MUESTRALES 61-93
1. Introducción 62
b. Competencia 62
c. Capacidades 62
d. Actitudes 62
a. Tema 01: Muestreo Aleatorio. 63
b. Tema 02: Distribución Muestral de la Media y Proporción. 70
c. Tema 03: Distribución Muestral de la Diferencia de Dos Medias. 79
d. Tema 04: Distribución Muestral de la Diferencia de Dos Proporciones. 86
4. Actividades 89
6. Resumen 93
UNIDAD DE APRENDIZAJE 4: ESTIMACIÓN DE PARÁMETROS 94-120
1. Introducción 95
b. Competencia 95
c. Capacidades 95
d. Actitudes 95
a. Tema 01: Intervalo de Confianza. 96
b. Tema 02: Intervalo de Confianza para la Media y Proporción. 100
c. Tema 03: Prueba de Hipótesis. 104
d. Tema 04: Prueba de Hipótesis Acerca de la Media y Proporción. 108
4. Actividades 117
6. Resumen 120
III. GLOSARIO 121
IV. FUENTES DE INFORMACIÓN 122
V. APÉNDICE 123
VI. SOLUCIONARIO 130
4
5
Introducción
a) Presentación y contextualización
Los temas que se tratan en la presente Unidad, tienen por finalidad que el
estudiante desarrolle y ejecute el concepto de variables aleatorias durante su
proceso de formación profesional y contribuyan en el logro de su perfil profesional.
b) Competencia
Explica las propiedades para calcular la media y varianza de variables

aleatorias.
c) Capacidades
1. Identifica una variable aleatoria.

2. Explica variables aleatorias discretas.
3. Analiza variables aleatorias continuas.
4. Aplica propiedades para calcular la media y varianza de variables aleatorias.
d) Actitudes
 Valora la importancia de los negocios internacionales para el desarrollo de la

nación.
 Desarrolla una actitud emprendedora mediante la toma de iniciativas,
promoción de actividades y toma de decisiones en relación a la actividad
asignada.
 Cumple con la presentación de los trabajos encomendados con puntualidad.
 Desarrolla la creatividad, la innovación, y el respeto a la honestidad intelectual.
e) Presentación de Ideas básicas y contenidos esenciales de la Unidad:

La Unidad de Aprendizaje 01: Variables Aleatorias, comprende el desarrollo de
los siguientes temas:
TEMA 01: Conceptos de Variables Aleatorias.

TEMA 02: Variables Aleatorias Discretas.
TEMA 03: Variables Aleatorias Continuas.
TEMA 04: Media y Varianza de una Variable Aleatoria.
6
Conceptos TEMA 1
de
Variables
Aleatorias
Competencia:
Identificar una variable aleatoria.
7
Desarrollo de los Temas
Tema 01: Conceptos de Variables Aleatorias
Definición.- Se define Variable aleatoria, a una variable estadística cuantitativa

definida en un espacio muestral  .
Hemos visto que los resultados de un experimento aleatorio pueden ser cuantitativos
(por ejemplo, lanzar un dado y registrar el número de la cara superior), o cualitativos
(por ejemplo, lanzar dos monedas y registrar el resultado de cada una).
Los eventos de mayor interés a la hora de hacer inferencia estadística son eventos
numéricos. ¿Qué significa? Que, por ejemplo, estaremos más interesados en conocer
el número de caras que resultan en cada repetición del experimento que en la
secuencia en sí.
Así, los eventos simples (C, X) y (X, C) nos brindarán la misma información, es decir,
en los dos se registró 1 cara. El número de caras es una función definida sobre el
espacio muestral S:
Eventos Simples CC CX XC XX
Numero de caras
2 1 1 0
:X
Esto también se puede representar:
8
Esta función genera una partición del espacio muestral. Todos

los eventos simples que corresponden al mismo valor de la
función se encuentran en el mismo subconjunto. Estos
subconjuntos son disjuntos y su unión es el espacio muestral.
La función definida anteriormente se denomina variable aleatoria.
Una variable aleatoria es entonces una función que asocia un número real a cada
elemento de un espacio muestral.
X :S 
s  x  X (s)
Notación: X indica la función (variable aleatoria), x representa el valor que toma la

variable aleatoria al ser valuada en el elemento s.
Las variables aleatorias se dividen en dos grupos: discretas y continuas. Una variable
discreta puede tomar una cantidad finita o infinita numerable de valores. Una variable
aleatoria continua puede tomar infinitamente muchos valores correspondientes a
puntos en un intervalo de la recta real.
Ejemplos 01:
Sea  el espacio muestral que se obtiene al lanzar al aire una moneda tres veces
consecutivas, esto es,   SSS , SSC, SCS , CSS , SCC, CSC, CCS , CCC
Si X se define en  como “el número de caras obtenidas”, entonces, X es una

variable aleatoria cuyo rango es el conjunto: RX  0,1, 2,3, .En efecto,
X  0 , corresponde al evento elemental SSS 
X  1 , corresponde a los eventos elementales SSC , SCS , CSS
X  2 , corresponde a los eventos elementales SCC , CSC y CCS
X  3 , corresponde al evento elemental CCC
Ejemplo 02:
Un profesor califica sus pruebas en una escala de 4 puntos (1, 2, 3, 4). Supongamos
que en un curso de 30 alumnos los resultados ordenados fueron:
111222222333333333333444444444
Sea X = resultado de la prueba para un alumno del curso elegido al azar.
9
Luego R = {1, 2, 3, 4}, X es una variable aleatoria discreta

X
La frecuencia de cada uno de los resultados es, 3, 6, 12 y 9 respectivamente.
Resultado (x ) 1 2 3 4
i
Frecuencia (f ) 3 6 12 9
i
Frecuencia. relativa (f /n) 0.1 0.2 0.4 0.3

i
p (x ) = p 0.1 0.2 0.4 0.3

X i i
Siguiendo con el ejemplo:

¿Cuál es la probabilidad de que un alumno elegido al azar haya tenido a lo sumo un
3?
P(X ≤ 3) = p (1) + p (2) + p (3)
X X X
= p1 + p + p = 0.1 + 0.2 + 0.4 = 0.7

2 3
CLASIFICACIÓN DE LAS VARIABLES ALEATORIAS

Las variables Aleatorias se clasifican en general en discretas y continuas.
10
Variables TEMA 2
Aleatorias
Discretas
Competencia:
Explicar variables aleatorias discretas.
11
Tema 02: Variables Aleatorias Discretas
Hemos definido hasta acá qué se entiende por variable

aleatoria, y una vez determinada una Variable Aleatoria.
Podemos conocer cuáles son los valores que puede tomar.
Pero es interesante poder medir la probabilidad con que
toma cada uno de esos valores.
Definición.- Una variable aleatoria discreta asume cada uno de sus valores con
cierta probabilidad que denotaremos por PX (probabilidad inducida por X).
Ejemplo:
Consideremos el experimento aleatorio de lanzar dos monedas entonces el espacio
muestral correspondiente estará dado por:
  CC, CS , SC, SS
Se define la variable aleatoria X de obtener caras, entonces el rango de X es

RX  0,1, 2 , es decir:
X  0 , Si se obtiene sello en las dos monedas

X  1 , Si se obtiene SC o CS como resultado del lanzamiento
X  2 , Si se obtiene CC en las dos monedas
FUNCIÓN DE PROBABILIDAD
Definición.- Sea X una variable aleatoria discreta. Se denomina función (ley o

modelo o distribución) de probabilidad de X a la función f(x) definida por
f ( x)  P  X  x  , para todo x número real y que satisface las siguientes condiciones:
i) f ( x)  0 , x 
ii ) 
xi RX
f ( xi )  1
La función de probabilidad de una variable aleatoria X se puede expresar por tabla:
Valores xi de X x1 x2 x3 … xn
Probabilidad pi  P  X  xi  p1 p2 p3 … pn
12
Notación:
La función de probabilidad se puede representar de diversas maneras:
1) En una tabla:
x P(x)
0 ¼
1 ½
2 ¼
2) En un gráfico:
3) En una fórmula:
 2
p( x)    0.252
 x
Ejemplo 01.
Sea X la variable aleatoria definida como el número de caras que ocurren al lanzar
dos monedas.
a. Determine la distribución de probabilidad de X.
b. ¿Cuál es la probabilidad de que no obtengamos ninguna cara?
c. Calcular la probabilidad P  0  X  1
Solución.
a) La Variable Aleatoria X. Toma el valor 0 cuando ocurre el evento (SS). Entonces

P(X=0) = P({(SS)}) = ¼
13
También se puede notar P (0) = P(X=0) = ¼

P(X=2) = P ({(CC)}) = ¼
P(X=1) = P ({(CS), (SC)}) = ¼ + ¼ = ½
Entonces la distribución de probabilidad está dada por:

E P(E) x P(x)
CC ¼ 2 ¼
CS ¼ 1 ¼
SC ¼ 1 ¼
SS ¼ 0 ¼
b) La Variable Aleatoria X Toma el valor 0 cuando ocurre el evento (SS). Entonces:

P(X=0) = P({(SS)}) = ¼
1 1 3
c) P  0  X  1  P  X  0  P  X  1   
4 2 4
Ejemplo 02
Sea x una variable aleatoria que expresa el Nº de personas que habitan en una
vivienda elegida al azar. La distribución de probabilidad de x es la siguiente:
xi 1 2 3 4 5 6 7 8ó+
pi 0,230 0,322 0,177 0,155 0,067 0,024 0,015 0,010
a. Comprobar que es una distribución de probabilidad.

Todas las pi son mayores o iguales que cero y además se cumple que:
8

i1
pi  0,23  0,322  0,177...0,010  1
b. Hallar la probabilidad de que el Nº de personas que viven en un hogar sea menor

o igual que cuatro.
P x  4  P x  1  P x  2  P x  3  P x  4 
 0,23  0,322  0,177  0,155  0,884
14
c. Calcular la probabilidad de que al menos dos personas vivan en una vivienda.
P  x  2   P  x  2   P  x  3  ...  P  x  8 
 1  P( x  2)  1  0, 23  0, 77
FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE VARIABLE ALEATORIA

DISCRETA
Definición. La función de distribución acumulada (f.d.a) de probabilidades o
simplemente función de distribución, F(x), de la variable aleatoria discreta X, cuya
función de probabilidad de f(x), se define por:
F ( x)  P  X  x    P( X  k )   f (k ),    x  
k x k x
Ejemplo: Sea X = nota obtenida en una prueba de un alumno elegido al azar

Nota (x) 1 2 3 4
p (x) 0.1 0.2 0.4 0.3
X
FUNCIÓN DE DISTRIBUCIÓN ACUMULADA
0 si x 1
0.1 si 1  x  2

FX ( x)  0.3 si 2  x  3
 0.7 si 3  x  4

 1 si 4  x
15
Variables TEMA 3
Aleatorias
Continuas
Competencia:
Analizar variables aleatorias continuas.
16
Tema 03: Variables Aleatorias Continuas
Definición.- Se dice que la función f ( x) es función de densidad (ley o distribución)

de probabilidad de la variable aleatoria continua X si satisface las siguientes
condiciones:
i) f ( x)  0 para todo x 

ii ) 

f ( x)dx
iii ) P( A)  P  x  A   f ( x)dx , para cualquier intervalo A 

A
FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE VARIABLE ALEATORIA

CONTINÚA
Definición.- La función de distribución acumulada (f.d.a), F(x) de una variable

aleatoria continua X con función de densidad f ( x) , se define por:
x
F ( x)  P  X  x    f (t )dt , para    x  

Ejemplo 01:
Clasificar como discretas o continuas las siguientes variables aleatorias:
a) Nº de páginas de un libro → discreta.
b) tiempo que tarda en fundirse una bombilla → continua
c) Nº de preguntas en una clase de una hora → discreta.
d) cantidad de agua consumida en un mes → continúa.
Ejemplo 02:
Sea f ( x) una función definida en todos los números reales por:
 cx , x   0, 2
 2
f ( x)  
0 , x   0, 2

a. Hallar el valor de la constante C para que, f ( x) sea una función de densidad

para alguna variable aleatoria X.
17
b. Calcular P  0  X  1
Solución.
a) El área de la figura sombreada es igual a 1
Entonces
 2 8
1  f ( x)dx   cx 2 dx  c
 0 3
3
c
8
Luego
3 2
 x , x   0, 2
f ( x)   8
0 , x   0, 2

b) Para resolver esta pregunta se sigue:

1 3  1
P  0  X  1    x 2 dx 

0 8
 8
Ejemplo 03:
Sea f ( x) una función de densidad de probabilidad de una variable aleatoria X, cuya

grafica es la figura:
a.) Determinar el valor de la constante c y luego la f.d.p. de X
b.) Hallar la función de distribución acumulada F(x) de X
18
Solución.
a) Si el área que encierra la figura con el eje X es igual a 1, entonces C  1/ 4
Luego la función densidad está dada por la ecuación de la recta en el intervalo
dado.
 x
 , 1 x  3
f ( x)   4
0, en otro caso
b) La función de distribución acumulada , se calcula por:

F  x   0 , si x  1, F ( x)  1 , si x  3
x t x2 1
Si 1  x  3, F ( x)   dt  
1 4 8 8
 0 , si x  1
 2
 x 1
Entonces: F ( x)   , si 1  x  3
 8
 1 , si x  1
19
Media y
Varianza TEMA 4
de una Variable
Aleatoria
Competencia:
Aplicar propiedades para calcular la media y
varianza de variables aleatorias.
20
Tema 04: Media y Varianza de una

Variable Aleatoria
VALOR ESPERADO O ESPERANZA MATEMÁTICA
Definición.- La media de una variable aleatoria discreta X con función de

probabilidad f(x) está dado por:
  E ( X )  mx   x f (x )
xi RX
i i
Definición.- La media de una variable aleatoria continúa X con función de

densidad de probabilidad f(x) es la expresión:

E( X )   xf ( x)dx

Propiedades:
Si X e Y son dos variables aleatorias se cumple que:
mx y  mx  my
Si a y b son constantes se cumple que:
maxb  amx  b
Ejemplo:
Considerando la variable Aleatoria X, donde X=resultado de lanzar un dado

La distribución de probabilidad de x será:
p1  P{x  1}  1 / 6
p2  P{x  2}  1 / 6
p6  P{x  6}  1 / 6
El valor esperado de X será:
k
1 1 1 1 1 1
mx   xi pi  1   2   3   4   5   6   3,5
i 1 6 6 6 6 6 6
21
VARIANZA DE UNA VARIABLE ALEATORIA
Definición.- Sea X una variable aleatoria con distribución de probabilidad f(x) y con
media igual a  . La varianza de X es la expresión:
 X2  E  X        xi    f ( xi )
2 2
, si X es discreta
 

  E  X       x    f ( xi ) , si X es continua.
2 2 2
X   i

Definición.- La desviación estándar de la variable aleatoria X es la raíz cuadrada
positiva de la varianza. Esto es:  X   X2 .
Nota: Una de las propiedades de la varianza que se usa en el cálculo es:
Var ( X )  E  X      E ( X 2 )   2
2
 
Propiedades:
- Si a y b son constantes se cumple que:
 axb  a  x
 ax2 b  a 2 x2
- Si x e y son dos variables aleatorias independientes se cumple que:
 x2 y   x2   y2 y  x y   x2   y2
Nota.
 La desviación típica de una variable aleatoria es una medida de dispersión de la
distribución alrededor de la media. Los valores pequeños indican concentración de
la distribución alrededor de la esperanza y los valores grandes corresponden a
distribuciones más dispersas.
 El concepto de desviación típica es equivalente en variables aleatorias discretas y
continuas, aunque en estas últimas su cálculo es más complicado.
Ejemplo 1
Se lanza tres veces una moneda. Sea X la variable aleatoria que expresa el nº de
caras en los tres lanzamientos.
22
a) Hallar y representar la función de probabilidad de X.

Solución.
Se lanza 3 veces una moneda, entonces es espacio muestral es:
E= {CCC,CCX,CXC,XCC,XXC,XCX,CXX,XXX}
x=0 →{XXX} p0  P{x  0}  1 / 8  0,125
x=1 →{XXC,XCX,CXX} p1  P{x  1}  3 / 8  0,375
x=2 →{CCX,CXC,XCC} p2  P{x  2}  3 / 8  0,375
x=3 →{CCC} p3  P{x  3}  1 / 8  0,125
b) Calcular el Nº esperado de caras al lanzar la moneda. ¿Era previsible el

resultado?
Solución.
k
mx   xi pi  0  0,125  1  0,375  2  0,375  3  0,125  1,5
i 1
Sí, ya que en cada lanzamiento P(C)=1/2 y al lanzar tres veces se tiene que
3  1 / 2  15
, .
Hallar la desviación típica de X
k (0  1,5) 2  0,125  (1  1,5) 2  0,375
x   x  mx  pi   0,866
2
i
i 1  (2  1,5) 2  0,375  (3  1,5) 2  0,125
o bien:
0 
k
x  x
i 1
2
i pi  mx2  2
 0,125...32  0,125  1,52  0,866
Ejemplo 2
Una compañía ha vendido 205 billetes para un avión de 200 plazas.
Sea x la variable aleatoria que expresa el nº de viajeros que va al aeropuerto para
viajar en el avión. Su distribución es:
xi 198 199 200 201 202 203 204 205
pi 0,05 0,09 0,15 0,20 0,23 0,17 0,09 0,02
a) Hallar la probabilidad de que todos los viajeros que van al aeropuerto tengan
plaza.
23
Solución.
P{x  200}  P{x  198}  P{x  199}  P{x  200} 
 0,05  0,09  0,15  0,29
b) Obtener la probabilidad de que se quede sin plaza alguna de los
viajeros que va al aeropuerto.
P{x  200}  P{x  201}  P{x  202}  ...  P{x  205}
 0, 2  0, 23  0,17  0, 09  0, 02  0, 71
P{x  200}  1  P{x  200}  1  0,29  0,71
c) Calcular el nº esperado de viajeros que acude al aeropuerto.

k
mx   xi pi  198  0,05  199  0,09  200  0,15  201  0,2 
i 1
 202  0,23  203  0,17  204  0,09  205  0,02 

 201,44
d) ¿Cuál es la probabilidad de que la primera persona de la lista de espera tenga
sitio en el vuelo?
P{x  199}  P{x  198}  P{x  199}  0,05  0,09  0,14
Ejemplo 3
La vida útil de un objeto es una variable aleatoria X con función de densidad de
probabilidad
  e  x , si x  0
f ( x)  
 0 , si x  0
Calcular la varianza y la deviación estándar de X.
Solución.
Integrando por partes y analizando la convergencia, se tiene:
 1 1
   x e  x dx  Limb  xe  x  0  Limb e  x  0  0 
b b

0  
Y luego integrando dos veces por partes se obtiene
 2
E  X 2    x 2  e  x dx 
0 2
2 1 1
Luego,   E  X      
2 2 2
 2
 2
2
1
La deviación estándar de X es:  

24
Lecturas Recomendadas
 DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS.
ir.pe/65jn
 PROBABILIDADES Y VARIABLES ALEATORIAS.

http://bit.ly/FWFKl6
 VARIABLES ALEATORIAS.
http://probabilidad20100.blogspot.com/p/varianza-y-desviacion-estandar.html
Actividades y Ejercicios
1) Ingresa al link “Operaciones 1” lee atentamente las indicaciones, desarróllalo y

envíalo por el mismo medio.
Sea X la variable aleatoria definida como el número de caras que ocurren al

lanzar una moneda 4 veces.
a) Determine la distribución de probabilidad de X.
b) Calcular la probabilidad P 1  X  3
Sea X una variable aleatoria continua con distribución.

 1
 xk , 0 x3
f ( x)   6
0 , en otra parte
a.) Calcular k.
b.) Hallar P 1  X  2
La vida útil de un objeto en miles de horas, es una variable aleatoria continua X
cuya función de densidad de probabilidades:
 x
1  , si 0  x  2
f ( x)   2
 0 , en otro caso
a) Calcular la esperanza.
b) La varianza de vida del objeto.
25
Autoevaluación
1) Calcule el rango de la variable aleatoria definido como la suma de los
números que aparecen al lanzar dos dados.
RX  2, 4, 6,8,10,12
a.
RX  2,3, 4,5, 6, 7,8,9,10,11,12
b.
RX  3,5, 7,9,11
c.
RX  4,5, 6, 7,8,9,10,11,12
d.
RX  2,3, 4,5, 6, 7,8,9,10
e.
2) El número de hijos por familia en una determinada región es una variable

aleatoria X cuya función de probabilidad es:
x 0 1 2 3 4
P  X  x 1/16 4/16 k 4/16 1/16
Calcular el valor de la constante k
a. 11/16
b. 6/16
c. 6/16
d. 5/8
e. 4/16
3) Suponga que el número de cursos en que está matriculado un alumno es una

variable aleatoria X con función de probabilidad.
x 0 1 2 3 4 5
P  X  x 1/10 2/10 1/10 3/10 2/10 1/10
Determinar la media de la variable aleatoria.
a. 11/10
b. 13/5
c. 12/5
d. 7/10
e. 1
26
4) Sea f ( x) una función definida en todos los números reales por:
ax , si x   0,3
 3
f ( x)  
 0 , si x   0,3

Hallar el valor de la constante a para que, f ( x) sea una función de densidad para
alguna variable aleatoria X.
a. 1/16
b. 4/81
c. 5/81
d. 1/3
e. 5/27
5) Sea f ( x) una función densidad para alguna variable aleatoria X definida

por:
4 3
 x , si x   0,3
f ( x)   81
 0 , si x   0,3

Calcular P 1  X  2
a. 5/27
b. 5/24
c. 4/27
d. 2/81
e. 4/81
27
Resumen
UNIDAD DE APRENDIZAJE I:
Una variable aleatoria es una variable que toma valores numéricos determinados por
el resultado de un experimento aleatorio. No hay que confundir la variable aleatoria
con sus posibles valores. Ejemplos:
 nº de caras al lanzar 6 veces una moneda (valores: 0, 1, 2…)
 nº de llamadas que recibe un teléfono en una hora
 tiempo que esperan los clientes para pagar en un supermercado…
Las variables aleatorias pueden ser discretas o continuas.
Es el conjunto de posibles valores, es numerable. Suelen estar asociadas a

experimentos en que se mide el número de veces que sucede algo.
Variable aleatoria discreta asume cada uno de sus valores con cierta probabilidad que
denotaremos por PX (probabilidad inducida por X).
Una variable aleatoria discreta X representa los resultados de un espacio muestral en

forma tal que por P(X = x) se entenderá la probabilidad de que X tome el valor de x.
Es el conjunto de posibles valores es no numerable. Puede tomar todos los |valores de

un intervalo. Son el resultado de medir.
Se dice que la función f ( x) es función de densidad (ley o distribución) de
probabilidad de la variable aleatoria continua X si satisface las siguientes condiciones:
Si una función X que asigna a cada resultado posible de un experimento un número
real. Si X puede asumir cualquier valor en algún intervalo I (el intervalo puede ser
acotado o desacotado), se llama una variable aleatoria continua.
La desviación típica de una variable aleatoria es una medida de dispersión de la

distribución alrededor de la media. Los valores pequeños indican concentración de la
distribución alrededor de la esperanza y los valores grandes corresponden a
distribuciones más dispersas. El concepto de desviación típica es equivalente en
variables aleatorias discretas y continuas, aunque en estas últimas su cálculo es más
complicado.
28
29
Introducción
estudiante desarrolle y ejecute el concepto de distribución de probabilidad durante
su proceso de formación profesional y contribuyan en el logro de su perfil
profesional.
b) Competencia
Identifica las características y funciones del lenguaje, así como elementos e
interferencias de la comunicación.
c) Capacidades
1. Resuelve problemas usando distribuciones aleatorias discretas.

2. Analiza y resuelve problemas que involucren distribuciones de variables
aleatorias continuas.
3. Analiza la importancia de la distribución Normal.
4. Aplica la aproximación a la distribución Normal.
d) Actitudes
 Puntualidad en la entrega de trabajo.

 Respeto a las normas de convivencia.
 Perseverancia en las tareas.
La Unidad de Aprendizaje 02: Distribución de Probabilidad, comprende el

desarrollo de los siguientes temas:
TEMA 01: Distribución de Variables Aleatorias Discretas.

TEMA 02: Distribución de Variables Aleatorias Continúas.
TEMA 03: Aplicación de la Distribución Normal.
TEMA 04: Aproximaciones a la Distribución Normal.
30
Distribución TEMA 1
de Variables
Aleatorias
Discretas
Competencia:
Resolver problemas usando distribuciones
aleatorias discretas.
31
Tema 01: Distribución de Variables Aleatorias
Discretas
Como complemento al capítulo anterior en el que definimos todos los conceptos

relativos a variables aleatorias, describimos en éste las principales
leyes de probabilidad que encontramos en las aplicaciones del
cálculo de probabilidades. Atendiendo a la clasificación de las
variables aleatorias en discretas y continuas describiremos las
principales leyes de probabilidad de cada una de ellas, las cuales
constituirán el soporte subyacente de la inferencia estadística y a las que será
necesario hacer referencia en el estudio de dicho bloque. Iniciamos este capítulo con
el estudio de las distribuciones para variables aleatorias discretas.
DISTRIBUCIONES DISCRETAS:
Distribución de Bernoulli.
Definición.- La variable aleatoria X definida de  de manera que atribuye a E el
valor de 1 y a F el valor 0, se denomina variable aleatoria de Bernoulli..
La distribución de Bernoulli de parámetro p es:
f ( x)  P  X  x   p x q1 x
Teorema.- Si X tiene distribución de Bernoulli de parámetro p, entonces:

a.) E ( X )  p
b.) Var ( X )  pq
Distribución Binomial.
Definición.- Se dice que la variable aleatoria X definida como el número de éxitos
que ocurren en las n pruebas de Bernoulli, tiene distribución binomial con parámetros
n y p y se escribe, si su función de probabilidad es:
n
f ( x)  P  X  k     p k q n k , k  0,1, 2,3,..., n
k 
32
Teorema.- Si , entonces:
a.) E ( X )  np
b.) Var ( X )  npq
EJEMPLO:
En una tienda de alquiler de Autos, cada vez que un cliente alquile un automóvil debe
pagar como mínimo $ 4. Si alquila un auto de tipo A debe pagar $ 15 más, y si alquila
un auto no A debe pagar $ 5 más. Se sabe que la probabilidad de que un cliente
alquile un auto tipo A es de 0.7. De cinco clientes que alquilan autos en esa tienda:
a) Determine la distribución de probabilidades de los clientes que alquilan
automóviles tipo A.
b) Determine la utilidad y la utilidad esperada que producen a la tienda los 5 clientes
que alquilan automóviles.
Solución:
a) Sea X el número de clientes que alquilan automóviles tipo A. Entonces, los

valores posibles de X son: 0,1,2,3,4,5.
La probabilidad del evento A: “un cliente alquila un automóvil tipo A” es
P  E   0.7 y P  E C   0.3 . La distribución de probabilidad de X es:
5
f  k   P  X  k      0.7   0.5 , k  0,1, 2,3, 4,5
k 5 k
k 
b) La utilidad U que producen los cinco clientes es:
U  20  15 X  (5  X )5 , x  0,1,2,3,4,5.
Dado que E  X   np  5  0.7  3.5
La utilidad esperada es:

E U   45  10E  X   45  10  3.5  80
DISTRIBUCIÓN GEOMÉTRICA
Definición.-
Se dice que la variable aleatoria X que se define como el número de repeticiones
independientes de un ensayo de Bernoulli hasta que ocurra el primer éxito, tiene
distribución de probabilidad geométrica con parámetro p y se escribe X G( p) , si su
función de probabilidad es:
33
f ( x)  P  X  x   q x 1 p ; x  1, 2,..., etc.
Teorema.-
Si X es una variable aleatoria con distribución geométrica de parámetro

p , entonces
1
a.)  
p
q
b.)  2 
p2
Ejemplo
Un vendedor a domicilio hace llamadas telefónicas a clientes potenciales, La

probabilidad de vender en cada llamada es 0.02.
a) Calcule la probabilidad de que la sexta llamada sea su primera venta.

b) Calcule el esperado del número de llamadas hasta obtener su primera
venta.
c) ¿Qué probabilidad hay de que su primera venta ocurra después de más
de 5 llamadas si ya se hizo 3 llamadas sin éxito?
Solución
Sea X el número de llamadas hasta conseguir una venta .
Sus posibles valores son: 1,2,3,4….etc. El modelo de
probabilidad de X es geométrica de parámetro p  0.02 ,
esto es:
P  X  k    0.02 0.98
k 1
, k  1, 2,3,...
a) Luego, la probabilidad de que la sexta llamada sea su

primera venta es:
P  X  6   0.02 0.98  0.018

5
34
1
b) EX    50 . A la larga en la llamada N° 50 obtiene su primera venta.
0.02
c) El evento “ya hizo 3 llamadas sin éxito” es equivalente al evento “requiere
hacer más de 3 llamadas hasta que obtenga un éxito”. Entonces,
P  X  3  X  5 P  X  5  0.98  0.98 2
5
P  X  5 / X  3     
P  X  3 P  X  3  0.983
DISTRIBUCIÓN DE PASCAL O BINOMIAL NEGATIVA

Definición.-
Si se repite en forma independiente un ensayo de Bernoulli , donde cada resultado

puede ser un éxito con probabilidad p o un fracaso con probabilidad q  1  p , se dice
que la variable aleatorias que se define como el numero de intentos hasta que ocurran
r éxitos, tiene una distribución Binomial negativa o Pascal con parámetros r y p y se
escribe X P(r , p) , si su función de probabilidad es:
f (k )  P Y  k   Crk11 p r q k r , k  r , r  1, r  2,..., etc
Teorema.-
Si X es una variable aleatoria con distribución de pascal con parámetros r y p,
entonces:
1
a)  r
p
q
b) 2  r
p2
Ejemplo.
Una maquina produce artículos de uno en uno y de manera independiente. Se
considera que el 10% de ellos son defectuosos. Si la maquina se detiene apenas
produce el cuarto artículo defectuoso:

a) ¿Cuál es el número esperado de artículos producidos hasta que se detiene la
maquina?
b) ¿Cuál es la probabilidad de que la maquina se detenga en el decimo articulo
producido?
35
c) ¿Cuál es la probabilidad de que produzca al menos 10 artículos para que la

maquina se detenga?
Solución
Sea X el número de artículos producidos hasta tener 4 defectuosos. La ley de
probabilidad de X es Pascal con parámetros r  4 y p  0.1 . Esto es,
P Y  k   C3k 1 p 4 1  p 
k 4
, k  4,5,6....
a) b)
P  X  10  C39 P 4 1  P 
1 1 6
E( X )  r   4  40
p 0.1
c)
9
P  X  10  1  P  4  X  9  1   C3k 1P 4 1  P 
k 4
k 4
DISTRIBUCIÓN HIPERGEOMÉTRICA.
.
Definición.-
Se dice que la variable aleatoria X que se define como el numero de éxitos en una
muestra de tamaño n que se selecciona al azar uno por uno sin reposición de N
elementos o resultados posibles, de los cuales r son clasificados como éxitos y los
restantes N-r como fracasos, tiene distribución hipergeométrica y se escribe
X H ( N , n, r ) , si su función de probabilidad es:
Ckr CnNkr
f ( x)  P  X  k   ; k  0,1, 2,..., n
CnN
36
Teorema.-
Sea X una variable aleatoria con distribución hipergeométrica H ( N , n, r ) , y sean,

p  r / N ; q  1  p , entonces
a.) E ( X )  np
N n
b.) Var ( X )  npq
N 1
c.) H ( N , n, r )  B(n, p) , Esto es, si N tiende a  o N es
grande con respecto a n, entonces la distribución
hipergeométrica se aproxima a una distribución
binomial.
DISTRIBUCIÓN DE POISSON.
Se dice que la variable aleatoria discreta X, cuyos valores posibles

son: 0, 1, 2, 3,.., tiene distribución de Poisson con parámetro
Definición  (  0) y se escribe X P( ) , si su función de probabilidad
es:
e   ( ) x
f ( x)  P  X  x   , x  0,1, 2,...
x!
Nota:
La distribución de Poisson se aplica a problemas donde la variable aleatoria es el

número de eventos independientes que ocurren en un intervalo de tiempo, o una
región plana (con un promedio dado), por ejemplo:
 Número de llamadas que recibe una central

telefónica en el periodo de un minuto.
 Número de accidentes de trabajo que ocurren en
una fábrica durante una semana.
 Numero de fallas en la superficie de una pintura
rectangular.
 Numero de bacterias en un volumen de un metro
cúbico de agua.
37
Ejemplo.
Una empresa textil produce un tipo de tela en rolos de 100 metros. El numero de
defectos que se encuentra al desenrollar la tela es una variable aleatoria de Poisson
que tiene en promedio 4 defectos por cada 20 metros de tela.
a) ¿Qué probabilidad hay de que al desenrollar la tela se encuentre menos de tres

defectos en los primeros 50 metros?
b) Hallar la probabilidad de que al desenrollar la tela no se encuentre defectos en el
primer segmento de 5 metros de tela.
c) Si se desenrollan 5 rollos de la tela escogidos al azar, ¿Cuál es la probabilidad
de que no se encuentre defectos en el primer segmento de 5 metros de tela en al
menos dos de ellos?
Solución.
Sea X el número de defectos encontrados en un segmento de 20

metros de tela que ocurre con promedio   4 . La probabilidad de
encontrar k defectos en el segmento de 20  t metros de tela es:
e  t  t 
k
P X  k  , k  0,1, 2,...
k!
Donde t es el promedio de defectos en el segmento de 20  t metros de tela,

a) El promedio de defectos en los primeros 50 metros de tela es t  4  2.5  10
( t  2.5 Aumenta la longitud de 20 a 50 metros) y la probabilidad de que se
encuentren menos de tres defectos en los primeros 50 metros es:
e10 10  e10 10  e10 10 

0 1 2
P  X  3  P  X  2     0.00277
0! 1! 2!
38
b) El promedio de defectos en los primeros 5 metros de tela es t  4  1/ 4   1

entonces la probabilidad de no encontrar defectos en los primeros 5 metros de tela
es:
e1 1
0
P  X  0   0.3679
0!
c) Sea Y el numero de rollos que no tienen defectos en el primer segmento de 5

metros de tela de 5 rollos de tela escogidos al azar. la variable Y cuyos valores
posibles son: o,1,2,3,5 se distribuye según la ley binomial B  5, p  donde
p  P  X  0  0.3679
1
.luego, P Y  2  1  P Y  1  1   Ck5 P k 1  P 
5 k
 1  0.3946  0.6054
k 0
39
Distribución
TEMA 2
de Variables
Aleatorias
Continuas
Competencia:
Analizar y resolver problemas que
involucren distribuciones de variables
aleatorias continuas.
40
Tema 02: Distribución de Variables

Aleatorias Continúas
En esta sección estudiaremos las distribuciones más importantes de variables

aleatorias continuas unidimensionales. El soporte de una v.a. continua se define
como aquella región de donde su densidad es no nula, f ( x)  0 . Para las
distribuciones que enunciaremos, podrá ser bien todo, o bien
un segmento de la forma .
DISTRIBUCIÓN UNIFORME
Se dice que la variable aleatoria X tiene distribución uniforme

(o rectangular) en el intervalo  a, b , a  b , y se describe
por X U  a, b , si su función de densidad de
probabilidad es:
 1
 , si a  x  b
f ( x)   b  a
 0 , en otros casos
Ejemplo:
Dos gerentes A y B deben encontrarse en cierto lugar entre las 7 p.m. y 8 p.m. para
firmar un contrato. Cada uno espera al otro a lo más 10 minutos, ¿Cuál es la
probabilidad de que no se encuentren sabiendo que A llega a las 7.30 p.m.?
Solución.
Sea la variable aleatoria X el tiempo de llegada de B, que puede hacerlo en

cualquier instante aleatorio entre las 7 p.m. y las 8 p.m. o entre 0 y 60 minutos.
Entonces, X U 0,60 y su función de densidad de probabilidad es:
 1
 , si 0  x  60
f ( x)   60

0 , en otros casos
41
Puesto que A llega a las 7.30 p.m. o a los 30 minutos después de las 7 p.m.
y espera a lo más 10 minutos, B no se encontrara con A si B llega de 7 p.m.
a menos de 7.20 p.m. o si llega después de las 7.40 p.m. , Luego , la
probabilidad de que A y B no se encuentran es:
1 60 1 20 20 2
P  0  X  20 o 40  X  60  
20
dx   dx   
0 60 40 60 60 60 3
Teorema.-
Si la variable aleatoria X tiene distribución uniforme en el intervalo  a, b , entonces,
ab
a) E( X ) 
2
(b  a)2
b) Var ( X ) 
12
DISTRIBUCIÓN NORMAL
Definición.- Se dice que la variable aleatoria continúa X, que toma los valores
reales   x   , se distribuye normalmente (o más brevemente es normal)
con parámetros  y  y se describe por X N ( ,  2 ) , si su función de

densidad es:
1  1  x   2 
f ( x)  exp      ,    x  
 2  2    
Teorema.-
Si la variable aleatoria X tiene distribución normal N (  ,  ) , entonces,

2
a) E( X )  
b) Var ( X )   2
42
Tabulación de la Distribución Normal
z z
1
Las áreas ( z )  P  Z  z     (t )dt   et
2
/2
dt que se representan en la parte
  2
sombreada de la grafica en la tabla, tiene las siguientes propiedades:
P  a  Z  b  (b)  (a)
( z)  1  ( z)
P  a  x  a   (a)  (a)  (a)  (1  (a))  2(a)  1
Ejemplos:
Encuentre el valor de z para un nivel de confianza del 95%.
Solución
Se utilizará la tabla que tiene el área bajo la curva de - hasta z. Si lo vemos

gráficamente sería:
El nivel de confianza bilateral está dividido en partes iguales bajo la curva:
43
En base a la tabla que se está utilizando, se tendrá que buscar el área de 0.975, ya
que cada extremo o cola de la curva tiene un valor de 0.025.
Por lo que el valor de z es de 1.96.
DISTRIBUCIONES GAMMA, EXPONENCIAL
Función Gamma
Definición.- La función Gamma denotada por,  , se define por:

     x 1e x dx
0
Donde  es un número real positivo.
Propiedades:
1) Si   1        1    1

2)  1   e x dx  1
0
1 
3)      x 1/ 2e x dx  
2 0
4) Si   n  1    n    n  1!
Distribución Gamma
Definición.-
Se dice que la variable aleatoria continua X tiene distribución Gamma, con parámetros
 y  y se representa por X   ,   , si su función de densidad es:
    1   x
 x e , si x  0
f ( x )     
0 , si x  0

44
Teorema:
Si X   ,  
a b
 2 

 2

Distribución Exponencial
Definición.-
Se dice que la variable aleatoria continua X tiene distribución exponencial con

parámetro  (   0) , y se describe , si su función de densidad de
probabilidades es:
  e  x , si x  0
f ( x)  
0 , si x  0
Nota. La distribución exponencial es un caso particular de la distribución gamma

cuando   1 . Luego, si la variable aleatoria X tiene distribución exponencial con
parámetro  o X  1,   , entonces tiene,
1
a)  

1
b)  2 
2
Por otra parte, su función distribución acumulada en el intervalo  0,  es:
F ( x)  P  X  x    e  x dt  1  e  x , 0  x  
x
45
Observar también que: P  X  x  1  P  X  x   e  x , 0  x  
Además, para números reales positivos s y t cualesquiera, se verifica:
P  X  s  t / X  s  P  X  t 
En efecto,
P X  s  t e   ( s t )
P  X  s  t / X  s    e  t  P  X  t 
P  X  s e  s
DISTRIBUCIÓN CHI-CUADRADO
Definición.-
Se dice que la variable aleatoria continua X tiene distribución chi-cuadrado con r
grados de libertad, y se representa por X  2 (r ) , si su función de densidad es:
 2 r / 2 r / 21  x / 2
 x e , si x  0
f ( x)   (r / 2)
0 si x  0
 ,
Propiedades
a ) Si Z N (0,1) , entonces , Z
2
 2 (1)
b ) Si Z1 , Z2 ,..., Z r son r variables aleatorias independientes tales que Zi N (0,1)
r
para cada i  1, 2,3,.., r entonces Z
i 1
i
2
 2 (1)
Uso de la tabla Chi-cuadrado
Si la variable aleatoria X se distribuye como una chi-cuadrado con r grados de
libertad, esto es, si X  2 (r ) , entonces en la tabla de probabilidades chi-cuadrado

se puede encontrar una probabilidad 1   o un valor c  12 ,r mediante la relación
P  X  12 ,r   1  
46
DISTRIBUCIÓN T DE STUDENT
Definición.-
Se dice que una variable aleatoria continua T se distribuye según t-student (mas
brevemente según t) con r grados de libertad y se representa por T t (r ) , si su
función de densidad es,
 r  1  
   2  ( r 1) / 2
  2   t 
f (t )  1   ,    x   ,
r  r 
   r ( )
2
Donde r es un entero positivo.
Propiedades.
i) Si X tiene distribución t-student con r grados de libertad, entonces su media y su

varianza son respectivamente,
  0
r
 2  ,r2
r2
ii ) Su grafica tiene forma de campana de Gauss, simétrica
en cero
iii ) La varianza de la distribución t es mayor que de la
distribución N(0,1). Pero cuando r   , la varianza de
la t tiende a 1
iv ) La distribución t se aproxima a una distribución N(0,1),
cuando r   . La aproximación es buena, si r  0 .
Uso de la Tabla t-Student.
Si la variable aleatoria T tiene distribución t-Student con r grados de libertad, o

T t (r ) , en la tabla de probabilidades t-Student se puede encontrar una probabilidad
1   o un valor c  t1 ,r mediante la relación: P T  t1 ,r   1   .
47
DISTRIBUCIÓN F
Definición.- Se dice que una variable aleatoria continua X se distribuye según F con
r1 y r2 grados de libertad y se representa por X F (r1 , r2 ) , si su función de densidad
es,
r1 / 2
 r1   r1  r2 
   
 2  x ( r1 / 2)1
f ( x)   2 
r
. ( r1  r2 ) / 2
; 0 x
r  r   r1 x 
 1  2 
2  2 1  
 r2 
Donde r1 y r2 son números enteros positivos.
USO DE LA TABLA F
Si la variable aleatoria X F (r1 , r2 ) , en la tabla de probabilidad F se puede encontrar

una probabilidad 1   o un valor c  F1 ,r1 ,r2 , mediante la relación:
P  X  c  1  
Teorema- Si X tiene distribución F con grados de libertad r1 y r2 , entonces 1/ X
tiene distribución F con grados de libertad r2 y r1 , esto es:
1
F1 ,r1 ,r2 
F ,r2 ,r1
48
Aplicación
de la TEMA 3
Distribución
Normal
Competencia:
Analizar la importancia de la distribución
normal.
49
Tema 03: Aplicación de la Distribución

Normal
Como se ha mencionado anteriormente, la ley de probabilidad gaussiana la

encontramos en la mayoría de los fenómenos que observamos en la naturaleza,
por ello gran parte de lo que resta del curso lo vamos a dedicar a su estudio y a la
de las distribuciones asociadas a ella. Sin embargo, a pesar de su utilidad, hay que
apuntar un hecho negativo para esta ley de probabilidad:
e x
2
La función no posee primitiva
Las consecuencias desde el punto de vista práctico son importantes, ya

que eso impide el que podamos escribir de modo sencillo la función de
distribución de la normal, y nos tenemos que limitar a decir que:
1  t  
2
x x  
1 
F  x   P  X  x   f  t  dt  e
2  
dt
  2 
Sin poder hacer uso de ninguna expresión que la simplifique.

Afortunadamente esto no impide que para un valor de x fijo, F(x) pueda
ser calculado. De hecho puede ser calculado con tanta precisión
(decimales) como se quiera, pero para esto se necesita usar técnicas de
cálculo numérico y ordenadores. Para la utilización en problemas
prácticos de la función de distribución F, existen ciertas tablas donde se
ofrecen (con varios decimales de precisión) los valores F(x) para una
serie limitada de valores xi dados. Normalmente F se encuentra tabulada
para una distribución Z, normal de media 0 y varianza 1 que se denomina
distribución normal tipificada:
50
En el caso de que tengamos una distribución diferente, se obtiene Z

haciendo el siguiente cambio:
Ejemplo 1: Las alturas de las mujeres jóvenes argentinas están aproximadamente

distribuidas normalmente con μ = 160 cm σ = 4 cm.
Sea X = altura de una mujer argentina joven, elegida al azar, X es una variable
aleatoria continua y su función de densidad de probabilidad está dada por:
( x   )2
1 
f X ( x)  e 2 2
2
En General, si la función de densidad de probabilidad de una variable aleatoria X

está dada por la expresión anterior, decimos que X tiene distribución normal de
2
parámetros con μ y σ :
X N  , 2 
PROPIEDADES DE LA DISTRIBUCIÓN NORMAL
Sea X N   ,  2  , entonces
X 
a) z  N  0,1 distribución Normal Estándar.

b) ax  b N  a  b, a 2 2 
Siguiendo con el ejemplo: ¿Cuál es la probabilidad de que una mujer joven

elegida al azar tenga una altura entre 160 cm y 168 cm? Recordemos que
X = altura de una mujer argentina joven, elegida al azar entonces
X N   ,  2  con μ = 160 cm y σ = 4 cm
51
160  160 X   168  160 

P 160  X  168  P    
 4  4
 P 0  z  2    2    0  0.9772  0.500  0.4772
Ejemplo 2:
Supongamos que cierto fenómeno pueda ser representado mediante una variable
aleatoria X N  45,81 , y queremos calcular la probabilidad de que X tome un

valor entre 39 y 48, es decir,
Comenzamos haciendo el cambio de variable
de modo que :
52
Aproximaciones
a la TEMA 4
Distribución
Normal
Competencia:
Aplicar la aproximación a la distribución
normal.
53
Tema 04: Aproximaciones a la Distribución

Normal
Se puede demostrar (teorema central del límite) que una v.a. discreta con
distribución binomial, se puede aproximar mediante una distribución

normal si n es suficientemente grande y p no está ni muy próximo a 0 ni a 1. Como
el valor esperado y la varianza de X son respectivamente np y npq, la
aproximación consiste en decir que . El convenio que se suele

utilizar para poder realizar esta aproximación es:
aunque en realidad esta no da resultados muy precisos a

menos que realmente n sea un valor muy grande o
TEOREMA DEL LÍMITE CENTRAL
El teorema del límite central establece que si se tienen n variables aleatorias, X1,
X2, ..., Xn, independientes y con idéntica distribución de media m y varianza s2, a
medida que crece n, la suma (y la media) de estas variables tiende a seguir una
distribución normal.
El teorema del límite central, explicado de forma intuitiva, afirma que cualquiera
que sea la distribución común de un conjunto de variables aleatorias, suponiendo
que su varianza sea finita, la suma y la media de un número elevado de estas
variables tenderán a distribuirse de manera similar a una variable normal.
54
Ejemplo:
Durante cierta epidemia de gripe, enferma el 30% de la población. En un aula con

200 estudiantes de Medicina, ¿cuál es la probabilidad de que al menos 40 padezcan
la enfermedad? Calcular la probabilidad de que haya 60 estudiantes con gripe.
Solución:
La variable aleatoria. Que contabiliza el número de alumnos que padece la gripe es
Cuya media es   n. p  60 y su varianza es  2  npq  42 . Realizar los

cálculos con la ley binomial es muy engorroso, ya que intervienen números
combinatorios de gran tamaño, y potencias muy elevadas. Por ello utilizamos la
aproximación normal de X, teniendo en cuenta que se verifican las condiciones
necesarias para que el error sea aceptable:
55
Así aproximando la v.a. discreta binomial X, mediante la v.a. continua normal XN

tenemos:
También es necesario calcular p  x  60 . Esta probabilidad se calcula
exactamente como:
Dada la dificultad numérica para calcular esa cantidad, y como la

distribución binomial no está habitualmente tabulada hasta valores tan
altos, vamos a utilizar su aproximación normal, XN. Pero hay que
prestar atención al hecho de que XN es una v.a. continua, y por
tanto la probabilidad de cualquier punto es cero. En particular,
56
lo que ha de ser interpretado como un error de aproximación. Hay métodos

más aproximados para calcular la probabilidad buscada. Por ejemplo,
podemos aproximar p  x  60 por el valor de la función de densidad de XN
en ese punto (es en el único sentido en que se puede entender la función de

densidad de la normal como una aproximación de una probabilidad).
Así:
Por último, otra posibilidad es considerar un intervalo de longitud 1 centrado en

el valor 60 del que deseamos hallar su probabilidad y hacer:
57
 DISTRIBUCIÓN NORMAL
http://www.uca.es/uca/dpto/C146/pag_personal/f_alvarez/documentos/CC%20Tra
bajo%20Tema%205.pdf
 DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS

http://www.itapizaco.edu.mx/~joseluis/apuntes/estadistica/distribuciones%20disc
retas.pdf
 VARIABLES ALEATORIAS CONTINUAS

http://www.dm.uba.ar/materias/probabilidades_estadistica_C/2011/1/PyEC06.pdf
1) Ingresa al link “Distribución” lee atentamente las indicaciones,

desarróllalo y envíalo por el mismo medio.
Hacer uso de la distribución normal en los problemas de casos reales.
 Suponga que la demanda mensual de un bien de consumo se

distribuye normalmente con una media de 650 kilogramos y una
desviación estándar de 100 kg. ¿Qué probabilidad hay de que la
demanda no supere los 500 kg?
 El porcentaje del ingreso ahorrado por las familias tiene distribución
normal con una media del 10%. Determine la desviación estándar
P  X  t  , si el 2.28% de los ahorros son mayores que 12.4%
 Suponga que el ingreso familiar mensual en una comunidad tiene
distribución normal con media $600 y desviación estándar $100.
Calcular la probabilidad de que el ingreso de una familia escogida al
azar sea menor que $400.
58
Autoevaluación
1) La probabilidad de que cierto tipo de objeto pase con éxito una determinada
prueba es 5/6. Se prueban 10 de tales objetos. Si X es la variable aleatoria
que se define como el número de objetos que no pasan la prueba.
Calcular la media de esta distribución.
a. 3.2456
b. 0.5000
c. 1.667
d. 2.5
e. 1.1777
2) Supóngase que la temperatura T durante junio está distribuida normalmente

con media 68º y desviación estándar 6º. Hallar la probabilidad p de que la
temperatura este entre 70º y 80º.
a. 0,347
b. 0,456
c. 0,567
d. 0,234
e. 0,789
3) Los pesos de 2 000 soldados presentan una distribución normal de media 65

kg y desviación típica 8 kg. Calcula la probabilidad de que un soldado elegido
al azar pese Más de 61 kg.
a. 0.6915
b. 0.5000
c. 0.3333
d. 1.0000
e. 0.2222
4) La duración de un láser semiconductor a potencia constante tiene una

distribución normal con media 7.000 horas y desviación típica de 600 horas.
¿Cuál es la probabilidad de que el láser falle antes de 5.000 horas?
a. 0.8765
b. 0.0004
c. 0.2456
d. 0.5321
e. 0.3456
5) Suponga que la duración X de los focos que produce una compañía se

distribuye normalmente. si el 18.41 % de estos focos duran menos de 8.2
meses y el 6.68% duran al menos 13 meses. ¿calcular la media y la varianza
de la duración de los focos?
a.   10 ,   2
b.   12 ,   2
c.   8 ,   1
d.   12 ,   1,5
e.   8 ,   2
59
Resumen
UNIDAD DE APRENDIZAJE II:
Sea un espacio probabilístico y sea X una variable aleatoria discreta que toma como
posibles valores x ,x ,.....x , se define la distribución de probabilidad de X como el
1 2 n
conjunto de pares (x , p ) que a cada valor de la variable le asocia una probabilidad,
i i
donde p = P(X=x ), tal que la suma de todas las probabilidades es igual a la unidad.
i i
En la distribución de variables discretas encontramos Distribución de Bernoulli,
Distribución Binomial, Distribución Geométrica, Distribución de Pascal o Binomial
negativa, Distribución hipergeométrica.
Si la variable aleatoria es continua, hay infinitos valores posibles de la variable y entra

cada dos de ellos se podrían definir infinitos valores. En estas condiciones no es
posible deducir la probabilidad de un valor puntual de la variable como se puede hacer
en el caso de las variables discretas. Pero sí es posible calcular la probabilidad
acumulada hasta un cierto valor (función de distribución) y cómo cambia esa
probabilidad acumulada en cada punto (densidad de probabilidad). Por tanto, cuando
la variable aleatoria sea continua hablaremos de función de densidad.
Puede tomar cualquier valor  ,  

Hay más probabilidad para los valores cercanos a la media 
Conforme nos separamos de  , la probabilidad va decreciendo de igual forma a
derecha e izquierda (es simétrica).
Conforme nos separamos de  , la probabilidad va decreciendo dependiendo la
desviación típica s.
El teorema del límite central establece que si se tienen n variables aleatorias, X1,
X2,..., Xn, independientes y con idéntica distribución de media m y varianza s2, a
medida que crece n, la suma (y la media) de estas variables tiende a seguir una
distribución normal. Explicado de forma intuitiva, afirma que cualquiera que sea la
distribución común de un conjunto de variables aleatorias, suponiendo que su varianza
sea finita, la suma y la media de un número elevado de estas variables tenderán a
distribuirse de manera similar a una variable normal.
60
61
Introducción
Los temas que se tratan en la presente unidad, tienen por finalidad que el
estudiante desarrolle y ejecute el concepto de distribución muestral durante su
proceso de formación profesional y contribuyan en el logro de su perfil profesional.
b) Competencia
Interpreta las características y funciones del muestreo aleatorio así como sus
aplicaciones.
c) Capacidades
1. Reconoce la importancia del concepto de muestreo aleatorio.
2. Resuelve problemas que involucren distribuciones muestrales de la media y
proporción.
3. Analiza la importancia de la distribución muestral de la diferencia de dos
medias.
4. Analiza la importancia de la distribución muestral de la diferencia de dos
proporciones.
d) Actitudes
 Aprecia críticamente las diferentes ventajas y desventajas del muestreo

aleatorio.
 Valora el las etapas de la distribución muestral de la media y proporción.
 Toma una actitud con capacidad crítica para la ddistribución muestral de la
diferencia de dos medias.
 Valora a la distribución muestral de la diferencia de dos proporciones.
e) Presentación de ideas básicas y contenidos esenciales de la unidad:
La Unidad de Aprendizaje 03: Distribuciones Muestrales, comprende el

TEMA 01: Muestreo Aleatorio.

TEMA 02: Distribución Muestral de la Media y Proporción.
TEMA 03: Distribución Muestral de la Diferencia de Dos Medias.
TEMA 04: Distribución Muestral de la Diferencia de Dos Proporciones.
62
Muestreo TEMA 1
Aleatorio
Competencia:
Reconocer la importancia del concepto de
muestreo aleatorio.
63
Tema 01: Muestreo Aleatorio
MUESTREO
Se llama muestreo al procedimiento mediante el cual obtenemos una ó más
muestras.
Entonces la técnica de elegir la muestra se

llama muestreo, el objetivo principal de un
diseño de muestreo es proporcionar
Procedimientos para la selección de la
muestra que sea representativa de la
población en estudio.
La utilización de las técnicas de muestreo es
muy amplia se usa en agricultura, ganadería, industria. Comercio, servicios y en las
diferentes áreas del conocimiento humano como biología, medicina. Ingeniería,
psicología. Sociología, mercadotecnia, antropología etc.
Ventajas:
Un costo más bajo, es la razón principal en la utilización del muestreo en lugar de
una enumeración completa.
Los datos pueden ser recolectados con mayor rapidez cuando se trabaja con una
muestra que con toda la población.
Una muestra exigiría menos personal por lo tanto se podría seleccionar y
adiestrar mejores empleados y el trabajo podría ser supervisado más
estrechamente.
La recolección de datos de una muestra conducen a datos más precisos que los
que podrían ser obtenidos reuniendo datos de todas las unidades.
Cuando la población es infinita o tan grande de tal manera que el censo exceda
las posibilidades del investigador.
Cuando la población es suficientemente uniforme.
Cuando el proceso de medida o investigación de las características de cada
elemento sea destructivo.
64
Definición de la Población en Estudio

El primer problema es definir la población bajo estudio. La poblaciones el conjunto de
unidades que el investigador desea estudiar de las cuales planea generalizar y debe
ser preciso al definir la población.
Ejemplo 1: La población puede consistir en todas las universidades en Lima
metropolitana.
Ejemplo 2: La población puede ser todos los establecimientos de comestibles
ubicados en el distrito de la Victoria.
Definición de las Variables Que se Estudian

El segundo problema a considerar es la definición de las variables que se van a
estudiar.
Ejemplo: Supongamos que una embotelladora
desea determinar si los establecimientos de víveres
de Lima metropolitana vende una marca específica
de refresco, en este caso sólo se está estudiando
una variable y puede dar una definición estricta; una
tienda tiene en existencia el refresco o no la tiene.
DISEÑO DE MUESTRAS
El diseño de la muestra es la tercera dificultad suscitada en cualquier operación

de muestreo y puede ser dividida en:
La determinación de las unidades de muestreo.
La selección de los elementos de la muestra y
determinación del tamaño de la muestra.
Estimación de las características de la población
con los datos de la muestra.
65
Selección de las Unidades de Muestreo

Se llama unidad de muestreo a las colecciones disjuntas de la población, en algunos
casos una unidad muestral está constituida por un solo elemento.
Ejemplo: Considérese el problema de hallar la proporción de establecimientos de
comestibles en la Victoria que venden Pepsi cola. Aquí el establecimiento de
comestibles sería la unidad observada y por lo tanto sería razonable considerar un
procedimiento de muestreo directo. Dada una lista de todos los establecimientos de
comestibles de dicha área sería relativamente fácil escoger una muestra.
Selección de la Muestra
Otra parte del problema del diseño muestra es el método de escoger los componentes
de muestra.
Una muestra debe ser representativa si va a ser usada para estimar las
características de la población.
Los métodos para seleccionar una muestra representativa son numerosos,
dependiendo del tiempo y del dinero y habilidad para tomar una muestra y la
naturaleza de los elementos individuales de la población.
Los métodos más comunes podemos dividirlos de la siguiente manera:

Por el número de muestras tomadas de una población.
por la manera usada en seleccionar los elementos incluidos en la Muestra.
a) Métodos en Función del Número de Muestras:
i. Muestreo Simple
El muestreo es simple sí sólo se toma una muestra de la población en este
caso, la muestra debe ser lo suficiente grande para extraer una
conclusión. Una muestra grande generalmente cuesta mucho
dinero.
ii. Muestreo Doble
Cuando el resultado del estudio de la primera muestra no es
decisivo, una segunda es extraída de la misma población y
las dos muestras son combinadas para analizar los
resultados.
66
b) Muestreo en Función a la Manera de Selección de los Elementos

Los elementos de una muestra pueden ser seleccionados de dos maneras
diferentes:
i. Muestreo de Juicio (no probabilística)
Llamado así porque sus elementos son seleccionados mediante el juicio
personal.
La persona que selecciona los elementos de la muestra visualmente es un
experto en la materia dada.
Una muestra de juicio es llamada muestra no probabilística. Puesto que éste
método está basado en los puntos de vista subjetivos de una persona
ii. Muestreo Aleatorio

Una muestra se dice que es aleatoria cuando la manera de seleccionar es tal
que cada elemento de la población tiene igual oportunidad de ser seleccionado
a esta muestra también se le conoce como probabilística puesto que cada
elemento tiene una probabilidad conocida.
La aplicación de este método naturalmente presupone la disponibilidad de una
lista de todas las unidades de muestreo en la población, llamándose marco y
proporciona la base para la selección de la muestra.
Es deseable que este marco contenga todas las unidades muéstrales que
son de interés y que no incluya unidades
falsas ni tampoco elementos repetidos.
Los tipos más comunes de muestreo aleatorio

son:
Muestreo aleatorio simple

Muestreo estratificado
Muestreo sistemático
Muestreo por conglomerado.
Error de Muestreo
Cualquiera que sea el método de selección una estimación por muestra diferirá de la
que se obtenga utilizando todos los elementos de la población, a esta diferencia entre
67
el valor de la muestra y el valor de la población se llama error de muestreo.
Muestreo Aleatorio Simple

Una muestra aleatoria simple es seleccionada de tal manera que cada muestra
posible del mismo tamaño tiene igual probabilidad de ser seleccionada de la
población.
Un método simple para obtener los elementos de la muestra aleatoria simple es
utilizando las tablas de números al azar y puede ser resumido de la siguiente manera:
Numérese cada componente de la población desde el 1 hasta N (número total
de la población.
Comenzando en algún lugar previamente seleccionado en una tabla de números
al azar, precédase sistemáticamente a través de la tabla utilizando tantas cifras
como sean necesarias. Por ejemplo: Si la población tiene 90 elementos tómese
2 dígitos cada vez y así sucesivamente.
Distribución Normal: Esta distribución es frecuentemente utilizada en las

aplicaciones Estadísticas. Su propio nombre indica su extendida utilización, justificada
por la frecuencia o normalidad con la que ciertos fenómenos tienden a
Parecerse en su comportamiento a esta distribución.
Muchas variables aleatorias continuas presentan una función de
densidad cuya gráfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un

mismo valor de p y valores de n cada vez mayores, se ve que sus polígonos de
frecuencias se aproximan a una curva en "forma de campana".
En resumen, la importancia de la distribución normal se debe principalmente a
que hay muchas variables asociadas a fenómenos naturales que siguen el
modelo de la normal
Caracteres morfológicos de individuos (personas, animales, plantas,...) de una
especie, p. ej. tallas, pesos, envergaduras, diámetros, peri metros,.. .
Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un fármaco,
o de una misma cantidad de abono.
Caracteres sociológicos, por ejemplo: consumo de cierto producto por un mismo
grupo de individuos, puntuaciones de examen.
68
Caracteres psicológicos, por ejemplo: coeficiente intelectual, -grado de

adaptación a un medio.
Definición.- Se denomina estadística a cualquier función de las variables aleatorias
que constituyen la muestra.
Una estadística es una variable aleatoria Y  H ( X1 , X 2 ,..., X n ) , cuyo valor es el
número real y  H ( x1 , x2 ,..., xn ) . El término estadística se usa para referirse tanto a la
función de la muestra, como al valor de esta función.
En general para cada parámetro poblacional hay una estadística

correspondiente a calcularse a partir de la muestra. Algunas características
importantes y sus valores calculados a partir de una muestra aleatoria son:
1 n 1 n
a) La media muestral X  
n i 1
X i , con valor x   xi
n i 1
2 2
b) La varianza muestral S 
2 1 n
 i
n i 1
X  X ,con valor s 2

1 n
n i 1

 xi  x 
c) La desviación estándar muestral S  S 2
1 n
d) La proporción muestral (porcentaje de éxitos en la muestra) P o P   Xi ,
n i n
donde X i B(1, p) (el parámetro p es el porcentaje de éxitos de la población).
X
también , P  , donde X B(n, p)
n
69
Distribución
TEMA 2
Muestral de la
Media y
Proporción
Competencia:
Resolver problemas que involucren
distribuciones muestrales de la media y
proporción.
70
Tema 02: Distribución Muestral de la Media y

Proporción
DEFINICIÓN.- Se denomina distribución muestral de una estadística a su

distribución de probabilidad
Distribución Muestral de la Media X

Teorema.- Sea X1 , X 2 ,..., X n , una muestra aleatoria de tamaño n escogida
de una población f(x) con media  y con varianza  2 . Si X es la media

muestral, entonces,
 
a) E X 
2
 
b ) Var X 
n
c ) para n suficientemente grande , la variable aleatoria ,
X 
Z
/ n
Tiene distribución aproximadamente normal N (0,1) .
Notas.
a ) La aproximación de X a la normal N (  ,  2 / n) es buena si n  30 , sin
importar si la población es discreta o continua.
b ) Si la muestra aleatoria es escogida de una población normal N (  ,  2 ) ,
entonces, la distribución de X es exactamente normal N (  ,  2 / n) , para

cualquier tamaño de muestra, n  2
2
 
c ) La varianza de la media: Var X 
n
es válida, si el muestreo es con o sin
reemplazo en una población infinita, o es con reemplazo en una población

finita de tamaño N.
71
Si el muestreo es sin reemplazo en una población finita de tamaño N,

entonces, la varianza de la distribución de X es:
2  N n N n
 
2
  el coeficiente se denomina factor de
X
n  N 1  N 1
corrección para población finita. Observar que cuando N   el factor de
corrección tiende a uno.
d ) La desviación estándar de una estadística es conocida como error estándar.
Ejemplo 01
La altura media de 400 alumnos de un plantel de secundaria es de 1.50 metros y

su desviación típica es de 0.25 metros. Determinar la probabilidad de que en una
muestra de 36 alumnos, la media sea superior a 1.60 metros.
Solución.

P X  1.60  ?
1.60  1.50
z  2.40
0.25 / 36
z  2.40  A  0.4918 
P  0.5000  0.4918  0.0082  0.82%
Ejemplo 02
Se tiene para la venta un lote de 1000 pollos, con un peso promedio de 3.5 kg y
una desviación estándar de 0.18 kg. ¿Cuál es la probabilidad de que en una
muestra aleatoria, 100 pollos de esta población, pesen entre 3.53 y 3.56 kg?
72
Solución.
 
  3.5 ,   0.18 , n  100 , P 3.53  X  3.56  ?
X  3.56  3.5
z   3.33
 / n 0.18 / 100
z  3.33  A  0.4996 
3.53  3.5
z  1.66
0.18 / 100
z  1.66  A  0.4515
 
Entonces P 3.53  X  3.56  0.4996  0.4515  0.0481  4.81%
Ejemplo 03:
Una empresa eléctrica fabrica focos que tienen una duración que se distribuye
aproximadamente en forma normal, con media de 800 horas y desviación
estándar de 40 horas. Encuentre la probabilidad de que una muestra aleatoria de
16 focos tenga una vida promedio de menos de 775 horas.
Solución:
73
Este valor se busca en la tabla de z
La interpretación sería que la probabilidad de que la media de la muestra de 16

focos sea menor a 775 horas es de 0.0062.
Ejemplo 04:
Las estaturas de 1000 estudiantes están distribuidas aproximadamente en forma
normal con una media de 174.5 centímetros y una desviación estándar de 6.9
centímetros. Si se extraen 200 muestras aleatorias de tamaño 25 sin reemplazo de
esta población, determine:
a. El número de las medias muestrales que caen entre 172.5 y 175.8

centímetros.
b. El número de medias muestrales que caen por debajo de 172 centímetros.
Solución:
Como se puede observar en este ejercicio se cuenta con una población finita y un
muestreo sin reemplazo, por lo que se tendrá que agregar el factor de corrección.
Se procederá a calcular el denominador de Z para sólo sustituirlo en cada inciso.
a.
74
(0.7607)(200)=152 medias muestrales
b.
(0.0336)(200)= 7 medias muestrales
Distribución Muestral de la Proporción

Sea X1 , X 2 ,..., X n una muestra aleatoria de tamaño n extraída de la población
de Bernoulli B(1, p) , donde p es el porcentaje de éxitos en la población y sea
X1  X 2  ...  X n X
P 
n n
La proporción de éxitos en la muestra, siendo, X  X1  X 2  ...  X n una
variable binomial B(n, p) , entonces,
X  1 1
a )  p  E ( P)  E    E ( X )  (np)  p
n  n n
X  1 1 p(1  p)
b )  p2  V ( P)  V    2 V ( X )  2  np(1  p)  
n  n n n
c ) Si n es suficientemente grande , entonces la variable aleatoria
P p
Z
p(1  p) / n
75
Tiene aproximadamente distribución N (0,1)
Notas:
p(1  p)
1). El error de P es : p 
n
2). Si la población es finita de tamaño N y el muestreo es sin reposición el error
estándar (desviación estándar de la hipergeométrica) es :
p(1  p) N  n
p 
n N 1
N n
Observar que si N es grande con respecto a n el factor de corrección se
N 1
aproxima a la unidad.
3). Si n es suficientemente grande n  30 ,
 c  p
p( P  c)  p  Z  
  p 
Sin embargo aproximaciones satisfactorias se obtienen si se introduce el factor de

1
corrección por continuidad . Luego,
2n
  1  
 c   p
p( P  c)  p  Z   2n 

 p 
 
 
4). Observar que las dos expresiones de Z
X  np P p
Z 
np(1  p) p(1  p)
Donde X es binomial y P es el porcentaje de éxitos en la muestra, tiene

distribución N (0,1) .
76
Ejemplos:
1). Se tiene que el 4% de las piezas producidas por cierta maquina son
defectuosas, ¿Cuál es la probabilidad de que un grupo de 200 piezas, el
3% o más sean defectuosas?
Solución.
 p  p  0.04 , P^  p  0.03
P 
PQ

 0.04  0.96   0.014
n 200
Se desea determinar la probabilidad P  p  0.03
p  p 0.03  0.04
z   0.71
PQ  0.04  0.96 
n 200
z  0.71  A  0.2612 
p  0.2612  0.5000  0.7612

Entonces
P  p  0.03  0.7612  76.12%
2). Se desea estudiar una muestra de 49 personas para saber la proporción

de las mayores de 40 años; sabiendo que la proporción en la población es
0.4. ¿Cuál es la probabilidad de que la proporción en la muestra sea
menor de 0.5?
Solución.
n  49 , P  0.4 , P p  0.5  ? 
p  p 0.5  0.4
z   1.43
PQ  0.4  0.6 
n 49
z  1.43  A  0.4236 
77
P  0.5000  0.4236  0.9236

Entonces
…… P  p  0.5  0.9236  92.36%
3). 46% de los sindicatos del país están en contra de comerciar con china
continental; ¿Cuál es la probabilidad de que una encuesta a 100 sindicatos
muestre que más del 52% tengan la misma posición?
4). La probabilidad de que un paciente se recupere de una rara enfermedad es

0.4. ¿Cuál es la probabilidad de que en una muestra de 100 pacientes
seleccionados de una población de 1000 que sufren la enfermedad, más del
30% sobrevivan?
5). Se ha determinado que el 65% de los estudiantes

universitarios de Lima prefieren los cuadernos marca
profesional. ¿Cuál es la probabilidad de que en una
muestra de 100 universitarios de dicha ciudad?,
encontremos que:
a ) Como máximo el 68% sean usuarios de
ese tipo de cuaderno
b ) Exactamente 66% sean usuarios
(utilizar medio punto de porcentaje para
los límites).
78
Distribución
TEMA 3
Muestral de la
Diferencia
de Dos Medias
Competencia:
muestral de la diferencia de dos medias.
79
Tema 03: Distribución Muestral de la

Diferencia de Dos Medias
DISTRIBUCIÓN DE DIFERENCIAS ENTRE DOS MEDIAS MUESTRALES
Se tienen dos poblaciones independientes identificadas la primera por X y la segunda

por Y, de tamaño N1 y N 2 , cuyas medias se simbolizan por  x y  y , y sus
desviaciones típicas son  x y  y . Se obtiene un numero (M) de pares de muestras.
Las medias muestrales de la primera población se identifican por X 1 ; X 2 ;....; X M . Y
las muestras de la segunda variable por Y 1 ; Y 2 ;....; Y M .

La media de las diferencias de todos los pares o medias muestrales posibles, es igual
a la diferencia entre las medias poblacionales:
x y  x   y
La desviación típica de las diferencias entre los pares de medias muestrales se

simboliza por:
 x2  y2
 x y  
n1 n2
Suponiendo que la distribución de diferencias entre las medias muestrales tenga

un comportamiento similar a la distribución normal, la variante estadística estará
dada por:
Z
 x  y   x y
Entonces Z 
 x  y   x  y 
 x y  x2  y2

n1 n2
80
Se puede aplicar esta distribución cuando no se conoce n las varianzas poblacionales

 x2 y  y2 , las cuales pueden ser sustituidas por varianzas muestrales sx2 y s y2 siempre
y cuando que n1 y n2 sean mayores que 30. Algunos autores consideran si
n1  n2  30 . Siendo su fórmula:
Z
 x  y   x  y 
2
sx2 s y

n1 n2
Ejemplo 01:
Se tienen dos poblaciones normales e independientes, donde la media de la segunda
población es 0.65 menor que la de la primera; si se obtienen muestras de tamaño 110
y 120 y si las respectivas desviaciones típicas poblacionales son 12 y 8, se pide
determinar la probabilidad de que, en un par de muestras, la diferencia entre ambas
medias muestrales sea superior a 1 en valor absoluto.
Solución.
x   y  0.65 , n1  100, n2  120 ,  x  12,  y  8

Se pide P x  y  1 
Entonces
 x2  y2 144 64
 x y      1.40
n1 n2 100 120
z
 x  y   x  y 
 x y
1  0.65 1  0.65
z  0.25 , z   1.18
1.40 1.40
z  0.25  A  0.0987  , z  1.18  A  0.3810
Entonces P  1  0.0987  0.3810  0.5203
81
Ejemplo 2
En un estudio para comparar los pesos promedio de niños y niñas de sexto grado en
una escuela primaria se usará una muestra aleatoria de 20 niños y otra de 25 niñas.
Se sabe que tanto para niños como para niñas los pesos siguen una distribución
normal. El promedio de los pesos de todos los niños de sexto grado de esa escuela
es de 100 libras y su desviación estándar es de 14.142, mientras que el promedio de
los pesos de todas las niñas del sexto grado de esa escuela es de 85 libras y su
desviación estándar es de 12.247 libras. Si representa el promedio de los pesos
de 20 niños y es el promedio de los pesos de una muestra de 25 niñas, encuentre

la probabilidad de que el promedio de los pesos de los 20 niños sea al menos 20
libras más grande que el de las 25 niñas.
Solución:
Datos:
1= 100 libras
2 = 85 libras
1= 14.142 libras
2= 12.247 libras
n1 = 20 niños
n2 = 25 niñas
=?
Por lo tanto, la probabilidad de que el promedio de los pesos de la muestra de

niños sea al menos 20 libras más grande que el de la muestra de las niñas es
0.1056.
82
Entonces
p  x A  x B  20  P  z  1.25  1  P  z  1.25  1   1.25  1  0.8944  0.1056
Ejemplo 03:
Uno de los principales fabricantes de televisores compra los tubos de rayos
catódicos a dos compañías. Los tubos de la compañía A tienen una vida media de
7.2 años con una desviación estándar de 0.8 años, mientras que los de la B tienen
una vida media de 6.7 años con una desviación estándar de 0.7. Determine la
probabilidad de que una muestra aleatoria de 34 tubos de la compañía A tenga una
vida promedio de al menos un año más que la de una muestra aleatoria de 40 tubos
de la compañía B.
Solución:
Datos:
A= 7.2 años
B = 6.7 años
A= 0.8 años
B= 0.7 años
nA = 34 tubos
nB = 40 tubos
=?
83
 
Entonces p  x A  x B  1  p 
 A B 
 x x   
 A B  1   7.2  6.7 



   
   0.8   0.7 
2 2 2 2
 A
 B 
 nA nB 34 40 
 P  z  2.84  1  P  z  2.84  1    2.84  1  0.9977  0.0023
Ejemplo 04:
Se prueba el rendimiento en km/L de 2 tipos de gasolina,
encontrándose una desviación estándar de 1.23km/L para la
primera gasolina y una desviación estándar de 1.37km/L para la
segunda gasolina; se prueba la primera gasolina en
35 autos y la segunda en 42 autos.
a. ¿Cuál es la probabilidad de que la primera gasolina de un

rendimiento promedio mayor de 0.45km/L que la segunda
gasolina?
b. ¿Cuál es la probabilidad de que la diferencia en rendimientos
promedio se encuentre entre 0.65 y 0.83km/L a favor de la
gasolina 1?
Solución:
En este ejercicio no se cuenta con los parámetros de las medias en ninguna de las
dos poblaciones, por lo que se supondrán que son iguales.
84
Datos:
1= 1.23 Km/Lto
2= 1.37 Km/Lto
n1 = 35 autos
n2 = 42 autos
a. =?
b. ?
La probabilidad de que la diferencia en rendimientos promedio en las muestras se

encuentre entre 0.65 y 0.83 Km/Lto a favor de la gasolina 1 es de 0.0117.
85
Distribución
TEMA 4
Muestral de la
Diferencia de dos
Proporciones
Competencia:
muestral de la diferencia de dos
proporciones.
86
Tema 04: Distribución Muestral de la

Diferencia de Dos Proporciones
En el caso de dos poblaciones independientes de tamaño N1 y N 2 , distribuidas
binomialmente, con parámetros, medias proporcionales P1 y P2 (también se pueden
representar las medias por P1 y P2 ) y desviaciones proporcionales  P1 y  P2 , siendo:
 P  PQ
1 1 1 y  P2  P2 Q2 , el error estándar de las diferencias entre las dos
medias proporcionales estará dada por:
PQ PQ
 P P  1 1
 2 2 Cuando son valores poblacionales.
1 2
n1 n2
Cuando n1 y n2 corresponden a muestras grandes, es decir, ambas superiores a 30.
p1 q1 p2 q2
sP1  P2  
n1 n2
La media de las diferencias entre dos medias proporcionales, se simboliza;

indistintamente por: P1  P2  P1  P2  P1  P2
La variante estadística Z, estará dada en la misma forma que fue representada para
diferencias entre dos medias muestrales:
 p1  p2    P  P 
Z 1 2
PQ PQ
1 1
 2 2
n1 n2
Ejemplos:
1). Consideremos dos maquinas que producen un determinado articulo; la primera
produce por término medio un 14% de artículos defectuosos,
en tanto que otra, produce el 20% de artículos defectuosos; si se
obtienen muestras de 200 unidades en la primera y 100 unidades
en la segunda, ¿Cuál es la probabilidad de que difiera A de B
en 8% o más?
87
Solución
Datos: P  p1  p2  0.08  ? , n1  200 , n2  100 , p1  14% , p2  20%
 p   p  0.14  0.20  0.06

1 2
 p1  p2     p   p  0.08   0.06 
z 1 2
 2.98
PQ
1 1 PQ
 2 2  0.14  0.86    0.2  0.8
n1 n2 200 100
z  2.98  A  0.4986 
Entonces
P  p1  p2  0.08  0.5000  0.4986  0.0014  0.14%
2). Dos fabricas A y B, producen artículos similares. La producción de A contiene 7%

de defectuosos, y la de B contiene, 5%. Si se extrae una muestra aleatoria de 2000
de cada una de las producciones de las fábricas, ¿Cuál es la probabilidad de que
las dos muestras revelen una diferencia en el número de los defectuosos del 1 % o
más?
Solución
Datos: P  p1  p2  0.01   ? , n1  2000 , n2  2000 , p1  0.07 , p2  0.05
 p1  p2     p   p  0.01   0.02 
z 1 2
 1.33
PQ
1 1 PQ
 2 2  0.07  0.93   0.05 0.95
n1 n2 2000 2000
0.01  0.02
z  4
0.0075
Luego
z  1.33  A  0.4082 
z  4  A  0.5000 
Entonces
P  0.5000  0.4082  0.9082
P  p1  p2  0.01   90.82%
88
 MUESTREO ALEATORIO
http://www.fao.org/docrep/x5684s/x5684s04.htm
 DISTRIBUCIÓN MUESTRA DE LA PROPORCIÓN

http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r76020.PDF
 DISTRIBUCIÓN MUESTRAL DE LA MEDIA

www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r14681.DOC
1) Ingresa al link “Distribución Muestral” lee atentamente las

indicaciones, desarróllalo y envíalo por el mismo medio.
Hacer uso de las distintas formulas correspondientes a las
distribuciones muestrales.
 Las estaturas de los estudiantes de la Universidad Privada

Telesup se distribuyen normalmente con media de 170
centímetros y desviación típica de 10 centímetros. Si se toma una
muestra de 81 estudiantes, ¿Cuál es la probabilidad de que
tengan una estatura superior a 175 centímetros?
 46% de los sindicatos del país están en contra de comerciar con

china continental; ¿Cuál es la probabilidad de que una encuesta a
100 sindicatos muestre que más del 52% tengan la misma
posición?
89
 Un especialista en genética ha detectado que el 26% de los hombres

y el 24% de las mujeres de cierta región del país tiene un leve
desorden sanguíneo; si se toman muestras de 150 hombres y 150
mujeres, determine la probabilidad de que la diferencia muestral de
proporciones que tienen ese leve desorden sanguíneo sea de Menos
de 0.035 a favor de los hombres.
a. Menos de 0.035 a favor de los hombres.

b. Entre 0.01 y 0.04 a favor de los hombres.
 Los hombres y mujeres adultos radicados en una ciudad grande del

norte difieren en sus opiniones sobre la promulgación de la pena de
muerte para personas culpables de asesinato. Se cree que el 12% de
los hombres adultos están a favor de la pena de muerte, mientras que
sólo 10% de las mujeres adultas lo están. Si se pregunta a dos
muestras aleatorias de 100 hombres y 100 mujeres su opinión sobre
la promulgación de la pena de muerte, determine la probabilidad de
que el porcentaje de hombres a favor sea al menos 3% mayor que el
de las mujeres.
90
Autoevaluación
1) En una población normal, con media 72,1 y desviación estándar 3,1,
encuentre la probabilidad de que en una muestra de 90 observaciones, la
media sea menor que 71,7.
a. 0.1093
b. 0.587
c. 0.4931
d. 0.4568
e. 1.0000
2) Se sabe que la resistencia a la ruptura de cierto tipo de cuerda se distribuye

normalmente con media de 2000 libras y una varianza de 25,000 lbs2. Si se
selecciona una muestra aleatoria de 100 cuerdas; determine la probabilidad
de que en esa muestra la resistencia media encontrada sea de por lo menos
1958 libras.
a. 0.9960
b. 0.5555
c. 0.2345
d. 0.6478
e. 1.0000
3) Uno de los principales fabricantes de televisores compra los tubos de rayos

catódicos a dos compañías. Los tubos de la compañía a tienen una vida
media de 7.2 años con una desviación estándar de 0.8 años, mientras que los
de la b tienen una vida media de 6.7 años con una desviación estándar de 0.7.
Determine la probabilidad de que una muestra aleatoria de 34 tubos de la
compañía a tenga una vida promedio de al menos un año más que la de una
muestra aleatoria de 40 tubos de la compañía b.
a. 0.3421
b. 0.5444
c. 0.2345
d. 0.0023
e. 0.7865
91
4) Se prueba el rendimiento en km/l de 2 tipos de gasolina, encontrándose una

desviación estándar de 1.23km/l para la primera gasolina y una desviación
estándar de 1.37km/l para la segunda gasolina; se prueba la primera gasolina
en 35 autos y la segunda en 42 autos. ¿cuál es la probabilidad de que la
primera gasolina de un rendimiento promedio mayor de 0.45km/l que la
segunda gasolina?
a. 0.1234
b. 0.0645
c. 0.2455
d. 0.3333
e. 0.9899
5) Consideremos dos maquinas que producen un determinado articulo; la

primera produce por término medio un 14 % de artículos defectuosos, en
tanto que otra, produce el 20% de artículos defectuosos; si se tiene muestras
de 200 unidades en la primera y 100 unidades en la segunda, ¿cuál es la
probabilidad de que difiera a de b en 8% o más?
a. 0.3245
b. 0.8787
c. 0.9986
d. 0.2222
e. 0.0014
92
Resumen
UNIDAD DE APRENDIZAJE III:
En estadística se conoce como muestreo a la técnica para la selección de una muestra

a partir de una población. Al elegir una muestra se espera conseguir que sus
propiedades sean extrapolables a la población. Este proceso permite ahorrar recursos,
y a la vez obtener resultados parecidos a los que se alcanzarían si se realizase un
estudio de toda la población. Cabe mencionar que para que el muestreo sea válido y
se pueda realizar un estudio adecuado (que consienta no solo hacer estimaciones de
la población sino estimar también los márgenes de error correspondientes a dichas
estimaciones), debe cumplir ciertos requisitos.
Cada muestra de tamaño n que podemos extraer de una población proporciona una
media. Si consideramos cada una de estas medias como valores de una variable
aleatoria podemos estudiar su distribución que llamaremos distribución muestral de
medias.
En numerosas ocasiones se plantea estimar una proporción o porcentaje. En estos
casos la variable aleatoria toma solamente dos valores diferentes (éxito o fracaso), es
decir sigue una distribución binomial y cuando la extensión de la población es grande
la distribución binomial B(n,p) se aproxima a la normal .
Para conocer la distribución muestral de las diferencias entre las medias se debe
saber si las varianzas poblacionales son conocidas o desconocidas, y en caso de que
sean desconocidas, se debe saber si son iguales o diferentes. Cada uno de estos tres
casos se analizará por separado.
La media de las diferencias de todos los pares o medias muestrales posibles, es igual
a la diferencia entre las medias poblacionales:  x  y   x   y
Este método se utiliza para comparar las proporciones o porcentajes de dos

distribuciones muestrales distintas y formula una inferencia con respecto a la
diferencia de estas.
La media de las diferencias entre dos medias proporcionales, se simboliza;
indistintamente por: P1  P2  P1  P2  P1  P2
La variante estadística Z, estará dada en la misma forma que fue representada para
diferencias entre dos medias muestrales:
 p1  p2    P1  P2 
Z
PQ PQ
1 1
 2 2
n1 n2
93
94
Introducción
estudiante desarrolle y ejecute la Estimación de parámetros y Prueba de Hipótesis.
Haciendo que pueda desenvolverse en el ámbito internacional, también
haciéndolo un profesional de primera categoría.
b) Competencia
Analiza e interpreta las técnicas de estimación de parámetros y prueba de
hipótesis.
c) Capacidades
1. Reconoce la importancia del intervalo de confianza.

2. Analiza el intervalo de confianza para la media y proporción.
3. Conoce la importancia de la prueba de hipótesis.
4. Identifica la prueba de hipótesis para la media y proporción.
d) Actitudes
 Promueve actividades y toma decisiones pertinentes.

 Respeta y cumple las normas de convivencia en el ámbito universitario.
 Asume responsabilidad para desarrollar todos los problemas y actividades que
se asignan.
La Unidad de Aprendizaje 04: Estimación de Parámetros, comprende el

TEMA 01: Intervalo de Confianza.

TEMA 02: Intervalo de Confianza para la Media y Proporción.
TEMA 03: Prueba de Hipótesis.
TEMA 04: Prueba de Hipótesis Acerca de la Media y Proporción.
95
Intervalo TEMA 1
de
Confianza
Competencia:
Reconocer la importancia del intervalo de
confianza.
96
Tema 01: Intervalo de Confianza
La "estimación por intervalo" consiste en determinar un par de

valores a y b, tales que constituidos en intervalo [a, b]; y para
una probabilidad 1-  prefijada (nivel de
confianza) se verifique en relación al parámetro
 a estimar se cumpla:
P( [a, b])  1   ó en otros términos: P(a    b)  1   .
Podemos considerar el nivel de confianza (1-  ) que hemos prefijado para la

expresión anterior como la probabilidad que existe (antes de tomar la muestra) de
que el intervalo a construir a partir de la muestra incluya el verdadero valor del
parámetro a estimar. Refleja la "confianza" en la "construcción" del intervalo y de
que éste tras concretar la muestra contendrá el valor a estimar. De ahí que en
términos numéricos dicho nivel o probabilidad haya de tomar un valor alto (0.9,
0.95, 0.99).
Evidentemente el complementario al nivel de confianza;

es decir  , nivel de significación supondrá las probabilidades de
cometer el error de no dar por incluido el verdadero
valor del parámetro a estimar en un intervalo en el
que realmente si está. De ahí y dado que se trata de
un error posible a cometer, su cuantificación en
términos de probabilidad sea muy pequeña (0.1,
0.05, 0.005,..).
97
En relación a lo anterior. Obviamente, cuanto mayor sea el nivel de confianza

prefijado la amplitud del intervalo de estimación será también mayor y por tanto la
estimación será menos precisa.
La siguiente tabla presenta las diferentes fórmulas que ayudaran a crear los
intervalos.
98
Para la distribución Normal utilice la siguiente tabla:
Nivel de   Z
confianza 2
90%   1.645
95%   1.96
99%   2.576
99
Intervalo de
TEMA 2
Confianza
para la Media
y Proporción
Competencia:
Analizar el intervalo de confianza para la
media y proporción.
100
Tema 02: Intervalo de Confianza para la

Media y Proporción
DISTRIBUCIÓN DE MEDIAS MUESTRALES
Con las siguientes formulas se pueden determinar los límites de confianza para
cada caso, dependiendo de la desviación típica y del tamaño de la muestra, son:

s  x  Z
l
Cuando se da 
n
s
s  x  Z
l
Se tiene s y n  30
n
s
s  x  t
l
se tiene s (corregida) y
n
n  30
s
s  x  t
l
se tiene s (sin corregir) y n  30 , donde t1 / 2,n 1 se encuentra en
n
la tabla t-student con n-1 grados de libertad.
Ejemplo Nº 1
En población cuya distribución se desconoce se obtiene una muestra (m.a.s.) de

2000 valores de la que resulta una media de 225 y una desviación típica de 10.
Suponiendo que la varianza muestral coincide con la poblacional, estimar un
intervalo para la media de la población con un nivel de confianza del 95%.
Tendríamos 1- 
(muestra grande n>30); n=2000, para una población
normal.
 
P( x  Z   u  x  Z )  0.95
2 n 2 n
El resultado sería: µ  [224,56, 225,44] con el 95 % de
confianza.
101
Ejemplo Nº 2
Las ventas diarias de cierta oficina comercial se supone que siguen una
distribución normal. Para estimar el volumen
medio de ventas por día se realiza una muestra
de 10 días escogidos al azar, resultando que la
media de las ventas de esos 10 días es S/. 100
con una desviación típica de S/. 4. Dar un
intervalo de estimación para el volumen medio
de ventas por día con una confianza del 95 %.
Conocemos que según la información que poseemos, estamos ante:

Distribución normal; n=10 (muestra pequeña); S=4(poblacional desconocida);
media muestral=100;
Para 1-  =0.95, luego  =0.05 con lo que t (9 gl )  2.26 (según tabla T)
2
S S
P( x  t   u  x  t )  0.95
2 n 2 n
El resultado sería: µ  [S/.96, 99; S/.103, 01] con el 95 % de confianza.
102
Ejemplo Nº 3
Se quiere obtener un intervalo de confianza para el valor de

las ventas medias por hora que se producen en un
kiosco. Para ello realizamos una muestra consistente en
elegir al azar las ventas que se realizaron durante 1000
horas distintas; muestra cuyos resultados fueron:
ventas medias por hora S/. 4000, y varianza de dicha muestra S2/. 4000. Obtener
dicho intervalo con un nivel de confianza del 95.5 %.
Queremos construir un intervalo para la media con las

siguientes características:
Tamaño muestral=n=1000, con muestreo aleatorio
simple, la población no es normal ni conocemos su
varianza.
El resultado de la muestra es x  4000 , S2=4000.
Si bien se trata de un intervalo para la media con varianza desconocida y

población no normal, dado que el tamaño muestral es grande podemos suponer
normalidad y tomar como varianza poblacional a la muestral así:
 
P( x  z   u  x  z )  0.95
2 n 2 n
El resultado sería: µ  [S/.399, 08; S/.4003, 92] con el 95 % de confianza.
103
Prueba TEMA 3
de
Hipótesis
Competencia:
Conocer la importancia de la prueba de
hipótesis.
104
Tema 03: Prueba de Hipótesis
La prueba de hipótesis, denominada también prueba de significación tiene como

objeto principal evaluar suposiciones o afirmaciones acerca de los valores
estadísticos de la población, denominados parámetros.
DEFINICIÓN.- Se denomina hipótesis nula y se representa por

H 0 , a la hipótesis que es aceptada provisionalmente como
verdadera y cuya validez será sometida a comprobación
experimental. Los resultados experimentales nos
permitirán seguir aceptándola como verdadera o si, por el
contrario, debemos rechazarla como tal.
Toda hipótesis nula va acompañada de otra hipótesis alternativa
DEFINICIÓN.- Se denomina hipótesis alternativa y se representa por

H1 o H A , a la hipótesis que se acepta en caso de que la hipótesis nula H 0 sea
rechazada. La hipótesis alternativa H A , es pues una suposición contraria a la
hipótesis nula.
Prueba de una Hipótesis Estadística
Para tomar decisiones estadísticas, se requieren de las dos hipótesis: la hipótesis

nula y la hipótesis alternativa referida a un parámetro.
La prueba de una hipótesis estadística es un proceso que nos conduce a tomar la
decisión de aceptar o rechazar la hipótesis nula H 0 , en contraposición de la
hipótesis alternativa H1 y en base a los resultados de una muestra aleatoria
seleccionada de la población de estudio.
105
La hipótesis nula H 0 es la primera que se plantea, y debe ser establecida de
manera que especifique un valor  0 del parámetro  en estudio.
Nota: la aceptación de una hipótesis significa que los datos de la muestra no

proporcionan evidencia suficiente para refutarla. El rechazo significa que los datos
de la muestra lo refutan.
Tipos de Prueba de Hipótesis.
El tipo de prueba depende básicamente de la hipótesis alternativa H1 .
Se denomina prueba de una cola a toda prueba de hipótesis donde la alternativa

H1 es unilateral. Si la alternativa es bilateral, la prueba se denomina prueba de
dos colas.
 La prueba de hipótesis H 0 :   0 contra H1 :   0 , se denomina prueba
bilateral o de dos colas.

 La prueba de hipótesis H 0 :   0 contra H1 :   0 , se denomina prueba
unilateral de cola a la derecha.

 La prueba de hipótesis H 0 :   0 contra H1 :   0 , se denomina prueba
unilateral de cola a la izquierda.
Tipos de Error:
Definición.- Se denomina error tipo I, al error que se comete al rechazar una

hipótesis nula H 0 cuando esta es realmente verdadera
Definición.- Se denomina error tipo II, al error que se comete al aceptar una
hipótesis nula H 0 cuando en realidad es falsa.
H0
Decisión
Verdadera H0
Falsa
A D Err
Aceptar Decisión Error
106
H0 correcta tipo II
ReR Error tipo I
Rechazar Decisión
H0 C
Correcta
Definición.-Se denomina nivel de significación de una prueba de hipótesis a la

probabilidad de cometer un error de tipo I.
REGIÓN CRÍTICA Y REGLA DE DECISIÓN
La regla de decisión implica la división de la

distribución muestral del estadístico  de la prueba en
dos partes mutuamente excluyentes: la región de
rechazo o región critica (R.C.) de H 0 y la región de
aceptación (R.A.) o no rechazo de H 0 . Esta división
depende de la hipótesis alternativa H1 , del nivel de significación  y la distribución
muestral del estadístico.
Procedimientos a Seguir en las Pruebas de Hipótesis
1) Formular la hipótesis nula y la alternativa.

2) Seleccionar el nivel de significación.
3) Conocer o estimar la varianza.
4) Determinar la técnica y la prueba estadística.
5) Determinar los valores críticos y sus regiones de rechazo.
6) Calcular los datos muestrales, utilizando las formulas correspondientes.
7) Tomar las decisiones estadísticas.
107
Prueba de
Hipótesis TEMA 4
Acerca de la
Media y
Proporción
Competencia:
Identificar la prueba de hipótesis para la
media y proporción.
108
Tema 04: Prueba de Hipótesis Acerca de la

Media y Proporción
PRUEBA DE HIPÓTESIS SOBRE LA MEDIA POBLACIONAL

Caso A: Cuando la varianza poblacional es conocida.
Deseamos contrastar la hipótesis de que el parámetro poblacional 

un determinado valor  Conocemos que la población se distribuye normalmente
y conocemos también su varianza, o bien si nos es desconocida, el tamaño
muestral es lo suficientemente grande cómo para poder utilizar la muestral cómo
poblacional.
Hemos determinado un nivel de significación para la realización del contraste y
vamos a plantearlo en el supuesto de realizar una muestra aleatoria de tamaño n.

Así: conocemos que x  N u, 
 de lo que deducimos
 n 
xu
que  N [0,1] de forma que la hipótesis nula es:

n
H0: 0.
x  u0
El estadístico está dado por: Z  .

n
Ejemplo Nº 1
De 100 observaciones de una población normal se obtiene que x = 5 y que S=2.

Contrastar con un nivel de significación del 5% la hipótesis de que la media de la
población sea 7.
109
Aplicando el procedimiento para probar una hipótesis tenemos:
1. H0: =7
H1:   
2. El nivel de significancia es del 5%. (=5%)
x  u0
3. Z 

n
4. Establecemos la región de aceptación y de rechazo:
57
5. Realizamos la prueba estadística: Z   10
2
100
6. Dado que Z=-10 y no pertenece a la región de aceptación estamos en
condiciones de rechazar la hipótesis nula, luego aceptar la alternativa:   7.
Ejemplo Nº 2
Un empresario está considerando la posibilidad de ampliar su negocio mediante la

adquisición de un pequeño bar. El dueño actual del bar afirma que el ingreso diario
del establecimiento sigue una distribución normal de media 675 soles y una
desviación estándar de 75 soles. Para comprobar si decía la verdad, tomó una
muestra de treinta días y ésta reveló un ingreso diario promedio de 625 soles.
Utilizando un nivel de significación del 10 %. ¿Hay evidencia de que el ingreso
diario promedio sea menor del que afirma el presente dueño?
110
1. H0:   675
 H1: 
3. El nivel de significancia es del 10%. (=10%)
x  u0
4. Z 

n
625  675
6. Realizamos la prueba estadística: Z   3.65
75
30
7. Dado que Z=-3.65 y no pertenece a la región de aceptación estamos en
condiciones de rechazar la hipótesis nula, luego aceptar la alternativa: 7.
Caso B: Cuando no se conoce la varianza poblacional y para una muestra

pequeña.
Deseamos contrastar la hipótesis de que el parámetro

poblacional  
Desconocemos la varianza de la población y, dado que el
tamaño muestral es pequeño, no podemos utilizar la muestral
en su lugar.
111
Hemos determinado un nivel de significación para la realización del contraste y

vamos a plantearlo en el supuesto de realizar una muestra aleatoria de tamaño n.
xu
Así: conocemos que  t n1 de forma que la hipótesis nula es: H0: 0.
s
n
x  u0
El estadístico está dado por: t  .
s
n
Ejemplo Nro. 3
.
Se escoge a 17 individuos al azar y se les mide, resultando que su estatura media
es de 1,71 metros con desviación típica de 0,02 .Contrastar la hipótesis de que la
estatura media nacional sea de 1.75 metros si utilizamos un nivel del significación
del 5%. Se supone normalidad.
1. H0:  =1.75
H1:  
2. El nivel de significancia es del 5%. (=5%).

x  u0
3. t 
s
n
Utilizamos la tabla T.
112
1.71  1.75
5. Realizamos la prueba estadística: t   8.25
0.02
17
6. Dado que t=-8.25 y no pertenece a la región de aceptación estamos en
condiciones de rechazar la hipótesis nula, luego aceptar la alternativa:
.
PRUEBA DE HIPÓTESIS PARA LA PROPORCIÓN POBLACIONAL: p
Se trata de efectuar una prueba de hipótesis acerca de la proporción de

elementos con cierto atributo en una población, hipótesis de la forma:
H0: p=p0. H1: p>p0.

H1: p  p0. H0: p  p0.
H0: p  p0. H1: p<p0.
P  p0
El estadístico está dado por: Z
p0 (1  p0 )
n
x
Donde P  (proporción muestral)
n
Tiene una distribución N (0,1) cuando n  30.
Ejemplo Nro. 4.
Una empresa de publicidad desea comprobar si un determinado programa de

televisión es visto por el 30% de la audiencia potencial .Para ello se escoge al azar
una muestra de 200 familias resultando que de ellas 50 lo ven asiduamente.
Contrastar la hipótesis con un nivel de significación
del 5%.
1. H0: p=0.3
H1: p  
P  p0
3. Z 
p0 (1  p0 )
n
113
5. Realizamos la prueba estadística:

50
P  0.25
200
P  p0 0.25  0.30
Z   1.54
p0 (1  p0 ) 0.3(1  0.3)
n 200
6. Dado que Z=-1.54 y pertenece a la región de aceptación estamos en

condiciones de acepta la hipótesis nula, es decir: p
Ejemplo Nro. 5
Un fabricante de refrescos sin burbujas desea sacar al mercado una variedad de

su producto que tenga burbujas. Su director comercial opina que al menos el 50 %
de los consumidores verá con buenos ojos la innovación. Se realiza un sondeo de
mercado y resulta que de 100 consumidores encuestados 40 son favorables a la
innovación.
a) Contrastar la hipótesis del director comercial frente a la alternativa de que él

% de aceptación es inferior, con un nivel de significación del 1%.
b) Si el aceptable la hipótesis de que él % de aceptación del nuevo producto es
inferior o igual al 30 % el fabricante decidirá no fabricarlo.
114
Si es aceptable el criterio del director comercial entonces sí

fabricarán el refresco con burbujas. Y si ninguna de las 2
hipótesis es aceptable procederán a hacer otro sondeo. Para
tomar esta decisión trabajarán con un nivel de significación
del 5 %. ¿Por qué optarán?
Para el punto a)
1. H0: p  0.5
 H1: p
P  p0
4. Z 
p0 (1  p0 )
n

40
P  0.4
100
P  p0 0.4  0.5
Z   2
p0 (1  p0 ) 0.5(1  0.5)
n 100
7. Dado que Z=-2 y pertenece a la región de aceptación estamos en
condiciones de aceptar la hipótesis nula, es decir: p  
115
Para el punto b)
1. H0: p  0.3
 H1: p
P  p0
4. Z 
p0 (1  p0 )
n

40
P  0.4
100
P  p0 0.4  0.3
Z   2.18
p0 (1  p0 ) 0.3(1  0.3)
n 100
7. Dado que Z=2.18 y pertenece a la región de aceptación estamos en

condiciones de aceptar la hipótesis nula, es decir: p  
recomiendo no fabricar el refresco.
116
 INTERVALO DE CONFIANZA
http://www.iesxunqueira1.com/Download/pdf/teointervalos.pdf
 INTERVALOS DE CONFIANZA PARA LA MEDIA Y PROPORCIÓN

http://maralboran.org/wikipedia/index.php/Estimaci%C3%B3n_por_intervalos_de_
confianza_de_medias_y_proporciones
 PRUEBA DE HIPÓTESIS
http://www.math.uprm.edu/~edgar/capi7.pdf
1) Ingresa al link “Operaciones 2” lee atentamente las indicaciones, desarróllalo y

envíalo por el mismo medio.
 Se encuentra que la concentración promedio de zinc que se saca del agua a

partir de una muestra de mediciones de zinc en 36 sitios diferentes es de 2.6
gramos por mililitro. Encuentre los intervalos de confianza 99% para la
concentración media de zinc en el río. Suponga que la desviación estándar de
la población es 0.3.
 Una compañía asegura que el 80% de sus semillas de zanahoria germinan.

Se plantan 50 semillas de las cuales 8 no germinan. Hállese un intervalo de
confianza del 90%, para la proporción de semillas que germinaron en la
muestra.
 El ministro de educación del país asegura que el 80% de los estudiantes

universitarios tienen un ingreso mensual para su sostenimiento, superior a
$370; Usted quiere refutar al ministro con un nivel de confianza del 99% y para
hacerlo toma una muestra de 300 estudiantes, encontrando 231 con ingresos
mayores a $370. ¿tiene razón el señor ministro?
 Cuatrocientos estudiantes, elegidos aleatoriamente, se someten a un test de

rendimiento, obteniéndose los siguientes resultados: x  76 y s  16 , con
base en esta información docimar la hipótesis   74 frente a la alternativa
  74 , al nivel de significación del 1%.
117
Autoevaluación
1) Suponga que la estatura media de los hombres tiene una desviación estándar
de 2,48 centímetros. Se miden 100 estudiantes, hombres, elegidos
aleatoriamente, y se obtiene una estatura media de 168,52 centímetros.
Determine los límites de confianza del 99% para la estatura media de los
hombres de esta universidad.
a.
167.88, 169.16
b.
 200, 250
c.
150.50, 160.50
d.
180.20,190.30
e.
100.30, 150.22
2) En una muestra al azar de 826 teléfonos de residencias del directorio de

Lima, 95 no respondieron a la llamada entre 7 y 8 de la noche, el día que se
realizo la muestra. Determinar los límites de confianza del porcentaje de
suscriptoras en cuyas residencias hubo alguien entre 7 y 8 de la noche. (Se
admite que no se contesto por que no había nadie en casa). El nivel de
confianza adoptado es del 90%.
a. 1.678, 1.696
b. 0.777, 0.989
c. 1.505, 1.605
d. 0.555,1.234
e. 0.872, 0.908
3) Decimar la hipótesis de que la distancia media requerida para poder detener

un automóvil que va a 20 km/h. es de 25 metros. Con base en una muestra de
100 conductores se obtiene que la distancia media es de X  27.3 metros,
con una desviación estándar de s  2.1 metros. Utilizar un nivel de
significación del 5%.
a. Se acepta la hipótesis   25
b. Se acepta la hipótesis   25
c. Se acepta la hipótesis   25
d. Se acepta la hipótesis   25
e. Se acepta la hipótesis   30
118
4) Un cierto tipo de fusible está diseñado para fundirse cuando la corriente llega
a 20 amperios. Se toma una muestra de 36 fusibles de un lote de 500 y se
encuentra que el punto promedio de fusión es de 20,8 amperios, con
desviación estándar de 1,5 amperios. Utilizando una dócima bilateral, ¿A qué
conclusiones se puede llegar respecto a las especificaciones del lote, a un
nivel de significación del 1%?
a. Se acepta la hipótesis   20
b. Se acepta la hipótesis   20
c. Se acepta la hipótesis   20
d. Se acepta la hipótesis   20
5) Un fabricante de cuerdas ha establecido con base en una experiencia de

muchos años, que las cuerdas tienen una fuerza de ruptura de 15,9 libras,
con una desviación estándar de 2,3 libras. Se efectúa un cambio en el
proceso de fabricación, y se obtiene una muestra de 64 artículos cuya fuerza
media de ruptura es de 15,0 libras, con una desviación estándar de 2,2 libras.
¿debe considerarse que el nuevo proceso tiene un efecto significativamente
negativo a la resistencia de las cuerdas?
a. Se acepta la hipótesis   15.9

b. Se acepta la hipótesis   15.9
c. Se acepta la hipótesis   15.9
d. Se acepta la hipótesis   15.9
119
Resumen
UNIDAD DE APRENDIZAJE IV:
En estadística, se llama intervalo de confianza a un par de números entre los cuales

se estima que estará cierto valor desconocido con una determinada probabilidad de
acierto. Formalmente, estos números determinan un intervalo, que se calcula a partir
de datos de una muestra, y el valor desconocido es un parámetro poblacional. La
probabilidad de éxito en la estimación se representa con 1 - α y se denomina nivel de
confianza. En estas circunstancias, α es el llamado error aleatorio o nivel de
significación, esto es, una medida de las posibilidades de fallar en la estimación
mediante tal intervalo.
De una población de media y desviación típica se pueden tomar muestras de

elementos. Cada una de estas muestras tiene a su vez una media ( ). Se puede
demostrar que la media de todas las medias muestrales coincide con la media
poblacional:
Pero además, si el tamaño de las muestras es lo suficientemente grande, la
distribución de medias muestrales es, prácticamente, una distribución normal (o
gaussiana) con media μ y una desviación típica dada por la siguiente expresión:
. Esto se representa como sigue: . Si estandarizamos, se sigue
que:
El intervalo de confianza para estimar una proporción p, conocida una proporción
muestral pn de una muestra de tamaño n, a un nivel de confianza del (1-α)·100% es:
Al realizar pruebas de hipótesis, se parte de un valor supuesto (hipotético) en

parámetro poblacional. Después de recolectar una muestra aleatoria, se compara la
estadística muestral, así como la media (x), con el parámetro hipotético, se compara
con una supuesta media poblacional (). Después se acepta o se rechaza el valor
hipotético, según proceda. Se rechaza el valor hipotético sólo si el resultado muestral
resulta muy poco probable cuando la hipótesis es cierta.
Las pruebas de hipótesis con proporciones son necesarias en muchas áreas del
conocimiento y en especial en la administración. Se considerará el problema de probar
la hipótesis de que la proporción de éxito en un experimento binomial sea igual a un
cierto valor especifico. Es decir, se probará la hipótesis nula de que p = p0, donde p es
el parámetro de la distribución binomial. La información de que suele disponerse para
la estimación de una porción real o verdadera (porcentaje o probabilidad) es una
x
proporción muestral , donde x es el número de veces que ha ocurrido un evento en
n
n ensayos.
120
Glosario
 DESVIACIÓN ESTÁNDAR: La desviación estándar es una medida del grado de
dispersión de los datos con respecto al valor promedio. Dicho de otra manera, la
desviación estándar es simplemente el "promedio" o variación esperada con
respecto a la media aritmética.
 ESTADÍSTICA DE PRUEBA: Una estadística de prueba se basa en la información

de la muestra como la media o la proporción.
 ESTIMADOR POR INTERVALO DE CONFIANZA: Denota un rango dentro del cual

se puede encontrar el parámetro y el nivel de confianza que el intervalo contiene
al parámetro.
 ESTIMADOR PUNTUAL: Utiliza un número único o valor para localizar una

estimación del parámetro.
 HIPÓTESIS ALTERNA: Una premisa que es cierta cuando la hipótesis nula es
falsa.
 HIPÓTESIS NULA (H0): Premisa, reclamo, o conjetura que se pronuncia sobre la

naturaleza de una o varias poblaciones.
 LIMITE DE CONFIANZA: Son los límites del intervalo de confianza inferior (LIC) y
superior (LSC), se determinan sumando y restando a la media de la muestra X
un cierto número Z (dependiendo del nivel o coeficiente de confianza) de errores
estándar de la media  X .
 NIVEL DE CONFIANZA: Es la "probabilidad" de que el intervalo calculado

contenga al verdadero valor del parámetro. Se indica por 1-α y habitualmente se
da en porcentaje (1-α) 100%. Hablamos de nivel de confianza y no de
probabilidad ya que una vez extraída la muestra, el intervalo de confianza
contendrá al verdadero valor del parámetro o no, lo que sabemos es que si
repitiésemos el proceso con muchas muestras podríamos afirmar que el (1-α) %
de los intervalos así construidos contendría al verdadero valor del parámetro.
 NIVEL DE SIGNIFICANCIA: La probabilidad ( más alta de rechazar H0 cuando
H0 es cierto se llama nivel de significancia.
 REGIÓN CRÍTICA O DE RECHAZO: Una región crítica o de rechazo es una parte

de la curva de z o de la curva t donde se rechaza H0.
 VARIABLE ALEATORIA: Una variable aleatoria es una variable que toma

valores numéricos determinados por el resultado de un experimento aleatorio.
No hay que confundir la variable aleatoria con sus posibles valores.
121
Fuentes de Información
BIBLIOGRÁFICAS:
CORDOVA ZAMORA, Manuel. Estadística Aplicada. Editorial Moshera 1ra

edición 2006.
MARTINEZ BENCARDINO, Ciro. Estadística Básica Aplicada. Editorial Ecoe

2004.
CORDOVA ZAMORA, Manuel. Estadística Descriptiva e Inferencial.

Aplicaciones. Editorial Moshera 5ta edición 2003
MULLOR, Rubén. Manual Práctico de Estadística Aplicada. Editorial Ariel

2000.
PEREZ LÓPEZ, Cesar. Técnicas de Muestreo Estadístico, Aplicaciones.

Editorial Alfaomega 2000.
ELECTRÓNICAS:
Estadística Inferencial
http://esta2.galeon.com/Temas1-3.pdf
Distribuciones Muestrales
http://es.scribd.com/doc/48144406/7-Muestreo-y-distribuciones-muestrales
Intervalo de Confianza
http://www.uam.es/personal_pdi/ciencias/framirez/METODOSESTADISTICOS/Tem
a%207-Intervalos%20de%20confianza.pdf
Prueba de Hipótesis
http://es.scribd.com/doc/6784213/Pruebas-de-HipOtesis
122
Apéndice
123
124
TABLA DE LA DISTRIBUCION tStudent

c  t1, r P[T  c]  1   , y donde T tiene
La tabla da áreas 1   y valores , donde,
distribución t-Student con r grados de libertad..
1
r 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657

2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707
7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106
12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921
17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845
21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831
22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787
26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779
27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750
40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704
60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
 0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576
125
Distribución Normal
126
127
128
129
Solucionario
1. B 1. C
2. C 2. A
3. B 3. A
4. B 4. B
5. A 5. A
1. A 1. A
2. A 2. E
3. D 3. C
4. B 4. C
5. E 5. C
130

Estadisca Inferencial PDF

Cargado por

Información del documento

Título original

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

Estadisca Inferencial PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD PRIVADA TELESUP

Comprende Cuatro Unidades de Aprendizaje:

Unidad I: Variables Aleatorias.

Unidad II: Distribución de Probabilidad.

Unidad III: Distribuciones Muéstrales.

Unidad IV: Estimación de Parámetros.

Estructura de los Contenidos

La competencia que el estudiante debe lograr al final de la asignatura es:

“Identifica e interpreta las principales técnicas,

Explica las propiedades para calcular la media y varianza de variables

1. Identifica una variable aleatoria.

 Valora la importancia de los negocios internacionales para el desarrollo de la

e) Presentación de Ideas básicas y contenidos esenciales de la Unidad:

TEMA 01: Conceptos de Variables Aleatorias.

Definición.- Se define Variable aleatoria, a una variable estadística cuantitativa

Esto también se puede representar:

Esta función genera una partición del espacio muestral. Todos

Notación: X indica la función (variable aleatoria), x representa el valor que toma la

Si X se define en  como “el número de caras obtenidas”, entonces, X es una

X  0 , corresponde al evento elemental SSS 

X  1 , corresponde a los eventos elementales SSC , SCS , CSS

X  2 , corresponde a los eventos elementales SCC , CSC y CCS

X  3 , corresponde al evento elemental CCC

Luego R = {1, 2, 3, 4}, X es una variable aleatoria discreta

La frecuencia de cada uno de los resultados es, 3, 6, 12 y 9 respectivamente.

Frecuencia. relativa (f /n) 0.1 0.2 0.4 0.3

p (x ) = p 0.1 0.2 0.4 0.3

Siguiendo con el ejemplo:

= p1 + p + p = 0.1 + 0.2 + 0.4 = 0.7

CLASIFICACIÓN DE LAS VARIABLES ALEATORIAS

Tema 02: Variables Aleatorias Discretas

Hemos definido hasta acá qué se entiende por variable

Se define la variable aleatoria X de obtener caras, entonces el rango de X es

X  0 , Si se obtiene sello en las dos monedas

Definición.- Sea X una variable aleatoria discreta. Se denomina función (ley o

La función de probabilidad de una variable aleatoria X se puede expresar por tabla:

a) La Variable Aleatoria X. Toma el valor 0 cuando ocurre el evento (SS). Entonces

También se puede notar P (0) = P(X=0) = ¼

P(X=1) = P ({(CS), (SC)}) = ¼ + ¼ = ½

Entonces la distribución de probabilidad está dada por:

b) La Variable Aleatoria X Toma el valor 0 cuando ocurre el evento (SS). Entonces:

a. Comprobar que es una distribución de probabilidad.

b. Hallar la probabilidad de que el Nº de personas que viven en un hogar sea menor

c. Calcular la probabilidad de que al menos dos personas vivan en una vivienda.

FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE VARIABLE ALEATORIA

Ejemplo: Sea X = nota obtenida en una prueba de un alumno elegido al azar

FUNCIÓN DE DISTRIBUCIÓN ACUMULADA

Tema 03: Variables Aleatorias Continuas

Definición.- Se dice que la función f ( x) es función de densidad (ley o distribución)

iii ) P( A)  P  x  A   f ( x)dx , para cualquier intervalo A 

FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE VARIABLE ALEATORIA

Definición.- La función de distribución acumulada (f.d.a), F(x) de una variable

a. Hallar el valor de la constante C para que, f ( x) sea una función de densidad

b) Para resolver esta pregunta se sigue:

Sea f ( x) una función de densidad de probabilidad de una variable aleatoria X, cuya

b) La función de distribución acumulada , se calcula por:

Tema 04: Media y Varianza de una

VALOR ESPERADO O ESPERANZA MATEMÁTICA

Definición.- La media de una variable aleatoria discreta X con función de

Definición.- La media de una variable aleatoria continúa X con función de

Si X e Y son dos variables aleatorias se cumple que:

Considerando la variable Aleatoria X, donde X=resultado de lanzar un dado

VARIANZA DE UNA VARIABLE ALEATORIA