Ciencias Exactas, Ingeniería y Tecnología

Licenciatura en
Enseñanza de las matemáticas

2° Semestre

Módulo 4. Probabilidad y Estadística

Unidad 3. Inferencia estadística

Módulo 4

Unidad 3. Inferencia estadística

IMPORTANTE

Excepto donde el contenido así lo especifique, esta obra está bajo

una Licencia de Creative Commons

Material recopilado y desarrollado por académicos externos contratados Ex profeso para los
Programas educativos de la DCEIT de la Universidad Abierta y a Distancia de México, para fines
educativos.
(UnADM), 2016.

UNADM | DCEIT | EM | EMPE 2

Módulo 4

Unidad 3. Inferencia estadística

Semana 8

Las siguientes dos desigualdades nos proporcionan estimaciones para el cálculo de

probabilidades. Nótese que para la primera conocemos el valor esperado E 𝑋 = 𝜇 y para la
segunda conocemos E(X)=µ y 𝑉𝑎𝑟 𝑋 = 𝜎 - .

Chebyshev y Markov fueron dos personajes que hicieron contribuciones al desarrollo de la

probabilidad. A continuación se propone una actividad complementaria, para ubicarnos en el
contexto histórico en el que tuvieron lugar tales desarrollos

Puedes revisar brevemente algunos acontecimientos históricos

contemporáneos de Chebyshev y Markov al igual que algunos datos
biográficos de ambos.

Haciendo uso de la historia para enseñar cálculo de… [Archivo PDF]

Disponible en: https://www.alammi.info/revista/numero2/sal_0014.pdf

Desigualdad de Markov. La probabilidad de que una variable aleatoria 𝑋 , la cual no toma

valores negativos, tome valores mayores o iguales a un valor 𝑎, (𝑎 > 0), viene dada por
E 𝑋
P 𝑋≥𝑎 ≤
𝑎

En la desigualdad anterior no se especifica la función de distribución de 𝑋.

Ejemplo 1

Cierta línea de camiones asegura que el valor esperado del viaje en autobús de la Ciudad de
México a Veracruz es de 5 horas. ¿Cuál es la probabilidad de que el viaje sea de 6 horas o más?
Esto es
5
P 𝑋≥6 ≤ .
6

UNADM | DCEIT | EM | EMPE 3

Módulo 4

Unidad 3. Inferencia estadística

Hacemos énfasis en la restricción de la desigualdad de Markov, la variable tiene que tomar

valores positivos. Para aplicar dicha desigualdad no necesitamos conocer la distribución de la
variable pero si el valor esperado. No necesitamos conocer la desviación estándar.

A continuación se enuncia el teorema de Chebyshev, para poderlo aplicar necesitamos conocer

el valor de la media y la desviación estándar. En ningún momento se especifica la distribución de
la variable.

Teorema de Chebyshev. La probabilidad de que una variable aleatoria 𝑋 tome un valor dentro
de k desviaciones estándares respecto a la media es por lo menos 1 − 1/𝑘 - . Esto es,
1
P 𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎 ≥ 1 − - .
𝑘

Ejemplo 1

Una variable aleatoria 𝑋 tiene una media 𝜇 = 10, y una varianza 𝜎 - = 4 y una distribución de
probabilidad desconocida.

Encuentre a) P(4 < 𝑋 < 16), b) P( 𝑋 − 10 < 4) y c) P( 𝑋 − 10 > 6).

1 7
P 4 < 𝑋 < 16 = P 10 − 3 2 < 𝑋 < 10 + 3 2 ≥1− @
= .
2 8

1 3
P 𝑋 − 10 ≤ 4 = P(10-4< X < 10+4)=P 10 − 2 2 < 𝑋 < 10 + 2 2 >1− -
= .
2 4
1
P 𝑋 − 10 > 8 = 1 − P 10 − 8 < 𝑋 < 10 + 8 = 1 − P 10 − 4 2 < 𝑋 < 10 + 4 2 ≤
2E
1
= .
16

Ejercicios

1. Una variable aleatoria 𝑋 solamente toma valores no negativos, tiene distribución desconocida con
media 𝜇 = 5 y varianza desconocida. Utilice el teorema de Markov para estimar las siguientes:

a. P(𝑋 > 4)
b. P(𝑋 < 6)
c. P(3 < 𝑋 < 8)

UNADM | DCEIT | EM | EMPE 4

Módulo 4

Unidad 3. Inferencia estadística

2. Una variable aleatoria 𝑋, tiene una distribución desconocida con media 𝜇 = 5 y desviación estándar
𝜎 = 1.2. Utilice la desigualdad de Chebyshev para estimar las siguientes probabilidades:
a. P(3.5 < 𝑋 < 8)
b. P(1 < 𝑋 < 6)
c. P( − 1 < 𝑋 < 6)

El siguiente enlace corresponde a un video en el cual se desarrollan ejercicios respecto a la

desigualdad de Markov y Teorema de Chebyshev.

Zonaudearroba Facultad de Ingeniería (2015) Probabilidad y Estadística Clase 28

[Archivo de video] Disponible en:

https://www.youtube.com/watch?v=Wr0cVwVW8yE

Teorema del límite central

Dada una variable aleatoria 𝑋 sucede que en la mayoría de ocasiones no conocemos su función
de distribución y tampoco conocemos su media 𝜇 y varianza 𝜎 - . Se utilizan la media muestral 𝑋
y la varianza muestral 𝑆 - para estimar los anteriores.

A partir de este momento comenzamos con distribuciones muestrales.

En la presentación adjunta en formato pdf se habla acerca del teorema del límite central.

http://www.calidad.com.mx/docs/art_64_1.pdf

Revisa de la página 16 a la 18.

UNADM | DCEIT | EM | EMPE 5

Módulo 4

Unidad 3. Inferencia estadística

Primeramente consideramos una población que tiene distribución normal con media 𝜇 y varianza
𝜎 - , ya sea que están sean conocidas o desconocidas. Una pregunta que aparece de manera
natural es ¿cuál es la función de distribución del estadístico 𝑋?
Si 𝑋G , 𝑋- , … 𝑋I es una muestra aleatoria de tamaño 𝑛 de una distribución normal con media 𝜇 y
varianza 𝜎 - , entonces
I
1
𝑋= 𝑋K
𝑛
KLG
tiene una distribución normal con media 𝜇M = 𝜇 y varianza 𝜎M- = 𝜎 - /𝑛.

Ejemplo 1 Supongamos que una población se distribuye normalmente con media 𝜇 = 8 y

varianza 𝜎 - = 4. Se toma una muestra de tamaño 9. ¿Cuál es la probabilidad de que la media
muestral diste de la media poblacional en no más de 1?

La pregunta anterior se traduce en calcular la siguiente probabilidad P( 𝑋 − 𝜇 < 1). Esto es

𝑋−𝜇 1
P 𝑋−𝜇 <1 =P < = P 𝑍 < 2 = 0.9544.
𝜎/ 𝑛 𝜎/ 𝑛

Si se toma una muestra aleatoria de tamaño al menos 30 de una población que tiene una
distribución arbitraria con media 𝜇 y varianza 𝜎 - entonces la distribución del estadístico 𝑋 será
normal. La diferencia importante ahora es que la distribución es arbitraria y por lo tanto la
aplicación importante es que a pesar que dicha distribución sea desconocida podemos calcular
la distribución de la media muestral 𝑋. Esto se conoce como el teorema del límite central.

Teorema del límite central.

Si 𝑋 es la media de una muestra aleatoria de tamaño 𝑛 tomado de una población con media 𝜇 y
varianza finita 𝜎 - , entonces la forma límite de la distribución de
𝑋−𝜇
𝑍= ,
𝜎/ 𝑛
cuando 𝑛 → ∞, es la distribución normal estándar.

Ejemplo 1

Cierto tipo de diodo tiene una duración distribuida en forma aproximadamente normal, con
media igual a 15 000 horas y desviación estándar de 300 horas. Obtenga la probabilidad de que
una muestra aleatoria de 25 diodos tenga una vida media de menos de 14 900 horas.

UNADM | DCEIT | EM | EMPE 6

Módulo 4

Unidad 3. Inferencia estadística

@RR
La distribución muestral de 𝑋 será aproximadamente normal, con 𝜇M = 15 000 y 𝜎M = = 60.
-S
GE TRRUGS RRR
Para 𝑋 = = −1.67. De esta forma
VR

P 𝑋 < 14 900 = P(𝑍 < −1.67) = 0.0475.

Este valor representa el 4.75% de la población lo cual es muy pequeña.

En el enlace se expone una introducción al teorema del límite central y la distribución muestral
de la media.

Khanacademy. Teorema del límite central. [Archivo de video] Disponible en:

https://es.khanacademy.org/math/probability/statistics-
inferential/sampling_distribution/v/central-limit-theorem?v=EC1bTDBz46k

UNADM | DCEIT | EM | EMPE 7