Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Licenciatura en
Enseñanza de las matemáticas
2° Semestre
Módulo 4
IMPORTANTE
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.
Semana 8
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
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.
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)
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)
https://www.youtube.com/watch?v=Wr0cVwVW8yE
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.
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
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.
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.
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.
@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
https://es.khanacademy.org/math/probability/statistics-
inferential/sampling_distribution/v/central-limit-theorem?v=EC1bTDBz46k