Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Agosto de 2017
Contents
1 Probabilidad 5
1.1 Conceptos Básicos de Probabilidad . . . . . . . . . . . . . . . . . . . 5
1.2 Ejercicios I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Técnicas de Conteo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2 Combinación . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Teoría de Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.1 Algunos conjuntos especiales . . . . . . . . . . . . . . . . . . 17
1.4.2 Operación entre Conjunto . . . . . . . . . . . . . . . . . . . . 18
1.5 Ejercicios II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.6 Probabilidad de Eventos . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7 Ejercicios III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.8 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.9 Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2 Distribuciones de Probabilidad 39
2.1 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2 Distribuciones de Probabilidad de v.a Discretas . . . . . . . . . . . . 40
2.2.1 Valor esperado y Varianza de una v.a Discreta . . . . . . . . 42
2.2.2 Distribución Binomial . . . . . . . . . . . . . . . . . . . . . . 44
2.2.3 Distribución de Poisson . . . . . . . . . . . . . . . . . . . . . 46
2.3 Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.4 Distribución de Probabilidad para v.a Continuas . . . . . . . . . . . 50
2.4.1 Valor esperado y Varianza de una v.a Continua . . . . . . . . 52
2.4.2 Distribución Normal . . . . . . . . . . . . . . . . . . . . . . . 52
2.4.3 La distribución Normal como aproximación de la Binomial . 57
2.4.4 Corrección por Continuidad . . . . . . . . . . . . . . . . . . . 58
2.4.5 Distribución Exponencial . . . . . . . . . . . . . . . . . . . . 58
2.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3 Distribuciones Muestrales 67
3.1 Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2 Distribuciones Muestrales . . . . . . . . . . . . . . . . . . . . . . . . 71
3.2.1 Distribución de la media Muestral . . . . . . . . . . . . . . . 72
3.2.2 Distribución para la Diferencia de Medias . . . . . . . . . . . 77
3.2.3 Distribución de una proporción Muestral P . . . . . . . . . . 78
iii
iv
Probabilidad
El afán por acertar en los juegos de azar fue la semilla que desencadenó en la teoría
que hoy en día conocemos como "Probabilidad Matemática". Comienza como
un intento de responder a varias preguntas tales como, ¿cuántas veces se han de
lanzar un par de dados para que la probabilidad de que salga seis sea del 50%?;
y aunque se puede decir que la pasión del hombre por los juegos de azar es tan
antigua casi como el hombre mismo, la formalización de esta teoría no se llevaría
a cabo sino hasta la edad media, con los trabajos de los matemáticos franceses
del siglo XVII Blaise Pascal (1623 - 1662) y Pierre de Fermat (1601-1665), aunque
algunos matemáticos anteriores, como Gerolamo Cardano (1501-1576) en el siglo
XVI, habían realizado importantes contribuciones a su desarrollo.
La característica E sólo puede ocurrir en tres de los seis resultados posibles, por
lo tanto m = 3.
Se sigue entonces que:
m 3 1
P (E) = = = = 0.5
n 6 2
Ejemplo 1.1.3 ¿Cuál es la probabilidad de obtener una cara al lanzar una moneda
no cargada al aire?.
m′
P (E) =
N
8 CHAPTER 1. PROBABILIDAD
m′ m
lim =
N →∞ N n
Esto es, en el infinito, la probabilidad a posteriori converge a la probabilidad a
priori.
1.2 Ejercicios I
1. Según la definición de probabilidad clásica, ¿qué valores no puede asumir una
probabilidad?, explique su respuesta.
2. Una urna contiene seis balotas marcadas con los números 52, 65, 13, 23, 14
y 35. Si se extrae una balota al azar, determine la probabilidad de que este
marcado con un número par.
4. Una clase está formada por Ana, Carlos, Jaime, María, Martín, si se selecciona
un estudiante al azar para realizar una pasantía en otro país determine:
7. Una empresa que requiere cierto personal para llenar una vacante ha recibido
20 hojas de vidas de profesionales con los siguientes títulos, ingeniero: In-
dustrial 6, de sistemas 7, electrónicos 4, telecomunicaciones 3. Como todos
cumplen con las especificaciones para el cargo, por lo que el administrador
decide elegir un aspirante al azar para el cargo, determine la probabilidad de
que el puesto le sea asignado a:
Ejemplo 1.3.1 En un restaurante se ofrecen para el menú del día las siguiente
opciones: entradas: sopa de legumbres, crema de tomate; ensaladas: de lechuga, de
verduras o mixta; y para el plato fuerte ofrecen carne de res, cerdo o pollo; determine
la probabilidad de que la próxima persona que entre al restaurante pida en su menú
pollo en el plato fuerte.
Realice un diagrama de árbol en el que se visualicen las posibles platos que se
pueden ordenar y determina cuántos menus diferentes ofrece el restaurante.
10 CHAPTER 1. PROBABILIDAD
Lechuga
D
S.11
Pollo
Cerdo
Res
Mixta
Verduras
9 Tomate
Plato
Ensalada
EntradaFuerte
S.Legunbres
Solución 4
Los diagramas de árbol son muy prácticos cuando se cuenta con un número pequeño
de situaciones a considerar y un número pequeño de casos por cada situación; cuando
estas cantidades aumentan el diagrama de árbol se convierte en un proceso tedioso
y poco práctico, para estos casos se recomiendo utilizar los siguientes resultados que
se constituyen como generalizaciones del conteo en algunos diagramas.
Ejemplo 1.3.6 Para viajar de la ciudad A a la ciudad B hay tres rutas diferentes
de autobús, dos de tren y dos de avion. ¿De cuántas maneras diferentes puede
un viajero realizar el recorrido de A hacia B por cualquiera de estos tres medios?,
¿Cual es la probabilidad de que un viajero que elige su ruta al azar, le toque viajar
en autobús?
5! = 5 × 4 × 3 × 2 × 1 = 120
Teorema 1.1 0! = 1
1.3.1 Permutaciones
Definición 1.3.5 Permutación Una permutación es un arreglo de todo o parte
de un conjunto de objetos.
Ejemplo 1.3.8 En una urna se encuentran balotas con todos los número diferentes
de tres cifras que se pueden formar con los dígitos 8, 3, 5, si no se puede repetir
dígito, determine cuantas balotas hay en la urna. Si una persona saca al azar una
balota de la urna, determine la probabilidad de que este marcada con un número
par.
Ejemplo 1.3.9 Repita el ejemplo anterior si se puede repetir dígito para construir
los números.
Ejemplo 1.3.10 Un joven tiene 5 libros distintos, uno de física, uno de química,
uno de matemáticas, y de español tiene volumen uno y dos. quiere acomodar tres
de ellos en un estante.
Solución
En este caso se tiene un conjunto de cinco libros (n = 5) todos ellos diferentes.
Como el estante sólo tiene espacio para tres textos, se deberán seleccionar
grupos de tres de los cinco que se tienen, note que en este caso es importante el
1.3. TÉCNICAS DE CONTEO 13
5! 5×4×3×2×1
N =5 P3 = = = 60
(5 − 3)! 2!
Solución
Si se quiere que los textos de español se encuentren seleccionados, llevaría a
que dos de los tres espacios disponibles estarán ocupados por ellos, por lo tanto
se tendría que seleccionar el tercer libro de los restantes 3 P1 . Además se quiere
que los textos de español se encuentren siempre juntos, P2 , y finalmente se
debe tener presente que el paquete de los textos de español se pueden permutar
con el otro libro seleccionado, de nuevo P2 .
Sea m1 el número total de arreglos de los libros en el estante, que tienen los
textos de español juntos. Se tiene entonces que, por principio de multipli-
cación, definición (1.3.2):
m1 =3 P1 × P2 × P2 = 3 × 2 × 2 = 12
Solución
Sea A el evento en el que los textos de español son seleccionados y ubicados
juntos en el estante, luego:
1
Luego P (A) = 5 = 0.2
R/ La probabilidad de que los textos de español queden juntos al organizar los
tres libros en el estante es de 0.2.
4. ¿Cuál es la probabilidad de que ningún texto de español quede acomodado en
la estantería?
Solución
Si ningún texto de español es seleccionado, entonces el número de opciones se
reduce a seleccionar tres libros de un grupo de tres (3 P3 = 3).
14 CHAPTER 1. PROBABILIDAD
Luego, sea B el evento definido por los arreglos en la estantería que no con-
tienen un texto de español.
3 1
P (B) = = = 0.05
60 20
R/ La probabilidad de que ningún texto de español quede acomodado en la
estantería es de 0.05
Ejemplo 1.3.11 En cuantas formas diferentes pueden acomodarse tres focos rojos,
cuatro amarillos y dos azules en un árbol de navidad que cuenta con 9 plajones.
Ejemplo 1.3.12 ¿En cuantas formas diferentes pueden siete científicos acomodarse
en una habitación tripe y dos habitaciones dobles en un hotel?. Determine además
la probabilidad de que el científico uno quede alojado en la habitación triple.
1.3.2 Combinación
En muchos problemas de conteo y de probabilidad interesa determinar el número
de formas posibles de seleccionar r objetos de un total de n sin importar el orden,
estas selecciones son llamadas combinaciones, como se describe a continuación.
Ejemplo 1.3.13 Una clase cuenta con 25 estudiantes, y se quiere formar un comité
de cinco estudiantes para hablar con las directivas del establecimiento,
1.3. TÉCNICAS DE CONTEO 15
25! 25!
n Cr =2 5C5 = = = 53.130
5!(25 − 5)! 20!
R/: En total se pueden formar 53.130 comites diferentes con los estudiantes
del grupo.
2. Para determinar esta probabilidad empecemos por identificar el tamaño del es-
pacio muestral, es decir, ¿cuántos grupos de 5 estudiantes se pueden formar?,
la respuesta a esta pregunta se ha solucionado en el item 1 de este ejercicio,
por lo que se tiene que n = 53130 comites diferentes.
Ahora hallemos cuántos de ellos están conformados por exactamente dos mu-
jeres.
Para dar solución a esta pregunta se hará uso del principio de multiplicación,
de la siguientes manera. Primero se hallaran todos los grupos de tres hom-
bres que se pueden formar con los 14 estudiantes masculinos que se tienen,
seguidamente se determinarán cuantos grupos de dos mujeres se pueden for-
mar con las 11 chicas que hay en el grupo, como cada grupo de chicos se
puede fusionar con un grupo de chicas para completar los cinco estudiantes,
entonces se aplica el principio de multiplicación para hallar el número total
de grupos que tendrán exactamente dos mujeres. Este resultado ofrecerá los
casos favorables para hallar la probabilidad.
m = GH × GM = 364 × 55 = 20.020
Ejemplo 1.3.14 Un grupo que sale de excursión, está conformado por 8 personas,
de las cuales 5 son mujeres y 3 hombres. Si se escogen 4 integrantes para que
realicen tareas de montaje y desmontaje de los campamentos, defina los eventos y
halle la probabilidad de que sean consideradas por lo menos 2 mujeres.
n Cr = choose(n, r)
Los conjuntos serán denotados por letras latinas mayúsculas. Los objetos que con-
stituyen un conjunto serán llamados elementos del conjuntos y se denotaran por
letras latinas minúsculas; así por ejemplo A denotará un conjunto, y a denotará un
elemento de un conjunto. Ahora bien, se establece una relación de pertenencia entre
un elemento y un conjunto, de tal manera que si a es un elemento del conjunto A
se denotará por a ∈ A, o si por el contrario, a no es un elemento del conjunto A se
denotará por a ∈/ A, donde el símbolo ∈ es conocido como el símbolo de pertenencia.
A⊆B si y sólo si ∀x ∈ A ⇒ x ∈ B
ϕ⊆A ∀A Conjunto
a. Obtener un cinco.
S = {(1, c), (2, c), (3, c), (4, c), (5, c), (6, c), (1, s), (2, s), (3, s), (4, s), (5, s), (6, s)}
a. Obtener un cinco. El evento para este caso estará dado por todos los resultados
del experimento aleatorio que contienen un cinco, así:
m 2 1
P (obtener un cinco) = P (E) = = =
n 12 6
Ejemplo 1.4.3 Sea A el conjunto formado por todos los números de tres dígitos
que se pueden escribir con los números 1, 2, 3, y cuyo primer dígito es un uno, y sea
B el conjunto formado por todos los números pares de tres dígitos que se pueden
escribir con los mismos números. Sea además R el conjunto referencial formado
por todos los números de tres dígitos que se pueden escribir con los números antes
mencionados. Si se sabe que los números en los conjuntos no tiene dígito repetido,
hallar:
1. El espacio Muestral
2. P (A ∪ B)
3. P (A ∩ B)
4. P (A′ )
5. P (A ∩ B ′ )
1. S ′ = ϕ
2. S ∪ A = S
3. S ∩ A = A
4. ϕ ∪ A = A
5. ϕ ∩ A = ϕ
6. (A ∩ B)′ = A′ ∪ B ′
7. (A ∪ B)′ = A′ ∩ B ′
8. C ∪ (A ∩ B) = (C ∪ A) ∩ (C ∪ B)
9. C ∩ (A ∪ B) = (C ∩ A) ∪ (C ∩ B)
1.5 Ejercicios II
1. Una bolsa tiene en su contenido 50 microchips de computadoras, entre las
cuales hay 5 defectuosos. £Cuál es la probabilidad de que al extraer una
muestra de 3, por lo menos un microchips sea defectuoso.
2. En un grupo que sale de excursión, está conformado por 8 personas, de las
cuales 5 son mujeres y 3 hombres. Si se escogen 4 integrantes para que realicen
tareas de montaje y desmontaje de los campamentos, defina los eventos y halle
la probabilidad de que sean consideradas por lo menos 2 mujeres.
3. En una pequeña biblioteca de escuela se tienen tres ejemplares de la obra de
Alicia en el País de las Maravillas, cinco texto de español y literatura, uno
para cada grado, y cuatro texto de matemática uno por cada grado de segundo
a quinto, además la asignatura de ciencias trabajo con el mismo texto toda la
primaria y de este se tienen tres ejemplares, entonces:
(a) ¿De cuantas formas diferentes se pueden organizar los textos en una
biblioteca?
(b) Si los textos de una misma temática deben quedar juntos, de cuantas
formas diferentes se pueden organizar sobre una biblioteca?
(c) Si los textos de Alicia en el País de las maravillas y los de español y
literatura deben estar juntos, de cuantos formas diferentes se pueden
organizar en una biblioteca todos los libros?
(d) Si el bibliotecario organiza al azar los texto, cuál es la probabilidad de
que los texto de Alicia en el País de las Maravillas se encuentren juntos?
4. Una empresa que requiere cierto personal para llenar dos vacantes ha recibido
20 hojas de vidas de profesionales con los siguientes títulos, ingeniero: Indus-
trial 6, dos mujeres, de sistemas 7, tres mujeres, electrónicos 4, tres mujeres,
telecomunicaciones 3, dos mujeres. Si todos cumplen con las especificaciones
para el cargo, por lo que el administrador decide elegir los dos aspirantes al
azar, determine la probabilidad de que el puesto le sea asignado a:
(a) Dos mujeres.
(b) Una mujer y un hombre.
(c) Una mujer o un hombre.
(d) Una mujer Ingeniera de sistema y un hombre Ingeniero Industrial.
1.5. EJERCICIOS II 21
8. ¿Cuántos números de tres dígitos se pueden formar con los dígitos 0,1,2,3,4,5,
y 6 si cada dígito se puede utilizar una sola vez?
9. U representa el universo
U = {x/xes un alumno de la universidad de Medellín}
A y B son subconjuntos de U
A = {x/xes un alumno de la universidad de 22 o más años de edad}
y B = {x/xes un alumno de la universidad de menos de 22 años de edad}
Encontrar:
(a) La probabilidad de A ∪ B
(b) La probabilidad de A ∩ B
(c) La probabilidad de (A ∪ B)′ )
22 CHAPTER 1. PROBABILIDAD
Dado que a continuación se dará inicio a la parte formal del capítulo, se empezará
por presentar el conjunto de axiomas que soportan la teoría.
3. P (S) = P (E1 ∪ E2 ∪ · · · ∪ En ) = 1
P (A) + P (A′ ) = 1
• A ∪ A′ = S, y
• A ∩ A′ = ϕ
P (A ∪ A′ ) = P (A) + P (A′ ) = 1;
esto es:
P (A) + P (A′ ) = 1
2. Construya una tabla de contingencia, utilizando los eventos del numeral an-
terior.
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
Ejemplo 1.6.2 En una encuesta aplicada a los suscriptores de una revista se en-
contró que en los últimos 12 meses 45.8% habían rentado un automóvil por razones
de trabajo, 54% por razones personales y 30% por razones de trabajo y personales.
Solución 8 Comenzamos por definir todos los eventos asociados al contexto para
los 12 últimos meses.
Nótese que T ∩ F ̸= ϕ
Las probabilidades asociadas son: P (T ) = 0.458, P (F ) = 0.54, P (T ∩ F ) = 0.3
24 CHAPTER 1. PROBABILIDAD
1. Para dar respuesta a este ítem, hacemos uso de la propiedad aditiva de las
probabilidades (teorema 1.11):
T ′ ∩ F ′ = (T ∪ F )′
P (T ′ ∩ F ′ ) = 0.302
P (A ∩ B)
P (B/A) = , si P (A) > 0
P (A)
En algunas situaciones, sabemos que un evento A que ha ocurrido no afectará la
probabilidad de ocurrencia de un evento B; esto es, la probabilidad de que ocurra
B no dependerá de lo que ocurra en el evento A, lo que nos lleva a la siguiente
definición para eventos independientes
Ejemplo 1.6.4 ¿Se puede decir que los eventos del ejemplo (1.6.2) son independi-
entes?
Ejemplo 1.6.5 Una canasta con dulces contiene 6 mentas, 4 chicles y 3 choco-
latinas. Si una persona realiza una selección al azar de uno de ellos, encuentre la
probabilidad de obtener:
1. Una menta
2. Un chicle o un chocolate
P (A ∩ B) = P (A)P (B)
Ejemplo 1.6.6 El médico de una empresa tiene una tabla en la que registra los
empleados según el sexo y la condición de fumadores.
Fumador No fumador Total
Mujer 30 55 85
Hombre 90 67 157
Total 120 122 242
4. ¿Que la persona sea fumadora depende del sexo? Justifique y explique usando
las probabilidades.
26 CHAPTER 1. PROBABILIDAD
2. La probabilidad de que al escoger a una persona sea fumadora dado que sea
mujer, viene dado por la probabilidad condicional:
P (F ∩ M ) 0.1240
P (F/M ) = = = 0.3529
P (M ) 0.3513
P (F ∩ H) 0.3719
P (F/H) = = = 0.5732
P (H) 0.6488
4. ¿Que la persona sea fumadora depende del sexo? Justifique y explique usando
las probabilidades.
De acuerdo con el teorema 1.13, bastará con verificar que la probabilidad de la
intersección es igual al producto de las probabilidades, y como no se está pre-
guntando por un sexo en particular, se tendrá que garantizar la independencia
en ambos casos, así:
P (F ∩ M ) = 0.1240 ̸= P (F ) × P (M ) = 0.1742
1.7. EJERCICIOS III 27
R/ Se concluye que el evento ser fumador si depende del sexo, en otras pal-
abras, que la persona sea fumadora si depende de que sea mujer o que sea
hombre.
5. Una empresa que requiere cierto personal para llenar una vacante ha recibido
20 hojas de vidas de profesionales con los siguientes títulos, ingeniero: Indus-
trial 6, dos mujeres, de sistemas 7, tres mujeres, electrónicos 4, tres mujeres,
telecomunicaciones 3, dos mujeres. Como todos cumplen con las especifi-
caciones para el cargo, el administrador decide elegir al aspirantes al azar,
determine la probabilidad de que el puesto le sea asignado a:
6. Un bus que sale de Bogotá hacia Medellín pasando por Puerto Triunfo. La
probabilidad de llegar a tiempo a Puerto Triunfo es de 0.85 y la probabil-
idad de llegar tarde a Puerto triunfo pero a tiempo a Medellín es de 0.15.
Suponiendo que el tren llegó tarde a Puerto Triunfo, Cuál es la probabilidad
de que, a pesar del retraso, llegue a tiempo a Medellín?
1.8. TEOREMA DE BAYES 29
7. Datos históricos de una localidad permitió observar y encontrar que por cada
50.000 niñas que alcanzaban la edad de 8 años, 32.543 en promedio, llegaban
a los 45 años y 19.586, alcanzaba la edad de 65 años.
∑
k ∑
k
P (A) = P (Bi ∩ A) = P (Bi )P (A/Bi )
i=1 i=1
Ejemplo 1.8.1 Los clientes de cierta empresa acostumbran evaluar en forma pre-
liminar el diseño de los productos. En el pasado, 9.5% de los productos de gran éxito
recibieron crítica favorables, 60% de los productos con un éxito moderado recibieron
crítica favorables y 10% de los productos sin mucho éxito recibieron críticas favor-
ables. Además, 40% de los productos han sido de gran éxito, 35% han sido de éxito
moderado y 25% han sido productos sin mucho éxito. Determine la probabilidad de
que un diseño nuevo obtenga una crítica favorable?
P (D/B1 ) = 0.095; Probabilidad de que un producto reciba crítica favorable dado que
tuvo gran éxito.
30 CHAPTER 1. PROBABILIDAD
P (D/B2 ) = 0.6; Probabilidad de que un producto reciba crítica favorable dado que
tuvo éxito moderado.
P (D/B3 ) = 0.1; Probabilidad de que un producto reciba crítica favorable dado que
no tuvo mucho éxito.
Ahora bien, para hallar la probabilidad de que un diseño nuevo tenga critica favor-
able, se aplicará el teorema de la probabilidad total 1.14, toda vez que los eventos
Bi con i = 1, 2, 3 constituyen una partición para el espacio de los productod de la
empresa; luego, se tiene que:
∑
3
P (D) = P (Bi )P (D/Bi ) = 0.4 × 0.095 + 0.35 × 0.6 + 0.25 × 0.1 = 0.273
i=1
Ejemplo 1.8.2 Los clientes de cierta empresa acostumbran evaluar en forma pre-
liminar el diseño de los productos. En el pasado, 9.5% de los productos de gran
éxito recibieron crítica favorables, 60% de los productos con un éxito moderado reci-
bieron crítica favorables y 10% de los productos sin mucho éxito recibieron críticas
favorables. Además, 40% de los productos han sido de gran éxito, 35% han sido de
éxito moderado y 25% han sido productos sin mucho éxito.
Solución 12 Se tiene que los eventos para el problema están dados por:
Evento A1 : el ingrediente de la materia prima se compró al proveedor A1 .
Evento A2 : el ingrediente de la materia prima se compró al proveedor A2 .
Evento A3 : el ingrediente de la materia prima se compró al proveedor A3 .
Evento B: el ingrediente de la materia prima comprada se encuentra de mala
calidad.
Se pide hallar: P (A2 /B) =?, probabilidad de que el ingrediente provenga del provee-
dor A2 , dado que es de mala calidad.
P (A2 )P (B/A2 )
P (A2 /B) = ∑
( i = 1)k P (A2 )P (B/A2 )
Sustituyendo se tiene:
(a) A ∪ B
(b) A ∩ B
4.
9. Suponga que cierto rasgo oftalmología está asociado con el color de los ojos.
Se estudiaron 300 individuos elegidos aleatoriamente, con los resultados sigu-
ientes:
Color de ojos
Rasgo Azul Café Otro Totales
SI 70 30 20 120
NO 20 110 50 180
Totales 90 140 70 300
Si se selecciona una persona al azar, determine:
12. Una empresa textil que diseña y fabrica Jeans, compra el 60% de su materia
prima del tipo A1, el 25% del A2 y el resto lo compra de la calidad A3. Si el
35% de los jeans clásicos que hace la empresa son con la materia prima A1,
25% con la A2 y el 40% con A3. Determine la probabilidad de que en un
almacén, distribuidor exclusivo de esta marca que surte estilos y calidades en
proporción a lo que se produce, se produzca la venta de un Jean Clásico, si el
comprador que llega lo quiere clásico y de calidad A1.
34 CHAPTER 1. PROBABILIDAD
13. Los miembros de una firma de consultoría rentan automóviles en tres agencias:
60% de la agencia 1, 30% de la agencia 2 y 10% de la agencia 3. Si 9% de
los vehículos de la agencia 1 necesitan afinación, 20% de la de las unidades
de la agencia 2 también la necesitan y de igual manera 6% de los autos de la
agencia tres también la necesitan. ¿cuál es la probabilidad de que un automóvil
rentado a la firma necesitará afinación?
14. El destino aéreo Medellín - Bogotá es realizado por las aerolíneas, Vuela Vuela,
Lenk y Aires. La probabilidad de que Vuela Vuela retrase sus vuelos es de
0.05 y la probabilidad de que lo haga Aires es de 0.09, además la probabilidad
de que tanto Vuela Vuela como Lenk retrasen su vuelo es de 0.02, entonces,
17. En los últimos años, las compañías de tarjetas de crédito han hecho un gran
esfuerzo por lograr nuevas cuentas entre estudiantes universitarios. Suponga
que en una muestra de 200 estudiantes en su universidad indicó la siguiente
información acerca de sí el estudiante poseía una tarjeta de crédito bancario
y/o una tarjeta de crédito para viajes.
T.C. T.C. para V.
Bancario SI NO
SI 60 60
NO 15 65
(a) Suponga que se sabe que el estudiante tiene una tarjeta de crédito ban-
cario. ¿Cuál es la probabilidad que tenga también una tarjeta de crédito
para viaje?
1.9. EJERCICIOS PROPUESTOS 35
Distribuciones de Probabilidad
Definición 2.1.1 Una variable aleatorio es una función que asigna un número real
a cada resultado del espacio muestral de un experimento aleatorio
Las variables aleatorias (en adelante v.a) se denotan por letras latinas mayús-
culas. Una vez que se ha llevado a cabo el experimento, el valor medido de la v.a
se representa por una letra latina minúscula.
2. Defina la v.a X como el número de obleas que pasan, y determine los valores
que puede asumir X.
Solución
40 CHAPTER 2. DISTRIBUCIONES DE PROBABILIDAD
R
2
1
0
X
S
NN
NP
PN
PP
3. Construya una tabla con los resultados del experimento los valores de la v.a
X asociados con ella y la probabilidad de cada valor de X y de cada elemento
del espacio muestral.
Solución
Resultado x Probabilidad
PP 2 0.64
PN 1 0.16
NP 1 0.16
NN 0 0.04
Note que el espacio muestral del ejemplo 2.1.1 es un espacio muestral discreto.
P A M
V V V
V F F
F F V
F V F
F F F
Luego el espacio muestral para los casos es:
S = {V V V, V F F, F F V, F V F, F F F }
Teorema 2.1 Una función puede fungir como la función de densidad de probabil-
idad de una v.a discreta X sii sus valores, f (x), cumplen las condiciones:
1. f (x) ≥ 0 para ∀x ∈ Dom(X)
∑
2. x f (x) = 1
P (X ≤ 3) = P (x = 2) + P (x = 1) + P (x = 0)
3 1
= 0+ +
5 5
4
=
5
El ejemplo 2.2.2 muestra que en ocasiones resulta conveniente poder expresar
probabilidades acumuladas tales como P [X ≤ x] en términos de una formula y
que una formula de las probabilidades acumuladas puede usarse para encontrar la
función de masa de probabilidad de una variable aleatoria.
Hay muchos problemas en los que nos interesa conocer la probabilidad de que el
valor de una variable aleatoria sea menor o igual a algún número real x. Por tanto,
escribiremos la probabilidad e que X tome un valor menor que o igual a x como
F (x) = P [X ≤ x] y la denominaremos a esta función definida para todos los n‘mero
reales x como la función de distribución o distribución acumulada de la variable
aleatoria X.
Teorema 2.2 Los valores F (x) de la función de distribución de una variable aleato-
ria discreta X cumplen las condiciones:
1. F (−∞) = 0
2. F (∞) = 1
3. Si a < b, entonces F (a) ≤ F (b) para dos reales cualquiera.
Definición 2.2.3 Valor Esperado de una v.a Discreta Dada una v.a discreta
X con f.d.p. f (x) el valor esperado de la variable aleatoria X, denotada por E[X],
está dada por: ∑
E[X] = x · f (x)
x
2.2. DISTRIBUCIONES DE PROBABILIDAD DE V.A DISCRETAS 43
1 3 1 6
µX = E[X] = 0 × +1× +3× =
5 5 5 5
( ) ( )2
1 3 1 6 24
2
σX = E[(X − µ) ] = E[X ] − µ =
2 2 2
0 × + 12 × + 32 ×
2
− =
5 5 5 5 25
S = {(1, 1), (1, 2), · · · , (1, 6), · · · , (6, 1), (6, 2), · · · , (6, 6)}
∑
4
P (X ≤ 4) = P (X = i) = P (X = 2) + P (X = 3) + P (X = 4) =
i=2
1 2 3 6
P (X ≤ 4) = + + = = 0.1666
36 36 36 36
7. Hallar la varianza de X.
Solución: Por definición se tiene:
( )
1 2 1
V ar(X) = E(X 2 ) − µ2 = 22 × + 32 × + · · · + 122 × − 72
36 36 36
35
V ar(X) = = 5.8333
6
Ejemplo 2.2.6 Un lote de 500 piezas maquinadas contiene 10 que no cumplen con
los requerimientos del cliente. Sea X la v.a determinada por el número de piezas
en una muestra de cinco que no cumplen con los requerimientos del cliente.
2. Por ser de Bernoulli, cada ensayo produce únicamente dos resultados posibles,
"éxitos" o "fracasos"
Se sigue que los valores que puede asumir la variable son: x : 0, 1, 2, · · · , 10.
y X ∼ Bin(10, 0.5)
Ahora bien, para que el estudiante gane el examen, deberá acertar como mínimo
a seis preguntas.
>pbinom(5,10,0.5)
Teorema 2.3 Si X es una v.a con una distribución binomial con parámetros π y
n, entonces:
E(X) = nπ; y V (X) = nπ(1 − π)
3. Determina P [X = 2] y P [X ≤ 3].
4. Determine la probabilidad de que cuando más se transmitan dos bits con error.
5. Cuál es la probabilidad de que por lo menos cuatro bits sean transmitidos con
error.
e−λ λx
f (x) = x = 0, 1, 2, · · ·
x!
Observación 2.2.1 Si X es una variable aleatoria que tiene una distribución pois-
son con parámetro λ, está se denotará de la siguiente manera:
X ∼ P oi(x, λ)
2.2. DISTRIBUCIONES DE PROBABILIDAD DE V.A DISCRETAS 47
λ = 100cm2 × 0.1part/cm2
λ = 10partculas
Además X ∼ P oi(10); luego:
e−10 1012
P [X = 12] = f (12) = = 9.47×−2
12!
P [X < 12] = P [X ≤ 11] = F (11) = 0.6968 Tomado de la tabla de la Poisson
El siguiente teorema presenta la media y la varianza para una variable aleatoria
poisson.
Teorema 2.4 Si X es una v.a tal que X ∼ P oi(λ), se tiene que su media y su
varianza está dada por:
E(X) = λ (2.1)
V (X) = λ (2.2)
Donde E(X) es la media de la variable y V (X) es su varianza.
e−3 × 30
P (X = 0) = f (0) = = 0.0498
0!
R/ Ra probabilidad de que no llegue ninguna llamada en una hora determinada
es de 0.0498.
48 CHAPTER 2. DISTRIBUCIONES DE PROBABILIDAD
>ppois(5,3)
R/ Luego la probabilidad de que entren más de 5 llamadas al conmutador en
una hora determinada es de 0.0839.
4. ¿Cuál es la probabilidad de que entren a lo sumo 6 llamadas en una hora y
media?
Solución
A lo sumo 6 llamadas, indica que entren como máximo 6 llamadas, además
cambio el intervalo de tiempo, ahora es de hora y media, por lo que:
P (X ≤ 6) = 0.8311
,
También se puede utilizar la instrucción del R dada por:
>ppois(6,4.5)
E(Z) = λZ = 9
las distribuciones de variables continuas. Ya se había dicho que una v.a continua
es aquella que puede asumir cualquier valor en un intervalo específico contenido
en el conjunto de los reales; o de otra forma, es una variable aleatoria definida
sobre un espacio muestral continuo. Como consecuencia de esto, entre dos valores
consecutivos existen infinitos números, esto hace que la probabilidad de que una
v.a continua asuma un valor específico (P [X = x] = 0) es cero, sin importar la
distribución de probabilidad de la variable; así entonces, si consideramos la v.a X
definida como la estatura de una persona, entonces la probabilidad de encontrar
una persona que tenga 21 años es cero, pues la edad se mide en función del tiempo,
y el tiempo es una variable continua, por lo tanto se podrán encontrar personas que
tengan 21 años y unos meses, o 21 años y unas horas, o 21 años y unos minutos,
pero la probabilidad de encontrar una persona que tenga exactamente 21 años es
prácticamente cero, pues esto implicaría que la persona que responda de manera
afirmativa tendría que estar cumpliendo años en ese día, y justo haber nacido a la
hora del día en el que se le formula la pregunta. Sin embargo, si en lugar de esto
quisiéramos calcular la probabilidad de que una persona tenga entre 21 y 22 años,
está probabilidad definitivamente cambiaría, pues todas las personas que dicen tener
21 años estarían en este rango.
∫ b
P [a < X < b] = f (x)dx
a
52 CHAPTER 2. DISTRIBUCIONES DE PROBABILIDAD
∫ +∞
P [X > b] = f (x)dx
b
Definición 2.4.3 Valor Esperado de una v.a Continua Dada una v.a continua
X con f.d.p. f (x) el valor esperado de la variable aleatoria X, denotada por E[X],
está dada por: ∫
E[X] = x · f (x)dx
x
De la misma manera que sucede para el caso discreto, se tiene para una v.a
continuo X con f.d.p f (x) que:
E[X] = µX
2
V ar[X] = σX = E[(X − µ)2 ] = E[X 2 ] − µ2
Definición 2.4.4 Una v.a continua X con función densidad de probabilidad p.d.p
1 (x−µ)2
f (x) = √ e− 2σ2 ∀ −∞<x<∞
σ 2π
Tiene una distribución normal con parámetros µ y σ 2 , donde −∞ < µ < ∞,
y σ 2 > 0. En este caso se denota como: X ∼ N (µ, σ 2 ); además E[X] = µ, y
V ar[X] = σ 2 .
10. Si X es una v.a con una distribución normal con media µ y varianza σ 2 , se
denotará por X ∼ N (µ, σ 2 )
54 CHAPTER 2. DISTRIBUCIONES DE PROBABILIDAD
Definición 2.4.5 Distribución Normal Estandar A una v.a normal que tiene
media µ = 0 y varianza σ 2 = 1 se le llama una v.a normal estándar, y se denotará
por Z.
A partir de toda variable X que tenga una distribución normal se puede encon-
trar una variable asociada Z con distribución normal estándar, a este proceso de
transformación se le llama estandarización de la variable X. De esta manera la
distribución normal estándar se constituye en una herramienta para determinar el
área bajo la curva toda vez que sus parámetros µ y σ 2 son conocidos.
Ejemplo 2.4.2 Dada una v.a Z ∼ N (0, 1), utilice las tablas para hallar:
1. P [Z ≤ 1.83]
2. P [−1.97 ≤ Z ≤ 0.76]
3. P [Z ≥ 2.01]
1. P [X ≤ 123]
Solución
Como la variable aleatoria X no se distribuye normal estándar, entonces para
poder hallar en la tabla estas probabilidades se debe primero estandarizar, así.
[ ]
X − 125 123 − 125
P [X ≤ 123] = P ≤
16 16
2. P [115 ≤ X ≤ 128]
Solución
[ ]
115 − 125 X − 125 128 − 125
P [115 ≤ X ≤ 128] = P ≤ ≤
16 16 16
3. P [X ≥ 124]
Solución
Como la variable X es continua, se tiene:
[ ]
X − 125 124 − 125
P [X ≥ 124] = 1 − P [X ≤ 124] = 1 − P ≤
16 16
[ ]
X − 125 a − 125
P [X ≥ a] = 0.95 ⇒ P ≥ = 0.95 ⇒ P [Z ≥ z0 ] = 0.95
16 16
a−125
donde z0 = 16 , luego
a − 125
= −1.64
16
despejando de esta ecuación el valor de a se tiene:
56 CHAPTER 2. DISTRIBUCIONES DE PROBABILIDAD
( ) ( )
35 − 40 35 − 40
P (X ≥ 35) = 1−P (X ≤ 35) = 1−P Z≤ √ = 1−P Z≤
16 4
P (X ≤ x) = 0.975
( )
x − 40
P Z≤ = 0.975
4
P (Z ≤ z0 ) = 0.975
x − 40
= 1.96
4
x = 1.96 × 4 + 40
x = 47.84 ≃ 48
Ejemplo 2.4.5 El peso neto de las cajas de detergente puede considerarse como
una v.a normal. Cajas estándar de una marca comercial tienen un peso promedio
de 1000 gm y una desviación estándar de 20gm. Si se toma una caja al azar,
determine:
5. ¿Cuál es el peso máximo por debajo del cual se encuentra el 90% de los pesos
de las cajas?
X − np X − 100 × 0.4 X − 40
Z= √ =√ = √
npq 100 × 0.4 × 0.6 2.4
donde Z ∼ N (0, 1)
58 CHAPTER 2. DISTRIBUCIONES DE PROBABILIDAD
Las variables exponenciales describen procesos en los que interesa saber el tiempo
transcurrido hasta que ocurre determinado evento, sabiendo que, el tiempo que
pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante
tf , no depende del tiempo transcurrido anteriormente en el que no ha pasado nada.
Teorema 2.6 Sea X una v.a continua, tal que x ∼ exp(λ), entonces
P [X ≤ x] = 1 − exp−λx
• µ = E[X] = 1
λ
• V ar(X) = E[X 2 ] = 2
λ2
Ejemplo 2.4.7 El tiempo de espera para que atiendan a una persona en una cafetería
es una variable aleatoria que tiene una distribución exponencial con una media de
4 minutos.
2.5. EJERCICIOS 59
P (3 < X < 7) = P (3 ≤ X ≤ 7)
P (3 ≤ X ≤ 7) = P (X ≤ 7) − P (X ≤ 3)
[ ( )] [ ( )]
7 3
= 1 − exp − − 1 − exp −
4 4
= 0.2985
2.5 Ejercicios
1. Determine si los siguientes enunciados son Verdaderas o Falsas (V o F), argu-
mente su respuesta.
(c) ¿una lámina de metal de 20 metros cuadrados tenga entre cuatro y ocho
defectos?
(a) X ∼ P oi(2), P [X ≥ 3]
(b) X ∼ P oi(4), P [X = 1]
(c) X ∼ P oi(0.25), P [X ≤ 2]
(d) X ∼ P oi(5), P [2 ≤ X ≤ 6]
8. En los siguientes ejercicios suponga que X ∼ Bin(n, π). Utilice las tablas
de distribución de probabilidad acumulada para calcular la probabilidad de x
éxitos dada la probabilidad π de éxito en un ensayo dado.
62 CHAPTER 2. DISTRIBUCIONES DE PROBABILIDAD
9. Si Z ∼ N (0, 1) encuentre:
(a) P [Z ≤ 1.3]
(b) P [Z ≥ 1.3]
(c) P [−1 ≤ Z ≤ 0.8]
(a) P [X ≤ 26.5]
(b) P [X ≥ 22]
(c) P [19 ≤ X ≤ 30]
12. Los carros que vende una agencia trabajan con diésel o gasolina. El 50% de los
carros que vende, ésta equipado para trabajar con diésel, hallar una fórmula
para la distribución de probabilidad del número de modelos diésel entre los
próximos 4 marcas de carros que vende la agencia. (Tomado de Walpole)
14. En un accidente que ocurrió en una planta nuclear se presentó una fuga de
partículas radioactivas. Se instaló un contador para determinar cuántas pasan
a través de él y se encontró que el número promedio de partículas radioactivas
que pasan durante un milisegundo es 6. Si se sabe que el número de partículas
radioactivas que pasan durante un milisegundo sigue una distribución Poisson,
determine: ¿Cuál es la probabilidad de que entren 10 partículas al contador
en un milisegundo? (Tomado de Walpole)
15. Un profesor de estadística se da cuenta de que cuando programa una hora para
que los estudiantes que necesiten ayuda acudan a su oficina, llega un promedio
de dos estudiantes. Si el número de estudiantes que llegan a asesoria en una
hora sigue una distribución Poisson, Calcule las siguientes probabilidades: :
16. El tiempo entre llegadas de dos personas al hall de un edificio para tomar una
ascensor sigue una distribución exponencial con media de 10 segundo. Si el
ascensor se cierra después de transcurridos 15 segundos después de la última
persona que llegó, determine la probabilidad de que el ascensor se cierre solo
con una persona.
17. Sea X la variable aleatoria que representa el número de clientes que llegan
a una tienda en un periodo de una hora. Si la distribución de esta variable
se presenta en la tabla siguiente, verifique que efectivamente la información
presentada en la tabla es un distribución de probabilidad, y de serlo, determine
el número de clientes esperado en una hora:
x 0 1 2 3 4
p(x) = P [X = x] 0.35 0.1 0.05 0.25 0.25
18. Una central telefónica recibe una media de 8 llamadas por hora. Si el número
de llamadas se distribuye según una Poisson y la central tiene una capacidad
para atender a lo sumo 12 llamadas por minuto, ¿cuál es la probabilidad de
que en un minuto determinado no sea posible dar línea a todos los clientes?
19. El número de camiones que llegan a un depósito en cierta ciudad sigue una
distribución poisson. Se sabe además que en un día dado llegan en promedio
a dicho depósito 8 camiones. Encuentre la probabilidad de que:
20. Pepa conoce muy bien a su amigo Pepe y sabe cuál es la probabilidad de que
este posea cierta cantidad de dinero en su billetera. Ella sabe que Pepe sólo
mantiene en su billetera o $2.000, o $5.000, o $10.000, o $20.000 y cada valor
de estos con probabilidades de 0.25, 0.40, 0.30, 0.05 respectivamente. Si algún
día se mira en la billetera de Pepe, ¿qué cantidad de dinero se espera que
tenga?
(a) los tres trozos de pez espada tengan niveles de mercurio por encima del
límite de la FDA.
(b) Exactamente un trozo de pez espada tenga un nivel de mercurio por
encima del límite de la FDA.
(c) Cuando mas, un trozo de pez espada tenga un nivel de mercurio por
encima de los límites de la FDA.
64 CHAPTER 2. DISTRIBUCIONES DE PROBABILIDAD
26. Un día después de quincena (día de pago), llegan a la taquilla de cierto banco
un promedio de 15 personas por hora para realizar el pago de sus servicios
públicos. El gerente del banco, observando esta situación, está considerando
destinar una taquilla durante estos días, que se dedique únicamente a aten-
der este tipo de pagos. Para que la decisión sea pertinente para la entidad
financiera, el gerente debe mostrar que la proporción de taquillas que atiende
más de ocho pagos de este tipo en media hora supera el 55%. Si se sabe que
la llegada de los clientes a una taquilla tiene una distribución poisson, y que
la llegada de clientes entre taquillas es independiente, determine si la sucursal
debe destinar una taquilla para este tipo de pagos en las fechas indicadas.
2.5. EJERCICIOS 65
30. Un supermercado de la ciudad, sabe que el tiempo promedio que debe esperar
un cliente para ser atendido en una cualquiera de sus cajas para pagar la
mercancía es de 10 minutos. Determine la probabilidad de que:
31. Cierto clase de televisor tiene una vida media de 6 años. Si su vida útil se
distribuye en forma exponencial.
¿Cuál debe ser el tiempo de garantía que se debe otorgar, si se desea reem-
plazar a lo más el 15 % de los componentes que fallen dentro de este periodo?
33. Tras un test de cultura general se observa que las puntuaciones obtenidas
siguen una distribución N ∼ (65, 112 ). Se desea clasificar a los examinados en
tres grupos (de baja cultura general, de cultura general aceptable, de excelente
cultura general) de modo que en el primero se encuentra el 20% de la población
con la puntuación más baja, en el tercero está el 15% de la población con la
puntuación más alta, y el resto se clasifica en el segundo grupo. ¿Cuáles han
de ser las puntuaciones que marcan el paso de un grupo al otro?
35. El peso de los huevos de cierta granja sigue una distribución normal con media
55 gramos y una desviación estándar de 1.2 gramos. El granjero vende sus
huevos asegurando que en una docena de estos el cliente no encontrará más de
cuatro con un peso inferior a 58 gramos, además si a un cliente le pasa estos, le
devolverá su dinero como garantía de su producto. Determine la probabilidad
de que el granjero le tenga de devolver el dinero a uno de sus clientes. Con
base en el resultado anterior, le recomendaría usted al granjero que cambie
sus políticas de garantía?, por cuales?, explique su respuesta.
CHAPTER 3
Distribuciones Muestrales
De acuerdo con sus objetivos, los métodos estadísticos se clasifican en dos cate-
gorías bastante generales: Estadística Descriptiva y estadística inferencial. La es-
tadística descriptiva tiene por objeto la organización, resumen y descripción de un
conjunto particular de dato obtenidos de un cuerpo más general llamado universo
o población. El primer capítulos de este texto los hemos dedicado al estudio de
la estadística descriptiva. La estadística inferencial, es el proceso mediante el cual
se obtienen conclusiones o generalizaciones sobre característica de una población
(Medidas descriptivas). Este capítulo y los siguientes estarán dedicados al estudio
de los diferentes métodos de la inferencia estadística. Es importante tener en cuenta
que el propósito esencial de la estadística descriptiva es el de preparar el camino
para la estadística inferencial.
La inferencia estadística clásica se divide en dos problemas fundamentales: es-
timación de parámetros y pruebas de hipótesis estadísticas. A la vez la teoría de
la estimación se subdivide en estimación puntual y estimación por intervalos de
confianza.
Las bases de la inferencia estadística son las mismas bases de la inducción en la
ciencia. La palabra inferir, en el sentido estadístico, significa llegar a una conclusión
acerca de una población partiendo de una información incompleta o parcial, una
muestra de esa población.
No es posible ni tiene sentido pretender que a partir de resultados experimentales
(muestras) se pueda llegar a una afirmación general tal como una verdad en el sen-
tido matemático. Pero sí cabe hacer inferencias con cierto grado de incertidumbre
(conclusiones probables) el cual es susceptible de medición si el experimento se ha
realizado de acuerdo con determinados principios. La medida de la incertidumbre
puede expresarse como una probabilidad. Es por esto por lo que hemos dedicado los
capítulos 2 y 3 al estudio de las probabilidades. La inferencia estadística es entonces
un proceso que nos permite emitir juicios parciales de la población a partir de la
información contenida en una muestra.
3.1 Muestreo
Hablar de distribuciones muestrales conlleva la necesidad de hablar de muestras,
y del proceso requerido para que estas muestras sean idóneas para el proceso de
inferencia que se requiere adelantar, es por esto que antes de adentrarnos en el
68 CHAPTER 3. DISTRIBUCIONES MUESTRALES
• Porque conlleva costo muy elevados, que no son viables para la investigación.
• Muestreo Estratificado
En particular este curso se desarrolla bajo el supuesto de que las muestras que se
utilizan fueron extraídas mediante un muestreo aleatorio simple (M.A.S); veamos
en qué consiste esta técnica de muestreo.
3.1. MUESTREO 69
• M.A.S Con Reemplazo. En este caso una unidad de estudio tiene la opor-
tunidad de ser seleccionada varias veces en la misma muestra. Cuando se
realiza este muestro se debe tener en cuenta que el orden de aparición en la
muestra de una unidad de estudio es de importancia. En general, la cantidad
de muestras de tamaño n que se pueden obtener de una población finita de
tamaño N mediante una M.A.S con reemplazo es: N n
• M.A.S Sin Reemplazo. En este caso una unidad de estudio que ha sido
seleccionada para la muestra no retorna a la población, esto implica que sólo
podrá ser seleccionada en la misma muestra una sola vez. En general, la
cantidad de muestras de tamaño n que se pueden obtener de una población
finita de tamaño N mediante una M.A.S con sin reemplazo es: N Cn
Ejemplo 3.1.1 Se tiene una población constituida por Carlos, Mario, Ana. Las
edades de ellos son respectivamente 21, 19, 20. Encuentre:
5. todas las muestra de tamaño dos que se pueden formar de esta población, si
se extraen mediante un muestreo aleatorio simple sin reemplazo, y encuentre:
6. Todas las muestras de tamaño dos que se pueden formar de esta población, si
se extraen mediante un muestreo aleatorio simple con reemplazo.
(a) La edad promedio en cada muestra.
(b) La varianza en cada una de las muestras.
(c) La proporción de personas con 20 o más en cada una de las muestras.
(d) La varianza de las proporciones de las personas que tienen 20 años o
más, en cada una de las muestras .
(e) El promedio de las medias de las muestras, qué ve?, qué puede concluir?
(f ) La varianza de las medias de las muestras, qué notación utilizaría para
este valor?
N −n
(g) Multiplique la varianza poblacional de la edad por N −1 × n1 , qué ve? qué
puede concluir?
(h) El promedio de las proporciones en las muestras, qué ve?, qué puede
concluir?
(i) La varianza de las proporciones de las muestras.
Solución 16 Sea
xi : Edad promedio de las persona en la muestra i de tamaño 2.
Si2 : Varianza de la edad promedio de las persona en la muestra i de tamaño 2
pi : Proporción de personas con una edad de 20 o más en la muestra i
Con reemplazo:
2 σ2
σX =
n
Ejemplo 3.2.1 Utilice cada uno de los casos del ejemplo 3.1.1, para la media mues-
tral, y con los pasos antes descritos, trate de determinar la distribución de la media
muestral.
[ ]
1.28 − 1.30 X − 1.30 1.30 − 1.30
P [1.28 ≤ X ≤ 1.30] = P √ ≤√ ≤√
0.0006125 0.0006125 0.0006125
= P [−0.81 ≤ Z ≤ 0]
= P [Z ≤ 0] − P [Z ≤ −0.81]
= 0.5 − 0.20897
P [1.28 ≤ X ≤ 1.30] = 0.29103
3.2. DISTRIBUCIONES MUESTRALES 73
P [µ − 3σ ≤ X ≤ µ + 3σ] = 0.9972
luego, en las colas se tiene distribuido de manera simétrica el 1 − 0.9972 =
0.0028, se sigue entonces que:
0.0028
P [X > µ + 3σ] = = 0.0014
2
R/ La probabilidad de que el diámetro promedio supere en más de tres desvia-
ciones estándar a su media es de 0.0014.
4. Si el diámetro promedio en una muestra de 8 pelotas de ping - pong se en-
cuentra por debajo de 1.28 pulgadas, se desecha como defectuosa la tanda de
producción de donde procede la muestra. Si el administrados quiere garantizar
que no se desechen más del 5%, en qué diámetro debe establecer el límite de
la norma?.
Solución
En este caso se debe hallar el valor promedio por debajo del cual se encuentra
el 5% de los diámetros más bajos, es decir, hallar x0 tal que P [X ≤ x0 ] = 0.05.
P [X ≤ x0 ] = 0.05
[ ]
X − 1.30 x0 − 1.30
P √ ≤√ = 0.05
0.0006125 0.0006125
P [Z ≤ z0 ] = 0.05
Donde:
x0 − 1.30
z0 = √
0.0006125
Además, de la distribución normal se tiene que el percentile 5% de una normal
estándar está dado por z0 = −1.64, luego igualando los valores de z0 se tiene:
x − 1.30
√0 = z0 = −1.64 despejando se tiene:
0.0006125
√
x0 − 1.30 = −1.64 × 0.0006125
√
x0 = −1.64 × 0.0006125 + 1.30
x0 = 1.26
Ejemplo 3.2.3 El peso neto de las cajas de detergente puede considerarse como
una v.a normal. Cajas estándar de una marca comercial tienen un peso promedio
de 1000 gm y una desviación estándar de 20gm. Si see toman 15 cajas al azar,
mediante un MAS con reemplazo, determine:
2. ¿Cuál es la probabilidad de que el peso promedio de las cajas sea menor a 1025
gm?
4. ¿Cuál es la probabilidad de que el peso promedio de las cajas este entre 990 y
1008 gm?
5. ¿Cuál es el peso promedio por debajo del cual se encuentra el 90%, y por
encima el 10% de los pesos promedio de las 12 cajas?
X̄ − µ
Z= √ ∼ N (0, 1) cuando n → ∞
σ2
n
Es importante tener presente que en estos casos se supone que valores de n mayores
o iguales a 30 son grandes.
X − 435 460 − 435
P [X < 460] = P √ < 14400
14400 35
35
[ ]
25
= P Z<
20.2837
= P [Z < 1.23]
P [X < 460] = 0.89065
76 CHAPTER 3. DISTRIBUCIONES MUESTRALES
= P [−2.47 ≤ Z ≤ 2.47]
= P [Z ≤ 2.47] − P [Z ≤ −2.47]
= 0.99324 − 0.00676
P [|X − µ| ≤ 50] = 0.98648
3. Si se establece que el precio de las polizas sigue una distribución normal con
los parámetros antes presentados, entoncces determine la probabilidad de que
una poliza cualquiera tenga un costo entre 350 y 480 mil pesos.
Solución
En este caso sólo se está seleccionando una poliza, por lo tanto no hay mues-
tra. Luego se debe hallar P [350 ≤ X ≤ 480] =??, se sabe además que
X ∼ N (435, 1202 )
[ ]
350 − 435 X − 435 480 − 435
P [350 ≤ X ≤ 480] = P √ ≤ √ ≤ √
120 2 1202 1202
[ ]
−85 45
= P ≤Z≤
120 120
= P [−0.71 ≤ Z ≤ 0.38]
= P [Z ≤ 0.38] − P [Z < −0.71]
= 0.64803 − 0.23885
P [350 ≤ X ≤ 480] = 0.40918
Ejemplo 3.2.7 Los niveles de radiación latente en dos regiones A y B siguen dis-
tribuciones Normales independientes de medias 0.48 y 0.4663 y varianzas 0.2 y
0.01 rem por año, respectivamente. Se realizan 25 mediciones en la región A y
100 en la B. Obtener la probabilidad de que la media de la muestra A sea como
máximo 0.2 rem superior a la media de la muestra B. (Ejercicio tomado de "http :
//www.ugr.es/ ∼ bioestad/_private/T ema_6.pdf ")
Solución
X1 : nivel de radiación latente en la región A, en rem
X2 : nivel de radiación latente en la región B, en rem
donde: X1 ∼ N (0.48, 0.02) y n1 = 25
X1 ∼ N (0.48, 0.02)
X2 ∼ N (0.4663, 0.01)
( )
−−−→ 0.2 0.01
T.3.3 X1 − X 2 ∼ N 0.48 − 0.4663, +
n= 25; n2 = 100; grandes
25 100
σ1 ; σ2 ; conocidas
[( ) ]
X 1 − X 2 − 0.0137 0.2 − 0.0137
P [X 1 − X 2 ≤ 0.2] = P √ ≤ √
0.0081 0.0081
= P [Z ≤ 2.07]
= 0.98077
Ejemplo 3.2.9 En un estudio para comparar los pesos promedio de niños y niñas
de sexto grado se tomó una muestra aleatoria de 30 niños y otra de 35 niñas. 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, mientras que el promedio de los pesos de
todas las niñas del sexto grado es de 85 libras y su desviación estándar es de 12
libras. Encuentre la probabilidad de que el peso promedio de los 30 niños sea al
menos 20 libras más grande que el de las 35 niñas.
P −π
Z=√ ∼ N (0, 1)
π(1 − π)/n
siempre que n → ∞
π = 0.03; x = 4; n = 100
Se puede establecer que X ∼ Bin(100, 0.03), puesto que los tubos en la muestra
son independiente y la probabilidad de defectuosos permanece constante, por lo tanto:
X ∼ Bin(100, 0.03) ( )
−−−→ 0.03(1 − 0.03)
T.3.5 P ∼ N 0.03,
100
n = 100 grandes
Se tiene entonces que P ∼ N (0.03, 0.00291), luego:
[ ]
P − 0.03 0.04 − 0.03
P [P < 0.04] = P √ < √
0.00291 0.00291
= P [Z < 0.19]
= 0.57535
Ejemplo 3.2.12 Cuál es la probabilidad de que de los 100 bebés próximos a nacer
en una clínico, entre 53% y el 62% sean niñas? Suponga que la probabilidad de que
nazca un niño es igual a la probabilidad de que nazca una niña.
80 CHAPTER 3. DISTRIBUCIONES MUESTRALES
Ejemplo 3.2.13 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 70 hombres y 80 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.
Teorema 3.7 Sea X una v.a tal que X ∼ N (µ, σ 2 ), con σ 2 desconocida. Si se
toma una muestra aleatoria de tamaño n pequeña, de esta población, entonces la
X−µ
variable aleatoria T = S/ √ tiene una distribución t-student con n − 1 grados de
n
libertad, esto es:
X −µ
T = √ ∼ tn−1
S/ n
Característica de la distribución t-student Para hacernos una idea del
comportamiento de la función de densidad t, presentamos a continuación algunas
de sus propiedades fundamentales.
1. La distribución t es simétrica respecto al eje t = 0.
2. La variable t toma valores desde −∞ hasta ∞.
3. La media de una variable T es µ = 0.
4. La curva de la distribución t es semejante a la de la normal pero sus colas
son más altas, lo que indica que su variabilidad es mayor al de la normal.
En la figura 3.1 se puede observar la curva de una normal estándar con línea
continua y la curva de una distribución t con 2 grados de libertad con la línea
punteada.
3.3. LA DISTRIBUCIÓN T -STUDENT 81
0.4
0.3
0.2
y
0.1
0.0
−4 −2 0 2 4
Teorema 3.8 Sea X1 una v.a tal que X1 ∼ N (µ1 , σ12 ), y X2 una v.a tal que X2 ∼
N (µ2 , σ22 ), con σ12 , σ22 desconocidas pero iguales. Si se toma una muestra aleatoria
de tamaño n1 de la primera población, y de manera independiente una n2 de la
(X1 −X
√
2 )−(µ1 −µ2 )
segunda, con n1 y n2 pequeñas, entonces, la variable aleatoria T = S2 S2 p
n1 + np
2
tiene una distribución t-student con n1 + n2 − 2 grados de libertad, esto es:
( )
X1 − X2 − (µ1 − µ2 )
T = √ 2 ∼ tn1 +n2 −2
Sp Sp2
n1 + n2
Teorema 3.9 Sea X1 una v.a tal que X ∼ N (µ1 , σ12 ), y X2 una v.a tal que X ∼
N (µ2 , σ22 ), con σ12 , σ22 desconocidas pero diferentes. Si se toma una muestra aleatoria
de tamaño n1 de la primera población, y de manera independiente una n2 de la
(X1 −X
√
2 )−(µ1 −µ2 )
segunda, con n1 y n2 pequeñas, entonces, la variable aleatoria T = 2 2
S1 S
n1 + n2
2
tiene una distribución t-student con γ grados de libertad, esto es:
82 CHAPTER 3. DISTRIBUCIONES MUESTRALES
( )
X1 − X2 − (µ1 − µ2 )
T = √ 2 ∼ tγ
S1 S22
n1 + n2
2
(S12 /n1 +S22 /n2 )
con γ = (S12 /n1 )2 (S22 /n2 )2
∈ Z+
n1 −1 + n
2 −1
Definición 3.4.1 Una variable aleatoria continua que tiene distribución ji-cuadrado
con γ grados de libertad se define como sigue:
1 γ
( γ ) · x 2 −1 · e− 2 ;
x
χ2 (x; γ) = γ xo, γenteropositivo
2 Γ 2
2
Teorema 3.10 Si X es una variable aleatoria continua que tiene distribución ji-
cuadrada con γ grados de libertad, entonces sus parámetros media y varianza son,
respectivamente, los siguientes:µ = γ; σ 2 = 2γ.
Teorema 3.11 Sea X una variable aleatoria continua tal que X ∼ N (µ, σ 2 ); y
sea S 2 la varianza de una muestra aleatoria de tamaño n extraída de esa misma
población, entonces la variable aleatoria
(n − 1)s2
W =
σ2
tiene una distribución ji-cuadrada con n − 1 grados de libertad.
Teorema 3.12 Si S12 y S22 son las varianzas de variables aleatorias independientes
detamaño n1 y n2 repectivamente, tomadas de poblaciones normales con varianzas
σ12 y σ22 entonces el estadístico
S 2 /σ 2
F = 12 12
S2 /σ2
tiene una distribución F con n1 − 1 y n2 − 1 grados de libertad.
5. Las notas de cierto examen se distribuyen según una normal de media 2.9 y
desviación típica 1.2. Hallar la probabilidad de que la media de una muestra
tomada al azar de 16 estudiantes esté comprendida entre 2.5 y 3.5.
6. La ropa que produce un fabricante F1 tiene una media de 1400 días de duración
con una desviación típica de 200 días, mientras que las de otro fabricante F2
tiene una vida media de 1200 días con una desviación típica de 100 días. Si
se toma una muestra de 125 prendas de cada uno de los fabricantes, ¿cuál es
la probabilidad de que la ropa que produce el fabricante F1 tenga una vida
media que sea al menos de 160 días más de duración que la que produce el
fabricante F2 ?
(a) ( )Una distribución muestral describe los valores que tomaría un estadís-
tico en muchas repeticiones de una muestra o de un experimento en las
mismas condiciones.
(b) ( ) La varianza de la media muestral aumenta a medida que crece el
tamaño de la muestra.
(c) ( ) Los histogramas de todas las distribuciones muestrales tienen forma
simétrica.
(d) ( ) Un parámetro es la medida de alguna característica de una muestra.
(e) ( ) Cuando el estadístico de prueba es t y el número de grados de libertad
se hace muy grande, el valor crítico de t está bastante próximo al normal
estándar z.
(f) ( ) El valor esperado de la distribución muestral de las X es igual a la
media de la muestra.
(a) ¿qué tan probable es que el inspector obtenga un peso medio de 748 g o
menos?
(b) ¿Cuál es la probabilidad de que la diferencia entre la media de la muestra
y la media verdadera no exceda de 1 gramo?
(c) Calcular la probabilidad de que el peso de una caja, seleccionada al azar
de un lote, supere los 754 gramos.
3.6. EJERCICIOS PROPUESTOS 85
10. Al sumar números, un computador aproxima cada número al entero más próx-
imo. Supongamos que todos los errores de aproximación son independientes
y distribuidos uniformemente entre (-0.5, 0.5).
13. En un estudio para comparar los pesos promedio de niños y niñas de sexto
grado se tomó 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, mientras que el
promedio de los pesos de todas las niñas del sexto grado es de 85 libras y su
desviación estándar es de 12 libras. Encuentre la probabilidad de que el peso
promedio de los 20 niños sea al menos 20 libras más grande que el de las 25
niñas.
14. Una encuesta realizada para determinar el tiempo que dura un empleado des-
pedido en cierta ciudad para encontrar trabajo de nuevo constó de 250 traba-
jadores de dicha ciudad que fueron despedidos entre 2009 y 2012, se encontró
que 20% habían estado sin trabajo durante por lo menos dos años. Supón-
gase que tuviera que seleccionar otra muestra aleatoria de 250 trabajadores
de entre todos los empleados despedidos entre 2009 y 2012. £Cuál sería la
probabilidad de que su porcentaje muestral de trabajadores sin empleo du-
rante por lo menos dos años, difiera del porcentaje obtenido en la encuesta
inicial en 5% o más?
15. En un estudio para comparar los pesos promedio de niños y niñas de sexto
grado se tomó una muestra aleatoria de 30 niños y otra de 35 niñas. 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, mientras que el promedio de
los pesos de todas las niñas del sexto grado es de 85 libras y su desviación
estándar es de 12 libras. Encuentre la probabilidad de que el peso promedio
de los 30 niños sea al menos 20 libras más grande que el de las 35 niñas.
16. ¿Cuál es la probabilidad de que de los 100 bebés próximos a nacer en una
clínico, entre 53% y el 62% sean niñas? Asumase que la probabilidad de que
nazca un niño es igual a la probabilidad de que nazca una niña.
86 CHAPTER 3. DISTRIBUCIONES MUESTRALES
18. Un fabricante produce focos que tienen un promedio de vida con distribu-
ción aproximadamente normal con una media de 780 horas y una desviación
estándar de 40 horas.
(a) Determine la probabilidad de que en una muestra de 30 focos se encuentre
un promedio superior a 870 horas de duración.
(b) Determine un intervalo simétrico alrededor de la vida media que garantice
el 99% de las vidas promedio de los focos en muestras de tamaño 30 se
encuentra en dicho intervalo
(c) Determine la probabilidad de que un foco seleccionado al azar tenga una
duración superior a 870 horas.
(d) Determine la duración promedio de un grupo de 35 focos por debajo del
cual se encuentran el 98% de las duraciones promedios para esta cantidad
de focos.
19. En un estudio para comparar los pesos promedio de niños y niñas de sexto
grado se tomó 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, mientras que el
promedio de los pesos de todas las niñas del sexto grado es de 85 libras y su
desviación estándar es de 12 libras. Encuentre la probabilidad de que el peso
promedio de los 20 niños sea al menos 20 libras más grande que el de las 25
niñas.
Bibliography
[1] Daniel, Wayne W. (???). Bioestadística. Base para el análisis de las ciencias
de la salud . Ed.?????
[2] Diaz Cadavid, Abel. Gurtierrez, Armando. (1995) "Estadística General". Se-
gunda Edición. Universidad de Antioquia, Facultad de Educación. Centro de
educción a distancia y Extensión. Curso de estadística General.
[3] Triola, Mario F. (2000). Estadística Elemental. 7a. Edición. Editorial Pearson.
Mexico.
[4] Walpole, Ronal E., Myers, Raymal H. (?????). Probabilidad y Estadística. Sec-
ond Edition. New York: Springer.
[5] Genest, C. and McKay, J. (1986). The Joy of Copulas: Bivariate Distributions
with Uniform MArginals. The American Statistician, 40, 280–283.
[6] Klugman, Stuart A.; Panjer, Harry H.; Willmot, Gordon E. (2008). Loss Mod-
els. From Data to Decisions. Third Edition. Wiley.
[7] Mari, D. D. and Kotz, S. (2001). Correlation and Dependence. Imperial College
Press.
[10] Schweizer, B. and Sklar, A. (1983). Probabilistic Metric Spaces. New York.
North Holland.
[11] Song, P.; Fan, Y. and Kalbfleisch, J. (2005). Maximization for Parts in
Likelihood Inference. Journal of the American Statistical Association, 100,
1145 − −1158.