TALLER #2 DE ESTADÍSTICA

PRESENTADO POR:

VICTOR DE LA OSSA

KEVIN ANDRÉS ACUÑA PINTO

DANIEL ALFONSO SAMPER BRITO

JHONATAN DAVID HERRERA MONSALVE

DOCENTE: JORGE ELEAZAR SÁNCHEZ URIBE

UNIVERSIDAD DEL ATLÁNTICO

ESTADÍSTICA II

BARRANQUILLA-COLOMBIA

2020
INTRODUCCIÓN

En el presente trabajo se aplica una metodología para el cálculo de probabilidades

en problemas relacionados con funciones de probabilidad que se aproximan al
comportamiento de la distribución normal. En primera instancia se da a conocer
los conceptos básicos que debe tener en cuenta cualquier persona que desee
comprender el procedimiento para la resolución de problemas, luego se procede a
realizar varios ejemplos con un solo fin, evidenciar la funcionalidad de la
metodología y afianzar los conocimientos relacionados. La metodología consiste
en:

1- Realizar gráfico correspondiente a la variable en análisis X para la

comprensión del problema.
2- Normalizar la variable X y graficar el mismo problema expresado en la
variable estándar Z
3- Calcular las probabilidades correspondientes utilizando las formulas y
tablas de distribución normal estándar.
4- Interpretar los resultados de acuerdo al contexto del problema.
5- Resolver el problema en R Commander para así poder validar los
resultados.

Para ilustrar un ejemplo de los tipos de problemas a resolver, se considera el

lanzamiento de una moneda en el que se define el evento “sacar cara” como el
éxito. Si lanzamos X veces la moneda y se cuentan los éxitos (sacar cara) Luego
definiendo su probabilidad P se obtiene que la distribución de probabilidades se
ajustaría a una distribución binomial. Si el producto de P*X es mayor a 5 entonces
puede aproximarse esta distribución binomial mediante la distribución normal.

OBJETIVOS

El objetivo principal de este trabajo es la resolución de problemas relaciones con

distribuciones normales.

Como objetivos específicos se establece el uso de dos herramientas para la

consecución del objetivo principal y la comparación de los resultados obtenidos
con cada una de estas. Las herramientas anteriormente mencionadas son:

 Las tablas tipificadas de distribución normal.

 El software estadístico R.
Tabla de contenido

1. DISTRIBUCIÓN NORMAL.............................................................................................................4
1.1. PROPIEDADES DE LA DISTRIBUCIÓN NORMAL...................................................................4
1.2. INTERVALOS DE UNA DISTRIBUCIÓN NORMAL..................................................................4
1.3. TIPIFICACIÓN DE UNA VARIABLE........................................................................................4
1.4. FUENTES.............................................................................................................................4
2. DISTRIBUCIÓN BINOMIAL...........................................................................................................4
2.1. CONDICIONES.....................................................................................................................4
2.2. FORMA...............................................................................................................................4
2.3. TABLA.................................................................................................................................4
2.4. FUENTE...............................................................................................................................4
3. EJERCICIO 9 – DISTRIBUCIONES DE MUESTREO..........................................................................4
3.1. ENUNCIADO........................................................................................................................4
3.2. SOLUCIÓN...........................................................................................................................4
4. EJERCICIO 31..............................................................................................................................5
4.1. ENUNCIADO........................................................................................................................5
4.2. SOLUCIÓN...........................................................................................................................5
1. DISTRIBUCION DE MUESTRAS

2. MUESTRAS ALEATORIAS

3. EJERCICIO 9 – DISTRIBUCIONES DE MUESTREO

3.1. ENUNCIADO

Un taller mecánico local factura 110 dólares de media cuando realiza una reparación
determinada. Los datos indican desviación típica de 21,50 dólares en las facturas. Hace
poco un cliente se quejaba de que su factura de 115,50 dólares era excesiva. Después de
mucho debatir, el mecánico estuvo de acuerdo en devolver el dinero si una muestra de 36
trabajos similares revelaba una facturación media inferior a la del cliente. ¿El mecánico
fue prudente al ofrecer este arreglo?

3.2. SOLUCIÓN

Datos: μ=110 σ =21,50 n=36

P( X́ < 115,50)

Imagen 1. Distribución no especificada de la media muestral.

aproximación normal (n > 30)
La aplicación del Teorema central del límite #7.4 del libro de George Canavos permite
encontrar la variable aleatoria Z:

X́−μ
P ( X́ <115,50 )=P(Z< )
σ /√n

X−μ 115,50−110 5,5

Z= = = =1,54
σ / √ n 21,50/ √ 36 3,58

P ( X́ <115,50 )=P ( Z <1,54 )=0,9382

Imagen 2. Distribución de la media muestral con aplicación del teorema central del limite

3.3. INTERPRETACIÓN DEL RESULTADO

Interpretación del resultado: No fue prudente la decisión del mecánico ya que la media
de 36 muestra tiene una probabilidad del 93,83% de ser inferior a la factura del cliente por
lo tanto lo más probable que suceda es que deba devolverle el dinero al cliente.
4. EJERCICIO 7.15 (GEORGE CANAVOS)

4.1. ENUNCIADO

Para cierta prueba de aptitud se sabe con base en la experiencia que el número de
aciertos es 1000 con una desviación estándar de 125. Si se aplica la prueba a 100
personas seleccionadas al azar, aproximar las siguientes probabilidades que involucran a
la media muestral.

 P(985< X́ <1015)
 P(960< X́ <1040)
 P ( X́ >1020 )
 P( X́ < 975)

4.2. SOLUCIÓN

Datos: μ=1000 σ =125 n=100

a) P(985< X́ <1015)

Imagen 3. Función densidad de probabilidad para medias muéstrales proveniente de una

población con distribución no especificada (aproximación normal n = 100 > 30)

Se calcula:

P(985< X́ <1015)
La aplicación del Teorema central del límite #7.4 del libro de George Canavos permite
encontrar la variable aleatoria Z:

X́−μ
Z=
σ /√n

Por lo tanto:

985−1000 1015−1000
P
( 125
√ 100
<Z<
125
√ 100 )
=P (985< X́ < 1015)

P (−1.2<Z <1.2 )=P(985< X́ <1015)

Imagen 4. Función densidad de probabilidad de la media muestral con aplicación del

teorema central del límite. P(-1.2<Z<1.2)

Se realizan los cálculos correspondientes mediante el uso de la tabla de distribución normal:

P ( a ≤ Z ≤ b )=P ( Z ≤ b )−( 1−P(Z ≤a) )

P (−1.2≤ Z ≤ 1.2 )=P ( Z ≤ 1.2 )−( 1−P(Z ≤ 1.2) )

P ( a ≤ Z ≤ b )=0.8849− (1−0.8849 )

P ( a ≤ Z ≤ b )=0.8849−0.1151=0.7698

P ( 985< X́ < 1015 )=0.7698

 b) P(960< X́ <1040)

Imagen 5.

La aplicación del Teorema central del límite #7.4 del libro de George Canavos permite
encontrar la variable aleatoria Z:

X́−μ
Z=
σ /√n

Por lo tanto:

960−1000 1040−1000
P
( 125
√ 100
<Z<
125
√ 100 )
=P (960< X́ < 1040)

P (−3.2<Z <3.2 )=P (960< X́ <1040)

 Imagen 6. Función densidad de probabilidad de X́ . P(-3.2<Z<3.2)

Se realizan los cálculos correspondientes mediante el uso de la tabla de distribución normal:

P ( a ≤ Z ≤ b )=P ( Z ≤ b )−( 1−P(Z ≤a) )

P ( 3.2≤ Z ≤3.2 )=P ( Z ≤ 3.2 )−( 1−P(Z ≤ 3.2) )

P ( a ≤ Z ≤ b )=0.9993− (1−0.9993 )

P ( a ≤ Z ≤ b )=0.9993−0.0007=0.9986

P ( 960< X́ < 1040 )=0.9986

c) P ( X́ >1020 )

Imagen 7.
La aplicación del Teorema central del límite #7.4 del libro de George Canavos permite
encontrar la variable aleatoria Z:

Por lo tanto:

1020−1000

(
P Z>
125
√ 100 )
=P ( X́ > 1020 )

P ( Z >1.60 )=P ( X́> 1020 )

Imagen 8. Función densidad de probabilidad de X́ . P(Z > 1.6)

Se realizan los cálculos correspondientes mediante el uso de la tabla de distribución normal:

P ( Z >1.60 )=1−P ( Z <1.60 )

P ( Z >1.60 )=1−0.9452=0.054 8

P ( X́ >1020 ) =0.0548

d) P( X́ < 975)
 Imagen 9.

La aplicación del Teorema central del límite #7.4 del libro de George Canavos permite
encontrar la variable aleatoria Z:

Por lo tanto:

975−1000

(
P Z<
125
√ 100 )
=P( X́ < 975)

P ( Z ←2.00 )=P( X́ <975)

Imagen 10. Función densidad de probabilidad de X́ . P(Z < -2.0)

Se realizan los cálculos correspondientes mediante el uso de la tabla de distribución normal:

P ( Z ←2.00 )=1−P ( Z <2.00 )

P ( Z ←2.00 )=1−0.9772=0.022 8

P ( X́ <975 )=0.0228

4.3. INTERPRETACIÓN DE RESULTADOS

a) P ( 985< X́ < 1015 )=0.7698

La media de aciertos de 100 personas seleccionadas al azar tiene una probabilidad del
76.98% de estar entre 985 y 1015 aciertos.

b) P ( 960< X́ < 1040 )=0.9986

La media de aciertos de 100 personas seleccionadas al azar tiene una probabilidad del
99.86% de estar entre 960 y 1040 aciertos.

c) P ( X́ >1020 ) =0.0548

La probabilidad de que la media de aciertos de la muestra de 100 personas este por

encima de 1020 acierto es de 5.48%.

d) P ( X́ <975 )=0.0228

La probabilidad de que la media de aciertos de la muestra de 100 personas sea inferior a

975 acierto es de 2.28%.

5. EJERCICIO 7.14 (GEORGE CANAVOS)

5.1. ENUNCIADO

Generar números aleatorios para las distribuciones binomial y exponencial y usarlos para
el teorema de límite central. De manera específica, para n=10 y n=40, generar 500
muestras de una distribución binomial con p=0.3. Repetir el procedimiento anterior
generando 500 muestras de una distribución exponencial con parámetro θ=50. ¿Se ha
demostrado el teorema central del límite en un grado razonable?

5.2. SOLUCIÓN
5.2.1 CASO EXPONENCIAL

Para el caso de la distribución exponencial, primero se generan 500 muestras aleatorias

con un numero de observaciones n=10 y un parámetro θ = 50 es decir λ = 1/50 = 0.02
como se observa en la figura 9.

Imagen 11. Muestra de una distribución exponencial en R. Commander.

Después de ejecutar el muestreo, se procede generar el histograma, como se ve

en la figura 10.
 Imagen 12. Histograma del muestreo de la distribución exponencial para un numero de
muestras n=10.

En la Imagen X podemos observar que el histograma no tiene la forma de

campana aproximada a la de distribución normal, debido a que no asimétrica, por
ende, para n=10, la distribución  con el modelo exponencial no cumple con el
teorema de límite central.

Después, se vuelve a generar 500 muestras aleatorias con un numero de

muestras n=40 y un parámetro θ=50, como se observa en la Imagen X.
 Imagen 13. Muestra de una distribución exponencial en R. Commander.

Después de ejecutar el muestreo, se procede generar el histograma, como se ve

en la figura 12.

Imagen 14. Histograma del muestreo de la distribución exponencial para un numero de

muestras n=40.
En la Imagen X podemos observar que el histograma tiene la forma de campana
aproximada a la de distribución normal, ya que es aproximadamente simétrico al
punto central donde hay mayor concentración relativa, por ende, para n=40, la
distribución  con el modelo exponencial cumple con el teorema de límite central,
ya que es una buena aproximación a la distribución normal.

5.2.2 CASO BINOMIAL

Para el caso de la distribución binomial, se generan 500 muestras aleatorias con un

numero de observaciones n=10, un parámetro p = 0.3 y 10 ensayos binomiales como se
observa en la figura 9.

Imagen 15. Muestra de una distribución binomial en R. Commander. (n=10)

Después de ejecutar el muestreo, se procede generar el histograma, como se ve en la

figura 10.
 Imagen 16. Histograma de Muestra de una distribución binomial con n = 10

En la Imagen X podemos observar que el histograma no tiene la forma de campana

aproximada a la de distribución normal, debido a que es asimétrica, por ende, para n=10,
la distribución con el modelo binomial no cumple con el teorema de límite central.

Después, se vuelve a generar 500 muestras con 40 observaciones manteniendo los

demás parámetros fijos como se observa en la siguiente imagen.
 Imagen 17. Muestra de una distribución binomial en R. Commander. (n=40)

Por último, se crea el histograma para la muestra anteriormente generada.

Imagen 18. Histograma para muestras con 40 observaciones de una distribución binomial
En la Imagen X podemos observar que el histograma también tiene la forma de campana
aproximada a la de distribución normal, como anteriormente ya se ha visto con la
distribución exponencial, la distribución binomial es aproximadamente simétrica con
respecto a una media igual a 3, debido a que la probabilidad de éxito es 0.3 al realizar 10
ensayos binomiales, por ende, es razonable pensar que la mayoría de muestras tendrán 3
éxitos en promedio. Para n=40, la distribución con el modelo binomial cumple con el
teorema de límite central, ya que es una buena aproximación a la distribución normal.

CONCLUSIÓN

Se evidencio la utilidad que representan las tablas de distribución normal estándar

en la resolución de problemas relacionados. Además, se empleó un método para
la aproximación de cualquier distribución de probabilidad mediante la distribución
normal utilizando el teorema central del límite, teniendo en cuenta las restricciones
que establece este en cuanto al tamaño de la muestra. Con el fin de comprobar lo
establecido por el teorema central del limite se realizaron muestras con el paquete
estadístico R. Commander de dos distribuciones diferentes (binomial y
exponencial) y se logra observar la validez de dicho teorema.