Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRESENTADO POR:
VICTOR DE LA OSSA
ESTADÍSTICA II
BARRANQUILLA-COLOMBIA
2020
INTRODUCCIÓN
OBJETIVOS
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
3.1. 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
P( X́ < 115,50)
X́−μ
P ( X́ <115,50 )=P(Z< )
σ /√n
Imagen 2. Distribución de la media muestral con aplicación del teorema central del limite
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
a) P(985< X́ <1015)
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 ( a ≤ Z ≤ b )=0.8849− (1−0.8849 )
P ( a ≤ Z ≤ b )=0.8849−0.1151=0.7698
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 ( a ≤ Z ≤ b )=0.9993− (1−0.9993 )
P ( a ≤ Z ≤ b )=0.9993−0.0007=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 )=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 ( X́ <975 )=0.0228
La media de aciertos de 100 personas seleccionadas al azar tiene una probabilidad del
76.98% de estar entre 985 y 1015 aciertos.
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
d) P ( X́ <975 )=0.0228
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
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