Facultad de Ciencias económicas

Escuela de economía

Área:
Estadística

Docente:
Mg. María del Pilar Ríos García

Tema:
Distribución de Probabilidades

Integrantes:

 Alonso Vergaray, Etny Adriel

 Torres Jiménez, Orlando
 Pinzón, Sarely
 García Neyra, Liliana
 Jiménez More, Jenny
 INDICE
1. Experimento aleatorio ............................... ¡Error! Marcador no definido.
2. Espacio muestral ....................................... ¡Error! Marcador no definido.
3. Eventos ...................................................... ¡Error! Marcador no definido.
4. Diagrama del árbol ....................................................................................... 2
5. Probabilidad simple ..................................................................................... 3
6. Regla de la adición ....................................................................................... 4
7. Probabilidad condicional P(A/B) = 𝑃(𝐴 ∩ 𝐵)𝑃(𝐵) ................................ 8
8. Probabilidad de la multiplicación .............................................................. 10
9. TEOREMA TOTAL P(B)=∑P(B ∩ 𝐴𝑖 ) = 𝛴𝑃(𝐴𝑖)𝑃(𝐵/𝐴𝑖) ..... ¡Error!
Marcador no definido.
10. TEOREMA DE BAYES : P( Ai / B) = 𝛴𝑃𝐴𝑖𝑃𝐵𝐴𝑖𝑃𝐵 .......................... 13
11. Variable aleatoria: 𝜇 𝐸𝑋 = 𝑖 = 1𝑛[𝑥𝑖 . 𝑝(𝑥𝑖)}, 𝜎2 = 𝑖 = 1𝑛[𝑥𝑖 −
𝑢2 . 𝑝(𝑥𝑖)] ....................................................................................................... 14
1. DISTRIBUCION DE PROBABILIDADES .......................................... 17
2. BINOMIAL : P (X=x) = 𝑛! 𝑥! 𝑛 − 𝑥! 𝑃𝑥 𝑞𝑛 − 𝑥 .. ¡Error! Marcador no
definido.
3. POISSON :𝑃𝑋 = 𝑥 = λx𝑒 − λ𝑥! ; λ = np ................................... 17
4. NORMAL: Z = 𝑋 − 𝜇𝜎 ......................................................................... 19
5. DISTRIBUCION T -STUDENT (Manejo de tablas ) ............................ 22
6. Chi cuadrado ( 𝑋𝑖2 (Manejo de tablas) .................................................. 23
7. Distribución F (Manejo de tablas) .......................................................... 26

1. Diagrama del árbol

¿Qué es un diagrama de estructura de árbol?

 Un diagrama de árbol es una forma de representar visualmente la jerarquía en
una estructura similar a un árbol. Normalmente, la estructura de
un diagrama de árbol consta de elementos como nodo raíz, un miembro que no tiene
superior/padre.
Ejemplo:

2. Probabilidad simple

La probabilidad de un evento A se define de la siguiente manera:

P (A) = (N° de casos favorables en que ocurre A)/(N° de resultados posibles del
experimento) = (n (A))/(n ( Ω ))

Ejemplo 1
En una empresa Z se produce dos diferentes productos. A y B, hay 600 artículos del
producto A y 700 artículos del producto B , Se escoge un artículo para su revisión
¿Cuál es la probabilidad de que esta sea del producto A?

Solución:
Sean los eventos
n = 600+ 700 = 1300
A: El articulo escogido sea del producto A
B: ----------
P(A) = (n(A))/(n ( Ω ))
= 500/1300
= 0.384

Interpretación:
La probabilidad de escoger un artículo del producto A es 0.384 o 38%

Ejemplo 2
En una encuesta realizada a 700 vendedores ambulantes de Tumbes, se encontró que
225 de ellos se dedicaban a esta actividad por que habían sido despedidos de las
empresas donde trabajaban. ¿Hallar la probabilidad de que, al seleccionar
aleatoriamente a un vendedor ambulante, este haya sido despedido de una empresa
fabril?

Solución:
P(A) = (n(A))/(n ( Ω ))

T = 700
Sea el evento
A = El vendedor seleccionado ha sido despedido de una Empresa Fabril = P(A)= 225
P(A) = (n(A))/(n ( Ω ))
= 225/700
= 0.32 x100 = 32%

Interpretación:
La probabilidad de elegir a un vendedor ambulante a causa de despido en una empresa
es de 32%

3. Regla de la adición
Evento mutuamente excluyente P (A U B) = P (A) +P (B)

A B
NOTA:
P (A U B); Describe la probabilidad del evento de que ocurra por lo menos uno de
ellos

Ejemplo 1
Si en una empresa se fabrica 400 pantalones iguales de las cuales 100 son producidas
por la maquina A ,80 son producidas por la máquina B, 130 son producidas por la
máquina C y 90 son producidas por la maquina D, si se elige una blusa. ¿Cuál es la
probabilidad de que la blusa elegida haya sido producida por la maquina C y D?

Solución:
T= 400 blusas
 Sean los eventos:

Pantalones producidas por la maquina A ⟹ P(A) = 100 /400 = 0.25

Pantalones producidas por la maquina B ⟹ P(B) = 80 / 400 = 0.2
Pantalones producidas por la maquina C ⟹ P(C) = 130 / 400 = 0.32
Pantalones producidas por la maquina D ⟹ P(D) = 90 / 400 = 0.225

Usamos la fórmula:

P( PA U B) = P(A) +P(B)

P( B U D) = P(C) +P(D)
= 0. 32 + 0. 22 = 0. 54
Interpretación:
La probabilidad de que el pantalón elegido haya sido producida por la maquina C Y
D, es de 0.54

Ejemplo 2

En un grupo de 300 personas 210 (130 mujeres y 80 hombres) ensayan para una obra
de la UNIVERSIDAD NACIONAL DETUMBES, con duración de ensayo de 5H y 90
(50 mujeres y 40 hombres) 8H. Hallar las probabilidades

Solución:

8H 5H Total
Mujeres 50 130 180
Hombres 40 80 120
Total 90 210 300

Sean los eventos

A = Las personas que ensayan 8H ⟹ P(A) = 90/300 = 0.3
B= La persona que ensaya 5H y es mujer ⟹ P(B) = 130/300 = 0.43
T= 300 personas

P(A U B) = P(A) +P(B)

= 0.3 + 0.43 = 0.73 x100 = 73 %

Interpretación:
La probabilidad es de 73 %

No mutuamente excluyente: P( AU B) = P(A ) + P(B) - P( A ∩ B)

 A B

Ejemplo 1
La probabilidad de que una persona ahorre en el banco Sullana es 0.8, la probabilidad
de que ahorre en el banco e la Nación es de 0.10 y la probabilidad de que ahorre en
ambos bancos es de 0.5 ¿Hallar la probabilidad de que una persona ahorre en algunos
bancos?

Solución:
Sean los eventos
A=Ahorro en el banco Sullana 0.8 = P (A) = 0.8
B= Ahorro en el banco de la Nación 0.10 = P (B) = 0.10
Ahorre en ambos bancos 0.5 = P(A ∩ B) =0.5

Formula
P (A U BP(A U B) = P (A) +P (B) – P (A ∩ B)

P (A U B) = P (A) +P (B) – P(A ∩ B)

= 0. 8 + 0.10 – 0.5 = 0.4 x 100= 40%
Interpretación:
La probabilidad de que una persona ahorre en algunos bancos es de 40 %

Ejemplo 2
Como parte de una encuesta en un restaurante para los empleados del negocio “Doña
Carmela”, se efectuarán anualmente encuestas de preferencia de postres, donde se
dieron los resultados que el 15% de los empleados prefieren el postre de queque de
manzana, el 24% prefiere el de naranja y el 8% prefieren de Manzana y Naranja.
¿Cuál es la probabilidad de que un empleado seleccionado al azar tenga preferencia por
ambos postres?

Solución:
Sea los eventos
A = Empleado seleccionado con preferencia del postre de Manzana 8% = P(A) = 0.08
B= Empleado seleccionado con preferencia del postre de Naranja 15% =P(B) = 0.15
Empleados que prefieren ambos postres 3% = P(A ∩ B ) = 0.03

Formula:
P (A U BP( A U B ) = P (A ) +P (B) – P(A ∩ B)

P (A U B) = P (A ) +P (B) – P(A ∩ B)
= 0.08 + 0.15 – 0.03 = 0.20
Interpretación:
La probabilidad de que u empleado tenga preferencia por ambos postres es del 3%.

𝑷(𝑨 ∩𝑩)
7. Probabilidad condicional P(A/B) =
𝑷(𝑩)

Es utilizada cuando se desea conocer la probabilidad de ocurrencia de un evento

condicionado a la aparición previa de otro.
P(B/A)
𝑃(𝐴∩𝐵) 𝑃(𝐴∩𝐵)
P(A/B)= ; P(B/A)=
𝑃(𝐵) 𝑃(𝐴)

Ejemplo 1
En la escuela de derecho, el 25% de los estudiantes desaprobaron Economia y derecho,
el 15% Derecho y el 10% desaprobaron las 2 asignaturas. Se selecciona un estudiante
al azar:
a) Si desaprobara Economía y Derecho ¿Cuál es la probabilidad de que desaprobara
Derecho?
b) Si desaprobó Derecho ¿Cuál es la probabilidad de que desaprobara Economía y
Derecho?
c) Cual es la probabilidad que desaprobara Economía y Derecho, Derecho

Solución:
Sea los sucesos
A= El estudiante haya desaprobado Economía y Derecho 25% P(A) = 0.25
B= El estudiante haya desaprobado Derecho 15% P(B) = 0.15

-(A ∩ B)= el estudiante haya desaprobado Economía y Derecho, Derecho.

-P(A)= 0,25 P(B)= 0,15 P(A ∩ B)= 0,10

-A) A/B=haya desaprobado Economía y Derecho dado que ya desaprobó Derecho
𝑃(𝐴∩𝐵) 0,10
P(A/B)= = =0,67
𝑃(𝐵) 0,15

Sea el evento
B/A=haya desaprobado Derecho PUESTO que ya desaprobó Economía y Derecho

𝑃(𝐴∩𝐵) 0,10
P(B/A)= = =0,40
𝑃(𝐴) 0,25

P(AUB ) = p(A ) + p(B) - p ( A∩ B )

= 0,25 +0,15 – 0,10
=0,30

EJEMPLO 2
Se lanza un dado no cargado, Dado que el resultado es un N° par .¿Cual es la
probabilidad de que dicho resultado sea mayor que 4 ?

Solución:

Sean los eventos

A= El resultado es impar:

B=El resultado es mayor que 4

A ∩ B = El resultado es impar mayor que 4

S = { 1 , 2 , 3 , 4 , 5 ,6 }

A= {1, 3, 5} B= {5 ,6} A ∩ B = {5}

= 3/ 6 = ½ ; = 2/6 = 1/3 ; = 1/6

𝑃(𝐴∩𝐵) 0.16
P(B/A)= = = 0.32
𝑃(𝐴) 0.5

Interpretación:

La probabilidad de que el resultado se mayor que 4, dado que el resultado fue impar es
0.32

8. Probabilidad de la multiplicación

Evento independiente: P( 𝑨 ∩ 𝑩 ) = P(A) P(B)

Dos eventos A y B, son independientes si la ocurrencia de uno no afecta la ocurrencia
del otro .
P( A∩B)=P(A) P(B)
Esto implica: P(A/B)=P(A) P(B/A)=P(B)
NOTA: Ay B independiente no significa A∩B=∅
Teorema: Si los eventos A y B son independientes
a) A y B^' Son independientes
b) A^' y B “ “

EJEMPLO 1
Un dado tiene dos cara pintada de rojo, una de verde y el resto de negro .Se lanza el
dado cuatro veces .¿Cual es la probabilidad de que en :
¿Las tres primeras veces se obtenga rojo y en la último verde?

Solución:
A = La cara obtenida es rojo
B= La cara obtenida es verde
C= La cara obtenida es negro
Donde i = 1,2,3 ,4
Las probabilidades de los eventos A ,B y C son :
P(A) = 2/ 6 = 0.33 ; P(B) = 1/6 = 0.16 ; P(C ) = 3/6 = 0.5
Todos los eventos son independientes
P ( A1 ∩ A2 ∩ A3 ∩ B4 ) = P(A1) P(A2 ) P(A3 ) P(B4 )
= 2/6x 2/6x 2/6x 3/6 = 24/648

Interpretación:
La probabilidad de las tres primeras veces se obtenga rojo y en la último verde es de
0.037

Evento dependiente: P( 𝑨 ∩ 𝑩 ) = P(A) P(B/ A)

Dos eventos A y B, son dependientes si la ocurrencia de uno si afecta la ocurrencia
del otro.
Sea 2 eventos A y B, si B depende de A
P(A ∩ B)=P(A)P(B/A)
Ejemplo 1

De una baraja de 40 cartas, se extraen dos en forma sucesiva y si reposición. ¿Calcule la

probabilidad de que ambas cartas son de corazones?

Solución:

13
P(A) = Salir corazones en la 1era extraída =
40

P(B/A)= Salir corazones en la 2da extracción, habiendo salido corazones en la 1era

12
extracción = =
39

P(A ∩ B)=P(A)P(B/A)
13 12 156
= ( )= = 0.1
40 39 1560

Interpretación:

La probabilidad de que ambas cartas son de corazones es de 0.1

Ejemplo en aula

Una caja contiene 5 canicas Rojas ,2 canicas verde y 1 canica azul. Una canica es
eliminada de la caja y no es reemplazada, otra canica se saca de la caja. ¿Cuál es la
probabilidad de que la 1ra canica sea azul y la 2da canica sea verde?
Solución:

Espacio muestral es (8) y la 2da su espacio es (7) a si los eventos son dependientes.

P(Azul luego verde ) = P(Azul )P(verde)

P(A ∩ B)=P(A)P(B/A)
1 2 2
= ( )=
8 7 56

Interpretación:

La probabilidad de que la 1ra canica sea azul y la 2da canica sea verde 0.035

𝑩
𝜮𝑷(𝑨𝒊 )𝑷(𝑨 )
𝒊
9. TEOREMA DE BAYES : P( Ai / B) =
𝑷(𝑩)

Ejemplo 1:

Una empresa ensambladora de televisores, usa parte que provienen de 3 proveedores P1,
P2 y P3. De 5000 partes recibidas 2000 provienen de P1, 1600 de P2 y el resto de P3. De
experiencias pasadas, el ensamblador sabe que las partes defectuosas que provienen de
P1, P2 y P3 son respectivamente 2% ,3% y 4%. Si se elige un televisor al azar:
a) ¿Cuál es la probabilidad de que contenga una parte defectuosa?
b) Y si contiene una parte defectuosa ¿Cuál es la probabilidad de que haya sido
provisto por P2?
Solución:

Sean los eventos:

A: parte proviene del proveedor Pi, i = 1,2,3

B: Parte defectuosa

Donde:

5000 1600 1400

P(A1) = = 2.5 ; P(A2) = = 0.8 ; P(A3) = =0.7
2000 2000 2000

𝑃(𝐵/𝐴1 ) = 0.02 ; 𝑃(𝐵/𝐴2 ) = 0.03 ; 𝑃(𝐵/𝐴3 ) = 0.04

A) Aplicando la regla de la probabilidad total

P(B)=∑P(B ∩ 𝐴𝑖 ) = 𝛴𝑃(𝐴𝑖 )𝑃(𝐵/𝐴𝑖 )

P(B) = (𝐴1 )𝑃(𝐵/𝐴1 ) + (𝐴2 )𝑃(𝐵/𝐴2 ) +(𝐴3 )𝑃(𝐵/𝐴3 )
= 2.5 ( 0.02 ) + 0.8 (0.03 ) + 0.7 (0.04 )
= 0.05+0.024+0.028
=0.354

B) Aplicando teorema de bayes se obtiene :

𝛴𝑃(𝐴𝑖 )𝑃(𝐵/𝐴𝑖 )
P( Ai / B) =
𝑃(𝐵)

𝑃(𝐴2 )𝑃(𝐵/𝐴2 )
P( A2 / B) =
𝑃(𝐵)
0.8(0.03)
= = 0.0677966101694
0.354
 10. Variable aleatoria: 𝝁 𝑬(𝑿) = ∑𝒏𝒊=𝟏[ 𝒙𝒊 . 𝒑(𝒙𝒊 )}, 𝝈𝟐 =
∑𝒏𝒊=𝟏[(𝒙𝒊 − 𝒖)𝟐 . 𝒑(𝒙𝒊 )]
Ejemplo 1:

Las ventas por hora de una maquina automática puede ser de 25, 26 o 27 cajetillas de
cigarro con probabilidad de 0.2; 0.3 y 0.4 respectivamente. ¿Cuál es la venta esperada
por hora para esta máquina? ¿Cuál es la varianza de ventas por hora?

Solución:

X = ventas por hora de cigarrillos.

X 25 26 27
f (X ) 0.2 0.3 0.4
a) Valor esperado
X f (xi) Xi f(xi) [ Xi – E(xi ) )2 𝑓𝑖
25 0.2 5 [ 25 – 23.6 )2 0.2=0.392
26 0.3 7.8 1.728
27 0.4 10.8 4.624
0.9 23.6 6.744

E(xi) = ∑ 𝑥𝑖 𝑓(𝑥𝑖) = 23.6

Interpretación
La venta esperada por hora es de 23.6 cajetillas

V(Xi) = [ Xi – E(xi ) )2 𝑓𝑖 = 6.744

Interpretación:

La varianza de ventas por hora es de 0.49 cajetillas.

Desviación estándar
√0.49 = 𝜎

Ejemplo 2:

El señor Gonzales ofrece tres tamaños de pasteles (pequeño, mediano, grande) como
complemento de los almuerzos que vende. Los pasteles se venden a 60, 80 y 90
céntimos, respectivamente. De los pedidos, 20% son para el tamaño pequeño, 70% para
mediano y 10% para el grande. . Organice el tamaño de los pasteles y la probabilidad
de una venta dentro de una. Organice el tamaño de los pasteles y la probabilidad de una
venta dentro de una distribución probabilística.
a) ¿Es esta
𝑋 𝑝(𝑋) 𝑋. 𝑝(𝑋) 𝑋 − 𝑢 (𝑋 − 𝑢)2 . 𝑝(𝑋)
una
distribución del
tipo discreto? 60 20% = 0.2 12 -17 57.8 ¿por
qué?
80 70% = 0.7 56 3 6.3

90 10% = 0.1 9 13 16.9

77 81

b) Calcule la cantidad media cobrada por un pastel.

c) ¿Cuál es la varianza de los cobros por el pastel?

Solución:

a) Es el tipo discreta porque los valores de venta son puntuales.

b) La media cobrada por un pastel es 77 céntimos.
c) La varianza por los cobros por pastel es 81

1. DISTRIBUCION DE PROBABILIDADES

𝛌 𝐱 𝒆− 𝛌
2. POISSON :𝑷(𝑿 = 𝒙) = ; 𝛌 = 𝐧𝐩
𝒙!
FUNCION DE PROBABILIDAD
𝜆𝑥 𝑒 −𝜆
F(x)=P(X=x)= X=0,1,2 ,3,……
𝑥!

En donde:
X : Número de veces que ocurre el evento

𝜆 : Número medio de ocurrencias en una unidad de tiempo o volumen

e : 2.71828

Media y Varianza de poisson

𝜇 = 𝜆 (Media)
𝜎 2 = 𝜆 (Varianza)
Fórmula:

𝛌𝐱 𝒆− 𝛌
𝐹 (𝒙) = 𝑷(𝑿 = 𝒙) =
𝒙!
𝑿 = 𝟎, 𝟏, 𝟐, 𝟑 … 𝒏
Dónde:

𝑋: Número de veces que ocurre el evento.

λ: Número medio de ocurrencias en una unidad de tiempo o volumen.
e: 2.71828 (Base del sistema de logarito natural)..
Ejemplo 1:

Un estudiante estudia a distancia y comete errores en promedio por página de un trabajo

monográfico. ¿Cuál es la probabilidad de que cometa 6 errores en un trabajo de 10
páginas?

Solución:
λ = 10 promedio de errores en 10 paginas
X= 6 N° de errores en 10paginas
𝜆𝑥 𝑒 −𝜆
P(X=x)=
𝑥!
106 𝑒 −10 45.399
P(X=3)= = = 7.5665
6! 6

Interpretación:
La probabilidad de que el estudiante cometa 6 errores en 10 paginas es 7.56%

Ejemplo 2:

Supongamos que el 5% de los objetos fabricados en una empresa sean defectuosos.

¿Calcule la probabilidad de que haya 4 objetos defectuosos en una muestra de 100
objetos?
Solución:
 𝜆𝑥 𝑒 −𝜆
𝑃(𝑥) =
𝑋!
Se trata de una distribución binomial con 𝑝 = 0.05, 𝑛 = 100; pero como 𝑝 es pequeño
y 𝑛 es grande se puede utilizar Poisson donde:

X: Numero de objetos defectuosos.

λ = np → 𝜆 = 100(0.05) = 5

54 𝑒 −5
𝑃(𝑋 = 3) = = 0.1755
4!

Haciendo uso de las propiedades y de la tabla que debemos buscar: 𝜆 = 5, entonces:

USANDO PROPIEDAD

 Exactamente P (x = a) → P (x ≤ a) − P (x ≤ a − 1)
P (x = 4) = P (x ≤ 4) − P (x ≤ 3)
P (x = 4) = 0.4405 − 0.2650
P (x = 4) = 0.1755
Interpretación:

Por lo tanto, la probabilidad de que haya 4 defectuosos es del 17,55%.

λ = 5 ; X= 4

𝑿− 𝝁
3. NORMAL: Z =
𝝈

Fórmula: Función de densidad

1 1 x−μ
f(x) = e−2 ( 2 ) −∞<∞
σ√2π σ
Donde:
𝜇: 𝑀𝑒𝑑𝑖𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙
 𝜎 2 : 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑃𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙
𝜋: 3.14159
𝑒: 2.71828

MEDIA Y VARIANZA
Normal estándar:
X−μ
Z= ; Media → μz = 0 ; Varianza → σ2z = 1
σ

PROPIEDADES
 𝑃(𝑧 < 𝑎) = 𝐹(𝑎)
 𝑃(𝑧 > 𝑎) = 1 − 𝑃(𝑍 < 𝑎)
 𝑃(𝑎 < 𝑧 < 𝑏) = 𝐹(𝑏) − 𝐹(𝑎)
 𝑃(𝑧 < −𝑎) = 1 − 𝑝(𝑧 < 𝑎)
 𝑃(𝑧 > −𝑎) = 𝑃(𝑧 < 𝑎)

Ejemplo 2
El tiempo de maquina necesario para producir una unidad del producto A esta
distribuido normalmente con una media de 45 minutos y una desviación estándar de 4
minutos . Se debe fabricar una partida de 2000 unidades de A
a) ¿Cuántas unidades requerirán de un tiempo de máquina de 47 minutos?
b) ¿Cuántas unidades requerirán de un tiempo de máquina de no menor de 42
minutos ni mayor de 47 minutos?

Solución:

Distribución Normal
μ = 45 mint
𝜎= 4 mint
X−μ
N = 2000 𝑃(𝑧 > 𝑎) = 1 − 𝑃(𝑍 < 𝑎) ; Z =
σ

X−μ 47 −45
P( (𝑧 > 47) = P( > )
σ 5
= P ( Z > 0.5 )
= 1 − 𝑃(𝑍 < 5)
= 1 - 0.6915 = 0.3085
2000(0.3085) = 618

Interpretación:
618 son las unidades del producto A que necesitan un tiempo de máquina de más de
47 minutos

B) 𝑃(𝑎 < 𝑧 < 𝑏) = 𝐹(𝑏) − 𝐹(𝑎); 𝑃(𝑧 < −𝑎) = 1 − 𝑝(𝑧 < 𝑎)

𝑃( 42 < 𝑧 < 47)=

X−μ 42 −45
𝐴= == = - 0.6
σ 5
X−μ 47 −45
𝐵= == = 0.4
σ 5

𝑃( 42 < 𝑧 < 47)= 𝑃(− 0.6 < 𝑧 < 0.4 )

= P( 𝑍 < 0.4) - P( 𝑍 < − 0.6 )
= 0.6554 – [ 1 − 𝑝(𝑧 < 0.6)]
= 0.6554 – 1 +0.7257 = 0.3811
2000 (0.3811) = 762

Ejemplo 2
Los coeficientes de inteligencia (CI) de un grupo de pacientes, tienen aproximadamente
una distribución normal ,con una media de 90 y una desviación típica de 10 .Se pide :
a) Hallar la proporción de pacientes con CI mayores que 117
b) ¿Cuál es la probabilidad de que un paciente elegido al azar entre los de esa población,
tenga una CI no menos de 82 ni mayor de 102?

Solución:
a) Se X= Coeficiente de inteligencia
𝜇 = 90 𝜎=10 . P( X ≥ 117)
𝑋− 𝜇 117−90
Utilizar Z = = =2.7
𝜎 10

P(Z ≥2.7)= P(Z >a) = 1- P(z<a)

P(Z ≥2.7)=1- P(z<2.7)
 = 1 - 0.9965
=0.0035 = 0.35%
Interpretación:
La población de pacientes con CI mayores que 117, es de 0.35%

b) 𝑃( 82 < 𝑧 < 102)=

X−μ 82 −90
𝐴= == = - 0.8
σ 10
X−μ 102 −90
𝐵= == = 1.2
σ 10

𝑃( 82 < 𝑧 < 102)= 𝑃(− 0.8 < 𝑧 < 1.2 )

= P( 𝑍 < 1.2) - P( 𝑍 < − 0.8 )
= 0.8849 – [ 1 − 𝑝(𝑧 < 0.8)]
= 0.8849– 1 +0.7881
= 0.673

Interpretación:
La probabilidad de que un paciente elegido al azar entre los de esa población, tenga
una CI no menos de 82 ni mayor de 102 es de 0.673%

4. DISTRIBUCION T -STUDENT (Manejo de tablas )

Función de densidad
𝑟+1
𝛤( ) 𝑡2 (𝑟 + 1)⁄
f(t)= 2
[1+ ] 2 , −∝< 𝑡 <∝
𝑟
√𝜋 𝛤( 𝑟 )
2

Función de distribución
∝
F(𝑥0 ) = ∫−∝ 𝑓(𝑥)𝑑𝑥
Esperanza varianza
𝜇
E(x)=0 v(x)=
𝜇−2

Fórmula:
Función de densidad

𝑟+1 𝑟+1
2 ( 2 )
𝑟( ) 𝑡
𝑓(𝑡) = 2 [1 + ] , −𝛼 < 𝑡 < 𝛼
𝑟 𝑟
√𝜋 𝑟 (2)

CARACTERÍSTICAS

 Se usa para muestras pequeñas (n ≤ 30) y la desviación estándar no se conoce.

 La variable toma valores positivos y negativos.

 La distribución t es continua y simétrica alrededor de su valor esperado (t=0).

 Tiene como único parámetro a los grados de libertad r.

 A medida que aumenta el número de grados de libertad, la varianza se aproxima

a 1 y la distribución t se aproxima a la normal estandarizada.

ESPERANZA Y VARIANZA
𝐸𝑠𝑝𝑒𝑟𝑎𝑛𝑧𝑎 → 𝐸(𝑋) = 0
𝜇
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 → 𝑣(𝑥) =
𝜇−2

PROPIEDADES
 𝑃(𝑡(𝑟) < 𝑎) = 𝐹(𝑎)

 𝑃(𝑡(𝑟) > 𝑎) = 1 − 𝑃(𝑡(𝑟) < 𝑎)

 𝑃(𝑡(𝑟) 𝑎 < 𝑧 < 𝑏) = 𝐹(𝑏) − 𝐹(𝑎)

 𝑃(𝑡(𝑟) < −𝑎) = 1 − 𝑃(𝑡(𝑟) > 𝑎)

 𝑃(𝑡(𝑟) > −𝑎) = 𝑃(𝑡(𝑟) < 𝑎)

Ejemplo 1: 𝑃(𝑡(𝑟) > 𝑎) = 1 − 𝑃(𝑡(𝑟) < 𝑎)

P( 𝑡18 > 1.734 ) = 1 – P( 𝑡18 ≤ 1.734 )

= 1 – 0.95 = 0.05

5. Chi cuadrado ( 𝑿𝟐𝒊 (Manejo de tablas)

Ejemplo 1:

Una fábrica cuenta con tres máquinas para la producción de un mismo producto.
Durante la última semana de producción se han producido 135 artículos. El jefe de
producción cree que las máquinas no producen en cantidades similares. Por lo que ha
solicitado clasifiquen cada producto según la máquina que la ha producido. A
continuación se presenta la tabla de frecuencia de las cantidades producidas por cada
máquinaria.

Use nivel de significación 5% para probar si la cantidad producida es la misma en las

3 máquinas.

Solución:
1) PLANTEAMOS HIPÓTESIS:
Ho: La cantidad producida es la misma en las tres máquina.
H1: L a cantidad producida es distinta en las tres máquinas.

2) NIVEL DE SIGNIFICACIÓN:
5%

3) CÁCULO ESTADÍSTICO DE PRUEBA:

4) CRITERIOS DE DECISIÓN:
2
𝑋 𝑐 = 2.3111
2
𝑋 𝑐𝑟𝑖𝑡 = 5.9915
2 2
𝑋 𝑐 < 𝑋 𝑐𝑟𝑖𝑡
Entonces no se rechaza la hipótesis nula
5) CONCLUSIÓN:
A un nivel de significación del 5%, no se puede rechazar que la cantidad producida es
la misma en las 3 máquinas.
Con un nivel de significación de 5% no existe suficiente evidencia estadística para
rechazar la hipótesis nula, es decir no se puede afirmar que las tres máquinas no
producen lo mismo.

Ejemplo 2:

El gerente de ventas de una compañia P&C afirma que todos sus vendedores realizan
el mismo número de visitas durante el mismo período de tiempo. Una muestra
aleatoria de 5 registros de los vendedores en una semana dada reveló el siguiente
número de visitas.
Con el nivel de significación de 0.05, ¿es razonable aceptar la afirmación del
gerente?

- 𝐻𝑜: ℎ𝑎𝑐𝑒𝑛 𝑒𝑙 𝑚𝑖𝑠𝑚𝑜 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑖𝑠𝑖𝑡𝑎

- 𝐻𝑎: ℎ𝑎𝑐𝑒𝑛 𝑚𝑒𝑛𝑜𝑟 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑖𝑠𝑖𝑡𝑎𝑠
-Gráfica: unilateral y cola a la derecha:

- Nivel de significación 0.05

-Variables cualitativas —-> chi cuadrado
-𝑔𝑙 = 𝑘 − 1 = 5 − 1 = 4
2
Entonces ∶ 𝑋 (4) = 9,49

1)

2 (23 − 26)2 (29 − 26)2 (25 − 26)2 (23 − 26)2 (30 − 26)2
𝑋 (4) = + + + +
26 26 26 26 26

= 0,35 + 0,35 + 0,04 + 0,35 + 0,62

 2
𝑋 (4) = 1,7

- Acepta la hipótesis nula por que realizan el mismo número de visitas.

6. Distribución F (Manejo de tablas)

Ejemplo 1:

En una empresa se tienen dos tornos de diferente antigüedad, lo que hace

pensar que las varianzas no son iguales. ¿Cuál es la probabilidad de que la
relación entre las varianzas sea igual a 3? Se sabe que los grados de libertad son
iguales a 10.

Fórmula:

Datos:
X=3 a=10 b=10

Lo reemplazaremos por partes:

𝑎+𝑏 10+10
1) 𝑟( )= 𝑟 ( ) = 𝑟(10) = 9!
2 2
𝑎 10
𝑎 𝑏 10 2
2) (𝑏 ) = (10) = 15 = 1

𝑎 10
3) 𝑥 2−1 = 3 2 −1
= 81
 𝑎 10
4) 𝑟 ( ) = 𝑟 ( ) = 𝑟(5) = 4!
2 2

𝑏 10
5) 𝑟 ( ) = 𝑟 ( ) = 𝑟(5) = 4!
2 2

𝑏 10+10
𝑎 𝑎+ 10
2 2
6) (1 + 𝑏 𝑥) = (1 + 3) = 410
10

Reemplazamos estos datos en la fórmula=

(9!)(1)(81)
𝑓(3; 10; 10) = (4!)(4!)(410) = 0.048666

Respuesta:
- La probabilidad para que la relación entre las varianzas sean igual a 3 es de
0.048666.

Ejemplo 2:

Considere dos muestras de poblaciones que tienen la misma varianza poblacional. Si

la muestra 1 tiene tamaño n1 = 5 y la muestra 2 tiene tamaño n2 = 10, determine la
probabilidad teórica que el cociente de sus varianzas respectivas sea menor o igual a
2.

Solución:
1) Se nos dice que las varianzas poblacionales son iguales, por lo que para este
ejercicio se aplica:

2) Necesitamos conocer el área bajo la distribución F entre 0 y 2, el cual puede

obtenerse por tablas o geogebra. Para esto ha de tenerse en cuenta que la distribución
F requerida tiene:

𝑑1 = 𝑛 − 1 = 5 − 1 = 4
𝑑2 = 𝑛 − 1 = 10 − 1 = 9
 Es decir la distribución F con grados de libertad (4, 9).

Respuesta: Mediante el uso de la herramienta estadística de geogebra se determinó

que esta área es 0.82, por lo que se concluye que la probabilidad que el cociente de
varianzas muestrales sea menor o igual a 2 es del 82%.