Curso Intersemestral Probabilidad y Estadística

Lic. Oscar De Jesús Trinidad Ovalle Reyna

UNIDAD I.- PROBABILIDAD

I.- Principio Fundamental de Conteo
1.1- Permutaciones
Teorema 1.1.1 Si una operación consta de 𝑘 pasos, de los cuales el primero se puede llevar
acabo de 𝑛1 maneras, para cada una de estas el segundo paso se puede efectuar de 𝑛2 , para
cada una de las primeras dos el tercer paso se puede efectuar en 𝑛3 maneras y así
sucesivamente, entonces la operación completa se puede realizar en 𝑛1 ∙ 𝑛2 ∙ … ∙ 𝑛𝑘 maneras.

Este tipo de situaciones se puede representar con un diagrama de árbol, el cual proporciona
un enfoque sistemático del problema.
La representación de un diagrama de árbol es la siguiente, supongamos que lanzamos una
moneda dos veces, entonces:

En este caso podemos observar que la primera moneda puede caer de dos maneras distintas
cara o cruz y la segunda moneda puede caer también de dos maneras diferentes cara o cruz,
siguiendo el teorema anterior, el número de maneras distintas que puede caer las dos
monedas seria:
2∙2=4
En donde 𝑛1 = 2 representa las maneras distintas de caer de la primera moneda y 𝑛2 = 2 son
las diferentes maneras que puede caer la segunda moneda.
Se puede observar que el diagrama de árbol también nos representa esas 4 formas distintas
de caer las monedas.
NOTA: El diagrama de árbol ya no es muy útil para representar eventos con más de dos
sucesos, ya que se hace muy largo de realizar.
➢ Por ejemplo, supongamos que se quiere realizar un diagrama de árbol para el evento en el
cual una persona debe elegir que como vestirse para ir a una entrevista de trabajo, en la
cual debe seleccionar un pantalón de color blanco, negro y verde, una camisa de color
morada, blanca, amarilla y verde y un par de zapatos de color blanco y negro, su
representación sería la siguiente:

En este caso se puede observar que es muy tardado hacer el diagrama de árbol, ahora
supongamos que se tiene que escoger entre 4 corbatas distintas y 2 cintos diferentes, el
problema se haría más complicado de representar, por eso es importante utilizar para este
tipo de problemas el teorema 1.1, en este caso sería de la siguiente manera:
Si 𝑛1 = 3 representa los diferentes pantalones, 𝑛2 = 4 representa las camisetas y 𝑛3 = 2
representa los diferentes zapatos, entonces en número de maneras distintas en que se puede
vestir la persona es:
𝑛1 ∙ 𝑛2 ∙ 𝑛3 = 3 ∙ 2 ∙ 4 = 24
Se podría vestir de 24 formas distintas.
Ejemplo 1) Se lanza una moneda y un dado al mismo tiempo, ¿De cuentas formas diferentes
pueden caer?
Ejemplo 2) ¿De cuantas maneras diferentes se puede contestar todas las preguntas de una
prueba de falso o verdadero que consta de 20 preguntas?
Definición 1.1.1- Cada uno de los arreglos que pueden hacerse con una parte de los elementos
o con todos los elementos de un conjunto se llama una permutación.

Teorema 1.1.2.- El número de permutaciones de 𝒏 objetos diferentes es 𝒏!

NOTA 1: Es importante recordar que n! representa un numero factorial y este se calcula con la
fórmula: 𝑛! = 𝑛 ∙ (𝑛 − 1) ∙ (𝑛 − 2) ∙ … ∙ 3 ∙ 2 ∙ 1
NOTA 2: Por definición 1!= 1 y 0!=1.
NOTA 3: Para los problemas de permutaciones, de n-objetos diferentes, no se permite la
repetición.
Ejemplos:
1) 3! = 3 ∙ 2 ∙ 1 = 6
2) 6! = 6 ∙ 5 ∙ 4 ∙ 3 ∙ 2 ∙ 1 = 720

Ejemplos

1) ¿Cuántas permutaciones hay de las letras a, b y c?

Por ser 3 elementos diferentes: 3! = 3 ∙ 2 ∙ 1 = 6
Existen 6 formas distintas de arreglarse y las cuales se pueden representar
{𝑎𝑏𝑐, 𝑎𝑐𝑏, 𝑏𝑎𝑐, 𝑏𝑐𝑎, 𝑐𝑎𝑏, 𝑐𝑏𝑎}.

2) Hallar un numero diferente( de enteros diferentes) de tres cifras que pueden formase
con los dígitos 2,3,5,7 en los casos siguientes:
a) No se permite la repetición
b) Se permite la repetición

3) En un cierto estado las placas de automóvil constan de 5 lugares, los dos primeros se
llenan con cualquiera de las 26 letras del alfabeto y los 3 últimos lugares se llenan con
cualesquiera de los 10 dígitos del 0 al 9, inclusive con la excepción de que el cero no
puede usarse en el tercer lugar. Calcular el número total de placas diferentes que
pueden formarse si no se permiten la repetición de letras ni de dígitos.
Teorema 1.1.3.- El número de permutaciones de n objetos diferentes tomados r a la vez es:
𝒏 𝒏!
𝑷( ) = 𝒑𝒂𝒓𝒂 𝒓 = 𝟎, 𝟏, 𝟐, … , 𝒏
𝒓 (𝒏 − 𝒓)!

Ejemplos
1) De entre los 24 miembros de un club se sacan 4 nombres para los puestos de
presidente, vicepresidente, tesorero y secretario ¿De cuántas maneras diferentes se
puede hacer esto?

Solución: tomamos n=24 el total de personas y r=4 las personas que se seleccionan
para los puestos entonces:
24 24! 24! 24 ∙ 23 ∙ 22 ∙ 21 ∙ 20!
𝑃( ) = = = = 24 ∙ 23 ∙ 22 ∙ 21 = 255,024
4 (24 − 4)! 20! 20!

Se puede realizar de 255,024 maneras distintas.

2) Si la FIFA tiene solicitudes de 6 países para ser el anfitrión del campeonato mundial de
futbol en los años 2022 y 2026. De cuantas maneras puede seleccionarse al anfitrión
de este campeonato si :
a) Si ambos no se van a celebrar en el mismo país
b) Si ambos pueden realizarse en el mismo país

3) ¿De cuantas maneras puede una sección local de la sociedad matemática programar a
tres conferencistas para tres conferencias diferentes, si todos ellos están disponibles
en cualquiera de cinco fechas posibles?

Teorema 1.1.4.- El número de permutaciones de n objetos diferentes arreglados en un círculo

es (𝒏 − 𝟏)!

Ejemplos
1) ¿De cuántas formas diferentes se pueden arreglar 8 perlas de colores para formar un
collar?

2) ¿De cuántas formas diferentes se pueden sentar 6 personas en una mesa circular?

3) Un grupo de 5 niñas y 5 niños se van a sentar alternándose ellas con ellos. Calcular el
número de maneras distintas que esto se puede hacer si:
a) Las sillas están en línea recta
b) Las sillas están en circulo
 Teorema 1.1.5.- El número de permutaciones de n objetos de los cuales 𝒏𝟏 son de una
clase, 𝒏𝟐 son de una segunda clase,… , 𝒏𝒌 son de la k-esima clase y además 𝒏𝟏 + 𝒏𝟐 +
⋯ + 𝒏𝒌 = 𝒏 , es:
𝒏!
𝒏𝟏 ! ∙ 𝒏𝟐 ! ∙ … ∙ 𝒏𝒌 !

Ejemplos
1) Se forman señales con 8 banderas de colores colocadas una sobre otra en un
asta. Calcular el número de señales diferentes que pueden formarse con las 8
banderas si 3 son rojas, 2 blancas y el resto azules.

2) Se tiene 6 libros de matemáticas y 5 libros de física, hallar el número total de

formas diferentes en que pueden arreglarse en un estante.

3) ¿De cuantas maneras diferentes pueden arreglarse 5 libros de matemáticas y

4 libros de física en un estante, de modo que los libros de cada materia estén
contiguos?

1.2.- Combinaciones

Definición 1.2.1.- Cada uno de los diferentes grupos que pueden formarse tomando todos o
parte de los elementos de un conjunto, sin considerar el orden de los elementos tomados, se
llama combinación.

Teorema 1.2.1.- El número de combinaciones de n objetos diferentes tomados de r en r está

dado por:

𝑛 𝑛!
𝐶( )= 𝑝𝑎𝑟𝑎 𝑟 = 0,1,2, … , 𝑛
𝑟 (𝑛 − 𝑟)! ∙ 𝑟!

Ejemplos
1) Se va a escoger un comité de 5 alumnos entre 7 alumnos de decimo semestre y 6
alumnos de 9 semestre. Calcular el número de tales comités si deben contener
a) Exactamente 3 alumnos de decimo semestre
b) Por lo menos 3 alumnos de decimo semestre

2) Una bolsa contiene 4 bolas blancas, 2 negras y 2 rojas. Calcular el número de formas
en que se pueden seleccionar 5 bolas de modo que 2 sean blancas, 1 sea negra y 2
sean rojas.

3) En cuantas formas diferentes puede escogerse un comité de 6 personas entre 12

personas si 2 personas determinadas no pueden aparecer en el comité.
II.-Probabilidad
En estadística se acostumbra denominar experimento a cualquier proceso de observación o
medición. Los productos de un experimento se conocen como resultados del experimento. Al
conjunto de todos los resultados de un experimento se le conoce como espacio muestral y
suele representarse con la letra S. cada resultado de un espacio muestral se llama elemento.
Los espacios muéstrales se suelen clasificar de acuerdo al número de elementos que contiene
en finitos, contables, contables discretos y continuos.
Un evento es un subconjunto de un espacio muestra.
Ejemplo
1) Se lanzan dos monedas al aire, describa el evento que salgan resultados alternados,
identifica los elementos anteriores.

Experimento: lanzamiento de monedas

Resultados: águila o sol

Espacio muestral: {𝐴𝐴, 𝐴𝑆, 𝑆𝑆, 𝑆𝐴}

Elementos: águila-águila o sol-sol o águila-sol o sol-águila

Evento: {𝐴𝑆, 𝑆𝐴}

Postulados de Probabilidad
1) La probabilidad de un evento es un número real no negativo, esto es, 𝑃(𝐴) ≥ 0
para cualquier subconjunto A de S.

2) La probabilidad del espacio muestra S es 1, esto es, 𝑃(𝑆) = 1

3) Si 𝐴1 , 𝐴2 , 𝐴3 , … , es una secuencia finita o infinita de eventos mutuamente

excuyelentes( que no tienen elementos en común) de un espacio muestral S
entonces: 𝑃(𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪∙∙∙ ) = 𝑃(𝐴1 ) + 𝑃(𝐴2 ) + 𝑃(𝐴3 ) + ∙∙∙

Ejemplos
1) Si lanzamos dos veces una moneda balanceada ¿cuál es la probabilidad de sacar al
menos una cara?

2) Un dado está arreglado de manera que cada número impar tiene el doble de
probabilidad de ocurrir que un número par. Encuentre la probabilidad de que un
número mayor de 3 caiga en un solo tiro.
 Teorema 2.1.- Si un experimento puede resultar en cualquiera de N resultados
diferentes igualmente probables y si n de estos resultados juntos constituye el evento
A, entonces la probabilidad del evento A es:
𝑛 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑜 𝑎𝑐𝑖𝑒𝑟𝑡𝑜𝑠
𝑃(𝐴) = =
𝑁 𝑐𝑎𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠

Ejemplos
1) Calcular la probabilidad de que ocurra que salgan dos cruces en el lanzamiento de tres
monedas al azar

2) Calcular la probabilidad de que si al lanzar dos dados la suma de sus caras sea 7

3) De una bolsa que contiene 4 bolas blancas, 2 negras y 3 rojas, se sacan 5 bolas al azar.
Calcular la probabilidad de que 2 sean blancas, 1 sea negra y 2 sean rojas.

4) De una baraja de 52 cartas se va a repartir una mano de 5 cartas. Calcular la

probabilidad de que se forme:
a) formar un póker
b) formar un par
c) formar una tercia

Reglas de Probabilidad
1) Si 𝐴 𝑦 𝐴𝑐 son elementos complementarios en un espacio muestral entonces:
𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴)

2) 𝑃(∅) = 0 para cualquier espacio muestral S (∅ 𝑒𝑠 𝑒𝑙 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑣𝑎𝑐𝑖𝑜)

3) Si A y B son eventos en un espacio muestral S y A es subconjunto de B (𝐴 ⊂ 𝐵)

entonces 𝑃(𝐴) ≤ 𝑃(𝐵)

4) Para cualquier evento A su probabilidad esta entre el 0 y el 1 : 0 ≤ 𝑃(𝐴) ≤ 1

5) Regla general de la adición: si A y B son dos eventos en el espacio muestral S,

entonces: 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

Ejemplos
2
1) La probabilidad de que Oscar apruebe matemáticas es de 3 y la probabilidad de que
4 1
apruebe inglés es 9 . si la probabilidad de que apruebe ambos cursos es de 4 ¿Cuál es la
probabilidad de que Oscar apruebe al menos uno de los dos cursos?
 2) En una escuela preparatoria se gradúan 100 estudiantes, 54 estudiaron matemáticas,
69 historia y 35 ambas materias, si se selecciona al azar un de estos estudiantes,
encuentre la probabilidad de que:
a) Se haya dedicado a matemáticas o historia
b) No haya cursado ninguna de estas materias

3) Cerca de cierta salida de la carretera, las probabilidades son 0.23 y 0.24, de que un
camión parado en un retén tendrá frenos defectuosos o neumáticos muy gastados.
También la probabilidad de 0.38 de que un camión tendrá lo frenos defectuosos o las
neumáticos muy gastados. ¿Cuál es la probabilidad de que un camión parado en este
reten tendrá lo frenos defectuosos así como los neumáticos muy gastados?

4) De una baraja de 52 cartas se sacan dos cartas en sucesión, calcular la probabilidad de

que
a) Las dos cartas sean diamantes si se regresa la primer carta a la baraja
b) Las dos cartas sean diamantes si no se regresa la primer carta
c) Las dos cartas no son diamantes

2 3
5) La probabilidad de que A y B resuelvan un determinado problema son 𝑦
3 4
respectivamente. Hallar la probabilidad de que el problema sea resuelto cuando
menos por uno de los dos.

• Probabilidad Condicional

Definición 2.2.- Si A y B son dos eventos cualesquiera en un espacio muestral S y 𝑃(𝐴) ≠ 0,

la probabilidad condicional de B dado A es:
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵⁄𝐴) =
𝑃(𝐴)

La probabilidad condicional se calcula cuando el segundo evento es dependiente del primer

evento ocurrido.
Ejemplos
1) Una organización de investigación de los consumidores ha estudiado los servicios con
garantía proporcionados por las 50 agencias de automóviles nuevos en una cierta
ciudad y en la tabla siguiente se resumen sus hallazgos

Buen servicio de garantía Mal servicio de garantía

En operación por 10 años o 16 4
más
En operación menos de 10 10 20
años
 Si una persona selecciona aleatoriamente una de estas agencias de automóviles
nuevos ¿cuál es la probabilidad de que seleccione una que proporcione un buen
servicio de garantía? También si una persona selecciona aleatoriamente una de las
agencias que han operado por 10 años o más ¿cuál es la probabilidad de que
seleccione una agencia que proporcione buen servicio de garantía?

2) Un dado está arreglado de manera que cada número impar tiene el doble de
probabilidad de ocurrir que un número par. ¿cuál es la probabilidad de que el número
de puntos tirados sea un cuadrado perfecto? Y también ¿cuál es la probabilidad que
sea un cuadrado perfecto dado que es mayor a 3?

3) La siguiente es una clasificación, según el género y el nivel de escolaridad, de una

muestra aleatoria de 200 adultos

Escolaridad Hombre Mujer

Primaria 38 45
Secundaria 28 50
universidad 22 17

Si se elige una persona al azar de este grupo. ¿Cuál es la probabilidad de que …

a) La persona sea hombre dado que su escolaridad es secundaria?
b) La persona no tenga un grado universitario dado que es mujer?

Teorema 2.3.- Si en un experimento pueden ocurrir los eventos A y B, entonces:

𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨) ∙ 𝑷(𝑩⁄𝑨) 𝒔𝒊𝒆𝒎𝒑𝒓𝒆 𝒒𝒖𝒆 𝑷(𝑨) > 𝟎

Ejemplos
1) Suponga que tenemos una caja de fusibles que contienen 20 unidades, de las cuales 5
están defectuosas. Si se seleccionan 2 fusibles al azar y se retiran de la caja, uno
después de otro, sin remplazarla el primero. ¿cuál es la probabilidad de que los dos
fusibles estén defectuosos?

2) Una bolsa contiene 4 bolas blancas y 3 negras y una segunda bolsa contiene 3 blancas
y 5 negras. Se saca una bola de la primera bolsa y se coloca sin verla en la segunda
bolsa. ¿cuál es la probabilidad de que ahora se saque una bola negra de la segunda
bolsa?

Teorema 2.4.- A y B son dos eventos independientes si y solo si:

𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨) ∙ 𝑷(𝑩)
Por lo tanto para obtener la probabilidad de dos eventos independientes simplemente
calculamos el producto de sus probabilidades individuales.
Ejemplos
1) Dos bolas se extraen en sucesión de una bolsa que contiene 2 bolas blancas y 4 bolas
negras. Calcula la probabilidad de que la primer bola sea blanca y la segunda sea
negra si:
a) La primera bola se vuelve a poner
b) La primera bola no se vuelve a poner

2) De una baraja de 52 cartas se extraen 3 cartas al azar. calcular la probabilidad que las
3 sean del mismo color.

2.4.-Teorema de probabilidad total o regla de eliminación

Si los eventos 𝐵1 , 𝐵2 , … , 𝐵𝑘 constituyen una partición del espacio muestral S tal que
𝑃(𝐵𝑖 ) ≠ 0 𝑝𝑎𝑟𝑎 𝑖 = 1,2,3, … . 𝑘 entonces para cualquier evento A de S
𝑘 𝑘

𝑃(𝐴) = ∑ 𝑃(𝐵𝑖 ∩ 𝐴) = ∑ 𝑃(𝐵𝑖 ) ∙ 𝑃(𝐴⁄𝐵𝑖 )

𝑖=1 𝑖=1

Imagen de la partición del espacio muestral S en

Ejemplos
1) En el ensamble de un aparato electrónico se emplea un componente denominado
OJTOR-90, procedente de 2 proveedores distintos. Un 30% se compra al proveedor 𝐴1
y el 70% restante al proveedor 𝐴2 . El fabricante del aparato tiene historiales extensos
acerca de los proveedores y sabe que el 6% de los OJTOR-90 del proveedor 𝐴1 son
defectuosos mientras que solo el 4% de los OJTOR-90 del proveedor 𝐴2 son
defectuosos. Supongamos que se selecciona de forma aleatoria un componente. ¿cuál
es la probabilidad de que este defectuoso?

2) En una planta manufacturera, una maquina A produce 15% de cierto producto, la

maquina B, 35% y la maquina C, 50%. De datos históricos se tiene que la maquina A
tiene 5% de productos defectuosos, la maquina B, 10% y la maquina C, 8%.
Supongamos que un inspector de calidad toma un producto aleatoriamente, cual es la
probabilidad de que este defectuoso?

Teorema 2.4.- Teorema de Bayes

Si los eventos 𝑩𝟏 , 𝑩𝟐 , … , 𝑩𝒌 constituyen una partición del espacio muestral S tal que
𝑷(𝑩𝒊 ) ≠ 𝟎 𝒑𝒂𝒓𝒂 𝒊 = 𝟏, 𝟐, 𝟑, … . 𝒌 entonces para cualquier evento A de S, tal que 𝑷(𝑨) ≠ 𝟎
𝑷(𝑩𝒓 ∩ 𝑨) 𝑷(𝑩𝒓 )𝑷(𝑨 ∕ 𝑩𝒓 )
𝑷(𝑩𝒓 ⁄𝑨) = 𝒌
= 𝒌
𝒑𝒂𝒓𝒂 𝒓 = 𝟏, 𝟐, 𝟑 … . 𝒌
∑𝒊=𝟏 𝑷(𝑩𝒊 ∩ 𝑨) ∑𝒊=𝟏 𝑷(𝑩𝒊 )𝑷(𝑨⁄𝑩𝒊 )

Ejemplos
1) En el ensamble de un aparato electrónico se emplea un componente denominado
OJTOR-90, procedente de 2 proveedores distintos. Un 30% se compra al proveedor 𝐴1
y el 70% restante al proveedor 𝐴2 . El fabricante del aparato tiene historiales extensos
acerca de los proveedores y sabe que el 6% de los OJTOR-90 del proveedor 𝐴1 son
defectuosos mientras que solo el 4% de los OJTOR-90 del proveedor 𝐴2 son
defectuosos. Supongamos que se selecciona de forma aleatoria un componente. ¿cuál
es la probabilidad de que este componente defectuoso provenga del proveedor 𝐴2 ?

2) En una planta manufacturera, una maquina A produce 15% de cierto producto, la

maquina B, 35% y la maquina C, 50%. De datos históricos se tiene que la maquina A
tiene 5% de productos defectuosos, la maquina B, 10% y la maquina C, 8%.
Supongamos que un inspector de calidad toma un producto aleatoriamente, cual es la
probabilidad de que este producto este defectuoso y provenga de la maquina A, B o C?
UNIDAD II.- VARIABLES ALEATORIAS
1.- Variables Aleatorias Discretas

Definición 1.1.- Si S es un espacio muestral con una medida de probabilidad y X es una función
de valores reales definida sobre los elementos de S, entonces X se llama una variable aleatoria.

Definición 1.2.- Si X es una variable aleatoria discreta, la función dada por 𝒇(𝒙) = 𝑷(𝑿 = 𝒙)
Para cada x dentro del dominio de X, se llama distribución de probabilidad.

Teorema 1.1.- Una función puede servir como una distribución de probabilidad de una
variable aleatoria discreta X si y solo si sus valores f(x), satisfacen las siguientes condiciones:
1) 𝒇(𝒙) ≥ 𝟎 para cada valor x dentro del dominio

2) ∑ 𝒇(𝒙) = 𝟏 donde la suma está definida para todos los valores dentro del dominio.
Ejemplos
1) Se lanza 3 veces una moneda balanceada. Enuncie los elementos del espacio muestral
y los valores correspondientes de x de la variable aleatoria X, en donde X representa el
número de caras.

2) Se seleccionan dos calcetines al azar y se sacan en sucesión de una gaveta que contiene
5 calcetines cafés y 3 calcetines verdes. Enuncie los elementos del espacio muestral,
las probabilidades correspondientes y los valores w de la variable aleatoria W, en
donde W representa el número de calcetines cafés.

3) Se lanza un par de dados balanceados, representa este lanzamiento con su espacio

muestral en donde la variable aleatoria X, representa la suma de la cara de los dados.

Definicion1.3.- Si es X una variable aleatoria discreta la función dada por

𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∑ 𝒇(𝒕) 𝒑𝒂𝒓𝒂 − ∞ < 𝒙 < ∞

𝒕≤𝒙

Donde f(t) es el valor de la distribución de probabilidad de x en t, es llamada la

distribución acumulada de X.

Teorema 1.2.- Los valores de F(x) de la función acumulada de la variable aleatoria X,

satisfacen las siguientes condiciones:
1) 𝑭(−∞) = 𝟎 𝒚 𝑭(∞) = 𝟏
2) Si 𝒂 ≤ 𝒃 entonces 𝑭(𝒂) ≤ 𝑭(𝒃) para todo número real a,b
Ejemplos
1) Encuentre la distribución acumulada F(x) del problema anterior 1)
2) Encuentre la distribución acumulada F(x) del problema anterior 2)
3) Encuentre la distribución acumulada F(x) del problema anterior 3)

Teorema 1.3.- El intervalo de la variable aleatoria X consta de valores 𝒙𝟏 < 𝒙𝟐 <∙∙∙< 𝒙𝒏

entonces 𝒇(𝒙𝟏 ) = 𝑭(𝒙𝟏 ) 𝒚 𝒇(𝒙𝒊 ) = 𝑭(𝒙𝒊 ) − 𝑭(𝒙𝒊−𝟏 ) 𝒑𝒂𝒓𝒂 𝒊 = 𝟏, 𝟐, 𝟑, … , 𝒏

Ejemplos
1) Encuentre la distribución de probabilidad f(x) del problema anterior 1)
2) Encuentre la distribución de probabilidad de f(x) del problema anterior 2)

2.- Variables Aleatorias Continúas

Definición 2.1.- Si una función con valores f(x), definida sobre el conjunto de todos los
números reales se llama una función de densidad de probabilidad de la variable aleatoria X si
y solo si:
𝒃
𝑷(𝒂 ≤ 𝒙 ≤ 𝒃) = ∫ 𝒇(𝒙)𝒅𝒙 𝒑𝒂𝒓𝒂 𝒄𝒖𝒂𝒍𝒒𝒖𝒊𝒆𝒓 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒓𝒆𝒂𝒍 𝒂, 𝒃 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒂 ≤ 𝒃
𝒂

Teorema 2.1.- si X es una variable aleatoria continua y a, b son constantes reales, entonces:
𝑷(𝒂 ≤ 𝒙 ≤ 𝒃) = 𝑷(𝒂 < 𝒙 ≤ 𝒃) = 𝑷(𝒂 ≤ 𝒙 < 𝒃) = 𝑷(𝒂 < 𝒙 < 𝒃)
Teorema 2.2.- Una función puede servir como una densidad de probabilidad de una variable
aleatoria X si satisface las siguientes condiciones:
a) 𝒇(𝒙) ≥ 𝟎 𝒑𝒂𝒓𝒂 − ∞ < 𝒙 < ∞

∞
b) ∫−∞ 𝒇(𝒙)𝒅𝒙 = 𝟏

Ejemplos

1) Si X tiene una densidad de probabilidad 𝑓(𝑥) = 𝑘𝑒 −3𝑥 𝑝𝑎𝑟𝑎 𝑥 > 0, encontrar el valor
de K y 𝑃(0.5 ≤ 𝑥 ≤ 1)

2) Demuestre que 𝑓(𝑥) = 3𝑥 2 𝑝𝑎𝑟𝑎 0 < 𝑥 < 1

a) Representa una función de densidad
b) Bosqueje la gráfica de esta función he indique el área asociada con la probabilidad
𝑃(0.1 ≤ 𝑥 ≤ 0.5)
c) Calcular esta probabilidad

3) La función de densidad de probabilidad de la variable aleatoria X está dado por:

𝑐
𝑝𝑎𝑟𝑎 0 < 𝑥 < 4
𝑓(𝑥) = {√𝑥
0 𝑒. 𝑐. 𝑜. 𝑝
Encuentre:
a) El valor de c
1
b) 𝑃(𝑥 < 4)
c) 𝑃(𝑥 > 1)

4) El número total de horas medidas en unidades de 100 horas, que una familia utiliza
una aspiradora en un periodo de un año es una variable aleatoria continua X que tiene
la siguiente función de densidad
𝑥 0<𝑥<1
𝑓(𝑥) = { 2 − 𝑥 1 ≤𝑥<2
0 𝑒. 𝑐. 𝑜. 𝑝

Calcula la probabilidad de que en un periodo de un año una familia utilice su

aspiradora
a) Menos de 120 horas
b) Entre 50 y 100 horas
Definición 2.2.- Si X es una variable aleatoria continua y el valor de su densidad de
probabilidad en t es f(t) , entonces la función dada por:
𝒙

𝑭(𝒙) = 𝑷(𝒙 ≤ 𝑿) = ∫ 𝒇(𝒕)𝒅𝒕 𝒑𝒂𝒓𝒂 − ∞ < 𝒙 < ∞

−∞

Se llama función acumulada de X.

Teorema 2.3.- Los valores de F(x) de la función acumulada de la variable aleatoria X,

satisfacen las siguientes condiciones:
1) 𝑭(−∞) = 𝟎 𝒚 𝑭(∞) = 𝟏

2) Si 𝒂 ≤ 𝒃 entonces 𝑭(𝒂) ≤ 𝑭(𝒃) para todo número real a, b

Ejemplos
1) Calcula la función acumulada del problema anterior 1)
2) Calcula la función acumulada del problema anterior 3)
3) Calcula la función acumulada del problema anterior 3.7)

Teorema 2.4.- Si f(x) y F(x) son los valores de la densidad de probabilidad y la función
acumulada respectivamente entonces:
𝑷(𝒂 ≤ 𝒙 ≤ 𝒃) = 𝑭(𝒃) − 𝑭(𝒂) 𝒑𝒂𝒓𝒂 𝒄𝒖𝒂𝒍𝒒𝒖𝒊𝒆𝒓 𝒂, 𝒃 𝒆𝒍𝒆𝒎𝒆𝒏𝒕𝒐 𝒅𝒆 𝒍𝒐𝒔 𝒓𝒆𝒂𝒍𝒆𝒔 𝒚 𝒂 ≤ 𝒃

Teorema 2.5.- para encontrar la densidad de probabilidad f(x) dada una distribución
acumulada de probabilidad se utiliza su derivada, esto es:
𝒅𝑭(𝒙)
𝒇(𝒙) =
𝒅𝒙
Ejemplos
1) Dada la función acumulada de probabilidad

1 − (1 + 𝑥)𝑒 −𝑥 𝑝𝑎𝑟𝑎 𝑥 > 0

𝐹(𝑥) = {
0 𝑒. 𝑐. 𝑜. 𝑝

Encuentre:
a) 𝑃(𝑥 ≤ 2)
b) 𝑃(1 < 𝑥 < 3)
c) 𝑃(𝑥 > 4)
d) La densidad de probabilidad

2) El tiempo que pasa, en horas, para que un radar detecte entre conductores sucesivos a
los que exceden los límites de velocidad es una variable aleatoria continua con una
función de distribución acumulada de

0 𝑒. 𝑐. 𝑜. 𝑝
𝐹(𝑥) = {
1 − 𝑒 −8𝑥 𝑠𝑖 𝑥 > 0

Calcule la probabilidad de que el tiempo que pase para que el radar detecte entre
conductores sucesivos a los que exceden los límites de velocidad sea menor de 12
minutos
a) Usando la distribución acumulada F(x)
b) Usando la densidad de probabilidad f(x)
 Distribuciones de probabilidad
1) Distribución binomial
Los ensayos repetidos, juegan un papel muy importante en la probabilidad y estadística,
especialmente cuando el número de ensayos fijo y en donde en cada ensayo existe la
misma probabilidad.
Para definir una fórmula para la distribución binomial se van a tomar 𝑛 ensayos en donde
vamos a obtener 𝑥 éxitos y 𝑛 − 𝑥 fracasos. La probabilidad de que ocurra esto es un factor
𝜃 para cada éxito y un factor 1 − 𝜃 para cada fracaso. El número de maneras en que se
𝑛
puede seleccionar 𝑥 éxitos en 𝑛 ensayos es 𝑐 ( ), por lo tanto la probabilidad de obtener 𝑥
𝑥
éxitos en 𝑛 ensayos es:
𝑛
𝑏(𝑥. 𝑛, 𝜃) = 𝑐 ( ) 𝜃 𝑥 (1 − 𝜃)𝑛−𝑥
𝑥
Ejemplos

1) Calcula la probabilidad de obtener exactamente 3 reyes en cinco tiros de un dado.

2) Una moneda se tira 8 veces ¿calcula la probabilidad de que salgan

a) Salgan exactamente 6 caras?
b) Salgan por lo menos 7 caras?

3) Un ingeniero en seguridad automotriz afirma que 1 de cada 10 accidentes

automovilísticos son causados por fatiga del conductor. ¿Cuál es la probabilidad de
que al menos 4 de cada 5 accidentes son causados por fatiga del conductor?

4) La probabilidad de que un paciente tenga una enfermedad rara es del 40%. Si se sabe
que 15 personas están contagiadas, ¿ cuál es la probabilidad de que
a) Sobrevivan al menos 10?
b) Sobrevivan entre 3 y 8?
c) Sobrevivan al menos 2?

5) Si 30% de los ratones que se usan en un experimento se vuelven muy agresivos

dentro del primer minuto después de habérseles administrado un medicamento
experimental; encuentre la probabilidad de que :
a) Al menos 4 de 15 ratones se volverán muy agresivos
b) Exactamente 6 de los 15 ratones se volverán agresivos
c) Al menos 14 ratones se volverán agresivos
2) Distribución de poisson

Una variable aleatoria X tiene una distribución de poisson y se conoce como una
variable aleatoria de poisson si y solo si, su distribución está dada por:

𝜆𝑥 𝑒 −𝜆
𝑃(𝑥, 𝜆) = 𝑝𝑎𝑟𝑎 𝑥 = 0,1,2, …
𝑥!

Cuando 𝑛 es grande, el cálculo de las probabilidades binomiales implica una gran

cantidad de operaciones. Si trabajamos esta distribución cuando 𝑛 → ∞ 𝑦 𝜃 → 0
entonces la multiplicación 𝑛𝜃 tiende a una constante y a esta constante se le llamara
lambda 𝜆 osea 𝜆 = 𝑛𝜃. Entonces la distribución binomial cuando 𝑛 → ∞ 𝑦 𝜃 → 0, se
convierte en una distribución poisson.

Ejemplos

1) Si un editor de libros hace todo lo posible para que sus libros estén libres de
errores tipográficos de modo que la probabilidad de cualquier página dada
contenga por lo menos uno de esos errores es de 0.005 y tomando en cuenta que
los errores son independientes de una página a otra ;
a) ¿cuál es la probabilidad de que una de esas novelas de 400 páginas contenga
exactamente una página con errores?
b) Cuando mucho 3 páginas con errores?

2) Un artículo en la revista salud y ciencia reporta que 1 de cada 200 personas portan
el gen defectuoso que provoca cáncer de colon hereditario. En una muestra de
1000 individuos. encuentre
a) la probabilidad que entre 5 y 8 individuos porten el gen
b) La probabilidad que exactamente 20 porten el gen
c) Por lo menos 8 porten el gen

3) Suponga que solo el 0.10% de todas las laptops de la marca hp experimentan

fallas de la tarjeta madre, durante el periodo de garantía. Considere una muestra
de 10,000 laptops, encuentre:
a) ¿Cuál es la probabilidad aproximada de que más de 10 laptops muestreadas
tengan el defecto?
b) ¿Cuál es la probabilidad que ninguna laptop tenga el defecto?
c) ¿al menos dos laptops tengan el defecto?
 Densidades de probabilidad

1) La distribución normal

Definición.- la densidad de probabilidad de una variable aleatoria X con media 𝝁 y

varianza 𝝈𝟐 es:

𝟏 −(𝒙−𝝁)𝟐
𝒇(𝒙, 𝝁, 𝝈𝟐 ) = 𝒆 𝟐𝝈𝟐 𝒑𝒂𝒓𝒂 − ∞ ≤ 𝒙 ≤ ∞
√𝟐𝝅𝝈

Representación de la distribución normal con media 𝜇 y desviación 𝜎

Propiedades de la distribución normal

a) La curva es simétrica alrededor de un eje vertical llamado media 𝜇.

b) La mediana y la moda son iguales a la media 𝜇
c) La curva tiene sus puntos de inflexión en los puntos 𝜇 ± 𝜎.
d) Distribución de probabilidad en un entorno de la media:
1) En el intervalo [𝜇 − 𝜎, 𝜇 + 𝜎] se encuentra comprendida el 68.8% de la
distribución.
2) En el intervalo [𝜇 − 2𝜎, 𝜇 + 2𝜎] se encuentra comprendida el 95.44% de la
distribución.
3) En el intervalo de [𝜇 − 3𝜎, 𝜇 + 3𝜎] se encuentra comprendida el 99.74% de la
distribución
e) La media o promedio de una distribución normal 𝜇, representa la traslación de la
de la curva gaussiana sobre el eje x, mientras la desviación 𝜎 representa la altura
de la curva.
 f) La curva normal se aproxima al eje horizontal de manera asintótica si nos
alejamos de la media en cualquier dirección.
g) El área total bajo la curva es igual a uno.

∞
1 −(𝑥−𝜇)2
∫ 𝑒 2𝜎2 𝑑𝑥 = 1
√2𝜋𝜎
−∞

Definición.- La distribución normal estándar se representa con una variable Z con media
𝝁 = 𝟎 y varianza 𝝈𝟐 = 𝟏.
𝟏 −𝟏 𝟐
𝒇(𝒛) = 𝒆𝟐𝒛
√𝟐𝝅

El área bajo la curva de la distribución normal estándar se calcula por:

𝑧
1 −1 2
𝑥
∫ 𝑒 2 𝑑𝑥
√2𝜋
0

Teorema.- si X tiene una distribución normal con media 𝝁 y la deviación estándar 𝝈 entonces:
𝑿−𝝁
𝒁=
𝝈
Tiene la distribución normal estándar.
Ejemplos
1) Se hacen pruebas de IQ a 18,000 personas, si lo datos obtenidos se comportan de
forma normal con una media 𝜇 = 100 y una desviación estándar 𝜎 = 25, calcula la
probabilidad De que:
a) las personas tengan un IQ mayora 170?
b) las personas tengan un IQ entre 125 y 164?
c) Las personas tengan un IQ menor a 110?

2) Cierto tipo de batería de almacenamiento dura, en promedio. 3 años, con una

desviación estándar de 0-5 años. Suponga que la duración de la batería se distribuye
de manera normal y calcule la probabilidad de que una batería dure menos de 2.3
años.

3) Una empresa de material eléctrico fabrica bombillas de luz cuya duración, antes de
quemarse, se distribuye normalmente con una media igual a 800 horas y una
desviación estándar de 40 horas. Calcule la probabilidad de que una bombilla se
queme entre 778 horas y 834 horas.

4) Cierta maquina fabrica resistencias eléctricas que tienen una resistencia media de 40
ohms y una desviación estándar de 2 ohms. Si se supone que la resistencia sigue una
desviación normal y que se puede medir con cualquier grado de precisión. ¿Qué
porcentaje de resistencias tendrán una resistencia que exceda 43 ohms?

III.- Estadística Inferencial

a) Estimación por intervalos

̂1 , 𝜃
Definición. - Se llama intervalo de confianza de 𝜃 ∈ [𝜃 ̂2 ] con (1 − 𝛼)𝑥100% de
significancia para el parámetro 𝜃 si:
̂1 < 𝜃 < 𝜃
𝑃(𝜃 ̂2 ) = 1 − 𝛼

Para la construcción de un intervalo de confianza se necesita conocer la probabilidad del

parámetro 𝜃 con respecto a la significancia del experimento.

En este caso los elementos del intervalo se definen como:

̂1 = 𝑙𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 𝑑𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜
𝜃
̂2 = 𝑙𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 𝑑𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜
𝜃
𝜃 = 𝑝𝑎𝑟𝑎𝑛𝑒𝑡𝑟𝑜 𝑎 𝑒𝑠𝑡𝑖𝑚𝑎𝑟 𝑝𝑜𝑟 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜
1 − 𝛼 = 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎 𝑜 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 𝑑𝑒𝑙 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜
Intervalos para la media poblacional
Teorema. – si 𝑥̅ es el valor de la media de una muestra aleatoria de tamaño n de una
población normal con varianza conocida 𝜎 2 entonces:
𝜎 𝜎
𝑃 (𝑥̅ − 𝑧𝛼 × < 𝜇 < 𝑥̅ + 𝑧𝛼 × )= 1−𝛼
2 √𝑛 2 √𝑛
Es un intervalo de (1 − 𝛼)𝑥100% de confianza para la media poblacional 𝜇.
Ejemplos
1) En la facultad de ingeniería civil se imparte el curso de probabilidad y estadística, si se
toma una muestra de 36 alumnos de los distintos grupos los cuales promediaron una
calificación de 55.8 y si se conoce la desviación poblacional de todos los cursos
impartidos en la UANL la cual es de 7.2. Determina un intervalo del 99% de confianza
para el promedio general de cualquier alumno que curse la materia de probabilidad y
estadística en la UANL.
2) Una estación de camiones ha mantenido registros sobre diversas transacciones con
sus clientes. Si una muestra aleatoria de 50 de estos registros muestra ventas
promedias de 63.5 galones de combustible y se conoce la desviación estándar
poblacional de 2.75 galones. Construya un intervalo del 95% de confianza para la
media poblacional de los galones despachados por la estación.

Teorema. - si 𝑥̅ 𝑦 𝑠 es el valor de la media y desviación estándar respectivamente, de una

muestra aleatoria de tamaño n de una población normal con varianza desconocida 𝜎 2
entonces:
𝑠 𝑠
𝑃 (𝑥̅ − 𝑡𝛼 ,𝑛−1 × < 𝜇 < 𝑥̅ + 𝑡𝛼 ,𝑛−1 × )=1−𝛼
2 √𝑛 2 √𝑛
Es un intervalo de (1 − 𝛼)𝑥100% de confianza para la media poblacional 𝜇.
NOTA: si la muestra es menor a 30 es mejor utilizar este intervalo de confianza el cual se
puede denominar intervalo de confianza para muestras pequeñas.
Ejemplos
1) Un inspector de alimentos al examinar 12 frascos de Nutella obtuvo los siguientes
porcentajes de impurezas: 2.3, 1.9, 2.1, 2.8, 2.3, 3.6, 1.4, 1.8, 2.1, 3.2, 2.0, 1.9. construya
in intervalo de confianza del 95% para la media poblacional de los porcentajes de
impurezas en los frascos de Nutella, si los datos se distribuyen de forma normal.
2) Un fabricante de pinturas quiere determinar el tiempo promedio de secado de una
pintura de muros interiores. Si para 12 áreas de pruebas del mismo tamaño ha
obtenido un tiempo promedio de secado de 66.3 minutos con una desviación estándar
de 8.4 minutos. Construye un intervalo de confianza del 98% para el verdadero
promedio de secado de las pinturas para muros interiores si los datos se distribuyen
de manera normal.
Intervalo para una proporción
Teorema. - si X es una variable aleatoria binomial con los parámetros n y 𝜃, en donde n es
𝑋
grande y 𝜃̂ = entonces:
𝑛

𝜃̂(1 − 𝜃̂) 𝜃̂(1 − 𝜃̂)

𝑃 (𝜃̂ − 𝑧𝛼 × √ < 𝜇 < 𝜃̂ + 𝑧𝛼 × √ ) = 1−𝛼
2 𝑛 2 𝑛

Es un intervalo de (1 − 𝛼)𝑥100% de confianza para la media poblacional 𝜃.

Ejemplos
1) En una muestra aleatoria. 136 personas de 400, a quienes se les aplico la vacuna del
COVID-19, experimentaron cierta incomodidad. Construya un intervalo de confianza
del 95% para la verdadera proporción que experimentara alguna incomodidad por la
vacuna.
2) En una muestra aleatoria de 250 telespectadores del estado de nuevo león, 190
confirman ver las conferencias de presidencia. Construya un intervalo de confianza del
99% para la verdadera proporción de televidentes que ven las conferencias de
presidencia.

Intervalo de confianza para la varianza

Teorema. - si 𝑠 2 es el valor de la varianza de una muestra aleatoria de tamaño n de una
población normal, entonces:

(𝑛 − 1)𝑠 2 2
(𝑛 − 1)𝑠 2
𝑃( < 𝜎 < )=1−𝛼
𝜒 2 𝛼,𝑛−1 𝜒 21−𝛼,𝑛−1
2 2

Es un intervalo de (1 − 𝛼)𝑥100% de confianza para la media poblacional 𝜎 2 .

Ejemplos
1) En 16 corridas de prueba el consumo de gasolina de un motor experimental tuvo una
desviación estándar de 2.2 galones. Construya un intervalo de confianza del 99% de
confianza para la verdadera variabilidad del consumo de gasolina del motor
2) Un inspector de alimentos al examinar 12 frascos de Nutella obtuvo los siguientes
porcentajes de impurezas: 2.3, 1.9, 2.1, 2.8, 2.3, 3.6, 1.4, 1.8, 2.1, 3.2, 2.0, 1.9. construya
un intervalo de confianza del 95% para la desviación poblacional de los porcentajes de
impurezas en los frascos de Nutella, si los datos se distribuyen de forma normal.
 b) Pruebas de hipótesis
Definición. – Una hipótesis estadística es una afirmación o conjetura acerca de la distribución
de una o más variables aleatorias. Si una hipótesis estadística especifica completamente la
distribución se conoce como una hipótesis simple o hipótesis compuesta.
Los tipos de hipótesis son:
𝐻0 : ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎
𝐻1 : ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎
La prueba de hipótesis estadística es la aplicación de un conjunto de reglas para decidir si
aceptamos o rechazamos una hipótesis nula a favor de una hipótesis alternativa ( 𝐻0 𝑣𝑠𝐻1 ).
Se calculará una estadística de prueba que dirá que acción tomar para cada resultado posible
del espacio muestral.
El procedimiento de pruebas se divide en dos regiones:
a) Región de aceptación de 𝐻0
b) Región de rechazo de 𝐻0
Definición. – En una prueba estadística existen 2 tipos de errores; si se rechaza la hipótesis
nula 𝐻0 cuando es verdadera se llama error tipo I. la probabilidad de cometer un error tipo I
se representa por 𝛼.La aceptación de la hipótesis nula 𝐻0 cuando es falsa se llama error tipo II,
la probabilidad de que ocurra un error tipo II es 𝛽.

Definición. – La región critica de una prueba se refiere a la región de rechazo de 𝐻0 y la

probabilidad de obtener un valor estadístico de prueba dentro de la región critica cuando 𝐻0
es verdadera se llama tamaño de región critica es decir 𝛼 es el tamaño de la región critica.

Prueba de hipótesis para la media poblacional

Si n > 30 y la varianza poblacional es conocida
Hipótesis región critica Conclusión
𝑯𝟎 : 𝜽 = 𝝁 𝒛 ≥ 𝒛𝜶 Se rechaza 𝑯𝟎
𝑯𝟏 : 𝜽 > 𝝁

𝑯𝟎 : 𝜽 = 𝝁 𝒛 ≤ −𝒛𝜶 Se rechaza 𝑯𝟎
𝑯𝟏 : 𝜽 < 𝝁
𝑯𝟎 : 𝜽 = 𝝁 𝒛 ≤ −𝒛𝜶 𝒐 𝒛 ≥ 𝒛𝜶 Se rechaza 𝑯𝟎
𝟐 𝟐
𝑯𝟏 : 𝜽 ≠ 𝝁

̅−𝝁
𝒙
Estadística de prueba: 𝒛 = 𝝈
√𝒏
Si n < 30 y la varianza es desconocida
Hipótesis región critica Conclusión
𝑯𝟎 : 𝜽 = 𝝁 𝒕 ≥ 𝒕𝜶,𝒏−𝟏 Se rechaza 𝑯𝟎
𝑯𝟏 : 𝜽 > 𝝁

𝑯𝟎 : 𝜽 = 𝝁 𝒕 ≤ −𝒕𝜶,𝒏−𝟏 Se rechaza 𝑯𝟎
𝑯𝟏 : 𝜽 < 𝝁
𝑯𝟎 : 𝜽 = 𝝁 𝒕 ≤ −𝒕𝜶,𝒏−𝟏 𝒐 𝒕 ≥ 𝒕𝜶,𝒏−𝟏 Se rechaza 𝑯𝟎
𝟐 𝟐
𝑯𝟏 : 𝜽 ≠ 𝝁

̅−𝝁
𝒙
Estadística de prueba: 𝒕 = 𝒔
√𝒏

Ejemplos
1) De acuerdo con las normas establecidas para una prueba de comprensión de lectura,
estudiantes de primaria deben promediar 84.3 con una desviación estándar de 8.6. si
45 estudiantes de último año de primaria seleccionados aleatoriamente de cierto
distrito escolar promediaron 87.8 utilice una prueba de hipótesis para determinar si el
promedio general es mayor a 84.3 con una significancia del 99%.
2) Cinco mediciones de contenido de alquitrán de cierta clase de cigarrillos dieron 14.5,
14.2, 14.4, 14.3, 14.6 mg/cigarrillo. Suponga que los datos son una muestra aleatoria
de una población normal y utilice una prueba de hipótesis con un nivel de significancia
del 0.05 para determinar si el contenido de cigarrillos es distinto 14 mg.
3) Un fabricante de equipo deportivo desarrolló un nuevo sedal para pesca sintético que,
según afirma, tiene una resistencia media a la rotura de 8 kilogramos con una
desviación estándar de 0.5 kilogramos. Pruebe la hipótesis de que μ = 8 kilogramos
contra la alternativa de que μ ≠ 8 kilogramos si se prueba una muestra aleatoria de 50
sedales y se encuentra que tienen una resistencia media a la rotura de 7.8 kilogramos.
Utilice un nivel de significancia de 0.01
4) El Edison Electric Institute publica cifras del número de kilowatts-hora que gastan
anualmente varios aparatos electrodomésticos. Se afirma que una aspiradora gasta un
promedio de 46 kilowatts-hora al año. Si una muestra aleatoria de 12 hogares, que se
incluye en un estudio planeado, indica que las aspiradoras gastan un promedio de 42
kilowatts-hora al año con una desviación estándar de 11.9 kilowatts-hora, ¿esto
sugiere que las aspiradoras gastan, en promedio, menos de 46 kilowatts-hora al año a
un nivel de significancia de 0.05? Suponga que la población de kilowatts-hora es
normal.
Prueba de hipótesis para una proporción
Hipótesis región critica Conclusión
𝑯𝟎 : 𝜽 = 𝜽𝟎 𝒛 ≥ 𝒛𝜶 Se rechaza 𝑯𝟎
𝑯𝟏 : 𝜽 > 𝜽𝟎

𝑯𝟎 : 𝜽 = 𝜽𝟎 𝒛 ≤ −𝒛𝜶 Se rechaza 𝑯𝟎
𝑯𝟏 : 𝜽 < 𝜽𝟎
𝑯𝟎 : 𝜽 = 𝜽𝟎 𝒛 ≤ −𝒛𝜶 𝒐 𝒛 ≥ 𝒛𝜶 Se rechaza 𝑯𝟎
𝟐 𝟐
𝑯𝟏 : 𝜽 ≠ 𝜽𝟎

𝑿−𝒏𝜽𝟎
Estadística de prueba: 𝒛 =
√𝒏𝜽𝟎 (𝟏−𝜽𝟎 )

Ejemplos:
1) Un constructor afirma que en 70% de las viviendas que se construyen actualmente en
la ciudad de Richmond, Virginia, se instalan bombas de calor. ¿Estaría de acuerdo con
esta afirmación si una encuesta aleatoria de viviendas nuevas en esta ciudad revelara
que 8 de 15 tienen instaladas bombas de calor? Utilice un nivel de significancia de
0.10.
2) Se considera que un medicamento que se prescribe comúnmente para aliviar la
tensión nerviosa tiene una eficacia de tan sólo 60%. Los resultados experimentales de
un nuevo fármaco administrado a una muestra aleatoria de 100 adultos que padecían
tensión nerviosa revelaron que 70 de ellos sintieron alivio. ¿Esta evidencia es
suficiente para concluir que el nuevo medicamento es mejor que el que se prescribe
comúnmente? Utilice un nivel de significancia de 0.05.
Prueba de hipótesis para varianzas
Hipótesis región critica Conclusión
𝑯𝟎 : 𝝈𝟐 = 𝝈𝟐 𝟎 𝝌𝟐 ≥ 𝝌 𝟐 𝜶 Se rechaza 𝑯𝟎
𝑯𝟏 : 𝝈𝟐 > 𝝈𝟐 𝟎

𝑯𝟎 : 𝝈𝟐 = 𝝈𝟐 𝟎 𝝌𝟐 ≤ 𝝌𝟐 𝟏−𝜶 Se rechaza 𝑯𝟎
𝑯𝟏 : 𝝈𝟐 < 𝝈𝟐 𝟎

𝑯𝟎 : 𝝈𝟐 = 𝝈𝟐 𝟎 𝝌𝟐 ≤ 𝝌𝟐 𝟏−𝜶 𝒐 𝝌𝟐 ≥ 𝝌𝟐 𝜶 Se rechaza 𝑯𝟎
𝟐 𝟐
𝑯𝟏 : 𝝈𝟐 ≠ 𝝈𝟐 𝟎

(𝒏−𝟏)𝒔𝟐
Estadística de prueba: 𝝌𝟐 =
𝝈𝟐 𝟎

Ejemplos:
1) Un fabricante de baterías para automóvil afirma que la duración de sus baterías se
distribuye de forma aproximadamente normal con una desviación estándar igual a 0.9
años. Si una muestra aleatoria de 10 de tales baterías tiene una desviación estándar de
1.2 años, ¿considera que σ > 0.9 años? Utilice un nivel de significancia de 0.05.
2) Se dice que una máquina despachadora de bebida gaseosa está fuera de control si la
varianza de los contenidos excede a 1.15 decilitros. Si una muestra aleatoria de 25
bebidas de esta máquina tiene una varianza de 2.03 decilitros, ¿esto indica, a un nivel
de significancia de 0.05, que la máquina está fuera de control? Suponga que los
contenidos se distribuyen de forma aproximadamente normal.