Ilovepdf Merged

Tema 1:
Distribuciones de probabilidades
1.1 Introducción
Una distribución de probabilidades da toda la gama de valores que pueden ocurrir con base a un
experimento y resulta similar a una distribución de frecuencias; sin embargo, en vez de describir el
pasado, define qué tan probable es que suceda algún evento futuro.
Por ejemplo, un productor de medicamentos puede afirmar que un tratamiento ocasionará pérdida de
peso en un 80% de la población. Una agencia de protección al consumidor puede probar dicha
terapéutica en una muestra de 6 personas. Si la declaración del productor es cierta, es casi imposible
tener un resultado donde ninguna persona de la muestra pierda peso y es muy probable que 5 de 6
adelgacen.
Presentaremos la media, la varianza y la desviación estándar de distribuciones probabilísticas, así como
3 familias de distribuciones probabilísticas discretas:
● La binomial
● La distribución hipergeométrica
● La distribución de Poisson
Que se basan en variables aleatorias discretas, que se pueden tomar sólo calores específicos
1.2 ¿Qué es una distribución probabilística?

(Ref. LIND, A. Douglas; et. al. (2012). Estadística aplicada a los negocios y a la economía. Pág. 190).
Una distribución de probabilidades muestra los posibles resultados de un experimento y la probabilidad
de cada resultado.
Distribución probabilística: es la enumeración de todos los resultados de un experimento junto con la

probabilidad asociada a cada uno.
¿Cómo se puede generar una distribución de probabilidades?
Ejemplo
Suponga que está interesado en el número de caras (H) que caen al lanzar tres veces una moneda:
este es el experimento
Los posibles resultados son: 0, 1, 2, 3 caras. ¿Cuál es la distribución probabilística para el número de
caras?
Solución
Hay 8 posibles resultados. En la primera tirada podría caer cruz (T), otra igual en el segundo
lanzamiento y otras más en el tercer. O podría caer cruz, cruz, cara, etc.
Observe que el resultado de:

“0 caras” ocurrió solo una vez
“1 caras” ocurrió apareció tres veces
“2 caras” ocurrió tres veces
“3 caras” ocurrió solo una vez
Es decir, “0 caras” ocurrió una vez de 8 veces, de modo que la probabilidad de “0 caras” es de
⅛; la probabilidad de “1 caras” ⅜, de “2 caras” ⅜, “3 caras” es de ⅛.
La distribución de probabilidades se muestra en la siguiente tabla. Observe que el total de las
probabilidades de todos los posibles eventos nos da el total de 1.000. Esto es siempre cierto.
Tabla 1: Distribución probabilística para los eventos de cero, una, dos, tres caras resultantes en
3 lanzamientos de una moneda.
La misma información puede representarse de manera gráfica, véase el diagrama siguiente:
Figura 1: Representación gráfica del número de caras y la probabilidad asociada resultante de 3

lanzamientos de una moneda
Características de una distribución probabilística

1. La probabilidad de un resultado específico debe estar siempre entre 0 y 1, inclusive. Las
probabilidades de x, representadas por P(x) en el ejemplo el lanzamiento de monedas,
fueron; 0.125, 0.375, etc.
2. La suma de las probabilidades de todos los resultados mutuamente excluyentes es de
1.000. Con referencia a la tabla: 0.125 + 0.375 + 0.375 + 0.125 = 1.000
1.3 Variables aleatorias
En cualquier experimento aleatorio, los resultados ocurren al azar. Por ejemplo, lanzar un dado es un
experimento (puede ocurrir cualquiera de 6 resultados resultados). Algunos experimentos dan
resultados cuantitativos (como dólares, el peso o el número de hijos) y otros son cualitativos (como el
color racial o la preferencia religiosa).
Los ejemplos ilustran mejor lo que significa variable aleatoria:
● Si se considera el número de empleados ausentes de su turno el día lunes, el mismo podría ser
0, 1, 2, 3, … El número de empleados ausentes es la variable aleatoria.
● Si se pesa un lingote de acero, el resultado (en libras) podría ser 2500, 2500.1, 2500.13, y así
sucesivamente, dependiendo de la exactitud de la báscula. El peso es la variable aleatoria.
● Si se lanzan al aire dos monedas y se considera el número de caras, el mismo podría ser cero,
una a dos. Puesto que el número exacto de anversos que resultan de este experimento se debe
al azar, el número de caras que aparezca es la variable aleatoria.
● Otras variables aleatorias podrían ser: el número de lámparas defectuosas producidas durante la
semana, la estatura de las integrantes de un equipo de básquetbol femenino, la cantidad de
corredores en una maratón y el número diario de conductores que cometieron infracción al
manejar bajo la influencia del alcohol.
Variables aleatorias: Cantidad que es el resultado de un experimento aleatorio en cual, debido al azar,
puede tomar valores diferentes.
El siguiente diagrama muestra estos 3 términos relacionados:

El resultado
El evento
La variable aleatoria
Figura 2: Resultados posibles en 3 lanzamientos de moneda (H = cara, T = cruz)
Una variable aleatoria puede ser discreta o continua.
Variable aleatoria discreta: Una variable aleatoria discreta puede asumir sólo un cierto número de
valores específicos. Si hay 100 empleados en una empresa, la cantidad de los ausentes el lunes puede
ser solo 0, 1, 2, 3, …, 100. Por lo general, una variable aleatoria discreta es el resultado de contar algo.
Variables aleatorias discretas: Variable que solo puede tener ciertos valores claramente separados,
que resultan de contar algún elemento de interés.
Debe observar que una variable discreta puede, en algunos casos, tener valores fraccionarios o
decimales. Dichos valores deben estar separados, es decir, tener cierta distancia entre ellos. Como
ejemplo, las puntuaciones otorgadas por jueces en lo referente a aspectos técnicos y forma artística en
el patinaje sobre hielo son cifras decimales como: 7.2, 8.9, 9.7. Estos valores son discretos porque
existe una distancia entre las calificaciones, por ejemplo, entre 8.3 y 8.4. Una puntuación no puede ser
8.34 o 8.347.
Variable aleatoria continua: si se mide algo, como el ancho de una habitación, la altura de una
persona o el diámetro exterior de una pieza, se dice que la variable es una variable aleatoria continua.
Puede tomar uno de una cantidad infinitamente grande de valores, dentro de ciertas limitaciones. Por
ejemplo:
● La distancia (en kilómetro) entre Quito y Riobamba podría ser de 190, 190.1, 190.162 y así
sucesivamente, dependiendo ello de la exactitud del dispositivo de medición.
● La presión de un neumático (en libras por pulgada cuadrada o psi) podría ser de 28, 28.6, 28.62,
28.624, etc. Dependiendo esto de la exactitud del medidor.
Es lógico que si se organiza un conjunto de variables aleatorias discretas en una distribución de

probabilidades, la distribución se denomina distribución probabilística discreta.
Los medios utilizados así como las interpretaciones de probabilidad son diferentes para las variables
aleatorias discretas o las continuas.
1.4 Media, Varianza y Desviación Estándar de una Distribución de

Probabilidad
Sabemos que la media indica la ubicación central de los datos y la varianza, la dispersión de estos. De
manera semejante, una distribución probabilística se resume indicando su media y varianza. La media
de una distribución probabilística se denota con la letra miu (μ), y la varianza por el cuadrado
indicado por la letra griega sigma (σ).
Media
La media es un valor particular que sirve para representar la distribución probabilística. También es el
valor promedio a largo plazo de la variable aleatoria. La media de un distribución probabilística se
denomina también el valor esperado E(x). Es un promedio para que los valores posibles que se
consideran son afectados por las probabilidades correspondientes de ocurrencia.
La media de una distribución probabilística discreta se calcula con la fórmula:
Donde:
P(x) es la probabilidad de cada valor posible de la variable aleatoria x. En otras palabras se multiplica el
valor de cada x por su probabilidad de ocurrencia y luego se suman los productos
Varianza y desviación estándar
Como se sabe, la media es un valor característico utilizado para representar una distribución
probabilística discreta. Sin embargo, no describe el grado de dispersión (o variación) en una
distribución. La varianza si lo hace. Una comparación de dos varianzas permite confrontar la
variación en dos distribuciones que tengan la misma media, pero diferentes dispersiones.
La fórmula para la varianza de una distribución de probabilidades es:
Los pasos de cálculo son:

1. Restar la media a cada valor y elevar al cuadrado la diferencia.
2. Multiplicar el cuadrado de cada diferencia, por su probabilidad.
3. Sumar los productos resultantes para llegar a la varianza.
La desviación estándar, σ, se determina tomando
Ejemplo
El señor Aquiles Castro vende automóviles nuevos de la agencia Pelicano. Generalmente, negocia
mayor número de vehículos los días sábados.Ha establecido la siguiente distribución probabilística para
el mayor número de autos que espera vender en un sábado en particular.
1. ¿Qué tipo de distribución es ésta?

2. En un sábado común, ¿cuántos autos debe esperar vender Aquiles?
3. ¿Cuál es la varianza de la distribución?
Solución
1. Este es un ejemplo de una distribución probabilística discreta. Observe que Aquiles

espera la venta de un cierto conjunto de automóviles; no confía vender 5 o 50 autos.
Además, no puede vender la mitad de un vehículo. Puede lograr la venta de solo 0, 1, 2,
3 y 4 autos. Asimismo, los resultados son mutuamente excluyentes; no puede vender un
total de 3 autos y 4 automóviles el mismo día.
2. El número medio de autos vendidos se calcula ponderando la cantidad de vehículos

negociados, por la probabilidad de vender este número y se totalizan luego los productos
aplicando la fórmula correspondiente:
Estos cálculos se resumen en la siguiente tabla:
¿Cómo se interpreta una media de 2.10?
Este valor indica que para un gran número de días sábados, el Sr. Castro espera vender
un promedio de 2.10 autos al día. (Depende luego no es posible vender exactamente
2.10 vehículos en un sábado en particular). Por tanto, a la media a veces se le considera
como el valor esperado.
3. De nuevo es útil una tabla para sistematizar los cálculos para la varianza cuyo valor es de
1.290
Recuerde que la desviación estándar, σ, es la raíz cuadrada de la varianza. En este

problema:
¿Cómo interpretar una desviación estándar de 1.136 automóviles?
Si la vendedora Rita Ruiz también vendió una media de 2.10 autos los sábados y la
desviación estándar en sus ventas fue de 1.910 vehículos, se concluirá que existe más
variabilidad en las transacciones sabatina de la Sra. Ruiz que en las del Sr. Castro
(debido a que 1.910 > 1.136).
A continuación, se presenta una fórmula alternativa para la varianza de una distribución

probabilística discreta. Tiene la ventaja de evitar la mayoría de las restas.
Para el ejemplo de los datos del señor Aquiles Castro, tenemos:
Utilizamos la fórmula anterior de la varianza:
Lo cual es el mismo valor encontrado antes.
1.5 Distribución de probabilidad binomial

La distribución probabilística binomial es un ejemplo de una distribución probabilística discreta. Una

característica de una distribución binomial es que solo hay dos resultados posibles en una realización
específica de un experimento.
Por ejemplo, la respuesta a una pregunta del tipo verdadero/falso es precisamente verdadera o falsa.
Los resultados son mutuamente excluyentes, lo cual significa que la respuesta a una pregunta de
verdadero/falso no puede ser verdadera y falsa al mismo tiempo.
Otros ejemplos
El Departamento de Control de Calidad de una empresa clasifica un producto como aceptable; un

trabajador es clasificado como empleado o desempleado; y una llamada de ventas resulta en que el
cliente compre el producto o no lo compre.
Frecuentemente clasificamos los dos resultados posibles como “éxito” y “fracaso”; sin embargo, esta
clasificación no implica que un resultado sea bueno y el otro sea malo.
Otra característica de la distribución binomial es que la variable aleatoria es el resultado de conteos.

Esto es, se cuenta el número de éxitos en la totalidad de ensayos. Se lanza una moneda cinco veces y
se cuenta el número de caras que resultan; se seleccionan diez trabajadores y se evalúa el número de
ellos que tienen más de sesenta años de edad o bien se escogen veinte cajas de cereal y se cuentan
las que pesaron más de lo indicado en el paquete.
Otra particularidad de esta distribución es que la probabilidad de un éxito permanece igual de un ensayo
a otro.
Ejemplos
● La probabilidad de que se adivine la primera pregunta de una prueba de verdadero/falso en
forma correcta (éxito) es igual a un medio (½). Este es el primer “ensayo”. La probabilidad de
adivinar en forma correcta la segunda pregunta (el segundo ensayo) también vale ½; la
probabilidad de éxito en el tercer ensayo es asimismo ½, y así sucesivamente.
● Si la experiencia revela que el puente levadizo sobre una vía fluvial estaba levantado una de
cada cinco veces que llegó a él, entonces la probabilidad de que esté levantado (éxito) la
próxima vez que llegue ahí será de un quinto (1/5), para la siguiente vez de nuevo un (1/5),
etc.…
La característica final de una distribución probabilística binomial es que un ensayo es independiente de

cualquier otro. Esto significa que no existe una configuración específica con respecto a los resultados.
Por ejemplo: las respuestas a una prueba de verdadero/falso no están dispuestas como V, V, V, F, F, F,
V, V, V, etc.;
Por lo tanto, una distribución binomial tiene las siguientes características:
1. Un resultado de cada ensayo o realización de un experimento se clasifica en una de dos
categorías mutuamente excluyentes: éxito o fracaso.
2. La variable aleatoria es el resultado de contar el número de éxitos en una cantidad fija
de ensayos.
3. La probabilidad de un éxito permanece igual para cada ensayo. Lo mismo sucede con la
probabilidad de un fracaso.
4. Los ensayos son independientes, lo cual significa que el resultado de un ensayo no
afecta el resultado de otro.
¿Cómo se elabora una distribución probabilística binomial?
Para establecer una distribución binomial, se debe saber:

1. el número de ensayos
2. la probabilidad de éxito en cada ensayo
Por ejemplo, si un examen realizado al término de un seminario de administración consiste en 20

preguntas de opción múltiple, el número de ensayos es 20. Si cada pregunta tiene cinco opciones y solo
una es correcta, la probabilidad de éxito en cada ensayo de una persona que desconozca la materia, es
0.20. De este modo, la probabilidad de que una persona sin conocimiento del tema adivine la respuesta
a una pregunta en forma correcta tiene un valor de 0.20; por tanto, se cumplen las condiciones descritas
para una distribución binomial.
La distribución probabilística binomial puede describirse utilizando la fórmula:
Donde:
𝑛 = es el número de ensayos
𝑥 = es el número de éxitos
π = es la probabilidad de éxitos de cada ensayo
Observe que utilizamos la letra griega para denotar un parámetro de una población. No debe
confundirse con la constante matemática igual a 3.1416….
Ejemplo
Como se sabe, la respuesta a una pregunta de verdadero/falso es correcta o incorrecta. Considere que:
(1) un examen consiste en cuatro preguntas de verdadero/falso
(2) un estudiante no sabe nada acerca de la materia.
La posibilidad (probabilidad) de que el alumno adivine la respuesta correcta a la primera pregunta es
0.50. Asimismo, la probabilidad de acertar en cada una de las preguntas restantes vale 0.50.
Cuál es la probabilidad de:
1. no obtener exactamente ninguna de las cuatro en forma correcta.

2. obtener exactamente una de las cuatro.
Solución
1. La probabilidad de no adivinar exactamente ninguna de las cuatro en forma correcta es
0.0625, que resulta de aplicar la fórmula correspondiente (recuerde que es igual a

1).
2. La probabilidad de obtener exactamente una correcta de las cuatro respuestas es

0.2500, que se obtiene de:
Las probabilidades de contestar exactamente ninguna (cero), una, dos, tres y cuatro preguntas
de verdadero/falso en forma correcta de un total de cuatro se muestran en la tabla siguiente:
Tabla 2: Distribución probabilística binomial para n = 4, π = 0.50
La variable aleatoria en la tabla se representa gráficamente en el diagrama siguiente. Observe

que esta distribución es simétrica. Este es siempre el caso cuando π, la probabilidad de un éxito
es igual a 0.50.
Figura 3: Distribución probabilística binomial para n = 4, π = 0.50
Uso de “tablas” de probabilidad binomial
Una distribución probabilística binomial es una distribución teórica que puede ser generada en
forma matemática; sin embargo, con excepción de problemas en los que n es pequeña (es decir,
n = 3, o bien 4), los cálculos para las probabilidades de 0, 1, 2,… Los éxitos pueden ser muy
largos.
Como ayuda para determinar las probabilidades necesarias, se ha desarrollado una amplia
variedad de “tablas” que dan las probabilidades de 0, 1, 2, 3,… éxitos para diferentes valores de
n y π. Este tipo de tablas generalmente están en los apéndices de los textos.
Una pequeña parte de una tabla presenta a continuación:
Tabla 3: Probabilidades binomiales para n = 6
Ejemplo
Con base en una experiencia reciente, 5% de los engranes producidos por una máquina automática de
alta velocidad Carter Bell resultan defectuosos. ¿Cuál es la probabilidad de que si entran seis
engranajes seleccionados al azar exactamente cero sean defectuosos? ¿Exactamente uno?, ¿dos?,
¿tres?, ¿cuatro?, ¿cinco?, ¿o exactamente seis de los seis? (Nota: n = 6, π = 0.05)
Solución
Observe que se cumple con las condiciones binomiales:

1. existe una probabilidad constante de éxito (0,05)
2. hay un número fijo de ensayos (6)
3. los ensayos son independientes
4. existen sólo dos resultados posibles (un engrane particular es defectuoso o aceptable)
Consulte la tabla anterior para determinar la probabilidad de exactamente cero engranajes

defectuosos. Vaya al margen izquierdo hasta llegar a una x de 0. Luego trasladarse en dirección
horizontal a la columna con el encabezado π igual a 0.05, para determinar la probabilidad, la
cual es 0.735.
La probabilidad de exactamente un engrane defectuoso en una muestra de seis, es igual a
0.232. La distribución probabilística binomial completa para n = 6 y π = 0.05 es:
Desde luego, existe cierta posibilidad de obtener exactamente cinco engranajes defectuosos de
seis selecciones aleatorias. Tiene el valor de 0.00000178, que se obtiene al sustituir los valores
adecuados en la fórmula binomial:
Para tener seis engranes defectuosos de una muestra de seis, la probabilidad es 0.000000016;
es decir, existe una probabilidad muy pequeña de seleccionar cinco o seis engranes defectuosos
en una muestra de seis.
Observaciones adicionales acerca de las distribuciones binomiales
1. Si n permanece constante, pero π aumenta de 0.05 a 0.95, la forma de la distribución cambia.

Observe se en la tabla siguiente que las probabilidades para π de 0.05 son positivamente
asimétricas. A medida que π se acerca a 0.50, la distribución tiende hacia arriba una distribución
simétrica. Cuando π rebasa 0.50 y avanza hacia 0.95, la distribución probabilística será
negativamente asimétrica. En la tabla se proporcionan las probabilidades para n = 10 y
probabilidades de éxito de 0.05, 0.10, 0.20, 0.50 y 0.70. Las gráficas de estos valores se
muestran en el diagrama siguiente:
Tabla 4: Probabilidad de 0, 1, 2, éxitos para una π de 0.05, 0.10, 0.20, 0.50, 0.70 y una n de 10
Figura 4: Representa la distribución probabilística binomial para una π de 0.05, 0.10, 0.20, 0.50
y 0.70, respectivamente y una n de 10.
2. Si π, probabilidad de éxito, permanece igual, pero n va aumentando, la forma de la distribución

binomial es cada vez más simétrica. En el diagrama que sigue se muestra un caso en el que π
permanece constante en 0.10, pero n aumenta a 7 a 40.
Figura 4: Representación de la distribución probabilística binomial para una π de 0.10 y una n

de 7, 12, 20 y 40, respectivamente
3. La media (μ) y la varianza de una distribución binomial puede calcularse de “manera

rápida” por
Para el ejemplo anterior acerca de los engranes defectuosos, recuérdese que π = 0. 05 y 𝑛 = 6.

Entonces:
μ = 𝑛π = 6(0. 05) = 0. 30
= 𝑛π(1 − π) = 6(0. 05)(1 − 0. 05) = 0. 285
La media de 0.30 y la varianza de 0.285 pueden verificarse a partir de las definiciones generales
utilizando las fórmulas correspondientes.
La distribución probabilística presentada anteriormente (tabla), se repite a continuación:

Distribuciones probabilísticas acumulativas
Puede ser conveniente determinar la probabilidad de adivinar correctamente las respuestas a seis o
más preguntas del tipo verdadero/falso, de un total de diez. O tal vez interese la probabilidad de
seleccionar al azar menos de dos piezas defectuosas de la producción en la hora anterior. Observemos
el siguiente ejemplo.
Ejemplo
Un estudio reciente de la Asociación de Vigilantes de Carreteras reveló que 60 % de los conductores en

Colombia se coloca el cinturón de seguridad al manejar. Se seleccionó una muestra de diez conductores
en una carretera de Bucaramanga.
1. ¿Cuál es la probabilidad de que exactamente siete llevarán fijo el cinturón?

2. ¿Cuál es la probabilidad de que siete o menos de los conductores lo lleven puesto?
Solución
Este caso cumple con los requisitos binomiales, es decir:
● Un conductor en particular lleva puesto el cinturón de seguridad, o no. Existen solo dos
resultados posibles.
● La probabilidad de un "éxito" (traer puesto el cinturón) es la misma de un conductor a
otro: 60 %.
● Los ensayos son independientes. Si el cuarto conductor seleccionado en la muestra sí
utiliza el cinturón, por ejemplo, esto no tiene efecto alguno en que el quinto automovilista
lo use o no.
● Existe un número fijo de ensayos, diez en este caso, porque diez conductores fueron
considerados.
1. Para obtener la probabilidad de exactamente siete conductores, podemos utilizar una

tabla de probabilidades binomiales. Localice la tabla para n = 10. Enseguida encuentre la
columna para π = 0.60 y el renglón para x = 7. El valor es 0.215; por lo tanto, la
probabilidad de obtener siete de diez conductores en la muestra que usan el cinturón de
seguridad es 0.215. Esto con frecuencia se escribe como se indica a continuación:
donde x es el número de éxitos, n el número de ensayos y π la probabilidad de un

éxito. La barra vertical "|" significa "dado que".
2. Para determinar la probabilidad de que siete o menos de los conductores utilicen

el cinturón de seguridad, aplicamos la regla especial de adición. Ya que los
eventos son mutuamente excluyentes se podría determinar la probabilidad de
que, de los diez conductores revisados, ninguno trajera puesto el cinturón, uno sí
lo utilizaba, dos lo llevaban colocado y así sucesivamente hasta los siete
conductores. Después se suman las probabilidades de los ocho resultados
posibles, a partir de una tabla de probabilidades binomiales, n = 10 y π = 0.60.
Por lo tanto, la probabilidad de revisar diez conductores al azar y encontrar que
siete o menos de los conductores utilizan sus cinturones de seguridad es 0.833.
Este valor también puede determinarse, con menos cálculos, aplicando la regla
de complemento.
Primero se determina dado que n = 10 y π = 0.60.
Esta probabilidad es 0.167, obtenida de:
La probabilidad de que es igual a .
Por lo que ,que es igual al valor anterior.
1.6 Distribución de probabilidad hipergeométrica
Ref. Lind, A. Douglas; et. al. (2012). Estadística aplicada a los negocios y a la economía. Pág. 208).
Sabemos que a partir de la distribución binomial, la probabilidad de éxito debe permanecer igual para
cada ensayo sucesivo. Por ejemplo, la probabilidad de adivinar la respuesta correcta para una pregunta
de verdadero / falso es igual a 0.50. Esta probabilidad permanece sin cambios para cada pregunta en
un examen. De manera similar, supóngase que 40% de los electores en una zona son del partido
Conservador. Si se van a seleccionar al azar 27 votantes registrados, la probabilidad de elegir un
conservador en la primera selección, también es 0.40. La probabilidad de obtener uno de ese partido en
la siguiente selección también es 0.40, considerando que el muestreo se hace con reposición, lo cual
significa que la persona seleccionada se pone de nuevo en la población antes de elegir a la siguiente.
La mayor parte del muestreo se realiza sin reposición; es decir, si la población es pequeña, la
probabilidad para cada observación cambiará. Por ejemplo, si la población está formada por 20
elementos, la probabilidad de seleccionar uno en particular de esa población es 1 / 20. Si el muestreo se
hace sin oposición, después de la primera selección solamente quedan 19 elementos; la probabilidad de
escoger un elemento específico en la segunda selección es solo de 1 / 19.
Para la tercera probabilidad es 1 / 18, y así sucesivamente. Esto considerando que la población es finita,
es decir, que se conoce el número de elementos en la población y es relativamente pequeño.
Población finita: es una población formada por un número pequeño de individuos, objetos o medidas.
Son ejemplos de una población finita de una población finita los 2842 afiliados al Partido Conservador
en una zona; las 9241 solicitudes de ingreso en una Facultad de Economía; y, los 18 autos Moonbird de
Eniac, actualmente en existencia en la agencia Pontiac Sur.
Recuérdese que uno de los criterios para utilizar la distribución binomial es que la probabilidad de éxito
permanece igual de un ensayo a otro. Cuando el muestreo se realiza sin la reposición y la muestra se
obtiene de una población relativamente pequeña, la probabilidad de éxito no permanece igual en un
ensayo a otro y no debe ser empleada la distribución binomial.
En vez de esto, debe aplicarse la distribución hipergeométrica.
Por tanto:
1. Si se selecciona una muestra de una población finita sin reposición

2. Si el tamaño de la muestra 𝑛 es mayor que 5% del tamaño de la población 𝑁
Entonces se utiliza la distribución hipergeométrica para determinar la probabilidad de un número

específico de éxitos o fracasos. Resulta muy adecuada cuando el tamaño de la población es pequeño.
La fórmula para la distribución hipergeométrica es:
Donde:
𝑁 es el tamaño de la población.
𝑆 es la cantidad de éxitos en la misma.
𝑥 es el número de éxitos que interesan. Puede ser 0, 1, 2, 3, ….
𝑛 es el tamaño de la muestra o el número de ensayos.
𝐶 es el símbolo para una combinación.
Ejemplo
Supóngase que durante la semana se fabricaron cincuenta juegos Station Play (N=50). Operaron
cuarenta sin problemas (S=40) y diez tuvieron al menos un defecto. Se selecciona una muestra al azar
de cinco (n=5). Utilizando la fórmula hipergeométrica, ¿Cuál es la probabilidad de que cuatro (x=4) de
los cinco funcionan perfectamente? (Observe que el muestreo se hace sin reposición y que el tamaño
de la muestra de cinco es 5/5 o 10% de la población. Esto es mayor de la condición de 5%)
Solución
En este problema
N = 50, número de juegos fabricados.

n = 5, ta,a{o de la muestra.
S = 40, cantidad de dichos juegos en la población que operan perfectamente.
X = 4, número en la muestra que funciona sin problemas.
Se desea determinar la probabilidad de que cuatro juegos Station Play de los cinco
seleccionados funcionen bien.
Sustituyendo estos valores en la fórmula correspondiente y resolviendolas para evaluar la
probabilidad de que 4 de los 5 juegos en la muestra funcionen sin problemas:
De modo que la probabilidad de seleccionar cinco juegos al azar de 50 y descubrir que cuatro de los
cinco operan bien es 0.431
Las probabilidades hipergeométricas de encontrar 0, 1, 2, 3, 4 y 5 juegos Station Play que funcionen

correctamente de las cinco seleccionados al azar se dan en la Tabla siguiente:
Tabla 5: Probabilidad hipergeométricas (n= 5, N= 50, S= 40) de los juegos Play Station que operen
correctamente
La tabla que aparece a continuación presenta las probabilidades hipergeométrica y binomiales para el
problema de los juegos Station Play.
Puesto que cuarenta de los cincuenta* operaron correctamente, la probabilidad binomial de seleccionar
un Station Play perfecto en un ensayo es 40 /50 = 0.80. Las probabilidades binomiales para la tabla
siguiente proviene de una tabla binomial de probabilidades, para n = 5, π = 0.80.
Tabla 6: Probabilidades hipergeométricas y binomiales para el problema de los juegos StatioN Play
Señalamos que cuando la condición binomial de una probabilidad constante de éxito no puede ser
cumplida, hay que utilizar la distribución hipergeométrica en su lugar. Sin embargo, según lo muestra la
tabla anterior, bajo muchas condiciones los resultados de la binomial se aproxima mucho a los de la
hipergeométrica.
Como regla empírica, si los elementos seleccionados no se devuelven a la población y el tamaño de la
muestra es menor que 5% de esa, puede ser empleada la distribución binomial para aproximar la
distribución hipergeométrica. Esto es cuando n< 0.05N, la aproximación binomial debe ser suficiente.
1.7 Distribución de probabilidad de Poisson

(Ref. Lind, A. D.; et al. (2012). Estadística aplicada a los negocios y a la economía, pág. 211)
Las distribuciones probabilísticas binomiales para probabilidades de éxito (π) menores que 0.05 podrían
calcularse, pero esto tomaría demasiado tiempo (en especial para una n grande de, por ejemplo, 100 o
más). La distribución de probabilidades se volvería cada vez más sesgada conforme la probabilidad de
éxito fuera menor.
La forma límite de la distribución binomial cuando la probabilidad de éxito es muy pequeña y n es

grande se denomina distribución probabilística Poisson.
Generalmente se la conoce como “Ley de eventos improbables”, lo cual significa que la probabilidad, π,
de que suceda un evento específico es muy pequeña. La distribución de Poisson es del tipo
probabilístico discreto porque se forma contando algo.
Esta distribución tiene muchas aplicaciones. Se utiliza como modelo para describir la distribución de
errores en la captura de datos, el número de ralladuras y otras imperfecciones en paneles de automóvil
recientemente pintados, el número de partes defectuosas en embarques de salida, el número de
clientes en espera de servicio en un restaurante o los que aguardan a entrar a una de las atracciones en
un centro de diversiones y el número de accidentes en una carretera durante un periodo de tres meses.
La distribución de Poisson puede describirse matemáticamente utilizando la siguiente fórmula:
Donde:
μ (miu) es la media aritmética del número de ocurrencia (éxitos) en un intervalo de tiempo
específico.
е es el constante 2.71828 (base del sistema logarítmico neperiano).
x es el número de ocurrencias (éxitos).
P(x) es la probabilidad que se va a calcular en el valor dado de x
El número medio de éxitos, μ, puede determinarse en los casos de Poisson por medio de 𝑛π, donde n
es el número de ensayos, y π la probabilidad de éxitos.
La varianza en la distribución de Poisson es también igual a 𝑛π.

Si, por ejemplo, la probabilidad de que sea devuelto un cheque expedido por un banco es de 0.003, y si
se cambian a efectivo 10.000 cheques, el número medio de cheques “protestados” es 3.0, que se
obtiene por μ = 𝑛π = 10000(0. 0003) = 3. 0
Recuérdese que para una distribución binomial existe un número fijo de ensayos. Por ejemplo, en el
caso de una prueba de opción múltiple de cuatro preguntas, puede haber solo cero, dos, tres o cuatro
éxitos (respuestas correctas). Sin embargo, la variable aleatoria, x, para una distribución de Poisson
puede tomar un número infinito de valores; esto es 0,1, 2, 3, 4, 5, …. Pero las probabilidades se
vuelven muy pequeñas después de las primeras ocurrencias (éxitos).
Para ilustrar el cálculo de una probabilidad de Poisson, considérese que en la empresa Aerolíneas del
Valle rara vez se pierde el equipaje. En la mayoría de los vuelos no se observa un mal manejo de
maletas; algunos reportan una valija perdida; unos cuantos tienen dos maletas extraviadas; rara vez un
vuelo tiene tres; y así sucesivamente. Supóngase que una muestra aleatoria de 1000 viajes aéreos
revela un total de 300 maletas perdidas. De esta forma, la media aritmética del número de equipajes
extraviados por vuelo es de 0.3, que se obtiene de 300/1000. Si la cantidad de maletas perdidas por
viaje aéreo sigue una distribución de Poisson con un μ = 0. 30, podemos calcular las diferentes
propiedades con la fórmula:
Por ejemplo, la propiedad de no perder ninguna maleta es:
En otras palabras,en 74% de los vuelos no habrá equipaje perdido. La probabilidad de exactamente una
mala extraviada es:
Por lo tanto, esperaríamos encontrar exactamente una maleta perdida en el 22% de los vuelos.
Las probabilidades de Poisson también pueden encontrarse en tablas, generalmente en los apéndices
de libros.
Ejemplo
Recuérdese del ejemplo anterior que el número de maletas perdidas sigue una distribución de Poisson
con una media de 0.3. Utilizar una tabla de probabilidades de Poisson para obtener la probabilidad de
que no se extravíe ninguna maleta en un vuelo en particular, ¿cuál es la probabilidad de que
exactamente una maleta se pierda en un vuelo específico?, ¿cuándo debe parecer sospechoso al
supervisor que un vuelo tenga demasiadas maletas extraviadas?
Solución
A continuación, se reproduce una parte de una tabla de probabilidades de Poisson.
Tabla 7: Tabla de Poisson para diferentes valores de μ (del apéndice de un libro)
Para determinar la probabilidad de que ninguna maleta se pierda, localiza la columna con el
encabezado “0.3” y léala hacia abajo hasta llegar al renglón marcado con “0”. La probabilidad es 0.7408,
de no tener alguna maleta perdida.
La probabilidad de que haya una valija extraviada es de 0.2222, lo cual se indica en la siguiente línea de
la tabla, en la misma columna.
La probabilidad de haber dos maletas perdidas es de 0.0333, que está en el renglón siguiente; para
tres, vale 0.0033; y para cuatro maletas, es 0.0003.
De ahí que, al supervisor de Aerolíneas del Valle no debe sorprenderle que haya un equipaje perdido,
pero debe esperar que rara vez ocurra la pérdida de más de una maleta.
Un diagrama de la distribución del número de errores se muestra en el diagrama siguiente. Observe que
la distribución se encuentra sesgada severamente en dirección positiva.
Figura 6: Distribución probabilística de Poisson para μ=0.3

La distribución probabilística de Poisson siempre tiene sesgo positivo. Además, la variable aleatoria de
Poisson no tiene límite superior específico. La distribución de Poisson para el ejemplo de las maletas
perdidas, donde µ=0.3, tiene gran asimetría. Conforme µ se hace más grande, la distribución de
Poisson se vuelve más simétrica.
Por ejemplo, en figura siguiente, se muestran las distribuciones del número de servicios de transmisión,
cambios de silenciadores y cambios de aceite, por día en un taller auto mecánico. Siguen las
distribuciones de Poisson con medias de 0.7, 2.0 y 6.0, respectivamente.
Figura 7: Distribución probabilística de Poisson para medias de 0.7, 2.0 y 6.0
Entonces, la distribución de Poisson en realidad es un grupo de distribuciones discretas. Para

aplicarla, n debe ser grande, como igual a 1000. Por el contrario, la probabilidad π de un
defecto, error y similares debe ser pequeña. Todo lo que se necesita para elaborar una
distribución probabilística de Poisson es el número promedio de defectos, errores, etc., que se
denota como μ. Esta cantidad se calcula por medio de nπ.
1.8 Distribución de probabilidad normal

Se ha presentado a tres familias de distribuciones probabilísticas discretas: la binomial, la

distribución hipergeométrica y la distribución de Poisson. Se basan en variables aleatorias
discretas, que pueden tomar solo valores específicos. Por ejemplo, el número de respuestas
correctas de un examen que contiene diez preguntas solo puede ser 0, 1, 2, 3, …,10. No puede
haber un número negativo de respuestas correctas, -7 respuestas, ni tampoco haber 7 ¼ o 15
correctas.
Continuaremos el estudio de las distribuciones probabilísticas, examinando una distribución

probabilística continua muy importante: la distribución probabilística normal.
Una variable aleatoria continua es la que puede tomar un número infinito de valores posibles
dentro de una gama o variedad específica. Generalmente, es el resultado de medir algo, como
el peso de una persona. El peso podría ser 112.0 kg, 112.12kg, etc. Otras variables aleatorias
continuas son la expectativa de vida (duración) de pilas de tipo alcalina, el volumen de un
recipiente de embarque y el peso de las impurezas en un lingote de acero.
Las distribuciones probabilísticas de las expectativas de vida de algunos productos, como

baterías, neumáticos y bombillos o lámparas tienden a seguir un patrón “normal”.
Se examinan las características principales de una distribución probabilística normal y la
llamada curva normal. Después se presenta la distribución normal estándar y sus aplicaciones.
Por último, se considera la forma cómo puede emplearse la distribución normal para estimar
probabilidades binomiales.
La familia de distribuciones probabilísticas normales
La distribución probabilística normal y su respectiva curva normal tiene las siguientes

características:
1. La curva normal es acampanada y presenta un solo pico en el centro de la distribución.

La media (aritmética), la mediana y la moda de la distribución son iguales y están
localizadas en el pico. De esta forma, la mitad del área bajo la curva se encuentra por
arriba de este punto central y la otra mitad por abajo.
2. La distribución probabilística normal es simétrica con respecto a su media. Si se corta la

curva normal verticalmente en este valor central, las dos mitades se reflejan como
imágenes a un espejo.
3. La curva normal decrece uniformemente en ambas direcciones a partir del valor central.
Es asintótica, lo cual significa que la curva se acerca cada vez más al eje X, pero en
realidad nunca llega a tocarlo. Esto es, los puntos extremos de la curva se extiende
indefinidamente en uno y otro sentidos.
Estas características se muestran gráficamente en el diagrama siguiente:
Figura 8: Características de una distribución normal.
No existe solo una distribución normal, sino que hay una “familia” de ellas. Existe una
distribución de probabilidad normal para los tiempos de servicio de los empleados de la planta
de Quito, para la que la media es de veinte (años) y la desviación estándar vale 3.1 (años).
Existe otra distribución probabilística normal para los citados tiempos en la planta de
Guayaquil, para la cual μ = 20 y σ = 3.9. En la figura siguiente. En la planta de Tena μ = 20 y σ
= 5.0, se ilustran tres distribuciones normales, para las cuales las medias son iguales, pero las
desviaciones estándar son diferentes.
Figura 9: Distribuciones probabilísticas normales con medias iguales, pero diferentes
desviaciones estándares
En la figura siguiente, se muestra la distribución de los pesos de empaques de tres cereales.

Los pesos están distribuidos en forma normal, con medias diferentes, pero desviaciones
estándares idénticas.
Figura 10: Distribuciones probabilísticas normales con medias diferentes, pero desviaciones
estándares iguales.
Por último, en la siguiente se muestran tres distribuciones normales que tienen distintas medias
y distintas desviaciones estándares. Muestran la distribución de resistencias a la tensión
medidas en libras por pulgadas cuadrada ( ) (psi) para tres tipos de cables.
Figura 11: Distribuciones probabilísticas normales con diferentes medias y desviaciones

estándares
Distribución probabilística normal estándar
Se observó que existe una familia de distribuciones normales. Cada distribución tiene media (μ)
o desviación estándar (σ), con valores diferentes. Por lo tanto, el número de distribuciones
normales es ilimitado. Resultaría físicamente imposible proporcionar una tabla de
probabilidades (como para la binomial y la de Poisson) para cada combinación de μ y σ. Por
fortuna, puede utilizarse un elemento de la familia de distribuciones normales para todos los
problemas donde tal distribución resulte aplicable. Tiene una media igual a 0 y una desviación
estándar igual a 1, y se denomina distribución normal estándar. Cualquier distribución
normal puede convertirse en una “distribución normal estándar” restando la media de cada
observación y dividiendo luego entre la desviación estándar.
Primero se convierte o se estandariza la distribución a una distribución normal estándar

utilizando el valor 𝑧, (también denominado, a veces desvío normal estandarizado o
simplemente desvío normal)
Valor “𝑧”
● Diferencia (desviación) entre un valor seleccionado, denotado por 𝑥, y la media μ,
dividida tal diferencia entre la desviación estándar σ.
● Por lo tanto, el valor 𝑧 es la distancia a partir de la media, medida en unidades de la
desviación estándar.
Expresando con un fórmula queda:
Donde:
𝑋: Es el valor de cualquier medida u observación específica.
μ: Es la media de la distribución.
σ: Es la desviación estándar de la distribución.
Como se observa por la definición anterior, el valor 𝑧 mide la distancia entre el valor específico
𝑋 y la media (aritmética), en unidades de la desviación estándar. Conociendo el valor 𝑧
determinado por la fórmula correspondiente, se puede obtener el área o la probabilidad bajo la
curva normal, recurriendo a las tablas que aparecen en los textos.
Supóngase, com ejemplo, que se obtuvo por cálculo una 𝑧 = 1.91. ¿Cuál es el área bajo la
curva normal entre la media y 𝑋?
Se reproduce una parte de una tabla “normal”

Tabla 8: Áreas bajo la curva normal
Descienda se por la columna izquierda de esta, encabezada por la letra 𝑧, hasta 1.91. Luego se
desplaza horizontalmente hacia la derecha y se lee la probabilidad bajo la columna
encabezada por 0.01, resulta 0.4719. Esto significa que 4719% del área bajo la curva se
encuentra entre la media y e valor de 𝑋 de 1.91 desviaciones estándares por arriba de la
media. Esta es la probabilidad de que una observación se encuentre entre 0 y 1.91
desviaciones estándares respecto de la media.
Aplicaciones de la distribución normal estándar
¿Cuál es el área bajo la curva entre la media y 𝑋 para los siguientes valores 𝑧?
Compruebe sus respuestas con las expresadas.
No todos los valores se encuentran en una tabla.
Deberá utilizar alguna tabla que figura al final del libro.
Ahora se calculará el valor 𝑧 cuando se conoce la media poblacional, μ, la desviación estándar

de la población σ, y uba 𝑋 seleccionada
Ejemplo
La media de un grupo de ingresos semanales con distribución normal para un grupo de
gerentes de nivel medio, es $1000 (dólares) y la desviación estándar es de $100.
¿Cuál es el valor 𝑧 para un ingreso de $1100? ¿Y para uno de $900?
Solución
Utilizamos la fórmula correspondiente, los valores 𝑧 para los dos valores 𝑋 ($1100 y
$900) se calcula como sigue:
Para 𝑋 = $1100 Para 𝑋 = $900
El valor 𝑧 de 1.00 indica que un ingreso semanal de $1100 para un gerente de nivel medio está
a una desviación estándar por encima de la media.
Un valor 𝑧 de -1.00 indica que un ingreso semanal de $900 está a una desviación estándar por
debajo de la media.
Observe que ambos ingresos ($1100 y $900) están a la misma distancia ($100) respecto de la
media.
Áreas bajo la curva normal
Antes de examinar diversas aplicaciones de la distribución de probabilidad normal estándar, se

considerarán tres áreas bajo la curva que se utilizan con frecuencia.
1. Aproximadamente 68% del área bajo la curva normal está dentro de más una y menos
una desviación estándar respecto de la media. Esto se expresa como μ 土 1σ.
2. Aproximadamente 95% del área bajo la curva normal está dentro de más dos y menos
dos desviaciones estándares respecto de la media lo que se expresa como μ 土 2σ.
3. Prácticamente toda el área (99.7%) bajo la curva normal está dentro de tres
desviaciones estándares respecto de la media (a uno y otro lados del centro), lo cual se
indica por μ 土 3σ.
Mostrando esto en un diagrama y utilizando porcentajes más precisos queda:
El transformar las mediciones a valor 𝑧 (o desvíos normales estándares) cambia la escala. Las
conversaciones se muestran en el siguiente diagrama.
Por ejemplo μ 土 1σ se convierte a un valor 𝑧 de +1.00. De manera semejante, μ − 2σ se

transforma en un valor 𝑧 de -2.00. Observe que el centro de la distribución 𝑧 es cero, o cual
indica que no existe desviación respecto a la media, μ.
Estos conceptos pueden expresarse de manera algo distinta: el área bajo la curva normal de
más y menos una desviación estándar respecto de la media es de 0.6826. El área dentro de
más o menos dos desviaciones estándares respecto de la media es 0.9544. El área dentro de
tres desviaciones estándares respecto a la media vale 0.9974. Y el área total bajo la curva
normal es 1.0000.
Ejemplo
Una prueba de vida útil para un gran número de pilas alcalinas tipo D, reveló que la duración
media para un uso específico antes de la falla es de 1.90 horas. La distribución de las
oraciones se aproxima a una distribución normal. La desviación estándar de la distribución fue
de 1.2 horas.
1. ¿Entre qué par de valores falló aproximadamente 68 % de la pilas?
2. ¿Entre cuáles dos valores ocurrió la falla alrededor de 95% de la pilas?
3. ¿Entre qué par de valores fallaron prácticamente todas las pilas?
Solución
1. Aproximadamente 68% falló entre 17.8 h y 20.2 h, valores obtenidos de 19. 0 土1 (1. 2).
2. Alrededor de 95% lo hizo entre 16.6 h y 21.4 h, calculado por 19. 0 土2 (1. 2).
3. Prácticamente todas las pilas fallaron entre 15.4 h y 22.6 h, lo que resulta de
19. 0 土13(1. 2).
Mostrando esto en un diagrama queda como sigue:
La primera aplicación de la distribución normal estándar se relaciona con la determinación

del área bajo la curva normal, entre la media y un valor seleccionado, que se denota por 𝑋.
Utilizando el mismo problema que en el ejemplo anterior del ingreso semanal

[μ = $1000(𝑑ó𝑙𝑎𝑟𝑒𝑠), σ = $100] , ¿ cuál es el área bajo la curva normal entre $1000 y $1100?
Ya hemos convertido $1100 a un valor 𝑧 de 1.00 aplicando la fórmula respectiva. Una vez más:
A continuación, se presenta una pequeña parte de una tabla final de un libro. Para localizar el
área, recorra hacia abajo la columna izquierda hasta 1.0. Después se va horizontalmente hacia
la derecha, y se lee el área bajo la curva en la columna marcada 0.00. Resulta así: 0.3413
Representado en un diagrama:
El área bajo la curva normal entre $1000 y $1100 es 0.3413. También puede decirse que
34.13% de los ingresos semanales están entre $1000 y $1100, y la probabilidad de que ingreso
específico se halle entre $100 y $ 1100 tiene por valor 0.3413
Ejemplo
Refiérase al problema anterior [μ = $1000(𝑑ó𝑙𝑎𝑟𝑒𝑠), σ = $100].
1. ¿Cuál es la probabilidad de que un ingreso semanal específico seleccionado al azar esté

entre $790 y $1000?
2. ¿Cuál es la probabilidad de que el ingreso sea menor de $790?
Solución
Calculando el valor 𝑧 para $790 mediante la fórmula respectiva:
1. El área bajo la curva normal entre μ y 𝑋 correspondiente a un valor 𝑧 de -2.10 es 0.4821

(tomando de la tabla). El signo negativo antes de 2.10 indica que el área está a la
izquierda de la media, pero no cambia su tamaño.
2. La media divide a la curva normal en dos mitades idénticas . El área bajo la mitad de la
gráfica a la izquierda de la media vale 0.5000 y el área que se encuentra a la derecha de
la mitad también es 0.5000. Como el área bajo la curva entre $790 y $1000 es 0.4821, el
área por debajo de $790 se determina restando 0.4821 de 0.5000. De esta forma,
0.5000 - 0.4821 = 0.0179. En un diagrama queda:
Una segunda aplicación de la distribución normal estándar se relaciona con combinar dos
áreas: una a la derecha y otro a la izquierda de la media.
Ejemplo
Volviendo a la distribución de ingresos semanales [μ = $1000(𝑑ó𝑙𝑎𝑟𝑒𝑠), σ = $100], ¿Cuánto
vale el área bajo la curva normal entre $840 y $1200 dólares?
Solución
El problema se divide en dos partes. Para el área entre $840 y la media de $1000:
Para el área entre la media de $1000 y $1200:
El área bajo la curva para un valor 𝑧 de -1.60 es 0.4452 (tomada de una tabla). El área bajo la
curva para un 𝑧 de 2.00 es 0.4772. Sumando las dos áreas queda: 0. 4452 + 0. 4772 = 0. 9224
. De esta forma, la probabilidad de seleccionar un ingreso entre $840 y $1200 es 0.9224. En
otras palabras, 92.24% de los gerentes tiene un ingreso semanal entre $840 y $1200.
Mostrado en un diagrama:
Una aplicación en la distribución normal estándar consiste en determinar el área por
encima o por debajo de un valor específico.
Ejemplo
Considerando de nuevo el ejemplo de los ingresos semanales [μ = $1000, σ = $100], ¿Qué
porcentaje de los ejecutivos tiene ingresos por semana de $1245 o más?
Solución
Primero es necesario determinar el área entre la media de $1000 y $1245. Se utiliza la
fórmula correspondiente, primero para calcular 𝑧,
Consultando en una tabla de la distribución normal, el área asociada a una valor 𝑧 de 2.45 es
0.492. Esta es la comprendida entre $1200 y $1245. Resulta lógico que el área a partir de
$1245 y que llega hasta el final de la curva, se obtenga al restar 0.4929 de 0.5000. El área es
0.00771, lo cual indica que solo el 0.71% de los ejecutivos tiene ingreso semanal de$1245 o
más.
En el diagrama que sigue muestra los diversos aspectos de este problema.
Otra aplicación de la distribución normal estándar implica determinar el área entre valores
sobre el mismo lado de la media.
Ejemplo
Volviendo al ejemplo de los ingresos [μ = $1000, σ = $100], ¿Cuánto vale el área bajo la
curva normal entre $1150 y 1250?
Solución
El problema se separa de nuevo en dos partes y se aplica la fórmula correspondiente
En primer lugar encuentra el valor 𝑧 asociado a un ingreso semanal de $1250.
Enseguida se obtiene el valor 𝑧 para un ingreso semanal de $1150
Utilizando la tabla de la distribución normal, el área asociada a un valor 𝑧 de 2.50 es 0.4938.

Por lo tanto, la probabilidad de un ingreso por semana entre $1000 y $1250 es 0.4938. En
forma semejante, el área asociada a un valor 𝑧 de 1.50 es 0.4332, así la probabilidad de un
ingreso semanal entre $1150 y $1250 se obtiene restando el área correspondiente a un valor 𝑧
de 1.50 (que es 0.4332), de la que corresponde a un 𝑧 de 2.50 (o sea 0.4938). Por lo tanto, la
probabilidad de un ingreso semanal entre $1150 y $1240 es 0.0606.
En diagrama
En resumen, existen solamente cuatro situaciones en las que se quiere el área bajo la
distribución normal estándar.
1. Si se desea hallar el área entre 0 y Z (o –Z), se puede buscar el valor directamente en la

tabla.
2. Si se quiere obtener el área más allá de Z o (-Z), localice la probabilidad de z en la tabla
y reste este valor de 0.5000.
3. Para el área entre dos puntos en diferentes lados de la media, determine el valor Z y
sume las áreas correspondientes.
4. Para el área entre dos puntos en el mismo lado de la media, determine así mismo el
valor Z y reste el área menor de la mayor.
En los ejemplos anteriores fue necesario determinar el porcentaje de las observaciones

localizadas entre dos observaciones o el porcentaje de las mismas por arriba (mayores), de
una observación específica X. Una aplicación adicional de la distribución normal estándar se
relaciona con determinar el valor de la observación X cuando se da el porcentaje por encima o
por debajo de la misma.
Ejemplo
Supóngase que un fabricante de neumáticos desea fijar una garantía mínima de millas
recorridas para su nueva llanta MYX1000. Las pruebas de duración revelaron que la media de
las millas recorridas es 47900, con una desviación estándar de 250 millas y con distribución
normal. El fabricante desea fijar las millas recorridas de garantía de manera que no sea
necesario reemplazar más del 4 % de los neumáticos. ¿Cuántas millas de recorrido de garantía
debe anunciar el fabricante?
Solución
Los aspectos de este problema se señalan en el diagrama siguiente, donde X

representa las millas de garantía.
Sustituyendo estos valores en la fórmula respectiva, para z:
Hay dos incógnitas 𝑧 y 𝑋. para determinar 𝑧 Observe que el área bajo la curva normal a la
izquierda de μ, vale 0.5000. El área entre μ y 𝑋 es 0.4600, que se determina de
0. 5000 − 0. 400. Ahora consulte una tabla de la normal y busque en el cuerpo de la tabla del
área más cercana a 0.4600, específicamente 0.4599. Vaya hacia el margen de este valor y lea
de 1.75
Estos pasos se resumen en la siguiente tabla:
Tabla 9: Áreas seleccionadas bajo la curva normal
Sabiendo que la distancia entre μ y 𝑋 es -1.75 σ, ahora se puede despejar 𝑋 (mínimo de millas
garantizadas).
Por lo tanto, el fabricante puede anunciar que reemplazará gratis cualquier neumático que se
gaste antes de llegar a las 44312 millas, y la compañía sabrá que solamente un 4% de sus
productos será sustituido siguiendo este plan.
Una cuarta aplicación de la distribución normal consiste en comparar dos o más

observaciones que estén en distintas escalas o en diferentes unidades. Esto es, las
observaciones correspondientes a distintas distribuciones.
Ejemplo
Supóngase que un estudio de los internos de una institución correccional se refiere al ajuste
social de los reclusos, y sus perspectivas de rehabilitación al salir en libertad. A cada uno se le
aplica una prueba referente al ajuste social. Las puntuaciones siguen una distribución normal,
con media de 100 y desviación estándar de 20.
Los psicólogos del reclusorio calificaron a cada interno con respecto a la probabilidad de
rehabilitación. Tales puntuaciones también están distribuidas en forma normal, con media de
500 y desviación estándar de 100.
María Caza, una interna, obtuvo 146 en la prueba de ajuste social y su puntuación con
respecto a rehabilitación es 335. ¿De qué modo se compara su calificación con la del grupo, en
lo que se refiere a la responsabilidad social y las perspectivas de rehabilitación?
Solución
Al convertir a valor 𝑧 su puntuación de la prueba de ajuste o responsabilidad, de 146,

aplicando la fórmula respectiva, queda:
Convirtiendo a valor 𝑧 su puntuación de perspectivas de rehabilitación de 335, resulta:
Las puntuaciones estandarizadas y la clasificación también estandarizada se muestra a

continuación:
Con respecto a responsabilidad social, María Caza está en el 1 % más elevado del
grupo. Sin embargo, en comparación con los otros internos, queda en el 5 % más bajo
en lo que se refiere a las posibilidades de rehabilitación.
1.9. Aproximación normal a la binomial
Se analizó la distribución probabilística binomial, que es una distribución discreta. Una tabla de
probabilidades binomiales generalmente va en forma sucesiva desde una n de 1 hasta n de 20,
y después a una n = 25. Supóngase que un problema se relaciona con obtener una muestra de
tamaño 60. El generar una distribución binomial para un número de esa dimensión tomaría
mucho tiempo, aun utilizando una computadora. Un enfoque más eficiente consiste en aplicar
la aproximación normal a la binomial.
Utilizar la distribución normal (que es continua) como sustituto de una del tipo binomial (que es
una distribución discreta) para valores grandes de n parece razonable porque conforme n
aumenta, una distribución binomial se acerca cada vez más a una del tipo normal. Este cambio
en la forma de la distribución binomial con π = 0. 50 desde una n de 1 a una n de 20 se
presenta en el diagrama siguiente:
Figura 12: Distribuciones binomiales par una n de 1, 3 y 20, donde π = 0.50
¿Cuándo es posible utilizar la aproximación normal a la binomial?
La distribución probabilística normal por lo común se considera una buena aproximación a la

del tipo binomial cuando 𝑛π y 𝑛(1 − π) son por lo menos 5. Sin embargo, antes de aplicar
dicha aproximación normal es necesario asegurarse de que la distribución de interés en
realidad sea una del tipo de binomial. Para que esto suceda deben ser aplicables cuatro
criterios:
1. Existen sólo dos resultados mutuamente excluyentes para el experimento: un “éxito” y
un “fracaso”.
2. Una distribución resulta de contar el número de éxitos en una cantidad fija de ensayos.
3. Cada ensayo es independiente.
4. La probabilidad, π, debe permanecer igual de un ensayo a otro.

Factor de corrección por continuidad
Para mostrar la aplicación de la aproximación normal a la binomial y la necesidad de un factor

de corrección, suponga que la gerencia de un restaurante (Santos Pizza) encontró que el 70 %
de sus nuevos clientes vuelve en otra ocasión. En una semana en la que 80 consumidores
recientes (de primera vez) cenaron en el establecimiento, ¿cuál es la probabilidad de que 60 o
más regresen en otra ocasión?
Observe que las condiciones binomiales se cumplen cuando:

1. Existen sólo dos resultados posibles, un cliente vuelve por otra comida o no lo hace.
2. Se puede contar el número de éxitos y ello significa, que regresan 57 de los 80 clientes.
3. Los ensayos son independientes, significa esto que si la 34° persona vuelve para un
segundo servicio, eso no afecta el que regrese 58° cliente.
4. La probabilidad de que una persona se presente de nuevo permanece 0.70 para todos
los 80 clientes.
Por lo tanto, se podría utilizar la fórmula binomial:
Las probabilidades binomiales para la distribución entre 43 y 68 clientes que regresan se

muestran en la tabla siguiente:
Se puede determinar la probabilidad de 60 o más sumando nuevamente 0.063 + 0.048 + … +

0.001, lo que da 0.197.
Sin embargo, al observar la representación siguiente podemos ver la similitud de esta

distribución con una del tipo normal. Todo lo que tenemos que hacer es convertir las
probabilidades discretas en una distribución continua. Además, el trabajar con una distribución
normal incluirá menos cálculos que el hacerlo con la binomial.
El objetivo es dejar que la probabilidad discreta para 56 clientes sea representada por un área
bajo la curva entre 55.5 y 56.5. Después, considerar que la probabilidad para 57 clientes
corresponda a un área entre 56.5 y 57.5, y así sucesivamente. Lo anterior es tan solo el punto
contrario del redondeo de los números a una cifra entera.
Debido a que se utiliza la gráfica normal para determinar la probabilidad binomial de 60 o más
éxitos, se resta, en este caso 0.5 de 60. El valor 0.5 se denomina factor de corrección por
continuidad. Este pequeño ajuste debe hacerse porque una distribución continua (la de tipo
normal) sirve para aproximar una distribución discreta (la binomial). Restando, 60-0.5=59.5.
Factor de corrección por continuidad
Es el valor 0.5 que se resta o se suma, dependiendo del problema, a un valor seleccionado
cuando una distribución probabilística discreta se está aproximando por medio de una del tipo
continuo.
Cómo aplicar el factor de corrección
Solamente pueden surgir cuatro casos, los cuales son:

1. Para la probabilidad de que por lo menos 𝑋 ocurran, use el área por encima de
(𝑋 − 0. 5).
2. Para la probabilidad de que más de 𝑋 sucedan, utilice el área por arriba de (𝑋 + 0. 5).
3. Para la probabilidad de que 𝑋 o menos ocurran, aplique el área por debajo de (𝑋 + 0. 5)
4. Para la probabilidad de que menos de 𝑋 sucedan, emplee el área situada por debajo de
(𝑋 − 0. 5).
Los pasos para utilizar la distribución normal a fin de aproximar la probabilidad de que 60 o
más clientes nuevos, de 80, regresen al restaurante Santos son:
Paso 1. Hallar el valor 𝑍 que corresponde a una 𝑋 de 59.5 aplicando las fórmulas
respectivas, para la media y la varianza de una distribución binomial:
Paso 2. Determine el área bajo la curva normal entre μ de 56 y una 𝑋 de 59.5. Del paso
1 se sabe que el valor 𝑍 correspondiente a 59.5, es 0.85. Así que recurra a una tabla, lea
hacia abajo en el margen izquierdo hasta llegar a 0.8 y después pase horizontalmente
hasta el área bajo la columna con el encabezado 0.05. Tal área es 0.3023.
Paso 3. Calcular el área más allá de 59.5 al resto 0.3023 de 0.5000 (es decir,
(0. 5000 − 0. 3023 = 0. 1977). De esta forma, 0.1977 es la probabilidad aproximada de
que 60 o más clientes nuevos, de los 80, regresen en otra ocasión al restaurante
Santos.
Los aspectos de este problema se muestran de manera gráfica como sigue:
Sin duda estará de acuerdo en que utilizar la aproximación normal a la binomial es un

método mucho más eficiente para calcular la probabilidad de que vuelvan 60 o más
clientes nuevos.
Recursos complementarios
Distribución de probabilidad
https://es.wikipedia.org/wiki/Distribución_de_probabilidad
Distribución discreta de probabilidad

https://youtu.be/ao6ceIWy3Eg
Bibliografía
Autoevaluación
1. Los posibles resultados de un experimento relacionado con el lanzamiento de un dado,
obviamente son: “uno”, un “dos”, un “tres”, un “cuatro”, un “cinco” y un “seis”. ¿Cuál es el
total de las probabilidades?
a. 6 /6
b. 1 /2
c. 1 /6
d. 3 /6
2. El Palacio de la Pizza ofrece tres tamaños de refresco: pequeño, mediano y grande

como complemento de sus pizzas, Los refrescos se venden a 50, 75 y 90 centavos de
dólar, respectivamente. De los pedidos: 30% son para el tamaño pequeño, 50% área el
mediano, 20% para el grande. Organice el tamaño de los refrescos y la probabilidad de
una venta dentro de una distribución probabilística. ¿Qué tipo de distribución es?
a. Es una distribución de tipo continua.
b. Es una distribución de tipo discreta.
c. Es una distribución categórica.
d. Es una distribución de tipo descriptiva.

una venta dentro de una distribución probabilística.La cantidad media cobrada por un
refresco es:
a. 70.50 centavos de dólar

b. 75 centavos de dólar
c. 71.67 centavos de dólar
d. 70 centavos de dólar.

una venta dentro de una distribución probabilística. ¿Cuál es la varianza de los cobros
por el refresco?
a. 212.25 centavos de dólar.
b. 14.57 centavos de dólar.
c. 212 centavos de dólar.
una venta dentro de una distribución probabilística. ¿Cuál es la desviación estándar de
los cobros por el refresco?
a. 14.57 centavos de dólar.
b. 212.25 centavos de dólar.
c. 14 centavos de dólar.
6. La Agencia de Turismo de San Miguel informa que un puente elevadizo en particular

sobre la vía E31 queda levantado, bloqueando el tránsito de autos, 20% del tiempo.
Usted ha de pasar en auto por la calzada una vez al día, en los próximos siete días y
desea predecir el número de los mismos en que el puente estará en la posición elevada
cuando se acerque. ¿Esta situación se adapta a la hipótesis de la distribución
probabilística binomial?
a. Verdadero
b. Falso

cuando se acerque. Calcule la probabilidad de que el puente se halle levantado cada
vez que usted se acerque:
a. 0.0000128
b. 0.00032
c. 0.04
d. 0.49

cuando se acerque. ¿Cuál es la probabilidad de que esté en la posición elevada
exactamente en tres de sus siete viajes?
a. 0.01147
b. 0.3670
c. 0.0000128
d. 0.2
cuando se acerque.Determine la probabilidad de que esté levantada exactamente 1 vez
a. 0.3670
b. 0.01147
c. 0.0000128
d. 0.2
10. Un cultivador de semillas híbridas tiene problemas con gusanos barrenadores del maíz.
Una exploración aleatoria de 5000 mazorcas reveló estos datos: muchas de ellas no
contenían gusanos; algunos tenían uno; unas contenían dos: y así sucesivamente. La
distribución del número de barrenadores por mazorcas se aproxima a la distribución de
Poisson. El agricultor contó 3500 gusanos en las 5000 mazorcas. ¿Cuál es la
probabilidad de que una mazorca seleccionada al azar no tenga barrenadores?
a. 0.4966
b. 0.7
c. 0.5
d. 0.3476
11. La distribución de los ingresos anuales de un grupo de empleados a nivel gerencia

media en Plásticos Campeón siguió en forma aproximada una distribución normal con
una media de $37200 (dólares) y una desviación estándar de $800. ¿Entre qué par de
cantidades está aproximadamente el 68% de los ingresos?
a. $36400 y $38000
b. $35600 y $38800
c. $34800 y $39600
d. $36000 y $37600

una media de $37200 (dólares) y una desviación estándar de $800. ¿Cuál es la moda
de los ingresos?
a. $37200
b. $36400
c. $34800
d. $35600

una media de $37200 (dólares) y una desviación estándar de $800. ¿Entre qué par de
valores se hallan prácticamente todos los ingresos?
a. $36400 y $38000
b. $35600 y $38800
c. $34800 y $39600
d. $36000 y $37600
14. A los empleados de la empresa Manufactureras Ambato se les otorga puntuaciones por
eficiencia. La distribución de estás sigue aproximadamente una distribución normal. La
media es 400 y la desviación estándar 50. ¿Cuánto vale el área bajo la curva normal
entre 400 y 482?
a. 0.4495
b. 0.4590
c. 0.4500
d. 0.5000
15. A los empleados de la empresa Manufactureras Ambato se les otorga puntuaciones por
eficiencia. La distribución de estás sigue aproximadamente una distribución normal. La
media es 400 y la desviación estándar 50. ¿Cuánto vale el área bajo la curva normal
para puntuaciones mayores que 482?
a. 0.0500
b. 0.4590
c. 0.4500
d. 0.0505
16. Un análisis de las calificaciones finales obtenidas en una prueba de un seminario de

programas de computación reveló que seguían aproximadamente un curva normal, con
media de 75 y desviación estándar de 8. El profesor desea otorgar una calificación de A
al 10% superior de las evaluaciones en la prueba. ¿Cuál es el punto divisorio entre las
calificaciones A y B?
a. 67.00
b. 83.00
c. 50.00
d. 85.24
17. Un estudio realizado por la compañía Aseguradora del Pacífico reveló que los
propietarios no recuperaron los bienes robados en 80% de los hurtos reportados a la
aseguradora. Durante cierto tiempo en el que ocurrieron 200, ¿Cuál es la probabilidad
de que no se recuperen los bienes objetos de hurto en 170 o más de los actos de
latrocinio?
a. 0.2000
b. 0.8000
c. 0.1700
d. 0.0465
Tema 2:
Estimaciones de intervalos de confianza
2.1 Introducción
El objetivo de la inferencia estadística es determinar algo acerca de una población con base en
una muestra, La población es el grupo completo de individuos u objetos en estudio y la muestra
es una parte o subgrupo de esa población.
Una muestra es un medio utilizado para inferir acerca de una población mediante la selección
de una parte de la misma. Se analizarán métodos para escoger una muestra de una población.
Después se elaborará una distribución de las medias muestrales para comprender la forma en
que tales valores medios tienden a agruparse alrededor de la media poblacional y por qué esta
distribución se aproxima a la del tipo normal.
Se establecerán los intervalos de confianza, que define una gama de valores dentro de la cual
ocurrirá, probablemente, el valor de la población. Se definen fórmulas que determinan el
número de observaciones necesarias para diferentes situaciones de muestreo.
El muestreo es la única forma de determinar algo acerca de la población. Algunas de las

principales razones por las que este es necesario son:
● La naturaleza destructiva de ciertas pruebas.
● La imposibilidad física de revisar todos los integrantes de la población.
● El costo de estudiar a todos los integrantes de una población frecuentemente es
prohibitivo.
● Lo adecuado de los resultados de la muestra.
● En ocasiones se necesitaría mucho tiempo para entrevistar a toda la población.
2.2 Métodos de muestreo probabilístico

Existen dos tipos de muestras: la muestra probabilística y la muestra no probabilística.
Muestra probabilística
Muestra que se selecciona de modo que cada integrante de la población en estudio tenga una
probabilidad conocida (no igual a cero) de ser incluida en la muestra.
Si se realiza un muestreo de probabilidades, cada integrante de la población tiene la posibilidad

de ser seleccionado. Al utilizar métodos no probabilísticos,no todos los integrantes tienen la
probabilidad de ser incluidos en la muestra. En estos casos, los resultados pueden estar
sesgados, lo que significa que tales resultados de la muestra no serán representativos de la
población.
No hay método que sea el “mejor” para seleccionar una muestra probabilística de una
población de interés. Los métodos de muestreo probabilístico tienen un objetivo similar: permitir
que el azar determine los integrantes que se incluirán en la muestra.
Muestreo aleatorio simple
El tipo de muestreo más utilizado es el denominado
Muestreo aleatorio simple (MAS): Muestra seleccionada de manera que cada integrante de la
población tenga la misma probabilidad de quedar incluido.
Para ilustrar el muestreo aleatorio simple y la selección, suponga que una población consta de
845 empleados de una empresa. Se seleccionará una muestra de 52 a partir de una población.
Una forma de asegurar que todos los trabajadores en la población tengan la misma
oportunidad de ser elegidos es escribir primero el nombre de cada uno en una papeleta y
depositar todos los papeles. Después que se han mezclado bien, se realiza la primera
selección sacando una papeleta de la urna sin mirarla. Este proceso se repite hasta que elige
52 el tamaño requerido.
Un método adecuado de seleccionar una muestra aleatoria es emplear el número de

identificación de cada empleado y una tabla de números aleatorios. Como su nombre lo indica,
estos números han sido generados por un proceso aleatorio (por ejemplo, por una
computadora). Para cada dígito de un número, la probabilidad de 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 es la
misma. Así la probabilidad de que el empleado con número 011 sea elegido, es la misma que la
del empleado 722, o que la del 383; por lo tanto, quedan eliminados así los sesgos en el
proceso de selección.
A continuación, se muestra una parte de una tabla de números aleatorios. Para utilizar esta
tabla a fin de seleccionar una muestra de los empleados, primero debe elegirse un punto de
inicio en la tabla. Cualquier punto de comienzo servirá. Supóngase que la hora es 3h04. Podría
uno ver la tercera columna, y después bajar al cuarto conjunto de números. El resultado es
03759. Como solo hay 845 empleados, se utilizarán los primeros tres dígitos de un número
aleatorio de cinco cifras. De modo que 037 es el número del primer empleado que será
elemento de la muestra. A fin de continuar seleccionando, se puede ir en cualquier dirección.
Supóngase que se decide ir hacia la derecha. Los primeros tres dígitos del número a la
derecha de 13759 son 477, que es el número del empleado que se escogerá como segundo
elemento de la muestra. El tercer número de tres dígitos también a la derecha es 961. No se
puede usar el 961 porque solamente hay 845 empleados. Se continúa en la misma dirección y
se selecciona al empleado 784 al 189 y así sucesivamente. Otra forma de seleccionar el punto
de inicio es cerrando los ojos y fijando con un lápiz un número de tabla.
Muestreo aleatorio sistemático
El procedimiento de muestreo aleatorio simple puede ser difícil de utilizar en algunos casos de
investigación. Por ejemplo, suponga que la población de interés consta de 2000 facturas
colocadas en gavetas de archivo. Para obtener una muestra aleatoria simple primero se
necesitaría numerar dichos elementos elementos del 0000 al 1999. Usando una tabla de
números aleatorios, una muestra de;
Por ejemplo
100 números, se tendría que seleccionar. Habría que localizar en las gavetas una factura que
correspondiera a cada uno de estos 100 números. Esto sería una tarea larga. En su lugar
puede seleccionarse una muestra aleatoria sistemática, seleccionando simplemente un
elemento de cada 2 de los que se encuentran en el archivo. La primera factura se elegirá
utilizando un proceso al azar o fortuito, por ejemplo, una tabla de números aleatorios. Si se
selecciona el elemento número 10 como el punto de inicio, la muestra constaría de las facturas
de las facturas números 10, 30, 50, 70, tc. Ya que en el primer elemento de inicio se eligen al
azar todas las facturas tienen la misma probabilidad de ser seleccionadas para la muestra. Así
que se tiene una manufactura probabilística.
Muestra aleatoria sistemática: Los integrales o elementos de la población se ordena en

alguna forma
Por ejemplo
Alfabéticamente en un archivo según la fecha en que se reciben o por algún otro método. Se
selecciona al azar un puto de partida y después de elige pra lamuestra de cada k-ésimo
elemento de la población.
Sin embargo, no debe utilizarse una muestra sistemática si hay un patrón predeterminado en la
población.
Muestreo aleatorio estratificado
Otro tipo de muestreo probabilístico es el muestreo aleatorio estratificado
Muestreo aleatorio estratificado: Una población se divide en subgrupos denominados

estratos y se selecciona una muestra de cada uno.
Después de que la población se ha dividido en estratos, puede seleccionarse una muestra

proporcional o bien no proporcional, Como el nombre lo dice, un procedimiento de muestreo
proporcional requiere que el número de elementos en cada estrato tenga la misma proporción
que se encuentra en la población.
Por ejemplo
El problema puede ser estudiar los gastos de publicidad de las 352 compañías más grandes
del país. Suponga que el objetivo del análisis es determinar si las empresas que pagan altos
dividendos (una media de rentabilidad) gastan más de cada dólar de ventas en propaganda,
que lo destinan a eso las compañías con bajos dividendos o en déficit.
Considere que las 352 empresas se dividieron en cinco estratos. (Ver la tabla siguiente). Si se
han de seleccionar 50 empresas para un estudio intensivo, entonces se estudiaría una
organización con un nivel de rentabilidad de 30% o mayor, se seleccionaran aleatoriamente
cinco empresas en el estrato 20 - 30% y así sucesivamente.
Tabla 1: Número seleccionado de una muestra aleatoria estratificada proporcional
En una muestra estratificada no proporcional, la cantidad de elementos estudiada en cada

estrato es desproporcionada respecto de su número en la población. Luego se ponderan los
resultados de la muestra de acuerdo con la proporción del estrato respectivo a la población
total.
Por ejemplo
Si se utilizara el muestreo no proporcional en el caso anterior, se deberían ponderar los
resultados del estrato 1 por 1/100, los del estrato 2 por 10/100, los del estrato 3 por 54/100, etc.
Sin considerar si se usa un procedimiento de muestreo proporcional o no proporcional, cada
elemento o persona de la población tiene la probabilidad de ser seleccionado para la muestra.
El muestreo estratificado tiene la ventaja, en algunos casos, de reflejar con mayor precisión las
características de la población, que es el muestreo aleatorio simple o el aleatorio sistemático.
Observe en la tabla anterior que el 2% de las empresas pagan dividendos de 30% o más
(estrato 1) y 1% tiene déficit (estrato 5). Si se tomara una muestra aleatoria simple de 50, no
habría posibilidad de seleccionar al azar alguna compañía de los estratos 1 o bien 5. Sin
embargo, una muestra aleatoria estratificada aseguraría que al menos una empresa en el
estrato 1 y una en el estrato 5, estuvieran representadas en la muestra.
Muestreo por conglomeración
Otro tipo de muestreo es el muestreo por conglomerados. Se emplea adecuadamente para

reducir el costo de muestrear una población dispersa en una área geográfica grande. Suponga
que se desea efectuar un reconocimiento para determinar los puntos de vista de industriales
respecto a las políticas gubernamentales referentes a protección ambiental. Si se seleccionara
una muestra aleatoria de industriales y personalmente se hablará, ello tomaría mucho tiempo y
sería sumamente costoso. En vez de eso podría emplearse el muestreo por conglomeración
subdividiendo una región extensa en áreas menores. Con frecuencia se denomina a estas
unidades primarias. Suponga que se divide la región en 12 unidades primarias, después
seleccionan al azar cuatro áreas menores:la 2, 7, 4 y 12 y se concentran los esfuerzos en
estas, se podría tomar una muestra aleatoria de los industriales de cada unidad y
entrevistarlos. (Observe que lo contrario es una combinación del muestreo por conglomeración
y el muestreo aleatorio simple).
El análisis de los métodos de muestreo indicados no incluye todos los procedimientos para tal
acción de los que dispone un investigador. Si se realiza un proyecto de investigación
importante sobre mercadotecnia , finanzas, contabilidad u otras áreas, será necesario que se
consulten libros que hayan sido escritos exclusivamente con relación a la teoría del muestreo y
el diseño de muestras.
“Error” de muestreo
En el análisis anterior se subrayó la importancia de seleccionar una muestra de manera que

cada elemento individuo de la población tenga una probabilidad real de ser escogido. Para
lograr esto, podría elegirse un muestreo aleatorio simple, uno sistemático, uno estratificado,
uno por conglomeración o bien una combinación de estos métodos.
Sin embargo, es poco probable que una media muestral sea idéntica a la media poblacional.
De igual forma, la desviación estándar u otra medida calculada a partir de la muestra,
probablemente no sería alguna exactamente igual al valor correspondiente de la población;
por lo tanto podemos esperar que haya alguna diferencia entre un valor estadístico de muestra,
como la media muestral o la desviación estándar respectiva y el correspondiente parámetro de
población. La diferencia entre un valor estadístico de muestra y un parámetro de población se
denomina error de muestreo.
Error de muestreo: Diferencia entre un valor estadístico de muestra y su parámetro de

población correspondiente.
Suponga que una población de cinco empleados del área de producción tiene índices de
eficiencia de 97, 103, 96, 99 y 105. Considere además que se selecciona una muestra de dos
índices (97 y 105) de la población para calcular el índice medio de la misma, tal media sería
101, obtenida de (97 + 105)/2.
Se selecciona otra muestra de dos: 103 y 96, con una media muestral de 99.5. La medusa de
todos los índices (la de la población) es igual a 100, obtenida por:
(97 + 103 + 96 + 99 + 105)/5 = 500/5 = 100.
El error de muestreo para la primera muestra es de 1.0, determinar por 𝑋 − μ = 101 − 10. La
segunda muestra tiene un error de muestreo de − 0. 5. Cada diferencia, 1. 0 y − 0. 5, es el error
que habría al evaluar la media poblacional con base en la media muestral y estos errores de
muestreo se deben alzar, La cantidad de estos errores de muestreo se debe al azar. La
cantidad de estos errores será diferente de una muestra a la siguiente.
Ahora que se ha descubierto la posibilidad de un error de muestreo cuando se usan los

resultados de la muestra para determinar un parámetro de población. ¿Cómo se puede realizar
un pronóstico exacto sobre el éxito posible de yb dentífrico recientemente elaborado o algún
otro producto, únicamente con base en resultados muestrales?, ¿Cómo puede el departamento
de Control de Calidad de una industria de producción masiva enviar un cargamento de
microchips basado únicamente en una muestra de diez chips?, ¿Cómo pueden las empresas
de sondeos “Cedatos” o “Informe Confidencial” realizar una predicción acertada respecto de
una campaña electoral con base en una muestra de 2000 electores registrados de una
población votante de casi 17 millones? Para responder a estas preguntas primero debe
desarrollarse una distribución de muestreo de las medias.
2.3 Distribución de muestreo de medias

En el ejemplo referente a las tasas de eficiencia de los empleados, se mostró que las medias
muestrales de un tamaño específico varían de una muestra a otra. El índice de eficiencia medio
de la primera muestra de dos empleados era 101 y la media de la segunda muestra fue 99.5.
Probablemente, una tercera muestra daría como resultado un valor medio diferente. La media
de la población fue 100. Si se organizan los valores medios de todas las muestras posibles de
tamaño 2 en una distribución probabilística, se obtendrá la denominada distribución de
muestreo de medias muestrales.
Distribución de muestreo de medias
Es una distribución probabilística que consta de todas las medias muestrales posibles de un
tamaño de muestra dado de una población y la probabilidad de ocurrencia asociada a cada
media muestral.
El siguiente ejemplo ilustra la elaboración de una distribución de muestreo de medias de

muestra.
Ejemplo
La Empresa American tiene siete empleados de producción (considerados como la población).

El salario por hora de cada trabajador se presenta en la siguiente tabla.
Tabla 2: Salarios (por hora) de los trabajadores de producción de la empresa American
1. ¿Cuál es la media de la población?

2. ¿Cuál es la distribución de muestreo de medias para una muestra de tamaño 2?
3. ¿Cuál es la media de la distribución de muestreo?
4. ¿Qué comentarios pueden formularse con respecto a la población y a la distribución
muestral?
Solución
1. La media de la población es de $7.71 (dólares), obtenida por:
μ = ($7 + $7 + $8 + $8 + $7 + $8 + $9)/7 = $7. 71
2. Para determinar la distribución de muestreo de las medias muestrales, se seleccionaron

todas las muestras posibles de tamaño 2 sin reposición en la población y se calcularon
sus medias. Hay 21 muestras posibles, obtenidas mediante la fórmula respectiva:
donde 𝑁 = 7 es el número de elementos en la población y 𝑛 = 2 es la cantidad de los

mismos en la muestra.
Las 21 medias de todas las muestras posibles de tamaño 2 que pueden tomarse a partir
de la población e indican en la tabla siguiente:
Tabla 3: Medias muestrales de todas las muestras posibles de tamaño de dos

empleados
La distribución de la probabilidad es la distribución de muestreo de las medias y se

resume en la tabla siguiente:
3. Se obtuvo la media de la distribución de muestreo de medias muestrales, sumando las
diferentes medias de muestra y dividiendo la suma entre el número de muestras. La
media de todas las medias generalmente se expresa como . El símbolo µ recuerda

que es un valor poblacional, pues se han considerado todas las muestras posibles. El
subíndice . indica que es una distribución de muestreo de medias.
Figura 1: Distribuciones de valores de población y medias muestrales
4. Pueden hacerse los siguientes comentarios:
5. La media de las medias muestrales ($7.71) es igual a la media poblacional: µ = .

6. La dispersión en la distribución de las medias muestrales es menor que la que
corresponde a los valores de la población. Las medias muestrales varían de $7.00 a
$8.50, y los valores de la población van de $7.00 a $9.00. De hecho, la desviación
estándar de la distribución muestral de medias es igual a tal desviación poblacional
dividida entre la raíz cuadrada del tamaño de la muestra. Por lo tanto, la fórmula para la
desviación estándar de la distribución de medias muestrales es σ/ Observe que, al

aumentar el tamaño de la muestra, la dispersión de muestreo de las medias muestrales
se vuelve menor.
7. La forma de la distribución de muestreo de las medias muestrales y la forma de la
distribución de frecuencias de los valores de población son diferentes. La primera
distribución tiende a ser acampanada y se aproxima su aspecto al de la distribución
probabilística normal.
En resumen, se tomaron todas las muestras aleatorias posibles de una población y para cada
una se calculó un valor estadístico muestral (la cantidad media obtenida). Como cada muestra
posible tiene una posibilidad de ser seleccionada, puede determinarse la probabilidad de que
dicha cantidad tenga valores como $7.27, $8.50, $6.50 y así sucesivamente.
La distribución de las cantidades medias obtenidas se denomina distribución de muestreo de
las medias muestrales.
Aunque en la práctica se puede ver sólo una muestra aleatoria en particular, en teoría puede
surgir cualquiera de las muestras. En consecuencia, se considera el proceso de muestreo
como uno repetido del valor estadístico a partir de su distribución muestral. Esta distribución de
muestreo se utiliza luego para medir la probabilidad de un resultado específico.
2.4 Teorema de límite central

Ref. Lind, A.D.; et al. (2012). Estadística aplicada a los negocios y a la economía, pág. 276)
La aplicación del teorema de límite central a la distribución de muestreo de los valores

medios muestrales permite el uso de la distribución probabilística normal para crear intervalos
de confianza de la media poblacional.
El teorema de límite central establece que para muestras aleatorias grandes la forma de
distribución de medias muestrales se acerca a la de la distribución del tipo normal. La
aproximación es más exacta para muestras grandes que para pequeñas. Esta es una de las
conclusiones más útiles en Estadística.
Se puede razonar acerca de la distribución de las medias muestrales sin contar con alguna
información respecto de la forma de la distribución original de la cual se toma la muestra. En
otras palabras, el teorema de límite central es cierto para todas las distribuciones.
Teorema de límite central: Si se seleccionan de cualquier población todas las muestras de un

tamaño determinado, la distribución de las medias muestrales se acercará a una del tipo
normal. Esta aproximación aumenta en el caso de muestras grandes.
Si la población está distribuida normalmente, entonces, para cualquier tamaño de muestra, la
distribución de la media muestral también lo estará. Si la distribución de la población es
simétrica (pero no normal), se verá surgir la forma normal del teorema de límite central, con
muestras tan pequeñas como 10. Por otra parte, si se comienza con una distribución que es
sesgada o tiene extremos gruesos, es posible que se necesiten muestras de al menos 30 o
mayor, es suficiente para que se emplee el teorema de límite central.
El concepto de que la distribución de las medias muestrales de una población que no es normal
converja a la normalidad en ciertos casos, se ilustra en las tres figuras siguientes:
Figura 2: Tiempo de servicio de los empleados de la empresa Spencer, Inc.

Figura 3: Tiempo medio de servicio de diez muestras de cinco empleados de la empresa
Spencer, Inc.
Figura 4: Histograma de los tiempos medios de servicio de 30 muestras de empleados en la

empresa Spencer, Inc.
La figura 2 representa una distribución probabilística discreta que tiene sesgo positivo.
De esta población pueden seleccionarse muchas muestras de tamaño 5. Supóngase que se

seleccionan al azar 10 de tal tamaño 5, y se calcula la media de cada una. Estos resultados se
presentan en la figura 3.
Observe que la forma de la distribución de las medias muestrales cambió respecto de la

población original, aun cuando sólo se seleccionaron diez muestras aleatorias de tamaño 5, de
una población que tiene sesgo positivo y se encontró que la distribución de las medias
muestrales cambió respecto de la forma original de la población. Al tomar mayor número de
muestras, se hallará que la distribución de las medias muestrales se aproxima a la del tipo
normal.
La figura 4 es un histograma que muestra los resultados de 30 observaciones aleatorias de 5
observaciones de la misma población. Observe la clara tendencia hacia la distribución normal.
Este es el objetivo del teorema de límite central. El siguiente ejemplo resalta esta condición.
Ejemplo:
Edu Spencer comenzó con su empresa comercial (de ruedas dentadas) hace 20 años. El
negocio ha crecido a través del tiempo y ahora emplea a 40 personas. Tal empresa, Spencer,
Inc., se enfrenta a algunas decisiones importantes con respecto al cuidado de la salud de sus
empleados. Antes de tomar una resolución final acerca del plan de cuidados de la salud que
adquirirá, Edu decide formar un comité de cinco representantes de los trabajadores, para que
analice cuidadosamente el tema y haga una recomendación con respecto a cuál plan se adapta
mejor a las necesidades del empleado.
Considera que los puntos de vista de los trabajadores más jóvenes con respecto al cuidado de
la salud pueden diferir de aquellos correspondientes a empleados de mayor edad. Si Edu
selecciona al azar este comité, ¿qué puede esperar respecto al cuidado del número promedio
de años en la empresa de los integrantes del mismo? ¿Cómo se compara la forma de la
distribución de años de experiencia de todos los empleados con la de las medias muestrales?
Los tiempos de servicio (redondeados al año más cercano) de los 40 trabajadores que
actualmente están en la nómina de dicha empresa son como se indica a continuación:
Solución
En la figura 2 muestra la distribución de los años de experiencia para los 40 empleados

actuales. Observe que la distribución de los tiempos de servicio tiene sesgo positivo.
Hay algunos empleados que han trabajado con Spencer, Inc. por cierto tiempo.
Específicamente, seis han estado con la compañía 10 años o más. Sin embargo, ya que
el negocio ha crecido, el número de empleados ha aumentado en los últimos años. De
los 40 trabajadores, 18 han estado en la empresa dos años o menos.
Considere el primero de los problemas de Edu Spencer. Le gustaría formar un comité

de cinco empleados para que analice el tema de los cuidados de la salud y señale qué
tipo de plan de seguros es el adecuado para la mayoría de los trabajadores. ¿Cómo
debería seleccionar al comité? Si lo selecciona al azar, ¿qué puede esperar en términos
del tiempo medio de servicio de los integrantes del grupo?
Para empezar, Edu escribe en papeletas el tiempo de servicio de cada uno de los 40
empleados y las coloca dentro de una caja. Después revuelve todos los pedazos de
papel y selecciona al azar cinco de las papeletas.
Los tiempos de servicio para estos cinco trabajadores son: 4, 1, 0, 14 y 9 años. Por lo
tanto, el tiempo medio de servicio para tales empleados es de 5.60 años.
¿Cómo se compara este resultado con la media de la población? En ese momento Edu
no la conoce, pero el número de empleados en la población es sólo 40, por lo que
decide calcular el tiempo medio de servicio para todos sus trabajadores. Esto da 4.80
años, valor obtenido de sumar los tiempos de servicio para todos los empleados y dividir
el total entre 40.
Esto es μ = (11 + 4 + 18 +... + 2 + 3)/40 = 192/40 = 4. 80

La diferencia entre la media muestral, X̄, y la media poblacional se denomina error de
muestreo. En otras palabras, la diferencia de 0.80 años entre la media de la población
de 4.80 y la media muestral de 5.60 es el error de muestreo. Esto se debe a la
circunstancia. De modo que, si Edu seleccionó a esos cinco empleados para formar el
comité, el tiempo medio de servicio de tales trabajadores se encontraría ligeramente por
arriba del valor medio de la población.
¿Qué pasaría si Edu devolviera las cinco papeletas a la caja y selecciona otra muestra?
¿Se esperaría que la media de esta segunda muestra fuera igual a la de la muestra
anterior?
Suponga que se elige otra muestra de cinco empleados y se determina que sus tiempos
de servicio son 8, 3, 1, 1 y 14. La media de esta muestra es 5.40 años. El resultado de
seleccionar 10 muestras de cinco empleados cada una se presenta en el segundo
diagrama. Observe la diferencia en la forma de la población y la distribución de esas
medias muestrales. La población de los tiempos de servicio para los empleados
(segundo diagrama) tiene sesgo positivo, pero la distribución de las diez medias
muestrales no manifiesta el mismo sesgo positivo. De hecho, tiene sesgo negativo.
La tabla siguiente indica el resultado de seleccionar 30 o más muestras de 5 empleados

cada una y calcular sus medias muestrales, las cuales después se organizan en un
histograma (tercer diagrama). Compárese la forma de este polígono de frecuencias, con
la conformación de la población de empleados en el primer diagrama. Se deben
observar dos aspectos importantes:
1. La forma de la distribución de las 30 medias muestrales es diferente a la de la

población. En el primer diagrama, la distribución de todos los empleados tiene
sesgo positivo. Sin embargo, la distribución de las medias muestrales, tercer
diagrama, se aproxima más a una del tipo normal. Esto ilustra el teorema de límite
central.
2. Existe menos dispersión en la distribución de medias muestrales que en la

distribución de la población. En esta, los tiempos de servicio variaron de 0 a 19
años. En aquella distribución, las medias muestrales variaron de 2.2 años a 9.2
años.
Tabla 4: Muestras aleatorias y medias muestrales de 30 muestras de cinco empleados
de la empresa Spencer, Inc.
Asimismo, se puede comparar el valor medio de las medias muestrales con respecto a la
media de la población. La media de las 30 muestras presentadas en la tabla anterior es
4.7133 años, valor obtenido por μX̄= (5. 6 + 5. 4 + … + 9. 2 + 7. 0)/30 Se utiliza es
símbolo μX̄ para representar el valor de las medias muestrales. El subíndice indica que
la distribución es de medias de muestras. Se lee “miu sub X con barra”. Observe que el
valor medio de las medias muestrales, 4.7133 años, es muy parecido a la media de la
población de 4. 80 años.
Por lo tanto, el teorema de límite central indica que, sin importar la forma de la
población, la distribución de las medias muestrales se aproxima a la distribución normal.
Cuánto más grandes sean las muestras, tanto mayor será la convergencia. La empresa
Spencer, Inc. es una evidencia empírica del modo cómo funciona el teorema del límite
central.
El teorema de límite central (leer su definición) no menciona algo acerca de la dispersión

de la distribución de las medias muestrales o respecto de una comparación entre el valor
medio de las medias y el de la población. Sin embargo, en el ejemplo/solución, se
observó que había menos dispersión en la distribución de las medias muestrales que en
la de la población, al comparar la amplitud de variación de población y la amplitud de las
medias muestrales.
Asimismo, se observó que el valor medio de todas las medias muestrales se encontraba
cerca de la media de la población. Se puede ver que, si la dispersión en la población es
σ, la dispersión en las medias muestrales esσ/√𝑛 , en donde n representa el tamaño de
la muestra.
Por esta relación, es posible observar que, al incrementar el tamaño de la muestra, la
dispersión de las medias muestrales disminuye. También se puede probar que, el valor
medio de todas las medias muestrales es igual a la media poblacional.
2.5 Estimadores puntuales e intervalos de confianza

Los datos sobre el tiempo de servicio de los empleados de Spencer, Inc. presentados en el
ejemplo último son una población porque se reportó el tiempo de servicio para los 40
trabajadores de la compañías. En este caso se puede calcular fácilmente la media de la
población. Se tiene todos los datos y la población no es demasiado grande; sin embargo, en la
mayoría de los casos, es necesario calcular la media poblacional. Generalmente se desconoce
este parámetro de la población. Al único número que se utiliza para evaluar un parámetro de
población se le denomina estimación puntual.
Estimación puntual
Es el valor calculado a partir de la información de muestreo, que se emplea para estimar el

parámetro de población.
La media muestral, 𝑋, es una estimación puntual de la media poblacional, μ
𝑝 es una estimación puntual de π
𝑠 es una estimación puntual de σ
Suponga que una empresa desea calcular la edad promedio de los compradores de equipos
estéreos. Se selecciona una muestra de 50 compradores recientes, se determina la edad de
cada uno y se calcula la edad media de los seleccionados. El valor medio de esta muestra es
una estimación puntual de la media poblacional.
Sin embargo, un valor estimado puntual representa solo una parte de la historia. Al tiempo que
se espera que la estimación puntual se acerque al parámetro de la población, quisiéramos
medir qué tan cerca se encuentra. Un intervalo de confianza cumple con este propósito.
Intervalo de confianza
Es una gama de valores obtenidos a partir de datos de muestreo, de modo que el parámetro
ocurre dentro de esa variedad a una probabilidad específica. La probabilidad específica en
cuestión se denomina el nivel de confianza.
2.6 Intervalo de confianza de una medida poblacional
Se calcula la media del ingreso anual para los trabajadores de construcción en el área de Los
Ángeles, como igual a $65 000 (dólares). La variación de este cálculo podría ser de $61 000 a
$69 000. Al realizar una declaración de probabilidad, se puede describir la confianza que se
tiene en que el parámetro de la población se encuentre en el intervalo.
Por ejemplo, puede afirmarse que se está 90 % seguro de que la media del ingreso anual de
los trabajadores de construcción en el área de Los Ángeles está entre $61 000 y $69 000.
La información desarrollada acerca de la forma de una distribución de muestreo de medias

muestrales, lo cual significa una distribución de muestreo de 𝑥̅, permite localizar un intervalo
que tenga una probabilidad específica de incluir a la media de la población, µ. Para muestras
razonablemente mayores, se puede utilizar el teorema de límite central y afirmar lo siguiente:
1. Un 95% de las medias muestrales de una población estará dentro de 1. 96 desviación

estándares respecto a la media poblacional, μ.
2. Un 99% de las medias muestrales se encontrará dentro de 2. 58 desviaciones
estándares respectos a la media de la población.
La desviación estándar mencionada aquí es la desviación estándar de la distribución de

muestreo de medias muestrales. Los intervalos calculados de esta manera se denomina
intervalo de 95% y el intervalo de confianza de 99%.
¿Cómo se obtienen los valores de 1.96 y 2.58?
El 95% y el 99% se refieren al porcentaje de tiempo que los intervalos construidos similarmente
incluirían el parámetro que se estima. Por ejemplo, el 95% se refiere al 95% central de
observaciones. Por lo tanto, el 5% restante se divide igualmente entre los dos extremos.
Observe el siguiente diagrama:

El teorema de límite central afirma que la distribución de muestreo de las medias muestrales se
aproxima a la normal; por lo tanto, puede utilizarse una tabla de probabilidades normales para
determinar los valores z adecuados.
Localice 0.4750 en el cuerpo de la tabla y después léanse los valores correspondientes de

columna e hilera. Así resulta 1.96. De modo que la probabilidad de encontrar un valor z entre 0
y 1.96 es 0.4750.
Del mismo modo, la probabilidad de que esté en el intervalo entre -1.96 y 0, es también de
0.4750. Cuando se combinan ambas, la probabilidad de encontrarse en el intervalo -1.96 a
1.96, resulta ser 0.9500. El valor z que corresponde a 0.99 se determina de forma similar.
¿Cómo se calcula el intervalo de confianza de 95 %?
Por ejemplo, suponga que su investigación tiene que ver con el sueldo anual inicial para los
graduados de una escuela de economía. Se ha calculado la media muestral como igual a
$27000 (dólares) y la desviación estándar de las medias muestrales, como de $200. El
intervalo de confianza de 95 % está entre $26608 y $27392, obtenido por $27000 ± 1.96
($200). Si se seleccionan 100 muestras del mismo tamaño de la población de interés y se
determinan los correspondientes 100 intervalos de confianza, se podría encontrar la media de
la población en 95 de los 100 intervalos de confianza.
Error estándar de la media muestral
La desviación estándar de la distribución de muestreo de medias muestrales se dio como $200

(dólares). Esto se conoce como el error estándar de la media muestral y se representa por el
símbolo , el cual se lee "sigma sub X con barra". Frecuentemente se acorta el nombre a
error estándar.
Error estándar de la media muestral
Desviación estándar de la distribución de muestreo de las medias muestrales.
El error estándar es una medida de la variabilidad de la distribución de muestreo de la media

muestral. Se calcula mediante:
Error estándar de la media, cuando se conoce la desviación estándar de la población
Donde:
: es el error estándar de la media, también denominado desviación estándar de la

distribución de muestreo de la media.
σ : es la desviación estándar de la población.
𝑛 : es el tamaño de la muestra.
En la mayoría de los casos, se desconoce la desviación estándar de la población; por lo tanto,
se reemplaza con la desviación estándar de la muestra, esto es, se cambia σ por 𝑠. Después se
escribe la fórmula como sigue.
Error estándar de la media con base en la desviación estándar de la muestra
Dos valores afectan el tamaño del error estándar. El primero es la desviación estándar. Si esta
es grande, entonces el error estándar también lo será; sin embargo, el tamaño de la muestra
también afecta al error estándar. Al aumentar el tamaño de la muestra, el error estándar
disminuye, indicando esto que hay menor variabilidad en la distribución de las medias
muestrales.
Cuando el tamaño de la muestra, 𝑛, es al menos igual a 30 generalmente se acepta que el

teorema de límite central asegurará una distribución normal de las medias muestrales. Esta es
una consideración importante. Si las medias muestrales se distribuyen en forma normal, en los
cálculos se puede utilizar la distribución normal estándar, esto es, z.
Los intervalos de confianza de 95 % y de 99 % se calculan como sigue, cuando 𝑛 ≥ 30.
Como se describió antes, los valores de 1.96 y 2.58 se refieren a los valores z
correspondientes al 95 % y al 99 % central de las observaciones, respectivamente.
Otros niveles de confianza pueden ser empleados. Para estos casos, el valor z cambia
correspondientemente. En general, un intervalo de confianza para la media se calcula por:
Donde:
𝑍 : es el nivel de confianza
Entonces, para un intervalo de confianza de 92%, la fórmula es:

El valor de 1.75 proviene de una tabla normal. La tabla se basa en la mitad de la distribución
normal, de modo que 92% = 0.92
El número más próximo en el cuerpo de la tabla es 0.4599 y el correspondiente valor z es 1.75.
Frecuentemente también se utiliza el nivel de confianza de 90 %. En este caso, se desea

determinar el área entre 0 y z para que sea 0.4500, valor obtenido por 90/2. Para encontrar el
valor z para este nivel de confianza, vaya hacia abajo por la columna izquierda de la tabla
normal, hasta llegar a 1.6, y después sobre las columnas con encabezados 0.04 y 0.05. El área
que corresponde a un valor z de 1.64, es 0.4495, y para 1.65 se tiene que es 0.4505. Para ser
precavidos utilizamos 1.65. Otros valores de z son:
Ejemplo
En un experimento se trata de seleccionar una muestra aleatoria de 256 gerentes de nivel

medio. Un elemento de interés es su ingreso anual. La media muestral vale $45420 (dólares) y
la desviación estándar en la muestra, es $2050.
1. ¿Cuál es el ingreso medio estimado de todos los gerentes de nivel medio (la población)?
Es decir, ¿cuál es la estimación puntual?
2. ¿Cuál es el intervalo de confianza de 95 % para la media de la población (redondeando
a los $10 más cercanos)?
3. ¿Cuáles son los límites de intervalo de confianza de 95 %, para la media de la
población?
4. ¿Qué grado de confianza se está usando?
5. Interprete los resultados.
Solución
1. La estimación puntual de la media de la población vale $45420.

2. El intervalo de confianza está entre $ 45170 y $ 45670, que se obtiene mediante:
Estos puntos extremos se redondean frecuentemente y, en este caso, se

registraría como $45170 y $45670.
3. Los puntos extremos del intervalo de confianza se denominan límites de
confianza. En este ejemplo, tales límites son $45170 y $45670.
4. La medida de confianza que tiene una persona se denomina grado de confianza o
nivel de confianza. En este caso es 0.95.
5. Interpretación. Si hubiera tiempo para seleccionar muchas muestras de tamaño
256 de la población de gerentes a nivel medio y calcular las medias muestrales y
los intervalos de confianza, la media poblacional del ingreso anual se encontraría
aproximadamente en 95 de los 100 intervalos de confianza. De ahí que un
intervalo puede o no contener a la media poblacional. Aproximadamente 5 de los
100 intervalos de confianza no incluyen a la media poblacional del ingreso anual,
µ. Esto se muestra en el diagrama siguiente.
Observe que el quinto intervalo de confianza no incluye la media poblacional.
2.7 Intervalo de confianza de una proporción

La teoría y el procedimiento para determinar un estimador puntual y un estimador de intervalo

para una proporción de población se asemejan mucho a lo descrito para la media.
Un estimador puntual de una proporción poblacional se obtiene dividiendo el número de éxitos

en la muestra, entre el número total muestreado. Suponga que 100 de las 400 personas
muestreadas afirmaron que prefirieron un nuevo refresco que probaron, en comparación con el
que consumen regularmente. La mejor estimación de la proporción de la población que está a
favor de la nueva bebida es 0.25, o sea 25% que se obtiene dividiendo 100/400.
Observe que una proporción se basa en un conteo del número de éxitos con relación al número
total muestreado.
¿Cómo se estima el intervalo de confianza para una proporción de población?
Donde: : es el error estándar de la población
Por tanto, el intervalo de confianza se establece mediante:
Donde:
𝑝: es la proporción muestral.
𝑧: es el valor Z del grado de confianza seleccionado.
𝑛: es el tamaño de la muestra.
Ejemplo
Suponga que 1600 de 2000 trabajadores sindicados que se muestrean dijeron que planean
poner a votación una propuesta para unirse a la federación. Si se utiliza un nivel de confianza
de 0.95, ¿cuál es la estimación de intervalo para la proporción poblacional?¿A qué conclusión
se llegaría con base en el intervalo de confianza?
La proporción, se calcula: 𝑋/𝑛 = 1600/2000 = 0. 80 por lo tanto 𝑝 = 0. 80
Solución:
Utilizando la fórmula respectiva, el intervalo se calcula como sigue:
Límites de confianza: 78.2% y 81.8%

Suponga que por lo menos 75% de los miembros del sindicato aprobaron la fusión. Con
base en los resultados de la muestra, cuando votan todos los trabajadores sindicados, la
propuesta probablemente será aceptada debido a que 0.75 está por debajo del intervalo
0.782 y 0.818.
2.8 Factor de corrección para población finita

Población infinita
Las poblaciones que se han muestreado hasta ahora han sido muy grandes o se supone que
son infinitas. ¿Qué sucede si la población muestreada no es infinita y ni siquiera es muy
grande? En tales casos se necesita hacer algunos ajustes en la forma en que se calcula el
error estándar de medias muestrales y el de proporciones de muestra.
La población finita
Una población que tiene un límite superior fijo se considera finita.
Por ejemplo, hay 21376 estudiantes inscritos en una universidad del Ecuador y la empresa
Chrysler-Jeep Corp. manufacturó 917 unidades en su planta de Arkansas el año pasado.
Una población finita puede ser notablemente pequeña; por ejemplo, podría constar de todos los
alumnos inscritos en este período académico. Una población también puede ser muy grande,
como todos los ciudadanos que viven en un determinado país.
Para una población finita, donde el número total de objetos es 𝑁 y el tamaño de la muestra es 𝑛
, se hace el siguiente ajuste a los errores estándares de medias y de proporción muestrales.
Error estándar de las medias muestrales, utilizando un factor de corrección
Error estándar de las proporciones de muestra utilizando un factor de corrección
Este ajuste se denomina factor de corrección para población finita.
¿Por qué es necesario aplicar un factor y cuál es su efecto?

Lógicamente si la muestra es un porcentaje considerable de la población, entonces se
esperaría que cualesquiera estimaciones fueran más precisas que las correspondientes a
muestras más pequeñas.
Observe el efecto del término: .
Supóngase que la población es 1000 y la muestra es 100. Entonces tal razón vale:
, o sea, .
Con la raíz cuadrada se obtiene el factor de corrección, 0.9492. Multiplicando por el error
estándar, se reduce el error aproximadamente en 5 % (1-0.9492 ≅ 0.05). Esta reducción en el
tamaño del error estándar resulta en un intervalo menor de valores en la estimación de la
media poblacional.
Si la muestra es 200, el factor de corrección es 0.8949, lo que significa que el error estándar se
reduce en más de 10 %.
En la tabla siguiente se muestran los efectos de diferentes tamaños de muestra sobre el factor
de corrección. Observe que cuando la muestra es aproximadamente menor que 5 % de la
población, el impacto del factor de corrección es muy pequeño. La regla general es que si la
razón 𝑛/𝑁 es menor que 0.05, se omite el factor de corrección para población finita.
Tabla 5: Cálculo del factor de corrección para población finita, en el caso de diversos tamaños
de muestras y cuando la población es de 1000
Ejemplo
Hay 250 familias en el pequeño poblado de Sicalpa. Una encuesta con 40 de ellas reveló que
la contribución media anual a la iglesia es de $450 (dólares) con una desviación estándar de
$75. Establezca un intervalo de confianza de 95 % para la contribución media anual.
Solución
Primero observe que la población es finita. Esto es, hay un límite al número de personas
en Sicalpa.
Segundo, note que la muestra constituye más del 5 % de la población; esto es, n/N =
40/250 = 0.16 → 16%
Por tanto, se aplica el factor de corrección para población finita. El intervalo de confianza
de 95 % se establece de la siguiente manera, aplicando las fórmulas correspondientes:
2.9 Elección del tamaño adecuado de una muestra

Una de las preocupaciones más comunes cuando se diseña un estudio estadístico es:
“¿Cuántos elementos deben incluirse en la muestra?”. Si esta es demasiado grande, se
derrocha inútilmente recursos en la recolección de datos. De forma semejante, si la muestra es
demasiado pequeña, las conclusiones resultantes podrían ser incorrectas. El tamaño correcto
de la muestra depende de tres factores:
1. El nivel de confianza deseado.
2. El máximo error permisible por el investigador.
3. La variación en la población que se estudia.
Usted, como investigador, selecciona el nivel de confianza. Los niveles de 95 % y de 99 % son

los que se eligen con mayor frecuencia. Un nivel de confianza de 95 % corresponde a un valor
de z ± 1.96, y uno de 99 % corresponde a un valor z de ± 2.58. Cuanto más alto sea el nivel de
confianza, tanto mayor será el tamaño de la muestra.
El error máximo permisible, denotado como 𝐸, es la cantidad que se suma y resta de la media
muestral para determinar los puntos extremos del intervalo de confianza. Es la cantidad de
error que el investigador está dispuesto a tolerar.
Asimismo, corresponde a la mitad de la anchura del intervalo de confianza correspondiente. Un

pequeño error admisible requerirá una muestra grande y un error grande de esa clase aceptará
el uso de una muestra menor.
El tercer factor al determinar el tamaño de una muestra es la desviación estándar de la

población. Si esta última está dispersa ampliamente, se requiere una muestra grande. Por otra
parte, si la población está concentrada (es homogénea), el tamaño requerido de la muestra
será menor; sin embargo, es posible que sea necesario encontrar una estimación para la
desviación estándar poblacional.
Utilice el enfoque del estudio de comparabilidad cuando hay un estimado de la dispersión
disponible según otro estudio. Suponga que se desea estimar el número de horas de trabajo a
la semana realizado por consultores privados. Quizás la información procedente de ciertas
agencias gubernamentales, que regularmente toman muestras de la fuerza laboral, podría ser
útil para hacer un cálculo de la desviación estándar. Si se considera que una desviación
estándar observada en un análisis anterior es confiable, se puede usar en el estudio actual
como ayuda para obtener un tamaño aproximado de la muestra.
Si no está disponible alguna estimación de un estudio anterior, puede ser apropiado emplear
una aproximación basada en un intervalo de variación. Para aplicar este enfoque se
necesita conocer o tener una estimación de los valores más grandes y los más pequeños en la
población. Recuerde la regla empírica que se podría esperar que casi todas las observaciones
estuvieran entre ± 3 desviaciones estándares respecto de la media, dado que la distribución
fuese aproximadamente acampanada, es decir, normal.
Por lo tanto, la distancia entre el valor más grande y el más pequeño es 6σ. Se podría estimar
la desviación estándar como un sexto de la amplitud de variación. Por ejemplo, suponga que la
directora de operaciones de un banco desea una estimación del número de retiros que
estudiantes universitarios hacen al mes. Cree que la distribución se aproxima a la normal, que
el número mínimo de documentos presentados es 2 por mes, y que el máximo es 50. El
intervalo de variación de la cantidad de retiros mensuales es 48, obtenido por, 50 - 2. Entonces,
la estimación de la desviación estándar sería 8 retiros por mes, de 48/6.
Un tercer enfoque para evaluar la desviación estándar es realizar un estudio piloto. Este es el
método más comúnmente utilizado. Suponga que se desea obtener una estimación del número
de horas de trabajo a la semana de estudiantes inscritos en la Escuela de Economía. Para
probar la validez del cuestionario, se aplica en una pequeña muestra de alumnos. A partir de
esta, se calcula la desviación estándar del número de horas de trabajo y se utiliza este para
determinar el tamaño adecuado de la muestra.
Puede expresarse la interacción entre estos tres factores y el tamaño de la muestra con la
fórmula siguiente:
Despejando n en esta ecuación, se obtiene el tamaño requerido de la muestra.
Tamaño de muestra para estimar una media
Donde:
𝑛: es el tamaño de la muestra
𝑧: es el valor normal estándar correspondiente al nivel de confianza deseado.
𝑠: es un estimado de la desviación estándar de la población.
𝐸: es el máximo error permisible.
El resultado de este cálculo no siempre es un número entero, por lo que la práctica usual es
redondear cualquier resultado fraccionario. Por ejemplo: 201.22 se redondeará a 202.
Ejemplo
Un estudiante de economía desea determinar el ingreso medio de los miembros de concejos
urbanos. El error al estimar la media es menor que $100 (dólares) con un nivel de confianza de
95 %. El estudiante encontró un informe presentado por el Departamento del Trabajo que
estimaba la desviación estándar en $1000. ¿Cuál es el tamaño de muestra requerido?
Solución
El máximo error permisible, 𝐸, es $100. El valor 𝑧 para un nivel de confianza de 95 % es
1.96 y el estimado de la desviación estándar es $1000. Al introducir estos valores en la
fórmula correspondiente, se tiene que el tamaño requerido de la muestra es:
El valor calculado de 384.16 se redondea a 385. Se requiere una muestra de 385 para
cumplir con las especificaciones.
Si se desea un nivel de confianza más alto, digamos de 99 %, entonces también se

requerirá una muestra más grande.
Se recomienda una muestra de 666.
Observe qué tanto aumenta el tamaño de la muestra por el cambio en el nivel de

confianza. Un incremento en tal nivel de 95 % a 99 % da como resultado un aumento de
281 observaciones. Esto podría aumentar el costo del estudio, tanto en términos de
tiempo como de dinero; por lo tanto, el nivel de confianza debería considerarse con
mucho cuidado.
El procedimiento que se acaba de describir se adapta para determinar el tamaño de la muestra

para una proporción. Nuevamente, se necesita especificar tres conceptos:
1. El nivel de confianza deseado generalmente 95 % o bien 99 %.

2. El margen de error que se requiere en la proporción de la población.
3. Un estimado de la proporción poblacional.
La fórmula para determinar el tamaño de la muestra de una proporción es:
Tamaño de muestra para una proporción
Es posible utilizar un cálculo de 𝑝 si se encuentra disponible a partir de un estudio piloto o

alguna otra fuente. De otra manera, se utiliza 0.50, porque el término 𝑝(1 − 𝑝) nunca puede
ser mayor que cuando 𝑝 = 0. 50 .
Por ejemplo, si 𝑝 = 0. 30 , entonces 𝑝(1 − 𝑝) = 0. 30(1 − 0. 30) = 0. 21 , pero cuando

𝑝 = 0. 50, 𝑝(1 − 𝑝) = 0. 50(1 − 0. 50) = 0. 25 .
Ejemplo
El estudio en el ejemplo anterior también estima la proporción de ciudades que cuentan con
cobradores privados. El estudiante quiere que el cálculo se halle dentro de 0.10 de la
proporción de la población, el nivel deseado de confianza es de 90 % y no hay alguna
estimación disponible para la proporción de población. ¿Cuál es el tamaño de la muestra?
Solución
El valor estimado de la proporción poblacional se encuentra dentro de 0. 10 , por lo tanto,

𝐸 = 0. 10 . El nivel deseado de confianza es 0. 90 , lo cual corresponde a un valor 𝑧 de
1.65. Ya que no existe ningún cálculo de la proporción de población, se utilizará 0.50. El
tamaño requerido de la muestra es:
El estudiante necesita una muestra aleatoria de 69 ciudades

Recursos complementarios
Video sobre distribuciones de probabilidad

https://www.youtube.com/watch?v=maEMZAYtex8
Intervalo de confianza
https://es.wikipedia.org/wiki/Intervalo_de_confianza
Bibliografía
LIND, Douglas A.; MARCHAL, William GWATHEN, Samuel A. (2012). Estadística Aplicada a los
Negocios y a la Economía. México. McGraw Hill. Decimoquinta edición.
WEIERS, Ronald M. (2006). Introducción a la Estadística para Negocios. México. Thomson.

Quinta edición.
BERENSON, Mark LLEVINE, David MKREHBIEL, Timothy C. (2001). Estadística para

Administración. México. Pearson Educación. Segunda edición.
Autoevaluación
1. El tiempo de servicio de todos los ejecutiva empleados por la empresa Innoba es:
Nombre Año de servicio
Sr. Simón 20
Sra. Teresa 22
Sr. Kevin 26
Sra. Irina 24
Sr. Juan 28
Utilizando la fórmula de combinación, ¿cuántas muestras de tamaño 2 son posibles?
a. 10
b. 20
c. 5
d. 2
2. El tiempo de servicio de todos los ejecutivos empleos por la empresa Innoba es:
Nombre Año de servicio
Sr. Simón 20
Sra. Teresa 22
Sr. Kevin 26
Sra. Irina 24
Sr. Juan 28
Seleccione todas las muestras posibles de tamaño 2 de la población de ejecutivos y

calcule sus valores medios. Compare la media de la población y el valor medio de las
medias muestrales ¿Qué concluye?
Desarrollo:
a. La media de la población es igual al valor medio de las medias muestrales.

b. La media de la población es mayor que el valor medio de las medias muestrales.
c. La media de la población es menor que el valor medio de las medias muestrales.
d. El valor medio de las medias muestrales es menor que la media de la población.
3. El departamento de Flora y Fauna Silvestre del MAG ha proporcionado un alimento

especial a crías de trucha, arco iris, es un estanque. Una muestra de los pesos de 40
pececillos reveló que su media muestral es 402.7 gramos y la desviación estándar de la
muestra, 8.8 gramos. ¿Cuál es el peso medio estimado en la población?¿Cómo se
denomina el valor estimado?
a. 8.8 gramos. Estimación por intervalo.
b. 402.7 gramos. Estimación puntual.
c. 402.7 gramos. Estimador.
d. 8.8 gramos. Estimador.
muestra, 8.8 gramos. ¿Cuáles son los límites del intervalo de confianza de 99%?
a. 399.11 y 406.29 gramos.

b. 400.00 y 404.40 gramos.
c. 399.00 y 406.18 gramos.
d. 400.00 y 407.00 gramos.

muestra, 8.8 gramos. ¿Qué grado de confianza se utiliza?
a. 0.99
b. 0.11
c. 0.95
d. 0.05

muestra, 8.8 gramos. ¿Cuál es el significado de un intervalo de confianza de 95%?
a. Si se establecen 100 intervalos de confianza semejantes, aproximadamente 5 de

ellos incluirán a la media.
b. Si se establecen 100 intervalos de confianza semejantes, aproximadamente 95
incluirán a la media poblacional.
c. Si se establecen 100 intervalos de confianza semejantes, aproximadamente 90
d. Si se establecen 100 intervalos de confianza semejantes, aproximadamente 10
7. Se realizó una investigación de mercado para estimar la proporción de armas de casa
que pueden reconocer la marca de un limpiador, con base en la forma y el color del
recipiente. De las 1400 personas, 420 pudieron identificar la marca del producto. Si se
utiliza el grado de confianza de 0.99, ¿en qué intervalo se encuentra la proporción de
población?
a. 0.010 y 0.990.
b. 0.400 y 0.600.
c. 0.270 y 0.340.
d. 0.268 y 0.332.
8. Se realizó una investigación de mercado para estimar la proporción de armas de casa

que pueden reconocer la marca de un limpiador, con base en la forma y el color del
recipiente. De las 1400 personas, 420 pudieron identificar la marca del producto. Si se
utiliza el grado de confianza de 0.99, ¿qué significa tener un intervalo de confianza
de 0.99?
a. Si se establecieran 100 intervalos de confianza semejantes, aproximadamente 99

incluirían a la media poblacional.
b. Si se establecieran 100 intervalos de confianza semejantes, aproximadamente 90
c. Si se establecieran 100 intervalos de confianza semejantes, aproximadamente 10
d. Si se establecieran 100 intervalos de confianza semejantes, aproximadamente 99
incluirían a la proporción poblacional.
9. Hay 250 familias en el pequeño poblado de Sicalpa. Un estudio sobre las contribuciones
a la iglesia en Sicalpa reveló que 15 de las 40 familias muestreadas asisten al templo
con regularidad. Establezca el intervalo de confianza de 95% para la proporción de
familias que concurren a la iglesia regularmente.
1. Hay un límite en la población, se debe aplicar la fórmula de población finita

2. Verificar que la muestra sea mayor de 5%, para verificar eso debemos hacer el
siguiente cálculo:
𝑛/𝑁 = 40/250 = 0. 16→16%
Se cumple 16% > 5%
3. Aplicar la fórmula
a. 0.010 y 0.990.
b. 0.400 y 0.600.
c. 0.237 y 0.513.
d. 0.270 y 0.340.
10. Hay 250 familias en el pequeño poblado de Sicalpa. Un estudio sobre las contribuciones
a la iglesia en Sicalpa reveló que 15 de las 40 familias muestreadas asisten al templo
con regularidad. ¿Debería aplicarse el factor de correlación para población finita?
a. Si.
b. No.
c. Depende del tamaño de la muestra.
d. Depende del tamaño de la población.
11. ¿Le ayudaría usted al secretario de un colegio a determinar cuántas libretas de
calificaciones debe estudiar? El señor secretario desea calcular la media aritmética de
los promedios finales de calificaciones de los estudiantes que se graduaron durante los
últimos diez años. Dichos promedios varían entre 2.0 y 4.0. La medias de dichas
calificaciones se estima entre más o menos 0.05 de la media poblacional
Se ha de emplear el grado de confianza de 0.99; por tanto el secretario intenta informar
(hipotéticamente) algo como lo siguiente: “Con una probabilidad de 0.99, la media de los
promedios de calificaciones de los estudiantes graduales se encuentra en el intervalo
entre 2.45 y 2.55”. La desviación estándar de un estudio piloto pequeño es 0.279.
¿Cuántas libretas de calificaciones deben muestrearse?
a. 208 libretas.
b. 206 libretas.
c. 210 libretas.
d. 205 libretas.

Ilovepdf Merged

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ilovepdf Merged

Cargado por

Copyright:

Formatos disponibles

Tema 1:

1.2 ¿Qué es una distribución probabilística?

Distribución probabilística: es la enumeración de todos los resultados de un experimento junto con la

Observe que el resultado de:

La misma información puede representarse de manera gráfica, véase el diagrama siguiente:

Figura 1: Representación gráfica del número de caras y la probabilidad asociada resultante de 3

Características de una distribución probabilística

El siguiente diagrama muestra estos 3 términos relacionados:

Figura 2: Resultados posibles en 3 lanzamientos de moneda (H = cara, T = cruz)

Una variable aleatoria puede ser discreta o continua.

Es lógico que si se organiza un conjunto de variables aleatorias discretas en una distribución de

1.4 Media, Varianza y Desviación Estándar de una Distribución de

La media de una distribución probabilística discreta se calcula con la fórmula:

Varianza y desviación estándar

Los pasos de cálculo son:

La desviación estándar, σ, se determina tomando

1. ¿Qué tipo de distribución es ésta?

1. Este es un ejemplo de una distribución probabilística discreta. Observe que Aquiles

2. El número medio de autos vendidos se calcula ponderando la cantidad de vehículos

¿Cómo se interpreta una media de 2.10?

Recuerde que la desviación estándar, σ, es la raíz cuadrada de la varianza. En este

¿Cómo interpretar una desviación estándar de 1.136 automóviles?

A continuación, se presenta una fórmula alternativa para la varianza de una distribución

Utilizamos la fórmula anterior de la varianza:

Lo cual es el mismo valor encontrado antes.

1.5 Distribución de probabilidad binomial

La distribución probabilística binomial es un ejemplo de una distribución probabilística discreta. Una

El Departamento de Control de Calidad de una empresa clasifica un producto como aceptable; un

Otra característica de la distribución binomial es que la variable aleatoria es el resultado de conteos.

La característica final de una distribución probabilística binomial es que un ensayo es independiente de

¿Cómo se elabora una distribución probabilística binomial?

Para establecer una distribución binomial, se debe saber:

Por ejemplo, si un examen realizado al término de un seminario de administración consiste en 20

La distribución probabilística binomial puede describirse utilizando la fórmula:

Cuál es la probabilidad de:

1. no obtener exactamente ninguna de las cuatro en forma correcta.

1. La probabilidad de no adivinar exactamente ninguna de las cuatro en forma correcta es

0.0625, que resulta de aplicar la fórmula correspondiente (recuerde que es igual a

2. La probabilidad de obtener exactamente una correcta de las cuatro respuestas es

Tabla 2: Distribución probabilística binomial para n = 4, π = 0.50

La variable aleatoria en la tabla se representa gráficamente en el diagrama siguiente. Observe

Uso de “tablas” de probabilidad binomial

Una pequeña parte de una tabla presenta a continuación:

Tabla 3: Probabilidades binomiales para n = 6

Observe que se cumple con las condiciones binomiales:

Consulte la tabla anterior para determinar la probabilidad de exactamente cero engranajes

Observaciones adicionales acerca de las distribuciones binomiales

1. Si n permanece constante, pero π aumenta de 0.05 a 0.95, la forma de la distribución cambia.

2. Si π, probabilidad de éxito, permanece igual, pero n va aumentando, la forma de la distribución

Figura 4: Representación de la distribución probabilística binomial para una π de 0.10 y una n

3. La media (μ) y la varianza de una distribución binomial puede calcularse de “manera

Para el ejemplo anterior acerca de los engranes defectuosos, recuérdese que π = 0. 05 y 𝑛 = 6.

La distribución probabilística presentada anteriormente (tabla), se repite a continuación:

Un estudio reciente de la Asociación de Vigilantes de Carreteras reveló que 60 % de los conductores en

1. ¿Cuál es la probabilidad de que exactamente siete llevarán fijo el cinturón?

Este caso cumple con los requisitos binomiales, es decir:

1. Para obtener la probabilidad de exactamente siete conductores, podemos utilizar una

donde x es el número de éxitos, n el número de ensayos y π la probabilidad de un

2. Para determinar la probabilidad de que siete o menos de los conductores utilicen

Esta probabilidad es 0.167, obtenida de:

La probabilidad de que es igual a .

Por lo que ,que es igual al valor anterior.

1.6 Distribución de probabilidad hipergeométrica