Estadistica I

ESTADISTICA I
INTRODUCCION
CONCEPTOS BASICOS
Cuando se habla de Estadstica, se suele pensar en conjuntos de datos
numricos presentados de forma ordenada y sistemtica. Esta idea hace
referencia a la acepcin popular que existe sobre el trmino y que cada
vez est ms extendida.
La Estadstica es la ciencia que estudia cmo debe emplearse la informacin y
pretende dar una gua de accin en situaciones prcticas que entraan
incertidumbre.
Con el fin de ver de una manera ms especfica la forma con que trabaja esta
ciencia, introduciremos los siguientes conceptos:
POBLACIN
Es un conjunto de elementos de naturaleza cualquiera de los cuales estamos
interesados en estudiar al menos una caracterstica comn y observable de
dichos elementos en un determinado lugar y en un momento dado.
Observacin: La poblacin en estudios debe estar definida sin ambigedad de
manera que no de lugar a confusiones. Los elementos consideramos que se
encuentran localizados en un determinado lugar o regin geogrfica y en un
periodo de tiempo dado.
EJEMPLO
El conjunto de todos los estudiantes matriculados en la UNI-IES en el presente
ao.
Elementos: estudiantes.
Caractersticas: sexo, N asignaturas que lleva, estatura, edad, ao que lleva,
turno, procedencia, etc.
VARIABLES
Utilizaremos variables como X, Y, Z, etc. para representar las caractersticas
de los elementos
Existen bsicamente 2 tipos de variables:
Variables cualitativas: Son las que producen respuestas categricas. (Atributos
o modalidades)
Variables cuantitativas: Son las que producen respuestas numricas. (Valores)

Si X representa la edad entonces X es cuantitativa.
Si Y representa el sexo entonces Y es cualitativa.
1
Las variables cuantitativas pueden considerarse como variables discretas y
variables continuas.
Variables discretas: Son aquellas cuyos valores posibles tienen interrupcin
( esto es, se separan sin haber valores intermedios ) Por lo general provienen
de un proceso de conteo.
Si Z representa el nmero de asignaturas que lleva entonces Z es discreta.
Variables continuas: Son aquellas cuyos valores posibles no tienen
interrupcin. Por lo general provienen de un proceso de medicin.
Si X representa la estatura entonces X es contnua.
DATOS ESTADISTICOS
Loa valores posibles de una caracterstica X los denotaremos por x , mientras
que los valores realmente observados de esa caracterstica X , los llamaremos
datos y los denotaremos por x
i
donde el valor del subndice i nos indica que es
la i-sima observacin de X.
Con frecuencia usaremos el trmino poblacin para referirnos a la totalidad de
datos que podran recopilarse en una situacin dada.
x
1 ,
x
2
, , x
N
PARAMETROS
Es una medida que proviene de todos los datos de la poblacin. Los parmetros
son constantes que representan por lo general caractersticas de la poblacin.
Generalmente se representan por letras griegas.
Por ejemplo, la media poblacional es un parmetro que se denota y define
como

N
x
N
x ... x x
N
.
i
N 2 1

+ + +

Si X representa la edad entonces representa la edad promedio
MUESTRA
Es una parte de la poblacin que se espera sea representativa de ella.
Con frecuencia usaremos el trmino muestra para referirnos a los datos
muestrales x
1 ,
x
2
, , x
n
Poblacin tamao N

X
x
1
muestra tamao n

x
2

. x
1,
x
2,.
x
n

2
.
x
N
datos muestrales
ESTIMACION DE UN PARAMETRO
Es una medida que proviene de los datos muestrales. Las estimaciones varan
de una muestra a otra y representan caractersticas de las muestras.
Por ejemplo, la media muestral de un conjunto de datos x
1 ,
x
2
, , x
n
se denota
y define como
n
x
n
x ... x x
x
n
.
i
n 2 1

+ + +
Si X representa la edad entonces x representa la edad promedio y se

considera una estimacin o estimado de .
MUESTREO Y CENSO
Como el fin de la Estadstica es llegar a conocer un parmetro esto podemos
lograrlo haciendo:
Un muestreo: un examen sobre una parte de la poblacin.
Un Censo: un examen sobre toda la poblacin.
QUE ES LA ESTADISTICA?
La Estadstica estudia los mtodos y procedimientos para recopilar, organizar,
presentar y analizar datos, siempre y cuando la variabilidad e incertidumbre
sea una causa intrnsica de los mismos; as como de realizar inferencias a partir
de ellos, con la finalidad de ayudar a la toma de decisiones y en su caso
formular predicciones.
DIVISION DE LA ESTADISTICA
ESTADSTICA DESCRIPTIVA
Es la parte de la estadstica que estudia los mtodos de recopilacin,
organizacin, presentacin y caracterizacin o anlisis de un conjunto de datos.
ESTADSTICA INFERENCIAL
Estudia los mtodos que hacen posible la estimacin de un parmetro en base
a datos muestrales.
3
APLICACIONES DE LA ESTADISTICA A LA ECONOMIA, LA
ADMINISTRACION DE EMPRESA Y LA CONTABILIDAD.

Mostraremos como las tcnicas estadsticas pueden servir al economista, al
administrador de empresa y al contador para obtener un conocimiento amplio
sobre su realidad econmica y social.
Es obvio que toda persona que se dedique al mundo de los negocios, industria,
empresa, comercio, etc., necesita informacin sobre las caractersticas del
ambiente en que realiza su actividad.
Cualquier informacin cualitativa o cuantitativa debidamente tratada, puede
servir para el conocimiento, desarrollo y control de los principales subsistemas
funcionales de la empresa. Si analizamos algunos de estos subsistemas es
posible encontrar ejemplos en los que la Estadstica puede constituir un
autntico elemento de ayuda.
Recursos humanos
Para la seleccin del personal los empresarios suelen usar cada vez con ms
frecuencia resultados obtenidos en test de aptitudes y conocimientos deseables
en la persona a contratar. Las tcnicas descriptivas son instrumentos
adecuados para el tratamiento de las puntuaciones numricas alcanzadas en
dichos test.
Auditoria
Uno de los nuevos instrumentos de que disponen los auditores de hoy, es el
empleo de mtodos de muestreo, a fin de reducir la cantidad de revisin
detallada que se necesita.
Suponga que una empresa tiene una cantidad muy grande de cuentas por
cobrar. Un auditor puede utilizar algn mtodo de muestreo estadstico para
seleccionar una muestra de cuentas y a partir de ella estimar el saldo total de
las cuentas. Si la cantidad que aparece en los libros de la empresa no cae
dentro de los lmites de la estimacin, el auditor puede considerar la posibilidad
de hacer un asiento de ajuste al valor en libros.
4
Marketing
Los estudios de mercado dirigidos al conocimiento de la demanda de
productos, productos competidores, efectos de campaas publicitarias,
etc., se llevan a cabo con regularidad en la empresa. Antes de sacar un
producto al mercado se suele realizar una investigacin al respecto
mediante muestreo con objeto de obtener alguna informacin. Las
tcnicas estadsticas permiten en estas situaciones inferir valores de
parmetros a partir de la informacin muestral. Por supuesto, a partir de
una muestra no se puede conocer con exactitud y precisin las
caractersticas de toda la poblacin, siempre habr un grado de
incertidumbre sobre el verdadero valor del parmetro, el cual puede ser
cuantificado en trminos de probabilidad.
Produccin
En el proceso de fabricacin de un producto intervienen innumerables factores
(materias primas, maquinarias, obreros, etc.) que afectan a las
caractersticas de calidad de ese producto. En muchas fbricas es corriente
ver cmo los productos llegan a una banda transportadora en cuyo final
hay una mquina empacadora que los enva al almacn. Entre la banda
transportadora y la mquina de empacar suele haber un operario que
observa atentamente los productos que llegan y ocasionalmente arroja
alguno a un cesto cercano. Est eliminando productos defectuosos.
Hoy da el control de calidad de la produccin es bsico para que los artculos
producidos cumplan los requisitos de calidad establecidos por las normas tanto
nacionales como internacionales. Los mtodos estadsticos son una
herramienta eficaz en esta rea para mejorar los procesos de produccin y
reducir sus defectos.
Finanzas
Resulta evidente que cualquier profesional de la empresa o los negocios debe
adquirir una formacin bsica en estadstica en un proceso de aprendizaje, que
le permita moverse con soltura en el mundo que le rodea. Si ha de tomar
decisiones en un entorno de fluctuaciones y riesgos, no bastar con entender la
terminologa estadstica, necesitar conocerla lo suficiente como para aplicarla
y hacer de ella una herramienta eficaz en el ejercicio de su actividad.
Las decisiones de una empresa de invertir en nuevos productos, locales,
maquinarias, etc.,vendrn condicionadas por los beneficios esperados del
dinero. Para ello son de gran utilidad las tcnicas de prediccin, que
constituyen una autntica necesidad en el mundo de los negocios.
5
TEMA 1 : ESTADISTICA DESCRIPTIVA
OBJETIVOS.
1. Conocer procedimientos para organizar datos en una distribucin de frecuencias.
2. Construir e interpretar tablas y grficas estadsticas.
3. Calcular e interpretar medidas de posicin, dispersin, asimtria y apuntamiento de datos.
1.1 INTRODUCCION
Este tema pretende introducir al estudiante en el manejo de datos numricos, ensearle a organizar y
presentar datos obtenidos de un estudio mediante la construccin de tablas y grficas estadsticas.
Tambin ser de vital importancia poder condensar la informacin en medidas que la representen en
forma clara, por tal razn, trataremos de encontrar valores para esas medidas (estadsticos o
parmetros ) que logren sintetizar la informacin. Estas medidas expresarn la posicin, dispersin,
asimetra y forma de los datos.
1.2 RECOPILACIN DE DATOS
Consiste en la utilizacin adecuada de tcnicas que permitan recoger la informacin de la manera
ms eficiente.
Los datos pueden ser recopilados de:
a) Registros internos
b) Publicaciones
c) Encuestas
Cuando a) y b) no son apropiados para el estudio que estamos haciendo utilizamos la encuesta, esto
es, un instrumento que nos permite recopilar la informacin necesaria.
La encuesta est limitada por factores: tiempo, dinero, recursos materiales y humanos disponibles.
Se puede llevar a cabo por dos formas:
a) Por muestreo
b) Por censo.
1.3 ORGANIZACIN (RESUMEN) DE LOS DATOS
Aqu la informacin se resume con el fin de facilitar su presentacin y anlisis posterior.
1.3.1 DATOS AGRUPADOS EN CLASES
Introduciremos primero algunos conceptos:
6
Un intervalo de clase o simplemente clase se denota y define como:
Li ---- Ls : Ms de Li hasta Ls

donde Li el lmite inferior y Ls es el lmite superior de la clase.
Una clase de extremo abierto es la que no especifica uno de sus lmites
y la denotaremos as:
Hasta Ls
Ms de Li
Amplitud o tamao de un intervalo de clase

c = Ls Li
Punto medio de un intervalo de clase o marca de clase j

2
Ls Li
m
j
+
j = 1, 2, ....., g

EJEMPLO 1.1
Los siguientes datos corresponden a consumos mensuales registrados (en cienes de crdobas) en 30
familias del barrio Costa Rica.
Tabla 1.1 Datos originales de los consumos mensuales
24 16 26 31 17 25 17 23 23 19
21 17 13 20 30 24 19 22 21 18
25 14 29 20 26 15 27 21 22 23
Fuente: Encuesta realizada por INEC
Organice los datos recopilados anteriormente en 5 clases
1. Ordenar los datos
13 14 15 16 17 17 17 18 19 19
20 20 21 21 21 22 22 23 23 23
24 24 25 25 26 26 27 29 30 31
2. Determinar el rango
R = x
mayor
x
menor
= Dato mayor - Dato menor R = 31 - 13 = 18
3. Determinar N clases '' g '' y tamao de clase ''c''.
7
Si g es dado ,
g
R
c a cercano pero >
c >
5
18
= 3.6 tomar C = 4
4. Escribir las clases.
El lmite inferior de la primera clase debe ser un nmero menor y cercano al dato menor.
El lmite superior de la ltima clase debe ser mayor o igual, pero cercano, al dato mayor.
Tabla 1.2 Organizacin de los datos de la tabla 1.1 del ejemplo 1.1
N familias Ls ltima clase = Li primera clase + gc
12 ------- 16 4 Ls ltima clase = 12 + 5 ( 4 ) = 32
16 ------- 20 8
20 ------- 24 10
24 ------- 28 5
28 ------- 32 3

30
5. Contar los datos
1.4 PRESENTACION DE DATOS
Una vez organizados los datos debemos presentarlos de una forma fcil de entender, esto es que
podamos percibir fcilmente los hechos esenciales de la informacin.
Los datos sern presentados en una tabla que contendr bsicamente : un ttulo, un cuerpo y una
fuente.
Tambin presentaremos los datos por grficas, en las cuales tomaremos en el eje horizontal la
caracterstica de inters x y en el eje vertical las frecuencias.
Debemos tener cuidado en la seleccin de las unidades en los ejes:
Regla de los 3/4
La altura del punto correspondiente a la mayor frecuencia debe ser aproximadamente igual a los 3/4
del eje horizontal.
1.4.1 DATOS CUANTITATIVOS
Cuando la caracterstica de inters de los elementos sea una variable cuantitativa, se obtendrn de
ella lo que llamaremos datos cuantitativos, que pueden ser presentados en tablas o grficas.
1.4.1.1 DATOS REPETIDOS
Cuando los datos estn muy repetidos es til contar el nmero de veces que se repite cada dato.
Supongamos que f
i
representa la frecuencia conque se presenta el dato x
i
de una variable de inters
X.
8
Podemos presentar este conjunto de datos en lo que llamaremos una distribucin de frecuencias de
X, mediante una tabla o una grfica.
TABLA DE FRECUENCIAS DE UNA VARIABLE DISCRETA
EJEMPLO 1.2
Supongamos que los siguientes datos representan nmero de das de atraso en el pago de 10 cuentas
de crdito.
1, 2, 1, 0, 2, 1, 2, 3, 0, 2
Si X representa el nmero de das de atraso en el pago de las cuentas, podemos presentar esta
informacin en la siguiente tabla:
Tabla 1.3 Ttulo: Distribucin de frecuencias del nmero de das de atraso en el pago de 10 cuentas
de crdito.
x
i
f
i
N das N cuentas
0 2
1 3
2 4
3 1
10
Fuente: BANPRO
GRAFICO DE FRECUENCIAS DE UNA VARIABLE DISCRETA
EJEMPLO 1.3
Con los datos de la tabla 1.3 del ejemplo 1.2 obtenemos la siguiente figura.
9
0
1
2
3
4
5
-1 0 1 2 3 4
X
f
Figura 1.1 Distribucin de frecuencias del nmero de dias de atraso en el pago de 10 cuentas de
crdito.
1.4.1.2 DATOS AGRUPADOS EN CLASES
Para presentar datos agrupados en clases necesitaremos introducir los siguientes conceptos:
f
j
: frecuencia ( absoluta ) de la clase j. Nmero de datos en la clase j

fa
j
: frecuencia acumulada hasta la clase j. Nmero de datos cuyos valores son inferiors o iguales al
lmite superior de la clase j .

fa
j
= f
1
+ f
2
+ + f
j

fr
j
: frecuencia relativa de la clase j. Proporcin de datos que corresponde a la clase j .

n
f
fr
j
j

j = 1 , 2 , , g
fra
j
: frecuencia relativa acumulada hasta la clase j. Proporcin de datos cuyos valores son
inferiores o iguales al lmite superior de la clase j
.

n
fa
fra
j
j
j = 1 , 2 , , g
Cuando los datos estn agrupados en clases diremos que forman una distribucin de frecuencias , la
cual, puede ser presentada por una tabla estadstica o una grfica estadstica.

TABLA DE FRECUENCIAS ( ABSOLUTAS, RELATIVAS, ACUMULADAS, RELATIVAS
ACUMULADAS )
EJEMPLO 1.4
Con los datos de la tabla 1.2 del ejemplo 1.1 obtenemos la siguiente tabla.
Tabla 1.4 TITULO : Distribuciones de frecuencias de los consumo mensuales de 30 familias del
barrio Costa Rica.
f
j
fr
j
fa
j
fra
j
Niveles de N familias Prop. Familias N familias Prop. familias
Consumo hasta clase j hasta clase j
m
j

10
12 --- 16 14 4 0.13 4 0.13
16 --- 20 18 8 0.27 12 0.40
20 --- 24 22 10 0.33 22 0.73
24 --- 28 26 5 0.17 27 0.90
28 --- 32 30 3 0.10 30 1.00
34
10

30 1.00
Conteste las siguientes preguntas :
1. Cuntas familias tienen un consumo entre 16 y 24 ?
2. Qu proporcin de familias tienen un consumo entre 20 y 24 ?
3. Cuntas familias tienen un consumo inferior a o igual 28 ?
4. Qu proporcin de familias tienen un consumo inferior o igual a 24
HISTOGRAMA DE FRECUENCIAS / HISTOGRAMA DE FRECUENCIAS RELATIVAS
Ubicamos en el eje horizontal los lmites inferiores y superiores de cada clase.
Dibujamos rectngulos tales que las longitudes de las bases correspondan a los tamaos de las clases
y las alturas sean las correspondientes frecuencias de las clases.
EJEMPLO 1.5
Con datos de la tabla 1.4 del ejemplo 1.4 obtenemos la siguiente figura.
.
Figura 1.2 Histrograma de frecuencias de los consumos mensuales de 30 familias del barrio Costa
Rica.

POLGONO DE FRECUENCIAS
Se forman haciendo que cada marca de clase represente los datos de esa clase. Luego se toman las
frecuencias correspondientes a cada marca de clase para despus unir los puntos resultantes con
11
4
8
10
5
3
0
2
4
6
8
10
12
X
f
12 16 20 24 28 32
segmentos. Algunos prolongan el polgono hasta las marcas de clase imaginarias inferior y superior
inmediata
EJEMPLO 1.6
Con datos de la tabla 1.4 del ejemplo 1.4 se ha dibujado el polgono de frecuencias de los consumos
mensuales de las 30 familias. Ver figura 1.3
Figura 1.3
POLGONO DE FRECUENCIAS ACUMULADAS (OJIVA) / POLGONO DE
FRECUENCIAS RELATIVAS ACUMULADAS (OJIVA PORCENTUAL)
Ubicamos en el eje horizontal los lmites superiores de todas las clases. Algunos prolongan el
polgono hasta el lmite superior imaginario de la clase imaginaria inferior inmediata
EJEMPLO 1.7
12
0
2
4
6
8
10
12
10 14 18 22 26 30 34
X
f
Con datos de la tabla 1.4 del ejemplo 1.4 obtenemos la siguiente figura.

Figura 1.4 Polgono de frecuencias acumuladas ( Ojiva ) de los consumos mensuales de 30 familias
del barrio Costa Rica.
1.4.1.3 DATOS RELACIONADOS CON EL TIEMPO
EJEMPLO 1.8
Tabla 1.5 Costo de la canasta bsica en crdobas a nivel nacional durante el perodo 1991 2000.
Aos 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Costo 750 780 820 880 1100 1200 1350 1550 1600 1700
Fuente. Banco Central de Nicaragua.
GRAFICO DE LINEAS
Consiste en un conjunto de lneas o segmentos de recta que muestran los cambios que experimenta
una determinada variable, generalmente en funcin del tiempo. Las coordenadas se pueden graficar
en el centro del perodo de tiempo.
13
0
5
10
15
20
25
30
35
12 16 20 24 28 32

fa
X
EJEMPLO 1.9
Figura 1.5 Grfico de lneas del costo de la canasta bsica en crdobas a nivel nacional durante el
perodo 1991 2000.
Observe que el costo de la canasta bsica siempre crece durante el perodo 1991 2000, ocurriendo
un crecimiento a un ritmo mayor a partir de 1995.
EJEMPLO 1.10
Tabla 1.6 Salario mnimo del sector industrial a nivel nacional para el perodo 1991 2000.
Aos 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Salarios 400 500 600 700 800 850 900 950 1000 1050
Fuente: Banco Central de Nicaragua.
COMPARACION DE GRAFICOS LINEALES
Estos grficos generalmente se utilizan para comparar aspectos contrapuestos tales como ingresos
gastos, exportacin importacin, etc.
14
700
800
900
1000
1100
1200
1300
1400
1500
1600
1700
1800
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
Aos
C
o
s
t
o
EJEMPLO 1.11
Con los datos de la tabla 1.6 y 1.5 de los ejemplos 1.8 y 1.10 respectivamente obtenemos la
siguiente figura.
Figura 1.6 Comparacin del costo de la canasta bsica y el salario mnimo del sector industrial para
el perodo 1991 2000.
Observe que el costo de la canasta bsica siempre es mayor que el salario mnimo, ocurriendo la
diferencia ms pequea de C$ 180 en el ao 1994.
De 1991 a 1994 el salario creci a un ritmo mayor que el costo de la canasta bsica, pero de 1995 a
2000 el costo de la canasta bsica creci a un ritmo mucho mayor que el salario.
De la figura anterior podemos comentar que el aparato industrial nicaragense tiene poco desarrollo.
1.4.2 DATOS CUALITATIVOS
Cuando la caracterstica de inters de los elementos sea una variable cualitativa, se obtendrn de ella
lo que llamaremos datos cualitativos.
En los fenmenos cualitativos, las respuestas categricas se pueden clasificar en tablas o grficas.

EJEMPLO 1.12
Tabla 1.7 Importaciones realizadas por Nicaragua de 545.3 millones de dlares en bienes
intermedios en el ao 2000 segn la actividad ecnomica.
ACTIVIDAD ECONOMICA MONTO % ANGULO
Agricultura 78.7 14.4 52
15
300
400
500
600
700
800
900
1000
1100
1200
1300
1400
1500
1600
1700
1800
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
Aos
C
o
s
t
o

/

S
a
l
a
r
i
o
Cost o Salario
BRECHA ENTRE CANASTA BASICA Y SALARIO
Industria 353.7 64.9 233
Construccin 112.9 20.7 75

Total 545.3 100.0 360
Fuente: Banco Central
GRAFICA DE PASTEL O SECTORES
Se construyen en base a un crculo que representa el valor total de las distintas categoras en que se
divide un atributo, dividido este crculo en tantos sectores circulares como categoras tenga el
atributo. La magnitud del ngulo de los sectores se calcula con la siguiente frmula:
Valor de la categora
Angulo del sector = x 360
Valor total de las categoras
EJEMPLO 1.13
Figura 1.7 Grfica de pastel que ilustra las importaciones realizadas por Nicaragua segn la
actividad ecnomica.
GRAFICA DE BARRAS
Este grfico est constituido por un conjunto de barras o rectngulos , separados por distancias
iguales , cuyas alturas son el valor de los datos correspondientes al atributo que sealan sus bases.
EJEMPLO 1.14
16
14%
65%
21%
Agricultura
Industria
Construccin
Figura 1.8 Grfica de barras que ilustra las importaciones realizadas por Nicaragua segn la
actividad ecnomica.

EJEMPLO 1.15
Tabla 1.8 Precios promedios en dlares de los tres principales productos de consumo: frijol, pollo
y leche a nivel centroamericano.
PRODUCTOS Costa Rica El Salvador Guatemala Honduras Nicaragua

Frijol 0.50 0.55 0.39 0.48 051
Pollo 0.94 1.02 0.93 0.72 0.80
Leche 0.40 0.87 0.59 0.47 0.42
Fuente: Banco Central de Nicaragua, Septiembre de 2000
17
78.7
353.7
112.9
0
100
200
300
400
Agricultura Industria Construccin
Actividad ecnomica
I
m
p
o
r
t
a
c
i
o
n
e
s
EJEMPLO 1.16
Figura 1.9 Grfica de barras que ilustra los precios promedios en dlares de los tres principales
productos de consumo: Frijol, Pollo y Leche.
Observando el grfico anterior conteste las siguientes preguntas:
Cul es el menor precio del pollo a nivel centroamericano ?
Cul el el mayor precio de la leche a nivel centroamericano ?
En qu pas centroamericano la leche tiene menor precio ?
En qu pas centroamericano el pollo tiene mayor precio ?
En Guatemala qu producto tiene menor precio ? En Nicaragua qu producto tiene mayor precio?
18
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
1.2
C.R. E.S. G H N
P
r
e
c
i
o
s
Frijol Pollo Leche
1.5 CARACTERIZACION ( ANLISIS ) DE LOS DATOS
Aqu el investigador trata de resumir la informacin disponible en algunas expresiones, esto es,
valores o medidas que nos fijen el comportamiento global del fenmeno.
El anlisis de los datos consiste bsicamente en la determinacin de dos medidas que representan
caractersticas de los datos.
Medidas de posicin
Nos indican las posiciones o lugares alrededor de los cuales se distribuyen los datos.
Medidas de dispersin
Nos informan sobre la variabilidad de los datos alrededor de las medidas de posicin.
Existen otras medidas que sern estudiadas posteriormente.

Figura 1.10 Puntos sobre la recta real correspondientes a dos conjuntos de datos.
Cmo se dispersan los datos y alrededor de qu posicin lo hacen ?
1.5.1 MEDIDAS DE POSICION
1.5.1.1 MEDIDAS DE POSICIN CENTRAL
Son valores representativos que tienden a situarse en el centro de un conjunto de datos ordenados
segn su magnitud.
1.5.1.1.1 LA MEDIA ARITMTICA
DATOS NO AGRUPADOS EN CLASES
Si x
1
, x
2
,..........,x
n
representan datos muestrales entonces su media muestral se denota y define as
n
x
x
n
.
i
Si x
1
, x
2
,..........,x
N
representan todos los datos poblacionales entonces su media poblacional se
denota y define as

N
x
N
.
i

19
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
x
Posicin
Posicin

EJEMPLO 1.17
Los siguientes datos representan saldos en miles de crdobas de 5 cuentas de ahorro.

20, 10, 15, 25, 20
Calcule el saldo promedio de las 5 cuentas
Elementos: cuentas
X : saldo
n = 5

18
5
90
5
20 25 15 10 20
x
+ + + +
(en miles de C$ )
Datos repetidos
Si los datos forman una distribucin de frecuencias de la variable X utilizaremos para la media
muestral la siguiente frmula:

n
f x
x
.
i i
EJEMPLO 1.18
Dada la distribucin de frecuencias de la tabla 1.3 del ejemplo 1.2 , calcule el nmero promedio de
das de atraso en el pago de las cuentas.
Tabla 1.9
x
i
f
i
x
i
f
i
0 2 0
1 3 3
2 4 8
3 1 3
10 14

4 . 1
10
14
x
das
20
DATOS AGRUPADOS EN CLASES
Si los datos representados por la variable de inters X estn agrupados en g clases
consideraremos que los valores de X sern las marcas de clase, motivo por el cual escribiremos:
Para una muestra:

n
f m
x
g
.
j j
m
j
: marca de la clase j
f
j
: frecuencia de la clase j
Para una poblacin:

N
f m
g
.
j j

EJEMPLO 1.19
La distribucin de frecuencias de gastos en energa elctrica en crdobas durante el mes de Julio en
50 casas del barrio la Primavera de Managua es dada por la siguiente tabla
.
Tabla 1.10
f
j

Gastos m
j
No. casas

m
j
f
j
u
j
u
j
f
j
75 ----- 100 87.5 4 350 -2 -8
100 ---- 125 112.5 8 900 -1 -8
125 ---- 150 137.5 15 2062.5 0 0
150 ---- 175 162.5 13 2112.5 1 13
175 ---- 200 187.5 7 1312.5 2 14
200 ---- 225 212.5 3 637.5 3 9

50 7375.0 20
Calcule el gasto promedio en energa elctrica de las casas.
Mtodo ordinario:

147.50
50
7375
x
Mtodo por codificacin:
Usaremos una variable de codificacin u
j
que slo tomar valores enteros, de tal forma que a cada
marca de clase le corresponder un entero. La marca de clase que tenga asignado el 0 ser
representada por m
0
. La frmula que usaremos ser la siguiente:

21

)c
n
f u
( m x
g
.
j j
0
+

50 . 147 10 5 . 137 ) 25 (
50
20
5 . 137 x + +

Coloque el cdigo 0 a la marca de clase que Ud. quiera, luego calcule x

PROPIEDADES DE LA MEDIA ARITMTICA
i. Todo conjunto de datos tiene una media y es nica.
ii. La suma algebraica de las desviaciones de un conjunto de datos con respecto a su media es
cero.

n
.
i
0 ) x (x
EJEMPLO 1.20
Comprobacin de que la suma algebraica de las desviaciones de los nmeros 1, 3, 5, 7 con respecto
a su media es cero.
Tabla 1.11
x
i

x
i
- 4

1 -3
3 -1
5 1
7 3
16 0
4
4
16
x

Figura 1.11
DESVENTAJAS DE LA MEDIA ARITMTICA
i. Es muy sensible a las observaciones extremas cuando stas no estn equilibradas en ambos lados.
ii. Es inadecuada si hay clases de extremo abierto.
1.5.1.1.2 LA MEDIANA
22
0 1 2 3 4 5 6 7 8
X
x
Para datos que contienen valores extremos es recomendable utilizar la mediana porque sta no es
sensible a las observaciones extremas.
La mediana es el valor que se encuentra en el centro de una secuencia ordenada de datos.
Si un conjunto de datos estn ordenados segn su magnitud en orden creciente o decreciente
entonces la mediana la determinamos as:
i. Si n es impar entonces la mediana es el valor central
Posicin:
2
1 n +
ii. Si n es par la mediana es el promedio de los dos valores centrales
Posiciones:
2
n
y
1
2
n
+
EJEMPLO 1.21
Consideremos el costo en crdobas de la canasta bsica de 5 ciudades:
1300, 1000, 1100, 1350, 1200
Determine la mediana.
El arreglo ordenado es: 1000, 1100, 1200, 1300, 1350
Me = 1200 Posicin: 3
EJEMPLO 1.22
En 10 das un Banco tuvo 18, 13, 15, 12, 8, 3, 7, 14, 16 y 3 transacciones en moneda extranjera.
Determine la mediana.
El arreglo ordenado es: 3, 3, 7, 8, 12, 13, 14, 15, 16, 18
Posiciones: 5 y 6
Me =
5 . 12
2
13 12
+
NOTA: La mediana siempre existe y es nica.
23
1. Identificar la clase mediana ( k )
Es la primera clase con una frecuencia acumulada n / 2
2. Aplicar la frmula

)c
f
fa
2
n
( Li Me
k
1 k
k
+
donde:
fa
k-1
es la frecuencia acumulada de la clase que precede a la clase mediana.
Li
k
es el lmite inferior de la clase mediana.
f
k
es la frecuencia de la clase mediana.
n es el nmero de datos.
EJEMPLO 1.23
Dada la distribucin de frecuencias de la tabla 1.10 del ejemplo 1.19, calcule el gasto mediano en
energa elctrica de las 50 casas.
f
j
Gastos No. casas fa
j
75 ---- 100 4 4
100 ---- 125 8 12
125 ---- 150 15 27
150 ---- 175 13 40
175 ---- 200 7 47
200 ---- 225 3 50
50

1. n / 2 = 25 La primera clase con una fa. 25 es k = 3
2. Me
6667 . 146 ) 25 (
15
13
125 25 )
15
12 25
( 125 +
+
EJEMPLO 1.24
Los siguientes datos representan ventas anuales registradas en millones de crdobas en 80 tiendas
24
Tabla 1.12
Ventas anuales N tiendas fa
j

Hasta 10 8 8
10 ---- 20 18 26
20 ---- 30 32 58
30 ---- 40 15 73
40 ---- 50 6 79
Ms de 50 1 80
80

Calcule la venta anual mediana de las tiendas.
1.
2
n
= 40 La primera clase con una fa 40 es k = 3
2. Me = 20 +
10 )
32
26 40
(

= 20 +
375 . 24 375 . 4 20
32
140
+
1.5.1.1.3 LA MODA
La moda de un conjunto de datos es aquel valor que se presenta con ms frecuencia.
La moda no es afectada por valores extremos. Sin embargo slo se utiliza para propsitos
descriptivos porque es ms variable para distintas muestras que las dems medidas de posicin.
EJEMPLO 1.25
Los siguientes datos corresponden a ventas mensuales de una empresa registradas en millones de
crdobas durante el ao pasado.
100, 80, 150, 60, 100, 90, 130, 100, 90, 100, 120, 100
Cul fue la venta mensual modal de la empresa?
Mo = 100
La moda puede no existir, incluso si existe puede no ser nica.
EJEMPLO 1.26
60, 74, 82, 85, 90 La moda no existe
EJEMPLO 1.27
50, 60, 70, 60, 50, 40, 80, 50, 60, 45
Mo = 50 y Mo = 60
25
1. Identificar la clase modal ( k )
Es la clase con la ms alta frecuencia.
)c

( Li Mo
2 1
1
k
+
+
donde:
Li
k
es el lmite inferior de la clase modal.

1
es la diferencia absoluta entre la frecuencia de la clase modal y la frecuencia de la clase
precedente.

2
es la diferencia absoluta entre la frecuencia de la clase modal y la frecuencia de la clase
siguiente.
EJEMPLO 1.28
Dada la distribucin de frecuencias de la tabla 1.10 del ejemplo 1.19, calcule el gasto modal en
energa elctrica de las 50 casas.
f
j
GASTOS No. casas

75 ---- 100 4 7 8 15
1

100 ---- 125 8
125 ---- 150 15 2 13 15
2

150 ---- 175 13
175 ---- 200 7
200 ---- 225 3
50

1. La clase con la mayor frecuencia es la tercera, esto es, k = 3
2.
144.4444 19.4444 125 )25
2 7
7
( 125 Mo +
+
+

1.5.1.2 MEDIDAS DE POSICION NO CENTRAL
1.5.1.2.1 PERCENTILES
Son medidas que dividen a una distribucin en cien partes iguales.
26
El percentil r, denotado por P
r
, donde r = 1, 2, ........, 99 es el valor por debajo del cual queda el r%
de los datos.
1. Identificar la clase que contiene al P
r
(k)
Es la primera clase con una frecuencia acumulada
)
100
r
n(

)c
f
fa )
100
r
n(
( Li P
k
1 k
k r
+

donde
n es el nmero de datos
Li
k
es el lmite inferior de la clase que contiene al Pr
)
100
r
n(
es el r% de n
f
k
es la frecuencia de la clase que contiene al Pr
fa
k-1
es la frecuencia acumulada de la clase que precede a la clase que contiene al Pr.
EJEMPLO 1.29
Dada la distribucin de frecuencias de la tabla 1.10 del ejemplo 1.19, Por debajo de qu gasto en
energa elctrica est el 90% de las casas ?
GASTOS f
j
fa
75 ----- 100 4 4
100 ----- 125 8 12
125 ----- 150 15 27
150 ----- 175 13 40
175 ----- 200 7 47
200 ----- 225 3 50
50

1.
45 )
100
90
( 50 )
100
r
n(
La primera clase con una fa. 45 es k = 5
2
8571 . 192 8571 . 17 175
7
125
175 25 )
7
40 45
( 175 P
90
+ +
+
Por debajo de qu gasto en energa elctrica est el 60% de las casas ?
1.5.2 MEDIDAS DE DISPERSION
Considere que los siguientes puntos sobre la recta real son los correspondientes a dos conjuntos de
datos.
27

Figura 1.12
Cmo se dispersan los datos y alrededor de qu posicin lo hacen ?
Qu conjunto de datos tendra la menor variacin?
Cuando la dispersin de los datos se considera pequea en comparacin a la magnitud de los datos
decimos que la medida de posicin es confiable, esto es, representativa de los datos.
1.5.2.1 LA VARIANZA , LA DESVIACION ESTANDAR Y EL COEFICIENTE DE
VARIACION.
Si x
1
, x
2
,..........,x
N
representan todos los datos poblacionales entonces su varianza poblacional se
denota y define as
N
) (x
N
.
2
i
2

La desviacin estandar poblacional se denota y define as

2

Si x
1
, x
2
,..........,x
n
representan datos muestrales entonces su varianza muestral se denota y define
as
Frmula abreviada

1 n
) x (x
s
n
.
2
i
2

1 n
n
) x (
x
s
n
.
n
.
2
i
2
i
2

La desviacin estndar muestral se denota y define as
2
s s

El coeficiente de variacin es una medida relativa de dispersin. Se expresa como porcentaje y es
til cuando se compara la variabilidad de dos o ms conjuntos de datos expresados en diferentes o
iguales unidades de medicin.

28
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
X
Posicin
Posicin
Para una muestra
(100)
x
s
CV
mtra

Para una poblacin
(100)
CV
pob

EJEMPLO 1.30
Los siguientes datos representan saldos en miles de crdobas de 5 cuentas de ahorro.
20, 10, 15, 25, 20
Determine:
a) El saldo promedio de las cuentas
b) La varianza y la desviacin estandar de los saldos
c) El coeficiente de variacin
x
i
2
i
) x (x x
2
i

20 4 400
10 64 100
15 9 225
25 49 625
20 4 400
90 130 1750
a)
18
5
90
x

b)
50 . 32
4
130
s
2

50 . 32
4
130
4
1620 1750
4
5
) 90 (
1750
s
2
2

7009 . 5 50 , 32 s
Tanto la varianza como la desviacin estndar de un conjunto de datos son medidas de variabilidad
de los datos alrededor de la media.
La desviacin estndar puede interpretarse como una desviacin promedio de los datos alrededor
de la media, en otras palabras, cunto se alejan en promedio los datos de la media.

Para el ejemlo 1.30, podemos decir que la desviacin promedio de los saldos de las cuentas
alrededor de C$ 18 es C$ 5.7009 o bien que los saldos se alejan en promedio C$ 5.7009 de la media.
c)
% 6717 . 31 ) 100 (
18
7009 . 5
CV
Este valor no tendr sentido a menos que lo comparemos con otro conjunto de cuentas.

Consideremos otro conjunto de cuentas:
x
i
2
i
) x (x
x
i
2
21 2.25 441
15 56.25 225
29
25 6.25 625
29 42.25 841
90 107.00 2132
a)
50 . 22
4
90
x

b)
6667 . 35
3
107
3
2025 2132
3
4
) 90 (
2132
s
2
2

9722 . 5 6667 . 35 s
c)
% 5431 . 26 ) 100 (
50 . 22
9722 . 5
CV
Qu conjunto de cuentas tiene el saldo ms uniforme?
Datos repetidos
Si los datos forman una distribucin de frecuencias de la variable X, la varianza muestral se define
as

1 n
f ) x (x
s
.
i
2
i
2
EJEMPLO 1.31
Para la distribucin de frecuencias de la tabla 1.3 del ejemplo 1.2 , calcule la desviacin estndar
del nmero de das de atraso en el pago de las cuentas.
Recordemos que 4 . 1 x das.
x
i
f
i i
f ) x (x
2
i

0 2 3.92
1 3 0.48
2 4 1.44
3 1 2.56
10 8.40

9661 . 0 s 9333 . 0
9
40 . 8
s
2

Cmo interpretara este resultado ?
La varianza poblacional se denota y define como
m
j
es la marca de la clase j
g es en nmero de clases
30

N
f ) (m
g
.
j
2
j
2

f
j
es la frecuencia de la clase j

La desviacin estndar poblacional se denota y define como

2

La varianza muestral se denota y define como
Frmula abreviada.

1 n
f ) X (m
s
g
.
j
2
j
2

1 n
n
) f m (
f m
s
g
.
g
.
2
j j
j
2
j
2

La desviacin estndar muestral se denota y define como

2
s s
El coeficiente de variacin se denota y define as
Para una muestra
) (100
x
s
C
mtra
V
Para una poblacin
) 100 ( C
pob
V
EJEMPLO 1.32
En la siguiente tabla se dan los rendimientos en qq / mz. obtenidos en 60 plantaciones de algodn.
Tabla 1.13
Rendimientos N Plantaciones
20 ---- 28 4
28 ---- 36 20
36 ---- 44 30
44 ---- 52 5
52 ---- 60 1
60
1. Cul es el rendimiento promedio de las 60 plantaciones?
2. Cul es la varianza y la desviacin estandar del rendimiento de las plantaciones?
3. Calcule el coeficiente de variacin.
m
j
f
j
m
j
f
j
m
j
2
f
j

31
24 4 96 2304
32 20 640 20480
40 30 1200 48000
48 5 240 11520
56 1 56 3136
60 2232 85440
1.
. qq/mz 20 . 37
60
2232
x

2.
8407 . 40
59
6 . 2409
59
4 . 83030 85440
59
60
) 2232 (
85440
s
2
2

z. 6.3907qq/m 40.8407 s Cmo interpretara este resultado ?
3.
% 1793 . 17 ) 100 (
20 . 37
3907 . 6
C V
Aplicando la otra frmula
m
j
f
j j
2
j
f ) x (m
24 4 696.96
32 20 540.80
40 30 235.20
48 5 583.20
56 1 353.44
60 2409.60

8407 . 40
59
60 . 2409
s
2

EJERCICIO 1.1
Para la distribucin de frecuencias de gastos de energa elctrica en crdobas, del ejemplo 1.19,
verifique que la desviacin estndar del gasto de energa elctrica es s = C$ 32.73
1.5.3 MEDIDAS DE ASIMETRIA
1.5.3.1 RELACION ENTRE MEDIA , MEDIANA Y MODA.
Las diferencias entre los valores de la media, la mediana y la moda permiten saber la forma de la
distribucin de frecuencias
32
DISTRIBUCIONES SIMETRICAS
Si en una distribucin de frecuencias, la media, la mediana y la moda coinciden entonces decimos
que la distribucin es simtrica. Ver figura 1.13

Figura 1.13
DISTRIBUCIONES ASIMETRICAS
Si los valores de la media , la mediana y la moda no coinciden entonces decimos que la distribucin
es asimtrica.
Para distribuciones asimtricas unimodales las posiciones relativas de las tres medidas sern tales
que la mediana estar siempre entre la media y la moda. Ver figuras 1.14 y 1.15
Distribucin asimtrica a la izquierda o negativa.
Figura 1.14
La cola mayor se extiende a la izquierda o direccin negativa y por tanto la media es la menor de
las tres medidas.
x < Me < Mo
Distribucin asimtrica a la derecha o positiva.
33
5
10
15
10
5
0
5
10
15
20
5
7
15
20
28
34
25
0
10
20
30
40
Media Me Mo
Figura 1.15
La cola mayor se extiende a la derecha o direccin positiva motivo por el cual la media es la mayor
de las tres medidas.
Mo < Me < x
RELACION EMPIRICA ENTRE LA MEDIA , LA MEDIANA Y LA MODA
Para distribuciones moderadamente asimtricas la mediana se aleja aproximadamente de la media
un tercio de la distancia entre la media y la moda.
x - Mo = 3 x - Me Mo = 3Me - 2 x
EJEMPLO 1.33
Retomando los datos de la tabla 1.10 del ejemplo 1.19 tenemos que:
x =147.50 Me =146.6667 Mo =144.4444
Por lo tanto la distribucin tiene una asimetra a la derecha.
Verifiquemos ahora la relacin emprica determinando la moda:
Mo = 3 (146.6667) 2 ( 147.50 ) = 440.0001 295 =145.0001

La diferencia puede deberse a errores de redondeo o bien a que la distribucin no es tan
moderamente asimtrica.
1.5.3.2. COEFICIENTE DE ASIMETRIA DE PEARSON
34
28
40
33
26
18
10
5
0
10
20
30
40
50
Mo Me Media
Un indicador posible de la asimetra de una distribucin es la diferencia ( Mo x ) dividida por s,
esto es,

s
Mo x
Una medida adimensional,es decir, invariable ante cambios de escala y de origen.
Pero como
) Me x 3( Mo) x (
consideraremos, para distribuciones moderamente asimtricas y
en forma de campana, el siguiente indicador que llamaremos coeficiente de asimetra de Pearson.

s
Me) x 3(
P

para una muestra
Me) 3(
P

para una poblacin

Apoyndonos en este coeficiente diremos que:
Si P = 0 entonces la distribucin es simtrica.
Si P < 0 entonces la diatribucin tiene asimetra negativa.
Si P > 0 entonces la distribucin tiene asimetra positiva.
EJEMPLO 1.34
Para la distribucin de frecuencias de gastos de energa elctrica en crdobas durante el mes de Julio
en 50 casas del barrio la Primavera del ejemplo 1.19 tenemos que:

0764 . 0
73 . 32
) 6667 . 146 50 . 147 ( 3
P
Por lo tanto la distribucin tiene asimetra positiva.
1.5.3.3 MOMENTOS CON RESPECTO A LA MEDIA
El momento de orden r de una variable X se denota y define como

n
) x (x
m
n
.
r
i
r
, r = 0, 1, 2, .........
Si los datos forman una distribucin de frecuencias de la variable X, la expresin anterior es
equivalente a:

n
f ) x (x
m
.
i
r
i
r
, r = 0, 1, 2, .......

Dando valores a r tenemos:
m
0
= 1 , m
1
= 0 Por qu? , m
2
=
n
1 n
s
2
, m
3
=
n
f ) x (x
n
.
i
3
i

1.5.3.4 COEFICIENTE DE ASIMETRIA DE FISHER
El coeficiente de asimetra de Fisher se denota y define como:
35

3
3
s
m
F
para una muestra
3
3
m
F
para una poblacin
Hemos dividido m
3
por s
3
para que F sea un nmero sin dimensiones
Apoyndonos en este coeficiente diremos que:
Si F = 0 , la distribucin es simtrica.
Si F < 0 , la distribucin tiene asimetra negativa.
Si F > 0 , la distribucin tiene asimetra positiva.
EJEMPLO 1.35
El nmero de empleados de 10 pequeas empresas fue el siguiente:
2, 3, 3, 4, 4, 4, 4, 5, ,5, 6
Calcular el coeficiente de asimetra de Fisher.
x
i
f
i
x
i
f
i i
f ) x (x
2
i

i
f ) x (x
3
i

i
4
i
f ) x (x
2 1 2 4 -8 16
3 2 6 2 -2 2
4 4 16 0 0 0
5 2 10 2 2 2
6 1 6 4 8 16

10 40 12 0 36
4
10
40
x
empleados
1547 . 1 s 3333 . 1
9
12
s
2

empleados
0
10
0
m
3

0
5396 . 1
0
1547 . 1
0
s
3 3
3

m
F Por lo tanto la distribucin es simtrica.
La regla emprica
En un conjunto de datos moderamente asimtricos aproximadamente el 67% de los datos (la
mayora de los datos) estn comprendidos dentro de la distancia de una desviacin estndar en
torno a la media, y aproximadamente entre un 90% y 95% de los datos estn comprendidos dentro
de la distancia de dos desviaciones estndar en torno a la media.
Para el ejemplo 1.35 podemos decir que aproximadamente un 67% de las pequeas empresas (la
mayora de las pequeas empresas) tienen un nmero de empleados que varan entre 4 1.1547 =
2.8453 empleados y 4 + 1.1547 = 5.1547 empleados.
1.5.4 MEDIDAS DE CURTOSIS
36
Una vez que la asimetra ha sido determinada, podremos preguntarnos si la distribucin es ms o
menos apuntada. Este apuntamiento habr que medirlo comparndolo con cierta distribucin de
frecuencias que consideramos normal.
1.5.4.1 COEFICIENTE DE APLASTAMIENTO DE FISHER
Denotamos y definimos el coeficiente de Fisher como
3
s
m
4
4
K
para una muestra
3
m
4
4

K
para una poblacin
donde m
4
es el momento de cuarto orden y K es tambin una medida adimensional
Atendiendo al valor de K se clasifican las distribucioes de frecuencias en:
Mesocrtica: cuando K = 0 , es decir si es tan apuntada como la normal.
Platicrtica: cuando K < 0 , es decir es menos apuntada que la normal.
Leptocrtica: cuando K > 0 , es decir es ms apuntada que la normal.
Ver figura 1.16
EJEMPLO 1.36
Para el nmero de empleados de las 10 pequeas empresas tenemos que
9750 . 0 3 0250 . 2 3
7778 . 1
6 . 3
3
1547 . 1
6 . 3
3
4 4
4

s
m
K
La distribucin es levemente platicrtica.
Leptocrtica
Mesocrtica
Platicrtica

Figura 1.16

EJERCICIOS PROPUESTOS DEL TEMA 1:ESTADISTICA DESCRIPTIVA
37
1. Escriba la letra correspondiente a la par de cada enunciado en el parntesis.
1.1. Identifique cual es la muestra (M) y cual es la poblacin (P).
a) Se extrae 100 tornillos de los que produce determinada fbrica en un da determinado ( )
b) Obtenemos las calificaciones de todos los estudiantes de la Facultad de Ciencias
Econmicas ( )
c) Obtenemos la informacin de las horas trabajadas en un da por los obreros de la
Zona Franca. ( )
d) Extraemos dos galones de gasolina de un tanque de 500 galones para que sean
examinados ( )
1.2. Seale con una A las series constituidas por datos cualitativos (o atributos) y con una V los
datos cuantitativos.
a) Preferencia polticas (izquierda, derecha o centro). ( )
b) Marcas de galletas ( )
c) El peso en libras ( )
d) Velocidad en km/h ( )
e) Nivel educativo (primario, secundario, universitario) ( )
f) Nmero de empleados de una empresas. ( )
g) Aos de antigedad laboral. ( )
h) La clase social (bajo, media o alta) ( )
1.3. Seale cual de las siguientes variables son continuas ( C ) y cuales son discretas ( D ).
a) Cantidad de quintales de caf cortados . ( )
b) Cantidad de cajas de fsforos en un determinado conteo fsico ( )
c) Galones de gasolina consumidos por un automvil en una semana ( )
d) Cantidad de camisas vendidas diariamente ( )
e) Tiempo de vida de los bombillos elctricos ( )
2. Un cobrador de una empresa ha registrado el nmero de das que tarda en cobrar cada una de
sus cuentas de crditos. Se han obtenido los siguientes 30 registros:
17 57 10 35 26 3
21 11 7 72 5 86
6 20 95 40 14 42
12 32 28 13 19 28
45 8 19 21 38 20
a) Construya una distribucin de frecuencias que contenga 5 clases.
b) Grafique el histograma, el polgono de frecuencias y la ojiva.
c) Calcule la media aritmtica, la mediana, la moda, la desviacin estndar y el coeficiente
de variacin. Interprete los resultados.
38
3. La gran variedad de factores a considerar en la compra de una vivienda, lugar, precio, tasa de
amortizacin, tipo de construccin y otros hacen que el tiempo que un comprador tarda en llegar a
su decisin final sea muy variable. Los siguientes datos representan la duracin de la bsqueda (en
semanas) de 25 compradores de vivienda en cierta poblacin.
a) Construya un histograma de frecuencias que contenga 6 clases.
b) Qu le dice a usted esta descripcin grfica acerca del tiempo de bsqueda que invierten los
compradores de vivienda?
4. Los siguientes datos representan las declaraciones mensuales de impuestos sobre ventas (en
miles de crdobas) que los 30 establecimientos comerciales de la ciudad A presentaron ante el
correspondiente contralor.
a) Organice los datos anteriores en una distribucin de frecuencias que contenga 5 clases.
b) Grafique el histograma de frecuencias y la ojiva.
5. La revisin de 8 documentos revel el siguiente nmero de equivocaciones en cada uno:
2, 4, 2, 3, 2, 0, 1, 0
Determine:
a) El nmero promedio de equivocaciones.
b) El nmero mediano de equivocaciones.
c) El nmero modal de equivocaciones.
d) La desviacin estndar del nmero de equivocaciones.
39
15 17 7 15 20
5 3 19 10 3
11 10 4 8 13
9 15 6 2 8
12 1 2 13 4
9.0 10.3 11.1 9.6 14.5 13.0 6.7 11.0 8.4 10.3
13.0 11.2 7.3 5.3 12.5 8.0 11.8 8.7 10.6 9.5
11.1 10.2 9.9 9.8 11.6 15.1 12.5 14.0 8.6 5.3
6. Una empresa industrial agrup sus fbricas de acuerdo con el valor de la produccin anual de
cada una; se obtuvo la siguiente distribucin:
Produccin (en millones de C$) No. de fbricas
40-45 7
45-50 10
50-55 11
55-60 9
60-65 8
65-70 7
a) Determine la produccin anual promedio de las fbricas.
b) Determine la desviacin estndar de las producciones.
c) Calcule el coeficiente de variacin.
d) Por debajo de qu valor producen el 70% de las fbricas?
e) Calcule el coeficiente de asimetra de Pearson y diga qu tipo de asimetra tiene la
distribucin
7. Durante un perodo de 15 aos, los precios promedios de cierto producto fueron de C$ 125, con
una desviacin estndar de C$ 25. En un perodo posterior de 12 aos, tuvieron un precio promedio
de C$ 80 con una varianza de C$ 100. En qu perodo hubo mayor estabilidad de precios?.
8. Los salarios por da en dlares de 5 obreros son dados a continuacin:
2.50 3.90 3.20 4.20 y 3.70
a) Calcule la suma algebraica de las desviaciones de cada salario con respecto a la media
aritmtica.
b) Calcule el salario mediano.
9. Dos pases A y B venden la misma materia prima en el mercado mundial a los siguientes precio
por kilogramo, en el transcurso de 6 meses:
M e s
Cotizaciones en C$ por pas
A B
1 4.9 2.9
2 5.0 3.8
3 2.6 3.0
4 4.5 3.5
5 2.3 3.7
6 4.1 5.0
Realice un anlisis de los precios de este producto para ambos pases.
Sugerencia : Compare los coeficientes de variacin y diga a qu pas se le presentan condiciones de
mercado ms favorable.
40
10. La tabla siguiente muestra la distribucin por edades de cabezas de familia en un pas dado
durante el ao 2000.
Edad de aos Nmero (en millones)
Hasta 25 2.22
25 a 30 4.05
30 a 35 5.08
35 a 40 10.45
40 a 45 9.47
45 a 50 6.63
50 a 55 4.16
Ms de 55 1.66
a) Determine la edad mediana y modal.
b) Por qu la mediana es una medida ms adecuada que la media aritmtica en este caso?
11. El contador de un almacn desea estimar el balance promedio, en dlares de las 10,000 cuentas
de crdito que maneja el almacn. La distribucin de frecuencias se representa en la tabla y fue
construida a partir de una muestra de 100 cuentas seleccionadas al azar en los archivos de crdito del
almacn.
Balance de la Cuenta N de cuentas
0 20 10
20 40 15
40 60 40
60 80 22
80 100 13
100
a) Grafique:
Histograma, Polgono de frecuencias relativa, Polgono de frecuencia acumulada.
b) Calcule:
La media aritmtica, La mediana, La moda
La varianza, desviacin estndar y coeficiente de variacin.
c) Calcule el coeficiente de asimetra de Pearson, y diga que tipo de asimetra tiene la distribucin.
12. El resultado del ordeo de 100 vacas durante una semana computadas las cantidades diarias de
leche obtenidas por cada vaca, fue agrupada segn la siguiente distribucin.
Cantidad de litros semanales Nmero de vacas
60-62 5
62-64 18
64-66 42
66-68 27
68-70 8
41
Calcule:
1. El rendimiento promedio semanal de leche por vaca.
2. El rendimiento mas frecuente.
3. La cantidad de leche por debajo de la cual produce el 80% de las vacas.
4. La desviacin estndar del rendimiento semanal de leche.
5. Calcule el coeficiente de asimetra de Pearson, luego diga que tipo de asimetra tiene la
distribucin.
13. La tabla de distribucin de frecuencia de la tasa de desempleo en una muestra de 20 grandes
ciudades en 1999 se presenta a continuacin.
Tasa de desempleo N de ciudades
7.0-7.5 2
7.5-8.0 4
8.0-8.5 5
8.5-9.0 4
9.0-9.5 3
9.5-10 2
20
a) construya el histograma y el polgono de frecuencia acumuladas (ojiva )
b) calcule la media aritmtica, la mediana, la moda, la desviacin estndar y el coeficiente
de variacin. Interprete los resultados.
14. Se ha recogido el nmero de hoteles de lujo en 20 ciudades de un pas, obtenindose la siguiente
tabla:
N de hoteles 0 1 2 3
N Ciudades 2 3 10 5
a) Represente grficamente la distribucin.
b) Calcule el nmero promedio de hoteles y la desviacin estndar del nmero de hoteles.
c) Calcule el coeficiente de asimetra de Fisher y diga que tipo de asimetra tiene la
distribucin.
d) Diga que tan apuntada es la distribucin.
15. Los siguientes datos representan el nmero de interrupciones en 15 das de trabajo debidas a
fallas mecnicas en una planta procesadora de alimentos:
3 0 5 1 3 1 3 2 2 0 2 1 2 4 3
a) Resuma los datos en una distribucin de frecuencias.
b) Calcule el nmero promedio de interrupciones y la desviacin estndar del nmero de
interrupciones.
c) Calcule el coeficiente de asimetra de Fisher y diga que tipo de asimetra tiene la
distribucin.
d) Calcule el coeficiente de aplastamiento de Fisher y diga que tan apuntada es la distribucin.
42
16. Una autoridad urbana desea disear una grfica que muestre a los contribuyentes que asiten a la
prxima reunin, lo que sucede con el dinero que pagan por impuestos. El monto total recolectado
es de C$ 2 millones (de crdobas). Los gastos fueron: C$ 440,000 para escuelas, C$ 1160,000 para
caminos, C$ 320,000 para administracin y C$ 80,000 para suministros. Una grfica de sectores
parece ideal para mostrar el porcentaje de los impuestos que se dedica a caminos, escuelas,
administracin y suministros. Convierta las cantidades totales a porcentajes del total general y
represente los porcentajes en una grfica de pastel.
17. En el Anuario Estadstico 1997 se seala que el valor total de todos los bienes y servicios
producidos en Nicaragua, era de 21 mil millones de crdobas incluyendo todos los sectores de la
economa.
Sector econmico Porcentaje del PIB de Nic. En 1997
Primarios 21.67
Secundarios 30.48
Terciarios 47.85
T O T A L 100.00
a) Construya una grfica de barras.
b) Construya una grfica de pastel.
18. La siguiente tabla refleja el valor de las exportaciones e importaciones en millones de US $
realizadas por Nicaragua de 1993 a 1997.
Aos

Concepto 1993 1994 1995 1996 1997

Exportaciones 452 412 305 257 295
Importaciones 807 826 892 761 824
a) Construya una grfica de barras.
b) Construya una grfica lineal donde puedan compararse las exportaciones y las importaciones
43
TEMA 2. PROBABILIDADES
OBJETIVOS.

1. Construir espacios muestrales y eventos asociados a un experimento aleatorio.
2. Interpretar el concepto de probabilidad de que ocurra un evento y describir los enfoques de
probabilidad.
3. Calcular probabilidades aplicando las reglas de complemento, adicin y multiplicacin.
4. Calcular probabilidades aplicando los conceptos de probabilidad condicional, regla de la
multiplicacin e independencia de eventos.
5. Resolver problemas aplicando el teorema de Bayes.
2.1 INTRODUCCION
Debido a l a tolerancia de varias formas de juegos para recreacin de la nobleza de Francia e
Inglaterra a mediados del XVII, se suscit un inters intenso por los juegos de azar, lo cual
permiti que matemticos como Blaise Pascal, Pierre de Fermat, Jacob Bernoulli, Abraham
de Moire y Thomas Bayes desarrollaran la teora de las probabilidades.
Como vivimos en un mundo donde somos incapaces de pronosticar el futuro con absoluta certeza, la
necesidad de sortear la incertidumbre nos lleva a estudiar la teora de probabilidades para
conocer las reglas que nos permitirn estudiar los fenmenos aleatorios.
En la actualidad la teora de la probabilidad constituye el fundamento de la Estadstica Inferencial,
una rama de la Estadstica con importantes aplicaciones a situaciones en que interviene la
incertidumbre. En tales circunstancias la Estadstica Inferencial permitir hacer estimaciones de
parmetros basados en la informacin muestral. Ver aplicaciones de la Estadstica en Auditora,
marketing y Control de calidad.
Comenzaremos este tema estudiando la terminologa que usaremos
EXPERIMENTO ALEATORIO ()
Es aquel que al repetirse bajo condiciones aproximadamente idnticas el resultado no es
necesariamente el mismo.
Podramos decir que todos los juegos de azar son experimentos aleatorios
Lanzar un dado y observar el nmero de puntos que aparecen en la cara superior.
Elegir al azar un naipe de la baraja comn de 52 naipes.
Lanzar una moneda y observar la cara superior.
La caracterstica principal de estos experimentos es la existencia de incertidumbre en el resultado
que se puede obtener al realizar el fenmeno.
Tambin existen otros experimentos que son considerados de naturaleza aleatoria:
EJEMPLO 2.1
1
: Un contador revisa 10 facturas de una empresa. Luego cuenta el nmero de facturas con algn
error en su valor total.
EJEMPLO 2.2
2
: De una lista formada por todas las cuentas de ahorro de un Banco, seleccionar al azar una y luego
anotar su vida actual.
44
EL ESPACIO MUESTRAL ( S ) ASOCIADO A UN EXPERIMENTO
Es el conjunto de todos los resultados posibles del experimento.
A cada elemento de este conjunto le llamaremos punto muestral.
Para el ejemplo 2.1
S
1
= { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }
Aqu decimos que S
1
es un espacio muestral discreto porque sus resultados estn representados por
valores que tienen interrupcin.
Para el ejemplo 2.2
Supongamos una vida mxima registrada en el Banco de 15 aos
S
2
= ( 0, 15 ]
Aqu S
2
es un espacio muestral contnuo porque sus resultados estn representados por valores que
no tienen interrupcin, es decir , que entre dos resultados posibles siempre existe otro.
EVENTOS
Un evento A respecto a espacio muestral S es un conjunto de resultados posibles del experimento,
esto es,
S A

Figura 2.1
Para el ejemplo 2.1
Consideremos que el evento A representa cuenta a lo ms 3 facturas con algn error.
Entonces A = { 0, 1, 2, 3 }
Decimos que un evento A ha ocurrido si el resultado del experimento es un elemento de A.
De cuntas maneras puede ocurrir un evento A?
Si #A representa el nmero de maneras que puede ocurrir el evento A, entonces #A = 4
NOTA. Si S tiene k elementos entonces hay 2
k
eventos respecto a S
TIPOS DE EVENTOS
Evento imposible ( )
Es un evento que nunca ocurre. S
Para el ejemplo 2.1
Supongamos que el evento F representa cuenta 12 facturas con algn error , entonces F =
45
S
A
Evento seguro (S )
Es un evento que siempre ocurre.
Para el ejemplo 2.1
El evento S
1
es un evento seguro.
Evento simple
Es el que describe solamente una carcterstica.
Para el ejemplo 2.1
El evento A es simple.
Evento conjunto
Es el que describe dos o ms caractersticas.
El evento conjunto de A y B denotado por AB ocurre cuando A y B ocurren juntos.
Para el ejemplo 2.1
Supongamos que el evento B representa cuenta un nmero impar de facturas con algn error, esto
es,
B = { 1, 3, 5, 7, 9 }
Entonces
AB representa cuenta a lo ms 3 y un nmero impar de facturas con algn error.
AB = { 1, 3 } es un evento conjunto y #(AB) = 2
Figura 2.2
Evento unin
El evento unin de A y B denotado por AB es aquel que ocurre si A ocurre B ocurre si ocurren
ambos.
Para el ejemplo 2.1
AB representa cuenta a lo ms 3 un nmero impar de facturas con algn error.
AB = { 0, 1, 2, 3, 5, 7, 9 } y #(AB) = 7
46
S
A
B
A B

Evento complementario
El evento complementario de A denotado por A es aquel que ocurre si A no ocurre.

Figura 2.3
Para el ejemplo 2.1
A representar lo contrario de A, esto es, A representa cuenta al menos 4 facturas con algn
error.
A = { 4, 5, 6, 7, 8, 9, 10 }
NOTA: AA = y AA = S
EVENTOS MUTUAMENTE EXCLUYENTES
Dos eventos A y B son mutuamente excluyentes si no pueden ocurrir simultneamente , esto es, si
AB =
Para el ejemplo 2.2
Supogamos que el evento M representa la cuenta tiene ms de 3 aos y 4 meses y el evento R
representa la cuenta tiene menos de 5 aos.
Son los eventos M y R mutuamente excluyentes? No porque MR
EVENTOS COLECTIVAMENTE EXHAUSTIVOS
Los eventos A
1
, A
2
, ..........., A
n
son colectivamente exhaustivos si A
1
A
2
............A
n
= S
Esto es, si por lo menos uno de ellos debe ocurrir durante un experimento.
Para el ejemplo 2.2
Supongamos que el evento A
1
representa la cuenta tiene menos de 1 ao y que el evento
A
2
representa la cuenta tiene por lo menos 1 ao.
Estos eventos son mutuamente excluyentes y colectivamente exhaustivos.
2.2 ENFOQUES DE PROBABILIDAD
El propsito de la teora de probabilidad es asignar un nmero a cada evento A, el cual llamaremos
probabilidad de que ocurra A y lo denotaremos as
P ( A )
La probabilidad de cualquier evento indicar que tan factible es que ocurra el evento, entre mayor
sea la probabilidad, ms grande ser la factibilidad de que ocurra el evento.
Ahora estaremos interesados en cmo obtener P(A)
47
A S
A
2.2.1 ENFOQUE DE PROBABILIDAD CLASICA A PRIORI
Aqu suponemos que el experimento no se realiza y que adems todos los resultados posibles del
experimento se consideran igualmente probables.
Segn la historia es la manera ms antigua de medir incertidumbre, teniendo su origen en los juegos
de azar.
Nmero de maneras que puede ocurrir A #A
P(A) = =
Nmero de resultados posibles del experimento #S
EJEMPLO 2.3
Una empresa tiene 200 cuentas por cobrar de las cuales se sabe que 50 tienen un saldo menor que
C$ 12000. Un auditor selecciona una al azar, cul es la probabilidad de que tenga un saldo menor
que C$ 12000 ?
Supongamos que el evento A representa que la cuenta tiene un saldo menor que C$12000.
Entonces P(A) =
25 . 0
200
50
2.2.2 ENFOQUE DE PROBABILIDAD CLASICA A POSTERIORI (EMPIRICA)

Aqu suponemos que el experimento se realiz un nmero n (suficientemente grande) de veces del
cual se observ el nmero x veces que ocurri el evento A. De manera que esta probabilidad
puede verse como una frecuencia relativa observada del evento A obtenida de repetir el
experimento un nmero grande de veces.
Nmero de veces que ocurri A x
P( A ) = =
Nmero de veces que se repiti el experimento n
EJEMPLO 2.4
La demanda de un artculo durante 360 das de cierto ao ha sido la siguiente:
Tabla 2.1
N artculos N das

1 100
2 40
3 90
4 50
5 80
360
Suponiendo que el comportamiento de la demanda para el prximo ao ser similar al anterior,
cul es la probabilidad de que cierto da:
48
i) la demanda sea de 4 artculos
Supongamos que el evento A representa que la demanda es de 4 artculos
1389 0
360
50
. P(A)
ii) la demanda sea de por lo menos 3 artculos
Supongamos que el evento B representa que la demanda es de por los menos 3 artculos
P (B)
6111 . 0
360
220

2.2.3 ENFOQUE DE PROBABILIDAD SUBJETIVA
Se basa en una combinacin de la experiencia, la opinin personal y el anlisis de una situacin en
particular. Es til cuando no se pueden utilizar los enfoques anteriores.
EJEMPLO 2.5
Suponga que un profesor de Estadstica quiere determinar la probabilidad de que un determinado
estudiante de su clase pase el primer parcial.
Basado en lo que sabe del estudiante sobre:
i) La disciplina que muestra en clase
ii) Las preguntas que hace durante la clase
iii) Las respuestas que da cuando se le pregunta
iv) Las evaluaciones obtenidas en los sistemticos
v) El grado de inters o esfuerzo que muestra en comprenderle a la asignatura
El profesor estima una probabilidad de 0.80 de que pase el primer parcial.
2.3 REGLAS BASICAS DE PROBABILIDAD
1. P ( ) = 0 y P ( S ) = 1
2. Para cualquier evento A, 0 P( A ) 1
3. Si A y B son eventos mutuamente excluyentes entonces
P( A B ) = P( A) + P( B )
4. Regla del complemento.
P(A) + P( A ) = 1 P( A ) = 1 P( A )
5. Regla de la adicin.
Sean A y B eventos cualesquiera

P( A B ) = P( A ) + P( B ) P( A B )
49
EJEMPLO 2.6
Supongamos que para cierto da de negociaciones de una accin, los siguientes eventos:
A representa que el precio se mantiene sin cambios
B representa que el precio sube
Consideremos que P(A) = 0.64 y P( B ) = 0.21
Cul es la probabilidad de que:
i) el precio cambie
Supongamos que el evento A representa que el precio cambia
P( A ) = 1 P( A ) = 1 0.64 = 0.36
ii) el precio se mantiene sin cambios y el precio sube.
P( A B ) = P( ) = 0

iii) el precio se mantiene sin cambios o el precio sube.
P(A B ) = P( A ) + P( B ) = 0.64 + 0.21 = 0.85
EJEMPLO 2.7
En una ciudad se seleccion una muestra de 500 personas para determinar diversas informaciones
relacionadas con el comportamiento del consumidor. Entre las preguntas hechas, se encontraba
Prefiere comprar productos nacionales o importados? . De 240 hombres 104 contestaron que
preferan productos nacionales. De 260 mujeres 36 preferan productos nacionales.
1) Elabore una tabla de contingencia ( o de clasificacin cruzada )
Tabla 2.2

( N ) Nacionales ( I ) Importados Total
( H ) Hombre 104 136 240
( M ) Mujer 36 224 260
Total 140 360 500
2) Se selecciona al azar un entrevistado, determinar la probabilidad de que:
i) sea mujer
P( M ) =
52 . 0
500
260
#
#

S
M
50
ii) sea hombre
P( H ) = 1 P( M ) = 1 0.52 = 0.48
iii) prefiera comprar productos importados
P( I ) =
72 . 0
500
360

iv) sea hombre y prefiera comprar productos importados
P( H I ) =
S
I H
#
) ( #

272 . 0
500
136

v) sea mujer o prefiera productos nacionales
P( M N ) =
728 . 0
500
364
500
36
500
140
500
260
+
vi) sea hombre o mujer vii) sea hombre y mujer
P( H M ) = P( H ) + P( M ) = 0.48 + 0.52 = 1 P(H M ) = P( ) = 0
2.4 PROBABILIDAD CONDICIONAL
La probabilidad de que un evento A ocurra supuesto que otro evento B ha ocurrido se denota y
define como:
Probabilidad conjunta de A y B
P(B)
B) P(A
B) | P(A

=
Probabilidad marginal de B
Mide en cierto sentido la probabilidad relativa de A con respecto al espacio reducido B
Si B es finito entonces
B #
B) (A #
B) | P(A

Figura 2.4

51
S
A
B

A B
EJEMPLO 2.8
Para el ejemplo 2.7
viii) Suponga que el entrevistado seleccionado es mujer, cul es la probabilidad de que
prefiera comprar productos nacionales
P( N M ) =
1385 . 0
260
36
500
260
500
36
P(M)
M) P(N

P( N M ) = 1385 . 0
260
36
M #
M) (N #

ix) Suponga que el entrevistado seleccionado prefiere comprar productos importados , cul es
la probabilidad de que sea hombre?
P( H I ) = 3778 . 0
360
136
I #
I) (H #

2.4.1 REGLA DE LA MULTIPLICACION

Sean A
1
y A
2
eventos
Sabemos que
) P(A
) A P(A
) A | P(A
1
2 1
1 2

) A )P(A P(A ) A P(A
1 2 1 2 1

La probabilidad de A
1
A
2
es igual a la probabilidad del primer evento A
1
por la probabilidad del
segundo evento A
2
dado que el primer evento A
1
ya ocurri.
2.4.2 INDEPENDENCIA ESTADISTICA
Dos eventos A
1
y A
2
son independientes si y slo si
P(A
1
A
2
) = P( A
1
) P(A
2
A
1
) = P(A
2
)
Si dos eventos A
1
y A
2
son eventos independientes entonces segn la regla de la multiplicacin
P( A
1
A
2
) = P(A
1
) P(A
2
)
EJEMPLO 2.9
Para el ejemplo 2.7
x) Determinar si la preferencia por productos importados es estadsticamente independiente del
evento ser hombre.
Comprobemos si P( H ) = P( H I )
Sabemos que P( H ) = 0.48 y que P( H I ) = 0.3778 Luego H, I no son eventos
independientes.
52
EJEMPLO 2.10
Durante un perodo especfico , el 80% de las acciones ordinarias de una industria que tiene 10
acciones, han aumentado en valor comercial.
Un inversionista selecciona aleatoriamente 2 de esas acciones:
1) Elabore un rbol de probabilidad que describa grficamente la secuencia de las dos
selecciones
Consideremos los siguientes eventos:
A: ha aumentado en valor , N: no ha aumentado en valor
donde el subndice indicar la posicin secuencial de la accin.
Como el 80% de 10 es 8, entonces hay 8 acciones que han aumentado en valor y 2 que no han
aumentado en valor.

7/9 A
2
( 8/10 )( 7/9 ) = 56/90 = 0.6222

A
1

8/10
2/9 N
2
(8/10 )( 2/9 ) = 16/90 = 0.1778

8/9 A
2
(2/10 )( 8/9 ) = 16/90 = 0.1778
2/10
N
1
1/9 N
2
Figura 2.5

2) Cul es la probabilidad de que:
i i) ambas hayan aumentado en valor comercial ?
P( ambas hayan aumentado ) = P(A
1
A
2
) = P( A
1
)P(A
2
| A
1
) =
6222 . 0
90
56
9
7
10
8

ii ii) una haya aumentado en valor comercial ?
P( una haya aumentado ) = P( A
1
N
2
) + P( N
1
A
2
)
= P(A
1
)P(N
2
| A
1
) + P( N
1
)P( A
2
| N
1
) Regla de la multiplicacin.

=
3556 . 0
90
32
90
16
90
16
9
8
10
2
9
2
10
8
+ +
53
2.5 TEOREMA DE LA PROBABILIDAD TOTAL
Supongamos un experimento aleatorio con su correspondiente espacio muestral S, decimos que los
eventos A
1
, A
2
,.........., A
n
forman una particin del espacio muestral S, si se cumple que:
i) A
i
A
j
= para todo i j
ii) A
1
A
2
.......... A
n
= S
y que B es otro evento respecto a S.
Entonces P(B) = P(A
1
)P(BA
1
) + P(A
2
)P(BA
2
) + ......... + P(A
n
)P(B | A
n
)
=
) A )P(B P(A
i
n
.
i
Cada vez que se realice el experimento aleatorio anterior podemos presentar mediante un rbol de
probabilidad todos sus resultados posibles con sus correspondientes probabilidades.
P(BA1) B
A
1
P(A1) B

P(A2) P(BA2) B
A
2

B
. .
P(An) . .
. .
.
. P(BAn) B
A
n

B
Figura 2.6
2.6 TEOREMA DE BAYES
Queremos saber ahora , cul es la probabilidad de que A
i
sea la causa de la ocurrencia de B.
P(B)
) A )P(B P(A
) A )P(B P(A
) A )P(B P(A
B) P(A
i i
n
.
i i
i i
i

54
EJEMPLO 2.11
Un gerente de crdito clasifica las cuentas a su cargo en 3 tipos:
Tipo 1: buen pagador Tipo 2: pagador atrasado Tipo 3: mal pagador
De los archivos se estima que el 75%, 20% y 5% de las cuentas caen en las categoras 1, 2 y 3
respectivamente. Por experiencia en el trabajo el gerente considera que el 90% de los clientes con
cuentas del tipo 1 tienen casa propia, mientras que el 50% de los clientes con cuentas del tipo 2 y el
20% de los clientes con cuentas del tipo 3 tienen casa propia.
i) Cul es la probabilidad de que una nueva aplicacin de crdito corresponda a un cliente con
casa propia ?
ii) Suponga que la nueva aplicacin corresponde a un cliente con casa propia, cul es la
probabilidad de que sea pagador atrasado?
Consideremos los siguientes eventos:
S: todas las cuentas a cargo del gerente
A
1
: la cuenta es del tipo 1 A
1
, A
2
, A
3
forman una particin de S
A
2
: la cuenta es del tipo 2
A
3
: la cuenta es del tipo 3
B: el cliente tiene casa propia.
0.90 B 0.75(0.90) = 0.675
A
1
0.10 B
0.75
0.20 0.50 B 0.20(0.50) = 0.100
A
2
0.50 B
0.05
0.20 B 0.05(0.20) = 0.010
A
3
0.80 B
0.785
Figura 2.7
i)
P(B) = P(A
1
) P(BA
1
) + P(A
2
) P(BA
2
) + P(A
3
) P(BA
3
)
= 0.75(0.90) + 0.20(0.50) + 0.05(0.20) = 0.785
ii)
P(A
2
B) =
1274 . 0
785 . 0
) 50 . 0 ( 20 . 0
) (
) | ( ) (
2 2

B P
A B P A P
EJERCICIO 2.1
El departamento de crdito de una tienda inform que el 30% de sus ventas son en efectivo, el 30%
se pagan con cheques y el 40% son al crdito. Se tiene informacin de que las compras por ms de
C$ 500 en efectivo, con cheques y al crdito son el 25%, 90% y 60% respectivamente
Un persona acaba de decidir comprar un artculo cuyo precio es de C$ 800, cul es la probabilidad
de que pague con cheque ?

55
EJERCICIOS PROPUESTOS DEL TEMA 2: PROBABILIDADES
1. Para cada una de las siguientes situaciones, indique cul de los enfoques (clsico a priori,
clsico emprico o subjetivo) sera ms til para determinar el valor de probabilidad adecuado.
a) La probabilidad de que de un envo de 20 repuestos, del cual se sabe que 3 son defectuosos,
un repuesto escogido aleatoriamente resulte defectuoso.
b) La probabilidad de que haya una recesin el ao entrante.
c) La probabilidad de que la demanda de un artculo, que produce una empresa, sea de 400
unidades para el prximo mes.
d) La probabilidad de que un liberal gane la siguiente eleccin presidencial en Nicaragua.
e) La probabilidad de que el dlar se cotice a C$ 15 a finales de este ao.
f) La probabilidad de que al seleccionar al azar una persona de una clase, que tiene 20 mujeres
y 8 hombres, el resultado sea una mujer.
g) La probabilidad de que las ventas de un artculo que producen una fabrica suban debido al
nuevo nombre.
2. Para cada uno de los siguientes casos, diga si los eventos que se crean son (i) mutuamente
excluyentes, (ii) colectivamente exhaustivos.
a) A los votantes registrados se les pregunt si son liberales o sandinistas.
b) Los encuestados se clasificaron como propietarios de automviles en las categoras
norteamericano, europeo, japons, ninguno.
c) A las personas se les pregunt: Actualmente vive en (i) un apartamento (ii) una casa?.
d) Un producto se clasific como: (i) defectuoso (ii) no defectuoso.
e) A las personas se les pregunt tiene intencin de comprar un televisor a colores en los
siguientes seis meses ? (i) si, (ii) no.
f) un pas obtuvo un crecimiento econmico del (i) 5% al ao (ii) 7% al ao.
g) Se clasificaron las ventas anuales en (i) a lo ms cinco millones de crdobas (ii) de ms de
cinco a diez millones (iii) de ms de diez millones.
h) En un tipo de industria se clasifican las utilidades anuales en (i) entre uno y siete millones
de crdobas (ii) de cinco millones o ms.
i) En una fbrica se clasifican las partes defectuosas de la produccin en: (i) menos del 7%.
(ii) ms del 2%, (iii) igual al 5% de la produccin.
j) La situacin econmica de un pas se describe: (i) crecimiento real del PIB del 3% anual,
(ii) inflacin 7% por ao (iii) desempleo del 8% de la fuerza laboral.
3. Determine el valor de probabilidad aplicable a cada una de las siguientes situaciones: Luego
diga qu enfoque utilizo.
a) La probabilidad de seleccionar aleatoriamente una cuenta por cobrar que est en mora, si el
5% de las cuentas estn en mora.
56
b) La probabilidad de que una sucursal de una cadena de restaurantes tenga xito financiero.
El presunto inversionista obtiene informacin sobre otras sucursales de la cadena, estudia el
rea donde se localizar la sucursal y considera el volumen de ventas necesario para el xito
financiero. Globalmente, el inversionista cree que hay un 80% de posibilidades de que la
sucursal tenga xito financiero y un 20% de lo contrario.
c) La probabilidad de accidentes de trabajo en una industria determinada sobre una base anual.
Una muestra al azar de 10 firmas que emplean un total de 8000 personas demostr que
ocurrieron 400 accidentes de trabajo durante un perodo reciente de 12 meses.
4. La probabilidad de que una nueva poltica de mercadeo tenga xito (S) se calcul en 0.60. la
probabilidad de que los gastos para desarrollar la poltica de mercadeo puedan mantenerse dentro
del presupuesto inicial (B) es 0.50. la probabilidad de que se logren los dos objetivos es 0.30.
a) Cul es la probabilidad de que se logre por lo menos uno de estos objetivos?
b) Cul es la probabilidad de que la nueva poltica de mercado tenga xito dado que el costo
de desarrollo se mantuvo dentro del presupuesto inicial.
c) Son los eventos S y B estadsticamente independientes?
5. De 12 cuentas de un archivo, 4 contienen un error de procedimiento al contabilizar los saldos de
las cuentas.
Si un auditor selecciona aleatoriamente:
a) una cuenta, Cul es la probabilidad de contenga error de procedimiento?.
b) Dos cuentas (sin reposicin),
i) Cul es la probabilidad de que ninguna cuenta contenga error de procedimiento ?
Elabore un rbol de probabilidad para representar ste proceso secuencial de muestreo.
ii) Cul es la probabilidad de que una cuenta contenga error de procedimiento?
c) Tres cuentas (sin reposicin), Cul es la probabilidad de que todas contengan error de
procedimiento?
6. De 100 personas que solicitaron empleo de operador de computadoras en una firma el ao
pasado, 40 tenan experiencia anterior (E), 30 tenan certificado ( C ), y 20 tenan experiencia
anterior y certificado.
a) Elabore un diagrama de Venn para describir grficamente estos eventos.
b) Cul es la probabilidad de que un solicitante escogido aleatoriamente:
i) Tenga experiencia o certificado.
ii) No tenga certificado.
iii) No tenga ni experiencia ni certificado.
iv) Tenga certificado dado que tiene alguna experiencia anterior.
c) Determine si la experiencia y el certificado son eventos independientes.
57
7. En los datos recolectados en una encuesta sobre la satisfaccin de los empleados de la empresa
Omega realizada a una muestra de 400 empleados, los resultados con las categoras desglosadas en
satisfecho y no satisfecho, y progresado y no progresado en la organizacin, se presentan en la
siguiente tabla de contingencia:
Satisfaccin en el
trabajo
Avance
Progresado ( P ) No progresado ( P ) Total
Satisfecho ( S ) 194 162 356
No satisfecho ( S ) 14 30 44
Totales 208 192 400
1) Determine la probabilidad de que un empleado seleccionado aleatoriamente:
a) Est satisfecho con su trabajo.
b) No haya progresado en la organizacin.
c) Est satisfecho con el trabajo o ha progresado en la organizacin.
d) No est satisfecho y no ha progresado
e) Est satisfecho con el trabajo dado que se sabe ha progresado en la organizacin.
2) Estar satisfecho con el trabajo es independiente de haber progresado en la organizacin?.
Explique.
8. En una gran rea metropolitana se seleccion una muestra de 500 encuestados para determinar
informacin diversa respecto al comportamiento de los consumidores. Entre las preguntas
formuladas estaba disfruta comprar ropa ?. De 240 hombres, 136 respondieron que s. De las
260 mujeres, 44 respondieron que s.
a) Construya una tabla de contigencia para evaluar las probabilidades.
b) D un ejemplo de: un evento simple, un evento conjunto.
c) Cul es el complemento de disfruta comprar ropa?.
d) Cul es la probabilidad que un encuestado elegido aleatoriamente:
d.1. Sea hombre?
d.2. Disfrute comprar ropa?
d.3. Sea una mujer y disfrute comprar ropa?
d.4. Sea un hombre y no disfrute comprar ropa?
d.5. Sea una mujer o no disfrute comprar ropa
e) Suponga que el encuestado elegido es un hombre. Cul es la probabilidad que no disfrute
comprar ropa?
f) Disfrutar de comprar ropa y el sexo del individuo son estadsticamente independientes?.
9. El director de una gran agencia de empleo desea estudiar las diversas caractersticas de sus
solicitantes de trabajo. Se ha seleccionado una muestra de 200 solicitantes para su anlisis. Sesenta
solicitantes haban tenido sus trabajos actuales durante al menos cinco aos; ochenta de los
solicitantes son graduados universitarios; 25 de los graduados universitarios duraron en sus trabajos
al menos cinco aos.
a) Cul es la probabilidad que un solicitantes escogido aleatoriamente?.
a.1. Sea un graduado universitario?
a.2. Sea un graduado universitario y haya tenido su trabajo al actual menos de cinco aos?.
a.3. Sea un graduado universitario o haya tenido su trabajo actual al menos de cinco aos?
58
b) Dado que un empleado particular es un graduado universitario, cul es la probabilidad que
haya durado en su trabajo menos de cinco aos?.
c) Determine si ser graduado universitario y haber durado en el trabajo al menos cinco aos
son estadsticamente independientes.
Sugerencia: construya una tabla de contingencia.
10. Se han llevado acabo numerosos estudios intensivos de la planeacin de los consumidores para
la compra de bienes duraderos como televisores, refrigeradores, lavadora, etc. En uno de estos
estudios se pregunt a 1000 individuos de una muestra aleatoriamente seleccionada si estaban
planeando comprar una nueva televisin en los siguientes 12 meses. Un ao despus se entrevist a
las mismas personas para ver si realmente compraron una nueva T.V. la respuesta a ambas
entrevistas se tabula de manera cruzada a continuacin.
Compraron ( C ) No compraron (C) Totales
Planearon ( P ) 200 50 250
No planeando ( P ) 100 650 750
Totales 300 700 1000
a) D un ejemplo de un evento simple y de un evento conjunto.
b) Cul es el complemento de planea comprar?
c) si un individuo se selecciona aleatoriamente, cul es la probabilidad de que en el ltimo
ao.
c.1. Haya comprado una nueva T.V.?.
c.2. No haya planeado comprar una nueva T.V.?.
c.3. Haya planeado comprar y realmente haya comprado una nueva T.V.?.
c.4. Haya planeado comprar o realmente no haya comprado una nueva T.V.?.
d) si el entrevistado no planeo comprar una nueva T.V., cul es la probabilidad que no
haya comprado una?.
e) Planear comprar una T.V. y realmente comprar una son eventos estadsticamente
independientes?. Explique.
11. Se ha emprendido una encuesta para determinar si existe una relacin entre el lugar de
residencia y la propiedad de un automvil. Se seleccion una muestra aleatoria de 500 personas con
los resultados mostrados a continuacin:
Propiedad de
automvil
rea de residencia
Ciudad (C) Suburbio ( Su) Rural ( R ) Totales
Si ( S )
90 60 25 175
No ( N ) 110 90 125 325
Totales 200 150 150 500
a) Si se selecciona aleatoriamente una persona, cul es la probabilidad que sta.
a.1. Posea un automvil?
a.2. Viva en suburbio?
a.3. Posea un automvil o viva en una ciudad?.
a.4. Viva en el rea rural y no posea un automvil?
59
b) Suponga que sabemos que la persona seleccionada vive en un suburbio, cul es la
probabilidad que posea un automvil?
c) Es el rea de residencia estadsticamente independiente de si la persona posea un
automvil?. Explique.
12. Una compaa embotelladora de refrescos mantiene registros respecto al nmero de botellas
inaceptables obtenidas de las mquinas de llenado y coronado. Basndose en datos anteriores, la
probabilidad de que una botella proviniera de la mquina I y fuera inaceptable era de 0.01 y la
probabilidad de que una botella proviniera de la mquina II y fuera inaceptable era 0.025. la mitad
de las botellas se llena en la mquina I y la otra mitad se llena en la mquina II.
a) Si se selecciona una botella de refresco al azar, cul es la probabilidad que:
a.1. Sea una botella inaceptable?
a.2. Haya sido llenada en la mquina II?
a.3. Haya sido llenada en la mquina I y sea una botella aceptable?
a.4. Haya sido llenada en la mquina II o sea una botella inaceptable?
b) Suponga que sabemos que la botella fue llenada en la mquina I. Cul es la probabilidad
de que sea inaceptable?.
c) Suponga que sabemos que la botella es inaceptable. Cul es la probabilidad de que fue
llenada en la mquina I?
d) Explique la diferencia en las respuestas de b) y c).
13. Consideremos el caso de un distribuidor de aparatos electrodomsticos que ha estado
promoviendo cierto producto, por medio de una importante campaa publicitaria por televisin.
Para evaluar la efectividad de la campaa, se pregunta a 600 clientes que visitaron la tienda, durante
un perodo, si recuerdan el anuncio de la televisin se conservan los registros de las respuestas as
como de la posible compra del producto en cuestin. Los resultados de este estudio se dan en la
tabla siguiente:
Anuncio de
Televisin
Producto
Recuerda ( R ) No recuerda ( R )
Total
Compra ( C ) 120 60 180
No compra ( C ) 80 340 420
Total 200 400 600
1) Si se selecciona un cliente al azar, cul es la probabilidad de que:
a. Recuerde el anuncio?
b. No recuerde al anuncio?
c. Realice una compra o recuerde el anuncio?
d. No recuerde el anuncio y realice una compra?
2) Dado el hecho de que el cliente realiz una compra, cul es la probabilidad de que haya
recordado el anuncio?.
3) Si el cliente no recuerda el anuncio, cul es la probabilidad de que realice una compra?
60
14. Una profesora ha estado enseando Estadstica durante muchos aos. Sabe que el 80% de los
estudiantes cumplen con los problemas asignados. Determin que de los alumnos que hacen las
tareas, 90% aprobarn el curso. De aquellos estudiantes que no realizan la tarea, 40% aprobarn.
Miguel Snchez tom Estadstica con la profesora y tuvo calificacin aprobatoria cul es la
probabilidad de que s haya hecho las tareas?.
15. Un comprador de ropa de una gran tienda departamental compra anualmente 20% de las piezas
a un fabricante A, 30% a un segundo fabricante B y el 50% restante a diversos proveedores. De la
ropa comprada a A se vende el 80%; 75% de la de B y 90% de los restantes. Cul es la
probabilidad de que una pieza que no se vendi al final de la temporada, provenga del fabricante B?
16. Martn Prez, gerente del departamento de crdito de Epsilon, sabe que la compaa utiliza tres
mtodos para exhortar a pagar a las personas con cuentas morosas. De los datos que se tienen
registrados, l sabe que 70% de los deudores son visitados personalmente, 20% se les sugiere que
paguen va telefnica y el restante 10% se le enva una carta. Las probabilidades de recibir alguna
cantidad de dinero debido a los pagos de una cuenta con estos tres mtodos son 0.75, 0.60 y 0.65,
respectivamente. El seor Prez acaba de recibir el pago de una de las cuentas vencidas. Cul es la
probabilidad de que la peticin de pago se haya hecho:
a) Personalmente?
b) Por telfono?
c) Por correo?
17. El gerente de comercializacin de una compaa fabricante de juguete est planeando introducir
un nuevo juguete en el mercado. En el pasado, 40% de los juguetes introducidos por la compaa
han tenido xito y 60% no lo han tenido. Antes de que se comercialice el juguete, se lleva a cabo un
estudio de mercado y se compila un informe, ya sea favorable o desfavorable. Anteriormente, 80%
de los juguetes exitosos recibieron informes favorables y 30% de los juguetes no exitosos tambin
recibieron informes favorables.
a) Suponga que el estudio de mercado da un informe favorable sobre el nuevo juguete. Cul
es la probabilidad de que el nuevo juguete tenga xito?
b) Qu proporcin de los juguetes nuevos reciben informes favorables de estudios de
mercado?.
18. Una empresa compra cierto tipo de pieza que es suministrada por tres proveedores: el 45%de las
piezas son compradas al primer proveedor resultando defectuoso el 1%. El segundo proveedor
suministra el 30% de las piezas, y de ellas es defectuoso el 2%. Las restantes piezas provienen del
tercer proveedor, siendo defectuoso el 3% de la mismas. En un control de recepcin de artculos se
selecciona una pieza al azar y es defectuosa. Calcular la probabilidad de que la haya suministrado el
segundo proveedor.
61
19. Un analista de una empresa manufacturera estima que la probabilidad de que una empresa
competidora tenga planes para comenzar a fabricar equipo nuevo en los prximos tres aos es de
0.30 y de 0.70 de que la empresa no tenga tales planes. Si la empresa de la competencia s tiene
esos planes, definitivamente se construir una nueva instalacin fabril. Si la empresa de la
competencia no tiene esos planes, existe an una probabilidad de 60% de que se construya la nueva
instalacin fabril por otras razones,
a) Al utilizar E para la decisin de participar en el campo del equipo nuevo y F para la adicin de
una nueva instalacin fabril, ilustre los eventos posibles mediante un diagrama de rbol.
b) Suponga que la empresa de la competencia, de hecho, ha comenzado a trabajar en la nueva
fbrica. Con esa informacin, cul es la probabilidad de que la empresa haya decidido ingresar
al campo del nuevo equipo?
20. Ochenta por ciento de material de vinil que se recibe del vendedor A es de calidad excepcional,
en tanto que solo cincuenta por ciento de material de vendedor B es de calidad excepcional. Sin
embargo, la capacidad de fabricacin del vendedor A es limitada y, por esa razn, solo cuarenta por
ciento del vinil que la empresa adquiere proviene de este vendedor. El sesenta por ciento restante se
compra al vendedor B. Se inspecciona un embarque de vinil que acaba de llegar y se encuentre que
es de excepcional calidad. Cul es la probabilidad de que provenga del vendedor A?
21. En cierta universidad, el 70% de los estudiante vienen de instituciones privadas y el 30% de
instituciones estatales. Se sabe que el 25% de los estudiantes que vienen de instituciones privadas y
el 10% que vienen de instituciones estatales poseen vehculo propio.
a) Si se selecciona un alumno al azar de esta universidad, cul es la probabilidad de que tenga
vehculo propio?
b) Si el alumno seleccionado posee vehculo propio, cul es la probabilidad de que sea de los
que vienen de instituciones estatales?
c) Si el alumno seleccionado posee vehculo propio, cul es la probabilidad de que sea de los
que vienen de instituciones privadas?
22. La constructora Cedro, S.A. trata de determinar si debera presentar licitacin para la
construccin de un nuevo centro comercial. En el pasado, la principal competidora de Cedro, la
constructora Nardo, S.A. ha presentado licitaciones el 70% de las veces. Si Nardo no presenta
licitacin sobre un trabajo, la probabilidad de que Cedro lo obtenga es del 0.50; si Nardo presenta
licitacin, la probabilidad de que lo obtenga Cedro es de o.25.
a) Si la constructora Cedro obtienen el trabajo, cul es la probabilidad de que Nardo no haya
presentado licitacin?
b) Cul es la probabilidad de que la constructora Cedro obtenga el trabajo?
62
TEMA 3 : DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES
ALEATORIAS
OBJETIVOS
1. Explicar el concepto de variable aleatoria y utilizarlo para definir eventos.
2. Construir la distribucin de probabilidad y la funcin de distribucin acumulada de una
variable aleatoria discreta.
3. Calcular e interpretar la esperanza y la varianza de una variable aleatoria discreta.
4. Conocer y aplicar las propiedades de la esperanza y la varianza de una variable aleatoria
discreta.
5. Conocer los modelos probabilsticos ms comunes de una variable aleatoria discreta: modelo
Binomial, Hipergeomtrico y de Poisson.
6. Aplicar el modelo probabilstico ms adecuado, segn las condiciones experimentales, a la
resolucin de problemas.
3.1 INTRODUCCION
En el tema anterior utililizabamos letras como A, B, C, para representar eventos asociados a un
experimento aleatorio y nos interesaba calcular, digamos P(A). Ahora utilizaremos
variables aleatorias como X, Y, Z, para describir los eventos asociados al mismo
experimento aleatorio, pero ahora el inters ser calcular la probabilidad de que la variable
aleatoria , digamos X, tome algn valor particular x. Por tanto, ser de mucha utilidad
prctica la construcin de distribuciones de probabilidad de una variable aleatoria X y la
determinacin de sus caractersticas principales.
Ms adelante estudiaremos algunas distribuciones clsicas de probabilidad de variables aleatorias
discretas, que llamaremos modelos probabilsticos.
Por ahora podemos iniciar con el concepto de variable aleatoria.
VARIABLE ALEATORIA
Sea S el espacio muestral asociado a un experimento aleatorio. Una funcin X que signa a cada uno
de los elementos w de S un nmero x, se llama variable aleatoria.
X

x R
X (w) = x
Figura 3.1
EJEMPLO 3.1
Una empresa tiene 100 cuentas por cobrar de las cuales 30 tienen su saldo incorrecto. Un auditor
selecciona al azar y sin reposicin 2 de dichas cuentas y luego registra el nmero de cuentas con
saldos incorrectos.
63
S
w
Definamos los eventos:
C: la cuenta tiene su saldo correcto
I: la cuenta tiene su saldo incorrecto.
C
2

C
1

2

C
2
I
1
I
2

Figura 3.2
Como estamos interesados en registrar el nmero de cuentas que tienen su saldo incorrecto, es til
definir una variable aleatoria X que asigne a cada elemento de S su nmero de cuentas con saldo
incorrecto, o bien de una manera ms sencilla, que la variable aleatoria X represente el nmero de
cuentas con saldos incorrectos.
X
Figura 3.3
As, X ( C
1
C
2
) = 0 ; X ( C
1
I
2
) = 1 ; X ( I
1
C
2
) = 1 ; X ( I
1
I
2
) = 2
El recorrido o rango de X es R
X
= { 0, 1, 2 } que ser llamado conjunto de valores posibles de X.

64
S
C
1
C
2
C
1
I
2
I
1
C
2
I
1
I
2
S
C
1
C
2
C
1
I
2
I
1
C
2
I
1
I
2
R
0
1

2
EJEMPLO 3.2
Registrar el tiempo que tarda un economista en revisar un documento de una empresa.
Como el resultado del experimento es ya la caracterstica numrica que queremos registrar entonces
vamos a definir la variable aleatoria X como una funcin identidad que asigne a cada tiempo w
posible que tarda en revisar el documento el mismo tiempo w, esto es,
X( w ) = w
o bien de una manera ms sencilla, que la variable aleatoria X represente el tiempo que tarda el
economista en revisar el documento.
VARIABLE ALEATORIA DISCRETA.
X es una variable aleatoria discreta si su conjunto de valores posibles es finito o infinito numerable,
esto es, si sus valores se pueden asociar a los enteros 1, 2, 3, . . . .
Para el ejemplo 3.1, X es una variable aleatoria discreta porque su conjunto de valores posibles es
finito.
VARIABLE ALEATORIA CONTINUA.
X es una variable aleatoria contina si su conjunto de valores posibles es infinito no numerable, esto
es, para dos elementos cualesquiera de este conjunto siempre existir otro entre ellos.
Para el ejemplo 3.2, X es una variable aleatoria contina. Porque entre dos tiempos posibles
siempre existir otro.
EVENTOS DEFINIDOS POR VARIABLES ALEATORIAS.
El conjunto de todas los elementos w de S que tienen asignado (Segn X) un mismo valor particular
x, ser un evento que denotaremos por X = x . Esto es,
{ w S | X( w ) = x } es equivalente a X = x.
X

x R

Figura 3.4
65
S
w
De manera anloga se definen los eventos
X < x , X > x , a < X < b , X x , X x , a X b , etc.
Para el ejemplo 3.1, consideremos los siguientes eventos:
Registra 1 cuenta con saldo incorrecto es equivalente a { C I , I C } que tambin es equivalente a
X = 1
Registrar 0 cuentas con saldos incorrectos es equivalente a { CC } que tambin es equivalente a
X = 0.
Registra al menos una cuenta con saldo incorrecto es equivalente a { C I , I C , I I } que tambin
es equivalente a
X 1
Para el ejemplo 3.2 consideremos los eventos:
Tarda entre 2 y 4 horas es equivalente a 2 < X < 4.
Tarda a lo sumo 3.5 horas es equivalente a X 3.5
VARIABLES ALEATORIAS INDEPENDIENTES
Recordemos que dos eventos A y B son independientes si
P( A | B ) = P( A )
Extendiendo esta idea, definimos que las variables aleatorias discretas X ,Y son independientes si
Para cualquier x
i
, y
j
, P( Y = y
j
) | X = x
i
) = P( Y = y
j
)
y las variables aleatorias contnuas X, Y son independientes si
Para cualquier x, y , P( Y y ) | X x ) = P( Y y )
Esto es, la ocurrencia del evento X x no afecta en nada a la ocurrencia del evento Y y
La condicin anterior tambin debe cumplirse para eventos expresados de cualquier otra forma.
66
3.2 DISTRIBUCION DE PROBABILIDAD DE UNA VARIABLE ALEATORIA
DISCRETA.
Una distribucin de probabilidad de una variable aleatoria X es una funcin que asigna a cada valor
posible x
i
un nmero f (x
i
) = P ( X = x
i
) llamado la probabilidad de x
i
tal que:
i) f ( x
i
) 0
ii) f ( x
i
) = 1
Nota: Para cualquier otro valor que no sea posible
f ( x ) = 0
f

x
i
R

0 1
Figura 3.5
EJEMPLO 3.3
Recordando que X representa el nmero de cuentas con saldos incorrectos en el ejemplo 3.1,
construya la distribucin de probabilidad de X.
Arbol de probabilidad
69/99 C
2
C
1
C
2
0 0.4879

C
1

70/100
30/99 I
2
C
1
I
2
1 0.2121

70/99 C
2
I
1
C
2
1 0.2121
30/100
I
1
29/99 I
2
I
1
I
2
2 0.0879

Figura 3.6
Como los valores posibles de X son 0, 1, 2 tendremos:
f ( 0 ) = P ( X = 0 ) = 0.4879
f ( 1 ) = P ( X = 1 ) = 0.2121 + 0.2121 = 0.4242
f ( 2 ) = P ( X = 2 ) = 0.0879
67
La distribucin de probabilidad de X podemos expresarla como:
1. Una tabla
Tabla 3.1
x
i
f (x
i
)
0 0.4879
1 0.4242
2 0.0879
1.0000
2. Una funcin matemtica

valor otro cualquier es x si 0
2 x si 0.0879
1 x si 0.4242
0 x si 0.4879
) x (
'
f
3. Una grfica.
Figura 3.7
3.3 FUNCION DE DISTRIBUCION ACUMULADA DE UNA VARIABLE ALEATORIA
DISCRETA.
Sea f ( x ) la distribucin de probabilidad de una variable aleatoria X. La funcin de distribucin
acumulada de la variable aleatoria X se denota y define como:
68
0.4879
0.4242
0.0879
0
0.2
0.4
0.6
-1 0 1 2 3
x
f(x)

- , ) x ( f ) X ( P ) x (

i
i
x
< <
x
x x F
EJEMPLO 3.4
Construir la funcin de distribucin acumulada de la variable aleatoria X del ejemplo 3.1
Retomemos la distribucin de probabilidad de la variable aleatoria X del ejemplo 3.3 y observemos
que valores toma F ( x ) cuando: x < 0 , 0 x < 1 , 1 x < 2 y x 2
i) Si x < 0 , F ( x ) = 0 porque no hay valores posibles menores o iguales que x
ii) Si 0 x < 1 , F ( x ) = f ( 0 ) = 0.4879 porque slo hay un valor posible, que es el
0, cuya probabilidad es 0.4879
iii) Si 1 x < 2 , F ( x ) = f ( 0 ) + f ( 1 ) = 0.4879 + 0.4242 = 0.9121
porque hay dos valores posibles, que son el 0 y el 1 cuyas, probabilidades son 0.4879 y
0.4242 respectivamente.
iv) Si x 2 , F ( x ) = f ( 0 ) + f ( 1 ) + f (2 ) = 0.4879 + 0.4242 + 0.0879 = 1
porque hay tres valores posibles, que son el 0, 1 y 2, cuyas probabilidades son 0.4879 ,
0.4242 y 0.0879 respectivamente.
Los resultados anteriores podemos expresarlos como:
1. Una funcin matemtica

2 si 1
2 1 si 0.9121
1 0 si 0.4879
0 si 0
) x (
'
<
<
<
x
x
x
x
F
2. Una grfica

69
0
0.4879
0.9121
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
-1 0 1 2 3
x
F(x)
Figura 3.8
Algunas caractersticas de F ( x )
a) F ( x ) es siempre una funcin no decreciente.
b)
c) P ( a < X b ) = F ( b ) - F ( a )
d) f ( x ) = F ( x ) - F ( x 1 ) si x es un nmero natural.
EJERCICIO 3.1
Las llegadas de clientes a un almacn durante 80 das escogidos aleatoriamente se presenta en la
siguiente tabla.
Tabla 3.2
No. Llegadas No. das
0 15
1 25
2 35
3 5
80
Si X representa el nmero de llegadas de clientes en un da.
i) Construya la distribucin de probabilidad de X
ii) Cul es la probabilidad de que cierto da lleguen menos de 3 clientes.
iii) Construya la funcin de distribucin acumulada de X
iv) Cul es la probabilidad de que cierto da lleguen a lo sumo 2 clientes?.
3.4 ESPERANZA Y VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA.
Con el propsito de resumir la distribucin de probabilidad de una variable aleatoria discreta X se
calcularn sus principales caractersticas: la esperanza y la varianza de X.
Sea f(x
i
) una distribucin de probabilidad de una variable aleatoria discreta X. La esperanza de X
o valor esperado de X se denota y define como:
E ( X ) = x
i
f ( x
i
)
E ( X ) puede considerarse como una media aritmtica ponderada (donde la ponderacin de cada x
i
sera la probabilidad f(x
i
)) esto es la media que espero obtener de un gran nmero de observaciones
independientes de X, motivo por el cual escribiremos.
70
0 ) x ( Lm y 1 ) x ( Lm
- x x

+
F F
E ( X ) =
X
( la media de X )
La varianza de X se denota y define como:
V (X) = E [ (X -
X
)
2
] = ( x
i
-
X
)
2
f ( x
i
)
La varianza de X tambin se puede denotar como V( X ) =
X
2
El clculo se puede simplificar utilizando la siguiente frmula :

V (X) = E ( X
2
) - [ E ( X ) ]
2
donde E ( X
2
) = x
i
2
f ( x
i
)
La desviacin estndar de X se denota y define como:

) X ( V
X
EJEMPLO 3.5
Un vendedor de computadoras tiene la oportunidad de trabajar con cierto comerciante. Supongamos
que el vendedor ha evaluado las posibilidades de la venta semanal de la manera indicada abajo.
Tabla 3.3
No. Computadoras Probabilidad
0 0.1
1 0.2
2 0.3
3 0.4
i) Determine el nmero de computadoras que espera vender por semana. Interprete el
resultado.
ii) Determine la desviacin estndar del nmero de computadoras que vende por semana.
Interprete el resultado.
Hagamos que la variable aleatoria X represente el nmero de computadoras que podra vender por
semana.
x
i
f( x
i
) x
i
f( x
i
) x
i
2
f( x
i
)
0 0.1 0 0
1 0.2 0.2 0.2
2 0.3 0.6 1.2
3 0.4 1.2 3.6
1.0 2.0 5.0
E ( X ) = 2 computadoras y V ( X ) = 5 - [ 2 ]
2
= 5 - 4 = 1 computadora
2

71
a computador 1 1 ) X V(
X
Estos resultados se interpretan as:
A medida que transcurran las semanas, el vendedor espera vender en promedio 2 computadoras y el
nmero de computadoras que vender por semana variar la mayor parte de las veces entre 1 y 3
computadoras.
EJEMPLO 3.6
Para la distribucin de probabilidad de la variable aleatoria X del ejemplo 3.3
i) Calcule el nmero esperado de cuentas con saldos incorrectos (interprete el resultado).
ii) Calcule la varianza y la desviacin estndar del nmero de cuentas con saldos incorrectos
(interprete el resultado)
x
i
f ( x
i
) x
i
f ( x
i
) ( x
i
-
X
)
2
f ( x
i
) x
i
2
f ( x
i
)
0 0.4879 0 0.1756 0
1 0.4242 0.4242 0.0679 0.4242
2 0.0879 0.1758 0.1723 0.3516
1.0000 0.6000 0.4158 0.7758
i)
E ( X ) =
X

= 0.6 cuentas con saldos incorrectos.
Este resultado podemos interpretarlo diciendo que a medida que el auditor vaya
seleccionando 2 cuentas de las 100 muchas veces esperamos en promedio que 0 (ninguna)
1 cuenta con saldo incorrecto, pero un poco ms 1 que ninguna.
ii)
0.6448 ) X ( V
X
X
0.4158
2

Este valor representa la variacin de X alrededor de
X
. Esto quiere decir que el nmero de
cuentas con saldos incorrectos variar entre 0 (ninguna) y 1 la mayor parte de las veces que
el auditor seleccione 2 cuentas de las 100.
Utilizando la otra frmula tendremos que:
V ( X ) = 0.7758 - [ 0.6 ]
2
= 0.4158
X
= 0.6448
72
EJEMPLO 3.7
Un fabricante produce cierto artculo de tal modo que el 10% son defectuosos. Si se produce un
artculo defectuoso, el fabricante pierde C$ 10, mientras que un artculo no defectuoso le produce
una ganancia de C$ 50.
Determine la ganancia esperada por artculo. Interprete el resultado.
Supongamos que X representa la ganancia por artculo y que toma los valores 10 si se produce un
artculo defectuoso y 50 si se produce no defectuoso.
x
i
f ( x
i
) x
i
f (x
i
)
-10 0.10 -1
50 0.90 45

44

X
= E ( X ) = C$ 44
Este resultado se interpreta as: Cuando el fabricante produzca muchos artculos espera una
ganancia promedio por artculo de C$ 44
EJERCICIO 3.2
Para la distribucin de probabilidad de X del ejercicio 3.1
i) Calcule el nmero esperado de llegadas de clientes (interprete el resultado).
ii) Calcule la varianza y la desviacin estndar del nmero de llegadas de clientes (interprete el
resultado).
3.4.1 PROPIEDADES DE LA ESPERANZA Y LA VARIANZA.
1) E (c ) = c ; V ( c ) = 0
2) E ( c X ) = c E ( X ) ; V ( c X ) = c
2
V ( X )
3) E (a + b X ) = a + b E ( X ) ; V ( a + b X ) = b
2
V ( X )
4) Si X , Y son variables aleatorias cualesquiera
E ( X t Y ) = E ( X ) t E ( Y )
5) Si X , Y son variables aleatorias independientes.
V ( X t Y ) = V ( X ) + V ( Y )
73
EJEMPLO 3.8
Para el ejemplo 3.5 considere las siguiente situaciones:
1) Si el comerciante le ofrece al vendedor una comisin de C$ 500 por computador vendido
determine:
i) El ingreso semanal esperado del vendedor.
ii) Las desviacin estndar del ingreso semanal. Interprete los resultados.
Hagamos que la variable aleatoria Y represente al ingreso semanal del vendedor.
Entonces Y = 500X
Aplicando las propiedades de la esperanza y la varianza y recordando del ejemplo 3 que
E ( X ) = 2 computadoras y que
X
= 1 computadora tenemos que:

i) E ( Y ) = 500 E ( X ) = 500 ( 2 ) = C$ 1000
ii) V ( Y ) = 500
2
V ( X ) = 500
2
( 1 ) = 500
2
500 C$ 500
2

Y
Por tanto a medida que transcurran las semanas, el vendedor espera tener un ingreso semanal
promedio de C$ 1000 y su ingreso semanal variar la mayor parte de las veces entre C$ 500 y C$
1500.
2) Si el comerciante le ofrece al vendedor pagarle C$ 800 fijos por semana ms C$ 400 por
computador vendidor, determine:
i) El ingreso semanal promedio del vendedor.
ii) La desviacin estndar del ingreso semanal
Interprete los resultados
Hagamos que Y represente el ingreso semanal del vendedor
Entonces Y = 800 + 400X

Y
= E ( Y ) = E ( 800 + 400X ) = 800 + 400 E ( X )
= 800 + 400 ( 2 ) = C$ 1600
V ( Y ) = V ( 800 + 400X ) = 400
2
V ( X ) = 400
2
( 1 ) = 400
2
400 C$ 400
2

Y
Cmo interpretara usted estos resultados?

74
EJEMPLO 3.9
Un negociante posee dos restaurantes. Sean X , Y, que se suponen independientes entre s, las
ventas diarias de dichos restaurantes. El negociante ha reunido datos de ventas durante muchos
aos, y de acuerdo con sus registros, la media y la varianza de X son de C$ 5000 y C$ 100
respectivamente y la media y la varianza de Y son de C$ 7000 y C$ 200 respectivamente.
Calcule para los dos restaurantes combinados.
i) La venta diaria promedio.
ii) La desviacin estndar de las ventas diarias.
i) Sea M: La venta diaria total. Entonces M = X + Y
E ( M ) = E ( X + Y ) = E ( X ) + E ( Y )
= 5000 + 7000 = C$ 12000
ii) V ( M ) = V ( X + Y ) = V ( X ) + V ( Y ) = 100 + 200 = C$ 300

17.3205 C$ 300
M
75
3.5 MODELOS PROBABILISTICOS
3.5.1 INTRODUCCION
Hay situaciones en las cuales el cumplimiento de ciertas condiciones experimentales nos lleva a
utilizar lo que llamaremos un modelo probabilstico, esto es , una distribucin de
probabilidad de una variable aleatoria definida por una expresin matemtica
Estos modelos tendrn un nombre y sern estudiados en esta tema.
Para poder comprender estas expresiones matemticas necesitaremos estudiar los siguientes
conceptos:
EL FACTORIAL DE UN NUMERO
Sea n un nmero natural.
El factorial de n se denota y define as
n! = n ( n 1 ) (n 2 ) . . . . . . 1
Nota: 0! = 1
De manera que:
1! = 1
2! = 2 (1) = 2
3! = 3 (2) (1) = 6
4! = 4 (3) (2) (1) = 24
NUMERO DE COMBINACIONES DE x OBJETOS TOMADOS DE n
El nmero de combinaciones de x objetos tomados de n se denota y define as

)! x - n ( x!
n!

x
n

,
_

Para las siguientes situaciones tendremos que:
76

1
o
n
, n
1
n
, 1
n
n
,
_
,
_
,
_

Tambin podemos utilizar la siguiente frmula simplificada

x!
) 1 x - n ( ) 1 - n ( n

x

n
+
,
_

donde (n x + 1 ) es el ltimo factor
De manera que
77

56
3(2)(1)
8(7)(6)

5! 3(2)(1)
5! 8(7)(6)

5! 3!
8!

3
8

,
_

Con la frmula simplificada tendremos que
56
) 1 )( 2 ( 3
) 6 )( 7 ( 8
3
8

,
_
porque 8 3 + 1 = 6 es el ltimo factor

Para situaciones como las siguientes, escribiremos sin ningn clculo

1
5
5
,
_
,
10
1
10
,
_
,
1
0
4
,
_
calculemos ahora

6435
) 1 )( 2 )( 3 )( 4 )( 5 )( 6 ( 7
) 9 )( 10 )( 11 )( 12 )( 13 )( 14 ( 15
7
15

,
_
3.5.2 DISTRIBUCION BINOMIAL

78
INTRODUCCION
La distribucin binomial es una distribucin de probabilidad de una variable aleatoria discreta, que
ser aplicable cada vez que se suponga un proceso de Bernoulli.
PROCESO DE BERNOULLI
Es un proceso de muestreo, esto es, una muestra de tamao n que resulta de repetir un mismo
experimento aleatorio (que llamaremos ensayo) n veces y que cumple las siguientes condiciones:
1) Los resultados posibles de cada ensayo pueden clasificarse en dos eventos E y F mutuamente
excluyentes y exhaustivos que llamaremos posteriormente xito y fracaso respectivamente.
2) Las probabilidades de (E) y (F) permanecen constantes en todos los ensayos, es decir, el
proceso es estacionario.
3) Cualquier serie de eventos E y F obtenidos de los n ensayos constituyen eventos independientes.
EL MODELO BINOMIAL
Supongamos que estamos ante un proceso de Bernoulli con n ensayos donde uno de los dos eventos
ser el xito y la probabilidad de que ocurra un xito se representar por p.
Estaremos interesados en una variable aleatoria X que representar el nmero de xitos en la
muestra, donde el objetivo principal ser obtener una expresin matemtica que defina a la
distribucin de probabilidad de X
Puede demostrarse que la siguiente expresin matemtica define una distribucin de probabilidad de
X llamada distribucin binomial con parmetros n y p , o modelo binomial con parmetros n y p.

n , 2, 1, 0, ,
- n
) p - 1 ( p X P
n
) ( x
x x
x
x
donde x es un valor particular de X
y 1 p representa la probabilidad de un fracaso.
CARACTERISTICAS.
1. Cada vez que se especifica un grupo de parmetros n y p se produce una distribucin
binomial particular.
79
2. La distribucin es simtrica si p = 0.50
La distribucin es asimtrica a la derecha si p < 0.50 y a la izquierda si p > 0.50. Cuando n crece y
p se acerca a 0.50 la asimetra tiende a disminuir.
3. La esperanza de X se obtiene as

np
x
) ( E X
4. La varianza de X se obtiene as
V ( X ) = n p ( 1 p )
EJEMPLO 3.10
En un archivo hay 5 documentos de la empresa A y 15 documentos de la empresa B. Seleccionar al
azar y con reposicin 4 documentos anotando la empresa correspondiente de cada uno.
Determine la probabilidad de que 3 sean de la empresa B.
Verificando la existencia de un proceso de Bernoulli.
Aqu existe un proceso de muestreo que resulta de repetir el ensayo : seleccionar al azar y con
reposicin un documento, n = 4 veces.
Miremos ahora que condiciones cumple:
1. Cada ensayo tiene dos eventos mutuamente excluyentes y exhautivos:
A representa es de la empresa A
B representa es de la empresa B

2. Las probabilidades de A y B permanecen constantes en el proceso porque las selecciones de los
documentos se realizaron con reposicin de una poblacin finita.

3. Adems cualquier serie de eventos A y B, obtenidos de los 4 ensayos, constituyen eventos
independientes.
Luego hay un proceso de Bernoulli con n = 4 ensayos.
Aplicando el modelo Binomial
Observe para el proceso anterior con n = 4 ensayos, que el evento B ( es de la empresa B) ser el
xito, y la probabilidad de que ocurra un xito ser p = P( B ) = 15 / 20 = 0.75
La variable aleatoria X representar el nmero de documentos de la empresa B en la muestra.
La probabilidad de que X = 3 se obtiene aplicando un modelo binomial con parmetros n = 4
y p = 0.75
80

0.4219 0.25) 4(0.4219)( (0.25) (0.75)
4
) X P(
,
_

3
3
3
EJEMPLO 3.11
Debidos a las altas tasas de inters, una firma informa que 30% de sus cuentas por cobrar de otras
firmas comerciales estn vencidas. Un contador escoge aleatoriamente una muestra de 5 cuentas.
1. Obtenga la expresin matemtica que define a la distribucin de probabilidad del nmero de
cuentas vencidas.
Verificando la existencia de un proceso de Bernoulli.
Aqu existe un proceso de muestreo que resulta de repetir el ensayo : escoger aleatoriamente una
cuenta por cobrar, n = 5 veces.
Miremos ahora que condiciones cumple:
1. Cada ensayo tiene dos eventos mutuamente excluyentes y exhaustivos:
V representa est vencida
V representa no esta vencida
2. Las probabilidades V y V permanecen constantes en el proceso porque las escogencias de las
cuentas se realizaron sin reposicin de una poblacin considerada infinita.
3. Adems cualquier serie de eventos V y V, obtenidos de los 5 ensayos, constituyen eventos
independientes.
Luego hay un proceso de Bernoulli con n = 5 ensayos.
Aplicando el modelo Binomial.
Observe para el proceso anterior con n = 5 ensayos, que el evento V ser el xito, y la probabilidad
de que ocurra un xito ser p = P( V ) = 0.30.
La variable aleatoria X representar el nmero de cuentas vencidas en la muestra
La expresin matemtica que definir a la distribucin de probabilidad de X ser la correspondiente
a un modelo binomial con parmetros n = 5 y p = 0.30.
Esto es,
81

n , 2, 1, 0, , ) 70 0 ( ) 0.30 (
5
X
5

,
_
x
x x
x
x
-
. P ) (
2. Determine la probabilidad de que:
a) 2 cuentas estn vencidas

3087 0 ) 343 0 ( ) 09 0 ( 10 ) 70 0 ( ) 30 0 (
5
) 2 X ( . . . . . P
,
_

3 2
2
b) ninguna este vencida
1681 0 ) 1681 0 ( ) 1 ( ) 1 ( ) 70 0 ) 30 0 (
5
) 0 X ( ( . . . . P
,
_

5 0
0
c) al menos una este vencida
P ( X 1 ) = 1 - P ( X = 0 )
= 1 - 0.1681 = 0.8319
d) todas esten vencidas
82
0.0024 ) 1 ( ) 0.0024 ( ) 1 ( ) 0.70 ( ) 0.30 (
5
) 5 X (
,
_
P
0 5
5
EJEMPLO 3.12
La probabilidad de que un presunto cliente de un centro comercial escogido aleatoriamente haga una
compra es 0.20. Un vendedor visita a 15 presuntos clientes.
a) Haga menos de 3 ventas.
Puede verificarse la existencia de un proceso de Bernoulli con n = 15 ensayos, y por tanto,
aplicarse un modelo binomial
Observe que el evento V ( hacer una venta ) ser el xito y que la probabilidad de que ocurra un
xito ser p = P( V ) = 0.20
La variable aleatoria X representar el nmero de ventas realizadas en la muestra y
P ( X < 3 ) = P ( X 2 ) = P ( X = 0 ) + P ( X = 1 ) + P ( X = 2 )
se obtiene aplicando un modelo binomial con parmetros n = 15 y p = 0.20
83
0.2309
13 2
2
2
0.1319
14 1
1
1
0.0352
15 0
0
0
) 0550 . 0 ) ( 04 . 0 ( 105 ) 80 . 0 ( ) 20 . 0 (

15
) P ( X
) 0440 . 0 ) ( 20 . 0 ( 15 ) 80 . 0 ( ) 20 . 0 (

15
) P ( X
) 0352 . 0 ) ( 1 ) ( 1 ( ) 80 . 0 ( ) 20 . 0 (

15
) P ( X

,
_
,
_
,
_

Luego P ( X < 3 ) = 0.0352 + 0.1319 + 0.2309 = 0.3980
b) Haga al menos 3 ventas.
P ( X 3 ) = 1 - [ P ( X = 0 ) + P ( X = 1 ) + P ( X = 2 ) ]
= 1 - 0.3980 = 0.602
2. Determine el nmero esperado de ventas del vendedor y la desviacin estndar del nmero de
ventas.
E ( X ) = np = 15 ( 0.20 ) = 3 ventas
V ( X ) = np ( 1 p ) = 15 ( 0.20) ( 0.80 ) = 2.4
. . 5492 1 4 2
X
ventas
Interpretar el resultado
84
3.5.3 DISTRIBUCION HIPERGEOMETRICA
Cuando estamos ante un proceso de muestreo con n ensayos que slo cumple la primera condicin
del proceso de Bernoulli, significa que cada elemento se seleccion sin reposicin de una
poblacin finita de tamao N, lo cual provoc un cambio sistemtico en la probabilidad de un
xito y un fracaso a medida que se retiraron los elementos de la poblacin. De manera que ahora no
estaremos ante un proceso de Bernoulli, pero ser de inters una variable aleatoria X que
representar el nmero de xitos en la muestra.
EL MODELO HIPERGEOMETRICO
Puede demostrarse que la siguiente expresin matemtica define una distribucin de probabilidad de
X llamada distribucin hipergeomtrica con parmetros n, N y A, o modelo hipergeomtrico con
parmetros n, N y A.

n , , 2 , 1 , 0 ,
n
N

n-
N-A

A
) P ( X
,
_
,
_
,
_
x
x x
x
85
donde
N representa el nmero de elementos en la poblacin
A representa el nmero de xitos en la poblacin
N A representa el nmero de fracasos en la poblacin
n representa el nmero de elementos en la muestra
x representa el nmero de xitos en la muestra
n x representa el nmero de fracasos en la muestra
CARACTERISTICAS.
Hagamos que

N
A
p
represente la proporcin de xitos en la poblacin y que 1 p
representa la proporcin de fracasos en la poblacin.
1. Cada vez que se especifica un grupo de parmetros n, N, A se produce una distribucin
hipergeomtrica particular.
2. La distribucin es simtrica si p = 0.50 y asimtrica cuando P 0.50
La distribucin es asimtrica a la derecha si p < 0.50 y a la izquierda si p > 0.50.
Cuando n crece y p se acerca a 0.50 la asimetra tiende a disminuir.
3. La esperanza de X se obtiene as
np (X) E
x
4. La varianza de X se obtiene as

1 - N
n - N
)

,
_
p - 1 np( V(X)
Lo cul implica que
V ( x )
X
EJEMPLO 3.12
Un gerente selecciona aleatoriamente 3 individuos de un grupo de 10 empleados para asignarlos a
un estudio de clasificacin de salarios. Suponga que 4 de los empleados trabajaron previamente en
proyectos semejantes.
1. Determine la expresin matemtica que define a la distribucin de probabilidad del nmero de
empleados con experiencia.
Este es un proceso con n = 3 ensayos, que slo cumple la primera condicin de un proceso de
Bernoulli porque los 3 empleados se seleccionaron al azar sin reposicin de una poblacin finita
de tamao N = 10.
86
Observe que el evento E (con experiencia) ser el xito y que por tanto tendremos que:
N representa el nmero de empleados del grupo.
A representa el nmero de empleados con experiencia.
N A repreenta el nmero de empleados sin experiencia.
n representa el nmero de empleados en la muesta.
x representa el nmero de empleados con experiencia en la muestra.
n x representa el nmero de empleados sin experiencia en la muestras.
La variable aleatoria X representar el nmero de empleados con experiencia, y la expresin
matemtica que va a definir a la distribucin de probabilidad de X, ser la correspondiente a un
modelo hipergeomtrico con parmetros n = 3, N = 10 y A = 4.
Esto es,

3 , 2 , 1 , 0 ,
3
10

- 3
6

4
) P ( X
,
_
,
_
,
_
x
x x
x
87
a) dos tengan experiencia.
88
0.30
2 2
2
120
) 6 ( 6

3
10

1
6

2
4

3
10

- 3
6

4
) X ( P
89
b) ninguno tenga experiencia.
90
0.1667
0 0
0
120
) (20 ) 1 (

3
10

3
6

0
4

3
10

- 3
6

4
) X ( P
91
c) a lo sumo 2 tienen experiencia
P ( X 2 ) = P ( X = 0 ) + P ( X = 1 ) + P ( X = 2 )
0.50
2 1
1
) (

) P ( X
,
_
,
_
,
_

120
15 4
3
10
6 4
Luego P ( X 2 ) = 0.1667 + 0.5000 + 0.3000 = 0.9667
3. Determine el nmero esperado de empleados con experiencia y la desviacin estndar del
nmero de empleados con experiencia.
Como p = 0.4
10
4
N
A

E( X ) = np = 3(0.4) = 1.20 empleados

V( X ) = np (1 p)
,
_
1 - N
n - N
= 3(0.4)(0.6)( 7 / 9 ) = 0.56
0.7483 0.56
X
empleados
92
LA DISTRIBUCION BINOMIAL COMO UNA APROXIMACION A LA DISTRIBUCION
HIPERGEOMETRICA.
Cuando el tamao N de la poblacin se considera muy grande en comparacin al tamao n de la
muestra, el hecho de que el muestreo se efecte sin reposicin tiene poco efecto en la probabilidad
de xito de cada ensayo.
Un mtodo emprico conveniente es que se puede utilizar una distribucin binomial con parmetros
n y

N
A
p
como una aproximacin de la distribucin hipergeomtrica cuando n < 0.05
N, esto es, el tamao de la muestra debe ser menor que el 5% del tamao de la poblacin.
EJEMPLO 3.13
Un producto industrial particular se enva en lotes de 200. Como la prueba para determinar si un
artculo est defectuoso es costosa, dise un plan de muestreo que recomienda muestrear 5
artculos de cada lote y rechazar el mismo si resulta ms de un artculo defectuoso. Si se rechaza
se prueba cada artculo del lote. Suponga que un lote contiene 8 artculos defectuosos.
1. Cul es la probabilidad de aceptar el lote?
Aqu hay un proceso de muestreo con n = 5 ensayos que slo cumple la primera condicin de un
proceso de Bernoulli porque el muestreo se hace sin reposicin de una poblacin finita.
Observe que el evento D (sale defectuoso) es el xito y que por tanto tendremos que:
N : representa el nmero de artculos del lote.
A : representa el nmero de artculos defectuosos en el lote.
n : representa el nmero de artculos en la muestra.
x : representa el nmero de artculos defectuosos en la muestra.
Como la variable aleatoria X representa el nmero de artculos defectuosos en la muestra
Entonces la distribucin de probabilidad de X ser la distribucin hipergeomtrica con n = 5 ,
N = 200 y A = 8.
P (aceptar el lote) = P ( X 1 ) = P ( X = 0 ) + P ( X = 1 )
Miremos ahora la posibilidad de utilizar la distribucin binomial como una aproximacin de
la hipergeomtrica.
N n
200
5
N
n
0.025 0.025
Esto es, el tamao de la muestra es el 2.5% del tamao de la poblacin. Luego se cumple la relacin
emprica de que n < 0.05 N. Podemos utilizar una distribucin binomial con parmetros n = 5
y
0.04
200
8

N
A
p
como una aproximacin de la distribucin hipergeomtrica con
parmetros n = 5, N = 200 y A = 8.
93
( )
( )
) P ( X
) 0.8493 ( ) 0.04 ( 5 ) 96 . 0 ( 04 . 0
5
) P ( X
) 0.8154 ( ) 1 ( ) 1 ( ) 96 . 0 ( 04 . 0
5
) ( X P
0.9853 0.1699 0.8154 1
0.1699
4 1
1
1
0.81.54
5 0
0
0
+

,
_
,
_

3.5.4 DISTRIBUCION DE POISSON
Ahora estudiaremos un proceso semejante al proceso de Bernoulli en el cual los eventos ocurrirn en
una porcin muy pequea que generalmente ser de tiempo.
PROCESO DE POISSON.
Consideremos una unidad t de tiempo, longitud, superficie, volumen, etc. dividida en porciones t
muy pequeas. Un proceso de muestreo resultante de la posible repeticin de un mismo
experimento aleatorio ( que llamaremos ensayo y cuyos resultados posibles sern llamados
observaciones en la porcin t ) ser un proceso de Poisson si cumple las siguientes condiciones:
1) Las observaciones en cada porcin t pueden clasificarse en dos eventos E y F mutuamente
excluyentes y exhaustivos que llamaremos xito y fracaso respectivamente.
2) La probabilidad de que se produzca un xito ( E ) es muy pequeo y permanece constante en
cada porcin t. La probabilidad de que se produzan dos o ms xitos en una porcin t es tan
reducida que podemos asignarle un valor cero.
3) La ocurrencia de un xito ( E ) en la porcin t es independiente dela ocurrencia de otro xito
( E ) en cualquier otra porcin t.
EL MODELO DE POISSON
94
En un proceso de Poisson estaremos interesados en una variable aleatoria X que representar el
nmero de xitos en la unidad de tiempo, superficie, volumen, etc. Supongamos que (lambda)
representa el nmero promedio de xitos en la unidad de tiempo, superficie, volumen, etc, y que este
valor se conoce por experiencia.
Entonces la distribucin de probabilidad de X definida por la siguiente expresin matemtica, ser
la distribucin de Poisson con parmetros , o simplemente el modelo de Poisson con parmetro .

!
-
e
) X P(
x
x
x
, x = 0, 1, 2,
e = 2.71828
CARACTERISTICAS.
Cada vez que se especifica el parmetro se produce una distribucinde Poisson particular.
La distribucin es siempre asimtrica a la derecha cuando es pequea y se acercar a la simetra
(con su punto ms alto en el centro) segn aumenta .
La esperanza de X se obtiene as
E(X)
X

La varianza de X se obtiene as V ( X ) =

x

EJEMPLO 3.14
Suponga que el nmero promedio de vehculos que llegan a un parqueo es de 10 por hora.
Cul es la probabilidad de qu en una hora determinada lleguen 4 vehculos ?

Verificando la existencia de un proceso de Poisson.
Consideremos la unidad de tiempo, una hora, dividida en porciones muy pequeas de tiempo,
digamos en segundos.
1) En cada segundo pueden observarse dos eventos mutuamente excluyentes y exhaustivos:
E : llega un vehculo.
F : no llega ninguno vehculo. Suponga que E es el xito y F el fracaso.
2) La probabilidad de que llegue un vehculo en un segundo es muy pequea y permanecer
constante en cada segundo. Adems la probabilidad de que lleguen 2 o ms vehculos en un
segundo es casi cero.
3) La llegada de un vehculo en un segundo es independiente de la llegada de otro vehculo en
cualquier otro segundo.
95
Por lo tanto estamos ante un proceso de Poisson.
Aplicando el modelo de Poisson.
En el proceso anterior tendremos que:
X que representar el nmero de vehculos que llegan en una hora.
representar el nmero promedio de vehculos que llegan en una hora.
Sabemos por experiencia que = 10 y que la probabilidad de que X = 4 se va a obtener aplicando
un modelo de Poisson con parmetro = 10

0.0189
24
0.4540
24
004540) 10000(0.00
!
e 10
) X P(
10

4
4
4
EJEMPLO 3.15
Suponga que el nmero promedio de llamadas que llegan a una Central Telefnica es de 120 por
hora.
1) Construya la expresin matemtica que define a la distribucin de probabilidad del nmero de
llamadas que ocurren en 3 minutos.
Podemos verificar la existencia de un proceso de Poisson.
En este proceso tendremos que:
X representar el nmero de llamadas que ocurren en 3 minutos.
representar el nmero promediode llamadas que ocurren en 3 minutos.
Entonces la expresin matemtica que va a definir a la distribucin de probabilidad de X, ser la
correspondiente a un modelo de Poisson con parmetro
6 ) 3 ( 2 3
60
120
) ( ) (
Esto es,
2, 1, 0, ,
!
6 -
e 6
) X ( P x
x
x
x
2) Cul es la probabilidad de que:
i) Se reciban 2 llamadas
0.0450 ) 0.0025 ( 18
6 -
e 18
2!
6 -
e
2
6
) 2 X ( P
ii) Se reciba una llamada o ms
P ( X 1 ) = 1 - P ( X = 0 )

6 -
e
1
6 -
e ) 1 (

!
6 -
e 6
) X ( P 0.0025
0
0
0
P ( X 1 ) = 1 - 0.0025 = 0.9975
96
EJEMPLO 3.16
En una fbrica han ocurrido accidentes a razn de una cada dos meses. Suponga que ocurrieron en
forma independiente.
i) No haya accidente en determinado mes.
Tenemos un proceso de Poisson en el cual.
X representar el nmero de accidentes que ocurren cada mes.
representara el nmero promedio de accidentes por mes.
Entonces vamos a utilizar un modelo de Poisson con =

2
1
= 0.50 accidentes por mes
0.6065
0.5
e
1
0.5
(1)e
!
0.5
e (0.5)
) X P(

0
0
0
ii) hayan 4 accidentes en determinado trimestre
Utilizaremos un modelo de Poisson con =
5 . 1 ) 3 (
2
1
accidentes
0.0471
24
) 0.231 ( 5.0625

!
1.5 -
e ) 1.5 (
) X ( P
4
4
4
2. Cuantos accidentes espero en un ao?
=
) 12 (
2
1
= 6 accidentes
LA DISTRIBUCION DE POISSON COMO UNA APROXIMACION DE LA
DISTRIBUCION BINOMIAL
Cuando en una distribucin binomial n es grande y p es pequeo, los clculos son bastante
tediosos. Afortunadamente podemos utilizar el modelo de Poisson como una aproximacin del
modelo binomial haciendo = np. Una regla emprica conveniente es que tal aproximacin se
puede hacer cuando n 20 y p 0.05.
EJEMPLO 16.
Se sabe que el 1% de las cuentas de ahorro de un banco estn desactivadas. Se selecciona
aleatoriamente una muestra de 30 cuentas.
Cul es la probabilidad de que 3 cuentas esten desactivadas?
Podramos utilizar una distribucin binomial con n = 30 y p = 0.01, pero como se cumple la
regla emprica podemos usar la distribucin de Poisson con = 30 ( 0.01 ) = 0.30

6
) (0.7408 0.027

!
e ) 0.30 (
) X ( P
0.3 -
0.0033
3
3
3

97
Si hubieramos utilizado la distribucin binomial con n = 30 y p = 0.01 tendriamos que
0.0031
3
3
3
,
_
3) 001)(0.762 4060(0.000
27
(0.99) (0.01)
30
) P(X
De esta manera la diferencia entre la aproximacin de Poisson y el valor de probabilidad binomial
real es 0.0002.
EJERCICIOS PROPUESTOS DEL TEMA 3: DISTRIBUCIONES DE PROBABILIDAD
DE VARIABLES ALEATORIAS DISCRETAS.
1. En la siguiente tabla se muestra el nmero de camionetas que se han solicitado por da a, una
agencia que renta vehculos, en un perodo de 50 das.
No. Camionetas No. das
3 10
4 16
5 18
6 4
7 2
50
Si X representa el nmero de camionetas solicitadas por da.
i) Construya la distribucin de probabilidad de X y grafiquela.
ii) Cul es la probabilidad de que cierto da se solicitan entre 4 y 6 camionetas (incluyendo a 4
y 6)
iii) Cuntas camionetas espero que sean solicitadas en un da?
iv) Calcule la desviacin estndar de X e interprete el resultado
2. En la siguiente tabla se muestra el nmero de camiones disponibles por centro de 20 centros
distribuidores de cierto artculo
No. Camiones No. centros
1 5
98
2 8
3 6
4 1
20
1) Si X representa el nmero de camiones disponibles por centro.
i) Construya la distribucin de probabilidad de X.
ii) Construya la funcin de distribucin acumulada de X.
2) Suponga que un supervisor selecciona al azar el centro que visitar
i) Cul es la probabilidad de que tenga ms de 2 camiones disponibles?
ii) Cuntos camiones disponibles espera encontrar en el centro despus de muchas visitas?
iii) Determine la desviacin estndar del nmero de camiones disponibles por centro.
Interprete el resultado.
3. El nmero de revistas vendidas por da en una tienda durante 30 das se presenta en la siguiente
tabla.
No. Revistas No. das
10 3
11 7
12 10
13 8
14 2
30
Si X representa el nmero de revistas vendidas por da.
i) Construya la distribucin de probabilidad de X y grafquela.
ii) Cul es la probabilidad de que cierto da se vendan como mximo 12 revistas.
iii) Cuntas revistas espero vender en un da ? Interprete el resultado.
iv) Calcule la desviacin estndar de X e interprete el resultado.
4. Julio Martnez recibe un lote de 100 discos de clutch.
El historial de la empresa muestra que el 10% de discos recibidos es defectuoso.
Saquemos al azar 2 discos uno a uno de dicho lote (sin reposicin) y anotemos el nmero de discos
defectuosos. Si la variable aleatoria T representa el nmero de discos defectuosos en la muestra.
a) Construya una distribucin de probabilidad de T.
b) Determine la esperanza y varianza de T. Interprete el resultado.
5. Un inversionista ha decidido invertir su dinero en tres acciones diferentes. En su bsqueda ha
encontrado que tiene como alternativas, cinco acciones, de las cuales 2 son preferentes y 3 son
99
ordinarias. Si la variable aleatoria X representa el nmero de acciones preferentes que comprar y
decide seleccionarlas al azar.
a) Construya la distribucin de probabilidad de X y grafquela.
b) Elabore la funcin de distribucin acumulada y grafiquela.
6. Supongamos que la probabilidad de xito de un proyecto es 0.90 y que dicho proyecto es
repetido (independientemente uno de otro) hasta que el proyecto sea todo un xito o bien haya
sufrido 3 fracasos consecutivos.
Si representamos por X el nmero de veces que es necesario repetir el proyecto.
a) Construya una distribucin de probabilidad de X.
b) Construya una funcin de distribucin acumulada de X.
c) Cual es la probabilidad de que el proyecto sea repetido a lo sumo 2 veces.
7. Una empresa tiene 4 cuenta por pagar de las cuales una tiene un saldo mayor que C$ 10,000.
Un contador selecciona al azar una cuenta despus de la otra, sin reponerla, hasta registrar inclusive
la que tiene un saldo mayor que C$ 10,000.
Cuntas cuentas espera seleccionar hasta registrar inclusive la que tiene un saldo mayor que C$
10,000 ? Interpretar el resultado.
8. De 12 cuentas de un archivo, 4 contienen un error de procedimiento al contabilizar los saldos de
las cuentas.
Un auditor selecciona aleatoriamente dos de estas cuentas (sin reposicin). Si X representa el
nmero de cuentas con error de procedimiento en la muestra.
a) Construya la distribucin de probabilidad de X y grafquela.
b) Construya la funcin de distribucin acumulada de X y grfiquela.
9. Un vendedor ha descubierto que las probabilidades del nmero de ventas por da, se presentan
de la siguiente manera:
No. Ventas Probabilidad
1 0.19
2 0.45
3 0.29
4 0.07

Si el vendedor obtiene una comisin de C$ 150 por venta determine:
i) La ganancia diaria esperada del vendedor despus de muchos das.
ii) La desviacin estndar de la ganancia diaria. Interpretar el resultado
100
10. Un agente de ventas ha recibido una oferta de trabajo de una casa comercial que distribuye
cocinas elctricas.
Suponga que X es la variable aleatoria que representa el nmero de cocinas vendidas en una semana
y que la distribucin de probabilidad de esas ventas es.
x
1
f ( x
i
)
0 0.30
1 0.35
2 0.25
3 0.10

Si la casa comercial ofrece al agente de ventas pagarle C$ 500 fijos por semana, ms C$ 300 por
cada cocina que venda, determine.
a) El ingreso semanal esperado del agente de ventas despus de muchas semanas.
b) La desviacin estndar del ingreso semanal del agente. Interpretar el resultado.
11. Una compaa tiene una sucursal en una ciudad con ventas diarias en crdobas representada por
la variable aleatoria X y otra sucursal en otra ciudad con ventas diarias en crdobas representada por
la variable aleatoria Y. Al analizar los registros de la compaa por largos perodos anteriores, se ha
encontrado que la media y la varianza de X son C$ 4,500 y C$ 340 respectivamente, y la media y la
varianza de Y son C$ 5,500 y C$ 300 respectivamente.
Si la variable aleatoria Z representa el total de ventas diarias en ambas sucursales, determine:
a)
Z
b)
Z
12. Un vendedor de paraguas gana C$ 30 en das de lluvias; cuando hay das soleados (no lluvia)
pierde C$ 6. La probabilidad de que un da sea lluvioso es de 40% Que ganancia espera tener por
da a largo plazo?
13. En una empresa de negocios una persona puede obtener ganancias diarias de $ 300 con una
probabilidad 0.6 o experimentar una prdida de $ 100 con probabilidad de 0.4.
Qu ganancia espera tener por da a largo plazo?
14. Se tienen dos granjas para la siembra de cierto cultivo. Se calcula que en la primera granja el
cultivo en cuestin producir una utilidad anual de $ 20,000 si tiene xito, y una prdida anual de $
2,000 si no lo tiene.
Se estima tambin que en la segunda granja el cultivo producir una utilidad anual de $ 25,000 si
tiene xito, y una perdida anual de $ 5,000 si no lo tiene. Si la probabilidad de xito en cada granja
es .
En qu granja se debe sembrar el cultivo con el fin de elevar al mximo las utilidades
esperadas?
Como se afectara la decisin si la probabilidad fuera en vez de ?
101
15. Si la probabilidad de que, en un momento dado, el precio del barril de petrleo en el Mercado
Mundial se mantenga constante es 0.46; las probabilidades de que el precio aumente $ 0.50 $ 1.00
son respectivamente 0.17 y 0.23 y la probabilidad de que el precio disminuya $ 0.25 es 0.14, Cul
es el aumento esperado en el precio del barril de petrleo?
16. Suponga que el 40% de los empleados de una gran firma estn a favor de la representacin
sindical, y que se pide una respuesta annima a una muestra aleatoria de 10 empleados.
1. Obtenga la expresin matemtica que define la distribucin de probabilidad del nmero de
empleados a favor de la representacin sindical.
2. Cul es la probabilidad de que:
a) Ninguno este a favor de la representacin Sindical.
b) Todos estn a favor de la representacin Sindical.
c) Menos de la mitad estn a favor de la representacin Sindical.
17. La probabilidad de que un posible cliente haga una compra cuando un vendedor se comunique
con l es 0.40. Si un vendedor selecciona aleatoriamente de un archivo 3 posibles clientes y se
comunica con ellos.
1. Cul es la probabilidad de que el vendedor haga
a) 3 ventas
b) por lo menos 2 ventas
2. Cuntas ventas espero que haga el vendedor a largo plazo?
3. Calcule la desviacin estndar del nmero de ventas.
18. La probabilidad de que un empleado elegido al azar este participando en un programa de
inversin en acciones de una compaa es 0.30. Si se eligen al azar 5 empleados.
Cul es la probabilidad de que el nmero de participantes sea
a) Exactamente 3 empleados?
b) Menos de 3 empleados?
c) Por lo menos 4 empleados?
19. Un gerente de un banco sabe por experiencia que, en promedio, el 10% de los clientes de
prstamos fallan en sus pagos. Un da el gerente autoriza 7 prstamos.
a) Ninguno falle en sus pagos?
b) Uno falle en sus pagos?
c) Al menos dos fallen en sus pagos?
102
2. Cuntos clientes espero que fallen en sus pagos despus de muchas autorizaciones de ese
tipo.
3. Calcule la desviacin estndar del nmero de clientes que fallan en sus pagos.
20. Con base en la experiencia anterior, el 15% de las facturas de una compaa que vende libros por
correo estn incorrectas. Si se selecciona una muestra aleatoria de 3 facturas actuales,
1. Obtenga la expresin matemtica que define la distribucin de probabilidad del nmero de
facturas incorrectas.
a a) dos facturas estn incorrectas?
b) No ms de dos facturas estn incorrectas?
21. Suponga que el 4% de todos los insectos expuestos a un insecticida en condiciones de
laboratorio pudieron sobrevivir.
1. Si se expone una muestra de 5 insectos a este insecticida, Cul es la probabilidad de que:
a) Sobrevivan los 5 insectos?
b) No sobrevivan los 5 insectos?
c) Sobreviva al menos un insecto?
2 Si se expone una muestra de 50 insectos al insecticida.
a) Cuntos espero que sobrevivan?
b) Calcule la desviacin estndar del nmero de insectos que sobrevivan
22. La probabilidad de que un vendedor de seguros efecte la venta en su primer visita a un cliente
nuevo es de 0.25. Si el vendedor va a visitar hoy a 3 nuevos clientes,
1. Cul es la probabilidad de que efecte una venta a
a) exactamente un cliente nuevo
b) por lo menos dos clientes nuevos.
2. A cuntos clientes espera hacerle una venta despus de muchos das ?
23. Un auditor del Departamento del Impuesto sobre la Renta est seleccionando una muestra de 6
declaraciones de impuestos de personas de una profesin particular, para una posible auditora. Si
dos o ms de ellas indican deducciones no autorizadas, se auditar todo el grupo (poblacin) de
103
100 declaraciones. Cul es la probabilidad de una auditora ms detallada si el porcentaje de
declaraciones incorrectas es:
a) 25 ?
b) 30 ?
c) Comente las diferencias en sus resultados dependiendo del porcentaje real de declaraciones
incorrectas.
24. El cuerpo secretarial de un importante bufete de abogados contiene 25 secretarias, 10 de las
cuales han estado con la firma ms de 5 aos. Si un ejecutivo selecciona al azar a 3 secretarias para
asignarlas a un asunto nuevo,
a) ninguna tenga ms de 5 aos de experiencia.
b) dos tengan ms de 5 aos de experiencia.
2. Escriba la expresin matemtica que define la distribucin de probabilidad del nmero de
secretarias con ms de 5 aos de experiencia.
25. Un auditor esta analizando los documentos por pagar de una empresa comercial. En este
momento hay 800 documentos firmados por esa empresa. Como el nmero de documentos es
relativamente elevado, el auditor decide extraer una muestra de 8 documentos e investigarlos. La
decisin de aprobar la cuenta o de seguir investigando depende del resultado de la nuestra. El
auditor decide certificar las cuentas por pagar, si a lo ms uno de los 8 documentos muestreados es
errneo, y continuar investigando si encuentra dos o ms documentos errneos.
Si en realidad hay 16 documentos errneos.
a) Cul es la probabilidad de que el auditor certifique las cuentas?
b) Cul es la probabilidad de que decida continuar investigando?
Sugerencia: Aproxime las probabilidades con una distribucin binomial.
26. Se embarcan motores elctricos pequeos en lotes de50. Antes de que tal cargamento sea
aceptado, un inspector elige 5 motores y los inspecciona. Si ninguno de los motores probados es
defectuoso, el lote es aceptado. Si se encuentra que uno o ms son defectuosos, se inspecciona el
cargamento completo. Suponiendo que en realidad hay 3 motores defectuosos en el lote.
Cul es la probabilidad de que no sea necesaria una inspeccin completa?
27. Un representante de ventas debe visitar 6 ciudades en un viaje. Suponga que existen 10 ciudades
en el rea geogrfica a visitar, de las cuales 6 de ellas son mercados primarios para el producto en
cuestin, mientras que las otras 4 constituyen mercados secundarios. Si el vendedor elige en forma
aleatoria las 6 ciudades que va a visitar.
1. Determine la expresin matemtica que define la distribucin de probabilidad del nmero de
ciudades que son mercados primarios.
104
a) cuatro de ellas resulten ser mercados primarios?
b) todas sean mercados primarios?
28. En la Contralora General de la Repblica (CGR) hay 20 solicitudes para trabajar como auditor.
Si se aprueban 10 solicitudes, cul es la probabilidad de qu se encuentren las 5 mejores de todas
las solicitudes?
29. El nmero promedio de llamadas por minuto recibidas en un taller de servicio de televisin es de
1.2
1. Determine la expresin matemtica que define la distribucin de probabilidad del nmero de
llamadas recibidas por minuto
2. Cul es la probabilidad de que en un minuto dado:
a) se reciban menos de dos llamadas
b) se reciban 4 llamadas
3. Cul es la probabilidad de que en 5 minutos dados.
a) se reciban 2 llamadas
b) al menos una llamadas
28. Los empleados de una oficina del Banco Central atienden como promedio120 personas en una
hora de aglomeracin. Si se sabe que como mximo estos empleados pueden atender 3 personas por
minuto, Cul es la probabilidad de que en un minuto dado:
a) no haya cola en la oficina?
b) haya cola en la oficina?
c) hayan 3 personas en la cola de la oficina?
29. Suponga que el nmero de defectos por yarda cuadrada de cierto tipo de tela tiene una
distribucin de probabilidad de Poisson. Segn la experiencia de la fbrica, el nmero promedio de
defectos es de 1.5. Calcular la probabilidad de que una yarda cuadrada tenga:
a) Tres defectos o menos.
b) Entre 3 y 5 defectos.
30. Una oficina policial del pas Homicilandia reporta que en dicho pas hay un nmero promedio de
2 homicidios diarios.
1. Construya la expresin matemtica que define la distribucin de probabilidad del nmero de
homicidios diarios.
2. Determine la probabilidad de que en un da determinado haya:
a) menos de 3 homicidios.
b) Al menos 2 homicidios.
31. Desde el ao 1998, la clausura de bancos por problemas financieros ha ocurrido a razn de 5.7
clausuras por ao, en promedio. Suponga que el nmero de cierres X en un determinado perodo de
tiempo tienen una distribucin de probabilidad de Poisson.
105
a) Encuentre la probabilidad de que por lo menos tres bancos sean clausurados durante un ao
determinado.
b) Encuentre la probabilidad de que ningn banco sea clausurado durante un perodo de 4
meses.
32. El conmutador telefnico de una empresa puede manejar un mximo de 5 llamadas por minuto.
Si la experiencia indica que recibe un promedio de 120 llamadas por hora, encuentre la probabilidad
de que en un determinado minuto el conmutador est sobrecargado.
33. Se supone segn la experiencia que el 2% de las facturas de una empresa que vende libros por
correo estn incorrectas. Si se selecciona una muestra aleatoria de 20 facturas, encuentre la
probabilidad de que cuando menos una factura este incorrecta
Sugerencia: Aproxime la probabilidad con una distribucin de Poisson.
34. Para el ejercicio 21 suponga que se expone una muestra de 30 insectos al insecticida.
Cul es la probabilidad aproximada, segn la distribucin de Poisson, de que
a) sobreviva un insecto
b) no sobreviva ninguno
106
TEMA 4 : DISTRIBUCION NORMAL
OBJETIVOS.
1. Explicar la necesidad de introducir el concepto de funcin de densidad de probabilidad de una
variable aleatoria contnua.
2. Definir la distribucin normal y explicar sus principales caractersticas.
3. Poder transformar cualquier distribucin normal en distribucin normal estndar.
4. Calcular probabilidades de eventos definidos por variables aleatorias que siguen una distribucin
normal.
5. Aplicar la distribucin normal en la solucin de problemas.
4.1 INTRODUCCION
Si x
1
, x
2
, , x
k
son todos los valores admisibles de una variable aleatoria discreta X entonces
cada valor x
i
contribuye con una cantidad f (x
i
) al total:

1 ) (x
i

k
f

Cuando una variable aleatoria X es continua no tiene sentido hacer una suma de probabilidades en
el sentido anterior ya que su conjunto de valores posibles es no numerable.
En este caso, se generalizar el concepto de suma ( ) con el concepto de integral ( ).
Por tanto, cuando la variable aleatoria sea contnua ser necesario introducir el siguiente concepto
que sustituya al de funcin de probabilidad de una variable aleatoria discreta.
Funcin de densidad de probabilidad de una variable aleatoria X continua.
Es una funcin f : R R integrable, que cumple las siguientes condiciones:

La probabilidad de que X tome un valor comprendido entre a y b ser la siguiente rea.
Esto es, el rea que existe entre la funcin, el eje x y las rectas x = a y x = b.
107
1 x d ) x ( ii)
0 ) x ( i)

-
f
f
x d ) x ( ) X ( P

A f b a
b
a

f(X)
A

a b X

Figura 4.1
No ser inters hablar de la probabilidad de que X tome un valor particular a, ya que siempre
tendremos que:
P ( X = a ) = 0
Por esta razn, la probabilidad de que X tome un valor comprendido en un intervalo no se ver
afectada por el hecho de que este sea abierto o cerrado en cualquiera de sus extremos:
P ( a X b ) = P ( a < X b ) = P ( a X < b ) = P ( a < X < b )
P ( X a ) = P ( X < a )
P ( X a ) = P ( X > a )
De todos los modelos probabilsticos contnuos que existen estudiaremos a continuacin el ms
importante segn sus aplicaciones a situaciones reales.
4.2 DISTRIBUCION NORMAL
Esta distribucin es considerada la ms importante por las siguientes razones:
1. Numerosos fenmenos contnuos parecen seguirla o se pueden aproximar mediante ella.
2. Se puede utilizar para aproximar distribuciones de probabilidad de variables aleatorias discretas.
3. Proporciona la base para la Estadstica Inferencial.
4.2.1 EL MODELO NORMAL
Decimos que una variable aleatoria continua X, tiene una distribucin normal con parmetros y
2
, lo cual denotaremos por X N ( ,
2
), si la funcin de densidad de probabilidad de X est
definida por:
CARACTERISTICAS.
108
2.71828 e
x - ,
2
1
) x (
-
2
x
2
1
-
e
< <

,
_

f
1. Es una familia de distribuciones normales de tal forma que cada vez que se especifican los
parmetros y
2
se identifica al correspondiente miembro de la familia, esto es, se produce
una distribucin normal particular.
2. Los dos parmetros y
2
conciden con la media (esperanza) y la varianza respectivamente de
X, esto es
E ( X ) =
V( X ) =
2

X
=
) V( X
3. Tiene forma de campana y el valor mximo de f ( x ) ocurre en x = . Tambin tiene puntos
de inflexin que ocurren en x = - y x = +

- + X

Figura 4.2
4. La mediana y la moda coinciden con , y por lo tanto, es simtrica con respecto a , as que
P ( X ) = P ( X ) =

2
1
5. A medida que x aumenta o disminuye a partir de , f ( x ) decrece uniformemente, de tal
forma que cuando x t , f ( x ) 0. Esto significa que el eje X es asntota de la curva
normal, en otras palabras, que a medida que x se aleja de , en ambas direcciones, f ( x ) se
acerca cada vez ms al eje X, pero nunca llega a tocarlo. Formando de esta manera colas que se
extienden indefinidamente en ambas direcciones.
6. La posicin y forma de la campana depender respectivamente de los valores y . Esto
quiere decir que le dar posicin a la campana, mientras que le dar forma. As que cuanto
menor sea , mayor rea habr concentrada alrededor de y la curva ser muy apuntada cerca
de , y cuanto mayor sea , menor rea habr alrededor de y ms aplastada ser la curva.

B
109

A C

1

2

Figura 4.3
En la figura 4.3 se dan tres funciones de densidad de probabilidad normales. Las funciones de
densidad de probabilidad A y B tienen la misma media
1
pero diferentes desviaciones estndar.
La desviacin estndar de la funcin de densidad de probabilidad B es menor que la desviacin
estndar de la funcin de densidad de probabilidad de A, motivo por el cual aparece ms apuntada .
Por otra parte, las funciones de densidad de probabilidad A y C tienen la misma desviacin estndar
pero medias diferentes. Ms an, las funciones de densidad de probabilidad de B y C tienen
diferentes medias y tambin diferentes desviaciones estndar.
4.2.2 LA DISTRIBUCION NORMAL ESTANDAR
Si una variable aleatoria Z tiene una distribucin normal con parmetros
Z
= 0 y
Z
= 1
entonces estamos en presencia de un miembro muy honorable de la familia, que llamaremos
distribucin normal estndar. La figura 4.4 ilustra esta distribucin.

Z = 1

Z
= 0 Z
Figura 4.4
4.2.3 ESTANDARIZACION DE LA DISTRIBUCION NORMAL
110
Cada vez que apliquemos una distribucin normal a una situacin dada ser necesario identificar un
miembro de la familia, esto es, una variable aleatoria X que tenga distribucin normal con
parmetros y , con el fin de poder calcular las probabilidades solicitadas.
Lo anterior significa que cada situacin o problemas tendra su propia distribucin normal, lo cual
resulta muy incmodo.
Para evitar ese inconveniente convertiremos la variable aleatoria X que tiene distribucin normal
con media y desviacin estndar a otra variable aleatoria Z que tenga distribucin normal
estndar, mediante la siguiente frmula de transformacin:
Esto es, las diferencias X - expresadas en unidades de la desviacin estndar.
A Z le llamaremos variable aleatoria estandarizada y su funcin de densidad de probabilidad estar
definida as:
El procedimiento de estandarizacin de una distribucin normal puede apreciarse con el siguiente
grfico.

Z
= 1
X
Z
= 0 Z
Figura 4.5
En smbolos lo anterior puede escribirse as:
111

- X
Z
< <

z - , e
2
1
) z (
2

2
1
- Z
f
) 1 , 0 ( N Z
X
, X
~
-
) ( N
~

4.2.4 LA FUNCION DE DISTRIBUCION ACUMULADA DE LA VARIABLE
ALEATORIA Z
Suponga que f ( s ) es la funcin de densidad de probabilidad de Z.
La funcin de distribucin acumulada de Z se denota y define como
Las figuras siguientes ilustran la funcin de distribucin acumulada de Z.
A

0 z Z
Figura 4.6
A

z 0 Z
Figura 4.7
Con el propsito de no recurrir a los mtodos de integracin numrica se ha elaborado una tabla para
la funcin de distribucin acumulada de Z, que nos permite leer directamente el valor de F ( z ) para
cualquier valor z.
USO DE LA TABLA
Note que la tabla consta de dos partes, una arriba, para los valores negativos de z y otra abajo para
los valores positivos de z.
Observe, para ambas partes de la tabla, que en el mrgen izquierdo est el dgito unitario y una
dcima de z, mientras que en el margen superior se encuentran las centsimas de z.
EJEMPLO 4.1
Encuentre P ( Z - 1.24 )
112
s d ) s ( f ) Z ( P ) (

-
A z z F
z

Aplicando la definicin de funcin de distribucin acumulada de Z tenemos que:

Para no calcular la integral definida anterior es que usaremos la tabla 1, que aparece en la pgina
111, de la siguiente manera: Bajamos sobre el mrgen izquierdo o columna z, de la parte de arriba
de la tabla, hasta encontrar -1.2, luego buscamos en el margen superior el 4.
Ahora tracemos dos lneas imaginarias, una horizontal que pase por 1.2 y otra vertical que pasa
por 4. En la interseccin de las lneas anteriores encontraremos el valor 0.1075.
De manera que F (-1.24 ) = 0.1075.
La ilustracin grfica del resultado anterior es
0.1075

- 1.24 0 Z
Figura 4.8
4.2.5 COMO CALCULAR PROBABILIDADE DE EVENTOS DESCRITOS POR
VARIABLES ALEATORIAS NORMALES.
Suponga que la variable aleatoria X tienen una distribucin normal con parmetros y
2
.
Estamos interesados en calcular probabilidades de eventos de finidos por X. Segn la forma en que
se definan estos eventos, consideraremos los siguientes casos:
Caso 1.
El evento tiene la forma X < c donde c es un valor determinado, queremos calcular P ( X < c ).
Lo primero que tenemos que hacer es estandarizar la variable aleatoria X y el valor c.
Una ilustracin grfica sera la siguiente donde se ha sombreado el rea que representa P ( X < c )
A 1
A
Z
- x

c X 0
c
Z
Figura 4.9
El hecho anterior permitir que:
113
z d ) z ( f ) ( F ) Z ( P
4 -
-

1.2
1.24 - 1.24 -

A
c
F )
c
P(Z c) P(X
,
_
< <
Esta rea acumulada a la izquierda de
- c
podemos leerla directamente en la tabla
Caso 2.
El evento tiene la forma X > c donde c es un valor determinado, queremos calcular P ( X > c ). Una
ilustracin grfica sera la siguiente donde se ha sombreado el rea que representa P ( X > c ).

A

c X
Figura 4.10
Como la distribucin normal es simtrica podemos escribir que:
P ( X > c ) = 1 - P ( X c ) = A
Esto es, el rea acumulada a la derecha de c es igual a 1 menos el rea acumulada a la izquierda
de c. El rea acumulada a la izquierda de c, esto es, P ( X < c ) se encuentra aplicando el Caso 1.
Caso 3.
El evento tiene ahora la forma a < X < b donde a y b son valores determinados, queremos
calcular P ( a < X < b ). Una ilustracin grfica sera la siguiente donde se ha sombreado el rea
que representa P ( a < X < b ).
A

a b X
Figura 4.11
114
Aplicando diferencias de reas acumuladas a la izquierda de b y a podemos escribir que:
P ( a < X < b ) = P ( X < b ) - P ( X < a ) = A
donde P ( X < b ) y P ( X < a ) se encuentran aplicando el caso 1 a cada una.
EJEMPLO 4.2
Suponga para cierta marca y modelo de computadora, que el tiempo de operacin en forma efectiva
(antes de la primera descompostura) sigue una distribucin normal con una media de 350 horas y
una desviacin estndar de 50 horas.
1. Cul es la probabilidad de qu una computadora de esa marca y modelo opere efectivamente:
i) menos de 300 horas
Suponga que la variable aleatoria X representa el tiempo de operacin en forma efectiva de las
computadoras.
Sabemos que X N ( = 350 , = 50 ) y que necesitamos calcular P ( X < 300 ).
Una ilustracin grfica de la estandarizacin de X y 300 se da a continuacin donde se ha
sombreado el rea representada por P ( X < 300 ).
= 50
A = 0.1587 A = 0.1587

300 = 350 X -1 0 Z
Figura 4.12
Como el evento X < 300 corresponde al Caso 1, tenemos que:

0.1587 ) ( F ) Z ( P
50
350
Z P ) X ( P < < <
,
_
1 - 1 -
- 300
300
115
ii) Por lo menos 280 horas.
Aqu queremos calcular P ( X 280 ).
Una ilustracin grfica ser la siguiente donde se ha sombreado el rea representada por
P ( X 280 ).
A = 0.9192

280 = 350 X
Figura 4.13
Como el evento X 280 corresponde al caso 2, tenemos que:
P ( X 280 ) = 1 - P ( X < 280 )
) Z ( P
350 -
Z P ) X ( P 1, caso el segn donde 1.40 -
280
280 < < <
,
_
50
= F ( - 1.40 ) = 0.0808
Luego P ( X 280 ) = 1 0.0808 = 0.9192.
iii) Entre 300 y 403 horas.
Ahora queremos calcular P ( 300 < X < 403 )
La ilustracin grfica de esta situacin se da a continuacin donde se ha sombreado el rea que
representa P ( 300 < X < 403 ).
A = 0.6967

116

300 = 350 403 X
Figura 4.14
Como el evento 300 < X < 403 corresponde al caso 3, tenemos que:
P ( 300 < X < 403) = P ( X < 403) - P ( X < 300 )
0.8554
) ( F ) Z ( P
50
350 -
Z P ) X ( P 1, caso el segn donde
< < <
,
_
1.06 1.06
403
403
Luego P ( 300 < X < 403 ) = 0.8554 - 0.1587 = 0.6967
2. Suponga que un momento dado se disponen de 500 computadoras de esa marca y modelo,
Cuntas espero que operen en formas efectiva despus de 280 horas?.
Como hay 500 computadoras espero
500 P ( X > 280 ) = 500 ( 0.9192 ) = 459.6 computadoras.
3. En cuntas horas estarn descompuestas el 99% de esas computadoras?
Recordemos que X representa el tiempo de operacin en forma efectiva de las computadoras.
Supongamos que a representa el mximo tiempo en horas que tarda en descomponerse el 99% de
esas computadoras, entonces.

A = 0.99

= 350 a X
Figura 4.15
P ( X a ) = 0.99

Estandarizando X y a obtenemos
) Z ( P
50
350 -
Z P 2.33
a
<
,
_

El valor 2.33 se encuentra as:
117
Buscamos en el cuerpo de la tabla 4.1 el valor ms cercano a 0.99 que debe ser 0.9901, luego trace a
partir de l una lnea horizontal imaginaria hasta que toque el margen izquierdo de la tabla en 2.3 ;
despus trace una lnea imaginaria vertical hasta que toque el mrgen superior de la tabla en 3.
Ahora si las reas acumuladas a la izquierda de

50
350 - a
y 2.33 son iguales, entonces
debe cumplirse que:

50
350 -
2.33
a

a = 350 + 2.33 (50) =350 + 116.5 =
466.5 horas

EJEMPLO 4.3
En la rama de la construccin est establecido por la ley un salario mnimo de C$ 12 por hora para
los obreros. Si suponemos que los salarios en esta rama estn distribuidos normalmente con una
media de C$ 18 por hora y una desviacin estndar de C$ 3.
i) Qu porcentaje de los obreros podran iniciar un proceso de demanda por incumplimiento a la
ley?
Supongamos que la variable aleatoria X representa al salario de los obreros.
Sabemos que X N ( = 18 , = 3 ).
Cuando el salario X no llega al mnimo se puede iniciar un proceso de demanda, esto es, cuando
X < 12. Por tanto calcularemos P ( X < 12).
Una ilustracin grfica de la estandarizacin de X y 12 aparece a continuacin donde se ha
sombreado el rea representada por P ( X < 12 ).
= 3
A = 0.0227 A = 0.0227

12 = 18 X -2 0 Z
Figura 4.16
Como el evento X < 12 corresponde al caso 1, tenemos que:
0.0227 ) Z ( P
3
18 -
Z P ) X ( P < < <
,
_
2 -
12
12
El 2.27% de los obreros pueden iniciar un proceso de demanda
118
ii) Cul es el menor salario que perciben los obreros que representan el 10% de los mejores
remunerados?
Suponga que c representa el menor salario que perciben el 10% de los mejores remunerados.
Entonces
P ( X c ) = 0.10
Como el evento X c corresponde al caso 2.
1 - P ( X < c ) = 0.10 P ( X < c ) = 0.90
Estandarizando X obtenemos ) Z ( P
3
18 -
Z P 1.28
c
< <
,
_
21.84 C$ (3) 1.28 18 1.28

3
18 -
Luego + c
c
EJERCICIOS PROPUESTOS DEL TEMA 4: LA DISTRIBUCION NORMAL.
1. Determine el rea situada bajo la curva normal estndar que se encuentra:
a) entre z = 0 y z = 0.94
b) entre z = -2.15 y z = 0
c) a la derecha de z = 0.92
d) a la derecha de z = - 0.93
e) a la izquierda de z = 0.84
f) a la izquierda de z = -0.35
2. Determine z si el rea de la curva normal.
a) A la derecha de z es 0.9983
b) a la derecha de z es 0.7324
c) a la izquierda de z es 0.1314
d) a la derecha de z es 0.2981
3. Las encuestas realizadas por una corporacin financiera han revelado que la vida de una cuenta
regular de ahorros abierta en uno de sus bancos tiene una distribucin normal con un promedio de
26 meses y una desviacin estndar de 8.2 meses.
Si un depositante abre una cuenta en un banco que es miembro de esa corporacin:
a) Cul es la probabilidad de que en esa cuenta haya todava dinero despus de 30 meses?
b) Cul es la probabilidad de que la cuenta haya sido cancelada antes de un ao y medio?
4. La vida de un cierto tipo de tubo fluorescente est normalmente distribuida y su media es 1500
horas con una desviacin estndar de 250. La UNAN colocar 1200 de ellos en el prximo ao (en
el mes de Enero). Se calcula que esos tubos trabajarn 6 horas diarias, con 105 das de inactividad
119
en el ao. Para confeccionar el plan de piezas de repuesto del prximo ao, Qu cantidad de tubos
habr que tener de reserva para que se mantengan 1200 de ellos funcionando?
5. El nmero de das entre la facturacin y el pago de las cuentas de crdito de un almacn tiene
una distribucin aproximadamente normal con una media de 18 das y desviacin estndar de 4 das.
a) Qu proporcin de las cuentas sern pagadas.
a.1. entre 12 y 18 das?
a.2. en menos de 8 das?
a.3. en 12 das o ms.
b) En cuntos das estarn pagadas el 99.5% de las cuentas?
6. La empresa Consolidada de Conformacin de Metales produce varillas de aluminio. Se conoce
que segn el proceso empleado se fabrican varillas cuyas longitudes son normalmente distribuidas
con media poblacin igual a 6.00 pulg y desviacin estndar igual a 0.30 pulg. Si las
especificaciones requeridas para las longitudes son desde 5.60 pulg hasta 6.50 pulg:
a) Qu proporcin de las varillas son cortas?
b) La empresa afirma que a lo sumo el 5% de las varillas resultan largas. Es cierta dicha
afirmacin? Explique su respuesta.
7. El editor de una editorial calcula que transcurren en promedio 11 meses antes de terminar el
proceso de publicacin, desde la elaboracin del manuscrito hasta terminar con el libro, con una
desviacin estndar de 2.4 meses. Piensa que la distribucin normal describe bien los tiempos de
publicacin. De 19 libros que tendr a su cargo este ao, aproximadamente cuntos finalizarn el
proceso en menos de un ao ?
8. La duracin de un determinado tipo de lavadora automtica tiene una distribucin
aproximadamente normal, con una media de 3.1 aos y una desviacin estndar de 1.2 aos.
Qu proporcin del total de unidades vendidas tendr que ser reemplazado si la garanta es de
un ao.?
9. Suponga que el tiempo necesario para que germine una variedad de semillas de una planta est
normalmente distribuido con una media de 15 das y desviacin estndar de 4 das.
a) Qu proporcin de las semillas deben germinar
a.1. antes de 19 das?
a.2. despus de 23 das?
b) A los cuntos das deben haber germinado tres cuartas partes de las semillas?
10. Un anlisis de duracin de llamadas telefnicas locales hechas desde la oficina de una empresa
muestra que el tiempo de llamadas es una variable aleatoria que tiene una distribucin
120
aproximadamente normal con una media de 125.7 segundos y una desviacin estndar de 30
segundos. Qu porcentaje de estas llamadas.
a) Es mayor que 3 minutos?
b) Es cuando mucho, 2 minutos?
c) Est entre 120 y 180 segundo?
11. La direccin de carreteras de un estado se encuentra conque su ingreso anual por cuotas esta
normalmente distribuido con una media de 700000 dlares y una desviacin de 50000. El gerente
desea saber:
a) La probabilidad de que queden cubiertos los gastos de operacin del ao prximo que
ascienden a 680000 dlares.
b) La probabilidad de que estos gastos queden cubiertos en los siguientes dos aos (suponiendo
que el monto de ingreso de un ao sea independiente del ao anterior).
c) El monto del ingreso en el mejor 25% de los aos.
12. En un estado hay x gasolineras cuyos ingresos son normalmente distribuidos con una media de
29000 dlares al ao y una desviacin estndar de 5100. Unas 189 gasolineras ganan entre 26000 y
31000 dlares al ao. Cuntas gasolineras hay en el estado?.
13. Supongamos que la vida til de cierta marca de llanta de automvil se distribuye
aproximadamente normal con media y desviacin estndar iguales a 32,000 y 1000 millas
respectivamente.
a) Cul es la probabilidad de que una llanta dure al menos 30,350 millas?
b) Si una empresa ha tenido que reemplazar el 5% de las llantas vendidas, Cul fue la garanta
utilizada?
14. La demanda semanal de artculos que produce una empresa es una variable aleatoria
aproximadamente normal con una media de 20 artculos y una desviacin estndar de 2 artculos.
Cul es la probabilidad de que cierta semana la demanda sea:
i) Como mximo 12 artculos?
ii) Como mnimo 20 artculos?
15. Una empresa de jabonera y perfumera usa una mquina para llenar cajas con polvo facial. En
un informe del departamento de control estadstico de la calidad, se afirma que los pesos netos de las
cajas estn distribuidos normalmente con una media igual a 15 onzas y desviacin estndar igual a
0.8 onzas.
a) Se selecciona al azar una caja, cul es la probabilidad de que tenga un peso neto mayor de
14.5 onzas?
121
b) Si cierto da la mquina llena 1500 cajas, cuntas cajas tendrn pesos netos menores que
14.5 onzas?
16. En un curso de Estadstica el 15% de los estudiantes, los mejores, recibieron un premio y el
10%, los peores, perdieron el curso.
Suponiendo que las calificaciones del curso estn distribuidas normalmente con una media de 76
y una desviacin estndar de 15.
i) Cul fue la calificacin mnima para aprobar.
ii) Cul fue la calificacin mnima para ganar un premio.
17. Se estima que aproximadamente la demanda semanal de diesel en una gasolinera estar
normalmente distribuida con una media de 1000 galones y una desviacin estndar de 50 galones.
La gasolinera se abastecer de diesel una vez a la semana. Cul debe ser la capacidad de su tanque,
si suponemos que la probabilidad de que se termine el diesel en una semana es 0.01.

Tabla 1 Funcin de distribucin acumulada de Z (Areas a la izquierda de z)
z
0 1 2 3 4 5 6 7 8 9
-3.
-2.9
-2.8
-2.7
-2.6
-2.5
-2.4
-2.3
-2.2
-2.1
-2.0
-1.9
-1.8
-1.7
-1.6
-1.5
-1.4
-1.3
-1.2
-1.1
-1.0
-.9
-.8
-.7
-.6
-.5
-.4
-.3
-.2
-.1
-.0
.0013
.0019 .0018 .0017 .0017 .0016 .0016 .0015 .0015 .0014 .0014
.0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019
.0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
.0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
.0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
.0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
.0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
.0139 .0136 .0132 .0129 .0125 .0122 .0119 .0116 .0113 .0110
.0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
.0227 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183
.0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0239 .0233
.0359 .0351 .0344 .0336 .0329 .0322 .0314 .0307 .0300 .0294
.0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
.0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
.0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0571 .0559
.0808 .0793 .0778 .0764 .0749 .0735 .0721 .0708 .0694 .0681
.0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
.1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
.1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
.1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
.1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
.2119 .2090 .2061 .2033 .2005 .1977 .1949 .1921 .1894 .1867
.2420 .2389 .2358 .2326 .2297 .2266 .2236 .2206 .2177 .2148
.2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
.3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
.3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
.3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
.4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
.4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
.5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641
122
.0
.1
.2
.3
.4

.5
.6
.7
.8
.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.
.5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
.5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
.5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
.6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
.6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
.6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
.7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
.7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
.7881 .7910 .7939 .7967 .7995 .8023 .8051 .8079 .8106 .8133
.8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
.8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
.8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
.8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
.9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
.9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
.9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
.9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
.9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
.9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9700 .9706
.9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
.9773 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
.9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
.9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
.9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
.9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
.9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
.9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
.9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
.9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
.9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
.9987
BIBLIOGRAFIA
Elementos bsicos de Estadstica Ecnomica y Empresarial
A. M. Montiel Torres
F. Rius Daz
F. J Barn Lpez
Prentice Hall, Espaa, 1997
Serie Schaum, Estadstica aplicada a la Administracin y a la Economa
Leonard J. Kasmier.
Mc Graw Hill, Mexico, 1988
Estadstica Bsica en Administracin.
Mark L. Berenson
David M Levine
Mexico, Cuarta edicin, Prentice Hall 1992
Estadstica para Administradores
Richard I. Levine
Prentice Hall Hispanoamericana, S. A.
Mexico, segunda edicin, 1988
123
Gua de clases de Estadstica I
Departamento de Matemtica y Estadstica.
Facultad de Ciencias Ecnomicas, UNAN
Maril Zeledn

124

Estadistica I

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadistica I

Uploaded by

Copyright:

Available Formats

ESTADISTICA I

Si X representa la edad entonces x representa la edad promedio y se

La desviacin estandar poblacional se denota y define as

para una muestra

para una poblacin

2.2.2 ENFOQUE DE PROBABILIDAD CLASICA A POSTERIORI (EMPIRICA)

2.4.1 REGLA DE LA MULTIPLICACION

El clculo se puede simplificar utilizando la siguiente frmula :

= 1 computadora tenemos que:

Cmo interpretara usted estos resultados?

porque 8 3 + 1 = 6 es el ltimo factor

3.5.2 DISTRIBUCION BINOMIAL

Aplicando la definicin de funcin de distribucin acumulada de Z tenemos que:

< < <

21.84 C$ (3) 1.28 18 1.28

You might also like