PROBABILIDAD E INFERENCIA ESTADSTICA

Docente:
M.Sc. Est. Carlos Daniel Gonzales i!al"o.
1
1. PROBABILIDAD
1.1. INTRODUCCIN
La estadstica representa un mtodo para la toma de decisiones frente a la incertidumbre y
como tal, se basa en la teora de probabilidades, pues la probabilidad es la medida de la
incertidumbre y de los riesgos asociados con ella. Por ello, el estudiante, antes que aprender
procedimientos estadsticos para tomar decisiones, debe tener un concepto claro de la teora de
probabilidad.

Un tratamiento preciso de la teora de probabilidad requiere de dos enfoques, uno inicial,
basado en la teora de conjuntos, y un segundo basado en las distribuciones de probabilidad.
El primer enfoque nos permite comprender con claridad el concepto de probabilidad, as
como obtener un listado de axiomas y propiedades fundamentales de la teora de probabilidad. Con
el segundo enfoque, llegamos a representaciones matemticas que facilitan el clculo de
probabilidades, mediante f!rmulas que se ajustan regularmente a ciertos fen!menos o experimentos.
1.2. EXPERIMENTO
En estadstica se considera experimento al proceso mediante el cul se obtienen los datos, ya
sea de naturale"a cualitati#a o cuantitati#a.
1.2.1. EXPERIMENTO DETERMINSTICO
$e llama as al fen!meno o experimento que siempre tiene que ocurrir. Es decir se presenta
de una %nica manera y existen f!rmulas matemticas que describen el fen!meno y con las que
se pueden determinar el resultado del experimento.
Ejemplos&
'. El experimento consiste en dejar en el aire un plum!n, ste siempre tiene que caer, pues la
ley de la gra#edad (ar que sea atrada al suelo.
). Ele#amos el precio de un bien, inmediatamente se reducir la cantidad demandada.
1.2.2. EXPERIMENTO NO DETERMINISTICO O ALEATORIO
$e llama as al fen!meno o experimento en el que no se puede determinar con certe"a su
resultado, debido a que las causas que lo originan son no predecibles por ser aleatorias.
*Por qu se dice que el experimento es no determinstico o aleatorio+
Por que&
a. $us resultados son producto del a"ar.
b. $e puede repetir, cada experimento muc(as #eces sin cambiar las condiciones.
c. $us resultados posibles se pueden enlistar en un conjunto.
2
Ejemplos&
'. Lan"ar una moneda sobre una mesa es un experimento aleatorio, unas #eces
resulta cara otras #eces sello. $i en este experimento -cargsemos. la moneda /re#istiendo la
cara con un metal pesado0 de tal manera que al lan"arla a una mesa siempre resulte cara, el
experimento deja de ser aleatorio y pasara a ser determinstico.
). Consideremos un partido entre dos equipos de 1%tbol, desde el punto de #ista de
los resultados /goles0. $iempre queda un margen de a"ar en la determinaci!n del n%mero de
goles a fa#or o en contra.
2. Los juegos de lan"ar dados, barajas, loteras, ruletas, carrera de caballos, etc. son
tpicamente aleatorios.
4. 3bser#ar la #ida %til de un artculo.
1.3. ESPACIO MUESTRAL ()
$e denomina espacio muestral, al conjunto formado por todos los resultados posibles de un
experimento aleatorio.
En notaci!n matemtica el espacio muestral se define como sigue&
4 5x 6 x es resultado de un experimento aleatorio7
Ejemplos&
8escribir el espacio muestral asociado a cada uno de los experimentos aleatorios&
'. Lan"ar una moneda al piso y obser#ar el resultado que ocurre en la cara superior de la
moneda.
4 5c, s7 n /0 4 )
). Lan"ar dos monedas consecuti#as al piso y obser#ar el resultado que ocurre en la cara
superior de las monedas.
4 5/c, c0, /c, s0, /s, c0, /s, s07 n /0 4 9


C 4 / C, C 0
C
$ 4 / C, $ 0
C 4 / $, C 0
$
$ 4 / $, $ 0
:::::::::::::::::::::::::::::::::::::::::::::::::
3
1 2
) ; ) 4 9

2. Elegir el Presidente de una asociaci!n, de un grupo de < candidatos /=, >, C, 8, E0.
4 5=, >, C, 8, E7 n /0 4 <
9. Lan"ar una moneda (asta obtener cara y contar el n%mero de lan"amientos.
4 5', ), 2,?7
<. 8eterminar la #ida %til de un artculo.
4 5@ 6 @ A7
1.4. EVENTO O SUCESO
$e llama e#ento o suceso a todo subconjunto del espacio muestral. = los e#entos se les
denota con las primeras letras may%sculas del alfabeto, as decimos&
= 4 Es un e#ento =
= se le considera e#ento seguro y a e#ento imposible.
Ejemplo&
$uponga que se lan"a dos monedas consecuti#as al piso y se obser#a el resultado que ocurre
en la cara superior de las monedas. Enliste los siguientes e#entos&
a0. $e obtu#o exactamente una cara.
b0. $e obtu#o exactamente dos sellos.
c0. $e obtu#o por lo menos una cara.
d0. $e obtu#o mas de una cara.
e0. $e obtu#o a lo ms dos caras.
f0. $e obtu#o menos de dos caras.
$oluci!n.
4 5/c, c0, /c, s0, /s, c0, /s, s07 n /0 4 9
a0. = 4 5/c, s0, /s, c07 n /=0 4 )
b0. > 4 5/s, s07 n />0 4 '
c0. C 4 5/c, c0, /c, s0, /s, c07 n /C0 42
d0. 8 4 5/c, c07 n /80 4 '
e0. E 4 5/c, c0, /c, s0, /s, c0, /s, s07 n /E0 4 9
f0. 1 4 5/c, s0, /s, c0, /s, s07 n /10 4 2
4
1.5. ALGEBRA DE EVENTOS
Usando las leyes del lgebra de conjuntos se puede formar nue#os e#entos, los cuales son
subconjuntos del mismo espacio muestral de donde pro#ienen los e#entos dados. =s para los
e#entos dados. =s, para los e#entos =, > B C de se cumplen las siguientes leyes&
'.<.'. LEB 8E C8EDP3EEFCC=&
a0 Uni!n& == 4=
b0 Cntersecci!n& == 4=

'.<.). LEB =$3CC=ECG=&
a0 Uni!n& =/>C0 4 /=>0C 4 /=>C0
b0 Cntersecci!n& =/>C0 4 /=>0C 4 /=>C0
'.<.2. LEB C3FDUE=ECG=&
a0 Uni!n& => 4 >=
b0 Cntersecci!n& => 4>=
'.<.9. LEB 8C$EHC>UECG=&
a0 Uni!n& =/>C0 4 /=>0 /=C0
b0 Cntersecci!n& =/>C0 4/=>0 /=C0

'.<.<. LEBE$ 8E D3HI=F&
a0 Uni!n& /=>0J 4=J >J
b0 Cntersecci!n& /=>0J 4 =J >J
'.<.K. LEBE$ 8EL C3DPLEDEFE3&
a0 Uni!n& ==J 4
b0 Cntersecci!n& ==J 4
'.<.L. LEB 8E C8EFEC8=8&
a0 Uni!n& =4= y = 4
b0 Cntersecci!n& = 4 y =4=
5
'.K. EMCFCC=$ 8E C3FEE3
'.K.'. PEHDUE=CC3FE$
Permutaci!n es un arreglo lineal de todos los elementos de un conjunto o parte de los
elementos del conjunto /subconjunto0 tomados en un orden definido. El n%mero total de
permutaciones est en funci!n al n%mero de elementos tomados a la #e" para cada
permutaci!n. $eg%n esto podemos distinguir tres casos&
a0 Permutaciones simples.
a.1.
n
P
n
4 n!
a.2.
n
P
r
4 n! 6 /nNr0 !
b0 Permutaciones con objetos repetidos.
n
P
n', n), n2,...nO
4 n! 6 /n'! ; n)! ; ? ;nO!0
c0 Permutaciones circulares.
PC
n
4 /nN'0 !
Ejemplos&
'. $e in#ita a < gerentes de grandes Empresas de C(iclayo, para dar a los alumnos de
DarOeting y Fegocios Cnternacionales de la UCG, una conferencia sobre exportaci!n.
*8e cuntas maneras distintas se pueden sentar los gerentes en una fila+
<
P
<
4 <! 4 <;9;2;);' 4')A

). 8e un grupo de 9 personas, se tiene que elegir a 2 personas que deben ocupar el cargo
de presidente, secretario, y #ocal. *8e cuntas maneras se pueden (acer los arreglos+
9
P
2
4 9! 6 /9N20! 4 )9
2. El n%mero de formas diferentes de permutar ') objetos iguales en todo, sal#o el color,
de los cuales 2 son negros, 9 son blancos y < son rojos es,
')
P
2, 9, <
4 ')! 6 /2! ; 9! ;<!0 4)LL)A
9. *8e cuntas maneras diferentes pueden sentarse P personas alrededor de una mesa
elipsoidal+
PC
P
4 /PN'0 ! 4Q!
6
'.L. C3D>CF=CC3FE$
Cuando (ablamos de combinaciones, no debemos tener en cuenta el orden de los elementos,
s!lo nos interesa que se combine un elemento con otro.
nCr 4 n! 6 r!/nNr0!
Ejemplos&
'. *Cuntos cables de conexi!n se necesitan para que dos aulas cualesquiera, de doce aulas
existentes en total en una Uni#ersidad, puedan comunicarse directamente+
')
C
)
4 ')! 6 )! /')N)0! 4 KK
). Una caja contiene )A tornillos similares, de los cuales 'A son buenos, Q tienen defectos del
tipo =, < tienen defectos del tipo >, y 2 los dos tipos de defectos.*Cuntos elementos tiene el
espacio muestral que resulta de escoger al a"ar '' tornillos de manera que ) tengan defectos
=y >, 2 defectos s!lo =, ) con defectos s!lo > y 9 sin defectos+
'A
C
9
;
<
C
2
;
2
C
)
;
)
C
)
4 K2AA
2. 8ados los e#entos = de 9 elementos, y > de Q elementos.*Cuntos e#entos de K elementos
pueden formarse si cada uno debe contener&
a0 Un solo elemento de =+
b0 Por lo menos un elemento de =+
$oluci!n&
a0
9
C
'
;
Q
C
<
4 ))9 formas.
b0
9
C
'
;
Q
C
<
R
9
C
)
;
Q
C
9
R
9
C
2
;
Q
C
2
R
9
C
9
;
Q
C
)
4 QPK formas.
1.8. PROBABILIDAD DE OCURRENCIA DE OCURRENCIA DE UN EVENTO
1.8.1. DEINICIN DE PROBABILIDAD CL!SICA
$i = es un e#ento de , la probabilidad de que ocurra el e#ento = est dada por&
P(A)" #(A) $ # ()

7
Experimento
aleatorio
Espacio
muestral
n()
Evento
(A)
n(A)

Ejemplo& $uponga que el experimento aleatorio consiste en lan"ar un dado y obser#ar el
resultado que ocurre en la cara superior del dado. Calcular la probabilidad de que
ocurra&
a0 El n%mero K.
b0 Por lo menos el n%mero 9.
c0 = lo ms el n%mero ).
d0 Por lo menos el n%mero '.
$oluci!n&
4 5', ), 2, 9, <, K7 n /0 4 K
a0 =4 5K7 n /=0 4 '
P(A)" #(A) $ # () " 1$%
b0 >4 59, <, K7 n />0 4 2.
P(B)" #(B) $ # () " 3$%
c0 C 4 5', )7 n /C0 4 ).
P(C)" #(C) $ # () "2$%
d0 8 4 5', ), 2, 9, <, K7 n /80 4 K
P(D)" #(D) $ # () "%$%
1.8.1. DEINICIN DE RECUENCIA RELATIVA
La probabilidad de un e#ento /que suceda o que resulte0 es la proporci!n de #eces
que el e#ento sucedera en una serie prolongada de e#entos repetidos.

Ejemplo&
La tabla siguiente, muestra el estado ci#il de 2A Erabajadores de una Empresa. =So )AA<.
ESTADO CIVIL
ni
SOLTERO )A
CASADO 'A
TOTAL 3&
$i se selecciona un trabajador al a"ar, *cul es la probabilidad de que sea soltero+
$oluci!n&
P(S'()*+')" 2& $ 3&
8
P(A)" #(A) $ #
()
1.,. AXIOMAS DE PROBABILIDAD
A.1. & P(A) 1
A.2. P() "1
A.3. $i = y > son dos e#entos en , tales que = y > son mutuamente excluyentes
/=> 4 0
P(AB) " P(A)-P(B)
Este axioma se puede extender para O e#entos mutuamente excluyentes =
'
, =
)
,?, =
T
,
es decir
P/ A
1
A
2
.A
/
) " P(A
1
)-P(A
2
)-.-P(A
/
)
1.1&. TEOREMAS DE PROBABILIDAD
T.1. P( ) " &
T.2. P(A0) " 11 P(A)
T.3. S2 AB P(A) P(B)
T.4. S2 A 3 B #' 4'# 56)6a5*#)* *78(63*#)*4 ( => 0
P(AB) " P(A)-P(B) 1P (AB)
T.5. S2 A9 B 3 C #' 4'# 56)6a5*#)* *78(63*#)*4
P(ABC) " P(A)-P(B)-P(C) 1P /=>0 1 P /=C0N P />C0R P /=>C0
Ejemplos&
'. La probabilidad de que la seSora (ablantina reciba por lo menos Q llamadas
telef!nicas en un da es A.) y la probabilidad de que reciba a lo ms <
llamadas telef!nicas en un da es A.2. Uallar la probabilidad de que la
seSora (ablantina reciba K ! L llamadas en un da.
$oluci!n&
4 5A,' ,) ,2 ,9 ,<, K, L, Q, P,...7
=4 5Q, P,?7 P(A) " &.2
>4 5A, ', ), 2, 9, <7 P(B)"&.3
C 4 5K, L7 P(C) " :
ABC "
9
P (ABC) " P(0
P(A) - P(B) - P(C) " 1
&.2 - &.3 - P( C) " 1 P( C) " &.5
). Un escolar entra a una tienda de golosinas. La probabilidad de que compre caramelos es
A.L, la probabilidad de que compre galletas es A.< y la probabilidad de que compre
ambos /caramelos y galletas0 es A.2. Uallar la probabilidad de compre caramelos, o
galletas o ambos.
$oluci!n&
$ean los e#entos&
= 4 El niSo compra caramelos
> 4 El niSo compra galletas
=> 4 El niSo compra caramelos y galletas
P(AB) " P(A)-P(B) 1P (AB)
" &.; - &.5 < &.3 " &.,
1.11. PROBABILIDAD CONDICIONAL
= menudo se quiere determinar la probabilidad de que ocurra un e#ento sabiendo que otro
e#ento (a ocurrido. La probabilidad condicional /o condicionada0 de que un e#ento > ocurra dado
que otro e#ento a (a ocurrido se denota por P/>6=0. Esta notaci!n se lee -. La probabilidad de que
> ocurra dado que = (a ocurrido. o simplemente la probabilidad de > dado =.
P(B$A) " P (AB) $ P(A) 9 S2 P(A)> &
E=*5>('?
Un club consiste de ciento cincuenta miembros. 8el total, 26< son (ombres y )62 son profesionales.
=dems, '62 de las mujeres son no profesionales.
a0 $e elige al a"ar un socio del club&
a.'0 Calcular la probabilidad de que sea (ombre y profesional.
a.)0 Calcular la probabilidad de que sea (ombre, dado que es profesional.
b0 $e eligen tres socios al a"ar&
b.'0 $i las tres son mujeres, *cul es la probabilidad de que s!lo l de ellas sea profesional+
b.)0 $i resultan ser del mismo sexo, *cul es la probabilidad de que sean mujeres+.
$oluci!n&
PH31E$C3F=L F3 PH31E$C3F=L E3E=L
U3D>HE /U0 KA 2A PA
DUVEH /D0 9A )A KA
E3E=L 'AA <A '<A
a0
a.'0 P(@ P) " %&$15& " &.4
a.)0 P(@$P) " P (@P) $ P(P) " (%&$15&) $ (1&&$15&) " &.%
b0
10
b.'0 = 4 Las tres son mujeres
> 4 $!lo una es profesional P/>6=0 4 /
9A
C
'
;
)A
C
)
06
KA
C
2
b.)0 = 4 Los tres son del mismo sexo
> 4 Las tres son mujeres P/>6=0 4 /
KA
C
2
06 /
PA
C
2
R
KA
C
2
0 4 A.)2
1.12. EVENTOS INDEPENDIENTES
$e dice que el e#ento > es independiente del e#ento =, si,
P/>6=0 4 P/>0
$e #erifica que, si P/>6=0 4 P/>0, entonces, P/=6>0 4 P/=0 y recprocamente
En consecuencia, podemos afirmar que&
Los e#entos = y > son independientes si, y s!lo si,
P/>6=0 4 P/>0 y P/=6>0 4 P/=0.
Esto equi#ale a decir que = y > son independientes si s!lo si
P(AB) " P (A) P(B)
Ejemplo&
$uponga que en un proceso de producci!n se utili"an las mquinas. ' y ), que trabajan en forma
independiente para producir cierto bien. $i la probabilidad de que ambas mquinas fallen es '6< y
de que falle s!lo la ) es )6'<. Calcular la probabilidad de que
a0 1alle s!lo la mquina '.
b0 La producci!n contin%e.
$oluci!n&
P/=>0 4'6< 4 26'<, P/=J>0 4 )6'<, entonces, P/>04 <6'<
=dems de P/=>0 4 P /=0 P/>0, resulta, P/=0 4 P6'<
a0
P/=>J0 4 P /=0 P/>J0 4 P6'< ; 'A6'< 4 K6'<
b0
P(=J> =>J =J>J ) " P(=J>0 R P/=>J0 R P/ =J>J )
" P(=J0 P/>0 R P/=0 P/>J0 R P/ =J0 P/>J)
4 K6'< ; <6'< R P6'<;'A6'< R K6'< ; 'A6'< 4 ')6'<
11
1.13. PROBABILIDAD TOTAL
$i O e#entos& =
'
, =
)
,..,=
T
, constituyen una partici!n del espacio muestral , entonces, para
cualquier e#ento > en ,
P/>0 4 P/=
'
0 ; P/>6=
'
0RP/=
)
0;P/>6=
)
0R?RP/=
T
0;P/>6=
T
0



=
'
=
)
? =
T

TEOREMA DE BAAES
Para cualquier e#ento =
i
de la partici!n, se tiene&
P(A
2
$B) " P (A
2
) P(B$ P(A
2
) $ P(B) 9 S2 P(B) > &
Ejemplo&
Las probabilidades de que los socios $
'
y $
)
sean elegidos presidente de un club son
respecti#amente A.9 y A.K. Las probabilidades de que se aumenten las cuotas mensuales de
los socios son de A.P si sale elegido $
'
y de A.) si sale elegido $
)
.
a0 *Cul es la probabilidad de que (aya un aumento en las cuotas mensuales de los
socios+.
b0 $i se aumenta la cuota mensual, * c!mo se modifican las probabilidades de que salgan
elegidos los socios $' y $) +.
$oluci!n&
$
'
A.P =
A.9
A.K $
)
A.)

=

a0 P/=0 4 P/$
'
0 ; P/=6$
'
0RP/$
)
0;P/=6$
)
0 4 A.9;A.P R A.K;A.) 4 A.9Q
12
B
b0
P(S
1
$A) " P (S
1
) P(A$ P(S
1
) $ P(A) " &.;5
P(S
22
$B) " P (S
2
) P(B$ P(S
2
) $ P(A) " &.25
La probabilidad de $
'
se modifica de A.9 = A.L< y la de $
)
se modifica de A.) a A.)<
LaB'+a)'+2' NC &1
'. $ean =, >, y C tres e#entos cualesquiera de un espacio muestral , expresar cada uno de
los siguientes e#entos compuestos en trminos de operaciones entre =, > y C&
a0 3curra por lo menos uno de los e#entos.
b0 3curran todos los e#entos.
c0 3curra exactamente uno de los e#entos
d0 Fo ocurran ninguno de los e#entos.
e0 Fo ocurra ms de uno de los e#entos.
). Cada uno de cuatro amigos elige una bebida al a"ar en la cafetera. 8escriba el espacio
muestral del experimento si (ay disponibles en tres sabores denominados por L, F y 1,
*cuntos elementos tiene+.
2. Un lote de F artculos contiene O defectuosos, describir el espacio muestral del n%mero
de artculos extrados (asta obtener el %ltimo defectuoso.
9. Un experimento consiste en obser#ar la #ida %til de dos objetos, describa el e#ento -la
duraci!n del primero ms la duraci!n del segundo es al menos 9 aSos..
<. En un edificio de 'A pisos entran al ascensor al primer piso tres personas. Cada una baja
al a"ar a partir del segundo piso. *8e cuntas maneras distintas estas personas pueden
bajar en pisos diferentes+.
K. Cierto producto se arma en tres etapas. En la primera (ay < lneas de ensamblado, en la
segunda K, y en la tercera 9. *8e cuntas maneras distintas puede (acerse circular el
producto durante el proceso de ensamblado+
L. Una caja contiene Q dulces de piSa, K de naranja y 9 de fresa. *Cuntos elementos tiene
el espacio muestral que resulta de extraer al a"ar un dulce de cada sabor+
Q. Cierta marca de sierra elctrica es calificada por especialistas, en cuanto a rendimiento,
como& -Duy buena., />'0, o, -buena., />)0, o -regular., />20, y en cuanto al precio,
como -cara., /C'0, o -barata., /C)0. * 8e cuntas maneras es calificada la sierra
elctrica por los especialistas+.
P. Un grupo de < (ombres y 'A mujeres, se di#ide al a"ar en < grupos de 2 personas cada
una. Calcular el n%mero de maneras en que cada grupo contenga un (ombre.
'A. *8e cuntas maneras diferentes puede un padre di#idir Q regalos entre sus 2 (ijos, si el
mayor debe recibir 9 regalos y los menores ) cada uno+
''. Un sistema est formado por dos componentes = y > cuyas probabilidades de falla son
'6K y )6'< respecti#amente. $i la probabilidad de al menos una de las dos componentes
falle es L62A, calcular la probabilidad de que&
13
a0 Finguno de las dos componentes fallen.
b0 $!lo una de las componentes falle.
'). Un lote contiene n objetos. La probabilidad de que al menos uno sea defectuoso es A.AK,
mientras que la probabilidad de que al menos dos sean defectuosos es A.A9. Calcular la
probabilidad de que&
a0 Eodos los objetos sean no defectuosos.
b0 Exactamente un objeto sea defectuoso.
'2. 8oscientas personas estn distribuidas de acuerdo a su sexo y lugar de procedencia de la
siguiente manera& '2A son (ombres, ''A son de la capital y 2A son mujeres y de
pro#incias. $i se eligen dos personas al a"ar calcular la probabilidad de que&
a0 =mbos sean (ombres y de pro#incias.
b0 =l menos uno de los dos escogidos sea mujer.
'9. Un comerciante tiene ') unidades de cierto artculo de los cuales 9 tienen alg%n tipo de
defecto. Un cliente pide para comprar 2 de tales artculos pero que no tengan defectos. $i
el comerciante escoge al a"ar y de una sola #e" 9 de tales artculos, *cul es la
probabilidad de que con las 9 unidades escogidas satisfaga el pedido del cliente+
'<. Cien personas fueron encuestadas acerca de sus preferencias sobre tres productos =, >,
y C. $e encontr! que <A prefieren el =, 2L el >, y 2A el C. =dems ') prefieren = y >, Q
s!lo = y C, < s!lo > y C, y '< s!lo C. 8e cinco personas encuestadas elegidas al a"ar,
calcular la probabilidad de que ) de ellas prefieran >, y C, ) s!lo = y >, y una prefiera
los tres productos.
'K. $i P/=04<6Q, P/>04269 y P/=6>04)62, calcular P/=6>J0
'L. $i P/>0426'<, P/>6=04'6<, y P/=>04'6'<, calcular P/=>J0
'Q. 8e )A clientes de crdito de una tienda comercial, 'AA tienen crditos menores que W
)AA, '< tienen crditos de al menos W <AA, y ''A tienen crditos menores de 9 aSos.
=dems 2A clientes tienen crditos de al menos 9 aSos y de )AA a menos de W<AA, y 'A
clientes tienen crditos al menos W<AA y menos de 9 aSos.
a0 $i se elige un cliente al a"ar, *cul es la probabilidad de que tenga crdito menos
de de 9 aSos si tiene saldo de crdito de menos de W )AA+
b0 $i se eligen dos clientes al a"ar y resultan de al menos de 9 aSos de crdito, *cul
es la probabilidad de que uno tenga saldo de crdito de W <AA o ms+
'P. $!lo el KAX de la mercadera que recibe un comerciante del fabricante = es de calidad
excepcional, mientras que el PAX de la mercadera que recibe del fabricante > es de
calidad excepcional. $in embargo la capacidad del fabricante > es limitada, y, por esta
ra"!n s!lo el 2AX de la mercadera le es permitido adquirir del fabricante >, el LAX la
adquiere de =. $e inspecciona un embarque que acaba de llegar y se encuentra que es de
calidad excepcional, *cul es la probabilidad de que pro#enga del fabricante =+.
14
2. DISTRIBUCIONES DE PROBABILIDAD
2.1. INTRPODUCCIN
En la primera unidad desarrollamos algunos modelos probabilsticas a tra#s de espacios
maestrales. Esto facilit! la comprensi!n del concepto de probabilidad y la obtenci!n de algunas
propiedades fundamentales de la teora de probabilidad, sin embargo, para estudiar situaciones
prcticas ms generales, necesitamos ampliar estos conceptos para que tengamos
distribuciones/o modelos0 de probabilidad que representen todos los tipos de #ariables definidas
e en la asignatura de Estadstica 8escripti#a. =s todo lo estudiado en tal asignatura para (acer
un tratamiento descripti#o de las #ariables cuantitati#as tendr su correspondiente
distribuci!n/ o modelo te!rico0. Estas #ariables numricas a las cuales asociamos distribuciones
de probabilidad, sern llamadas #ariables aleatorias.
).). VARIABLE ALEATORIA
Una #ariable estadstica es una caracterstica /cualitati#a o cuantitati#a0 que se mide u
obser#a en una poblaci!n. $i la poblaci!n es aleatoria y la caracterstica es cuantitati#a la
#ariable estadstica es denominada #ariable aleatoria. Las #ariables aleatorias se clasifican en
discretas y continuas.
8efinici!n. $e denomina #ariable aleatoria, a una #ariable estadstica cuantitati#a definida en un
espacio muestral .
El dominio de la #ariable aleatoria Y es el espacio muestral y el rango es un subconjunto
de los n%meros reales que denotaremos por H
Y
, siendo,
H
Y
4 5x 6 x 4 Y /@0, @ 7
Ejemplo&
$ea el espacio muestral que se obtiene al lan"ar al aire una moneda tres #eces consecuti#as,
esto, es,
4 5$$$, $$C, $C$, C$$, $CC, C$C, CC$, CCC7.
$i Y es el n%mero de caras obtenidas, entonces Y es una #ariable aleatoria cuyo rango es& H
Y
4
5A, ', ), 27.
2.2.1. VARIABLE ALEATORIA DISCRETA?
UNCIN DE PROBABILIDAD A UNCIN DE DISTRIBUCIN ACUMULADA.
2.2.1.1. PROBABILIDAD EN EL RANGO R
X
.
15
Una #ariable aleatoria discreta asume cada uno de sus #alores con cierta probabilidad que
denotaremos por P
Y
/probabilidad inducida por Y0.
En efecto, si el rango de la #ariable aleatoria Y es el conjunto finito de n%meros, H
Y
4 5', ),
?, x
n
7y si > 45x
i
7 es un e#ento en H
Y
, entonces,
P
Y
4 /5x
i
70 4 P /5x 6 Y /@0 4 x
i
70,
P[Y 4 x
i
]

4 P /5@ 6 Y /@0 4 x
i
70.
2.2.1.2. UNCIN DE PROBABILIDAD
$ea Y una #ariable aleatoria discreta. $e denomina funci!n /ley o modelo o distribuci!n0 de
probabilidad de Y a la funci!n f/x0 definida por f/x0 4 P[Y 4 x] para todo x n%mero real y que
satisface las siguientes condiciones&
i0 f/x0 Z4 A para todo x H, y ii0

Rx xi
xi f ' 0 /
F3E=$.
'. $i = H
Y
, entonces, la probabilidad de = es el n%mero&

] [
Rx xi
xi X A P P 0 /
4

Rx xi
xi f 0 /
). La funci!n de probabilidad de una #ariable aleatoria Y se puede expresar& por una ecuaci!n&
f/x0 4 P[Y 4 x] 4 expresi!n de x, o por el conjunto de pares 5/x
i
,p
i
06p
i
4 f/x
i
0, x
i
H
Y
7 o por
una tabla, si H
Y
es finito.
Galores de x
i
de Y x
'
x
)
x
2
? x
n
Probabilidad Pi 4
] [ xi X P
p
'
p
)
p
2
? p
n
La grfica de una distribuci!n de probabilidades discreta es la grfica de bastones.
Ejemplo&
$ea Y la #ariable aleatoria definida como el n%mero de caras que ocurren al lan"ar un moneda 9
#eces.
a0 8eterminar la distribuci!n de probabilidades de Y.
b0 Calcular la probabilidad P[A[Y[4)]
$3LUCC\F.
a0
f/A0 4 P[Y4A] 4 '6'K
16
f/'0 4 P[Y4'] 4 96'K
f/)0 4 P[Y4)] 4 K6'K
f/20 4 P[Y42] 4 96'K
f/90 4 P[Y49] 4 '6'K
b0
P[A[Y[4)] 4

+ +
)
'
'K 6 'A 'K 6 K 'K 6 9 0 ) / 0 ' / 0 /
k
f f k f
2.2.1.2. UNCIN DE DISTRIBUCIN ACUMULADA DE VARIABLE ALEATORIA
DISCRETA
< < ] [ ] [

x k X K
x para k f K X x X P x F 0, / P 0 /
2.2.2. VARIABLE ALEATORIA CONTINUA?
Va+2aB(* a(*a)'+2a 8'#)2#6a? 6#82D# E* E*#42EaE 3 F6#82D# E* E24)+2B682D# a8656(aEa.
2.2.2.1. 6#82D# E* E*#42EaE E* >+'BaB2(2EaE.
D*F2#282D#.
$e dice que la funci!n f/x0 es funci!n de densidad /ley o distribuci!n0 de probabilidad de la
#ariable aleatoria continua Y si satisface las siguientes condiciones&
( ) ( ) reales nmeros los de conjunto el es x todo para x f i A 0
( ) ' 0

+

dx x ii
( ) [ ] ( )

A ervalo cualquier para dx x f A x P A P iii

A
int , 0
NOTAS.
'. La condici!n i0 persona que la grfica de f/x0 no tiene puntos por debajo del eje de las
abscisas.
La condici!n ii0, indica que el rea total bajo la cur#a es igual a uno.
La condici!n iii0 expresa& probabilidad igual a rea. Esto es, si
[ ], , b a A
la probabilidad
[ ] b X a P
es igual a el rea de la regi!n limitada por la cur#a, el eje Y y las rectas Y 4 a, Y
4 b, es decir& /#er figura K.<0.
[ ] ( ) dx x f b X a P
b
a

17
). Fo es difcil #erificar que si el e#ento = es cualquier inter#alo en la recta real, entonces,
P/=0 satisface los axiomas de la probabilidad.
2. Cualquier funci!n f/x0 que satisfaga s!lo las condiciones i0 y ii0 no es probabilidad, s!lo es
probabilidad cuando la funci!n de densidad es integrada entre dos lmites. Por ejemplo, la
funci!n&
( ) . ) A Q 6 2
)
x para x x f
$atisface las condiciones i0 y ii0, pero f/x0 no es probabilidad, ya que entre otros #alores se
tiene, f/@0 4 '.<, f/'.Q0 4 '.)'<.
4. $i x
A
es cualquier #alor especfico de la #ariable aleatoria continua Y, entonces&
[ ] [ ] ( ) A
A
A
A A A


x
f x
dx x x X x P x X P
Como consecuencia se tiene&
a0
( ) A implica no A P , A
b0
[ ] [ ] [ ] [ ] b X a P b X a P b X a P b X a P < < < <
EGEMPLO %.12.
$ea f/x0 una funci!n definida en todos los n%meros reales por
a0 Uallar el #alor de la constante c para que, f/x0 sea una funci!n de densidad para alguna
#ariable aleatoria Y.
) Calcular [ ] ' A < X P
SOLUCIN.
a0 El rea de la figura K.K. debe ser igual a ', entonces,
( )
2
Q
2
'
)
A
2
)
)
A
c
x
c dx cx dx x f
1
]
1

+

18
Hesultando, c 4 26Q. Luego.
( )
[ ]
[ ]

'

) , A , A
) , A , Q 6 2
)
x si
x si x
x f
La grfica de esta funci!n de densidad est dada en la figura K.K.
b0 [ ]
Q
'
Q Q
2
' A
'
A
2 )
'
A

1
]
1

,
_

<

x
dx
x
X P
2.2.2.2. 6#82D# E* E24)+2B682D# a8656(aEa E* Ha+2aB(* a(*a)'+2a 8'#)2#6a.
D*F2#282D#.
La funci!n de distribuci!n acumulada /f.d.a.0 1/x0 de una #ariable aleatoria continua Y con
funci!n de densidad f/0, se define /#er figura K.L0 por&
( ) [ ] ( ) + < <

x para dt t f x X P x f
x
,
EGEMPLO %.13.
$ea f/x0 una funci!n de densidad de probabilidad de una #ariable aleatoria Y, cuya grfica es la
figura que sigue&
a0 8eterminar el #alor de la constante c y luego la f.d.p. de Y.
b0 Uallar la funci!n de distribuci!n acumulada 1/x0 de Y.
19
c) Usando 1/x0, calcular [ ] ) 6 < 9 6 < < X P
SOLUCIN.
a0 $i el rea que encierra la figura con el eje Y es igual a uno, entonces, c 4 ]
La funci!n de densidad se define a partir de la ecuaci!n de la recta y N'69 4 /269 ^ ]0 /2N'0 /xN
'0, o y 4 x69. Luego,
( )

'

caso otro en
x si
x
x f
. A
2 ' ,
9
b0 La funci!n de distribuci!n acumulada, se calcula por&
1/x04 A, si x Z ', 1/x0 4 ', si x Z 2.
$i ( )
Q
'
Q 9
, 2 '
)
'

x
dt
t
x F x
x
Entonces,
( )

'

>

<

2 , '
2 ' ,
Q
'
' , A
)
x si
x si
x
x si
x F
La grfica de esta funci!n de distribuci!n acumulada es la figura KNQ.
c0
')Q
L<
')Q
P
2)
)'
9
<
)
<
)
<
9
<

,
_

,
_

1
]
1

< F F X P
2.2.3. Va('+ *4>*+aE' ' *4>*+a#Ia 5a)*5J)28a.
La distribuci!n de probabilidad de una #ariable aleatoria se caracteri"a bsicamente a tra#s de
medidas de tendencia central y de la dispersi!n. Estas medidas caractersticas de la distribuci!n
denominadas parmetros se describen por medio de la esperan"a matemtica.
2.2.3.1. M*E2a E* 6#a Ha+2aB(* a(*a)'+2a.
20
La media de una #ariable aleatoria Y o media de la distribuci!n de probabilidad de Y es un
n%mero real que se denota por
x

o por

. La media es denominada tambin esperan"a

matemtica o #alor esperado de Y, y se denota tambin por E/Y0.
D*F2#282D# 1.
La media de una #ariable aleatoria discreta Y con funci!n de probabilidad f/x0 es la expresi!n&
$i el rango de Y es el conjunto finito
{ }, ... , ,
) ' n x
x x x R
entonces,
( ) ( )

n
i
i i
x f x X E
'
$i el rango de Y es el conjunto infinito numerable
{ }, ... , ,
) '
x x R
x

( ) ( )

' i
i i
x f x X E
En este caso, si la suma indicada no es igual a un n%mero real, se dice que la esperan"a de Y no
existe.
D*F2#282D# 2.
La media de una #ariable aleatoria continua Y con funci!n de densidad de probabilidad f/x0 es
la expresi!n&
( ) ( ) dx x xf X E

+

siempre que el #alor de la integral sea un n%mero real, en caso contrario, se dice que la media de
Y no existe.
EGEMPLO %.1,.
Calcular la media de la distribuci!n de probabilidad de la #ariable aleatoria Y que se define
como el n%mero de caras cuando se lan"an cuatro monedas.
SOLUCIN.
La distribuci!n de probabilidad de Y se da en la tabla KN2.
TABLA %13
x
'
A ' ) 2 9
1/x
C
0
'6'K 96'K K6'K 96'K '6'K
La media de Y es el n%mero
21
( ) ( ) )
'K
'
9
'K
9
2
'K
K
)
'K
9
'
'K
'
A
,
_

+
,
_

+
,
_

+
,
_

+
,
_

i i
x f x X E
Esto significa que si una persona lan"a 9 monedas, muc(as #eces, en promedio obtendr ) caras
por lan"amiento.
NOTA? (I#)*+>+*)a82D# E* (a *4>*+a#Ia)
Hefirindonos al ejemplo K.'P, supongamos que repetimos n #eces el lan"amiento de las cuatro
monedas y que se obtienen las frecuencias absolutas n
,
n
'
, n
)
, n
2
y n
9
de las #eces que ocurre, A,
', ), 2 y 9 caras respecti#amente. Lo que resulta es una distribuci!n de frecuencia cuyo
promedio de caras por lan"amiento es igual a
n
n
x
n
n
x
n
n
x
n
n
x
n
n
x
n
n x n x n x n x n x
X
9 2 ) ' A 9 9 2 ) A
9 2 ) ' A
9 2 ) ' A
+ + + +
+ + + +

En el clculo de E/Y0 se usan probabilidades o proporciones te!ricas, mientras que en el clculo

de X se usan frecuencias relati#as o proporciones empricas obtenidas a partir de una muestra
de tamaSo n. = medida que n #aya creciendo es de esperar que las frecuencias relati#as
empricas&
n
A
6 n, n
'
6n, n
)
6n, n
2
6n, y n
9
6n,
se #ayan aproximando a las correspondientes probabilidades '6'K, 96'K, K6'K, 96'K, K6'K, 96'K y
'6'K. En consecuencia es de esperar que X se #aya aproximando a E/Y0 a medida que n crece
indefinidamente. Entonces E/Y0 es la media que ser obtiene a -largo pla"o. o a la -larga., en
otras palabras es la media que se espera obtener.
NOTA? (M*E2a#a 3 5'Ea E* 6#a Ha+2aB(* a(*a)'+2a).
La mediana de una #ariable aleatoria Y es el n%mero De tal que&
( ) [ ] < . A Me X P Me F
Por ejemplo, acumulando las probabilidades ejemplo K.'P, resulta,
( ) , ) ' , 'K 6 < < x para x F
y
( ) . 2 ) , 'K 6 '' < x para x F
Luego en x 4 ) puede ocurrir cualquier #alor entre <6'K y ''6'K. En particular 1/)0 4 A.<. Por lo
tanto, la mediana 4 ).
Por otra parte, la moda de una #ariable aleatoria Y, es el #alor de la #ariable con mayor
probabilidad /caso directo0, o donde alcan"a su mximo /caso continuo0. En la distribuci!n del
ejemplo K.'P, la moda 4 ).
2.2.3.2. M*E2a E* 6#a F6#82D# E* 6#a Ha+2aB(* a(*a)'+2a.
22
$ea Y una #ariable aleatoria discreta con rango H
x
y funci!n de probabilidad
( ) [ ]. x X P x f
Entonces, la funci!n B 4 U/Y0, es una #ariable aleatoria con rango
( ) { } y x y R
y
6
, con funci!n de probabilidad g/y0 dada por&
( ) [ ] [ ]
( ) { }

y x R x
x
x X P y !" P y #
6
Por ejemplo, si es una #ariable aleatoria cuya distribuci!n de probabilidad est dada por la tabla
K.9, y si B 4 U/Y0 4 )Y ^ 2, entonces,
TaB(a %.4
x A ' ) 2
1/x0
'6Q 26Q 26Q 26Q
B es una #ariable aleatoria, cuya distribuci!n de probabilidades es dada por la tabla K.<, donde
( ) ( ) [ ] [ ] ( ) x f x X P x " P y #
.
U/x0 4 )x N 2 N2 N' ' 2
g/y0 4 f/x0
'6Q 26Q 26Q '6Q
El #alor esperado de U/x0 es,
( ) ( ) ( ) ( )

+ +

x f x X E
Q
2
Q
2
Q
2
Q
2
D*F2#282D#.
$i Y es una #ariable aleatoria con distribuci!n con distribuci!n de probabilidad f/x0, la media o
#alor esperado o esperan"a matemtica de la #ariable aleatoria U/x0 est dada por la expresi!n&
( ) ( ) ( ) ( )

, , discreta es X si x f x X E
i i
B por &
( ) ( ) ( ) ( ) continua es X si dx x f x X E ,

$i la suma o la integral indicadas no son iguales a un n%mero real se dice que la esperan"a de
U/x0 no existe.
2.2.3.3. Va+2a#Ia E* 6#a Ha+2aB(* a(*a)'+2a.
La #arian"a de una #ariable aleatoria Y se denota por cualquiera de las formas&
( ) ( ) X $ X $ar
x
, . , ,
) )

23
D*F2#282D#.
$ea Y una #ariable aleatoria con distribuci!n de probabilidad f/x0 y con media igual a

. La
#arian"a de Y es la expresi!n&
( ) [ ] ( ) ( )

,
) ) )
i i x
x f x X E
si Y es discreta, y
( ) [ ] ( ) ( ) ,
) ) )
dx x f x X E
x

+

si Y es continua.
siempre que la suma y al integral sean n%meros reales.
D*F2#282D#. La E*4H2a82D# *4)J#Ea+ de la #ariable aleatoria Y es la ra" cuadrada positi#a de su
#arian"a. Esto es,
)
X x
.
Una de las propiedades de la #arian"a que sea usa en el clculo es&
( ) ( ) [ ] ( )
) ) )
#ar X E X E X
EGEMPLO %.28.
Calcular la #arian"a y la des#iaci!n estndar de la distribuci!n de probabilidad de la #ariable
aleatoria Y que se define como el n%mero de caras al lan"ar cuatro monedas.
SOLUCIN.
La distribuci!n de probabilidad de Y es la tabla KNP.
Y
i
A ' ) 2 9
f/x
i
0
'6'K 96'K K6'K 96'K
'6'K
En el ejemplo K.'P, se (a calculado E/Y0 4 ). =dems,
( ) ( ) ( ) <
'K
QA
'K
'
9
'K
9
2
'K
K
)
'K
9
'
'K
'
A
) ) ) ) ) )
9
A
)
+ + + +

x x x x x x f x X E
x
Por lo tanto, ( ) ( ) ' ) <
) ) ) )
X E
x
La des#iaci!n estndar de Y es& ( ) . ' X $ar
x

EGEMPLO %.2,.
Calcular la #arian"a y la des#iaci!n estndar de la #ariable aleatoria discreta Y cuya funci!n de
probabilidad es&
( ) te cons etc x
x
e
x f
x
tan , ...., , ) , ' , A ,
_

SOLUCIN.
En el ejemplo K.) se (a calculado
( ) . X E
=dems,
24
( ) ( )
( )
( )
_
'
_ ' _
A
'
'
)
A
)
A
)
k
k e
x
e
x
e
x x f x X E
k
k
x
x
x
x x

( ) ( ) ( )


+ +

,
_

)
A A
_ _
e e e e
k
e
k
k e
k
k
k
k
Luego, la #arian"a de Y es&
( ) ( ) +
) ) ) )
X E X $ar
La des#iaci!n estndar de Y es
( )
) 6 '
X $ar
X
NOTA?
3tra forma de calcular esta #arian"a, es usando la siguiente expresi!n&
( ) [ ]
) )
' + X X E
x
En efecto,
y ,
( ) [ ] ( )
( )
) )
)
)
)
A
_ ) _
' '

e e
x
e
x
e
x x X X E
x
x
x
x
2.3. DISTRIBUCIONES DISCRETAS
Gamos a comen"ar por estudiar las principales distribuciones discretas.
2.3.1 DISTRIBUCIONES DISCRETAS? BERNOUILLI
Es aquel modelo que sigue un experimento que se reali"a una sola #e" y que puede tener E'4
4'(682'#*4& acierto o fracaso&
Cuando es a82*+)' la #ariable toma el Ha('+ 1
Cuando es F+a8a4' la #ariable toma el Ha('+ &
E=*5>('& Probabilidad de salir cara al lan"ar una moneda al aire /sale cara o no sale0,
probabilidad de ser admitido en una uni#ersidad /o te admiten o no te admiten0, probabilidad de
acertar una quiniela /o aciertas o no aciertas0
=l (aber %nicamente dos soluciones se trata de 468*4'4 8'5>(*5*#)a+2'4&
= la probabilidad de xito se le denomina K>K
= la probabilidad de fracaso se le denomina KLK
Gerificndose que&
> - L " 1
Geamos los *=*5>('4 a#)*+2'+*4 ?
E=*5>(' 1& Probabilidad de salir cara al lan"ar una moneda al aire&
25
Probabilidad de que salga cara& p 4 A,<
Probabilidad de que no salga cara& q 4 A,<
p R q 4 A,< R A,< 4 '
E=*5>(' 2& Probabilidad de ser admitido en la uni#ersidad&
Probabilidad de ser admitido& p 4 A,)<
Probabilidad de no ser admitido& q 4 A,L<
p R q 4 A,)< R A,L< 4 '
E=*5>(' 3& Probabilidad de acertar una quiniela&
Probabilidad de acertar& p 4 A,AAAA'
Probabilidad de no acertar& q 4 A,PPPPP
p R q 4 A,AAAA' R A,PPPPP 4 '
2.3.2. DISTRIBUCIONES DISCRETAS? BINOMIAL
La E24)+2B682D# B2#'52a( parte de la distribuci!n de >ernouilli&
La E24)+2B682D# E* B*+#'622(2 se aplica cuando se reali"a una sola #e" un experimento que
tiene %nicamente dos posibles resultados /xito o fracaso0, por lo que la #ariable s!lo puede
tomar dos #alores& el ' y el A
La E24)+2B682D# B2#'52a( se aplica cuando se reali"an un n%mero`n` de #eces el experimento
de >ernouiili, siendo cada ensayo independiente del anterior. La #ariable puede tomar #alores
entre&
&& si todos los experimentos (an sido fracaso
#& si todos los experimentos (an sido xitos
E=*5>('? se tira una moneda 'A #eces& *cuantas caras salen+ $i no (a salido ninguna la #ariable
toma el #alor A, si (an salido dos caras la #ariable toma el #alor ), si todas (an sido cara la
#ariable toma el #alor 'A
La E24)+2B682D# E* >+'BaB2(2EaE de este tipo de distribuci!n sigue el siguiente modelo&
*=lguien entiende esta f!rmula+ Gamos a tratar de explicarla con un ejemplo&
E=*5>(' 1? *Cul es la probabilidad de obtener K caras al lan"ar una moneda 'A #eces+
26
K M K es el n%mero de aciertos. En este ejemplo ` O ` igual a K /en cada acierto decamos que la
#ariable toma el #alor '& como son K aciertos, entonces O 4 K0
K #K es el n%mero de ensayos. En nuestro ejemplo son 'A
K > K es la probabilidad de xito, es decir, que salga K8a+aK al lan"ar la moneda. Por lo tanto p
4 A,<
La f!rmula quedara&
Luego,
P (7 " %) " &92&5
Es decir, se tiene una probabilidad del )A,<X de obtener K caras al lan"ar 'A #eces una moneda.
E=*5>(' 2? *Cul es la probabilidad de obtener cuatro #eces el n%mero 2 al lan"ar un dado oc(o
#eces+
K M K /n%mero de aciertos0 toma el #alor 9
K #K toma el #alor Q
K > K /probabilidad de que salga un 2 al tirar el dado0 es ' 6 K /4 A,'KKK0
La f!rmula queda&
Luego,
P (7 " 4) " &9&2%
Es decir, se tiene una probabilidad del ),KX de obtener cuatro #eces el n%meros 2 al tirar un
dado Q #eces.
2.3.3. DISTRIBUCIONES DISCRETAS? POISSON
Cuando la #ariable aleatoria Y es el n%mero de e#entos que ocurren en un inter#alo de tiempo
#olumen o espacio de dice que sigue una distribuci!n de Poisson. Como por ejemplo. El n%mero
de accidentes en una fbrica durante un aSo, el n%mero de prestamos solicitados a una agencia
>ancaria durante un aSo, el n%mero de errores que se cometen al tejer )A pies cuadrados de tela,
el n%mero de bacterias que se reproducen en un centmetro c%bico de agua, etc.
27
La E24)+2B682D# E* P'244'# sigue el siguiente modelo&
Gamos a explicarla&
El n%mero K*K es ),L'Q)Q
K K 4 n ; p /es decir, el n%mero de #eces ` n ` que se reali"a el experimento multiplicado por la
probabilidad ` p ` de xito en cada ensayo0
K M K es el n%mero de xito cuya probabilidad se est calculando
Geamos un *=*5>('&
La probabilidad de tener un accidente de trfico es de A,A) cada #e" que se #iaja, si se reali"an
2AA #iajes, *cual es la probabilidad de tener 2 accidentes+
Como la probabilidad ` p ` es menor que A,', y el producto ` n ; p ` es menor que 'A, entonces
aplicamos el modelo de distribuci!n de Poisson.
Luego,
P /x 4 20 4 A,AQP)
Por lo tanto, la probabilidad de tener 2 accidentes de trfico en 2AA #iajes es del Q,PX
3tro *=*5>('&
La probabilidad de que un niSo na"ca pelirrojo es de A,A'). *Cul es la probabilidad de que
entre QAA recien nacidos (aya < pelirrojos+
Luego,
P /x 4 <0 4 9,KA)
Por lo tanto, la probabilidad de que (aya < pelirrojos entre QAA recien nacidos es del 9,KX.

28
2.4. DISTRIBUCIONES CONTINUAS? NORMAL

Es el 5'E*(' E* E24)+2B682D# 5J4 6)2(2IaE' en la prctica, ya que multitud de fen!menos se
comportan seg%n una distribuci!n normal.
Esta distribuci!n de caracteri"a porque los #alores se distribuyen formando una 8a5>a#a E*
Ga644, en torno a un #alor central que coincide con el #alor medio de la distribuci!n&
Un <AX de los #alores estn a la derc(a de este #alor central y otro <AX a la i"quierda
Esta distribuci!n #iene definida por E'4 >a+J5*)+'4&
X? N (,
2
)
; es el #alor medio de la distribuci!n y es precisamente donde se sit%a el centro de la cur#a /de
la campana de Iauss0.

2
& es la #arian"a. Cndica si los #alores estn ms o menos alejados del #alor central& si la
#arian"a es baja los #alores estn pr!ximos a la media, si es alta, entonces los #alores estn muy
dispersos.
Cuando la media de la distribuci!n es A y la #arian"a es 'se denomina K#'+5a( *4)J#Ea+ `, y
su #entaja reside en que (ay tablas donde se recoge la probabilidad acumulada para cada punto
de la cur#a de esta distribuci!n.
=dems, )'Ea E24)+2B682D# #'+5a( 4* >6*E* )+a#4F'+5a+ *# 6#a #'+5a( *4)J#Ea+?
E=*5>('? una #ariable aleatoria sigue el modelo de una distribuci!n normal con media 'A y
#arian"a 9. Eransformarla en una normal *4)J#Ea+.
Y& F /'A, 90
Para transformarla en una normal *4)J#Ea+ 4* 8+*a 6#a #6*Ha Ha+2aB(* /B0 que ser 2N6a( a (a
a#)*+2'+ (X) 5*#'4 46 5*E2a 3 E2H2E2Ea >'+ 46 E*4H2a82D# )O>28a /que es la ra" cuadrada de
la #arian"a0
En el ejemplo, la nue#a #ariable sera&
29
Esta nue#a #ariable se distribuye como una normal *4)J#Ea+, permitindonos, por tanto,
conocer la probabilidad acumulada en cada #alor.
2.4.1. DISTRIBUCIONES EST!NDAR? NORMAL
A &9&& &9&1 &9&2 &9&3 &9&4 &9&5 &9&% &9&; &9&8 &9&,
&9& A,<AAA A,<A9A A,<AQA A,<')A A,<'KA A,<'PP A,<)2P A,<)LP A,<2'P A,<2<P
&91 A,<2PQ A,<92Q A,<9LQ A,<<'L A,<<<L A,<<PK A,<K2K A,<KL< A,<L'9 A,<L)2
&92 A,<LP2 A,<Q2) A,<QL' A,<P'A A,<P9Q A,<PQL A,KA)K A,KAK9 A,K'A2 A,K'9'
&93 A,K'LP A,K)'L A,K)<< A,K)P2 A,K22' A,K2KQ A,K9AK A,K992 A,K9QA A,K<'L
&94 A,K<<9 A,K<P' A,KK)Q A,KKK9 A,KLAA A,KL2K A,KLL) A,KQAQ A,KQ99 A,KQLP
&95 A,KP'< A,KP<A A,KPQ< A,LA'P A,LA<9 A,LAQQ A,L')2 A,L'<L A,LAPA A,L))9
&9% A,L)<L A,L)P' A,L2)9 A,L2<L A,L2QP A,L9)) A,L9<9 A,L9QK A,L<'L A,L<9P
&9; A,L<QA A,LK'' A,LK9) A,LKL2 A,LLA9 A,LL29 A,LLK9 A,LLP9 A,LQ'2 A,LQ<)
&98 A,LQQ' A,LP'A A,LP2P A,LPKL A,LPP< A,QA)2 A,QA<' A,QALQ A,Q'AK A,Q'22
&9, A,Q'<P A,Q'QK A,Q)') A,Q)2Q A,Q)K9 A,Q)QP A,Q2'< A,Q29A A,Q2K< A,Q2QP
19& A,Q9'K A,Q92Q A,Q9K' A,Q9Q< A,Q<AQ A,Q<2' A,Q<<9 A,Q<LL A,Q<PP A,QK)'
191 A,QK92 A,QKK< A,QKQK A,QLAQ A,QL)P A,QL9P A,QLLA A,QLPA A,QQ'A A,QQ2A
192 A,QQ9P A,QQKP A,QQQQ A,QPAL A,QP)< A,QP99 A,QPK) A,QPQA A,QPPL A,PA'<
193 A,PA2) A,PA9P A,PAKK A,PAQ) A,PAPP A,P''< A,P'2' A,P'9L A,P'K) A,P'LL
194 A,P'P) A,P)AL A,P))) A,P)2K A,P)<' A,P)K< A,P)LP A,P)P) A,P2AK A,P2'P
195 A,P22) A,P29< A,P2<L A,P2LA A,P2Q) A,P2P9 A,P9AK A,P9'Q A,P9)P A,P99'
19% A,P9<) A,P9K2 A,P9L9 A,P9Q9 A,P9P< A,P<A< A,P<'< A,P<)< A,P<2< A,P<9<
19; A,P<<9 A,P<K9 A,P<L2 A,P<Q) A,P<P' A,P<PP A,PKAQ A,PK'K A,PK)< A,PK22
198 A,PK9' A,PK9P A,PK<K A,PKK9 A,PKL' A,PKLQ A,PKQK A,PKP2 A,PKPP A,PLAK
19, A,PL'2 A,PL'P A,PL)K A,PL2) A,PL2Q A,PL99 A,PL<A A,PL<K A,PLK' A,PLKL
29& A,PLL)< A,PLLLQ A,PLQ2' A,PLQQ) A,PLP2) A,PLPQ) A,PQA2A A,PQALL A,PQ')9 A,PQ'KP
291 A,PQ)'9 A,PQ)<L A,PQ2AA A,PQ29' A,PQ2Q) A,PQ9)) A,PQ9K' A,PQ<AA A,PQ<2L A,PQ<L9
292 A,PQK'A A,PQK9< A,PQKLP A,PQL'2 A,PQL9< A,PQLLQ A,PQQAP A,PQQ9A A,PQQLA A,PQQPP
293 A,PQP)Q A,PQP<K A,PQPQ2 A,PPA'A A,PPA2K A,PPAK' A,PPAQK A,PP''' A,PP'29 A,PP'<Q
294 A,PP'QA A,PP)A) A,PP))9 A,PP)9< A,PP)KK A,PP)QK A,PP2A< A,PP2)9 A,PP292 A,PP2K'
295 A,PP2LP A,PP2PK A,PP9'2 A,PP92A A,PP99K A,PP9K' A,PP9LL A,PP9P) A,PP<AK A,PP<)A
29% A,PP<29 A,PP<9L A,PP<KA A,PP<L2 A,PP<Q< A,PP<PQ A,PPKAP A,PPK)' A,PPK2) A,PPK92
29; A,PPK<2 A,PPKK9 A,PPKL9 A,PPKQ2 A,PPKP2 A,PPLA) A,PPL'' A,PPL)A A,PPL)Q A,PPL2K
298 A,PPL99 A,PPL<) A,PPLKA A,PPLKL A,PPLL9 A,PPLQ' A,PPLQQ A,PPLP< A,PPQA' A,PPQAL
29, A,PPQ'2 A,PPQ'P A,PPQ)< A,PPQ2' A,PPQ2K A,PPQ9' A,PPQ9K A,PPQ<' A,PPQ<K A,PPQK'
PCD5' 4* (** *4)a )aB(a:
La columna de la i"quierda indica el #alor cuya probabilidad acumulada queremos conocer. La
primera fila nos indica el segundo decimal del #alor que estamos consultando.
E=*5>('? queremos conocer la probabilidad acumulada en el #alor ),L<.Entonces buscamos en
la columna de la i"quierda el #alor ),L y en la primera fila el #alor A,A<. La casilla de la
intersecci!n es su probabilidad acumulada /A,PPLA), es decir PP.LX0.
A)*#82D#& la tabla nos da la probabilidad acumulada, es decir, la que #a desde el inicio de la
cur#a por la i"quierda (asta dic(o #alor. Fo nos da la probabilidad concreta en ese punto. En
30
una distribuci!n continua en el que la #ariable puede tomar infinitos #alores, la probabilidad en
un punto concreto es prcticamente despreciable.
E=*5>('? Cmaginemos que una #ariable continua puede tomar #alores entre A y <. La
probabilidad de que tome exactamente el #alor ) es despreciable, ya que podra tomar infinitos
#alores& por ejemplo& ',PP, ',PP9, ',PPKL, ',PPPQ, 'PPPLP', etc.
Geamos ')+'4 *=*5>('4&
Probabilidad acumulada en el #alor A,KL& la respuesta es A,L9QK
Probabilidad acumulada en el #alor ',2<& la respuesta es A,P''<
Probabilidad acumulada en el #alor ),'P& la respuesta es A,PQ<L9
Geamos a(ora, como podemos 6)2(2Ia+ *4)a )aB(a 8'# 6#a E24)+2B682D# #'+5a(&
E=*5>('? el salario medio de los empleados de una empresa se distribuye seg%n una
distribuci!n normal, con media < millones de ptas. y des#iaci!n tpica ' mill!n de ptas. Calcular
el porcentaje de empleados con un sueldo inferior a L millones de ptas.
Lo primero que (aremos es transformar esa distribuci!n en una normal estndar, para ello se
crea una nue#a #ariable /B0 que ser igual a la anterior /Y0 menos su media y di#idida por la
des#iaci!n tpica
En el ejemplo, la nue#a #ariable sera&
Esta nue#a #ariable se distribuye como una normal estndar. La #ariable B que corresponde a
una #ariable Y de #alor L es&
Ba podemos consultar en la tabla la probabilidad acumulada para el #alor ) /equi#alente a la
probabilidad de sueldos inferiores a L millones de ptas.0. Esta probabilidad es A,PLL)<
Por lo tanto, el porcentaje de empleados con salarios inferiores a L millones de ptas. es del
PL,L)<X.
EGERCICIOS
31

E=*+8282' 1? La renta media de los (abitantes de un pas es de 9 millones de ptas6aSo, con una
#arian"a de ',<. $e supone que se distribuye seg%n una distribuci!n normal. Calcular&
a0 Porcentaje de la poblaci!n con una renta inferior a 2 millones de ptas.
b0 Henta a partir de la cual se sit%a el 'AX de la poblaci!n con mayores ingresos.
c0 Cngresos mnimo y mximo que engloba al KAX de la poblaci!n con renta media.
a) P'+8*#)a=* E* (a >'B(a82D# 8'# 6#a +*#)a 2#F*+2'+ a 3 52(('#*4 E* >)a4.
Lo primero que tenemos que (acer es calcular la normal estndar&
/;0 Hecordemos que el denominador es la des#iaci!n tpica / ra" cuadrada de la #arian"a0
El #alor de B equi#alente a 2 millones de ptas es NA,Q'K.
P /Y [ 20 4 P /B [ NA,Q'K0
=(ora tenemos que #er cul es la probabilidad acumulada (asta ese #alor. Eenemos un
problema& la tabla de probabilidades /#er lecci!n 2<0 s!lo abarca #alores positi#os, no obstante,
este problema tiene fcil soluci!n, ya que la distribuci!n normal es simtrica respecto al #alor
medio.
Por lo tanto&
P /B [ NA,Q'K0 4 P /B Z A,Q'K0
Por otra parte, la probabilidad que (ay a partir de un #alor es igual a ' /'AAX0 menos la
probabilidad acumulada (asta dic(o #alor&
P /B Z A,Q'K0 4 ' N P /B [ A,Q'K0 4 ' N A,LP)< /aprox.0 4 A,)AL<
Luego, el )A,L<X de la poblaci!n tiene una renta inferior a 2 millones ptas.
B) N2H*( E* 2#N+*4'4 a >a+)2+ E*( 86a( 4* 42)Qa *( 1&R E* (a >'B(a82D# 8'# +*#)a 5J4
*(*HaEa.
Gemos en la tabla el #alor de la #ariable estndar cuya probabilidad acumulada es el A,P /PAX0,
lo que quiere decir que por encima se sit%a el 'AX superior.
Ese #alor corresponde a B 4 ',)Q) /aprox.0. =(ora calculamos la #ariable normal Y equi#alente
a ese #alor de la normal estndar&
32
8espejando Y, su #alor es <,<L. Por lo tanto, aquellas personas con ingresos superiores a <,<L
millones de ptas. constituyen el 'AX de la poblaci!n con renta ms ele#ada.
8) N2H*( E* 2#N+*4'4 5O#25' 3 5J725' L6* *#N('Ba a( %&R E* (a >'B(a82D# 8'# +*#)a
5*E2a
Gemos en la tabla el #alor de la #ariable normali"ada B cuya probabilidad acumulada es el A,Q
/QAX0. Como sabemos que (asta la media la probabilidad acumulada es del <AX, quiere decir
que entre la media y este #alor de B (ay un 2AX de probabilidad.
Por otra parte, al ser la distribuci!n normal simtrica, entre NB y la media (ay otro 2AX de
probabilidad. En definiti#a, el segmento /NB, B0 engloba al KAX de poblaci!n con renta media.
El #alor de B que acumula el QAX de la probabilidad es A,Q9) /aprox.0, por lo que el segmento
#iene definido por /NA,Q9), RA,Q9)0. =(ora calculamos los #alores de la #ariable Y
correspondientes a estos #alores de B.
Los #alores de Y son ),PL y <,A2. Por lo tanto, las personas con ingresos superiores a ),PL
millones de ptas. e inferiores a <,A2 millones de ptas. constituyen el KAX de la poblaci!n con un
ni#el medio de renta.

E=*+8282' 2? La #ida media de los (abitantes de un pas es de KQ aSos, con una #arian"a de )<.
$e (ace un estudio en una pequeSa ciudad de 'A.AAA (abitantes&
a0 *Cuntas personas superarn pre#isiblemente los L< aSos+
b0 *Cuntos #i#irn menos de KA aSos+
a) P*+4'#a4 L6* H2H2+J# (>+*H242B(*5*#)*) 5J4 E* ;5 aS'4
Calculamos el #alor de la normal tipificada equi#alente a L< aSos
Por lo tanto
P /Y Z L<0 4 /B Z ',90 4 ' N P /B [ ',90 4 ' N A,P'P) 4 A,AQAQ
Luego, el Q,AQX de la poblaci!n /QAQ (abitantes0 #i#irn ms de L< aSos.
B) P*+4'#a4 L6* H2H2+J# (>+*H242B(*5*#)*) 5*#'4 E* %& aS'4
Calculamos el #alor de la normal tipificada equi#alente a KA aSos
Por lo tanto
33
P /Y [ KA0 4 /B [ N',K0 4 P /B Z ',K0 4 ' N P /B [ ',K0 4 A,A<9Q
Luego, el <,9QX de la poblaci!n /<9Q (abitantes0 no llegarn probablemente a esta edad.
E=*+8282' 3? El consumo medio anual de cer#e"a de los (abitantes de un pas es de <P litros, con
una #arian"a de 2K. $e supone que se distribuye seg%n una distribuci!n normal.
a0 $i usted presume de buen bebedor, *cuntos litros de cer#e"a tendra que beber al aSo para
pertenecer al <X de la poblaci!n que ms bebe+
b0 $i usted bebe 9< litros de cer#e"a al aSo y su mujer le califica de borrac(o *qu podra
argumentar en su defensa+
a) 5R E* (a >'B(a82D# L6* 5J4 B*B*.
Gemos en la tabla el #alor de la #ariable estndar cuya probabilidad acumulada es el A,P< /P<X0,
por lo que por arriba estara el <X restante.
Ese #alor corresponde a B 4 ',K9< /aprox.0. =(ora calculamos la #ariable normal Y equi#alente
a ese #alor de la normal estndar&
8espejando Y, su #alor es KL,QL. Por lo tanto, tendra usted que beber ms de KL,QL litros al aSo
para pertenecer a ese `selecto` club de grandes bebedores de cer#e"a.
B) U4)*E B*B* 45 (2)+'4 E* 8*+H*Ia a( aS'. PE4 64)*E 6# B'++a8T':
Gamos a #er en que ni#el de la poblaci!n se situara usted en funci!n de los litros de cer#e"a
consumidos.
Calculamos el #alor de la normal estndar correspondiente a 9< litros&
Por lo tanto
P /Y [ 9<0 4 /B [ N),)0 4 P /B Z ),)0 4 ' N P /B [ ),)0 4 A,A'2P
Luego, tan s!lo un ',2PX de la poblaci!n bebe menos que usted. Parece un argumento de
suficiente peso para que dejen de catalogarle de `enamorado de la bebida`

E=*+8282' 4? = un examen de oposici!n se (an presentado ).AAA aspirantes. La nota media (a
sido un <,<, con una #arian"a de ',<.
34
a0 Ean s!lo (ay 'AA pla"as. Usted (a obtenido un L,L. *$era oportuno ir organi"ando una fiesta
para celebrar su xito+
b0 Ga a (aber una )a oportunidad para el )AX de notas ms altas que no se (ayan clasificados.
*= partir de que nota se podr participar en esta `repesca`+
a) @a 'B)*#2E' 64)*E 6# ;9;
Gamos a #er con ese L,L en que ni#el porcentual se (a situado usted, para ello #amos a
comen"ar por calcular el #alor de la normal estndar equi#alente.
= este #alor de B le corresponde una probabilidad acumulada /#er tablas0 de A,PQ)'9
/PQ,)'9X0, lo que quiere decir que por encima de usted tan s!lo se encuentra un ',LQKX.
$i se (an presentado ).AAA aspirante, ese ',LQKX equi#ale a unos 2K aspirantes. Por lo que si
(ay 'AA pla"as disponibles, tiene usted suficientes probabilidades como para ir organi"ando la
`mejor de las fiestas`.
B) KR*>*48aK >a+a *( 2&R E* ('4 8a#E2Ea)'4
Gemos en la tabla el #alor de la normal estndar que acumula el QAX de la probabilidad, ya que
por arriba s!lo quedara el )AX restante.
Este #alor de B corresponde a A,Q9) /aprox.0. =(ora calculamos el #alor de la normal Y
equi#alente&
8espejamos la Y y su #alor es K,2Q. Por lo tanto, esta es la nota a partir de la cual se podr
acudir a la `repesca`.
2.5. T*'+*5a C*#)+a( E*( LO52)*
El T*'+*5a C*#)+a( E*( LO52)* dice que si tenemos un grupo numeroso de #ariables
independientes y todas ellas siguen el mismo modelo de distribuci!n /cualquiera que ste sea0,
la suma de ellas se distribuye seg%n una E24)+2B682D# #'+5a(.
E=*5>('& la #ariable `tirar una moneda al aire` sigue la distribuci!n de >ernouilli. $i lan"amos
la moneda al aire <A #eces, la suma de estas <A #ariables /cada una independiente entre si0 se
distribuye seg%n una distribuci!n normal.
Este teorema se aplica tanto a suma de #ariables discretas como de #ariables continuas.
Los parmetros de la distribuci!n normal son&
35
M*E2a& n * /media de la #ariable indi#idual multiplicada por el n%mero de #ariables
independientes0
Va+2a#Ia: n *
2
b/#arian"a de la #ariable indi#idual multiplicada por el n%mero de #ariables
indi#iduales0
Geamos un *=*5>('&
$e lan"a una moneda al aire 'AA #eces, si sale cara le damos el #alor ' y si sale cru" el #alor A.
Cada lan"amiento es una #ariable independiente que se distribuye seg%n el modelo de
>ernouilli, con media A,< y #arian"a A,)<.
Calcular la probabilidad de que en estos 'AA lan"amientos salga ms de KA caras.
La #ariable suma de estas 'AA #ariables independientes se distribuye, por tanto, seg%n una
distribuci!n normal.
Dedia 4 'AA ; A,< 4 <A
Garian"a 4 'AA ; A,)< 4 )<
Para #er la probabilidad de que salgan ms de KA caras calculamos la #ariable normal estndar
equi#alente&
/;0 < es la ra" cuadrada de )<, o sea la des#iaci!n tpica de esta distribuci!n
Por lo tanto&
P /Y Z KA0 4 P /B Z ),A0 4 'N P /B [ ),A0 4 ' N A,PLL) 4 A,A))Q
Es decir, la probabilidad de que al tirar 'AA #eces la moneda salga ms de KA caras es tan s!lo
del ),)QX
EGERCICIOS
E=*+8282' 1.
La renta media de los (abitantes de un pas se distribuye uniformemente entre 9,A millones ptas.
y 'A,A millones ptas. Calcular la probabilidad de que al seleccionar al a"ar a 'AA personas la
suma de sus rentas supere los L)< millones ptas.
Cada renta personal es una #ariable independiente que se distribuye seg%n una funci!n
uniforme. Por ello, a la suma de las rentas de 'AA personas se le puede aplicar el T*'+*5a
C*#)+a( E*( LO52)*.
La 5*E2a y Ha+2a#Ia de cada #ariable indi#idual es&
36
= (4 + 10 ) / 2 = 7
2 = (10 - 4)^2 / 12 = 3
Por tanto, la suma de las 'AA #ariables se distribuye seg%n una normal cuya 5*E2a y Ha+2a#Ia
son&
M*E2a& n * = 100 * 7 = 700
Va+2a#Ia: n * 2 = 100 * 3 = 300
Para calcular la probabilidad de que la suma de las rentas sea superior a L)< millones ptas,
comen"amos por calcular el #alor equi#alente de la #ariable normal tipificada&
Luego&
P (X > 725) = P (Y > 1,44) = 1 - P (Y < 1,44) = 1 - 0,9251 = 0,0749
Es decir, la probabilidad de que la suma de las rentas de 'AA personas seleccionadas al a"ar
supere los L)< millones de pesetas es tan s!lo del L,9PX
E=*+8282' 2.
En una asignatura del colegio la probabilidad de que te saquen a la pi"arra en cada clase es del
'AX. = lo largo del aSo tienes 'AA clases de esa asignatura. *Cul es la probabilidad de tener
que salir a la pi"arra ms de '< #eces+
$e #uel#e a aplicar el T*'+*5a C*#)+a( E*( LO52)*.
$alir a la pi"arra es una #ariable independiente que sigue el modelo de distribuci!n de
>ernouilli&
KSa(2+ a (a >2Ia++aK, le damos el #alor ' y tiene una probabilidad del A,'A
KN' 4a(2+ a (a >2Ia++aK, le damos el #alor A y tiene una probabilidad del A,P
La 5*E2a y la Ha+2a#Ia de cada #ariable independientes es&
= 0,10
2 = 0,10 * 0,90 = 0,09
Por tanto, la suma de las 'AA #ariables se distribuye seg%n una normal cuya 5*E2a y Ha+2a#Ia
son&
M*E2a: n * = 100 * 0,10 = 10
Va+2a#Ia: n * 2 = 100 * 0,09 = 9
37
Para calcular la probabilidad de salir a la pi"arra ms de '< #eces, calculamos el #alor
equi#alente de la #ariable normal estndar&
Luego&
P (X > 15) = P (Y > 1,67) = 1 - P (Y < 1,67) = 1 - 0,9525 = 0,0475
Es decir, la probabilidad de tener que salir ms de '< #eces a la pi"arra a lo largo del curso es
tan s!lo del 9,L<X
E=*+8282' 3.
Un da #isitamos el Casino y decidimos jugar en la ruleta. Fuestra apuesta #a a ser siempre al
negro y cada apuesta de <AA ptas. Lle#amos 'A.AAA ptas. y queremos calcular que probabilidad
tenemos de que tras jugar QA #eces consigamos doblar nuestro dinero.
Cada jugada es una #ariable independiente que sigue el modelo de distribuci!n de >ernouilli.
KSa(2+ #*N+'K, le damos el #alor ' y tiene una probabilidad del A,9Q<
KN' 4a(2+ #*N+'K, le damos el #alor A y tiene una probabilidad del A,<'<
/;0 La probabilidad de `no salir negro` es mayor ya que puede salir rojo o el cero
La media y varianza de ada !a"#a$%e #nd#!#d&a% e':
= 0,4(5
2 = 0,4(5 * 0,515 = 0,25
= la suma de las QA apuestas se le aplica el T*'+*5a C*#)+a( E*( LO52)*, por lo que se
distribuye seg%n una normal cuya 5*E2a y Ha+2a#Ia son&
M*E2a& # * = (0 * 0,4(5 = 3(,(
Va+2a#Ia& # * 2 = (0 * 0,25 = 20
Para doblar nuestro dinero el negro tiene que salir al menos )A #eces ms que el rojo /)A ; <AA
4 'A.AAA0, por lo que tendr que salir como mnimo <A #eces /implica que el rojo o el cero
salgan como mximo 2A #eces0.
Comen"amos por calcular el #alor equi#alente de la #ariable normal tipificada:
Luego&
P (X > 50) = P (Y > 2,50) = 1 - P (Y < 2,50) = 1 - 0,993( = 0,0062
38
Es decir, la probabilidad de doblar el dinero es tan s!lo del A,K)X /as, que ms #ale que nos
pongamos a trabajar0.

E=*+8282' 4.
El precio de una acci!n en bolsa se mue#e aleatoriamente entre 'A ptas. y )A ptas., con la misma
probabilidad en todo el tramo. Uemos dado la orden a nuestro broOer de que nos compre
paquetes de '.AAA acciones cada da durante las pr!ximas 9A sesiones.
Una #e" ejecutada la orden, tenemos un total de 9A.AAA acciones. = final de aSo #endemos todas
las acciones al precio de '2 ptas.6acci!n, recibiendo <)A.AAA ptas. Calcular la probabilidad de
que ganemos dinero en esta operaci!n.
El precio de cada paquete comprado es una #ariable aleatoria independiente que se distribuye
uniformemente entre 'A.AAA ptas y )A.AAA ptas. $u 5*E2a y Ha+2a#Ia son&
= (10)000 + 20)000 ) / 2 = 15)000
2 = (20)000 - 10)000)^2 / 12 = (33,3
El precio total de los 9A paquetes comprados se distribuye seg%n una distribuci!n normal cuya
5*E2a y Ha+2a#Ia son&
M*E2a& # * = 40 * 15)000 = 600)000
Va+2a#Ia& # * 2 = 40 * (33,3 = 33)333,3
Para estimar la probabilidad de que ganemos dinero, calculamos el #alor equi#alente de la
#ariable normal tipificada&
Luego&
P (X > 520)000) = P (Y > 2,40) = 1 - P (Y < 2,40) = 1 - 0,991( = 0,00(2
Por tanto, la probabilidad de que ganemos dinero con la `dic(osa` operaci!n es tan s!lo del
A,Q)X
2.%. A>+'725a82D# E* (a P'244'# a (a #'+5a(.
$ean Y
'
, Y
)
?m Y
n
, n, #ariables aleatorias independientes e idnticamente distribuidas como
Poisson cada una con promedio en un inter#alo dado. Es decir en el mismo inter#alo cada Y
i
,
ocurre con media y #arian"a iguales a . Entonces, para n suficientemente grande la #ariable&
i
n
i
X X

'
tiene distribuci!n de Poisson con media y #arian"as iguales a n .
39
en consecuencia, por el teorema del lmite central, la #ariable aleatoria&

n
n X
%

Eiene aproximadamente distribuci!n F/A,'0, cuando n es suficientemente grande.

La aproximaci!n es buena si
< > n
.
EGEMPLO?
El promedio del n%mero de accidentes de trabajo en una fbrica es ) cada semana. Calcular la
probabilidad de que se produ"can ms de 2A accidentes durante <A semanas.
SOLUCIN.
$ea Yi
,
c de accidentes por semana con un promedio de
, '
Entonces,
i
i
X X

<A
'
es el n%mero de accidentes en )< semanas.
tiene distribuci!n de Poisson con media y #arian"as iguales a
'AA ) <A x n
Por el teorema del lmite central, la #ariable aleatoria&
'A
'AA

X
n
n X
%

Eiene aproximadamente distribuci!n F/A','0.

[ ] [ ] [ ] AL2< . A 9< . ' < . ''9 ''< % P X P X P
LaB'+a)'+2' NC &2
B2#'52aI
'. $i X&'(n)p* tal que E(X*,- y $(X*,./0 ,calcular& P1X>,-2/
). Un estudiante contesta al a"ar /o sea sin saber nada0 a P preguntas, siendo cada una de 9
respuestas de las cuales s!lo una es la correcta.
a0 8eterminar la distribuci!n de probabilidades del n%mero de preguntas contestadas
correctamente.
b0 $i para aprobar tal examen debe contestar correctamente al menos K preguntas, *cul es la
probabilidad de aprobar el examen+
40
.
2. En una producci!n, la probabilidad de que un objeto sea defectuoso es A.). $i en una muestra
de n de tales objetos escogidos al a"ar uno por uno, se espera que (aya un defectuoso,
a0 calcular la probabilidad de que (aya un objeto defectuoso.
b0 *cuntos objetos defectuosos es ms probabled que ocurra+
9. El L<X de la mercadera que recibe un comerciante del fabricante = es de calidad
excepcional, mientras que el QAdX de la mercadera que recibe del fabricante > es de calidad
excepcional. El KAX del total de la mercadera lo adquiere de = y el resto de >. $i se
seleccionan 9 unidades de la mercadera, *qu probabilidad (ay de que se encuentren ) unidades
que sean de calidad excepcional+
<. En una empresa donde los empleados son QAX (ombres y )AX mujeres estn aptos para
jubilarse el 'AX de las mujeres y el 'AX de los (ombres. 8e cinco solicitudes para jubilarse,
*cul es la probabilidad de que al menos dos estn aptos para jubilarse+
K. Un #endedor a domicilio compra diariamente 'A unidades de un producto a W) cada una. Por
cada uno, gana '2W si #ende o pierde 'W si no #ende en el da. $i la probabilidad de #enta de
cada unidad es A.) y si las #entas son independientes
a0 (allar la distribuci!n de probabilidad de las unidades #endidas.
b0 calcular la utilidad esperada del #endedor.
L. Una computadora utili"ada por un sistema bancario de )9 (oras asigna cada transacci!n [tC
a"ar y con igual probabilidad. a una de cinco posiciones de memoria& ', ), 2, 9, <. $i al terminar
el periodo nocturno de un da se (an registrado ' $ transacciones, *cul es la probabilidad de
que el n%mero de transacciones efectuadas a las posiciones de memoria par sea mayor que 2+
Q. Una secretaria que debe llegar a la oficina a las Q de la maSana, se retrasa '< minutos en eld
)AX de las #eces. El gerente de la compaSa que no llega si no (asta las 'A de la maSana llama
ocasionalmente a la oficina entre las Q y Q.'< de la maSana. Para dictar una carta. Calcular la
probabilidad de que en < maSanas por lo menos una no encuentre a la secretaria.
P. =l reali"ar un experimento, la probabilidad de lograr el objeti#o es A.9. $i se reali"a el
experimento )A #eces bajo las mismas condiciones y asumiendo resultados independientes
a0 Calcular la probabilidad de lograr el objeti#o por lo menos en tres de las )A #eces
b0 El costo de reali"ar el experimento es de 34/5677) si se logra el objeti#o, y de 38/-777 si no se
logra. Calcular el costo esperado para reali"ar el experimento.
P'244'#
'A. Ee n%mero medio de autom!#iles que llegan a una garita de peaje es de ')A por (ora.
a0 Calcular la probabilidad de que en un minuto cualquiera no llegue autom!#il alguno.
b0 Calcular la probabilidad de que en ee perodo de 2 minutos lleguen ms de < autom!#iles.
c0 $i tal garita puede atender a un mximo de 2 autom!#iles en 2A segundos, calcular la
probabilidad de que en un medio minuto dado lleguen ms autom!#iles de lo que puede atender.
''. Un lquido contiene cierta bacteria con un promedio de 2 bacterias por cm.
2
, calcular la
probabilidad de que una muestra,
a0 de '62 de cm
2
no contenga bacteria alguna.
41
b0 de ) cm,
2
. Contenga por lo menos una bacteria.
'). $uponga que el n%mero de accidentes de trabajo que se producen por semana en una fbrica
sigue la ley de Poisson de manera que la probabilidad de que ocurran ) accidentes es igual a 26)
de ea probabilidad de que ocurra un accidente, Calcular la probabilidad de que no ocurran
accidentes en ) semanas consecuti#as.
'2. Un banco atiende todos los das de Qam. a 9pm. y se sabe que ee n%mero de clientes por da
que #an a solicitar un prstamo por ms de W'A,AAA tiene una distribuci!n de Poisson con una
media de 2 clientes por da.
a0 *Cul es la probabilidad de que (asta el medioda no se (aya producido una solicitud de
prstamo por ms de W'A,AAA+
b0 En cuatro das, *cul es la probabilidad de que en dos de los das (asta el medioda no se
(aya producido una solicitud de prstamo por ms de W'A,AAA+
'9. La demanda semanal de cierto producto tiene una distribuci!n de Poisson. =ctualmente su
media es 2 por semana. $e estima que despus de una campaSa publicitaria, el #alor esperado de
la demanda se duplicar con probabilidad A.Q y se triplicar con probabilidad A,), *cul es la
probabilidad de que despus de la campaSa la demanda sea igual a 9+
'<. El n%mero de personas que cada da se aloja en un (otel es una #ariable aleatoria X que
tiene distribuci!n de Poisson con parmetro , .que puede ser igual a )A con probabilidad A.<,
igual a '< con probabilidad A.2, igual a 'A con probabilidad A.)
a0 8eterminar P1X 4 k2 , donde k 4 ', ), ..., etc.
b0 Calcular el #alor esperado de Y.
'K. Cierto tipo de loceta puede tener un n%mero X de puntos defectuosos que sigue una
distribuci!n de Poisson con una media de 2 puntos defectuosos por loceta. El precio de la loceta
es W' si Y 4A, de WA.LA si X,5 o ), y de WA.' si X9./ Calcular el precio esperado por loceta.
'L. El n%mero de usuarios que acuden a cierta base de datos confidencial sigue una
distribuci!n de Poisson con una media de dos usuarios por (ora.
a0 Calcular la probabilidad de que entre las Q amo y el medioda /l).m0 acudan ms de dos
usuarios.
b0 $i un operador de la base de datos trabaja todos los das de Q amo (asta el medioda /l).m0,
*cul es la probabilidad de que este operador tenga qued esperar ms de L das (asta obser#ar el
primer da en el cual acceden ms de dos usuarios+
'Q. Cierta panadera dispone de una masa con frutas confitadas para (acer. )AA panetones.
=grega ),AAA pasas de u#as a la masa y la me"cla bien. $uponga que ee n%mero de pasas es una
#ariable aleatoria de Poisson con un promedio 'A pasas por panet!n. d
a0 Calcular ea probabilidad de que un panet!n elegido ae a"ar no contenga ninguna pasa.
b0 *Cuntos panetones se espera que contengan K pasas+
N'+5a(
'P. En cierta comunidad, el porcentaje del ingreso a(orrado por las familias tu#o una media del
'AX y una des#iaci!n estn dar de '.)X. $uponga que la distribuci!n es normal.
a0 $i el ).)QX de los a(orros son mayores que ').9X, determine la des#iaci!n estndar.
b0 *fu porcentaje de familias a(orr! entre P y ')X de su ingreso+
c0 8etermine el a(orro mximo para el A.QX de las familias con bajos a(orros.
42
)A. Una pequeSa ciudad es abastecida de agua cada dos das. El consumo en #olumen de agua
/cada dos das0 tiene distribuci!n normal.
a0 8etermine la media y #arian"a de la distribuci!n si se sabe que el A.K)X del consumo es al
menos de )),<AA litros y que el '.LPX del consumo es a lo ms 'L,PAA litros.
b0 Uallar la capacidad del tanque de agua de la pequeSa ciudad para que sea s!lo el A.A' la
probabilidad de que en el periodo de dos das el agua no sea suficiente para satisfacer toda la
demanda.
)'. Las calificaciones de una prueba final de Estadstica tienen distribuci!n normal con una
media de '). $i el P<.99X de los examinados obtu#ieron calificaciones entre Q y 'K,
a0 Calcular la des#iaci!n estndar de la distribuci!n.
b0 $i la nota aprobatoria es '', *qu porcentaje de alumnos aprobaron el curso+
c0 *fu nota como mnimo debera tener un alumno para estar ubicado en el quinto superior+
)). Los puntajes de una prueba de aptitud acadmica estn distribuidos normalmente con una
media de KA y una des#iaci!n estndar de 'A puntos.
a0 $i el ').2X de los alumnos con mayor puntaje reciben el calificati#o = y el
)AX de los alumnos con menor nota reciben el calificati#o C, calcular el mnimo puntaje que
debe tener un alumno para recibir una =, y el mximo puntaje que debe tener un alumno para
recibir una C.
b0 $i el resto de los alumnos recibe el calificati#o > y si el total de alumnos es igual a PA,
*cuntos alumnos recibieron el calificati#o de =, > B :;
.
)2. Las calificaciones de una prueba final de Datemtica >sica tienen distribuci!n normal con
una media igual a Q. $i el K.KQX de los examinados tienen nota aprobatoria /mayor o igual a
''0, <c=mo debe modificarse cada nota para conseguir un 9<X de aprobados+
)9. $uponga que el ingreso familiar mensual en una comunidad tiene distribuci!n normal con
media W9AA y des#iaci!n estndar W<A.
a0 $i el 'AX de las familias con mayores ingresos debe pagar un impuesto, *a partir de que
ingreso familiar se debe pagar el impuesto+
b0 $i el a(orro familiar est dada por la relaci!n " 4 Y 69 N <A, *cul es la probabilidad de que el
a(orro sea superior a WL<+
)<. Una pie"a es considerada defectuosa y por lo tanto rec(a"ada si su dimetro es mayor que
).A) cm. o menor de '.PQ cm.. $uponga que los dimetros tienen una distribuci!n normal con
una media de ) cm. y una des#iaci!n estndar de A.A C cm.
a0 Calcular la probabilidad de que una pie"a sea rec(a"ada
b0 *Cul es el n%mero esperado de pie"as rec(a"adas de un lote de 'A,AAA pie"as+
c0 $i se escogen 9 pie"as al a"ar, *cul es la probabilidad de que ) de ellos sean defectuosos+ .
d0 $e necesitan 9 pie"as sin defecto para una mquina. $i estos se prueban uno a uno sin
reposici!n, *cul es la probabilidad de que la cuarta pie"a buena sea la sexta probada+
'<. Un gerente #iaja diariamente en autom!#il de su casa a su oficina y (a NN encontrado que el
tiempo empleado en el #iaje sigue una distribuci!n normal con media de 2<.< minutos y
des#iaci!n estndar de 2 minutos. $i sale de su casa todos los das a las Q.)A a.m. y debe estar en
la oficina a las P a.m.
43
a0 *Cul es la probabilidad de que llegue tarde en un da determinado+
b0 $uponiendo independencia entre un da y otro, *cul es la probabilidad de que llegue a
tiempo a la oficina 2 das consecuti#os+
'K. Cierto lquido industrial contiene un porcentaje Y por gal!n de un compuesto particular
cuya distribuci!n es normal con una media de '<X y una des#iaci!n estndar de 2X. El
fabricante tiene una utilidad neta de WA.'<, si P [ Y [ )', de WA.'A, si )'[4 Y[4)L, y una
prdida de W.A<, si 2[4 Y[4P, calcular la utilidad esperada por gal!n.
'L. El peso en Oilogramos de los artculos que se (acen en la fbrica = tiene una distribuci!n
normal con una media de )< Tg. B con una des#iaci!n estndar de.
9 Tg.. Dientras que el peso de los artculos que se (acen de la fbrica > tiene una distribuci!n
normal con una media de )Q Tg. B con una des#iaci!n estndar de 2 Tg. 8e un lote que
contiene el 9AX de artculos de = y el KAX de > se elige uno al a"ar, *cul es la probabilidad de
que el peso de este artculo est entre )< Tg. B )Q Tg+
3. MUESTREO A DISTRIBUCIONES MUESTRALES
=l iniciar el estudio de la Estadstica, encontramos que tiene como objeti#o dar a conocer un
conjunto de mtodos para recolectar y clasificar informaci!n, que luego debe ser anali"ada e
interpretada adecuadamente, de modo que sea %til en la toma de decisiones. Esto nos permiti!
encontrar dos ramas bien diferenciadas de la Estadstica llamadas& Estadstica 8escripti#a y
Estadstica Cnferencial.
La primera ya fue estudiada ampliamente en la E$E=8C$ECC= IEFEH=L, la segunda es el
prop!sito fundamental de nuestro estudio.
La E$E=8C$ECC= CF1EHEFCC=L 3 CF1EHEFCC= E$E=8g$ECC=, es el aspecto ms
importante en la toma de decisiones, tanto en las ciencias naturales como en las ciencias
sociales. La inferencia Estadstica se refiere a la E$ECD=CC3F y a la PHUE>= 8E
UCP3EE$C$, siendo la estimaci!n el proceso de utili"ar E$E=8C$ECC3$ /como la media de la
muestra y des#iaci!n estndar de la muestra0 que se obtienen de los datos muestrales y sir#en
para estimar su #erdadero #alor o P=H=DEEH3 de la poblaci!n. Como en las dos unidades
anteriores examinamos las reglas bsicas de probabilidad de un e#ento y las distribuciones de
probabilidad como la binomial, de Poisson y la normal, en esta unidad utili"aremos estos
conocimientos de probabilidad de modo que puedan utili"ar ciertos estadsticos para (acer
inferencias en cuanto a los parmetros de la poblaci!n. En consecuencia, por pro#enir los
estadsticos de la DUE$EH=, es sta el #e(culo para llegar a conclusiones acerca de la
poblaci!n. =s tenemos que si queremos utili"ar la media de la muestra para estimar la media de
la poblaci!n debemos determinar todas las muestras posibles y la media de cada una de ellas. =
la distribuci!n de probabilidad de estas medias se le denomina 8C$EHC>UCC3F DUE$EH=L
8E L= DE8C=.
Por %ltimo, recordaremos que una poblaci!n est representada por el conjunto de todos los
#alores /obser#aciones0 posibles que puede tomar una #ariable, por lo cual diremos
indistintamente que la distribuci!n de la poblaci!n es la distribuci!n de la #ariable.
3.1. MUESTREO
44
Los datos necesarios para tomar decisiones se re%nen ya sea estudiando todas las posibles
obser#aciones de la poblaci!n /CEF$30, ya seleccionado unas pocas de la obser#aciones para
reali"ar el estudio /DUE$EH=0. El prop!sito fundamental de muestreo es E$ECD=H EL
P=H=DEEH3 de la poblaci!n basado en el E$EU8C3 DUE$EH=L
Existen muc(as ra"ones para reali"ar muestreo en una poblaci!n, entre las que
mencionaremos&
'0 El costo ele#ado al exarninar a toda la poblaci!n.
)0 La imposibilidad de estudiar toda la poblaci!n, como por ejemplo, los peces de un lago.
20 Las limitaciones de tiempo. como las que recaen sobre los encuestadores polticos antes de
una elecci!n.
90 La ndole destructi#a de Ciertas in#estigaciones, como por ejemplo, al estudiar el tiempo de
#ida de focos de lu" de cierta marca.
Eodas las anteriores ra"ones nos indican que el uso de muestras ofrece las siguientes #entajas&
'. =(orra dinero, tiempo y trabajo.
). Permite una mayor exactitud en el estudio, pues los errores debidos al obser#ador, al objeto
obser#ado y al mtodo de obser#aci!n, pueden disminuir y controlarse ms efecti#amente.
La %nica des#entaja del uso de muestras es el llamado EHH3H 8E DUE$EHE3, dado por la
diferencia entre el #alor que describe a la muestra y el #erdadero #alor de la poblaci!n. Este
error se debe a que las muestras seleccionadas de una poblaci!n difieren unas de otras y como
nosotros estudiamos una muestra para generali"ar luego a toda la poblaci!n. Entonces los
resultados son algo diferentes. Como el error por muestreo puede medirse, en consecuencia
puede disminuirse a #oluntad, con solo aumentar el tamaSo de la muestra.
Una muestra es considerada como una >UEF= muestra, si cumple con las siguientes
condiciones&
a) BUENA EN CANTIDAD, si incluye un n%mero !ptimo de indi#iduos, as por ejemplo, si
una enfermedad se presenta tan solo en ' X de la poblaci!n, (abr la necesidad de estudiar por
lo menos 'AA casos, para tener la posibilidad de (allar una persona enferma, pero si la presencia
es el <AX, basta estudiar dos personas
B) BUENA EN CALIDAD, si refleja fielmente las caractersticas de la poblaci!n de la cual
procede y difiere de ella, solo en el n%mero de unidades incluidas.
3.2 ETAPAS DEL MUESTREO
Los pasos principales para la recolecci!n de la informaci!n de una muestra son&
'0 8efinir explcitamente la unidad de anlisis.
)0 8efinir en forma clara la poblaci!n que #a ser muestreada
45
20 $eleccionar bien las #ariables que deben ser obser#adas en cada unidad que se #a anali"ar.
90 Especificar el grado de precisi!n deseada.
<0 $eleccionar la unidad muestral. En algunos casos es ob#ia, como en el caso de una poblaci!n
de estudiantes de un centro educati#o, en donde la unidad es un estudiante. En otras ocasiones
debe escogerse la unidad muestral, como en el caso de muestreo de residentes de una ciudad,
donde la unidad es una persona, una familia o las familias de una cuadra.
K0 $eleccionar la muestra, despus de (aber decidido el tamaSo respecti#o.
3.3. TIPOS DE MUESTRAS.
Como se muestra a continuaci!n, existen dos tipos bsicos de muestras& las muestras
probabilsticas y las no probabilsticas. Estas %ltimas, son muc(o ms sencillas y baratas de
obtener, entre estas tenemos las llamadas DUE$EH=$ 8E VUCCC3. DUE$EH=$ 8E CU3E=
y L=$ DUE$EH=$ 8E C3FGEFCEFCC=
3.3.1. MUESTRAS NO PROBABILSTICAS
a) MUESTRAS POR GUCIO.
Como su nombre lo indica, es la muestra tomada de acuerdo con el juicio personal, los
elementos que inter#ienen en una muestra por juicio son resultados del juicio experto del
in#estigador sobre su `representati#idad`. En consecuencia, la probabilidad de que cada unidad
elemental sea seleccionada de la muestra, es desconocida y la fidelidad de sus resultados no
puede utili"arse para (acer inferencias de la poblaci!n total, lo cual es el objeti#o del muestreo.
=s por ejemplo, un gerente de #entas que selecciona ciertas localidades del Per% como tpicas
para probar nue#o tipo de campaSa de #entas en ellas y extrae conclusiones de todo el pas a
partir de los resultados de las comunidades muestreadas. Las localidades seleccionadas
constituyen una muestra del Per% en base a un juicio, pues el gerente CHEE que ciertas
localidades proporcionan un cuadro representati#o del pas completo. En consecuencia, la
muestra solo puede e#aluarse en trminos de la solide" del criterio del gerente de #entas y no
sobre la base de la muestra en si misma.
B) MUESTRA A CUOTA.
Una muestra a cuota es una muestra basada en un juicio dado. En una muestra a cuota, se
instruye al entre#istador para que interrogue a cierto n%mero de personas. =s por ejemplo,
puede indicrsele que entre#iste a 2A (ombres que #i#an a cierto n%meros de cuadros que caen
dentro de un cierto rango de edades o cuyos ingreso caen dentro de un inter#alo dado.
En la prctica es el entre#istador el que (ace la selecci!n real de las personas, resultando errores
sistemticos serios en los resultados.
Por ejemplo, un entre#istador tiende a seleccionar a las personas ms fcilmente accesibles, as,
si las entre#istas son en el da, pasar por alto a las personas que estn trabajando, si una
persona se re(%sa a responder, el entre#istador simplemente seleccionar a otra persona.
El elemento com%n en cada uno de esto casos de muestras basadas en un juicio dado, es el papel
46
considerable que juega el juicio. $i bien las muestras basadas en un juicio dado pueden
proporcionamos resultados %tiles y de (ec(o a menudo lo (acen, no es posible estimar el error
del muestreo en dic(a muestras. Por consiguiente, la precisi!n del resultado de una muestra
basada en un juicio, depende de la solide" del juicio y no puede e#aluarse de la muestra misma.
8) MUESTRA DE CONVENIENCIA O TROUO.
Un tro"o es una muestra que se conforma por un proceso de auto selecci!n, es decir, un tro"o es
una simple `Duestra de con#eniencia` un conjunto de sujetos fcilmente agrupados, como los
miembros de una clase en particular, personas que responden a un anuncio. Personas que #isitan
una ex(ibici!n en un centro comercial, etc. Eambin en este caso, la des#entaja principal, es que
no (ay forma probabilsticad de interpretar cuan representati#a es la muestra, de la poblaci!n
total.
=s por ejemplo. al ensayar una nue#a droga, en lugar de escoger indi#iduos al a"ar, pueden
suministrarse a los casos gra#es, pues se presume que si la droga es efecti#a en tales casos, con
mayor ra"!n lo ser en los casos le#es de la enfermedad.
3.3.2. MUESTRAS PROBABILSTICAS
Las muestras probabilsticas son aquellas en que cada indi#iduo de las poblaci!n tiene una
probabilidad conocida /no necesariamente igual0 de ser incluida en la muestra.
La elecci!n de una muestra probabilstica requiere dos condiciones fundamentales&
i0 Es esencial que la probabilidad de elegir cada indi#iduo sea perfectamente conocida, pues si
no lo es, no ser posible calcular los errores que pueden cometerse al (acer su selecci!n.
ii0 Es indispensable que los indi#iduos se elijan al a"ar, sin permitir la inter#enci!n de ning%n
factor que fa#ore"ca la elecci!n de unos en perjuicio de los 3tros.
Puesto que el estudio sobre tipos de muestras probabilsticas es muy extenso, solo
mencionaremos algunas de las ms utili"adas, tales como la muestra aleatoria simple. la muestra
sistemtica, la muestra estratificada y la muestra agrupada.
a) MUESTREO ALEATORIO SIMPLE.
=l (aber definido las poblaciones y las muestras, distingamos ms detalladamente entre las
poblaciones que son finitas y las que son infinitas. $e dice que una poblaci!n es 1CFCE= si
consta de un n%mero finito /fijo0 de elementos,. por ejemplo, la poblaci!n de escuelas de la
pro#incia de LCD=. En contraste con las poblaciones finitas, se dicen que una poblaci!n es
CF1CFCE= si no (ay lmite en el n%mero de elementos que contiene. 8iremos que una muestra
de una poblaci!n finita es aleatoria si cada elemento de la poblaci!n tiene igual probabilidad de
ser incluido en la muestra. Existen dos mtodos de seleccionar muestras aleatorias en
poblaciones finitas&
'. DME383 8EL $3HEE3
Consiste en colocar en un recipiente fic(as con los nombres de todos los integrantes de la
poblaci!n en estudio, luego remo#er bien las fic(as y extraer'as una a una con sustituci!n, (asta
tener las integrantes que deben ir en las muestras.
). DEE383 8E L3$ FUDEH3$ =LE=E3HC3$.
47
Consiste en obtener los elementos de la muestra utili"ando tablas especialmente elaboradas,
llamadas E=>L=$ 8E FUDEH3$ =LE=E3HC3$
Para ilustrar el uso de una tabla de n%meros aleatorios, utili"amos el problema de seleccionar
una muestra aleatoria simple, consistente de '< boletas de notas elegidas de una poblaci!n de Q
PAA boletas.
En la tabla de n%meros aleatorios adjunta, cada dgito o sucesi!n de ellos es aleatorio. por lo que
se puede utili"ar la tabla y leerla en sentido (ori"ontal o #e6'ical, los mrgenes de la tabla
designa los n%meros de fila /margen #ertical0 y los n%meros de columna /margen (ori"ontal0.
los dgitos estn agrupados en sucesiones de cinco con el solo fin de facilitar la obser#aci!n de
la tabla.
$i se usa esta tabla en lugar de un recipiente para seleccionar la muestra, primero es necesario
asignar n%meros a los miembros indi#iduales de la poblaci!n, como la poblaci!n es de F 4 QPAA
boletas de notas, por ser un n%mero de cuatro dgitos, cada n%mero asignado tambin de ser de
cuatro dgitos, a fin de que cada boleta tenga igual oportunidad de ser seleccionada. Por tanto,
asignamos el. F%mero AAA' a la primera boleta, el n%mero AAA) a la segunda boleta, y as
sucesi#amente (asta llegar al n%mero QPAA, para la QPAA a#a boleta. Una #e" que todas las
boletas (an sido numeradas, comen"amos a seleccionar la muestra leyendo las primeras cuatro
cifras de la primera lnea de la tabla de n%meros aleatorios, digamos el n%mero KK'P. Luego
pasamos a la segunda lnea y leemos el n%mero L)Q9 y as (asta el56 n%mero.
b0 DUE$EHE3 $C$EED=ECC3.
En el muestreo sistemtico, los elementos se seleccionan de la poblaci!n a un inter#alo
uniforme que es medido en tiempo orden o espacio. El inter#alo en menci!n se determina por la
f!rmula&
C4 F 6 n
El primer elemento de la muestra es elegido al a"ar entre los C primeros elementos de la
poblaci!n y luego, el resto de los elementos se elegirn cada la#o elemento de la lista. =s por
ejemplo si F 4 'AAAA B n 4 'AAA, entonces ' 4 'A, esto quiere decir que de cada 'A se elige
uno.
Para obtener una muestra sistemtica es necesario tener la lista de los elementos en estudio
/alumnos de una uni#ersidad. por ejemplo0, luego se les numera del ' al 'AAAA. En seguida se
escoge al a"ar un n%mero entre ' y 'A, siendo este el primer elemento que se #a (a estudiar y
completaremos la muestra cada die" elementos. $i el n%mero escogido fue Q, los otros sern 'Q,
)Q, 2Q, etc.
Este procedimiento de muestreo por la sencille" de su aplicaci!n suele utili"arse en todos
aquellos casos en los cuales existen listados con los nombres de cada uno de los elementos de la
poblaci!n que se estudia.
La #entaja del muestreo sistemtico es que requiered menos tiempo y es menos costoso que el
mtodo de muestreo aleatorio simple.
8) MUESTREO ESTRATIICADO.
48
Para utili"ar el muestreo estratificado, se di#ide la poblaci!n en grupos relati#amente
(omogneos. Llamados estratos. Entonces, se toma una muestra aleatoria simple de cada
estrato, tomando sta el nombre de muestra estratificada.
Una muestra estratificada puede ser proporcional o desproporcionada. En la primera, el n%mero
de unidades extradas de cada estrato es proporcional al tamaSo de este. =s por ejemplo, si la
poblaci!n es di#idida en cuatro estratos. $iendo sus tamaSos respecti#os 'AX, )AX. 2AX B
9AX de la poblaci!n y deseamos extraer una muestra de <AA unidades, entonces la muestra
estratificada proporcional se obtiene de la siguiente manera&
E$EH=E3 Fh 8E UFC8=8E$
' <AA /'AX0 4 <A
) <AA /)AX0 4 'AA
2 <AA /2AX0 4 '<A
9 <AA /9AX0 4 )AA
E3E=L <AA
Como se #er en el ejemplo. la estratificaci!n proporcional arroja una muestra en la que cada
estrato aporta una cantidad de unidades proporcional al n%mero de unidades de la muestra. Este
procedimiento es a%n ms eficiente cuando las des#iaciones estndares de cada estrato no
difieren substancial mente entre si. Por tanto, para que la muestra estratificada sea ms eficiente
se debe dar mayor representaci!n a un estrato con una gran dispersi!n y menor representaci!n a
los estratos con menor dispersi!n /pequeSa des#iaci!n estndar0.
Una muestra estratificada desproporcionada incluye los procedimientos de tomar un n%mero
igual de unidades de cada estrato sin tener en cuenta su tamaSo, o de dar s!lo una pequeSa
representaci!n a uno o ms estratos son demasiado costosos de in#estigar, pues a%n cierta
representaci!n es #aliosa.
La #entaja de las muestras estratificadas es que cuando ellas estn adecuadamente diseSadas
reflejan con mayor precisi!n que otras muestras, las caractersticas de la poblaci!n a partir de
las cuales ellas fueron escogidas.
Por ejemplo, todos sabemos que el ni#el de ingresos tiene una relaci!n importante con la
opini!n p%blica en cuanto a una elecci!n. $i el KAX de los #otantes tienen ingresos bajos, el
2AX ingresos medianos y el' AX ingresos altos, entonces para una muestra estratificada
proporcional de <AA #otantes, seleccionaramos 2AA #otantes de ingresos bajos (>7? de <AA0
'<A de ingresos medianos /2AX de <AA0 y <A de ingresos altos /'AX de <AA0
E) MUESTREO AGRUPADO O POR CONGLOMERADOS
En esta clase de muestreo, se di#ide a la poblaci!n en grupos o conglomerados, y luego se
selecciona una muestra aleatoria de estos. Cuando los grupos son seleccionados, se pueden
incluir en la muestra todas sus unidades elementales o tomar una muestra de las unidades
elementales de los grupos escogidos. En el primer caso se tiene lo que se conoce como muestreo
en una sola etapa y cuando se procede como en el %ltimo caso, tenemos lo que se conoce como
muestreo en dos etapas o submuestreo, escogindose en ambas etapas muestras aleatorias
simples. Cuando el muestreo por agrupaci!n supone ms de dos etapas para escoger la muestra
final, se le denomina muestreo multietpico.
49
Eanto en el muestreo estratificado como en el muestreo agrupado, la poblaci!n se di#ide en
grupos bien definidos. $e usa el muestreo estratificado cuando cada grupo tiene pequeSas
#ariaciones entre sus unidades elementales, pero (ay una gran #ariaci!n entre grupos. En tanto
que el muestreo agrupado se usa cuando (ay una #ariaci!n considerable entre las unidades
elementales de cada grupo, pero los grupos son esencialmente similares entre sC.
=s por ejemplo, supongamos que deseamos estudiar los gastos de las familias en el rea del
Cercado de Lima y que (emos decidido entre#istar a 'AAA familias. Un modo econ!mico de
manejar esto puede ser di#idiendo el rea total del Cercado en reas ms pequeSas. 8igamos,
cuadras, y despus entre#istar a todas las familias en un n%mero de cuadras seleccionadas al
a"ar.
3.2. DISTRIBUCIONES MUESTRALES
En la tercera unidad se #io que (ay ciertos rasgos in#ariables dentro de una poblaci!n que
describen una de sus caractersticas, tales como la media

y la des#iaci!n estndar ) estas

reciben el nombre de P=H=DEEH3$ de la poblaci!n. =l extraerse una muestra, es posible
tener un estimado de los parmetros, a partir de las obser#aciones de la muestra, estos estimados
por estar en funci!n de tales obser#aciones #aran de muestra a muestra y reciben genricamente
el nombre de Estadsticos de la muestra. En consecuencia los estadsticos son #ariables y por
tanto tienen su correspondiente distribuci!n de probabilidad, la cual toma el nombre de
8C$EHC>UCC3F DUE$EH=L 8EL E$E=8C$ECC3. En la prctica las distribuciones
muestrales usuales son& la de una media, la de la diferencia de dos medias y la de una
proporci!n.
2.).'. 8C$EHC>UCC\F DUE$EH=L 8E L= DE8C=
$i tomamos repetidamente muestras aleatorias de una poblaci!n con distribuci!n de
probabilidad cuyos parmetros son

y ) entonces la #ariable aleatoria media X tiene la

misma distribuci!n de probabilidad con parmetros

X
4

B
S2 (a P'B(a82D# *4 2#F2#2)a 56*4)+*' 8'# ' 42# +*>'4282D#

X
4
/
n
S2 (a P'B(a82D# *4 F2#2)a 3 *( 56*4)+*' *4 42# +*>'4282D#

X
4
( /
n
) (
'

@
n @
)
Luego, la #ariable
X

bajo la transformaci!n&
i 4
X
N

6 /
n
S* E24)+2B63*# 8'5' 42N6*?
50
C=$3 '. =proximadamente como la normal estndar, si la poblaci!n es normal o no con
conocida o no y el tamaSo `n` de la muestra es igual o mayor de 2A.
C=$3 ). Exactamente como la normal estndar, si la poblaci!n es normal con conocida y el
tamaSo `n` de la muestra menor que 2A.
N')a? $i no se conoce la des#iaci!n estndar poblacional estimarla mediante la des#iaci!n
estndar de la muestra -$.
EVEDPL3 9.'
La media de los puntajes de los cocientes de inteligencia /CC0 de los alumnos de una uni#ersidad
es ''A B la des#iaci!n estndar es 'A. $i los puntajes de los CC estn distribuidos normalmente&
a0 *Cul es la probabilidad de que el puntaje medio de una muestra de 2K alumnos sea mayor que
'')+
b0 *Cul es la probabilidad de que el puntaje medio de una muestra de 'AA alumnos sea mayor que
'')+
$3LUCC3F.
a) Por tener los puntajes de los C.C. #ariables que siguen una distribuci!n normal, las medias de
las muestras tambin se distribuyen normalmente con media y des#iaci!n estndar respecti#a&

X
4

4 ''A y
X
4
/
n
4
1& /
2K
La puntuaci!n de que el puntaje medio de una muestra de 2K alumnos sea mayor que '') es&
P(
X
Z '')0 4 P/
X
N

6 /
n

Z
'')N''A 6 /<62004 P(U
Z
'.)0 4 'N P(U V"

'.)04 A.''<'
b0 Para una muestra de 'AA alumnos se tiene que&

X
4

4 ''A y
X
4
/
n
4
1& /
'AA
Luego como en a&
P(
X
Z '')0 4 P/
X
N

6 /
n

Z
'')N''A 6 '04 P(U
Z
)0 4 'N P(U V"

)04 A.A))Q
LABORATORIO NC &3
'. En una muestra de 'K obser#aciones de una distribuci!n normal con una media de '<A y una
#ariancia de )<K, encuentre&
a0 P /
X
[ 'KA0 b0 P /
X
Z '9)0
51
$i, en lugar de 'K obser#aciones, se (icieran P obser#aciones, encuentre&
c0 P /
X
[ 'KA0 d0 P /
X
Z '9)0
). En una muestra de )< obser#aciones de una distribuci!n normal con una media de PQ.K y una
des#iaci!n estndar de 'L.), encuentre&
a0 P /P) [
X
[ 'A)0
b0 La probabilidad correspondiente si tenemos una muestra de 2K.
2. En una distribuci!n normal con una media de <K y una des#iaci!n estndar de )', *de qu
tamaSo debe ser una muestra de modo que (aya por lo menos PAX de probabilidades de que su
media sea mayor que <)X
9. En una distribuci!n normal con una media de 2L< y una des#iaci!n estn dar de 9Q, *de qu
tamaSo debe ser una muestra para que (aya por lo menos .P< probabilidades de que la muestra
se encuentre entre 2LA y 2QA+
Un astr!nomo del obser#atorio de Dount Palomar obser#a que, durante una llu#ia de meteoros,
un promedio de 9A meteoros aparecen cada (ora, con una #ariancia de 'K meteoros al cuadrado.
La llu#ia de meteoros ocurrir la pr!xima semana.
a0 $i el astr!nomo #e la llu#ia de meteoros durante 9 (oras, *cul es la probabilidad de que
apare"ca un mnimo de 2K meteoros por (ora+
b0 $i el astr!nomo mira durante una (ora ms, *aumentar o disminuir esta probabilidad+
Explique su respuesta.
<. El costo promedio de un condominio con estudio en un desarrollo urbano es de WK),AAA con
una des#iaci!n estndar de W9,)AA.
a0 *Cul es la probabilidad de que un condominio de este desarrollo cueste por lo menos
WK<,AAA+
b0 *Es la probabilidad de que el costo promedio de una muestra de dos condominios sea al
menos WK<,AAA mayor o menor que la probabilidad de que un condominio cueste esa cantidad+
*En qu cantidad+
K. Una agencia de empleos normalmente aplica pruebas de inteligencia y aptitudes a todos los
que buscan trabajo a tra#s de ella. La empresa (a reunido datos durante aSos, (abiendo descuN
bierto que la distribuci!n de las puntuaciones no es normal, sino que est sesgada a la i"quierda
con una media de QK y una des#iaci!n estndar de 'K. *Cul es la probabilidad de que, en una
muestra de L< candidatos, la puntuaci!n promedio sea por lo menos Q9 o mayor que PA+
Una refinera de petr!leo tiene monitores de reser#a para lle#ar un control constante del flujo y
pre#enir que las fallas de la mquina desorganicen el proceso. Un monitor tiene un promedio de
#ida de 9,2AA (oras, con una des#iaci!n estndar de L2A (oras. =dems del monitor primario, la
refinera (a instalado dos unidades de emergencia, que son un duplicado de la unidad primaria
En caso de a#era de uno de los monitores, el otro se acti#a en forma automtica. La #ida de
operaci!n de los dos es independiente de los otros.
a0 *Cul es la probabilidad de que determinado conjunto de monitores dure por lo menos
'2,AAA (oras+
b0 *B un mximo de '),K2A (oras+
L. Dara >arrios es auditora de una gran compaSa de tarjetas de crdito y sabe que, en
promedio, el saldo mensual de determinado cliente es de W''), con una des#iaci!n estn dar de
WK<. $i Dara re#isa <A cuentas seleccionadas al a"ar, *cul es la probabilidad de que el saldo
mensual promedio est&
a0 Por debajo de W'oo+
b0 Entre W'AA y W'2A+
52
Q. El presidente de una empresa telef!nica est molesto con el n%mero de telfonos producidos
por la empresa que tienen aparatos defectuosos. En promedio, ')A telfonos son de#ueltos
diariamente a causa de ese problema, con una des#iaci!n estndar de Q'. El presidente (a
decidido que, a menos que logre una seguridad promedio de Q<X de que al da no sern
de#ueltos ms de '2< telfonos en los pr!ximos 9A das, ordenar re#isar el producto. *Eomar
esta medida+
P. Clara 8a", cuyo trabajo consiste en predecir el futuro de su compaSa de riesgo compartido,
acaba de recibir las estadsticas que describen el desempeSo de la empresa en ',QAA in#ersiones
reali"adas el %ltimo aSo. Clara sabe que, en promedio, las in#ersiones generan utilidades que
tienen una distribuci!n normal con una media de WL,<AA y una des#iaci!n estndar de W2,2AA.
=un antes de examinar los resultados concretos de cada una de esas in#ersiones del %ltimo aSo,
Clara pudo (acer algunas predicciones exactas usando su conocimiento de las distribuciones
muestrales. Contin%e el anlisis de ella y calcule la probabilidad de que la media muestral de las
in#ersiones del aSo anterior&
a0 $uperen los WL,LAA.
b0 $ean menores que WL,9AA.
c0 $ean mayores que WL,)L<, pero no lleguen a WL,K<A.
'A. Un agricultor, que #ende trigo a =lemania 3ccidental, posee KA acres de campos de trigo.
>asndose en su experiencia, sabe que el rendimiento de cada acre tiene una distribuci!n
normal con una media de ')A bus(els y una des#iaci!n estndar de ') bus(els. =y%dele a
planear la cosec(a del pr!ximo aSo, calculando&
a0 La media esperada de los rendimientos de KA acres de campo, destinados al culti#o de trigo.
b0 La des#iaci!n estndar de la media muestral de los rendimientos de los KA acres.
c0 La probabilidad de que el rendimiento medio por acre rebase los ')2.Q bus(els.
d0 La probabilidad de que el rendimiento medio por acre oscile entre ''L y ')) bus(els.
''. Un transbordador transporta )< pasajeros. El peso de cada pasajero tiene una distribuciKn
normal con una media de 'K< libras y una #ariancia de 99' libras al cuadrado. Las normas de
seguridad establecen que, para este transbordador en particular, el peso total de sus pasajeros no
de. be exceder de 9,2L< libras ms de ' X de las #eces. $upongamos que usted fuera el dueSo
del transbordador y tu#iera que calcular&
a0 La probabilidad de que el peso total de los pasajeros del transbordador exceda de 9,2L< libras
b0 El nonagsimo no#eno percentil de la distribuci!n del peso total de los pasajeros del
transbordador. *Est cumpliendo el transbordador con las normas de seguridad+
'). $e espera que e_ dimetro de las pelotas de pinNpon fabricadas en una planta grande tenga
una distribuci!n normal aproximada con media de '.2A pulgadas y des#iaci!n estn dar de A.A9
de pulgada. *Cul es la probabilidad de que una pelota seleccionada al a"ar tenga un dimetro ..
/a0 Entre '.)Q y '.2A pulgadas+
/b0 Entre '.2' y '.22 pulgadas+
/e0 *Entre qu dos #alores /simtricos respecto a la media0 estar el KAX de las pelotas de pinN
pon /en trminos del dimetro0+
/d0 $i se seleccionan muc(as muestras de 'K pelotas,
/'0 *cules son la media y la des#iaci!n estndar esperadas+
/)0 *qu distribuci!n seguirn la medias muestralesd+
/20 *qu proporci!n de las medias muestrales estar entre '.)Q y '.2A pulgadas+
53
/90 *qu proporci!n de las medias muestra les estar entre '.2' y '.22 pulgadas+
/<0 *entre qu dos #alores estar el KAX de las medias muestrales+
/e0 Compare las respuestas de la /a0 y 5d0/20 con las de /b0 y /d0/90. =nalice
/f0 Explique la diferencia en los resultados de /c0 y /d0/<0.
/g0 *fu es ms probable que ocurra, una pelota indi#idual arriba de '.29 pulgadas, una media
muestral arriba de '.2) pulgadas en una media de tamaSo 9, o una media muestral arriba de
'.2' pulgadas en una muestra de tamaSo 'K+ Explique.
'2. El tiempo que se usa el correo electr!nico por sesi!n tiene una distribuci!n normal con

4
Q minutos y 4 ) minutos. $i se seleccionan muestras aleatorias de )< sesiones,
/a0 calcule
X
.
/b0 *qu proporci!n de las medias muestrales estar entre L.Q y Q.) minutos+
/c0 *qu proporci!n de las medias muestrales estar entre L.< y Q minutos+
/d0 $i se seleccionan muestras de 'AA sesiones, *qu proporci!n, de las medias muestrales estar
entre L.Q y Q.) minutos+
/e0 Explique la diferencia entre los resultado de /b0 y /d0. .
/f0 *fu es dms probable que ocurra, una sesi!n de correo electr!nico de ms de '' minutos,
una media muestral mayor que P minutos en una muestra de )< sesiones, o una media muesoNal
mayor que Q.K minutos en una muestra de 'AA sesiones+ Explique.
'9. El tiempo que un cajero tarda con cada cliente tiene una media poblacional

4 2.'A
minutos y una des#iaci!n estndar 4 A.9A minutos. $i se selecciona una muestra aleatoria de 'K
clientes.
/a0 *cul es la probabilidad de que el tiempo promedio que pasa con cada cliente sea de al
menos 2 minutos+
/b0 existe una posibilidad de Q<X de que la media muestrae sea menor que *cuntos minutos+
/c0 *fu suposici!n dej`, (acerse para resol#er los incisos /a0 y /b0+ /d0 $i se obtiene una
muestra aleatoria de K9 clientes, existe una probabilidad dc Q<X de que la media muestral sea
menos de *cuntos minutos`
/e0 *fu suposici!n debe (acerse para resol#er el inciso /d0+
f0 *fu es ms probable que ocurra, un ser#icio indi#idual de menos de ) minutos, una media
muestral mayor que 2.9 minutos en una muestra de 'K clientes, o una media muestral menor que
).P minutos en una muestra de K9 clientes+ Explique.
'<. La compaSa de transportes Eoby determin! que, con base anual, la distancia recorrida por
cami!n tiene una distribuci!n normal con media de <A.A miles de millas y des#iaci!n estndar
de ').A miles de millas. $i se selecciona una muestra aleatoria de 'K camiones,
/a0 *cul es la probabilidad de que la distancia promedio recorrida sea menor que 9<.A miles de
millas en el aAo;)
/b0 *Cul es la probabilidad de que la distancia promedio recorrida est entre 99.A y 9Q.A miles
de millas en el aSo+
/c0 *fu suposici!n debe (acerse para resol#er los incisos /a0 y /b0
/d0 $i se selecciona una muestra aleatoria de K9 camiones, existe una posibilidad de P<X de que
la media muestral sea menor que *cuntas millas+
/e0 *fu suposici!n debe (acerse para resol#er el inciso /d0+
54
/f0 *Cules seran las respuestas de los incisos /a0 a /d0 si la des#iaci!n estndar fuera
'A.A miles de millas+
'K. $e fabrican bolsa de plstico para empacar #erduras de manera que la resistencia a roturas
tenga una distribuci!n normal con media de < libras por pulgada cuadrada y des#iaci!n estndar
de '.< libras por pulgada cuadrada. $i se selecciona una muestra de )< bolsas,
/a0 *cul es la probabilidad de que la resistencia promedio
/'0 est entre < y <.< libras por pulgada cuadradad
/)0 Est entre 9.) y 9.< libras por pulgada cuadrada+
/20 sea menor que 9.K libras por pulgada cuadradad
/b0 *Entre qu dos #alores simtricos respecto a la media estar el P<X de las resistencias
promediod
/c0 *Cules seran las respuestas a los incisos /a0 y /b0 si la des#iaci!n estndar fuera
'.A libra por pulgada cuadradad
Luego, la #ariable
X

bajo la transformaci!n&
4. ESTIMACIN ESTADSTICA
La inferencia estadstica es el proceso que consiste en utili"ar los resultados de una muestra para
llegar a conclusiones acerca de las caractersticas de una poblaci!n.
Existen dos tipos de estimaciones& estimaciones puntuales y estimaciones de inter#alo. Una
estimaci!n puntual consiste en una sola estadstica de muestra que se utili"a para estimar el
#alor #erdadero de un parmetro de poblaci!n. Puesto que la estadstica de prueba #ara de una
muestra a otra necesitamos considerar este (ec(o con el fin de proporcionar una estimaci!n ms
significati#a y caracterstica de la poblaci!n. Para lograr esto, debemos desarrollar una
estimaci!n de inter#alo de la media de poblaci!n #erdadera, tomando en consideraci!n la
distribuci!n de muestreo de la media. El inter#alo que construimos tendr una confian"a o
probabilidad especfica de estimar correctamente el #alor #erdadero del parmetro de poblaci!n.
4.1. ESTIMACIN DEL INTERVALO DE CONIANUA DE LA MEDIA
POBLACIONAL
Estimaci!n de inter#alo de confian"a de la media /des#o de la poblaci!n conocido0&
En la inferencia estadstica debemos tomar los resultados de una sola muestra y llegar a
conclusiones acerca de la poblaci!n. En la prctica, la media de la poblaci!n es la cantidad
desconocida que se #a a determinar. Para algunas muestras la estimaci!n de inter#alo de la
media de la poblaci!n ser correcta y para otras no. Eenemos que recordar que para el clculo
del inter#alo trabajamos con una estimaci!n de inter#alo de confian"a de P<, por ejemplo, esto
puede interpretarse como si se tomaran todas las muestras posibles del mismo tamaSo, n, P<X
de ellas incluiran la media de poblaci!n #erdadera en alguna parte del inter#alo alrededor de
sus medias de muestra, y solamente <X de ellas no estaran incluidas. En general el ni#el de
confian"a se simboli"a como /'Nk 0 ; 'AAX, en donde k es la porci!n que se encuentra en los
extremos de la distribuci!n que est fuera del inter#alo de confian"a. Por consiguiente para
obtener la estimaci!n del inter#alo tenemos&
55
i es el #alor correspondiente a un rea de /'Nk 06) desde el centro de una distribuci!n normal
estandari"ada. El #alor i elegido para construir tal inter#alo de confian"a se conoce como el
#alor crtico.
Cualquier aumento en el ni#el de confian"a se logra ampliando simultneamente el inter#alo de
confian"a obtenido /(acindolo menos preciso y menos %til0.
Estimaci!n de inter#alo de confian"a de la media /des#o desconocido0
8el mismo modo en que la media de la poblaci!n se desconoce, es probable que la des#iaci!n
estndar real de la poblaci!n tampoco sea conocida. Por lo tanto, necesitamos obtener una
estimaci!n de inter#alo de confian"a utili"ando las estadsticas de muestra ` X ` y `$`. Para
ello, utili"amos la distribuci!n tNstudent.
8e este modo, el inter#alo de confian"a se establecer a partir de la siguiente f!rmula&
Estimado del inter#alo de confian"a de la porci!n
4.2. ESTIMACIN DEL INTERVALO DE CONIANUA DE LA DIERENCIA DE DOS
MEDIAS POBLACIONALES
( X 1 " ) t U
11
) 6
0 /
)
)
)
'
)
'
n n

+
Es el inter#alo de confian"a de 'AA/'N

0 X de la diferencia de medias para&

'0 Duestras grandes, #arian"as conocidas y poblaciones normales o no.
)0 Duestras grandes, #arian"as conocidas y poblaciones normales o no
20 Duestras pequeSas, #arian"as conocidas y poblaciones normales.
(
X
1
"
)
t
)
11
) 6
9
)
) '
+
n n

0
' '
/
)
0 ' / 0 ' /
) ' ) '
)
) )
)
' '
n n n n
s n s n
+
+
+
Es el inter#alo de confian"a de 'AA/'N

0 X de la diferencia de medias para&

Duestras pequeSas, #arian"as desconocidas y poblaciones normales
4.3. ESTIMACIN DEL INTERVALO DE CONIANUA DE LA PROPORCIN
POBLACIONAL
Podemos establecer la siguiente estimaci!n de inter#alo de confian"a /'Nk0 para la proporci!n
de la poblaci!n&
56

1
2
3
2
2
Ta5aS' E* 56*4)+a >a+a (a 5*E2a?
Por consiguiente para determinar el tamaSo de la muestra, deben conocerse tres factores&
'. El ni#el de confian"a deseado.
). EL error de muestreo permitido.
2. La des#iaci!n estndar.
8eterminaci!n del tamaSo de muestra para una proporci!n&

=l determinar el tamaSo de muestra para estimar una porci!n se deben definir tres inc!gnitas&
'. El ni#el de confian"a.
). El error de muestreo permitido.
2. La porci!n #erdadera de xitos.
E4)25a82D# 3 E*)*+52#a82D# E*( )a5aS' E* 56*4)+a >a+a >'B(a82'#*4 F2#2)a4.
Estimaci!n de la media

Estimaci!n de la proporci!n
8eterminaci!n del tamaSo de muestra
57

5. PRUEBA DE @IPOTESIS
La prueba de (ip!tesis empie"a con algo de teora, afirmaci!n o negaci!n con respecto a un
parmetro particular de una poblaci!n. La (ip!tesis de que el parmetro de la poblaci!n es igual a la
especificaci!n de la compaSa se conoce como (ip!tesis nula. Una (ip!tesis nula es siempre una de
status quo o de no diferencia. $e simboli"a con el smbolo Uo.
$iempre que especificamos una (ip!tesis nula, tambin debemos especificar una (ip!tesis
alternati#a, o una que debe ser #erdadera si se encuentra que la (ip!tesis nula es falsa. La (ip!tesis
alternati#a se simboli"a U'. La (ip!tesis alternati#a representa la conclusi!n a la que se llegara si
(ubiera suficiente e#idencia de la informaci!n de la muestra para decidir que es improbable que la
(ip!tesis nula sea #erdadera, y por tanto rec(a"arla. El (ec(o de no rec(a"ar la (ip!tesis nula no es
una prueba de que sta sea #erdadera. Funca podemos probar que tal (ip!tesis sea correcta porque
estamos basando nuestra decisi!n %nicamente en la informaci!n de la muestra, no en la poblaci!n
entera.
N La (ip!tesis nula se refiere siempre a un #alor especificado del parmetro de poblaci!n, no
a una estadstica de muestra.
N El planteamiento de la (ip!tesis nula siempre contiene un signo de igualdad con respecto al
#alor especificado del parmetro.
N El planteamiento de la (ip!tesis alternati#a nunca contiene un signo de igualdad con respecto al
#alor especificado del parmetro.
Hegiones de rec(a"o y de no rec(a"o
La distribuci!n de muestreo de la estadstica de prueba se di#ide en dos regiones, una regi!n de
rec(a"o /conocida como regi!n crtica0 y una regi!n de no rec(a"o. $i la estadstica de prueba cae
dentro de la regi!n de no rec(a"o, no se puede rec(a"ar la (ip!tesis nula.
La regi!n de rec(a"o puede considerarse como el conjunto de #alores de la estadstica de prueba
que no tienen posibilidad de presentarse si la (ip!tesis nula es #erdadera. Por otro lado, estos
#alores no son tan improbables de presentarse si la (ip!tesis nula es falsa. El #alor crtico separa la
regi!n de no rec(a"o de la de rec(a"o.
Hiesgos en la toma de decisiones al utili"ar la metodologa de prueba de (ip!tesis.
$e pueden presentar dos tipos diferentes de errores&
N Un error tipo C se presenta si la (ip!tesis nula es rec(a"ada cuando de (ec(o es #erdadera y
deba ser aceptada.
N Un error tipo CC se presenta si la (ip!tesis nula es aceptada cuando de (ec(o es falsa y deba ser
rec(a"ada.
Fi#el de $ignificaci!n. La probabilidad de cometer un error tipo C denotada con la letra griega alfa,
se conoce como ni#el de significaci!n de la prueba estadstica. Est bajo el control directo del
indi#iduo que lle#a a cabo la prueba. Ba que se (a especificado el #alor de alfa, se conoce el tamaSo
de la regi!n de rec(a"o, puesto que alfa es la probabilidad de un rec(a"o de la (ip!tesis nula.
58
Coeficiente de confian"a. EL complemento / 'N

0 de la probabilidad de cometer un error de tipo C

se conoce como coeficiente de confian"a.
El coeficiente de confian"a es la probabilidad de que la (ip!tesis nula no sea rec(a"ada cuando de
(ec(o es #erdadera y debera ser aceptada.
Hiesgo

. La probabilidad de cometer un error de tipo CC se conoce como ni#el de riesgo del

consumidor.
Potencia de una prueba. El complemento /'N

0 de la probabilidad de cometer un error del tipo CC

se conoce como potencia de una prueba estadstica.
La potencia de una prueba es la probabilidad de rec(a"ar la (ip!tesis nula cuando de (ec(o esta es
falsa y debera ser rec(a"ada.
Una manera en que podemos controlar la probabilidad de cometer un error del tipo CC en un estudio,
consiste en aumentar el tamaSo de la muestra. EamaSos ms grandes de muestra, nos permitirn
detectar diferencias incluso muy pequeSas entre las estadsticas de muestra y los parmetros de la
poblaci!n. Cuando se disminuye

aumentar de modo que una reducci!n en el riesgo de

cometer un error de tipo C tendr como resultado un aumento en el riesgo de cometer un error tipo
CC.
Prueba de (ip!tesis i para la media /des#o de la poblaci!n conocido0
El estadstico de prueba a utili"ar es&
La Potencia de una prueba
l representa la probabilidad de que la (ip!tesis nula no sea rec(a"ada cuando de (ec(o es falsa y
debera rec(a"rsele. La potencia de prueba 'Nl representa la sensibilidad de la prueba estadstica
para detectar cambios que se presentan al medir la probabilidad de rec(a"ar la (ip!tesis nula cuando
de (ec(o es falsa y debera ser rec(a"ada. La potencia de prueba estadstica depende de qu tan
diferente en realidad es la media #erdadera de la poblaci!n del #alor supuesto.
Una prueba de un extremo es ms poderosa que una de dos extremos, y se debera utili"ar siempre
que sea adecuado especificar la direcci!n de la (ip!tesis alternati#a.
Puesto que la probabilidad de cometer un error tipo C y la probabilidad de cometer un error tipo CC
tienen una relaci!n in#ersa y esta %ltima es el complemento de la potencia de prueba /'Nl0, entonces
k y la potencia de la prueba #aran en proporci!n directa. Un aumento en el #alor del ni#el de
significaci!n escogido, tendra como resultado un aumento en la potencia y una disminuci!n en k
tendra como resultado una disminuci!n en la potencia.
Un aumento en el tamaSo de la muestra escogida tendra como resultado un aumento en la potencia
de la prueba, una disminuci!n en el tamaSo de la muestra seleccionada tendra como resultado una
disminuci!n en la potencia.
59
Eodos los procedimientos paramtricos tienen tres caractersticas distinti#as& Los procedimientos de
prueba paramtricos pueden definirse como aquellos.
'0 que requieren que el ni#el de medici!n obtenido con los datos recolectados est en forma de
una escala de inter#alo o de una escala de cociente.
)0 implican la prueba de (ip!tesis de #alores de parmetros especificados.
20 y por %ltimo requieren un conjunto limitante de suposiciones.
Los procedimientos no paramtricos pueden definirse como aquellos que no tienen que #er con los
parmetros de una poblaci!n.
Prueba t de (ip!tesis para la media /m
)
desconocida0
En ocasiones se desconoce la des#iaci!n estndar de la poblaci!n. $in embargo, se la puede estimar
con el clculo de $, la des#iaci!n estndar de la muestra. Hecordemos de muestreo de la media
seguir una distribuci!n t con nN' grado de libertad.
P+6*Ba E* T2>D)*424 W2 >a+a (a Ha+2a#Ia (' E*4H2a82D# *4)J#Ea+)
=l intentar llegar a conclusiones con respecto a la #ariabilidad de la poblaci!n, primero debemos
determinar que estadstica de prueba puede utili"arse para representar la distribuci!n de la
#ariabilidad de los datos de la muestra. $i la #ariable se supone que est distribuida normalmente,
entonces la estadstica de prueba para probar si la #arian"a de la poblaci!n es igual o no a un #alor
especificado es&
Una distribuci!n c(iNcuadrado es una distribuci!n sesgada cuya forma depende exclusi#amente del
n%mero de grados de libertad. Conforma este aumenta, la distribuci!n se #uel#e ms simtrica.

P+6*Ba4 E* E'4 56*4)+a4 8'# Ea)'4 #65X+28'4
60
Prueba t de #arian"a conjunta para diferencias entre dos medias
$upongamos que consideramos dos poblaciones independientes, cada una con una media y una
des#iaci!n estndar. La estadstica de prueba utili"ada para determinar la diferencia entre las medias
de las poblaciones est basada en la diferencia entre las medias de las muestras /Y' ^ Y)0. 8ebido
al teorema del lmite central esta estadstica seguir la distribuci!n normal. La estadstica de prueba
i es&
En donde Y es la media de la muestra correspondiente a cada una de las dos muestras, n es el
tamaSo de la muestra y por %ltimo tenemos la #arian"a de la muestra.
$i suponemos que las #arian"as son iguales y que las muestras fueron tomadas de manera aleatoria
e independiente se puede utili"ar una prueba t de #arian"a conjunta para determinar si existe alguna
diferencia significati#a entre las medias de las poblaciones. $i puede calcular la siguiente estadstica
de prueba t de #arian"a conjunta&
8onde&
La estadstica de prueba t de #arian"a conjunta sigue una distribuci!n t con n
'
Rn
)
N) grados de
libertad.
Prueba tde #arian"a separada para diferencias entre dos medias
$i suponemos que las #arian"as no son iguales como en el caso anterior debemos replantear el
estadstico a utili"ar.
61
La estadstica de prueba t puede ser aproximada con la f!rmula de #, mostrada anteriormente.
Prueba t para la diferencia de medias
Con el prop!sito de determinar cualquier diferencia que exista entre dos grupos relacionados, deben
obtenerse las diferencias en los #alores indi#iduales de cada grupo. Cuando la des#iaci!n estndar
de la poblaci!n de la diferencia es conocida y el tamaSo de muestra es lo suficientemente grande.
La estadstica de prueba i es&
$in embargo, en la mayora de los casos no conocemos la des#iaci!n estndar real de la poblaci!n.
La %nica informaci!n que se puede obtener son las estadsticas sumarias como la media y la
des#iaci!n estndar de muestra. $i se supone que la muestra de resultados es tomada de manera
aleatoria e independiente se puede reali"ar una prueba t para determinar si existe una diferencia
media de poblaci!n significati#a. La estadstica seguir una distribuci!n t con nN' grados de
libertad.

@'" YE " & E'#E* YE" Y11Y2
@1" YE Z &
$e puede calcular el siguiente estadstico de prueba&
P+6*Ba E* T2>D)*424 8'# Ea)'4 8a)*ND+28'4
Prueba i de una muestra para la proporci!n. Para e#aluar la magnitud de la diferencia entre la
proporci!n de la muestra y la porci!n de la poblaci!n supuesta la estadstica de prueba est dada por
la ecuaci!n siguiente&
62
La estadstica de prueba i est distribuida de manera aproximadamente normal.
Prueba i para diferencias entre dos porciones /muestras independientes0. Cuando se e#al%an
diferencias entre dos porciones basndose en muestras independientes se puede emplear una prueba
i. La estadstica de prueba es&
$e supone que las dos porciones de poblaci!n son iguales.
@'" >1">2
@1" >1 Z >2
LABORATORIO NC &4
'. $i Y 4 Q<, 4 Q y n 4 K9, estable"ca un estimador del inter#alo de confian"a de P<X para la
media poblacional

). $i Y 4 ')<, 4 )9 B n 4 2K, estable"ca un estimador del inter#alo de confian"a de PPX para

la media poblacional

.
2. Una in#estigadora de mercado establece que tiene una confian"a de P<X de que el promedio
#erdadero de las #entas mensuales de un producto est entre 'LA,AAA y )AA,AAA d!lares. Explique el
significado de esta afirmaci!n.
9. $uponga que el administrador de una tienda de pinturas desea estimar la cantidad real de pintura
contenida en las latas de ' gal!n compradas a un fabricante con renombre en todo el pas. $e sabe,
de las especificaciones de fabricaci!n que la des#iaci!n estndar de la cantidad de pinturaes igual a
A.A) de gal!n. $e selecciona una muestra aleatoria de <A latas y la cantidad promedio de pintura por
gal!n es A.PP< de gal!n.
/a0 Estable"ca una estimaci!n del inter#alo de confian"a de PPX para el promedio poblacional de la
cantidad de pintura incluida en una lata de l gal!n.
/b0 $eg%n estos resultados, *piensa que el dueSo de la tienda tiene derec(o a quejarse con el
fabricante *Por qu+
/c0 La poblaci!n cantidad de pintura por gal!n, tiene una distribuci!n normal Explique.
/d0 Explique por qu un #alor obser#ado de A.PQ de gal!n en una lata no es raro aun cuando est
fuera del inter#alo de confian"a que calcul!.
/e0 $uponga que us! un estimador de inter#alo de confian"a de P<X. *Cules seran las respuestas
de los incisos /a0 y /b0+
<. El gerente de control de calidad de una fbrica de focos necesita estimar la #ida promedio de un
en#o grande. $e sabe que la des#iaci!n estndar del proceso es ' AA (ora.Una muestra aleatoria de
K9 focos indica una #ida media de la muestra de 2<A (oras.
63
/a0 Estable"ca una estimaci!n del inter#alo de confian"a de P<X para la #ida promedio real de los
focos de este en#o.
/b0*Piensa que el fabricante tiene derec(o a establecer que los focos duran un promedio de 9AA
(oras+ Explique.
/c0 La #ida de los focos, *debe tener una distribuci!n normal Explique. /d0 Explique por qu un
#alor obser#ado de 2)A (oras no es raro, aun cuando est fuera del inter#alo de confian"a.
/e0 $uponga que la des#iaci!n estndar del proceso cambi! a QA (oras. *Cules seran las respuestas
a los incisos/a0 y /b0+
%. La di#isi!n de inspecci!n de Lee County neiglns and Deasures 8epartment esta interesada en la
cantidad real de refresco que contienen las botellas de ) litros en una embotelladora local de una
compaSa de refrescos conocida en too el pas. La embotelladora informa a la di#isi!n de inspecci!n
que la des#iaci!n estndar en estas botellas es A.A< ele litro. Una muestra aleatoria de 'AA botellas
de ) litros obtenida en esta planta indica un promedio muestral, de '.PP litros.
a0 Estable"ca un inter#alo de confian"a de P<X de la cantidad promedio #erdadera de refresco en
cada botella.
/b0 La poblaci!n de refrescos, *debe tener una distribuci!n normal+ Explique.
/c0 Explique por qu el #alor obser#ado de ).A) litros no es raro, aun cuando est fuera del inter#alo
de confian"a calculado.
/d0 $uponga que el promedio muestral es '.PL litros. *Cul sera la respuesta al inciso a0+
L. 8etermine el #alor crtico de C en las siguientes circunstancias&
/a0 'N

4 A.P<, n 4 'A.
/b0 'N

4 A.PP, n 4 'A.
/c0 'N

4 A.P<, n 4 2).
/d0 'N

4 A.P<, n 4 K<.
/e0 'N

4 A.PA, n 4 'K.
Q. $i X 4 L<, $ 4 )9 y n, 2K, suponga que la poblaci!n tiene una distribuci!n normal y estable"ca
una estimaci!n del inter#alo de confian"a de P<X de la media poblacional

.
P. $i X 4<A) $ 4 '< B n 4 'K, suponga que la poblaci!n tiene distribuci!n normal y estable"ca una
estimaci!n del inter#alo de confian"a de PPX de la media poblacional.
'A. Estable"ca una estimaci!n del inter#alo de confian"a de P<X para la media poblacional, con
base en los siguientes conjuntos de datos, suponga que la poblaci!n tiene distribuci!n normal&
Conjunto '& ', ', ', ', Q, Q, Q, Q
Conjunto )& ', ), 2, 9, <) K, L, Q
Explique por qu tienen inter#alos de confian"a distintos aun cuando tienen la misma media y el
mismo rango.
''. Calcule un inter#alo de confian"a de B6? para la media poblacional, con base en los n%meros
',), 2, 9, <, K, )A. Cambie el n%mero )A a L y calcule de nue#o el inter#alo de confian"a. Con estos
resultados, describa el efecto del #alor extremo en el inter#alo de confian"a.
'). El departamento de transportes del gobierno de Estados Unidos requiere que los fabricantes de
neumticos proporcionen informaci!n acerca de la cara de la llanta para que un cliente potencial
est mejor informado al tornar su decisi!n de compra. Una medida muy importante en el
desempeSo de la llanta es el ndice de desgaste de las cuerdas, que indica la resistencia de la llanta
al desgaste de las cuerdas comparada con el grado de la llanta de 'AA, Esto significa que una llanta
con grado de )AA debe durar el doble, en promedio, que una llanta con gracia 'AA. $uponga que una
64
organi"aci!n para el consumidor desea estimar el ndice de desgaste real de las cuerdas de una
marca de llantas con grado )AA que produce cierto fabricante. Una muestra aleatoria de 'Q llantas
indican ndice de desgaste promedio muestral de 'P<.2 y una des#iaci!n estndar de )'.9.
/a0 $uponga que los ndices de desgaste de cuerdas de lo poblaci!n tiene distribuci!n normal,
estable"ca un inter#alo de P<X de confian"a estimado del ndice de desgaste promedio de la
poblaci!n para las llantas que produce el fabricante de esta marca.
/b0 *Piensa que la organi"aci!n para el consumidor debe denunciar al fabricante por producir llantas
que no cumplen la informaci!n de desempeSo proporcionada en la cara de la llanta+ Explique.
/e0 8iga por qu un ndice de desgaste obser#ado de )'A para una llanta en particular no es raro,
aunque est fuera del inter#alo de confian"a desarrollado en /a0.
13. Un auditor del departamento estatal de seguros desea determinar la proporci!n de reclamaciones
pagadas por una compaSa de seguros de salud dentro de los ) meses siguientes a la recepci!n de la
solicitud. $e selecciona una muestra aleatoria de )AA reclamaciones y se determina que QA se
pagaron en menos de ) meses.
/a0 Estable"ca una estimaci!n del inter#alo de confian"a de PPX de la proporci!n de la poblaci!n
de reclamaciones pagadas en menos de ) meses.
/b0 $i se supone que PAX 3 ms reclamaciones se pagan en menos de ) meses, *qu de be informar
el auditor al departamento estatal de seguros acerca del desempeSo de los pagos de la compaSa de
seguros+
14.Un distribuidor de autom!#iles desea estimar la proporci!n de clientes que toda#a tienen los
autos comprados (ace < aSos. Una muestra aleatoria de )AA clientes seleccionada de los registros
del distribuidor indica que Q) clientes conser#an el auto comprado < aSos antes.
/a0 Estable"ca un inter#alo de confian"a de P<X de la proporci!n de la poblaci!n de todos los
clientes que conser#an los autos < aSos despus de comprarlos.
/b0 *C!mo puede el distribuidor usar los resultados de /a0 para estudiar la satisfacci!n del cliente
con el auto que le compraron+
14. Una papelera recibe un cargamento de un fabricante de cierta marca de bolgrafos de bajo
costo. $e prueba una muestra aleatoria de 2AA bolgrafos y se encuentra que 2A estn defectuosos.
/a0 Estable"ca un inter#alo de confian"a de PAX para estimar la proporci!n de bolgrafos
defectuosos en el cargamento.
/b0 El cargamento se puede regresar si contiene ms de <X de bolgrafos defectuosos, seg%n los
resultados de la muestra, *puede la papelera regresarlo+
/c0 $uponga que se desea un inter#alo estimado de PPX de confian"a en /a0. *Cul sera el efecto
de este cambio en sus repuestas de /a0 y /b0+
15. La compaSa de telfonos quiere estimar la proporci!n de #i#iendas que compraran una lnea
telef!nica adicional si estu#iera disponible a un costo de instalaci!n reducido de manera sustancial.
$e selecciona una muestra aleatoria de <AA #i#iendas. Los resultados indican que '2< de las
#i#iendas compraran la lnea adicional a un costo de instalaci!n reducido.
/a0 Estable"ca un inter#alo de confian"a de PPX para la proporci!n de la poblaci!n de #i#iendas
que compraran una lnea de telfono adicional.
/b0 *C!mo usara estos resultados el gerente a cargo de programas promocionales para clientes
residenciales+
'K. Un grupo de consumidores desea estimar el monto de las facturas de energa elctrica para el
mes de julio para las #i#iendas unifamiliares en una ciudad grande. Con base en estudios reali"ados
en otras ciudades, se supone que la des#iaci!n estndar es )< d!lares. El grupo desea estimar el
monto promedio para julio dentro de < t d!lares del promedio #erdadero con PPX de confian"a.
/a0 *fu tamaSo de muestra necesita+
65
/b0 $i desea P<X de confian"a, *qu tamaSo de muestra requiere+
'L. Una agencia de publicidad que da ser#icio a una estaci!n de radio desea estimar. el tiempo
promedio diario que la audiencia escuc(a la estaci!n. 8e estudios anteriores, la des#iaci!n estndar
se estima en 9< minutos.
/a0 *fu tamaSo de muestra se necesita si la, agencia desea una confian"a de PAX con < t minutos
del resultado correcto+
/b0 $i se desea PPX de confian"a, *qu tamaSo de muestra necesita+
'Q. $uponga que un pro#eedor de gas desea estimar el tiempo de espera promedio para la
instalaci!n del ser#icio dentro de < t das con P<X de confian"a. 8ebido a que no tiene acceso a
datos (ist!ricos, (ace una estimaci!n independiente de la des#iaci!n estndar, que piensa es de )A
das. *fu tamaSo de muestra necesita+
'P. Un encuestador poltico desea estimar la proporci!n de electores que #otarn por el candidato
dem!crata en una campaSa presidencial. El encuestador desea PPX de confian"a de que su
predicci!n ser correcta dentro de A9 . A t de la proporci!n de la poblaci!n.
/a0 *Cul es el tamaSo de muestra necesario+
/b0 $i desea P<X de confian"a, *qu tamaSo de muestra requiere+
(c* $i desea P<X de confian"a y un error muestral de A2 . A t , *qu tamaSo de muestra necesita+
/d0 $eg%n las respuestas de /a0 a (e*) *qu conclusi!n general se deri#a acerca del efecto del ni#el de
confian"a deseado y el error muestral aceptable en el tamaSo de la muestra requerido+
)A. El gerente de un banco desea PAX de confian"a de tener un resultado correcto dentro de A< . A t
de la proporci!n de poblaci!n real de a(orradores que tienen cuentas de a(orros y de c(eques
en el banco. *8e cuntos a(orradores debe ser su muestra+
)'. Para oC
'AA
)
5
C

577 y una muestra de tamaSo n)

ser mayor si el #alor real

de

es PA que si el #alor real de

es L<. *Por qu+

)). En el sistema legal norteamericano se supone que un acusado es inocente (asta que se pruebe su
culpabilidad. Considere una (ip!tesis nula o/ de que el acusado es inocente y la (ip!tesis
alternati#a
5
de que es culpable. Un jurado tiene dos decisiones posibles& declararlo culpable /es
decir, rec(a"ar la (ip!tesis nula o declararlo inocente /es decir, no rec(a"ar la (ip!tesis nula0.
Explique el significado de los riesgos de cometer un error tipo C o un error tipo CC.
66