Separata Ii Probabilidad e Inferencia Estadistica

SEPARATA DE PROBABILIDADES Y ESTADSTICA
INFERENCIAL
Docente:
M.Sc. Est. Carlos Daniel Gonzales Hidalgo.
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 frmulas que se ajustan regularmente
a ciertos fenmenos o experimentos.
1.2. EXPERIMENTO
En estadstica se considera experimento al proceso mediante el cul se obtienen los datos, ya sea de naturaleza
cualitativa o cuantitativa.
1.2.1. EXPERIMENTO DETERMINSTICO
Se llama as al fenmeno o experimento que siempre tiene que ocurrir. Es decir se presenta de una nica
manera y existen frmulas matemticas que describen el fenmeno y con las que se pueden determinar el
resultado del experimento.
Ejemplos:
1.
El experimento consiste en dejar en el aire un plumn, ste siempre tiene que caer, pues la ley de la
gravedad har que sea atrada al suelo.
Elevamos el precio de un bien, inmediatamente se reducir la cantidad demandada.
2.
1.2.2. EXPERIMENTO NO DETERMINISTICO O ALEATORIO

Se llama as al fenmeno o experimento en el que no se puede determinar con certeza 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.
b.
c.
Sus resultados son producto del azar.

Se puede repetir, cada experimento muchas veces sin cambiar las condiciones.
Sus resultados posibles se pueden enlistar en un conjunto.
Ejemplos:
1.
Lanzar una moneda sobre una mesa es un experimento aleatorio; unas veces resulta cara otras
veces sello. Si en este experimento cargsemos la moneda (revistiendo la cara con un metal pesado) de tal
manera que al lanzarla a una mesa siempre resulte cara, el experimento deja de ser aleatorio y pasara a ser
determinstico.
2.
Consideremos un partido entre dos equipos de Ftbol; desde el punto de vista de los resultados
(goles). Siempre queda un margen de azar en la determinacin del nmero de goles a favor o en contra.
3.
Los juegos de lanzar dados, barajas, loteras, ruletas, carrera de caballos, etc. son tpicamente
aleatorios.
4.
Observar la vida til de un artculo.
1.3. ESPACIO MUESTRAL ()
Se denomina espacio muestral, al conjunto formado por todos los resultados posibles de un experimento
aleatorio.
En notacin matemtica el espacio muestral se define como sigue:
= {x / x es resultado de un experimento aleatorio}
Ejemplos:
Describir el espacio muestral asociado a cada uno de los experimentos aleatorios:
1.
Lanzar una moneda al piso y observar el resultado que ocurre en la cara superior de la moneda.
= {c, s} n () = 2
2.
Lanzar dos monedas consecutivas al piso y observar el resultado que ocurre en la cara superior de las monedas.
= {(c, c), (c, s), (s, c), (s, s)} n () = 4
2
C
( C, C )
= ( C, S )
= ( S, C )
S
S = ( S, S )
_________________________________________________
2
*
2 =
4
3.
Elegir el Presidente de una asociacin, de un grupo de 5 candidatos (A, B, C, D, E).

= {A, B, C, D, E} n () = 5
4.
Lanzar una moneda hasta obtener cara y contar el nmero de lanzamientos.

= {1, 2, 3,}
5.
Determinar la vida til de un artculo.

= {w / w 0}
1.4. EVENTO O SUCESO

Se llama evento o suceso a todo subconjunto del espacio muestral. A los eventos se les denota con las primeras
letras maysculas del alfabeto, as decimos:
A = Es un evento A
A se le considera evento seguro y a evento imposible.
Ejemplo:
Suponga que se lanza dos monedas consecutivas al piso y se observa el resultado que ocurre en la cara superior
de las monedas. Enliste los siguientes eventos:
a). Se obtuvo exactamente una cara.
b). Se obtuvo exactamente dos sellos.
c). Se obtuvo por lo menos una cara.
d). Se obtuvo mas de una cara.
e). Se obtuvo a lo ms dos caras.
f). Se obtuvo menos de dos caras.
Solucin.
= {(c, c), (c, s), (s, c), (s, s)} n () = 4
a). A = {(c, s), (s, c)} n (A) = 2
b). B = {(s, s)} n (B) = 1
c). C = {(c, c), (c, s), (s, c)} n (C) =3
d). D = {(c, c)} n (D) = 1

e). E = {(c, c), (c, s), (s, c), (s, s)} n (E) = 4
f). F = {(c, s), (s, c), (s, s)} n (F) = 3
1.5. ALGEBRA DE EVENTOS
Usando las leyes del lgebra de conjuntos se puede formar nuevos eventos, los cuales son subconjuntos del
mismo espacio muestral de donde provienen los eventos dados. As para los eventos dados. As, para los eventos A, B Y
C de se cumplen las siguientes leyes:
1.5.1. LEY DE IDEMPOTENCIA:
a) Unin: AA =A
b) Interseccin: AA =A
1.5.2. LEY ASOCIATIVA:
a) Unin: A(BC) = (AB)C = (ABC)
b) Interseccin: A(BC) = (AB)C = (ABC)
1.5.3. LEY CONMUTATIVA:
a) Unin: AB = BA
b) Interseccin: AB =BA
1.5.4. LEY DISTRIBUTIVA:
a) Unin: A(BC) = (AB) (AC)
b) Interseccin: A(BC) =(AB) (AC)
1.5.5. LEYES DE MORGAN:
a) Unin: (AB) =A B
b) Interseccin: (AB) = A B
1.5.6. LEYES DEL COMPLEMENTO:
a) Unin: AA =
b) Interseccin: AA =
1.5.7. LEY DE IDENTIDAD:
a) Unin: A=A y A =
b) Interseccin: A = y A=A
1.6. TCNICAS DE CONTEO
1.6.1. PERMUTACIONES
Permutacin es un arreglo lineal de todos los elementos de un conjunto o parte de los elementos del
conjunto (subconjunto) tomados en un orden definido. El nmero total de permutaciones est en funcin al
nmero de elementos tomados a la vez para cada permutacin. Segn esto podemos distinguir tres casos:
a) Permutaciones simples.
a.1.
n n
P = n
a.2.
n r
P = n / (n-r)
b) Permutaciones con objetos repetidos.
n n1, n2, n3,...nk
c)
= n / (n1 * n2 * *nk)
Permutaciones circulares.
PCn = (n-1)
Ejemplos:
1.
Se invita a 5 gerentes de grandes Empresas de Chiclayo, para dar a los alumnos de Marketing y Negocios
Internacionales de la UCV, una conferencia sobre exportacin. De cuntas maneras distintas se pueden
sentar los gerentes en una fila?
P = 5 = 5*4*3*2*1 =120
5 5
2.
De un grupo de 4 personas, se tiene que elegir a 3 personas que deben ocupar el cargo de presidente,
secretario, y vocal. De cuntas maneras se pueden hacer los arreglos?
P = 4 / (4-3) = 24
4 3
3.
4.
El nmero de formas diferentes de permutar 12 objetos iguales en todo, salvo el color, de los cuales 3 son
negros, 4 son blancos y 5 son rojos es,
12P3, 4, 5 = 12 / (3 * 4 *5) =27720
De cuntas maneras diferentes pueden sentarse 9 personas alrededor de una mesa elipsoidal?
PC9 = (9-1) =8
1.7. COMBINACIONES
Cuando hablamos de combinaciones, no debemos tener en cuenta el orden de los elementos; slo nos interesa
que se combine un elemento con otro.
nCr = n / r(n-r)
Ejemplos:
1.
2.
3.
Cuntos cables de conexin se necesitan para que dos aulas cualesquiera, de doce aulas existentes en total en
una Universidad, puedan comunicarse directamente?
12C2 = 12 / 2 (12-2) = 66
Una caja contiene 20 tornillos similares, de los cuales 10 son buenos, 8 tienen defectos del tipo A, 5 tienen
defectos del tipo B, y 3 los dos tipos de defectos.Cuntos elementos tiene el espacio muestral que resulta de
escoger al azar 11 tornillos de manera que 2 tengan defectos Ay B, 3 defectos slo A, 2 con defectos slo B y 4
sin defectos?
10C4 * 5C3 * 3C2 * 2C2 = 6300
Dados los eventos A de 4 elementos, y B de 8 elementos.Cuntos eventos de 6 elementos pueden formarse si
cada uno debe contener:
a) Un solo elemento de A?
b) Por lo menos un elemento de A?
Solucin:
a)
C1 * 8C5 = 224 formas.
b)
C1 * 8C5+ 4C2 * 8C4+ 4C3 * 8C3+ 4C4 * 8C2 = 896 formas.
1.8. PROBABILIDAD DE OCURRENCIA DE OCURRENCIA DE UN EVENTO

1.8.1. DEFINICIN DE PROBABILIDAD CLSICA
Si A es un evento de , la probabilidad de que ocurra el evento A est dada por:

P(A)= n(A) / n ()
Evento
(A)
n(A)
Espacio
muestral
n()
Experimento
aleatorio
/ nel resultado que ocurre en la

Ejemplo: Suponga que el experimento aleatorio consiste en lanzar unP(A)=
dado y n(A)
observar
cara superior del dado. Calcular la probabilidad de que ocurra:
()
a)
b)
c)
d)
El nmero 6.
Por lo menos el nmero 4.
A lo ms el nmero 2.
Por lo menos el nmero 1.
Solucin:
= {1, 2, 3, 4, 5, 6} n () = 6
a)
A= {6} n (A) = 1
P(A)= n(A) / n () = 1/6
b) B= {4, 5, 6} n (B) = 3.
P(B)= n(B) / n () = 3/6
c)
C = {1, 2} n (C) = 2.
P(C)= n(C) / n () =2/6
d) D = {1, 2, 3, 4, 5, 6} n (D) = 6
P(D)= n(D) / n () =6/6
1.8.1. DEFINICIN DE FRECUENCIA RELATIVA
La probabilidad de un evento (que suceda o que resulte) es la proporcin de veces que el evento
sucedera en una serie prolongada de eventos repetidos.
Ejemplo:
La tabla siguiente, muestra el estado civil de 30 Trabajadores de una Empresa. Ao 2005.
ESTADO CIVIL
SOLTERO
CASADO
TOTAL
ni
20
10
30
Si se selecciona un trabajador al azar, cul es la probabilidad de que sea soltero?

Solucin:
P(Soltero)= 20 / 30
1.9. AXIOMAS DE PROBABILIDAD

A.1. 0 P(A) 1
A.2. P() =1
A.3. Si A y B son dos eventos en , tales que A y B son mutuamente excluyentes
(AB = )
P(AB) = P(A)+P(B)
Este axioma se puede extender para k eventos mutuamente excluyentes A1, A2,, AK, es decir
P( A1A2 AK) = P(A1)+P(A2)++P(AK)
1.10. TEOREMAS DE PROBABILIDAD
T.1. P( ) = 0
T.2. P(A) = 1- P(A)
T.3. Si AB P(A) P(B)
T.4. Si A y B no son mutuamente excluyentes ( AB )
P(AB) = P(A)+P(B) -P (AB)
T.5. Si A, B y C no son mutuamente excluyentes
P(ABC) = P(A)+P(B)+P(C) -P (AB) - P (AC)- P (BC)+ P (ABC)
Ejemplos:
1. La probabilidad de que la seora hablantina reciba por lo menos 8 llamadas telefnicas en un da es 0.2 y
la probabilidad de que reciba a lo ms 5 llamadas telefnicas en un da es 0.3. Hallar la probabilidad de
que la seora hablantina reciba 6 7 llamadas en un da.
Solucin:
= {0,1 ,2 ,3 ,4 ,5, 6, 7, 8, 9,...}
A= {8, 9,} P(A) = 0.2
B= {0, 1, 2, 3, 4, 5} P(B)=0.3
C = {6, 7} P(C) = ?
ABC
=
P (ABC)
= P()
P(A) + P(B) + P(C) =
1
0.2 + 0.3 + P( C) =
1 P( C) = 0.5
2. Un escolar entra a una tienda de golosinas. La probabilidad de que compre caramelos es 0.7, la
probabilidad de que compre galletas es 0.5 y la probabilidad de que compre ambos (caramelos y galletas)
es 0.3. Hallar la probabilidad de compre caramelos, o galletas o ambos.
Solucin:
Sean los eventos:
A = El nio compra caramelos
B = El nio compra galletas
AB = El nio compra caramelos y galletas
P(AB) = P(A)+P(B) -P (AB)
= 0.7 + 0.5 0.3 = 0.9
1.11. PROBABILIDAD CONDICIONAL
A menudo se quiere determinar la probabilidad de que ocurra un evento sabiendo que otro evento ha ocurrido.
La probabilidad condicional (o condicionada) de que un evento B ocurra dado que otro evento a ha ocurrido se denota
por P(B/A). Esta notacin se lee . La probabilidad de que B ocurra dado que A ha ocurrido o simplemente la
probabilidad de B dado A
P(B/A) = P (AB) / P(A) , Si P(A) 0
Ejemplo:
Un club consiste de ciento cincuenta miembros. Del total, 3/5 son hombres y 2/3 son profesionales. Adems, 1/3 de las
mujeres son no profesionales.
a)
Se elige al azar un socio del club:

a.1) Calcular la probabilidad de que sea hombre y profesional.
a.2) Calcular la probabilidad de que sea hombre, dado que es profesional.
b) Se eligen tres socios al azar:

b.1) Si las tres son mujeres, cul es la probabilidad de que slo l de ellas sea profesional?
b.2) Si resultan ser del mismo sexo, cul es la probabilidad de que sean mujeres?.
Solucin:
PROFESIONAL
NO PROFESIONAL
TOTAL
HOMBRE (H)
60
30
90
MUJER (M)
40
20
60
TOTAL
100
50
150
a)
a.1) P(H P) = 60/150 = 0.4
a.2) P(H/P) = P (HP) / P(P) = (60/150) / (100/150) = 0.6
b)
b.1)
b.2)
A = Las tres son mujeres

B = Slo una es profesional
P(B/A) = ( 40C1 * 20C2)/ 60C3
A = Los tres son del mismo sexo
B = Las tres son mujeres
P(B/A) = ( 60C3 )/ (90C3 + 60C3) = 0.23
1.12. EVENTOS INDEPENDIENTES

Se dice que el evento B es independiente del evento A, si,
P(B/A) = P(B)
Se verifica que, si P(B/A) = P(B), entonces, P(A/B) = P(A) y recprocamente
En consecuencia, podemos afirmar que:
Los eventos A y B son independientes si, y slo si,
P(B/A) = P(B) y P(A/B) = P(A).
Esto equivale a decir que A y B son independientes si slo si
P(AB) = P (A) P(B)
Ejemplo:
Suponga que en un proceso de produccin se utilizan las mquinas. 1 y 2, que trabajan en forma independiente para
producir cierto bien. Si la probabilidad de que ambas mquinas fallen es 1/5 y de que falle slo la 2 es 2/15. Calcular la
probabilidad de que
a) Falle slo la mquina 1.
b) La produccin contine.
Solucin:
P(AB) =1/5 = 3/15, P(AB) = 2/15, entonces, P(B)= 5/15
Adems de P(AB) = P (A) P(B), resulta, P(A) = 9/15

a)
P(AB) = P (A) P(B) = 9/15 * 10/15 = 6/15
b)
P(AB AB AB ) = P(AB) + P(AB) + P( AB )
= P(A) P(B) + P(A) P(B) + P( A) P(B)
= 6/15 * 5/15 + 9/15*10/15 + 6/15 * 10/15 = 12/15
1.13. PROBABILIDAD TOTAL
Si k eventos: A1, A2,..,AK, constituyen una particin del espacio muestral , entonces, para cualquier evento B
en ,
P(B) = P(A1) * P(B/A1)+P(A2)*P(B/A2)++P(AK)*P(B/AK)
A1
A2
AK
TEOREMA DE BAYES
Para cualquier evento Ai de la particin, se tiene:
P(Ai/B) = P (Ai ) P(B/ P(Ai) / P(B) , Si P(B) 0
Ejemplo:
Las probabilidades de que los socios S1 y S2 sean elegidos presidente de un club son respectivamente 0.4 y 0.6.
Las probabilidades de que se aumenten las cuotas mensuales de los socios son de 0.9 si sale elegido S 1 y de 0.2
si sale elegido S2.
a) Cul es la probabilidad de que haya un aumento en las cuotas mensuales de los socios?.
b) Si se aumenta la cuota mensual, cmo se modifican las probabilidades de que salgan elegidos los socios
S1 y S2 ?.
Solucin:
S1
0.9
0.4
0.6
S2
a)
0.2
P(A) = P(S1) * P(A/S1)+P(S2)*P(A/S2) = 0.4*0.9 + 0.6*0.2 = 0.48
b)
P(S1/A) = P (S1 ) P(A/ P(S1) / P(A) = 0.75
P(S2i/A) = P (S2) P(A/ P(S2) / P(A) = 0.25
La probabilidad de S1 se modifica de 0.4 A 0.75 y la de S2 se modifica de 0.2 a 0.25
Laboratorio N 01
1.
Sean A, B, y C tres eventos cualesquiera de un espacio muestral , expresar cada uno de los siguientes
eventos compuestos en trminos de operaciones entre A, B y C:
a)
b)
c)
d)
e)
Ocurra por lo menos uno de los eventos.

Ocurran todos los eventos.
Ocurra exactamente uno de los eventos
No ocurran ninguno de los eventos.
No ocurra ms de uno de los eventos.
2.
Cada uno de cuatro amigos elige una bebida al azar en la cafetera. Describa el espacio muestral del
experimento si hay disponibles en tres sabores denominados por L, N y F, cuntos elementos tiene?.
3.
Un lote de N artculos contiene k defectuosos, describir el espacio muestral del nmero de artculos
extrados hasta obtener el ltimo defectuoso.
4.
Un experimento consiste en observar la vida til de dos objetos, describa el evento la duracin del
primero ms la duracin del segundo es al menos 4 aos.
5.
En un edificio de 10 pisos entran al ascensor al primer piso tres personas. Cada una baja al azar a partir del
segundo piso. De cuntas maneras distintas estas personas pueden bajar en pisos diferentes?.
6.
Cierto producto se arma en tres etapas. En la primera hay 5 lneas de ensamblado, en la segunda 6, y en la
tercera 4. De cuntas maneras distintas puede hacerse circular el producto durante el proceso de
ensamblado?
7.
Una caja contiene 8 dulces de pia; 6 de naranja y 4 de fresa. Cuntos elementos tiene el espacio
muestral que resulta de extraer al azar un dulce de cada sabor?
8.
Cierta marca de sierra elctrica es calificada por especialistas, en cuanto a rendimiento, como: Muy
buena, (B1); o, buena, (B2); o regular, (B3), y en cuanto al precio, como cara, (C1), o barata;
(C2). De cuntas maneras es calificada la sierra elctrica por los especialistas?.
9.
Un grupo de 5 hombres y 10 mujeres, se divide al azar en 5 grupos de 3 personas cada una. Calcular el
nmero de maneras en que cada grupo contenga un hombre.
10. De cuntas maneras diferentes puede un padre dividir 8 regalos entre sus 3 hijos, si el mayor debe recibir
4 regalos y los menores 2 cada uno?
11. Un sistema est formado por dos componentes A y B cuyas probabilidades de falla son 1/6 y 2/5
respectivamente. Si la probabilidad de al menos una de las dos componentes falle es 7/30, calcular la
probabilidad de que:
a) Ninguno de las dos componentes fallen.
b) Slo una de las componentes falle.
12. Un lote contiene n objetos. La probabilidad de que al menos uno sea defectuoso es 0.06, mientras que la
probabilidad de que al menos dos sean defectuosos es 0.04. Calcular la probabilidad de que:
a) Todos los objetos sean no defectuosos.
b) Exactamente un objeto sea defectuoso.
10
13. Doscientas personas estn distribuidas de acuerdo a su sexo y lugar de procedencia de la siguiente manera:
130 son hombres, 110 son de la capital y 30 son mujeres y de provincias. Si se eligen dos personas al azar
calcular la probabilidad de que:
a) Ambos sean hombres y de provincias.
b) Al menos uno de los dos escogidos sea mujer.
14. Un comerciante tiene 12 unidades de cierto artculo de los cuales 4 tienen algn tipo de defecto. Un
cliente pide para comprar 3 de tales artculos pero que no tengan defectos. Si el comerciante escoge al azar
y de una sola vez 4 de tales artculos, cul es la probabilidad de que con las 4 unidades escogidas
satisfaga el pedido del cliente?
15. Cien personas fueron encuestadas acerca de sus preferencias sobre tres productos A, B, y C. Se encontr
que 50 prefieren el A, 37 el B, y 30 el C. Adems 12 prefieren A y B, 8 slo A y C, 5 slo B y C, y 15 slo
C. De cinco personas encuestadas elegidas al azar, calcular la probabilidad de que 2 de ellas prefieran B, y
C, 2 slo A y B, y una prefiera los tres productos.
16. Si P(A)=5/8, P(B)=3/4 y P(A/B)=2/3, calcular P(A/B)
17. Si P(B)=3/15, P(B/A)=1/5, y P(AB)=1/15, calcular P(AB)
18. De 20 clientes de crdito de una tienda comercial, 100 tienen crditos menores que $ 200, 15 tienen
crditos de al menos $ 500, y 110 tienen crditos menores de 4 aos. Adems 30 clientes tienen crditos de
al menos 4 aos y de 200 a menos de $500, y 10 clientes tienen crditos al menos $500 y menos de 4
aos.
a)
Si se elige un cliente al azar, cul es la probabilidad de que tenga crdito menos de de 4 aos si
tiene saldo de crdito de menos de $ 200?
b) Si se eligen dos clientes al azar y resultan de al menos de 4 aos de crdito, cul es la
probabilidad de que uno tenga saldo de crdito de $ 500 o ms?
19. Slo el 60% de la mercadera que recibe un comerciante del fabricante A es de calidad excepcional,
mientras que el 90% de la mercadera que recibe del fabricante B es de calidad excepcional. Sin embargo
la capacidad del fabricante B es limitada, y, por esta razn slo el 30% de la mercadera le es permitido
adquirir del fabricante B, el 70% la adquiere de A. Se inspecciona un embarque que acaba de llegar y se
encuentra que es de calidad excepcional, cul es la probabilidad de que provenga del fabricante A?.
2. DISTRIBUCIONES DE PROBABILIDAD
2.1. INTRPODUCCIN
En la primera unidad desarrollamos algunos modelos probabilsticas a travs de espacios maestrales. Esto
facilit la comprensin del concepto de probabilidad y la obtencin 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 modelos) de probabilidad que representen todos los tipos de
variables definidas e en la asignatura de Estadstica Descriptiva. As todo lo estudiado en tal asignatura para hacer
un tratamiento descriptivo de las variables cuantitativas tendr su correspondiente distribucin( o modelo terico).
Estas variables numricas a las cuales asociamos distribuciones de probabilidad, sern llamadas variables
aleatorias.
2.2. VARIABLE ALEATORIA
Una variable estadstica es una caracterstica (cualitativa o cuantitativa) que se mide u observa en una
poblacin. Si la poblacin es aleatoria y la caracterstica es cuantitativa la variable estadstica es denominada
variable aleatoria. Las variables aleatorias se clasifican en discretas y continuas.
Definicin. Se denomina variable aleatoria, a una variable estadstica cuantitativa definida en un espacio muestral
.
11
El dominio de la variable aleatoria X es el espacio muestral y el rango es un subconjunto de los nmeros

reales que denotaremos por RX, siendo,
RX = {x
/ x = X (w), w }
Ejemplo:
Sea el espacio muestral que se obtiene al lanzar al aire una moneda tres veces consecutivas, esto, es,
= {SSS, SSC, SCS, CSS, SCC, CSC, CCS, CCC}.
Si X es el nmero de caras obtenidas, entonces X es una variable aleatoria cuyo rango es: RX = {0, 1, 2, 3}.
2.2.1. VARIABLE ALEATORIA DISCRETA:
FUNCIN DE PROBABILIDAD Y FUNCIN DE DISTRIBUCIN ACUMULADA.
2.2.1.1. PROBABILIDAD EN EL RANGO RX.
Una variable aleatoria discreta asume cada uno de sus valores con cierta probabilidad que denotaremos por P X
(probabilidad inducida por X).
En efecto, si el rango de la variable aleatoria X es el conjunto finito de nmeros, RX = {1, 2,, xn}y si B ={xi}
es un evento en RX, entonces,
PX = ({xi}) = P ({x
/ X (w) = x }),
PX = xi = P ({w
/ X (w) = x }).
2.2.1.2. FUNCIN DE PROBABILIDAD

Sea X una variable aleatoria discreta. Se denomina funcin (ley o modelo o distribucin) de probabilidad de X
a la funcin f(x) definida por f(x) = PX = x para todo x nmero real y que satisface las siguientes condiciones:
i) f(x) >= 0 para todo x
R,
ii)
f ( xi) 1
xiRx
NOTAS.
1. Si A
R , entonces, la probabilidad de A es el nmero:

X
P ( A)
P X
xi Rx
xi =
f ( xi)
xiRx
2. La funcin de probabilidad de una variable aleatoria X se puede expresar: por una ecuacin: f(x) = PX = x =
expresin de x, o por el conjunto de pares {(xi,pi)/pi = f(xi), xi RX} o por una tabla, si RX es finito.
Valores de xi de X
Probabilidad Pi = P X xi
x1
p1
x2
p2
x3
p3
xn
pn
La grfica de una distribucin de probabilidades discreta es la grfica de bastones.

Ejemplo:
Sea X la variable aleatoria definida como el nmero de caras que ocurren al lanzar un moneda 4 veces.
12
a) Determinar la distribucin de probabilidades de X.

b) Calcular la probabilidad P0<X<=2
SOLUCIN.
a)
f(0) = PX=0 = 1/16
f(1) = PX=1 = 4/16
f(2) = PX=2 = 6/16
f(3) = PX=3 = 4/16
f(4) = PX=4 = 1/16
b)
2
P0<X<=2 =
f (k )
f (1) f (2) 4 / 16 6 / 16 10 / 16
k 1
2.2.1.2. FUNCIN DE DISTRIBUCIN ACUMULADA DE VARIABLE ALEATORIA DISCRETA
F ( x) P X x P X K f (k ), para x
KX
2.2.2.
kx
VARIABLE ALEATORIA CONTINUA:
Variable aleatoria continua: Funcin de densidad y funcin de distribucin acumulada.

2.2.2.1. Funcin de densidad de probabilidad.
Definicin.
Se dice que la funcin f(x) es funcin de densidad (ley o distribucin) de probabilidad de la variable aleatoria
continua X si satisface las siguientes condiciones:
i ) f x 0 para todo x es el conjunto de los nmeros reales

ii )
x dx
iii ) P A P x A
f x dx, para cualquier int ervalo A
NOTAS.
1.
La condicin i) persona que la grfica de f(x) no tiene puntos por debajo del eje de las abscisas.
La condicin ii), indica que el rea total bajo la curva es igual a uno.
La condicin iii) expresa: probabilidad igual a rea. Esto es, si A a, b , la probabilidad P a X b
es igual a el rea de la regin limitada por la curva, el eje X y las rectas X = a, X = b, es decir: (ver figura 6.5).
P a X b
f x dx
13
2.
No es difcil verificar que si el evento A es cualquier intervalo en la recta real, entonces, P(A) satisface los
axiomas de la probabilidad.
3.
Cualquier funcin f(x) que satisfaga slo las condiciones i) y ii) no es probabilidad, slo es probabilidad
cuando la funcin de densidad es integrada entre dos lmites. Por ejemplo, la funcin:
f x 3 x 2 / 8 para 0 x 2.
Satisface las condiciones i) y ii), pero f(x) no es probabilidad, ya que entre otros valores se tiene, f(w) = 1.5, f(1.8)
= 1.215.
4. Si x0 es cualquier valor especfico de la variable aleatoria continua X, entonces:

P X x 0 P x 0 X x 0
x dx
x0
x0 f
Como consecuencia se tiene:

a) P A 0, no implica A
b) P a X b P a X b P a X b P a X b
EJEMPLO 6.12.
Sea f(x) una funcin definida en todos los nmeros reales por
a)
Hallar el valor de la constante c para que, f(x) sea una funcin de densidad para alguna variable aleatoria X.
b) Calcular P 0 X 1
SOLUCIN.
a)
El rea de la figura 6.6. debe ser igual a 1, entonces,
f x dx
x3
cx dx c
8
3
Resultando, c = 3/8. Luego.

3 x 2 / 8, si x 0,2
si x 0,2
0,
f x
La grfica de esta funcin de densidad est dada en la figura 6.6.
14
b)
P 0 X 1
3x 2
x3
dx
1
8
2.2.2.2. Funcin de distribucin acumulada de variable aleatoria continua.

Definicin.
La funcin de distribucin acumulada (f.d.a.) F(x) de una variable aleatoria continua X con funcin de densidad f(),
se define (ver figura 6.7) por:
f x P X x
f t dt , para x
EJEMPLO 6.13.
Sea f(x) una funcin de densidad de probabilidad de una variable aleatoria X, cuya grfica es la figura que sigue:
a)
Determinar el valor de la constante c y luego la f.d.p. de X.
b) Hallar la funcin de distribucin acumulada F(x) de X.
c) Usando F(x), calcular P 5 / 4 X 5 / 2

SOLUCIN.
a)
Si el rea que encierra la figura con el eje X es igual a uno, entonces, c =
La funcin de densidad se define a partir de la ecuacin de la recta y -1/4 = (3/4 ) (3-1) (x-1), o y = x/4. Luego,
x
4 , si 1 x 3
f x
0. en otro caso
15
b) La funcin de distribucin acumulada, se calcula por:

F(x)= 0, si x > 1, F(x) = 1; si x > 3.
Si 1 x 3, F x
t
x2
1
dt
4
8
8
Entonces,
0, si x 1
x 2 1
F x
, si 1 x 3
8
1, si x 3
La grfica de esta funcin de distribucin acumulada es la figura 6-8.
c)
5
21
9
75
5
5
5
X F
F

2
32
128 128
4
2
4
2.2.3. Valor esperado o esperanza matemtica.

La distribucin de probabilidad de una variable aleatoria se caracteriza bsicamente a travs de medidas de
tendencia central y de la dispersin. Estas medidas caractersticas de la distribucin denominadas parmetros se
describen por medio de la esperanza matemtica.
2.2.3.1. Media de una variable aleatoria.
La media de una variable aleatoria X o media de la distribucin de probabilidad de X es un nmero real que se
denota por x o por
. La media es denominada tambin esperanza matemtica o valor esperado de X, y se
denota tambin por E(X).

Definicin 1.
La media de una variable aleatoria discreta X con funcin de probabilidad f(x) es la expresin:
Si el rango de X es el conjunto finito R x x1 , x 2 , ... x n , entonces,
E X
x f x
i 1
Si el rango de X es el conjunto infinito numerable R x x1 , x 2 , ... ,

E X
i 1
f xi
En este caso, si la suma indicada no es igual a un nmero real, se dice que la esperanza de X no existe.
16
Definicin 2.
La media de una variable aleatoria continua X con funcin de densidad de probabilidad f(x) es la expresin:
E X
xf
x dx
siempre que el valor de la integral sea un nmero real, en caso contrario, se dice que la media de X no existe.
EJEMPLO 6.19.
Calcular la media de la distribucin de probabilidad de la variable aleatoria X que se define como el nmero de
caras cuando se lanzan cuatro monedas.
SOLUCIN.
La distribucin de probabilidad de X se da en la tabla 6-3.
TABLA 6-3
x1
0
1/16
1
4/16
2
6/16
3
4/16
4
1/16
F(xI)
La media de X es el nmero
1
4
6
4
1
E X xi f xi 0
1
2
3
4
2
16
16
16
16
16
Esto significa que si una persona lanza 4 monedas, muchas veces, en promedio obtendr 2 caras por lanzamiento.
NOTA: (Interpretacin de la esperanza)
Refirindonos al ejemplo 6.19, supongamos que repetimos n veces el lanzamiento de las cuatro monedas y que se
obtienen las frecuencias absolutas n , n1, n2, n3 y n4 de las veces que ocurre; 0, 1, 2, 3 y 4 caras respectivamente. Lo
que resulta es una distribucin de frecuencia cuyo promedio de caras por lanzamiento es igual a
0 x n 0 1 x n 2 2 x n3 3 x n 4 4 x n 4
n
n
n
n
n
0 x 0 1 x 1 2 x 2 3 x 3 4 x 4
n
n
n
n
n
n
En el clculo de E(X) se usan probabilidades o proporciones tericas, mientras que en el clculo de X se usan
frecuencias relativas o proporciones empricas obtenidas a partir de una muestra de tamao n. A medida que n vaya
creciendo es de esperar que las frecuencias relativas empricas:
n0/ n, n1/n, n2/n, n3/n, y n4/n,
se vayan aproximando a las correspondientes probabilidades 1/16, 4/16, 6/16, 4/16, 6/16, 4/16 y 1/16. En
consecuencia es de esperar que X se vaya aproximando a E(X) a medida que n crece indefinidamente. Entonces
E(X) es la media que ser obtiene a largo plazo o a la larga, en otras palabras es la media que se espera obtener.
NOTA: (Mediana y moda de una variable aleatoria).
La mediana de una variable aleatoria X es el nmero Me tal que:
F Me P X Me 0.5
17
Por ejemplo, acumulando las probabilidades ejemplo 6.19, resulta, F x 5 / 16, para 1 x 2, y
F x 11 / 16, para 2 x 3.
Luego en x = 2 puede ocurrir cualquier valor entre 5/16 y 11/16. En particular F(2) = 0.5. Por lo tanto, la mediana =
2.
Por otra parte, la moda de una variable aleatoria X, es el valor de la variable con mayor probabilidad (caso directo),
o donde alcanza su mximo (caso continuo). En la distribucin del ejemplo 6.19, la moda = 2.
2.2.3.2. Media de una funcin de una variable aleatoria.
Sea X una variable aleatoria discreta con rango R x y funcin de probabilidad f x P X x . Entonces, la
funcin Y = H(X), es una variable aleatoria con rango R y y / H x y , con funcin de probabilidad g(y)
dada por:
g y PTY y
P X x
x Rx / H x y
Por ejemplo, si es una variable aleatoria cuya distribucin de probabilidad est dada por la tabla 6.4, y si Y = H(X)
= 2X 3, entonces,
Tabla 6.4
x
F(x)
1/8
3/8
3/8
3/8
Y es una variable aleatoria, cuya distribucin de probabilidades es dada por la tabla 6.5, donde
g y P Y H x P X x f x .
H(x) = 2x - 3
g(y) = f(x)
-3
-1
1/8
3/8
3/8
1/8
El valor esperado de H(x) es,
3 3 3 3
H x f x
8
8
8 8
E H X
Definicin.
Si X es una variable aleatoria con distribucin con distribucin de probabilidad f(x), la media o valor esperado o
esperanza matemtica de la variable aleatoria H(x) est dada por la expresin:
E H X
Y por :
E H X
H x f x ,
si X es discreta ,
H x f x dx, si X es continua
Si la suma o la integral indicadas no son iguales a un nmero real se dice que la esperanza de H(x) no existe.
2.2.3.3. Varianza de una variable aleatoria.
18
La varianza de una variable aleatoria X se denota por cualquiera de las formas: , x , Var . X , V X
2
Definicin.
. La varianza de X es la
Sea X una variable aleatoria con distribucin de probabilidad f(x) y con media igual a
expresin:
x2 E X
2
f xi , si X es discreta, y
x2 E X 2
x 2
f x dx, si X es continua.
siempre que la suma y al integral sean nmeros reales.

Definicin. La desviacin estndar de la variable aleatoria X es la raz cuadrada positiva de su varianza. Esto es,
x X2 .
Una de las propiedades de la varianza que sea usa en el clculo es:
var X E X
E X
2
EJEMPLO 6.28.
Calcular la varianza y la desviacin estndar de la distribucin de probabilidad de la variable aleatoria X que se
define como el nmero de caras al lanzar cuatro monedas.
SOLUCIN.
La distribucin de probabilidad de X es la tabla 6-9.
Xi
1/16
4/16
f(xi)
En el ejemplo 6.19, se ha calculado E(X) = 2. Adems,
E X 2
x f x 0
4
x 0
Por lo tanto, x2 E X
6/16
4/16
4
1/16
1
4
6
4
1
80
12 x
22 x
32 x
42 x
5
16
16
16
16
16 16
5 2 1
2
La desviacin estndar de X es: x
Var X 1.
EJEMPLO 6.29.
Calcular la varianza y la desviacin estndar de la variable aleatoria discreta X cuya funcin de probabilidad es:
f x
e x
, x 0,1, 2, ...., etc, cons tan te
x!
SOLUCIN.
En el ejemplo 6.2 se ha calculado E X . Adems,
E X
x 0
x 2 f x
x 0
x2
e x
e
x!
x 1
x 1
e
x 1!
k 1 k!
k 0
k
k
2
e k
e
e e e e
k
!
k
!
k 0
k 0
Luego, la varianza de X es:
19
Var X E X 2 2 2 2
La desviacin estndar de X es
Var X
1 / 2
NOTA:
Otra forma de calcular esta varianza, es usando la siguiente expresin:
x2 E X X 1 2
En efecto, , y
E X X 1
e
x x 1
x 0
x
2 e
x!
x 2
x 2! e
2
e 2
x2
2.3. DISTRIBUCIONES DISCRETAS

Vamos a comenzar por estudiar las principales distribuciones discretas.
2.3.1 DISTRIBUCIONES DISCRETAS: BERNOUILLI
Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos soluciones: acierto o
fracaso:
Cuando es acierto la variable toma el valor 1
Cuando es fracaso la variable toma el valor 0
Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale); probabilidad de ser admitido
en una universidad (o te admiten o no te admiten); probabilidad de acertar una quiniela (o aciertas o no aciertas)
Al haber nicamente dos soluciones se trata de sucesos complementarios:
A la probabilidad de xito se le denomina "p"
A la probabilidad de fracaso se le denomina "q"
Verificndose que:
p+q=1
Veamos los ejemplos anteriores :
Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire:
Probabilidad de que salga cara: p = 0,5
Probabilidad de que no salga cara: q = 0,5
p + q = 0,5 + 0,5 = 1
Ejemplo 2: Probabilidad de ser admitido en la universidad:
Probabilidad de ser admitido: p = 0,25
Probabilidad de no ser admitido: q = 0,75
20
p + q = 0,25 + 0,75 = 1
Ejemplo 3: Probabilidad de acertar una quiniela:
Probabilidad de acertar: p = 0,00001
Probabilidad de no acertar: q = 0,99999
p + q = 0,00001 + 0,99999 = 1
2.3.2. DISTRIBUCIONES DISCRETAS: BINOMIAL
La distribucin binomial parte de la distribucin de Bernouilli:
La distribucin de Bernouiili se aplica cuando se realiza una sola vez un experimento que tiene nicamente dos
posibles resultados (xito o fracaso), por lo que la variable slo puede tomar dos valores: el 1 y el 0
La distribucin binomial se aplica cuando se realizan un nmero"n" de veces el experimento de Bernouiili, siendo
cada ensayo independiente del anterior. La variable puede tomar valores entre:
0: si todos los experimentos han sido fracaso
n: si todos los experimentos han sido xitos
Ejemplo: se tira una moneda 10 veces: cuantas caras salen? Si no ha salido ninguna la variable toma el valor 0; si
han salido dos caras la variable toma el valor 2; si todas han sido cara la variable toma el valor 10
La distribucin de probabilidad de este tipo de distribucin sigue el siguiente modelo:
Alguien entiende esta frmula? Vamos a tratar de explicarla con un ejemplo:

Ejemplo 1: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?
" k " es el nmero de aciertos. En este ejemplo " k " igual a 6 (en cada acierto decamos que la variable toma el
valor 1: como son 6 aciertos, entonces k = 6)
" n" es el nmero de ensayos. En nuestro ejemplo son 10
" p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p = 0,5
La frmula quedara:
Luego,
P (x = 6) = 0,205
Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda.
Ejemplo 2: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado ocho veces?
21
" k " (nmero de aciertos) toma el valor 4

" n" toma el valor 8
" p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666)
La frmula queda:
Luego,
P (x = 4) = 0,026
Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmeros 3 al tirar un dado 8 veces.
2.3.3. DISTRIBUCIONES DISCRETAS: POISSON
Cuando la variable aleatoria X es el nmero de eventos que ocurren en un intervalo de tiempo volumen o espacio
de dice que sigue una distribucin de Poisson. Como por ejemplo. El nmero de accidentes en una fbrica durante
un ao, el nmero de prestamos solicitados a una agencia Bancaria durante un ao, el nmero de errores que se
cometen al tejer 20 pies cuadrados de tela, el nmero de bacterias que se reproducen en un centmetro cbico de
agua, etc.
La distribucin de Poisson sigue el siguiente modelo:
Vamos a explicarla:
El nmero "e" es 2,71828
" " = n * p (es decir, el nmero de veces " n " que se realiza el experimento multiplicado por la probabilidad " p "
de xito en cada ensayo)
" k " es el nmero de xito cuya probabilidad se est calculando
Veamos un ejemplo:
La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se realizan 300 viajes, cual es
la probabilidad de tener 3 accidentes?
Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces aplicamos el
modelo de distribucin de Poisson.
Luego,
P (x = 3) = 0,0892
22
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%
Otro ejemplo:
La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que entre 800 recien
nacidos haya 5 pelirrojos?
Luego,
P (x = 5) = 4,602
Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recien nacidos es del 4,6%.
2.4. DISTRIBUCIONES CONTINUAS: NORMAL
Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se comportan segn una
distribucin normal.
Esta distribucin de caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno a un
valor central que coincide con el valor medio de la distribucin:
Un 50% de los valores estn a la dercha de este valor central y otro 50% a la izquierda
Esta distribucin viene definida por dos parmetros:
X: N ( 2)
es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de la campana de
Gauss).
2: es la varianza. Indica si los valores estn ms o menos alejados del valor central: si la varianza es baja los
valores estn prximos a la media; si es alta, entonces los valores estn muy dispersos.
Cuando la media de la distribucin es 0 y la varianza es 1se denomina "normal estndar ", y su ventaja reside en
que hay tablas donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribucin.
Adems, toda distribucin normal se puede transformar en una normal estndar:
Ejemplo: una variable aleatoria sigue el modelo de una distribucin normal con media 10 y varianza 4.
Transformarla en una normal estndar.
23
X: N (10, 4)
Para transformarla en una normal estndar se crea una nueva variable (Y) que ser igual a la anterior (X)
menos su media y dividida por su desviacin tpica (que es la raz cuadrada de la varianza)
En el ejemplo, la nueva variable sera:
Esta nueva variable se distribuye como una normal estndar, permitindonos, por tanto, conocer la probabilidad
acumulada en cada valor.
2.4.1. DISTRIBUCIONES ESTNDAR: NORMAL
Y
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8416
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,97725
0,98214
0,98610
0,98928
0,99180
0,99379
0,99534
0,99653
0,99744
0,99813
0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,97778
0,98257
0,98645
0,98956
0,99202
0,99396
0,99547
0,99664
0,99752
0,99819
0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,97831
0,98300
0,98679
0,98983
0,99224
0,99413
0,99560
0,99674
0,99760
0,99825
0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,97882
0,98341
0,98713
0,99010
0,99245
0,99430
0,99573
0,99683
0,99767
0,99831
0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,97932
0,98382
0,98745
0,99036
0,99266
0,99446
0,99585
0,99693
0,99774
0,99836
0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,97982
0,98422
0,98778
0,99061
0,99286
0,99461
0,99598
0,99702
0,99781
0,99841
0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,98030
0,98461
0,98809
0,99086
0,99305
0,99477
0,99609
0,99711
0,99788
0,99846
0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,98077
0,98500
0,98840
0,99111
0,99324
0,99492
0,99621
0,99720
0,99795
0,99851
0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,7090
0,7517
0,7813
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,98124
0,98537
0,98870
0,99134
0,99343
0,99506
0,99632
0,99728
0,99801
0,99856
0,09
0,5359
0,5723
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,98169
0,98574
0,98899
0,99158
0,99361
0,99520
0,99643
0,99736
0,99807
0,99861
Cmo se lee esta tabla?

La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer. La primera fila nos
indica el segundo decimal del valor que estamos consultando.
24
Ejemplo: queremos conocer la probabilidad acumulada en el valor 2,75.Entonces buscamos en la columna de la

izquierda el valor 2,7 y en la primera fila el valor 0,05. La casilla de la interseccin es su probabilidad acumulada
(0,99702, es decir 99.7%).
Atencin: la tabla nos da la probabilidad acumulada, es decir, la que va desde el inicio de la curva por la izquierda
hasta dicho valor. No nos da la probabilidad concreta en ese punto. En una distribucin continua en el que la
variable puede tomar infinitos valores, la probabilidad en un punto concreto es prcticamente despreciable.
Ejemplo: Imaginemos que una variable continua puede tomar valores entre 0 y 5. La probabilidad de que tome
exactamente el valor 2 es despreciable, ya que podra tomar infinitos valores: por ejemplo: 1,99, 1,994, 1,9967,
1,9998, 1999791, etc.
Veamos otros ejemplos:
Probabilidad acumulada en el valor 0,67: la respuesta es 0,7486
Veamos ahora, como podemos utilizar esta tabla con una distribucin normal:
Ejemplo: el salario medio de los empleados de una empresa se distribuye segn una distribucin normal, con
media 5 millones de ptas. y desviacin tpica 1 milln de ptas. Calcular el porcentaje de empleados con un sueldo
inferior a 7 millones de ptas.
Lo primero que haremos es transformar esa distribucin en una normal estndar, para ello se crea una nueva
variable (Y) que ser igual a la anterior (X) menos su media y dividida por la desviacin tpica
En el ejemplo, la nueva variable sera:
Esta nueva variable se distribuye como una normal estndar. La variable Y que corresponde a una variable X de
valor 7 es:
Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a la probabilidad de

sueldos inferiores a 7 millones de ptas.). Esta probabilidad es 0,97725
Por lo tanto, el porcentaje de empleados con salarios inferiores a 7 millones de ptas. es del 97,725%.
EJERCICIOS
Ejercicio 1: La renta media de los habitantes de un pas es de 4 millones de ptas/ao, con una varianza de 1,5. Se
supone que se distribuye segn una distribucin normal. Calcular:
a) Porcentaje de la poblacin con una renta inferior a 3 millones de ptas.
25
b) Renta a partir de la cual se sita el 10% de la poblacin con mayores ingresos.

c) Ingresos mnimo y mximo que engloba al 60% de la poblacin con renta media.
a) Porcentaje de la poblacin con una renta inferior a 3 millones de ptas.
Lo primero que tenemos que hacer es calcular la normal estndar:
(*) Recordemos que el denominador es la desviacin tpica ( raz cuadrada de la varianza)

El valor de Y equivalente a 3 millones de ptas es -0,816.
P (X < 3) = P (Y < -0,816)
Ahora tenemos que ver cul es la probabilidad acumulada hasta ese valor. Tenemos un problema: la tabla de
probabilidades (ver leccin 35) slo abarca valores positivos, no obstante, este problema tiene fcil solucin, ya
que la distribucin normal es simtrica respecto al valor medio.
Por lo tanto:
P (Y < -0,816) = P (Y > 0,816)
Por otra parte, la probabilidad que hay a partir de un valor es igual a 1 (100%) menos la probabilidad acumulada
hasta dicho valor:
P (Y > 0,816) = 1 - P (Y < 0,816) = 1 - 0,7925 (aprox.) = 0,2075
Luego, el 20,75% de la poblacin tiene una renta inferior a 3 millones ptas.
b) Nivel de ingresos a partir del cual se sita el 10% de la poblacin con renta ms elevada.
Vemos en la tabla el valor de la variable estndar cuya probabilidad acumulada es el 0,9 (90%), lo que quiere decir
que por encima se sita el 10% superior.
Ese valor corresponde a Y = 1,282 (aprox.). Ahora calculamos la variable normal X equivalente a ese valor de la
normal estndar:
Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a 5,57 millones de ptas.
constituyen el 10% de la poblacin con renta ms elevada.
c) Nivel de ingresos mnimo y mximo que engloba al 60% de la poblacin con renta media
Vemos en la tabla el valor de la variable normalizada Y cuya probabilidad acumulada es el 0,8 (80%). Como
sabemos que hasta la media la probabilidad acumulada es del 50%, quiere decir que entre la media y este valor de
Y hay un 30% de probabilidad.
Por otra parte, al ser la distribucin normal simtrica, entre -Y y la media hay otro 30% de probabilidad. En
definitiva, el segmento (-Y, Y) engloba al 60% de poblacin con renta media.
El valor de Y que acumula el 80% de la probabilidad es 0,842 (aprox.), por lo que el segmento viene definido por (0,842, +0,842). Ahora calculamos los valores de la variable X correspondientes a estos valores de Y.
26
Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos superiores a 2,97 millones de ptas. e
inferiores a 5,03 millones de ptas. constituyen el 60% de la poblacin con un nivel medio de renta.
Ejercicio 2: La vida media de los habitantes de un pas es de 68 aos, con una varianza de 25. Se hace un estudio
en una pequea ciudad de 10.000 habitantes:
a) Cuntas personas superarn previsiblemente los 75 aos?
b) Cuntos vivirn menos de 60 aos?
a) Personas que vivirn (previsiblemente) ms de 75 aos
Calculamos el valor de la normal tipificada equivalente a 75 aos
Por lo tanto
P (X > 75) = (Y > 1,4) = 1 - P (Y < 1,4) = 1 - 0,9192 = 0,0808
Luego, el 8,08% de la poblacin (808 habitantes) vivirn ms de 75 aos.
b) Personas que vivirn (previsiblemente) menos de 60 aos
Calculamos el valor de la normal tipificada equivalente a 60 aos
Por lo tanto
P (X < 60) = (Y < -1,6) = P (Y > 1,6) = 1 - P (Y < 1,6) = 0,0548
Luego, el 5,48% de la poblacin (548 habitantes) no llegarn probablemente a esta edad.
Ejercicio 3: El consumo medio anual de cerveza de los habitantes de un pas es de 59 litros, con una varianza de
36. Se supone que se distribuye segn una distribucin normal.
a) Si usted presume de buen bebedor, cuntos litros de cerveza tendra que beber al ao para pertenecer al 5% de
la poblacin que ms bebe?
b) Si usted bebe 45 litros de cerveza al ao y su mujer le califica de borracho qu podra argumentar en su
defensa?
a) 5% de la poblacin que ms bebe.
Vemos en la tabla el valor de la variable estndar cuya probabilidad acumulada es el 0,95 (95%), por lo que por
arriba estara el 5% restante.
Ese valor corresponde a Y = 1,645 (aprox.). Ahora calculamos la variable normal X equivalente a ese valor de la
normal estndar:
27
Despejando X, su valor es 67,87. Por lo tanto, tendra usted que beber ms de 67,87 litros al ao para pertenecer a
ese "selecto" club de grandes bebedores de cerveza.
b) Usted bebe 45 litros de cerveza al ao. Es usted un borracho?
Vamos a ver en que nivel de la poblacin se situara usted en funcin de los litros de cerveza consumidos.
Calculamos el valor de la normal estndar correspondiente a 45 litros:
Por lo tanto
P (X < 45) = (Y < -2,2) = P (Y > 2,2) = 1 - P (Y < 2,2) = 0,0139
Luego, tan slo un 1,39% de la poblacin bebe menos que usted. Parece un argumento de suficiente peso para que
dejen de catalogarle de "enamorado de la bebida"
Ejercicio 4: A un examen de oposicin se han presentado 2.000 aspirantes. La nota media ha sido un 5,5, con una
varianza de 1,5.
a) Tan slo hay 100 plazas. Usted ha obtenido un 7,7. Sera oportuno ir organizando una fiesta para celebrar su
xito?
b) Va a haber una 2 oportunidad para el 20% de notas ms altas que no se hayan clasificados. A partir de que nota
se podr participar en esta "repesca"?
a) Ha obtenido usted un 7,7
Vamos a ver con ese 7,7 en que nivel porcentual se ha situado usted, para ello vamos a comenzar por calcular el
valor de la normal estndar equivalente.
A este valor de Y le corresponde una probabilidad acumulada (ver tablas) de 0,98214 (98,214%), lo que quiere
decir que por encima de usted tan slo se encuentra un 1,786%.
Si se han presentado 2.000 aspirante, ese 1,786% equivale a unos 36 aspirantes. Por lo que si hay 100 plazas
disponibles, tiene usted suficientes probabilidades como para ir organizando la "mejor de las fiestas".
b) "Repesca" para el 20% de los candidatos
Vemos en la tabla el valor de la normal estndar que acumula el 80% de la probabilidad, ya que por arriba slo
quedara el 20% restante.
Este valor de Y corresponde a 0,842 (aprox.). Ahora calculamos el valor de la normal X equivalente:
Despejamos la X y su valor es 6,38. Por lo tanto, esta es la nota a partir de la cual se podr acudir a la "repesca".
2.5. Teorema Central del Lmite
28
El Teorema Central del Lmite dice que si tenemos un grupo numeroso de variables independientes y todas ellas
siguen el mismo modelo de distribucin (cualquiera que ste sea), la suma de ellas se distribuye segn una
distribucin normal.
Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de Bernouilli. Si lanzamos la moneda al aire
50 veces, la suma de estas 50 variables (cada una independiente entre si) se distribuye segn una distribucin
normal.
Este teorema se aplica tanto a suma de variables discretas como de variables continuas.
Los parmetros de la distribucin normal son:
Media: n * (media de la variable individual multiplicada por el nmero de variables independientes)
Varianza: n * (varianza de la variable individual multiplicada por el nmero de variables individuales)
Veamos un ejemplo:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale cruz el valor 0. Cada lanzamiento
es una variable independiente que se distribuye segn el modelo de Bernouilli, con media 0,5 y varianza 0,25.
Calcular la probabilidad de que en estos 100 lanzamientos salga ms de 60 caras.
La variable suma de estas 100 variables independientes se distribuye, por tanto, segn una distribucin normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos la variable normal estndar equivalente:
(*) 5 es la raz cuadrada de 25, o sea la desviacin tpica de esta distribucin

Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salga ms de 60 caras es tan slo del 2,28%
EJERCICIOS
Ejercicio 1.
La renta media de los habitantes de un pas se distribuye uniformemente entre 4,0 millones ptas. y 10,0 millones
ptas. Calcular la probabilidad de que al seleccionar al azar a 100 personas la suma de sus rentas supere los 725
millones ptas.
Cada renta personal es una variable independiente que se distribuye segn una funcin uniforme. Por ello, a la
suma de las rentas de 100 personas se le puede aplicar el Teorema Central del Lmite.
La media y varianza de cada variable individual es:
= (4 + 10 ) / 2 = 7
29
2 = (10 - 4)^2 / 12 = 3
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya media y varianza son:
Media: n * = 100 * 7 = 700
Varianza: n * = 100 * 3 = 300
Para calcular la probabilidad de que la suma de las rentas sea superior a 725 millones ptas, comenzamos por
calcular el valor equivalente de la variable 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 100 personas seleccionadas al azar supere los 725 millones
de pesetas es tan slo del 7,49%
Ejercicio 2.
En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada clase es del 10%. A lo largo del
ao tienes 100 clases de esa asignatura. Cul es la probabilidad de tener que salir a la pizarra ms de 15 veces?
Se vuelve a aplicar el Teorema Central del Lmite.
Salir a la pizarra es una variable independiente que sigue el modelo de distribucin de Bernouilli:
"Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10
"No salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9
La media y la varianza de cada variable independientes es:
= 0,10
2 = 0,10 * 0,90 = 0,09
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya media y varianza son:
Media: n * = 100 * 0,10 = 10
Varianza: n * = 100 * 0,09 = 9
Para calcular la probabilidad de salir a la pizarra ms de 15 veces, calculamos el valor equivalente de la variable
normal estndar:
Luego:
P (X > 15) = P (Y > 1,67) = 1 - P (Y < 1,67) = 1 - 0,9525 = 0,0475
30
Es decir, la probabilidad de tener que salir ms de 15 veces a la pizarra a lo largo del curso es tan slo del 4,75%
Ejercicio 3.
Un da visitamos el Casino y decidimos jugar en la ruleta. Nuestra apuesta va a ser siempre al negro y cada apuesta
de 500 ptas. Llevamos 10.000 ptas. y queremos calcular que probabilidad tenemos de que tras jugar 80 veces
consigamos doblar nuestro dinero.
Cada jugada es una variable independiente que sigue el modelo de distribucin de Bernouilli.
"Salir negro", le damos el valor 1 y tiene una probabilidad del 0,485
"No salir negro", le damos el valor 0 y tiene una probabilidad del 0,515
(*) La probabilidad de "no salir negro" es mayor ya que puede salir rojo o el cero
La media y varianza de cada variable individual es:
= 0,485
2 = 0,485 * 0,515 = 0,25
A la suma de las 80 apuestas se le aplica el Teorema Central del Lmite, por lo que se distribuye segn una
normal cuya media y varianza son:
Media: n * = 80 * 0,485 = 38,8
Varianza: n * = 80 * 0,25 = 20
Para doblar nuestro dinero el negro tiene que salir al menos 20 veces ms que el rojo (20 * 500 = 10.000), por lo
que tendr que salir como mnimo 50 veces (implica que el rojo o el cero salgan como mximo 30 veces).
Comenzamos por calcular el valor equivalente de la variable normal tipificada:
Luego:
P (X > 50) = P (Y > 2,50) = 1 - P (Y < 2,50) = 1 - 0,9938 = 0,0062
Es decir, la probabilidad de doblar el dinero es tan slo del 0,62% (as, que ms vale que nos pongamos a trabajar).
Ejercicio 4.
El precio de una accin en bolsa se mueve aleatoriamente entre 10 ptas. y 20 ptas., con la misma probabilidad en
todo el tramo. Hemos dado la orden a nuestro broker de que nos compre paquetes de 1.000 acciones cada da
durante las prximas 40 sesiones.
Una vez ejecutada la orden, tenemos un total de 40.000 acciones. A final de ao vendemos todas las acciones al
precio de 13 ptas./accin, recibiendo 520.000 ptas. Calcular la probabilidad de que ganemos dinero en esta
operacin.
El precio de cada paquete comprado es una variable aleatoria independiente que se distribuye uniformemente entre
10.000 ptas y 20.000 ptas. Su media y varianza son:
= (10.000 + 20.000 ) / 2 = 15.000
31
2 = (20.000 - 10.000)^2 / 12 = 833,3

El precio total de los 40 paquetes comprados se distribuye segn una distribucin normal cuya media y varianza
son:
Media: n * = 40 * 15.000 = 600.000
Varianza: n * = 40 * 833,3 = 33.333,3
Para estimar la probabilidad de que ganemos dinero, calculamos el valor equivalente de la variable normal
tipificada:
Luego:
P (X > 520.000) = P (Y > 2,40) = 1 - P (Y < 2,40) = 1 - 0,9918 = 0,0082
Por tanto, la probabilidad de que ganemos dinero con la "dichosa" operacin es tan slo del 0,82%
2.6. Aproximacin de la Poisson a la normal.
Sean X1, X2m Xn, n, variables aleatorias independientes e idnticamente distribuidas como Poisson cada una con
promedio
en un intervalo dado. Es decir en el mismo intervalo cada X i, ocurre con media y varianza iguales a .
Entonces, para n suficientemente grande la variable:
i 1
Xi
tiene distribucin de Poisson con media y varianzas iguales a n .

en consecuencia, por el teorema del lmite central, la variable aleatoria:
X n
n
Tiene aproximadamente distribucin N(0,1), cuando n es suficientemente grande.

La aproximacin es buena si n 5 .
EJEMPLO:
El promedio del nmero de accidentes de trabajo en una fbrica es 2 cada semana. Calcular la probabilidad de que se
produzcan ms de 30 accidentes durante 50 semanas.
SOLUCIN.
Sea Xi; # de accidentes por semana con un promedio de 1, Entonces,
50
i 1
X i es el nmero de accidentes en 25 semanas.
tiene distribucin de Poisson con media y varianzas iguales a

n 50 x 2 100
Por el teorema del lmite central, la variable aleatoria:
32
X n
n
X 100
10
Tiene aproximadamente distribucin N(01,1).
P X 115 P X 114 .5 P Z 1.45 0.0735
Laboratorio N 02
BinomiaI
1. Si X-B(n,p) tal que E(X)=3 y V(X)=2.4 ,calcular: P[X=3].
2. Un estudiante contesta al azar (o sea sin saber nada) a 9 preguntas, siendo cada una de 4 respuestas de las cuales
slo una es la correcta.
a) Determinar la distribucin de probabilidades del nmero de preguntas contestadas correctamente.
b) Si para aprobar tal examen debe contestar correctamente al menos 6 preguntas, cul es la probabilidad de
aprobar el examen?
.
3. En una produccin, la probabilidad de que un objeto sea defectuoso es 0.2. Si en una muestra de n de tales
objetos escogidos al azar uno por uno, se espera que haya un defectuoso,
a) calcular la probabilidad de que haya un objeto defectuoso.
b) cuntos objetos defectuosos es ms probable' que ocurra?
4. El 75% de la mercadera que recibe un comerciante del fabricante A es de calidad excepcional, mientras que el
80'% de la mercadera que recibe del fabricante B es de calidad excepcional. El 60% del total de la mercadera lo
adquiere de A y el resto de B. Si se seleccionan 4 unidades de la mercadera, qu probabilidad hay de que se
encuentren 2 unidades que sean de calidad excepcional?
5. En una empresa donde los empleados son 80% hombres y 20% mujeres estn aptos para jubilarse el 10% de las
mujeres y el 10% de los hombres. De cinco solicitudes para jubilarse, cul es la probabilidad de que al menos dos
estn aptos para jubilarse?
6. Un vendedor a domicilio compra diariamente 10 unidades de un producto a $2 cada una. Por cada uno, gana 13$
si vende o pierde 1$ si no vende en el da. Si la probabilidad de venta de cada unidad es 0.2 y si las ventas son
independientes
a) hallar la distribucin de probabilidad de las unidades vendidas.
b) calcular la utilidad esperada del vendedor.
7. Una computadora utilizada por un sistema bancario de 24 horas asigna cada transaccin <tI azar y con igual
probabilidad. a una de cinco posiciones de memoria: 1, 2, 3, 4, 5. Si al terminar el periodo nocturno de un da se
han registrado 1 S transacciones, cul es la probabilidad de que el nmero de transacciones efectuadas a las
posiciones de memoria par sea mayor que 3?
8. Una secretaria que debe llegar a la oficina a las 8 de la maana, se retrasa 15 minutos en el' 20% de las veces. El
gerente de la compaa que no llega si no hasta las 10 de la maana llama ocasionalmente a la oficina entre las 8 y
8.15 de la maana. Para dictar una carta. Calcular la probabilidad de que en 5 maanas por lo menos una no
encuentre a la secretaria.
9. Al realizar un experimento, la probabilidad de lograr el objetivo es 0.4. Si se realiza el experimento 20 veces bajo
las mismas condiciones y asumiendo resultados independientes
a) Calcular la probabilidad de lograr el objetivo por lo menos en tres de las 20 veces
b) El costo de realizar el experimento es de SI.1500, si se logra el objetivo; y de S/.3000 si no se logra. Calcular el
costo esperado para realizar el experimento.
Poisson
33
10. E] nmero medio de automviles que llegan a una garita de peaje es de 120 por hora.
a) Calcular la probabilidad de que en un minuto cualquiera no llegue automvil alguno.
b) Calcular la probabilidad de que en e] perodo de 3 minutos lleguen ms de 5 automviles.
c) Si tal garita puede atender a un mximo de 3 automviles en 30 segundos, calcular la probabilidad de que en un
medio minuto dado lleguen ms automviles de lo que puede atender.
11. Un lquido contiene cierta bacteria con un promedio de 3 bacterias por cm. 3, calcular la probabilidad de que una
muestra,
a) de 1/3 de cm3 no contenga bacteria alguna.
b) de 2 cm,3 . Contenga por lo menos una bacteria.
12. Suponga que el nmero 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 2 accidentes es igual a 3/2 de ]a probabilidad de que ocurra
un accidente, Calcular la probabilidad de que no ocurran accidentes en 2 semanas consecutivas.
13. Un banco atiende todos los das de 8am. a 4pm. y se sabe que e] nmero de clientes por da que van a solicitar
un prstamo por ms de $10,000 tiene una distribucin de Poisson con una media de 3 clientes por da.
a) Cul es la probabilidad de que hasta el medioda no se haya producido una solicitud de prstamo por ms de
$10,000?
b) En cuatro das, cul es la probabilidad de que en dos de los das hasta el medioda no se haya producido una
solicitud de prstamo por ms de $10,000?
14. La demanda semanal de cierto producto tiene una distribucin de Poisson. Actualmente su media es 3 por
semana. Se estima que despus de una campaa publicitaria, el valor esperado de la demanda se duplicar con
probabilidad 0.8 y se triplicar con probabilidad 0,2, cul es la probabilidad de que despus de la campaa la
demanda sea igual a 4?
15. El nmero de personas que cada da se aloja en un hotel es una variable aleatoria X que tiene distribucin de
Poisson con parmetro , .que puede ser igual a 20 con probabilidad 0.5, igual a 15 con probabilidad 0.3, igual
a 10 con probabilidad 0.2
a) Determinar P[X = k] , donde k = 1, 2, ..., etc.
b) Calcular el valor esperado de X.
16. Cierto tipo de loceta puede tener un nmero X de puntos defectuosos que sigue una distribucin de Poisson con
una media de 3 puntos defectuosos por loceta. El precio de la loceta es $1 si X =0, de $0.70 si X=1 o 2, y de $0.1
si X>2. Calcular el precio esperado por loceta.
17. El nmero de usuarios que acuden a cierta base de datos confidencial sigue una
distribucin
de
Poisson con una media de dos usuarios por hora.
a) Calcular la probabilidad de que entre las 8 amo y el medioda (l2.m) acudan ms de dos usuarios.
b) Si un operador de la base de datos trabaja todos los das de 8 amo hasta el medioda (l2.m), cul es la
probabilidad de que este operador tenga que' esperar ms de 7 das hasta observar el primer da en el cual acceden
ms de dos usuarios?
18. Cierta panadera dispone de una masa con frutas confitadas para hacer. 200 panetones. Agrega 2,000 pasas de
uvas a la masa y la mezcla bien. Suponga que e] nmero de pasas es una variable aleatoria de Poisson con un
promedio 10 pasas por panetn.
'
a) Calcular ]a probabilidad de que un panetn elegido a] azar no contenga ninguna pasa.
b) Cuntos panetones se espera que contengan 6 pasas?
Normal
19. En cierta comunidad, el porcentaje del ingreso ahorrado por las familias tuvo una media del 10% y una
desviacin estn dar de 1.2%. Suponga que la distribucin es normal.
a) Si el 2.28% de los ahorros son mayores que 12.4%, determine la desviacin estndar.
b) Qu porcentaje de familias ahorr entre 9 y 12% de su ingreso?
c) Determine el ahorro mximo para el 0.8% de las familias con bajos ahorros.
34
20. Una pequea ciudad es abastecida de agua cada dos das. El consumo en volumen de agua (cada dos das) tiene
distribucin normal.
a) Determine la media y varianza de la distribucin si se sabe que el 0.62% del consumo es al menos de 22,500
litros y que el 1.79% del consumo es a lo ms 17,900 litros.
b) Hallar la capacidad del tanque de agua de la pequea ciudad para que sea slo el 0.01 la probabilidad de que en
el periodo de dos das el agua no sea suficiente para satisfacer toda la demanda.
21. Las calificaciones de una prueba final de Estadstica tienen distribucin normal con una media de 12. Si el
95.44% de los examinados obtuvieron calificaciones entre 8 y 16,
a) Calcular la desviacin estndar de la distribucin.
b) Si la nota aprobatoria es 11, qu porcentaje de alumnos aprobaron el curso?
c) Qu nota como mnimo debera tener un alumno para estar ubicado en el
quinto superior?
22. Los puntajes de una prueba de aptitud acadmica estn distribuidos normalmente con una media de 60 y una
desviacin estndar de 10 puntos.
a) Si el 12.3% de los alumnos con mayor puntaje reciben el calificativo A y el
20% de los alumnos con menor nota reciben el calificativo C, calcular el mnimo puntaje que debe tener un alumno
para recibir una A, y el mximo puntaje que debe tener un alumno para recibir una C.
b) Si el resto de los alumnos recibe el calificativo B y si el total de alumnos es igual a 90, cuntos alumnos
recibieron el calificativo de A, B Y C?
.
23. Las calificaciones de una prueba final de Matemtica Bsica tienen distribucin normal con una media igual a
8. Si el 6.68% de los examinados tienen nota aprobatoria (mayor o igual a 11), cmo debe modificarse cada nota
para conseguir un 45% de aprobados?
24. Suponga que el ingreso familiar mensual en una comunidad tiene distribucin normal con media $400 y
desviacin estndar $50.
a) Si el 10% de las familias con mayores ingresos debe pagar un impuesto, a partir de que ingreso familiar se debe
pagar el impuesto?
b) Si el ahorro familiar est dada por la relacin Y = X /4 - 50, cul es la probabilidad de que el ahorro sea superior
a $75?
25. Una pieza es considerada defectuosa y por lo tanto rechazada si su dimetro es mayor que 2.02 cm. o menor de
1.98 cm.. Suponga que los dimetros tienen una distribucin normal con una media de 2 cm. y una desviacin
estndar de 0.0 I cm.
a) Calcular la probabilidad de que una pieza sea rechazada
b) Cul es el nmero esperado de piezas rechazadas de un lote de 10,000 piezas?
c) Si se escogen 4 piezas al azar, cul es la probabilidad de que 2 de ellos sean defectuosos? .
d) Se necesitan 4 piezas sin defecto para una mquina. Si estos se prueban uno a uno sin reposicin, cul es la
probabilidad de que la cuarta pieza buena sea la sexta probada?
15. Un gerente viaja diariamente en automvil de su casa a su oficina y ha -- encontrado que el tiempo empleado en
el viaje sigue una distribucin normal con media de 35.5 minutos y desviacin estndar de 3 minutos. Si sale de su
casa todos los das a las 8.20 a.m. y debe estar en la oficina a las 9 a.m.
a) Cul es la probabilidad de que llegue tarde en un da determinado?
b) Suponiendo independencia entre un da y otro, cul es la probabilidad de que llegue a tiempo a la oficina 3 das
consecutivos?
16. Cierto lquido industrial contiene un porcentaje X por galn de un compuesto particular cuya distribucin es
normal con una media de 15% y una desviacin estndar de 3%. El fabricante tiene una utilidad neta de $0.15, si 9
< X < 21, de $0.10, si 21<= X<=27, y una prdida de $.05, si 3<= X<=9, calcular la utilidad esperada por galn.
17. El peso en kilogramos de los artculos que se hacen en la fbrica A tiene una distribucin normal con una media
de 25 Kg. Y con una desviacin estndar de.
4 Kg.. Mientras que el peso de los artculos que se hacen de la fbrica B tiene una distribucin normal con una
media de 28 Kg. Y con una desviacin estndar de 3 Kg. De un lote que contiene el 40% de artculos de A y el 60%
de B se elige uno al azar; cul es la probabilidad de que el peso de este artculo est entre 25 Kg. Y 28 Kg?
35
3. MUESTREO Y DISTRIBUCIONES MUESTRALES
Al iniciar el estudio de la Estadstica, encontramos que tiene como objetivo dar a conocer un conjunto de
mtodos para recolectar y clasificar informacin, que luego debe ser analizada 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 Descriptiva y Estadstica Inferencial.
La primera ya fue estudiada ampliamente en la ESTADISTICA GENERAL, la segunda es el propsito
fundamental de nuestro estudio.
La ESTADISTICA INFERENCIAL O INFERENCIA ESTADSTICA, 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
ESTIMACION y a la PRUEBA DE HIPOTESIS, siendo la estimacin el proceso de utilizar ESTADISTICOS
(como la media de la muestra y desviacin estndar de la muestra) que se obtienen de los datos muestrales y sirven
para estimar su verdadero valor o PARAMETRO de la poblacin. Como en las dos unidades anteriores
examinamos las reglas bsicas de probabilidad de un evento y las distribuciones de probabilidad como la binomial,
de Poisson y la normal, en esta unidad utilizaremos estos conocimientos de probabilidad de modo que puedan
utilizar ciertos estadsticos para hacer inferencias en cuanto a los parmetros de la poblacin. En consecuencia, por
provenir los estadsticos de la MUESTRA, es sta el vehculo para llegar a conclusiones acerca de la poblacin. As
tenemos que si queremos utilizar la media de la muestra para estimar la media de la poblacin debemos determinar
todas las muestras posibles y la media de cada una de ellas. A la distribucin de probabilidad de estas medias se le
denomina DISTRIBUCION MUESTRAL DE LA MEDIA.
Por ltimo, recordaremos que una poblacin est representada por el conjunto de todos los valores (observaciones)
posibles que puede tomar una variable, por lo cual diremos indistintamente que la distribucin de la poblacin es la
distribucin de la variable.
3.1. MUESTREO
Los datos necesarios para tomar decisiones se renen ya sea estudiando todas las posibles observaciones de la
poblacin (CENSO), ya seleccionado unas pocas de la observaciones para realizar el estudio (MUESTRA). El
propsito fundamental de muestreo es ESTIMAR EL PARAMETRO de la poblacin basado en el ESTUDIO
MUESTRAL
Existen muchas razones para realizar muestreo en una poblacin, entre las que mencionaremos:
1) El costo elevado al exarninar a toda la poblacin.
2) La imposibilidad de estudiar toda la poblacin, como por ejemplo, los peces de un lago.
3) Las limitaciones de tiempo. como las que recaen sobre los encuestadores polticos antes de una eleccin.
4) La ndole destructiva de Ciertas investigaciones, como por ejemplo, al estudiar el tiempo de vida de focos de luz
de cierta marca.
Todas las anteriores razones nos indican que el uso de muestras ofrece las siguientes ventajas:
1. Ahorra dinero, tiempo y trabajo.
2. Permite una mayor exactitud en el estudio, pues los errores debidos al observador, al objeto observado y al
mtodo de observacin, pueden disminuir y controlarse ms efectivamente.
La nica desventaja del uso de muestras es el llamado ERROR DE MUESTREO, dado por la diferencia entre el
valor que describe a la muestra y el verdadero valor de la poblacin. Este error se debe a que las muestras
seleccionadas de una poblacin difieren unas de otras y como nosotros estudiamos una muestra para generalizar
luego a toda la poblacin. Entonces los resultados son algo diferentes. Como el error por muestreo puede medirse,
36
en consecuencia puede disminuirse a voluntad, con solo aumentar el tamao de la muestra.

Una muestra es considerada como una BUENA muestra, si cumple con las siguientes condiciones:
a) BUENA EN CANTIDAD, si incluye un nmero ptimo de individuos, as por ejemplo, si una enfermedad se
presenta tan solo en 1 % de la poblacin, habr la necesidad de estudiar por lo menos 100 casos, para tener la
posibilidad de hallar una persona enferma, pero si la presencia es el 50%, basta estudiar dos personas
b) BUENA EN CALIDAD, si refleja fielmente las caractersticas de la poblacin de la cual procede y difiere de
ella, solo en el nmero de unidades incluidas.
3.2 ETAPAS DEL MUESTREO
Los pasos principales para la recoleccin de la informacin de una muestra son:
1) Definir explcitamente la unidad de anlisis.
2) Definir en forma clara la poblacin que va ser muestreada
3) Seleccionar bien las variables que deben ser observadas en cada unidad que se va analizar.
4) Especificar el grado de precisin deseada.
5) Seleccionar la unidad muestral. En algunos casos es obvia, como en el caso de una poblacin de estudiantes de
un centro educativo, 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.
6) Seleccionar la muestra, despus de haber decidido el tamao respectivo.
3.3. TIPOS DE MUESTRAS.

Como se muestra a continuacin, existen dos tipos bsicos de muestras: las muestras probabilsticas y las no
probabilsticas. Estas ltimas, son mucho ms sencillas y baratas de obtener, entre estas tenemos las llamadas
MUESTRAS DE JUICIO. MUESTRAS DE CUOTA y LAS MUESTRAS DE CONVENIENCIA
3.3.1. MUESTRAS NO PROBABILSTICAS

a) MUESTRAS POR JUCIO.
Como su nombre lo indica, es la muestra tomada de acuerdo con el juicio personal, los elementos que intervienen
en una muestra por juicio son resultados del juicio experto del investigador sobre su "representatividad". En
consecuencia, la probabilidad de que cada unidad elemental sea seleccionada de la muestra, es desconocida y la
fidelidad de sus resultados no puede utilizarse para hacer inferencias de la poblacin total, lo cual es el objetivo del
muestreo.
As por ejemplo, un gerente de ventas que selecciona ciertas localidades del Per como tpicas para probar nuevo
tipo de campaa de ventas 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 CREE que ciertas localidades proporcionan un cuadro representativo del pas completo. En
consecuencia, la muestra solo puede evaluarse en trminos de la solidez del criterio del gerente de ventas 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 entrevistador
para que interrogue a cierto nmero de personas. As por ejemplo, puede indicrsele que entreviste a 30 hombres
que vivan a cierto nmeros de cuadros que caen dentro de un cierto rango de edades o cuyos ingreso caen dentro de
37
un intervalo dado.
En la prctica es el entrevistador el que hace la seleccin real de las personas, resultando errores sistemticos serios
en los resultados.
Por ejemplo, un entrevistador tiende a seleccionar a las personas ms fcilmente accesibles; as, si las entrevistas
son en el da, pasar por alto a las personas que estn trabajando; si una persona se rehsa a responder, el
entrevistador simplemente seleccionar a otra persona.
El elemento comn en cada uno de esto casos de muestras basadas en un juicio dado, es el papel considerable que
juega el juicio. Si bien las muestras basadas en un juicio dado pueden proporcionamos resultados tiles y de hecho
a menudo lo hacen, no es posible estimar el error del muestreo en dicha muestras. Por consiguiente, la precisin del
resultado de una muestra basada en un juicio, depende de la solidez del juicio y no puede evaluarse de la muestra
misma.
c) MUESTRA DE CONVENIENCIA O TROZO.
Un trozo es una muestra que se conforma por un proceso de auto seleccin, es decir, un trozo es una simple
"Muestra de conveniencia" un conjunto de sujetos fcilmente agrupados, como los miembros de una clase en
particular, personas que responden a un anuncio. Personas que visitan una exhibicin en un centro comercial, etc.
Tambin en este caso, la desventaja principal, es que no hay forma probabilstica' de interpretar cuan representativa
es la muestra, de la poblacin total.
As por ejemplo. al ensayar una nueva droga, en lugar de escoger individuos al azar, pueden suministrarse a los
casos graves, pues se presume que si la droga es efectiva en tales casos, con mayor razn lo ser en los casos leves
de la enfermedad.
3.3.2. MUESTRAS PROBABILSTICAS
Las muestras probabilsticas son aquellas en que cada individuo de las poblacin tiene una probabilidad conocida
(no necesariamente igual) de ser incluida en la muestra.
La eleccin de una muestra probabilstica requiere dos condiciones fundamentales:
i) Es esencial que la probabilidad de elegir cada individuo sea perfectamente conocida, pues si no lo es, no ser
posible calcular los errores que pueden cometerse al hacer su seleccin.
ii) Es indispensable que los individuos se elijan al azar, sin permitir la intervencin de ningn factor que favorezca
la eleccin de unos en perjuicio de los Otros.
Puesto que el estudio sobre tipos de muestras probabilsticas es muy extenso, solo mencionaremos algunas de las
ms utilizadas, tales como la muestra aleatoria simple. la muestra sistemtica, la muestra estratificada y la muestra
agrupada.
a) MUESTREO ALEATORIO SIMPLE.
Al haber definido las poblaciones y las muestras, distingamos ms detalladamente entre las poblaciones que son
finitas y las que son infinitas. Se dice que una poblacin es FINITA si consta de un nmero finito (fijo) de
elementos,. por ejemplo, la poblacin de escuelas de la provincia de LIMA. En contraste con las poblaciones
finitas, se dicen que una poblacin es INFINITA si no hay lmite en el nmero de elementos que contiene. Diremos
que una muestra de una poblacin finita es aleatoria si cada elemento de la poblacin tiene igual probabilidad de
ser incluido en la muestra. Existen dos mtodos de seleccionar muestras aleatorias en poblaciones finitas:
1.
MTODO DEL SORTEO
Consiste en colocar en un recipiente fichas con los nombres de todos los integrantes de la poblacin en estudio,
luego remover bien las fichas y extraer1as una a una con sustitucin, hasta tener las integrantes que deben ir en las
muestras.
2. METODO DE LOS NUMEROS ALEATORIOS.
Consiste en obtener los elementos de la muestra utilizando tablas especialmente elaboradas, llamadas TABLAS DE
38
NUMEROS ALEATORIOS
Para ilustrar el uso de una tabla de nmeros aleatorios, utilizamos el problema de seleccionar una muestra aleatoria
simple, consistente de 15 boletas de notas elegidas de una poblacin de 8 900 boletas.
En la tabla de nmeros aleatorios adjunta, cada dgito o sucesin de ellos es aleatorio. por lo que se puede utilizar la
tabla y leerla en sentido horizontal o ve/1ical, los mrgenes de la tabla designa los nmeros de fila (margen
vertical) y los nmeros de columna (margen horizontal). los dgitos estn agrupados en sucesiones de cinco con el
solo fin de facilitar la observacin de la tabla.
Si se usa esta tabla en lugar de un recipiente para seleccionar la muestra, primero es necesario asignar nmeros a
los miembros individuales de la poblacin, como la poblacin es de N = 8900 boletas de notas, por ser un nmero
de cuatro dgitos, cada nmero asignado tambin de ser de cuatro dgitos, a fin de que cada boleta tenga igual
oportunidad de ser seleccionada. Por tanto, asignamos el. Nmero 0001 a la primera boleta, el nmero 0002 a la
segunda boleta, y as sucesivamente hasta llegar al nmero 8900, para la 8900 ava boleta. Una vez que todas las
boletas han sido numeradas, comenzamos a seleccionar la muestra leyendo las primeras cuatro cifras de la primera
lnea de la tabla de nmeros aleatorios; digamos el nmero 6619. Luego pasamos a la segunda lnea y leemos el
nmero 7284 y as hasta el15 nmero.
b) MUESTREO SISTEMATICO.
En el muestreo sistemtico, los elementos se seleccionan de la poblacin a un intervalo uniforme que es medido en
tiempo orden o espacio. El intervalo en mencin se determina por la frmula:
I= N / n
El primer elemento de la muestra es elegido al azar entre los I primeros elementos de la poblacin y luego, el resto
de los elementos se elegirn cada lavo elemento de la lista. As por ejemplo si N = 10000 Y n = 1000, entonces 1 =
10, esto quiere decir que de cada 10 se elige uno.
Para obtener una muestra sistemtica es necesario tener la lista de los elementos en estudio (alumnos de una
universidad. por ejemplo), luego se les numera del 1 al 10000. En seguida se escoge al azar un nmero entre 1 y 10,
siendo este el primer elemento que se va ha estudiar y completaremos la muestra cada diez elementos. Si el nmero
escogido fue 8, los otros sern 18, 28, 38, etc.
Este procedimiento de muestreo por la sencillez de su aplicacin suele utilizarse en todos aquellos casos en los
cuales existen listados con los nombres de cada uno de los elementos de la poblacin que se estudia.
La ventaja del muestreo sistemtico es que requiere' menos tiempo y es menos costoso que el mtodo de muestreo
aleatorio simple.
c) MUESTREO ESTRATIFICADO.
Para utilizar el muestreo estratificado, se divide la poblacin en grupos relativamente homogneos. 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 nmero de unidades
extradas de cada estrato es proporcional al tamao de este. As por ejemplo, si la poblacin es dividida en cuatro
estratos. Siendo sus tamaos respectivos 10%, 20%. 30% Y 40% de la poblacin y deseamos extraer una muestra
de 500 unidades, entonces la muestra estratificada proporcional se obtiene de la siguiente manera:
ESTRATO
1
2
3
4
TOTAL
N DE UNIDADES
500 (10%) = 50
500 (20%) = 100
500 (30%) = 150
500 (40%) = 200
500
39
Como se ver en el ejemplo. la estratificacin proporcional arroja una muestra en la que cada estrato aporta una
cantidad de unidades proporcional al nmero de unidades de la muestra. Este procedimiento es an ms eficiente
cuando las desviaciones estndares de cada estrato no difieren substancial mente entre si. Por tanto, para que la
muestra estratificada sea ms eficiente se debe dar mayor representacin a un estrato con una gran dispersin y
menor representacin a los estratos con menor dispersin (pequea desviacin estndar).
Una muestra estratificada desproporcionada incluye los procedimientos de tomar un nmero igual de unidades de
cada estrato sin tener en cuenta su tamao, o de dar slo una pequea representacin a uno o ms estratos son
demasiado costosos de investigar, pues an cierta representacin es valiosa.
La ventaja de las muestras estratificadas es que cuando ellas estn adecuadamente diseadas reflejan con mayor
precisin que otras muestras, las caractersticas de la poblacin a partir de las cuales ellas fueron escogidas.
Por ejemplo, todos sabemos que el nivel de ingresos tiene una relacin importante con la opinin pblica en cuanto
a una eleccin. Si el 60% de los votantes tienen ingresos bajos, el 30% ingresos medianos y el1 0% ingresos altos,
entonces para una muestra estratificada proporcional de 500 votantes, seleccionaramos 300 votantes de ingresos
bajos (60% de 500) 150 de ingresos medianos (30% de 500) y 50 de ingresos altos (10% de 500)
d) MUESTREO AGRUPADO O POR CONGLOMERADOS
En esta clase de muestreo, se divide a la poblacin 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 agrupacin supone ms de dos etapas para escoger la muestra final, se le denomina
muestreo multietpico.
Tanto en el muestreo estratificado como en el muestreo agrupado, la poblacin se divide en grupos bien definidos.
Se usa el muestreo estratificado cuando cada grupo tiene pequeas variaciones entre sus unidades elementales, pero
hay una gran variacin entre grupos. En tanto que el muestreo agrupado se usa cuando hay una variacin
considerable entre las unidades elementales de cada grupo, pero los grupos son esencialmente similares entre sI.
As por ejemplo, supongamos que deseamos estudiar los gastos de las familias en el rea del Cercado de Lima y
que hemos decidido entrevistar a 1000 familias. Un modo econmico de manejar esto puede ser dividiendo el rea
total del Cercado en reas ms pequeas. Digamos, cuadras, y despus entrevistar a todas las familias en un nmero
de cuadras seleccionadas al azar.
3.2. DISTRIBUCIONES MUESTRALES
En la tercera unidad se vio que hay ciertos rasgos invariables dentro de una poblacin que describen una de sus
caractersticas, tales como la media y la desviacin estndar , estas reciben el nombre de PARAMETROS de
la poblacin. Al extraerse una muestra, es posible tener un estimado de los parmetros, a partir de las observaciones
de la muestra; estos estimados por estar en funcin de tales observaciones varan de muestra a muestra y reciben
genricamente el nombre de Estadsticos de la muestra. En consecuencia los estadsticos son variables y por tanto
tienen su correspondiente distribucin de probabilidad, la cual toma el nombre de DISTRIBUCION MUESTRAL
DEL ESTADISTICO. En la prctica las distribuciones muestrales usuales son: la de una media, la de la diferencia
de dos medias y la de una proporcin.
3.2.1. DISTRIBUCIN MUESTRAL DE LA MEDIA
Si tomamos repetidamente muestras aleatorias de una poblacin con distribucin de probabilidad cuyos parmetros
son y , entonces la variable aleatoria media X tiene la
misma distribucin de probabilidad con parmetros
X = Y
Si la Poblacin es infinita muestreo con o sin reposicin
X = n
40
Si la Poblacin es finita y el muestreo es sin reposicin

X
N n
N 1
Luego, la variable X bajo la transformacin:

Z= X
Se distribuyen como sigue:

CASO 1. Aproximadamente como la normal estndar, si la poblacin es normal o no con conocida o no y el
tamao "n" de la muestra es igual o mayor de 30.
CASO 2. Exactamente como la normal estndar, si la poblacin es normal con conocida y el tamao "n" de la
muestra menor que 30.
Nota: Si no se conoce la desviacin estndar poblacional estimarla mediante la desviacin estndar de la muestra
S
EJEMPLO 4.1
La media de los puntajes de los cocientes de inteligencia (CI) de los alumnos de una universidad es 110 Y la
desviacin estndar es 10. Si los puntajes de los CI estn distribuidos normalmente:
a) Cul es la probabilidad de que el puntaje medio de una muestra de 36 alumnos sea mayor que 112?
b) Cul es la probabilidad de que el puntaje medio de una muestra de 100 alumnos sea mayor que 112?
SOLUCION.
a)
Por tener los puntajes de los C.I. variables que siguen una distribucin normal, las medias de las muestras
tambin se distribuyen normalmente con media y desviacin estndar respectiva:
X = = 110 y
X = n = 10 36
La puntuacin de que el puntaje medio de una muestra de 36 alumnos sea mayor que 112 es:
P( X
> 112) = P(
n >112-110 / (5/3))= P(Z > 1.2) = 1- P(Z <= 1.2)= 0.1151
b) Para una muestra de 100 alumnos se tiene que:
X = = 110 y
Luego como en a:
/
P( X > 112) = P( X -
10 100
n >112-110 / 1)= P(Z > 2) = 1- P(Z <= 2)= 0.0228
LABORATORIO N 03
1. En una muestra de 16 observaciones de una distribucin normal con una media de 150 y una variancia de 256,
encuentre:
a) P ( X < 160)
b) P ( X > 142)
Si, en lugar de 16 observaciones, se hicieran 9 observaciones, encuentre:
c) P ( X < 160)
d) P ( X > 142)
41
2. En una muestra de 25 observaciones de una distribucin normal con una media de 98.6 y una desviacin
estndar de 17.2, encuentre:
a) P (92 < X < 102)
b) La probabilidad correspondiente si tenemos una muestra de 36.
3. En una distribucin normal con una media de 56 y una desviacin estndar de 21, de qu tama o debe ser una
muestra de modo que haya por lo menos 90% de probabilidades de que su media sea mayor que 52%
4. En una distribucin normal con una media de 375 y una desviacin estn dar de 48, de qu tamao debe ser una
muestra para que haya por lo menos .95 probabilidades de que la muestra se encuentre entre 370 y 380?
Un astrnomo del observatorio de Mount Palomar observa que, durante una lluvia de meteoros, un promedio de 40
meteoros aparecen cada hora, con una variancia de 16 meteoros al cuadrado. La lluvia de meteoros ocurrir la
prxima semana.
a) Si el astrnomo ve la lluvia de meteoros durante 4 horas, cul es la probabilidad de que aparezca un mnimo de
36 meteoros por hora?
b) Si el astrnomo mira durante una hora ms, aumentar o disminuir esta probabilidad?
Explique su respuesta.
5. El costo promedio de un condominio con estudio en un desarrollo urbano es de $62,000 con una desviacin
estndar de $4,200.
a) Cul es la probabilidad de que un condominio de este desarrollo cueste por lo menos
$65,000?
b) Es la probabilidad de que el costo promedio de una muestra de dos condominios sea al menos $65,000 mayor o
menor que la probabilidad de que un condominio cueste esa cantidad?
En qu cantidad?
6. Una agencia de empleos normalmente aplica pruebas de inteligencia y aptitudes a todos los que buscan trabajo a
travs de ella. La empresa ha reunido datos durante aos, habiendo descubierto que la distribucin de las
puntuaciones no es normal, sino que est sesgada a la izquierda con una media de 86 y una desviacin estndar de
16. Cul es la probabilidad de que, en una muestra de 75 candidatos, la puntuacin promedio sea por lo menos 84
o mayor que 90?
Una refinera de petrleo tiene monitores de reserva para llevar un control constante del flujo y prevenir que las
fallas de la mquina desorganicen el proceso. Un monitor tiene un promedio de vida de 4,300 horas, con una
desviacin estndar de 730 horas. Adems del monitor primario, la refinera ha instalado dos unidades de
emergencia, que son un duplicado de la unidad primaria En caso de avera de uno de los monitores, el otro se activa
en forma automtica. La vida de operacin de los dos es independiente de los otros.
a) Cul es la probabilidad de que determinado conjunto de monitores dure por lo menos
13,000 horas?
b) Y un mximo de 12,630 horas?
7. Mara Barrios es auditora de una gran compaa de tarjetas de crdito y sabe que, en promedio, el saldo mensual
de determinado cliente es de $112, con una desviacin estn dar de $65. Si Mara revisa 50 cuentas seleccionadas al
azar, cul es la probabilidad de que el saldo mensual promedio est:
a) Por debajo de $1oo?
b) Entre $100 y $130?
8. El presidente de una empresa telefnica est molesto con el nmero de telfonos producidos por la empresa que
tienen aparatos defectuosos. En promedio, 120 telfonos son devueltos diariamente a causa de ese problema, con
una desviacin estndar de 81. El presidente ha decidido que, a menos que logre una seguridad promedio de 85%
de que al da no sern devueltos ms de 135 telfonos en los prximos 40 das, ordenar revisar el producto.
Tomar esta medida?
9. Clara Daz, cuyo trabajo consiste en predecir el futuro de su compaa de riesgo compartido, acaba de recibir las
estadsticas que describen el desempeo de la empresa en 1,800 inversiones realizadas el ltimo ao. Clara sabe
que, en promedio, las inversiones generan utilidades que tienen una distribucin normal con una media de $7,500 y
una desviacin estndar de $3,300. Aun antes de examinar los resultados concretos de cada una de esas inversiones
del ltimo ao, Clara pudo hacer algunas predicciones exactas usando su conocimiento de las distribuciones
muestrales. Contine el anlisis de ella y calcule la probabilidad de que la media muestral de las inversiones del
ao anterior:
a) Superen los $7,700.
b) Sean menores que $7,400.
c) Sean mayores que $7,275, pero no lleguen a $7,650.
42
10. Un agricultor, que vende trigo a Alemania Occidental, posee 60 acres de campos de trigo. Basndose en su
experiencia, sabe que el rendimiento de cada acre tiene una distribucin normal con una media de 120 bushels y
una desviacin estndar de 12 bushels. Aydele a planear la cosecha del prximo ao, calculando:
a) La media esperada de los rendimientos de 60 acres de campo, destinados al cultivo de trigo.
b) La desviacin estndar de la media muestral de los rendimientos de los 60 acres.
c) La probabilidad de que el rendimiento medio por acre rebase los 123.8 bushels.
d) La probabilidad de que el rendimiento medio por acre oscile entre 117 y 122 bushels.
11. Un transbordador transporta 25 pasajeros. El peso de cada pasajero tiene una distribuci6n normal con una media
de 165 libras y una variancia de 441 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 4,375 libras ms de 1 % de las
veces. Supongamos que usted fuera el dueo del transbordador y tuviera que calcular:
a) La probabilidad de que el peso total de los pasajeros del transbordador exceda de 4,375 libras
b) El nonagsimo noveno percentil de la distribucin del peso total de los pasajeros del transbordador. Est
cumpliendo el transbordador con las normas de seguridad?
12. Se espera que e! dimetro de las pelotas de pin-pon fabricadas en una planta grande ten ga una distribucin
normal aproximada con media de 1.30 pulgadas y desviacin estn dar de 0.04 de pulgada. Cul es la probabilidad
de que una pelota seleccionada al azar tenga un dimetro ..
(a) Entre 1.28 y 1.30 pulgadas?
(b) Entre 1.31 y 1.33 pulgadas?
(e) Entre qu dos valores (simtricos respecto a la media) estar el 60% de las pelotas de pin-pon (en trminos del
dimetro)?
(d) Si se seleccionan muchas muestras de 16 pelotas,
(1) cules son la media y la desviacin estndar esperadas?
(2) qu distribucin seguirn la medias muestrales'?
(3) qu proporcin de las medias muestrales estar entre 1.28 y 1.30 pulgadas?
(4) qu proporcin de las medias muestra les estar entre 1.31 y 1.33 pulgadas?
(5) entre qu dos valores estar el 60% de las medias muestrales?
(e) Compare las respuestas de la (a) y {d)(3) con las de (b) y (d)(4). Analice
(f) Explique la diferencia en los resultados de (c) y (d)(5).
(g) Qu es ms probable que ocurra, una pelota individual arriba de 1.34 pulgadas, una media muestral arriba de
1.32 pulgadas en una media de tamao 4, o una media muestral arriba de 1.31 pulgadas en una muestra de
tamao 16? Explique.
13. El tiempo que se usa el correo electrnico por sesin tiene una distribucin normal con
minutos. Si se seleccionan muestras aleatorias de 25 sesiones,
= 8 minutos y = 2
(a) calcule X
.
(b) qu proporcin de las medias muestrales estar entre 7.8 y 8.2 minutos?
(c) qu proporcin de las medias muestrales estar entre 7.5 y 8 minutos?
(d) Si se seleccionan muestras de 100 sesiones, qu proporcin; de las medias muestrales estar entre 7.8 y 8.2
minutos?
(e) Explique la diferencia entre los resultado de (b) y (d). .
(f) Qu es 'ms probable que ocurra, una sesin de correo electrnico de ms de 11 minutos, una media muestral
mayor que 9 minutos en una muestra de 25 sesiones, o una media mueso-al mayor que 8.6 minutos en una muestra
de 100 sesiones? Explique.
14. El tiempo que un cajero tarda con cada cliente tiene una media poblacional
estndar = 0.40 minutos. Si se selecciona una muestra aleatoria de 16 clientes.
= 3.10 minutos y una desviacin
(a) cul es la probabilidad de que el tiempo promedio que pasa con cada cliente sea de al menos 3 minutos?
(b) existe una posibilidad de 85% de que la media muestra] sea menor que cuntos minutos?
(c) Qu suposicin de"; hacerse para resolver los incisos (a) y (b)? (d) Si se obtiene una muestra aleatoria de 64
clientes, existe una probabilidad dc 85% de que la media muestral sea menos de cuntos minutos"
(e) Qu suposicin debe hacerse para resolver el inciso (d)?
f) Qu es ms probable que ocurra, un servicio individual de menos de 2 minutos, una media muestral mayor que
43
3.4 minutos en una muestra de 16 clientes, o una media muestral menor que 2.9 minutos en una muestra de 64
clientes? Explique.
15. La compaa de transportes Toby determin que, con base anual, la distancia recorrida por camin tiene una
distribucin normal con media de 50.0 miles de millas y desviacin estndar de 12.0 miles de millas. Si se
selecciona una muestra aleatoria de 16 camiones,
(a) cul es la probabilidad de que la distancia promedio recorrida sea menor que 45.0 miles de millas en el ao?,
(b) Cul es la probabilidad de que la distancia promedio recorrida est entre 44.0 y 48.0 miles de millas en el ao?
(c) Qu suposicin debe hacerse para resolver los incisos (a) y (b)
(d) Si se selecciona una muestra aleatoria de 64 camiones, existe una posibilidad de 95% de que la media muestral
sea menor que cuntas millas?
(e) Qu suposicin debe hacerse para resolver el inciso (d)?
(f) Cules seran las respuestas de los incisos (a) a (d) si la desviacin estndar fuera
10.0 miles de millas?
16. Se fabrican bolsa de plstico para empacar verduras de manera que la resistencia a roturas tenga una
distribucin normal con media de 5 libras por pulgada cuadrada y desviacin estndar de 1.5 libras por pulgada
cuadrada. Si se selecciona una muestra de 25 bolsas,
(a) cul es la probabilidad de que la resistencia promedio
(1) est entre 5 y 5.5 libras por pulgada cuadrada'
(2) Est entre 4.2 y 4.5 libras por pulgada cuadrada?
(3) sea menor que 4.6 libras por pulgada cuadrada'
(b) Entre qu dos valores simtricos respecto a la media estar el 95% de las resistencias promedio'
(c) Cules seran las respuestas a los incisos (a) y (b) si la desviacin estndar fuera
1.0 libra por pulgada cuadrada'
Luego, la variable X bajo la transformacin:
4. ESTIMACIN ESTADSTICA
La inferencia estadstica es el proceso que consiste en utilizar los resultados de una muestra para llegar a
conclusiones acerca de las caractersticas de una poblacin.
Existen dos tipos de estimaciones: estimaciones puntuales y estimaciones de intervalo. Una estimacin puntual
consiste en una sola estadstica de muestra que se utiliza para estimar el valor verdadero de un parmetro de
poblacin. Puesto que la estadstica de prueba vara de una muestra a otra necesitamos considerar este hecho con el
fin de proporcionar una estimacin ms significativa y caracterstica de la poblacin. Para lograr esto, debemos
desarrollar una estimacin de intervalo de la media de poblacin verdadera, tomando en consideracin la
distribucin de muestreo de la media. El intervalo que construimos tendr una confianza o probabilidad especfica
de estimar correctamente el valor verdadero del parmetro de poblacin.
4.1. ESTIMACIN DEL INTERVALO DE CONFIANZA DE LA MEDIA POBLACIONAL
Estimacin de intervalo de confianza de la media (desvo de la poblacin conocido):
En la inferencia estadstica debemos tomar los resultados de una sola muestra y llegar a conclusiones acerca de la
poblacin. En la prctica, la media de la poblacin es la cantidad desconocida que se va a determinar. Para algunas
muestras la estimacin de intervalo de la media de la poblacin ser correcta y para otras no. Tenemos que recordar
que para el clculo del intervalo trabajamos con una estimacin de intervalo de confianza de 95, por ejemplo, esto
puede interpretarse como si se tomaran todas las muestras posibles del mismo tamao, n, 95% de ellas incluiran la
media de poblacin verdadera en alguna parte del intervalo alrededor de sus medias de muestra, y solamente 5% de
ellas no estaran incluidas. En general el nivel de confianza se simboliza como (1- ) * 100%, en donde es la
porcin que se encuentra en los extremos de la distribucin que est fuera del intervalo de confianza. Por
consiguiente para obtener la estimacin del intervalo tenemos:
44
Z es el valor correspondiente a un rea de (1- )/2 desde el centro de una distribucin normal estandarizada. El
valor Z elegido para construir tal intervalo de confianza se conoce como el valor crtico.
Cualquier aumento en el nivel de confianza se logra ampliando simultneamente el intervalo de confianza obtenido
(hacindolo menos preciso y menos til).
Estimacin
de
intervalo
de
confianza
de
la
media
(desvo
desconocido)
Del mismo modo en que la media de la poblacin se desconoce, es probable que la desviacin estndar real de la
poblacin tampoco sea conocida. Por lo tanto, necesitamos obtener una estimacin de intervalo de confianza
utilizando las estadsticas de muestra " X " y "S". Para ello, utilizamos la distribucin t-student.
De este modo, el intervalo de confianza se establecer a partir de la siguiente frmula:

Estimado del intervalo de confianza de la porcin
4.2. ESTIMACIN DEL INTERVALO DE CONFIANZA DE LA DIFERENCIA DE DOS MEDIAS

POBLACIONALES
( 1 2 )
2
( X - Y )
Z 1- / 2
n n
1
Es el intervalo de confianza de 100(1- ) % de la diferencia de medias para:

1) Muestras grandes, varianzas conocidas y poblaciones normales o no.
2) Muestras grandes, varianzas conocidas y poblaciones normales o no
3) Muestras pequeas, varianzas conocidas y poblaciones normales.
2
t 1- / 2 ,
n n 2
1
(n1 1) s1 (n2 1) s 2 1 1
( )
2
n1 n2
n1 n2
Es el intervalo de confianza de 100(1- ) % de la diferencia de medias para:

Muestras pequeas, varianzas desconocidas y poblaciones normales
4.3. ESTIMACIN DEL INTERVALO DE CONFIANZA DE LA PROPORCIN POBLACIONAL

Podemos establecer la siguiente estimacin de intervalo de confianza (1-) para la proporcin de la poblacin:
12 y 2 2
Tamao de muestra para la media:
45
Por consiguiente para determinar el tamao de la muestra, deben conocerse tres factores:
1.
2.
3.
El nivel de confianza deseado.

EL error de muestreo permitido.
La desviacin estndar.
Determinacin del tamao de muestra para una proporcin:
Al determinar el tamao de muestra para estimar una porcin se deben definir tres incgnitas:
1.
2.
3.
El nivel de confianza.
El error de muestreo permitido.
La porcin verdadera de xitos.
Estimacin y determinacin del tamao de muestra para poblaciones finitas.
Estimacin de la media
Estimacin de la proporcin
Determinacin del tamao de muestra
5. PRUEBA DE HIPOTESIS
La prueba de hiptesis empieza con algo de teora, afirmacin o negacin con respecto a un parmetro particular de una
poblacin. La hiptesis de que el parmetro de la poblacin es igual a la especificacin de la compaa se conoce como
hiptesis nula. Una hiptesis nula es siempre una de status quo o de no diferencia. Se simboliza con el smbolo Ho.
Siempre que especificamos una hiptesis nula, tambin debemos especificar una hiptesis alternativa, o una que debe
ser verdadera si se encuentra que la hiptesis nula es falsa. La hiptesis alternativa se simboliza H1. La hiptesis
alternativa representa la conclusin a la que se llegara si hubiera suficiente evidencia de la informacin de la muestra
para decidir que es improbable que la hiptesis nula sea verdadera, y por tanto rechazarla. El hecho de no rechazar la
hiptesis nula no es una prueba de que sta sea verdadera. Nunca podemos probar que tal hiptesis sea correcta porque
estamos basando nuestra decisin nicamente en la informacin de la muestra, no en la poblacin entera.
46
La hiptesis nula se refiere siempre a un valor especificado del parmetro de poblacin, no a una estadstica
de muestra.
El planteamiento de la hiptesis nula siempre contiene un signo de igualdad con respecto al valor especificado
del parmetro.
- El planteamiento de la hiptesis alternativa nunca contiene un signo de igualdad con respecto al valor especificado del
parmetro.
Regiones de rechazo y de no rechazo
La distribucin de muestreo de la estadstica de prueba se divide en dos regiones, una regin de rechazo (conocida
como regin crtica) y una regin de no rechazo. Si la estadstica de prueba cae dentro de la regin de no rechazo, no se
puede
rechazar
la
hiptesis
nula.
La regin de rechazo puede considerarse como el conjunto de valores de la estadstica de prueba que no tienen
posibilidad de presentarse si la hiptesis nula es verdadera. Por otro lado, estos valores no son tan improbables de
presentarse si la hiptesis nula es falsa. El valor crtico separa la regin de no rechazo de la de rechazo.
Riesgos en la toma de decisiones al utilizar la metodologa de prueba de hiptesis.
Se pueden presentar dos tipos diferentes de errores:
-
Un error tipo I se presenta si la hiptesis nula es rechazada cuando de hecho es verdadera y deba ser aceptada.
- Un error tipo II se presenta si la hiptesis nula es aceptada cuando de hecho es falsa y deba ser rechazada.
Nivel de Significacin. La probabilidad de cometer un error tipo I denotada con la letra griega alfa, se conoce como
nivel de significacin de la prueba estadstica. Est bajo el control directo del individuo que lleva a cabo la prueba. Ya
que se ha especificado el valor de alfa, se conoce el tamao de la regin de rechazo, puesto que alfa es la probabilidad
de un rechazo de la hiptesis nula.
Coeficiente de confianza. EL complemento ( 1- ) de la probabilidad de cometer un error de tipo I se conoce como
coeficiente de confianza.
El coeficiente de confianza es la probabilidad de que la hiptesis nula no sea rechazada cuando de hecho es verdadera y
debera ser aceptada.
Riesgo . La probabilidad de cometer un error de tipo II se conoce como nivel de riesgo del consumidor.
Potencia de una prueba. El complemento (1- ) de la probabilidad de cometer un error del tipo II se conoce como
potencia de una prueba estadstica.
La potencia de una prueba es la probabilidad de rechazar la hiptesis nula cuando de hecho esta es falsa y debera ser
rechazada.
Una manera en que podemos controlar la probabilidad de cometer un error del tipo II en un estudio, consiste en
aumentar el tamao de la muestra. Tamaos ms grandes de muestra, nos permitirn detectar diferencias incluso muy
pequeas entre las estadsticas de muestra y los parmetros de la poblacin. Cuando se disminuye , aumentar de
modo que una reduccin en el riesgo de cometer un error de tipo I tendr como resultado un aumento en el riesgo de
cometer un error tipo II.
Prueba de hiptesis Z para la media (desvo de la poblacin conocido)
El estadstico de prueba a utilizar es:
47
La Potencia de una prueba

representa la probabilidad de que la hiptesis nula no sea rechazada cuando de hecho es falsa y debera rechazrsele.
La potencia de prueba 1- representa la sensibilidad de la prueba estadstica para detectar cambios que se presentan al
medir la probabilidad de rechazar la hiptesis nula cuando de hecho es falsa y debera ser rechazada. La potencia de
prueba estadstica depende de qu tan diferente en realidad es la media verdadera de la poblacin del valor supuesto.
Una prueba de un extremo es ms poderosa que una de dos extremos, y se debera utilizar siempre que sea adecuado
especificar la direccin de la hiptesis alternativa.
Puesto que la probabilidad de cometer un error tipo I y la probabilidad de cometer un error tipo II tienen una relacin
inversa y esta ltima es el complemento de la potencia de prueba (1-), entonces y la potencia de la prueba varan en
proporcin directa. Un aumento en el valor del nivel de significacin escogido, tendra como resultado un aumento en la
potencia y una disminucin en tendra como resultado una disminucin en la potencia.
Un aumento en el tamao de la muestra escogida tendra como resultado un aumento en la potencia de la prueba, una
disminucin en el tamao de la muestra seleccionada tendra como resultado una disminucin en la potencia.
Todos los procedimientos paramtricos tienen tres caractersticas distintivas: Los procedimientos de prueba
paramtricos pueden definirse como aquellos.
1) que requieren que el nivel de medicin obtenido con los datos recolectados est en forma de una escala de
intervalo o de una escala de cociente.
2) implican la prueba de hiptesis de valores de parmetros especificados.
3) y por ltimo requieren un conjunto limitante de suposiciones.
Los procedimientos no paramtricos pueden definirse como aquellos que no tienen que ver con los parmetros de una
poblacin.
Prueba t de hiptesis para la media (2 desconocida)
En ocasiones se desconoce la desviacin estndar de la poblacin. Sin embargo, se la puede estimar con el clculo de S,
la desviacin estndar de la muestra. Recordemos de muestreo de la media seguir una distribucin t con n-1 grado de
libertad.
Prueba de hiptesis 2 para la varianza (o desviacin estndar)
Al intentar llegar a conclusiones con respecto a la variabilidad de la poblacin, primero debemos determinar que
estadstica de prueba puede utilizarse para representar la distribucin de la variabilidad de los datos de la muestra. Si la
variable se supone que est distribuida normalmente, entonces la estadstica de prueba para probar si la varianza de la
poblacin es igual o no a un valor especificado es:
48
Una distribucin chi-cuadrado es una distribucin sesgada cuya forma depende exclusivamente del nmero de grados
de libertad. Conforma este aumenta, la distribucin se vuelve ms simtrica.
Pruebas de dos muestras con datos numricos
Prueba t de varianza conjunta para diferencias entre dos medias
Supongamos que consideramos dos poblaciones independientes, cada una con una media y una desviacin estndar. La
estadstica de prueba utilizada para determinar la diferencia entre las medias de las poblaciones est basada en la
diferencia entre las medias de las muestras (X1 X2). Debido al teorema del lmite central esta estadstica seguir la
distribucin normal. La estadstica de prueba Z es:
En donde X es la media de la muestra correspondiente a cada una de las dos muestras, n es el tamao de la muestra y
por ltimo tenemos la varianza de la muestra.
Si suponemos que las varianzas son iguales y que las muestras fueron tomadas de manera aleatoria e independiente se
puede utilizar una prueba t de varianza conjunta para determinar si existe alguna diferencia significativa entre las
medias de las poblaciones. Si puede calcular la siguiente estadstica de prueba t de varianza conjunta:
Donde:
La estadstica de prueba t de varianza conjunta sigue una distribucin t con n1+n2-2 grados de libertad.
Prueba tde varianza separada para diferencias entre dos medias
Si suponemos que las varianzas no son iguales como en el caso anterior debemos replantear el estadstico a utilizar.
49
La estadstica de prueba t puede ser aproximada con la frmula de v, mostrada anteriormente.

Prueba t para la diferencia de medias
Con el propsito de determinar cualquier diferencia que exista entre dos grupos relacionados, deben obtenerse las
diferencias en los valores individuales de cada grupo. Cuando la desviacin estndar de la poblacin de la diferencia es
conocida y el tamao de muestra es lo suficientemente grande. La estadstica de prueba Z es:
Sin embargo, en la mayora de los casos no conocemos la desviacin estndar real de la poblacin. La nica
informacin que se puede obtener son las estadsticas sumarias como la media y la desviacin estndar de muestra. Si se
supone que la muestra de resultados es tomada de manera aleatoria e independiente se puede realizar una prueba t para
determinar si existe una diferencia media de poblacin significativa. La estadstica seguir una distribucin t con n-1
grados de libertad.
Ho= d = 0
H1= d 0
donde d= 1-2
Se puede calcular el siguiente estadstico de prueba:
Prueba de hiptesis con datos categricos
Prueba Z de una muestra para la proporcin. Para evaluar la magnitud de la diferencia entre la proporcin de la muestra
y la porcin de la poblacin supuesta la estadstica de prueba est dada por la ecuacin siguiente:
50
La estadstica de prueba Z est distribuida de manera aproximadamente normal.

Prueba Z para diferencias entre dos porciones (muestras independientes). Cuando se evalan diferencias entre dos
porciones basndose en muestras independientes se puede emplear una prueba Z. La estadstica de prueba es:
Se supone que las dos porciones de poblacin son iguales.

Ho= p1=p2
H1= p1 p2
LABORATORIO N 04
1. Si X = 85, = 8 y n = 64, establezca un estimador del intervalo de confianza de 95% para la media poblacional
2. Si X = 125, = 24 Y n = 36, establezca un estimador del intervalo de confianza de 99% para la media poblacional
.
3. Una investigadora de mercado establece que tiene una confianza de 95% de que el promedio verdadero de las ventas
mensuales de un producto est entre 170,000 y 200,000 dlares. Explique el significado de esta afirmacin.
4. Suponga que el administrador de una tienda de pinturas desea estimar la cantidad real de pintura contenida en las
latas de 1 galn compradas a un fabricante con renombre en todo el pas. Se sabe, de las especificaciones de fabricacin
que la desviacin estndar de la cantidad de pinturaes igual a 0.02 de galn. Se selecciona una muestra aleatoria de 50
latas y la cantidad promedio de pintura por galn es 0.995 de galn.
(a) Establezca una estimacin del intervalo de confianza de 99% para el promedio poblacional de la cantidad de pintura
incluida en una lata de l galn.
(b) Segn estos resultados, piensa que el dueo de la tienda tiene derecho a quejarse con el fabricante Por qu?
(c) La poblacin cantidad de pintura por galn, tiene una distribucin normal Explique.
(d) Explique por qu un valor observado de 0.98 de galn en una lata no es raro aun cuando est fuera del intervalo de
confianza que calcul.
(e) Suponga que us un estimador de intervalo de confianza de 95%. Cules seran las respuestas de los incisos (a) y
(b)?
5. El gerente de control de calidad de una fbrica de focos necesita estimar la vida promedio de un envo grande. Se
sabe que la desviacin estndar del proceso es 1 00 hora.Una muestra aleatoria de 64 focos indica una vida media de la
muestra de 350 horas.
(a) Establezca una estimacin del intervalo de confianza de 95% para la vida promedio real de los focos de este envo.
(b)Piensa que el fabricante tiene derecho a establecer que los focos duran un promedio de 400 horas? Explique.
(c) La vida de los focos, debe tener una distribucin normal Explique. (d) Explique por qu un valor observado de 320
horas no es raro, aun cuando est fuera del intervalo de confianza.
(e) Suponga que la desviacin estndar del proceso cambi a 80 horas. Cules seran las respuestas a los incisos(a) y
(b)?
6. La divisin de inspeccin de Lee County Weiglns and Measures Department esta interesada en la cantidad real de
refresco que contienen las botellas de 2 litros en una embotelladora local de una compaa de refrescos conocida en too
el pas. La embotelladora informa a la divisin de inspeccin que la desviacin estndar en estas botellas es 0.05 ele
litro. Una muestra aleatoria de 100 botellas de 2 litros obtenida en esta planta indica un promedio muestral, de 1.99
litros.
a) Establezca un intervalo de confianza de 95% de la cantidad promedio verdadera de refresco en cada botella.
(b) La poblacin de refrescos, debe tener una distribucin normal? Explique.
(c) Explique por qu el valor observado de 2.02 litros no es raro, aun cuando est fuera del intervalo de confianza
calculado.
(d) Suponga que el promedio muestral es 1.97 litros. Cul sera la respuesta al inciso a)?
7. Determine el valor crtico de I en las siguientes circunstancias:
51
(a) 1-
(b) 1-
(c) 1-
(d) 1-
(e) 1-
= 0.95, n = 10.
= 0.99, n = 10.
= 0.95, n = 32.
= 0.95, n = 65.
= 0.90, n = 16.
8. Si X = 75, S = 24 y n= 36, suponga que la poblacin tiene una distribucin normal y establezca una estimacin del
intervalo de confianza de 95% de la media poblacional .
9. Si X =50, S = 15 Y n = 16, suponga que la poblacin tiene distribucin normal y establezca una estimacin del
intervalo de confianza de 99% de la media poblacional.
10. Establezca una estimacin del intervalo de confianza de 95% para la media poblacional, con base en los siguientes
conjuntos de datos; suponga que la poblacin tiene distribucin normal:
Conjunto 1: 1, 1, 1, 1, 8, 8, 8, 8
Conjunto 2: 1, 2, 3, 4, 5, 6, 7, 8
Explique por qu tienen intervalos de confianza distintos aun cuando tienen la misma media y el mismo rango.
11. Calcule un intervalo de confianza de 95% para la media poblacional, con base en los nmeros 1,2, 3, 4, 5, 6, 20.
Cambie el nmero 20 a 7 y calcule de nuevo el intervalo de confianza. Con estos resultados, describa el efecto del valor
extremo en el intervalo de confianza.
12. El departamento de transportes del gobierno de Estados Unidos requiere que los fabrican tes de neumticos
proporcionen informacin acerca de la cara de la llanta para que un cliente potencial est mejor informado al tornar su
decisin de compra. Una medida muy importante en el desempeo 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 100, Esto significa
que una llanta con grado de 200 debe durar el doble, en promedio, que una llanta con gracia 100. Suponga que una
organizacin para el consumidor desea estimar el ndice de desgaste real de las cuerdas de una marca de llantas con
grado 200 que produce cierto fabricante. Una muestra aleatoria de 18 llantas indican ndice de desgaste promedio
muestral de 195.3 y una desviacin estndar de 21.4.
(a) Suponga que los ndices de desgaste de cuerdas de lo poblacin tiene distribucin normal; establezca un intervalo de
95% de confianza estimado del ndice de desgaste promedio de la poblacin para las llantas que produce el fabricante
de esta marca.
(b) Piensa que la organizacin para el consumidor debe denunciar al fabricante por producir llantas que no cumplen la
informacin de desempeo proporcionada en la cara de la llanta? Explique.
(e) Diga por qu un ndice de desgaste observado de 210 para una llanta en particular no es raro, aunque est fuera del
intervalo de confianza desarrollado en (a).
13. Un auditor del departamento estatal de seguros desea determinar la proporcin de reclamaciones pagadas por una
compaa de seguros de salud dentro de los 2 meses siguientes a la recepcin de la solicitud. Se selecciona una muestra
aleatoria de 200 reclamaciones y se determina que 80 se pagaron en menos de 2 meses.
(a) Establezca una estimacin del intervalo de confianza de 99% de la proporcin de la poblacin de reclamaciones
pagadas en menos de 2 meses.
(b) Si se supone que 90% O ms reclamaciones se pagan en menos de 2 meses, qu de be informar el auditor al
departamento estatal de seguros acerca del desempeo de los pagos de la compaa de seguros?
14.Un distribuidor de automviles desea estimar la proporcin de clientes que todava tienen los autos comprados hace
5 aos. Una muestra aleatoria de 200 clientes seleccionada de los registros del distribuidor indica que 82 clientes
conservan el auto comprado 5 aos antes.
(a) Establezca un intervalo de confianza de 95% de la proporcin de la poblacin de todos los clientes que conservan
los autos 5 aos despus de comprarlos.
(b) Cmo puede el distribuidor usar los resultados de (a) para estudiar la satisfaccin 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. Se prueba una
muestra aleatoria de 300 bolgrafos y se encuentra que 30 estn defectuosos.
(a) Establezca un intervalo de confianza de 90% para estimar la proporcin de bolgrafos defectuosos en el cargamento.
(b) El cargamento se puede regresar si contiene ms de 5% de bolgrafos defectuosos; segn los resultados de la
muestra, puede la papelera regresarlo?
(c) Suponga que se desea un intervalo estimado de 99% de confianza en (a). Cul sera el efecto de este cambio en sus
repuestas de (a) y (b)?
52
15. La compaa de telfonos quiere estimar la proporcin de viviendas que compraran una lnea telefnica adicional si
estuviera disponible a un costo de instalacin reducido de manera sustancial. Se selecciona una muestra aleatoria de 500
viviendas. Los resultados indican que 135 de las viviendas compraran la lnea adicional a un costo de instalacin
reducido.
(a) Establezca un intervalo de confianza de 99% para la proporcin de la poblacin de viviendas que compraran una
lnea de telfono adicional.
(b) Cmo usara estos resultados el gerente a cargo de programas promocionales para clientes residenciales?
16. Un grupo de consumidores desea estimar el monto de las facturas de energa elctrica para el mes de julio para las
viviendas unifamiliares en una ciudad grande. Con base en estudios realizados en otras ciudades, se supone que la
desviacin estndar es 25 dlares. El grupo desea estimar el monto promedio para julio dentro de 5 dlares del
promedio verdadero con 99% de confianza.
(a) Qu tamao de muestra necesita?
(b) Si desea 95% de confianza, qu tamao de muestra requiere?
17. Una agencia de publicidad que da servicio a una estacin de radio desea estimar. el tiem po promedio diario que la
audiencia escucha la estacin. De estudios anteriores, la desviacin estndar se estima en 45 minutos.
(a) Qu tamao de muestra se necesita si la, agencia desea una confianza de 90% con 5 minutos del resultado
correcto?
(b) Si se desea 99% de confianza, qu tamao de muestra necesita?
18. Suponga que un proveedor de gas desea estimar el tiempo de espera promedio para la instalacin del servicio dentro
de 5 das con 95% de confianza. Debido a que no tiene acceso a datos histricos, hace una estimacin
independiente de la desviacin estndar, que piensa es de 20 das. Qu tamao de muestra necesita?
19. Un encuestador poltico desea estimar la proporcin de electores que votarn por el candidato demcrata en una
campaa presidencial. El encuestador desea 99% de confianza de que su prediccin ser correcta dentro de 0.04
de la proporcin de la poblacin.
(a) Cul es el tamao de muestra necesario?
(b) Si desea 95% de confianza, qu tamao de muestra requiere?
(c) Si desea 95% de confianza y un error muestral de 0.03 , qu tamao de muestra necesita?
(d) Segn las respuestas de (a) a (e), qu conclusin general se deriva acerca del efecto del nivel de confianza deseado
y el error muestral aceptable en el tamao de la muestra requerido?
20. El gerente de un banco desea 90% de confianza de tener un resultado correcto dentro de 0.05 de la proporcin de
poblacin real de ahorradores que tienen cuentas de ahorros y
de cheques en el banco. De cuntos ahorradores
debe ser su muestra?
21. Para Ho: 100 , H1: 100 y una muestra de tamao n, ser mayor si el valor
si el valor real de es 75. Por qu?
real de
es 90 que
22. En el sistema legal norteamericano se supone que un acusado es inocente hasta que se pruebe su culpabilidad.
Considere una hiptesis nula Ho. de que el acusado es inocente y la hiptesis alternativa H1 de que es culpable. Un
jurado tiene dos decisiones posibles: declararlo culpable (es decir, rechazar la hiptesis nula o declararlo inocente (es
decir, no rechazar la hiptesis nula). Explique el significado de los riesgos de cometer un error tipo I o un error tipo II.
53

Separata Ii Probabilidad e Inferencia Estadistica

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Separata Ii Probabilidad e Inferencia Estadistica

Uploaded by

Copyright:

Available Formats

SEPARATA DE PROBABILIDADES Y ESTADSTICA

M.Sc. Est. Carlos Daniel Gonzales Hidalgo.

1.2.2. EXPERIMENTO NO DETERMINISTICO O ALEATORIO

Sus resultados son producto del azar.

Elegir el Presidente de una asociacin, de un grupo de 5 candidatos (A, B, C, D, E).

Lanzar una moneda hasta obtener cara y contar el nmero de lanzamientos.

Determinar la vida til de un artculo.

1.4. EVENTO O SUCESO

d). D = {(c, c)} n (D) = 1

b) Permutaciones con objetos repetidos.

n n1, n2, n3,...nk

C1 * 8C5 = 224 formas.

C1 * 8C5+ 4C2 * 8C4+ 4C3 * 8C3+ 4C4 * 8C2 = 896 formas.

1.8. PROBABILIDAD DE OCURRENCIA DE OCURRENCIA DE UN EVENTO

Si A es un evento de , la probabilidad de que ocurra el evento A est dada por:

/ nel resultado que ocurre en la

Si se selecciona un trabajador al azar, cul es la probabilidad de que sea soltero?

1.9. AXIOMAS DE PROBABILIDAD

Se elige al azar un socio del club:

b) Se eligen tres socios al azar:

A = Las tres son mujeres

1.12. EVENTOS INDEPENDIENTES

Adems de P(AB) = P (A) P(B), resulta, P(A) = 9/15

P(A) = P(S1) * P(A/S1)+P(S2)*P(A/S2) = 0.4*0.9 + 0.6*0.2 = 0.48

Ocurra por lo menos uno de los eventos.

El dominio de la variable aleatoria X es el espacio muestral y el rango es un subconjunto de los nmeros

2.2.1.2. FUNCIN DE PROBABILIDAD

R , entonces, la probabilidad de A es el nmero:

La grfica de una distribucin de probabilidades discreta es la grfica de bastones.

a) Determinar la distribucin de probabilidades de X.

2.2.1.2. FUNCIN DE DISTRIBUCIN ACUMULADA DE VARIABLE ALEATORIA DISCRETA

VARIABLE ALEATORIA CONTINUA:

Variable aleatoria continua: Funcin de densidad y funcin de distribucin acumulada.

i ) f x 0 para todo x es el conjunto de los nmeros reales

f x dx, para cualquier int ervalo A

4. Si x0 es cualquier valor especfico de la variable aleatoria continua X, entonces:

Como consecuencia se tiene:

El rea de la figura 6.6. debe ser igual a 1, entonces,

Resultando, c = 3/8. Luego.

La grfica de esta funcin de densidad est dada en la figura 6.6.

2.2.2.2. Funcin de distribucin acumulada de variable aleatoria continua.

Determinar el valor de la constante c y luego la f.d.p. de X.

b) Hallar la funcin de distribucin acumulada F(x) de X.

c) Usando F(x), calcular P 5 / 4 X 5 / 2

Si el rea que encierra la figura con el eje X es igual a uno, entonces, c =

b) La funcin de distribucin acumulada, se calcula por:

La grfica de esta funcin de distribucin acumulada es la figura 6-8.

2.2.3. Valor esperado o esperanza matemtica.

. La media es denominada tambin esperanza matemtica o valor esperado de X, y se

denota tambin por E(X).

Si el rango de X es el conjunto infinito numerable R x x1 , x 2 , ... ,

El valor esperado de H(x) es,

2.2.3.3. Varianza de una variable aleatoria.

siempre que la suma y al integral sean nmeros reales.

La desviacin estndar de X es: x

Luego, la varianza de X es:

2.3. DISTRIBUCIONES DISCRETAS

Alguien entiende esta frmula? Vamos a tratar de explicarla con un ejemplo:

" k " (nmero de aciertos) toma el valor 4

En el ejemplo, la nueva variable sera:

Cmo se lee esta tabla?

Ejemplo: queremos conocer la probabilidad acumulada en el valor 2,75.Entonces buscamos en la columna de la

P(A) = P(S1) * P(A/S1)+P(S2)P(A/S2) = 0.40.9 + 0.6*0.2 = 0.48