Professional Documents
Culture Documents
TRIMESTRE 15-O
Septiembre - Diciembre
Departamento de Sistemas
Unidad Azcapotzalco
NDICE GENERAL
1 semana 9 1
1.1 Variable aleatoria continua. 1
1.2 Esperanza y varianza de una variable aleatoria 3
1.3 Distribucin uniforme 4
2 semana 10 7
2.1 Distribucin normal 7
2.2 Distribucin exponencial 13
2.2.1 Prdida de memoria 15
3 semana 11 17
3.1 Teorema del lmite central 17
3.2 Intervalos de confianza 18
a tabla de ecuaciones 23
a.1 Distribucin normal estndar acumulada 24
b bibliografa recomendada 27
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. iii
SEMANA 9
1
1.1 variable aleatoria continua.
Hasta ahora se ha trabajado con variables aleatorias discretas, pero existen una gran
variedad de experimentos que no pueden representarse adecuadamente con un nmero
numerable de datos, por lo que es necesario introducir el concepto de variable aleatoria
continua.
Denicin 1.1.1 Una variable aleatoria continua es aquella que puede tomar cualquier
valor en todo un intervalo de nmeros reales.
Del mismo modo que para las variables aleatorias discretas, es importante poder
determinar la distribucin de probabilidad, la funcin de distribucin de probabilidad,
la media y varianza de las variables aleatorias continuas que se estudian.
Denicin 1.1.2 Sea X una variable aleatoria continua, entonces una distribucin de
probabilidad o funcin de densidad de probabilidad de X es una funcin, fX (x), tal
que para cualesquiera dos nmeros a y b con a 6 b se tiene:
Zb
P(a 6 X 6 b) = fX (x)dx (1)
a
fX (x) = 0.5x, 0 6 x 6 2
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 1
semana 9
Ejemplo 1.2 Suponga que la variable aleatoria X es el nmero de horas que funciona
un aparato hasta su primera falla. En este caso slo se considerarn valores mayores
o iguales a cero ya que los valores negativos carecen de sentido. Despus de un pe-
riodo de observacin se encontr que la distribucin de probabilidad para la variable
aleatoria X corresponde a una funcin lineal definida entre 0 y 9, dada por:
2
fX (x) = 81 x si 0 6 x 6 9
De esta forma se puede calcular la probabilidad de que el aparato tenga una falla en
las primeras n horas.
Observa que en este caso no se especifica el valor de f para variables fuera del intervalo
[0,9], por lo que se le considerar como cero.
a) Determina la probabilidad de que tenga una falla en las primeras 2 horas.
La probabilidad que nos piden est dada por P(0 6 X 6 2), por lo tanto tenemos:
R2 R2 2
P(0 6 X 6 2) = 0 fX (x)dx = 0 81 xdx = 81 x |0 = 81
1 22 1 2
2 = 814
= 0.0494
Esto significa que se tiene una probabilidad baja de falla, 4.94 %, en ese lapso de
tiempo.
b) Determina la probabilidad de que ocurra una falla entre la cuarta y quinta hora de
operacin.
En este caso se calcula de la siguiente forma:
R5 R5 2
P(4 6 X 6 5) = 4 fX (x)dx = 4 81 xdx = 81 x |4 = 81
1 25 1 9
(52 42 ) = 81 = 0.1111
Observa que:
R9
0 f(x)dx = 1
Lo cual indica que, con probabilidad 1, el aparato tendr una falla antes de cum-
plir 9 horas de trabajo.
c) Determina la probabilidad de que ocurra una falla entre la sexta y la dcima hora.
En este caso se calcula de la siguiente forma:
R10 R9 2 R10
P(6 6 X 6 10) = 6 fX (x)dx = 6 81 xdx + 9 0dx = 81 x |6 = 81
1 29 1
(92 62 ) =
45
81 = 0.5555
Observa que para valores mayores a 9, o menores que 0, la funcin es considerada
como la constante cero.
2 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.2 esperanza y varianza de una variable aleatoria
Denicin 1.1.3 Sea X una variable aleatoria continua, entonces la funcin de distri-
bucin acumulada de X, denotada por FX (x), est dada por:
Rx
FX (x) = P(X 6 x) = fX (u)du para < x <
Z
X = E(X) = xfX (x)dx (2)
Z
2X = Var(X) = (x )2 fX (x)dx (3)
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 3
semana 9
Donde:
X, Y son variables aleatorias.
a, b son constantes reales.
Es importante destacar que las propiedades anteriores indican que el operador espe-
ranza es un operador lineal.
En el caso de la varianza se puede demostrar que cumple con las siguientes propieda-
des:
1. Var(X) > 0
2. Var(b) = 0
3. Var(aX + b) = a2 Var(X)
Donde:
X, Y son variables aleatorias
a, b son constantes reales
En particular, la propiedad 3. indica que la varianza, a diferencia de la esperanza, no
es un operador lineal ya que no distribuye ni la suma ni el producto de una variable
aleatoria con escalares.
Ejemplo 1.6 Considera que fX (x) = 0.25 para 0 < x < 4.
Determina la media y la varianza de X.
R R R4 2
X = E(X) = xfX (x)dx = x(0.25)dx = 0 x(0.25)dx = 0.25 x2 |40
0.25 2 0.25 2
= 2 (4 ) 2 (0 ) = 2
R R4 3
2 = Var(X) = (x )2 f(x)dx = 0 (x 2)
2 (0.25)dx = 0.25 (x2)
3 |40
= 32 + 23 = 43
Ejemplo 1.7 La distribucin de probabilidad del peso neto de un producto, en kilo-
gramos, est dada por fX (x) = 2 para 49.75 < x < 50.25.
a) Determina la probabilidad de que un paquete pese ms de 50 kg.
R50.25
P(X > 50) = 50 2dx = 2x|50.2550 = 0.5
b) Determina el peso esperado de un producto seleccionado al azar.
R R50.25
X = E(X) = x(2)dx = 49.75 2xdx = x2 |50.25
49.75 = 50
1
fX (x) = con a 6 x 6 b (4)
ba
es una variable aleatoria continua uniforme.
Bajo estas condiciones, la media y la varianza de X estn dadas por
a+b
X = E(X) = (5)
2
y
(b a)2
2X = Var(X) = (6)
12
4 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.3 distribucin uniforme
Ejemplo 1.8 Sea X una variable aleatoria continua con distribucin uniforme que
Ejemplo 1.9 Considera que la variable aleatoria continua X tiene una distribucin
uniforme en el intervalo [-1,1].
a) Determina la media, la varianza y la desviacin estndar de X.
X = E(X) = 1+1
2 =0
2
2X = Var(X) = (1(1))
12 = 1
3
q
X = 13 = 0.577
b) Determina el valor de x tal que P(x < X < x) = 0.9. Como se trata de una distribu-
cin uniforme entoncesRfX (x) = 0.5, por lo tanto
x
0.9 = P(x < X < x) = x 0.5dt = 0.5t|xx = 0.5(2x) = x
Finalmente, el valor buscado es x = 0.9.
Ejemplo 1.10 El grosor de un componente tiene una distribucin uniforme entre 0.95
y 1.05 milmetros.
a) Determina la funcin de distribucin acumulada del grosor de los componentes.
1
fX (x) = 1,050,95 = 10 para 0.95 6 x 6 1.05
Para determinar la funcin de distribucin acumulada se calcula la siguiente integral
R1.05 x
0.95 10dx = 10t|0.95 = 10x 9.5
Por lo tanto, la funcin de distribucin acumulada es
0, x < 0.95
FX (x) = 10x 9.5, 0.95 6 x < 1.05
1, x > 1.05
b)Determina la proporcin de componentes que exceden 1.02 milmetros
P(X > 1.02) = 1 P(X 6 1.02) = 1 FX (1.02) = 1 0.7 = 0.3
c) Si elegimos un componente al azar, de qu tamao se espera que sea?
X = E(X) = 0.95+1.05
2 =1
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 5
SEMANA 10
2
2.1 distribucin normal
Denicin 2.1.1 Se dice que una variable aleatoria X tiene una distribucin normal
con parmetros X y X si su funcin de densidad de probabilidad est dada por:
2
xX
1 1
fX (x) = e 2 X
< x < (7)
X 2
Donde X es su media y X es su desviacin estndar.
Al graficar la funcin fX (x) se obtiene una grfica con forma de campana y simtrica
con centro en X . El valor de X es la distancia desde X hasta los puntos de inflexin
de la curva.
Si X es una variable aleatoria con una distribucin normal con media X y varianza
2X ,N(X , 2X ), entonces se cumple que:
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 7
semana 10
1 z2
fZ (z) = e 2 < z < (8)
2
y la funcin de densidad de probabilidad acumulada de Z es:
Zz
P(Z 6 z) = fZ (y)dy (9)
Para encontrar el valor de P(Z 6 z) se puede recurrir a una tabla para la distribucin
normal estndar (ver anexo A). El uso de esta tabla se ilustra con el siguiente ejemplo.
Suponga que Z es una variable aleatoria normal estndar. La tabla del anexo A con-
tiene probabilidades de la forma P(Z 6 z). Para encontrar P(Z 6 1.43), se lee hacia
abajo la columna z hasta el rengln -1.4. Por ltimo se desplaza sobre este rengln
hasta la columna con el encabezado 0.03. El valor de esta celda indica la probabilidad
buscada. Por lo tanto, P(Z 6 1.43) = 0.07636, en la siguiente figura se ilustra este pro-
8 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.1 distribucin normal
ceso. Observa que los encabezados de las columnas indican el dgito de las centsimas
del valor de z.
En este punto es importante destacar que la forma en que son presentadas las tablas
de distribucin normal acumulada puede variar de un texto a otro, y es necesario re-
conocer la forma en que deben utilizarse. La mayora de las tablas utilizan los valores
asociados a P(Z 6 z), P(z 6 Z), o P(0 6 Z 6 z). Para determinar el tipo de datos inclui-
dos en cada tabla, es recomendable revisar los valores asociados a puntos positivos y
al valor 0.00.
Si la probabilidad asociada a 0.00 es cero se trata de una tabla que indica los valores
de P(0 6 Z 6 z), (a).
Si la probabilidad es 0.5 en el punto 0.00 y es menor que 0.5 z > 0, entonces se trata
de una tabla que indica los valores de P(z 6 Z), (b).
Si la probabilidad es 0.5 en el punto 0.00 y es mayor que 0.5 z > 0, entonces se trata
de una tabla que indica los valores de P(Z 6 z), (c).
Ejemplo 2.1 Usa la tabla de distribucin normal estndar para determinar las siguien-
tes probabilidades.
a) P(Z < 1.32) = 0.90658
b) P(Z > 1.45) = 1 P(Z < 1.45) = 1 0.92647 = 0.07353
c) P(1 < Z < 1) = P(Z < 1) P(Z < 1) = 0.84134 0.15866 = 0.68268
d) P(0 < Z < 1) = P(Z < 1) P(Z < 0) = 0.84134 0.5 = 0.34134
Ejemplo 2.2 Usa la tabla de distribucin normal estndar para determinar el valor de
z que garantiza las siguientes probabilidades.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 9
semana 10
Sin embargo, es poco comn que de un experimento surja una variable aleatoria
normal estndar. Cuando una variable aleatoria X sigue una distribucin normal pero
X 6= 0 o X 6= 1, sus probabilidades pueden calcularse mediante una estandarizacin.
En este caso, la variable estandarizada es
X X
Z= (10)
X
que tiene una distribucin normal estndar. Por lo tanto,
a X b X
P(a 6 X 6 b) = P( 6Z6 ) (11)
X X
Para demostrar que Z en efecto tiene media X = 0, se puede utilizar el operador
esperanza, de esta forma se tiene:
E(XX ) E(X)E(X )
E(Z) = E( XX
X ) = X = X = X X
X =0
Var(XX ) Var(X) 2X
Var(Z) = Var( X X
X ) = 2X
= 2X
= 2X
=1
De esta forma, cualquier probabilidad en la que interviene una variable aleatoria nor-
mal se puede expresar como una probabilidad de una variable aleatoria normal estn-
dar y por lo tanto se pueden utilizar las tablas de la distribucin z.
De hecho, el proceso de estandarizacin puede verse como un desplazamiento del
eje x para lograr que la media de la distribucin estudiada sea cero.
De esta forma, cualquier probabilidad en la que interviene una variable aleatoria nor-
mal se puede expresar como una probabilidad de una variable aleatoria normal estn-
dar y por lo tanto se pueden utilizar las tablas de la distribucin z. De hecho, el proceso
de estandarizacin puede verse como un desplazamiento"del eje x para lograr que la
media de la distribucin estudiada sea cero.
Ejemplo 2.3 Sea X una variable aleatoria continua con una distribucin normal con
media 10 y desviacin estndar 2. Determina las siguientes probabilidades.
a) P(X < 13)
P(X < 13) = P(Z < 1310
2 ) = P(Z < 1.5) = 0.93319
10 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.1 distribucin normal
b) P(X > 9)
910
P(X > 9) = 1 P(X < 9) = 1 P(Z < 2 ) = 1 P(Z < 0.5) = 1 0.30854
= 0.69146
c) P(6 < X < 14)
P(6 < X < 14) = P( 610
2 <Z< 410
2 ) = P(2 < Z < 2) = P(Z < 2) P(Z < 2)
= 0.97725 0.02275 = 0.9545
d) P(4 < X < 8)
P(4 < X < 8) = P( 410
2 <Z< 810
2 ) = P(3 < Z < 1) = P(Z < 1) P(Z < 3)
= 0.15866 0.00135 = 0.15731
Ejemplo 2.4 Sea X una variable aleatoria continua con una distribucin normal con
media 10 y desviacin estndar 2. Determina el valor de x que garantiza las siguientes
probabilidades.
a) P(X < x) = 0.5
Primero se utiliza la tabla para encontrar el valor de z que acumula esa probabi-
lidad
P(Z < z) = 0.5, implica z = 0.0.
Ahora se emplea la ecuacin de estandarizacin para encontrar el valor de x bus-
cado
z = x
x ,
X
Por lo tanto,
0 = x10
2
Entonces, x = 10.
b) P(X > x) = 0.95
Primero se emplea la tabla para encontrar el valor de z que acumula esa probabi-
lidad
P(Z > z) = 0.95, implica P(Z < z) = 1 0.95 = 0.05.
Como no aparece el valor exacto, se utilizar el ms cercano, z = 1.64.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 11
semana 10
Por lo tanto,
1.64 = x10
2
Entonces, x = 6.72053.
c) P(x < X < 10) = 0.2
Primero se realiza un despeje para determinar el valor buscado.
0.2 = P(x < X < 10) = P(X < 10) P(X < x)
Entonces se busca x tal que
P(X < x) = P(X < 10) 0.2 = P(Z < 1010
2 ) 0.2 = P(Z < 0.5) 0.2 = 0.5 0.2 =
0.3
Ahora se emplea la tabla para encontrar el valor de z que acumula esa probabili-
dad
P(Z < z) = 0.3.
Como no aparece el valor exacto, se utilizar el ms cercano, z = 0.52.
Ahora se emplea la ecuacin de estandarizacin para encontrar el valor de x bus-
cado
z = x
X ,
X
Por lo tanto,
0.52 = x10
2
Entonces, x = 8.96.
Ejemplo 2.5 La cantidad de agua vertida en cada botella por cierta mquina tiene una
distribucin normal con un valor medio de 750 ml y una desviacin estndar de 1.5 ml.
Si las botellas estn diseadas para contener, a lo sumo, 752 ml.
a) Cul es la probabilidad de que ocurra un derrame?
En este caso X es la cantidad de agua depositada en cada botella y se pide P(X >
752), que se calcula de la siguiente manera:
P(X > 752) = P( X750
1.5 > 752750
1.5 ) = P(Z > 1.33) = 1 P(Z 6 1.33)
= 1 0.9088 = 0.0912
Por lo tanto, el 9.12 % de las botellas sufrirn un derrame, por lo que puede
resultar conveniente aumentar ligeramente el tamao de las botellas, o buscar
disminuir la varianza del proceso, para as disminuir el porcentaje de derrames.
b) Considera que el rea de control de calidad indica que las botellas deben contener
al menos 746 ml de agua. Determine el porcentaje de piezas que cumple con esta
especificacin.
P(X > 746) = P( X750
1.5 > 746750
1.5 ) = P(Z > 2.667) = 1 P(Z 6 2.667)
= 1 0.0038 = 0.9962
De esta forma, se espera que el 99.62 % de las botellas cumplan con el contenido
mnimo de agua.
c) Ahora se buscar negociar con el rea de control de calidad el contenido mnimo
aceptable de las botellas, para garantizar que el 99.9 % de la produccin sea acep-
tada, qu cantidad de agua debera contener una botella para ser aceptada y
garantizar un porcentaje tan alto de aceptacin?.
En este caso se conoce el valor de la probabilidad, pero se ignora el valor de x.
P(X > x) = 0.999
Por lo tanto, se necesita
12 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.2 distribucin exponencial
Como se vio en la seccin ?? una variable aleatoria que sigue una distribucin de
Poisson cuenta el nmero de fallas ocurridas durante un intervalo. Sin embargo, la
distancia entre dos fallas consecutivas tambin define una variable aleatoria de mucho
inters, principalmente en el estudio de lneas de espera.
Una variable aleatoria X que mide la distancia entre dos observaciones consecutivas de
un proceso de Poisson con media > 0 es llamada variable aleatoria exponencial con
parmetro .
Para analizar algunas caractersticas de esta distribucin, se considerar que Y es una
variable aleatoria que denota el nmero de observaciones en un intervalo de longitud
x en un proceso de Poisson con parmetro . Entonces, para cualquier longitud x, Y
tendr una media Y = X .
Por lo tanto, la probabilidad de que no ocurra una observacin en el prximo intervalo
de longitud x est dada por:
ex (x)0
P(Y = 0) = 0! = ex
fX (x) = ex , 0 6 x (13)
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 13
semana 10
= 1 0.6872 = 0.3128
d) Determina el valor de x tal que la probabilidad de que el siguiente error ocurra
despus de x metros Rde tela sea 0.10.
P(X > x) = 0.10 = x 0.75e0.75t dt = e0.75t | x =e
0.75x
14 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.2 distribucin exponencial
tela.
= 0.9798
c) Ahora considera que han pasado 2 minutos y an no se ha detectado ningn cam-
bio de voltaje. Determina la probabilidad de detectar el siguiente cambio en los
prximos 90.
En este caso la probabilidad buscada est dada por:
R3.5
P(2<X<3.5) 2.6e2.6x dx e2.6x |3.5 0.0054049
P(X < 3.5minutos|X > 2) = = R2 = 2
=
P(2<X) 2 2.6e 2.6x dx e2.6x |
2
0.0055166
= 0.9798
Por lo tanto, el hecho de que hayan transcurrido 2 minutos sin cambios de voltaje no
cambia la probabilidad de una deteccin en los prximos 90 segundos.
Esta propiedad resulta muy interesante cuando se aplica a ejemplos cotidianos, sobre
todo porque va en contra del sentido comn como se ve en el siguiente caso.
Considera que el tiempo entre los camiones que lo llevan a la escuela o al trabajo sigue
una distribucin exponencial con = 0.1 camiones por minuto. Esto significa que en
promedio pasan 0.1 camiones cada minuto, o bien, 1 camin cada 10 minutos. Al llegar
a la parada se puede determinar que la probabilidad de que el camin pase en los
prximos 10 minutos es 0.6321. Si se espera algn tiempo, por ejemplo 7 minutos, por
lo general se considera que la probabilidad de que el camin pase ha aumentado. Sin
embargo, la propiedad de prdida de memoria indica que la probabilidad sigue siendo
la misma que al comienzo de la espera. Esto ocurre porque una media de 0.1 significa
que en cada intervalo de 10 minutos se espera que pase un camin: tanto a partir del
punto de espera inicial, como en el intervalo que inicia despus de los 7 minutos de
espera.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 15
SEMANA 11
3
3.1 teorema del lmite central
Si X1 , ..., Xn es una muestra aleatoria de tamao n tomada de una poblacin (sea fini-
ta o no) con media y varianza 2 , y si X es la media muestral entonces la distribucin
lmite de:
X
Z= (17)
n
Una regla emprica utilizada con frecuencia es considerar que n > 30 es suficiente
para poder emplear el teorema del lmite central. Sin embargo, cuando se sabe que
la poblacin sigue una distribucin muy cercana a la normal, se pueden considerar
valores ms pequeos.
Observa que la suposicin de normalidad se hace sobre el promedio de la muestra, X,
y no sobre la poblacin.
Ejemplo 3.1 Una compaa construye resistores con una resistencia media de 100
ohms y una desviacin estndar de 10 ohms. Si la distribucin de la resistencia es
normal encuentre la probabilidad de que una muestra aleatoria de 25 resistores tenga
una resistencia promedio menor de 95 ohms.
La probabilidad buscada es P(X < 95). Como la distribucin de la muestra es normal,
no es necesaria una muestra con ms de 30 elementos, y podemos aplicar el teorema
del lmite central.
Entonces tendremos:
Z = 95100
10
= 2.5
25
Por lo tanto:
P(X < 95) = P(Z < 2.5) = 0.0062.
Ejemplo 3.3 La presin de los tanques de gas producidos por una empresa sigue
una distribucin normal con una media de 75.5 psi y una desviacin estndar de 3.5
psi. Determina la probabilidad de que una muestra aleatoria de 6 tanques tenga una
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 17
semana 11
Ejemplo 3.4 Suponga que se selecciona al azar una muestra de tamao 25 de una
poblacin normal con media 100 y desviacin estndar 10, cul es la probabilidad de
que la media muestral est en el intervalo de (X 1.8X , X + 1.8X )?
La probabilidad buscada es
P(100 1.8(10) < X < 100 + 1.0(10)) = P(96.4 < X < 102)
Utilizando el teorema del lmite central se obtiene
P(96.4 < X < 102) = P(1.8 < Z < 1) = P(Z < 1) P(Z < 1.8) = 0.84134 0.03593 =
0.80541
X X
(x z 2 , x + z 2 ) (19)
n n
Ejemplo 3.5 Considere que se tiene un proceso que sigue una distribucin poblacional
normal, y del cual se conoce la desviacin estndar poblacional, X .
18 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.2 intervalos de confianza
X
a) Cul es el nivel de confianza para el intervalo x 2.81 n
?
X
b) Cul es el nivel de confianza para el intervalo x 1.44 n
?
Nuevamente, el nivel de confianza de un intervalo de confianza est dado por
1 , por lo tanto se debe encontrar el valor de .
Al observar el intervalo dado, se tiene que z 2 = 1.44, por lo tanto:
2 = P(Z < 1.44) = P(Z > 1.44) = 0.0749
Entonces, = 0.1498. Con lo cual se concluye que el nivel de confianza es del
85.02 %.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 19
semana 11
2
n = (2z 2 ) (20)
w
Ejemplo 3.7 Una compaa se dedica a la produccin de vigas de madera cuya lon-
gitud sigue una distribucin normal con una desviacin estndar de 25 mm. De qu
tamao debe ser la muestra necesaria para garantizar que el intervalo de confianza de
95 % tenga una longitud de 10?.
Ejemplo 3.8 Supongan que se obtiene una muestra aleatoria de 25 piezas de una
20 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.2 intervalos de confianza
P(Z < z 2 ) = P(z 2 < Z) = 2.
Ejemplo 3.9 En una tormenta elctrica se tom una muestra de 48 relmpagos, dando
como resultado una duracin de 54.7 milisegundos de duracin con una desviacin
estndar de 5.23 milisegundos. Determina un intervalo de confianza del 95 % para la
duracin media real.
En este caso no se sabe el tipo de distribucin que sigue el caso estudiado, pero se tiene
varias muestras, por lo cual se puede utilizar la ltima definicin. Se sabe que X = 54.7
y en este caso la desviacin dada es muestral, por lo tanto tenemos s =5.23. Por ltimo,
tenemos un nivel de confianza del 95 %, por lo tanto = 0.05. De esta forma tenemos,
z 2 = 1.96, ya que
P(Z < 1.96) = P(1.96 < Z) = 0.05 2 = 0.025
Finalmente, el intervalo buscado es:
5.23 5.23
(5.47 1.96 48
, 5.47 + 1.96 48
) = (53.2, 56.2).
Ejemplo 3.10 Para un proceso dado se tom una muestra de tamao 169, el promedio
a) Calcula el intervalo de confianza para la media real con un nivel de confianza del
95 %.
Se sabe que n = 169, X = 89.10 y s = 3.73. Por ltimo, se tiene un nivel de con-
fianza del 95 %, por lo tanto = 0.05. De esta forma se tiene, z 2 = 1.96, ya que
P(Z < 1.96) = P(1.96 < Z) = 0.05 2 = 0.025
Finalmente, el intervalo buscado es:
(89.10 1.96 3.73
169
, 89.10 + 1.96 3.73
169
) = (88.54, 89.66).
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 21
TA B L A D E E C U A C I O N E S
A
Captulo 1.1
1
fX (x) = ba con a 6 x 6 b
Distribucin uniforme
a+b
X = E(X) = 2
2
2X = Var(X) = (ba)
12
2
1 xX
Distribucin normal fX (x) = 1
X 2
e 2 X
< x <
XX
Z= X
fX (x) = ex , 0 6 x
Distribucin exponencial
1
X = E(X) =
1
2X = Var(X) = 2
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 23
tabla de ecuaciones
24 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
A.1 distribucin normal estndar acumulada
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 25
tabla de ecuaciones
26 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
BIBLIOGRAFA RECOMENDADA
B
1. Grabinsky J., Gua SAI de probabilidad y estadstica. Tronco general. Universi-
dad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217523/217523.html.
3. Grabinsky J., Ramrez R. J., Rivera B. J., Alonso J., Lpez B. R., Problemas de pro-
babilidad y estadstica. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/101416/101416.html.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 27