Você está na página 1de 339

UNIVERSIDAD MICHOACANA DE SAN NICOLAS DE

HIDALGO

FACULTAD DE INGENIERA MECNICA

Apuntes de Probabilidad y Estadstica

2014-2015

1
PARTE I
PROBABILIDAD Y ESTADSTICA
UNIDAD I. ESTADSTICA DESCRIPTIVA
a) Concepto
b) Datos estadsticos
c) Tratamiento de datos no agrupados
d) Tratamiento de datos agrupados
e) Distribuciones de probabilidad
f) Problemas propuestos

UNIDAD II. TCNICAS DE CONTEO


a) Concepto
b) Principio multiplicativo
c) Principio aditivo
d) Permutaciones
e) Permutaciones con repeticin
f) Pruebas ordenadas
g) Combinaciones
h) Particiones ordenadas
i) Diagrama de rbol
j) Problemas propuestos

UNIDAD III. PROBABILIDAD


a) Concepto
b) Axiomas y teoremas de probabilidad
c) Espacios finitos de probabilidad
d) Espacios finitos equiprobables
e) Probabilidad condicional
f) Teorema de la multiplicacin para probabilidad condicional
g) Procesos estocsticos
h) Teorema de Bayes
i) Independencia
j) Problemas propuestos

UNIDAD IV. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS


a) Distribucin Binomial
b) Distribucin Multinomial
c) Distribucin Hipergeomtrica
d) Distribucin Hipergeomtrica generalizada
e) Distribucin de Poisson
f) Aproximacin de Poisson a la Binomial
g) Distribucin Geomtrica
h) Distribucin Binomial Negativa
i) Problemas propuestos

UNIDAD V. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS


a) Distribucin Normal
b) Aproximacin de la Normal a la Binomial
c) Distribucin Exponencial
d) Problemas propuestos

2
UNIDAD VI. MUESTREO
a) TEORIA DEL MUESTREO
b) Muestras aleatorias
Errores en el muestreo
c) Distribuciones mustrales
Teorema del lmite central
d) Distribucin muestral de medias
e) Distribucin muestral de proporciones
f) Distribucin muestral de diferencia de medias
g) Distribucin muestral de diferencia de proporciones
h) Distribucin Muestral de nmero de defectos
i) Problemas propuestos

UNIDAD VII. ESTIMACIONES


a) Estimacin Puntual
b) Propiedades de un buen estimador
c) Estimacin por intervalos
d) Estimacin para la media
e) Estimacin de una proporcin
f) Estimacin de la diferencia entre dos medias
g) Estimacin de la diferencia de Proporciones
h) DETERMINACION DE TAMAOS DE MUESTRA
h.1) Clculo del tamao de la muestra para estimar una media
h.2) Clculo del tamao de la muestra para estimar una proporcin
h.3) Clculo del tamao de la muestra para estimar la diferencia de medias
h.4) Clculo del tamao de la muestra para diferencia de proporciones
i) Problemas propuestos

UNIDAD VIII. PRUEBA DE HIPOTESIS


a) Hiptesis nula
b) Hiptesis alternativa
c) Error tipo I y tipo II
d) Pasos para establecer un ensayo de hiptesis
d.1) Tipos de Ensayo
d.1.1) Uso de valores P para la toma de decisiones
d.1.2) Error tipo II
d.1.3) Curva caracterstica de operacin
e) Problemas propuestos

UNIDAD IX. TEORIA DE PEQUEAS MUESTRAS


a) Distribucin t student
b) Distribucin Ji-cuadrada
c) Distribucin Fisher
d) Intervalo de confianza para la diferencia de medias de dos distribuciones Normales varianza desconocida
e) Muestras pequeas dependientes o pruebas pareadas
f) Problemas propuestos

3
UNIDAD I. ESTADISTICA DESCRIPTIVA.

a) CONCEPTO.

El estudio de la estadstica constituye una herramienta primordial para una gran variedad de
profesiones; todas las ciencias medicas e ingeniera dedican en sus planes de estudio, al menos un
ao, al conocimiento de esta disciplina.

La estadstica es una ciencia que se ocupa del analices recopilacin de los datos y el proceso de
toma de decisiones ms efectivas acerca del sistema del fueron obtenidos dichos datos.
La estadstica se divide en tres ramas principalmente como son:
a).- Estadstica descriptiva.
b).- La teora de la probabilidad
c).- El analices e interpretacin de los datos es decir el muestreo

Las 3 ramas de la estadstica utilizan mtodos cientficos que consisten de los siguientes pasos:
1. Definir cuidadosamente el problema, es decir se debe de asegurar de que el objeto de estudio
o analices sea muy claro.
2. Formular un plan para recompilar los datos necesarios y forma adecuada
3. Reunir los datos necesarios
4. Analizar e interpretar de forma adecuada los datos recopilados
5. Anotar las conclusiones y otros descubrimientos de manera que sean fcilmente
comprensibles para poder tomar de los resultados las decisiones ms adecuadas

Una de las principales herramientas de la estadstica es el uso de modelos los cuales constituyen
versiones simplificadas de algunos problemas o situaciones de la vida real sin la necesidad de
analizar cada detalle.

La estadstica se divide en dos tipos como son:


ESTADISTICA DESCRIPTIVA
ESTADISTICA INFERENCIAL

Qu es la estadstica descriptiva o para qu nos sirve?


Cuando necesitamos analizar un proceso cualquiera, es necesario tomar una muestra de datos del
proceso en cuestin y a partir de los mismos obtener sus caractersticas tales como la media, la
mediana, la moda, la desviacin estndar, el rango, etc., tambin es necesario saber el tipo de
distribucin de probabilidad que tiene, as como tambin es necesario visualizar de forma objetiva el
comportamiento de los datos al ser graficados de diversas formas, todo lo anterior es posible gracias
a la estadstica descriptiva.

Qu es la estadstica inferencial o para que nos sirve?


Este tipo de estadstica tambin se le conoce como estadstica inductiva ya que su principal utilidad
es de conocer algo acerca de una poblacin basndose en una muestra tomada de dicha poblacin.

Qu es una poblacin? Es el conjunto de todos los individuos (personas, objetos, animales etc.)
como ejemplo todos los estudiantes de la universidad, todos los alumnos de la Fac. de Ing.

4
Mecnica. Poblacin de objetos puede ser todos los autos producidos por la planta Ford de un mes
etc.
Qu es una muestra? Es una parte de los datos del proceso que se desea analizar, la cual debe de ser
representativa del proceso en cuanto al nmero de elementos que contiene y en cuanto a lo que est
ocurriendo en el proceso, esto ltimo se logra tomando cada uno de los elementos de la muestra de
forma aleatoria o totalmente al azar; para determinar el nmero de elementos idneo en la muestra
se hace uso de la inferencia estadstica, por el momento no nos ocuparemos de ello debido a que
esto se ve con detalle en cursos ms avanzados de estadstica

b) DATOS ESTADISTICOS.

Los datos estadsticos se obtienen mediante el proceso de la observacin o medicin de conceptos


como son algunos de ellos ( las calificaciones de un examen) . Estos conceptos reciben el nombre de
variables ya producen valores

Tipos de variables

Variable Cualitativa
Cuando la variable estudiada es no numrica, esta es llamada variable cualitativa tambin llamada
atributo (p.ej. lugar de nacimiento, religin, color de ojos, etc.)

Variable Cuantitativa
Cuando la variable estudiada puede expresarse en forma numrica, esta es llamada variable
cuantitativa (p.ej. el saldo de una cuenta bancaria, la duracin de una batera, la velocidad de los
automviles en el perifrico). Las variables cuantitativas pueden ser discretas o continuas.

Variables Discretas
Las variables discretas pueden asumir solo ciertos valores, y hay usualmente huecos entre los
valores (nmero de cuartos en una casa, nmero de carros en el estacionamiento del claustro,
nmero de estudiantes en la clase de estadsticas). Note que cada una de estas variables puede
valer un nmero entero (p.ej. 1, 2,3, etc.) pero no puede valer nmeros fraccionarios (p.ej. 1.5).
Tpicamente, las variables discretas resultan de un conteo.

Variables Continuas
Las variables continuas pueden asumir todos los valores dentro de un rango especfico (p.ej.
presin del aire en una llanta, el tiempo que se toma en viajar de Morelia a Guadalajara, el
peso de los jugadores de ftbol americano de las guilas de la U.N.A.M., etc). Tpicamente, las
variables continuas resultan de medir algo, y lgicamente dependen de la exactitud del
instrumento de medicin.

Escalas de medicin

La estadstica no realiza sus funciones directamente sobre las modalidades observadas, sino que
stas se representan por nmeros, y la estadstica realiza sus funciones sobre esos nmeros.
Se llama medicin al proceso de atribuir nmeros a las caractersticas. La medicin estudia las
condiciones de construccin de representaciones numricas, y los modelos desarrollados para la
medicin se llaman escalas.

5
Escala Nominal
El trmino nivel nominal es normalmente usado para referirse a datos que solamente pueden
clasificarse en categoras. Sin embargo, no hay mediciones y no hay escalas involucradas, solo hay
conteo. En este tipo de nivel de medicin el orden en que estn acomodadas la categoras es
totalmente arbitrario.

Religiones en Mxico (poblacin con 5 aos o ms, censo del 2000)


Religin Catlica 74 612 373
Religin no catlica 3 483 593
Sin religin 2 982 929
total 81 078 895

Escala Ordinal
Este tipo de nivel de medicin tiene caractersticas similares al nivel nominal con la diferencia de
que en el nivel ordinal las categoras indican que unas son ms que las otras.

Evaluacin de la atencin mdica en el IMSS (2006)


buena / muy buena 75,7
regular 17,1
mala / muy mala 2
ns / nc 5,2
Total 100

Escala cuantitativa intervalar


En este nivel de medicin, las categoras estn definidas por intervalos de valores, y estn
acomodadas en orden a la magnitud de los valores. El tamao de los intervalos es el mismo.

Calificaciones de los aspirantes a la Fac. de Ing. Mecnica


Calificacin Nmero de aspirantes
90 99 42
80 89 19
70 79 7
60 69 4

Escala cuantitativa Racional


En este nivel al igual que en el nivel intervalar, las categoras son del mismo tamao. La diferencia
es que este nivel tiene un punto cero significativo y el valor de los categoras es en relacin a ese
punto.
Ingreso de los empleados de la compaa en relacin a la media de la industria
2000 12
1000 25
0 32
-1000 17
-2000 10

6
c) TRATAMIENTO PARA DATOS NO AGRUPADOS.
Que es un promedio?

Otra forma de describir datos numricos, las medidas de tendencia central, comnmente conocidas
como promedios. Estos promedios son la media aritmtica, la mediana, y la moda. A menudo
necesitamos un solo nmero para representar una serie de datos. Este nico nmero puede ser
considerado como tpico de todos los datos. La palabra promedio es usada frecuentemente en
nuestro lenguaje diario, normalmente nos referimos a la media aritmtica, pero podra referirse a
cualquiera de los otros promedios. Un trmino mas preciso que promedio es una medida de
tendencia central. Hay tres diferentes medidas de tendencia central: la media aritmtica, la mediana,
y la moda.

A qu se refiere esto? Cuando la muestra que se ha tomado de la poblacin o proceso que se desea
analizar, es decir, tenemos menos de 20 elementos en la muestra, entonces estos datos son
analizados sin necesidad de formar clases con ellos y a esto es a lo que se le llama tratamiento de
datos no agrupados.

Medidas de tendencia central. Se les llama medidas de tendencia central a la media aritmtica, la
mediana, la media geomtrica, la moda, etc. debido a que al observar la distribucin de los datos,
estas tienden a estar localizadas generalmente en su parte central. A continuacin definiremos
algunas medidas de tendencia central y la forma de calcular su valor.

Media aritmtica (x ). La medida de tendencia central ms ampliamente usada es la media


aritmtica, usualmente abreviada como media. La media aritmtica de un conjunto de n valores es el
resultado de la suma de todos ellos dividido entre n.

Tambin se le conoce como promedio ya que es el promedio de las lecturas o mediciones


individuales que se tienen en la muestra, se determina con la frmula siguiente:

x i
x i 1

n
donde:
x = media aritmtica
xi = dato i
n = nmero de datos en la muestra


Para una poblacin se escribe de la siguiente forma i 1

n
donde:

= media aritmtica de la poblacin
xi = dato i

7
n = nmero de datos en la muestra

La media presenta ciertas propiedades tiles e interesantes que explica porque es la medida
centralizada que se utiliza ms ampliamente

Propiedades de la media aritmtica


1. Siempre puede ser calculada en distribuciones de datos con escala relativa e intervalar.
2. Todos los valores son incluidos en el cmputo de la media.
3. Una serie de datos solo tiene una media.
4. Es una medida muy til para comparar dos o ms poblaciones.
5. la media es sensible a cada valor de conjunto de datos ya que si cambiamos algn valor alguno de
los datos la media tambin cambia.
6. Si sumamos una constante a cada valor del conjunto de datos la media tambin se afecta por la
misma cantidad
7. Es la nica medida de tendencia central donde la suma de las desviaciones de cada valor respecto


a la media es igual a cero. Por lo tanto podemos considerar a la media como el punto de balance de

una serie de datos. x x 0


i

Desventajas de la media aritmtica


1. Si alguno de los valores es extremadamente grande o extremadamente pequeo, la media no es el
promedio apropiado para representar la serie de datos.
2. No se puede determinar si en una distribucin de frecuencias hay intervalos de clase abiertos.

Ejemplos:
1.Se han tomado como muestra las medidas de seis cables usados en un arns para lavadora, las
cuales son; 15.2 cm, 15.0, 15.1, 15.2, 15.1 y 15.0, determine su media aritmtica.

Solucin:

15.2 15.0 15.1 15.2 15.1 15.0


x 15.1cm
6

2. Se toman varias muestras de cierto tipo de queso y se determina la cantidad de protena por cada
100 gramos de queso, encontrndose lo siguiente: 26.5 gramos, 24.8, 25.3, 30.5, 21.4, determine la
cantidad promedio de protena encontrada en la muestra por cada 100 gramos de queso que se
elabora.

Solucin:
_
26.5 24.8 25.3 30.5 21.4
x 25.7 grs
5

8
3.- Se hacen varias lecturas de una muestra que contiene cobre, las lecturas se hacen en un
espectrofotmetro de absorcin atmica y son la siguientes: 12.3%, 12.28, 12.27, 12.3, 12.24, 15.01,
determine la concentracin promedio de Cu en la muestra.

Solucin:

_
12.3 12.28 12.27 12.3 12.24 15.01 76.4
x 12.73%Cu
6 6

Si observamos las lecturas del espectrofotmetro nos damos cuenta que el valor de 15.01% es un
valor diferente al de las lecturas anteriores, por lo que se descarta el valor ya que se considera un
valor atpico, es decir un valor que es debido a circunstancias especiales, en este caso puede ser que
se deba al hecho de que se est des calibrado el aparato de absorcin atmica o simplemente que se
ha equivocado el operador del aparato al tomar la lectura, por lo que la media se debe calcular con
las primeras cinco lecturas; como se muestra a continuacin:

Solucin:

_
12.3 12.28 12.27 12.3 12.24 61.39
x 12.278%Cu
5 5 y esta sera la media
correcta

4. Si deseamos determinar la edad promedio de los estudiantes de una escuela de nivel superior al
iniciar sus estudios, suponga que se toman las edades de algunos de los alumnos de cierta clase y
estas son las que siguen: 20, 18, 18, 19, 18, 19, 35, 20, 18, 18, 19.

Solucin:
Luego, la media se determinar con solo 10 de las edades ya que es necesario descartar la edad de
35 aos, que es un dato atpico o un caso especial, por lo que;

_
20 18 18 19 18 19 20 18 18 19 187
x 18.7aos
10 10

Nota: Cuando es necesario determinar aquellas medidas de tendencia central que hagan uso de
todos los datos de la muestra se recomienda descartar todos aquellos datos atpicos que se
encuentren en la muestra o muestras tomadas.

Media geomtrica (G). Es la raz en ensima del producto de los valores de los elementos de la
muestra, es usada cuando los valores de los datos de la muestra no son lineales, es decir que su
valor depende de varios factores a la vez, se determina de la siguiente forma:

9
G n x1 * x2 * ...* xn

Donde:
G = media geomtrica
xi = dato i
n = nmero de datos en la muestra

Ejemplos:

1). Las siguientes temperaturas han sido tomadas de un proceso qumico, 13.4oC, 12.8, 11.9, 13.6,
determine la temperatura promedio de este proceso.

Solucin:

G = 13.4 x12.8x11.9 x13.6 27758.7968 = 12.9077 oC


4 4

2). Las siguientes temperaturas han sido tomadas de un proceso para fabricar queso chihuahua,
21.4oC, 23.1, 20.2, 19.7, 21.0, determine la temperatura promedio de este proceso.

Solucin:

G=
5
21.4 x23.1x20.2 x19.7 x21.0 5 4131070.852 = 21.048 oC

3) Media aritmtica ponderada ( xw ). En la ecuacin de la media aritmtica se supone que cada


valor tiene la misma importancia y en trminos generales esto suele suceder no en todos los casos
suele suceder ya que existe que en algunos casos donde algunos valores tienen cierto peso. En esta
media se usa cuando el peso que tiene cada uno de los datos de la muestra es diferente, se calcula de
la siguiente manera:
k

wi xi
xw i 1
k

wi
i 1

Donde:
xw = media aritmtica ponderada
xi = dato i
wi = peso del dato i

Ejemplo:
A continuacin se mencionan las materias que Luis Prez llev en el primer semestre de Ingeniera
Mecnica, el nmero de crditos y la calificacin obtenida;

10
MATERIA NUMERO CREDITOS CALIFICACIN
Esttica 8 90.5
Matemticas I 10 100.0
Intr. a la Ingeniera 8 81.0
Termodinmica 10 78.0
Dibujo 4 100.0
Algebra 8 84.0

Determine la calificacin promedio que obtuvo Luis Prez en su primer semestre.

Solucin:

( 8 x90.5 ) ( 10 x100.0 ) ( 8 x81.0 ) ( 10 x78.0 ) ( 4 x100 ) ( 8 x84.0 )


Xw =
8 10 8 10 4 8

724 1000 648 780 400 672 4224


88.0
48 48

Nota: S comparamos este promedio con el que se obtiene usando simplemente la media aritmtica,
que es un 88.91, nos damos cuenta que este ltimo es mayor, por no tomar en cuenta el peso o
nmero de crditos que aporta cada materia a la carrera que se estudia, el promedio de esta persona
es menor al de la media aritmtica debido a que obtiene una calificacin baja es Qumica que es una
de las materias que aporta ms crditos.

4) Media armnica (H). La media armnica se define como el recproco del promedio de los
recprocos de cada uno de los datos que se tienen en la muestra, y se determina de la siguiente
manera:

1 n
H n
n
1 / n1 / xi 1 / xi
i 1 i 1
Ejemplo: Determine la media armnica de los siguientes datos, 3.1, 2.8, 2.84, 3.05, 3.09

Solucin:

5
H
1 / 3.1 1 / 2.8 1 / 2.84 1 / 3.05 1 / 3.09

5 5
2.9703
0.3226 0.3571 0.3521 0.3279 0.3236 1.6833

5) Mediana (xmed). La mediana esa medida de tendencia central de un conjunto de valores y su


resultado es el valor que se encuentra en la parte central de los datos que se tienen en la muestra

11
una vez que estos han sido ordenados segn su valor o magnitud. Para calcular la mediana se
presentan dos casos:

a. Cuando el nmero de datos en la muestra es impar.- En este caso despus de ordenar los datos de
la muestra en cuanto a su magnitud, es decir de mayor a menor valor o de menor a mayor valor, se
procede a localizar aquel dato que se encuentra justo en el centro de los datos o en la parte central
de los mismos, el valor de este dato ser el que d valor a la mediana.

Ejemplo:
Los siguientes datos son las mediciones obtenidas de un circuito utilizado en un arns de
lavadora; se toman como muestra siete circuitos y sus mediciones son: 11.3, 11.2, 11.5, 11.2, 11.2,
11.4, 11.5 cm.

Solucin:
Ordenando los datos de menor a mayor valor;
11.2, 11.2, 11.2, 11.3, 11.4, 11.5, 11.5

Se observa que el dato 11.3 es el que queda en la parte central, por lo que este es el que dar valor
a la mediana; entonces,

xmed = 11.3 cm.

b. Cuando el nmero de datos en la muestra es par.- En este caso despus de ordenar los datos en
cuanto a su magnitud, observamos que en la parte central de los datos no se encuentra dato alguno,
en este caso, la mediana tomar el valor del promedio de dos datos; el que se encuentra antes de la
parte central y el que se encuentra despus de la parte central.

Ejemplo:

Los siguientes datos son las mediciones obtenidas de un circuito utilizado en un arns de lavadora;
se toman como muestra ocho circuitos y sus mediciones son: 11.3, 11.2, 11.5, 11.2, 11.2, 11.4,
11.5, 11.4 cm.

Solucin:

Ordenando los datos de mayor a menor valor,

11.5, 11.5, 11.4, 11.4, 11.3, 11.2, 11.2, 11.2, cm.

Se observa que en la parte central de los datos no hay dato alguno por lo que la mediana se
determina con el promedio de los datos subrayados, entonces,

12
Nota: Es imprescindible para calcular el valor de la mediana el que primero se ordenen los datos
en cuanto a su magnitud, ya que de no hacerlo, se incurrira en un grave error.

Propiedades de la mediana
1. Hay solo una mediana en una serie de datos.
2. No es afectada por los valores extremos (altos o bajos)
3. Puede ser calculada en distribuciones de frecuencia con intervalos abiertos, si no se encuentra en
el intervalo abierto.
4. Puede ser calculada en distribuciones con escala relativa, intervalar, y ordinal.

5) Moda (xmod). La moda se define como aquel valor o valores que ms se repiten o que tienen
mayor frecuencia entre los datos que se han obtenido en una muestra, la muestra de una poblacin
nos genera la distribucin de los datos una vez que estos se han graficado y en esta grfica es
posible observar la moda o modas de la misma, es por esto que una distribucin de datos puede ser
amodal (carece de moda), unimodales (tiene una sola moda), bimodales (tiene dos modas) o
polimodal (tiene ms de dos modas).

Ejemplos:
1. Determine la moda de los datos que se muestran a continuacin, se refieren a la estatura de un
grupo de jvenes de la escuela de Ing. Mecnica; 1.60m, 1.65, 1.70, 1.71, 1.70, 1.70, 1.70, 1.71,
1.70, 1.93, 1.87, 1.85

Solucin:
Estatura Frecuencia
1.60 1
1.65 1
1.70 5*
1.71 2
1.85 1
1.87 1
1.93 1

La tabla muestra la distribucin de frecuencias de los datos o el nmero de veces que estos se
repiten, la mayor frecuencia que es 5 corresponde a una estatura de 1.70m, por lo que esta sera la
moda.

Luego, xmod = 1.70m

2. Determine la moda de los siguientes datos que se refieren a la edad de alumnos de primer ao de
la Facultad de Ingeniera Mecnica, 18 aos, 17, 19, 21, 19, 18, 22, 22, 18, 18, 17, 19, 19, 19, 18,
20, 21, 20, 18, 19, 18, 19, 18,19, 22, 35

Solucin:

13
Edad Frecuencia
17 2
18 8*
19 8*
20 2
21 2
22 3
35 1

En este caso se observa que las edades que ms frecuencia tienen son las de 18 y 19 aos, por lo que
se concluye que existen dos modas,

Xmod1= 18 aos , Xmod2= 19aos

Hay que hacer notar que la frecuencia para ambas modas puede ser de igual magnitud o diferente,
como en el caso que se ilustra.

Qu son las medidas de variabilidad?

Para describir en forma adecuada las medidas de variabilidad de una serie de datos, muestra o
poblacin, es necesario 2 tipos de medidas de resumen que nos permiten identificar que tan
dispersos o concentrados se encuentran los datos respecto a una medida de tendencia central.
Hay varias razones para analizar la variabilidad en una serie de datos. Primero, al aplicar una
medida de variabilidad podemos evaluar la medida de tendencia central utilizada. Una medida de
variabilidad pequea indica que los datos estn agrupados muy cerca, digamos, de la media. La
media, por lo tanto es considerada bastante representativa de la serie de datos. Inversamente, una
gran medida de variabilidad indica que la media no es muy representativa de los datos.
Una segunda razn para estudiar la variabilidad de una serie de datos es para comparar como estn
esparcidos los datos en dos o ms distribuciones. Por ejemplo, la calificacin promedio de dos
estudiantes, A = {90, 80, 75, 75 } y B = {90, 55, 85, 90 }, es de 80. Basados en esto podramos
pensar que sus calificaciones son idnticas. Pero si revisamos el detalle de sus calificaciones vemos
que esta conclusin no es correcta.

Medidas de Dispersin. Cuando se tiene una muestra de datos obtenida de una poblacin
cualquiera, es importante determinar sus medidas de tendencia central as como tambin es bsico el
determinar que tan dispersos estn los datos en la muestra, por lo que se hace necesario determinar.
La amplitud de variacin, la desviacin media, la varianza, y la desviacin estndar, etc., ya
que una excesiva variabilidad o dispersin en los datos indica la inestabilidad del proceso en anlisis
en la mayora de los casos.
Todas estas medidas excepto la amplitud de variacin, toman a la media como punto de referencia y
en cada caso un valor de cero nos indica que no hay dispersin y en cuanto la dispersin aumenta a
medida que se incrementa el valor de la medida.

14
Amplitud de variacin (Rango o recorrido)
La amplitud de variacin (o amplitud) de un conjunto de nmeros es generalmente la mas sencilla
de calcular y comprender ya que se concentra en nmero mayor y el nmero menor del grupo de
valores y dicha medida se puede expresar de dos formas,

1.- La diferencia entre el valor mayor y el valor menor


2.- Los valores mayor y menor

R = VM Vm
Donde:

R = rango o recorrido
VM = valor mayor en la muestra
Vm = valor menor en la muestra

Ejemplos:

Dado los siguientes valores encontrar la amplitud:


14, 3, 17, 4, 8, 73, 36, 48

La amplitud es 73-3 =70 o de 3 a 73

Dado los siguientes datos


3.2, 4.7, 5.6, 2.1, 1.9, 10.3

la amplitud es 10.3-1.9=8.4 o de 1.9 a 10.3

Ejemplo:
1. Se han tomado como muestras las mediciones de la resistencia a la tensin de la soldadura usada
para unir dos cables, estas son: 78.5kg, 82.4, 87.3, 78.0, 90.0, 86.5, 77.9, 92.4, 75.9, determine su
rango o recorrido.

Solucin:

VM = 92.4 kg
Vm = 75.9 kg
R = VM Vm = 92.4 75.9 = 16.5 kg o de 92.4 a 75.9

2. Se toman las mediciones de la cantidad de grasa de la leche en gramos por cada 100 ml de leche
que entra a un proceso de pasteurizacin, a continuacin se enumeran; 14.85, 15.32, 12.76, 16.29,
15.84, 17.3, 17.61, 16.33, determine el rango o recorrido de la cantidad de grasa de la leche.

Solucin:

VM = 17.61
Vm = 12.76

15
R = 17.61 12.76 = 4.85gramos o 17.61 a 12.76

La ventaja de utilizar la amplitud como medida de dispersin se basa en el hecho que es


relativamente muy sencilla en su obtencin. Pero la principal limitacin de la amplitud es que se
consideran solamente los extremos del conjunto de datos y no proporciona mayor informacin
respecto a los dems valores. Debido a estos problemas la amplitud de variacin tiene una limitada
utilidad ad para los distintos anlisis estadsticos.

Desviacin absoluta media


La desviacin absoluta media mide (DAM) o ( d ) es la cantidad promedio que varan los datos
respecto a su media. La definicin es: Desviacin media. Es la media aritmtica de la suma de los
valores absolutos de las desviaciones de los datos respecto a su media.
La frmula de la desviacin absoluta media ( Dam ) es:

Donde:
xi = dato i
_
x = media aritmtica de la muestra
n = nmero de datos en la muestra

Al calcular la desviacin media es necesario considerar el hecho de que las sumas de las
desviaciones positivas y negativas siempre sern igual a cero.

Ejemplo:
1. Determine la desviacin absoluta media de los siguientes datos que son las concentraciones de
plomo de algunas muestras, las que a continuacin se enumeran: 18gr, 12, 21, 19, 16, 20, 22

Solucin:

Para determinar la desviacin absoluta media o promedio, lo primero que hay que hacer es calcular
la media aritmtica de los datos de la muestra, la que es 128/7 =18.286, luego se procede a calcular
el promedio de las diferencias absolutas entre cada dato y la media calculada.

_ 18 18.286 12 18.286 ..... 20 18.286 22 18.286


d
7

_
0.286 6.286 2.714 0.714 2.286 1.714 3.714 17.714
d 2.5305 gr
7 7

16
La interpretacin de este resultado sera que el grado de alejamiento absoluto promedio de los datos
con respecto a su media es de 2.5305 gramos.

Por qu sacar el valor absoluto de las diferencias entre cada dato y la media aritmtica? Si solo se
hicieran diferencias entre cada dato y la media aritmtica, estas tendran signos positivos y negativos
ya que algunos datos son menores que la media y otros son mayores que la media, luego al sumar
las diferencias, con sus signos correspondientes, stas se iran anulando unas con otras y no sera
posible medir leal grado de alejamiento promedio de los datos en la muestra.

Varianza o variancia (s2 o 2). Es el promedio de las diferencias elevadas al cuadrado entre cada
_

valor que se tiene en la muestra (xi) y la media aritmtica ( x ) de los datos y se determina de la
siguiente manera:

n

_ 2



i 1
xi x

S
2

n 1

Donde n es el nmero de datos en la muestra.

Ejemplo:
Los siguientes datos es la cantidad de glucosa en miligramos encontrada en muestras de sangre
de algunos alumnos de la Fac. De Ing. Mecnica, 14.2, 12.1, 15.6, 18.1, 14.3, determine su
varianza.

Solucin:
Lo primero que hay que calcular es la media aritmtica de la muestra como ya se ha hecho
anteriormente.

14.2 12.1 15.6 18.1 14.3 74.3


x 14.86mg
5 5
2 2 2
( 14.2 14.86 ) ( 12.1 14.86 ) .... ( 14.3 14.86 )
s
2

5 1

0.4356 7.6176 0.5476 10.4976 0.3136 19.412 2


s2 4.853mg
4 4
Nota:
Dentro de la inferencia estadstica se plantea la deferencia entre una variancia muestral s2 y una
poblacional, representada por 2.

17
Propiedades.
1 La varianza, al igual que la media, es un ndice muy sensible a las puntuaciones extremas.
2 En los casos que no se pueda hallar la media tampoco ser posible hallar la varianza.
3 La varianza no viene expresada en las mismas unidades que los datos, ya que las desviaciones
estn elevadas al cuadrado.

Desviacin estndar (s).o desviacin tpica Es la desviacin o diferencia promedio que existe entre
cada dato de la muestra y la media aritmtica de la muestra. Y se obtiene a partir de la varianza,
sacndole raz cuadrada.

Donde:
s2= varianza o variancia

Por tanto la desviacin estndar de la muestra anterior sera;

2
s= 4.853mg 2.2029mg

La interpretacin de este resultado sera, que la cantidad de glucosa encontrada en la muestra es en


promedio de 14.86 miligramos y que la cantidad de glucosa en la muestra se aleja o dispersa en
promedio 1.9704 mg alrededor de la media.

En este caso solo nos interesa conocer el significado de la desviacin estndar, aunque es necesario
decir que s es la desviacin de la muestra y que es la desviacin de la poblacin, as como s2 es la
varianza de la muestra y 2 es la varianza de la poblacin.

Propiedades
1 La desviacin tpica, al igual que la media y la varianza, es un ndice muy sensible a las
puntuaciones extremas.
2 En los casos que no se pueda hallar la media tampoco ser posible hallar la desviacin tpica.
3 Cuanta ms pequea sea la desviacin tpica mayor ser la concentracin de datos alrededor de la
media.

d) TRATAMIENTO PARA DATOS AGRUPADOS.

En la vida cotidiana los seres humanos en la actualidad requieren de una gran estructura
organizacional para poder desenvolverse en forma adecuada. Los mtodos principales para
organizar los datos estadsticos comprende el ordenamiento de elementos en conjuntos que
presenten cualidades semejantes (misma edad, misma escuela, misma ciudad etc. Etc.). Los datos

18
agrupados pueden resumirse o forma de grafica o tabla, y mediante el uso de medios numricos
como son la media, la amplitud, la desviacin estndar y otros ms. El nombre que reciben los datos
ordenados en grupos o categoras es el de distribucin de frecuencias.

Distribucin de frecuencias.

Cuando la muestra consta de 30 o ms datos, lo aconsejable es utilizar una distribucin de


frecuencias ya que es un mtodo de agrupar los datos en clases o intervalos de tal manera se pueden
establecer el numero o porcentaje (es decir la frecuencia) y a partir de estas determinar las
caractersticas de la muestra y por consiguiente las de la poblacin de donde fue tomada. Esto nos
proporciona una forma de observar un conjunto de datos sin que se tenga que considerar cada uno de
ellos y puede ser extremadamente til al manejar grandes cantidades de datos y el nmero o
porcentaje en una clase se le llama frecuencia de clase.

El procedimiento antes de pasar a definir cul es la manera de determinar la distribucin de


frecuencias las caractersticas de inters (media, mediana, moda, etc.) cuando se han agrupado en
clases los datos (continuos, discretos, nominales, o jerrquicos) de la muestra, es necesario que
sepamos cmo se agrupan los datos.

Los pasos principales en la distribucin de frecuencias para datos mustrales son los siguientes:

Establecer las clases o intervalos en la que se agruparan los datos.


Ordenarlos en clases mediante el conteo por marcas.
Contar el nmero de cada clase.
Presentar los resultados en una tabla o grafica.

Como los datos anteriores se realiza una distribucin de frecuencias y para poder establecer las
clases hay que tomar en cuenta los siguientes pasos:

a. Determinar la amplitud o el rango o recorrido de los datos.

Rango = Valor mayor Valor menor

b.Establecer el nmero de clases (k) en que se van a agrupar los datos. Es mejor utilizar entre 5 y
15 clases, con menos de 5 no se podran observar caractersticas importantes de los datos, en tanto
ms de 15 nos proporcionara demasiados detalles. Una regla emprica es calcula la raz cuadrada
del numero de datos y ajustarla para adoptar los lmites entre 5 y 15

lo ajustamos a 15 o lo ajustamos a 6 o 7

Otras forma es tomando como base para esto la siguiente tabla.

Tamao de muestra o No. De datos Nmero de clases


Menos de 50 5a7
50 a 99 6 a 10

19
100 a 250 7 a 12
250 en adelante 10 a 20

El uso de esta tabla es uno de los criterios que se puede tomar en cuenta para establecer el nmero
de clases en las que se van a agrupar los datos, existen otros para hacerlo.

Tambin es vlido para calcular el nmero de clases es usando la formula de STUGES la cual es:

c. Determinar la amplitud de clase para agrupar (C). En esta punto es dividir la amplitud de
variacin o rango el numero de clases K para poder obtener la amplitud de clase

d. Formar clases y agrupar datos.


Para formar la primera clase, se pone como lmite inferior de la primera clase un valor un poco
menor que el dato menor encontrado en la muestra y posteriormente se suma a este valor C,
obteniendo de esta manera el lmite superior de la primera clase, luego se procede a obtener los
lmites de la clase siguiente y as sucesivamente.

Ejemplo:

Los siguientes datos son el nmero de meses de duracin de una muestra de 40 bateras para coche.

22 41 35 45 32 37 30 26
34 16 31 33 38 31 47 37
25 43 34 36 29 33 39 31
33 31 37 44 32 41 19 34
47 38 32 26 39 30 42 35

Primeramente escogemos el rango

Rango = Dato mayor Dato menor = 47 16 = 31

Como segundo paso escogemos el nmero de clases

Esto puede ser usando la ecuacin emprica de la raz cuadrada del numero de datos

lo ajustamos a 6 o 7

o de acuerdo a los valores de la tabla tenemos que el valor est entre 5 y 7 por lo tomamos el valor
intermedio de 6

20
Otra de las formas es utilizada la ecuacin de STUGES la cual es:
Por lo que tenemos por lo que
redondeamos a 6

Como tercer paso calculamos amplitud de clase o intervalo de clase por lo tanto es
Rango es decir por consiguiente lo redondeamos a 5
C
k
El cuarto paso es escoger el primer lmite inferior es decir un valor un poco ms pequeo que el
valor menor de los datos por lo que tomamos como valor el 15 es decir.
LI=15
El quinto paso es el limites superior es decir LS=LI+C-1 por lo que tenemos:
LS=15+5-1=19 es el primer lmite superior

LI LS
15 19
20 24
25 29
30 34
35 39
40 44
45 49

Sexto paso es clasificacin de los datos y conteo de frecuencias.

Clasificar las observaciones en los intervalos. La prctica usual es marcar con una lnea ( / ) que
representa una observacin. Por ejemplo la observacin 22 se clasifica en el intervalo 20 24
porque se encuentra entre el 20 y el 24 inclusive. Una vez clasificados todos los datos se cuentan las
lneas de cada intervalo y el resultado es la frecuencia de cada intervalo de clase.

Cuenta por
LI LS Frecuencia
marca
15 19 // 2
20 24 / 1
25 29 //// 4
30 34 ///// ///// ///// 15
35 39 ///// ///// 10
40 44 ///// 5
45 49 /// 3
El sptimo paso es la. Marca de clase (x)
La marca de clase, tambin llamada punto medio del intervalo es la mitad de la distancia entre los
lmites inferior y superior de cada intervalo. La marca de clase es el valor ms representativo de los
valores del intervalo.

21
X=marca
LI LS Frecuencia
De clase
15 19 17 2
20 24 22 1
25 29 27 4
30 34 32 15
35 39 37 10
40 44 42 5
45 49 47 3

El octavo paso es calcular Lmite Superior Real

Los lmites anteriores son los lmites nominales pero no son los reales. Los lmites reales son el
punto medio entre el lmite superior y el lmite inferior del siguiente intervalo.

X=marca LIR=Lmite LSR=Lmite


LI LS
De clase real inferior real superior Frecuencia
15 19 17 15.5 19.5 2
20 24 22 20.5 24.5 1
25 29 27 25.5 29.5 4
30 34 32 30.5 34.5 15
35 39 37 35.5 39.5 10
40 44 42 40.5 44.5 5
45 49 47 45.5 49.5 3
40

El paso noveno es calcular la Distribucin de frecuencia relativa

Se pueden convertir las frecuencias de clase en frecuencias relativas de clase para mostrar los
porcentajes de observaciones en cada intervalo de clase. Para convertir una distribucin de
frecuencia en una distribucin de frecuencia relativa cada una de las frecuencias de clase se dividen
entre el nmero total de observaciones.

F
FR
n

22
X=marca LIR=Lmite LSR=Lmite Frecuencia
LI LS Frecuencia
De clase real inferior real superior Relativa FR
15 19 17 15.5 19.5 2 2/40=.05
20 24 22 20.5 24.5 1 1/40=.025
25 29 27 25.5 29.5 4 4/40=.1
30 34 32 30.5 34.5 15 15/40=.375
35 39 37 35.5 39.5 10 10/40=.25
40 44 42 40.5 44.5 5 5/40=.125
45 49 47 45.5 49.5 3 3/40=.075
40

El dcimo paso es las distribuciones de frecuencia acumulada

Las distribuciones de frecuencia acumulada se usan cuando queremos determinar cuntas


observaciones, o que porcentaje de observaciones estn debajo de cierto valor.
La distribucin de frecuencia acumulada de cierto intervalo se calcula sumando las frecuencias de
clase desde el primer intervalo hasta la frecuencia de clase del intervalo de inters. Si queremos la
frecuencia acumulada del intervalo 25 29, sumamos las frecuencias de clase 2 + 1 + 4 = 7. es decir

FA F

La distribucin de frecuencia relativa acumulada de cierto intervalo se calcula dividiendo la


frecuencia acumulada entre el nmero total de observaciones.

FRA FR o FRA
FA
n

LIR=Lmite LSR=Lmite FR FA FRA


X=marca
LI LS
De clase
real inferior real Frecuencia
superior
15 19 17 15.5 19.5 2 2/40=.05 2 .05
20 24 22 20.5 24.5 1 1/40=.025 3 .075
25 29 27 25.5 29.5 4 4/40=.1 7 .175
30 34 32 30.5 34.5 15 15/40=.375 22 .55
35 39 37 35.5 39.5 10 10/40=.25 32 .8
40 44 42 40.5 44.5 5 5/40=.125 37 .925
45 49 47 45.5 49.5 3 3/40=.075 40 1

23
Presentacin Grfica

Tres grficas que nos ayudarn a representar grficamente una distribucin de frecuencias son el
histograma, el polgono de frecuencia y la ojiva de frecuencia acumulada.

El histograma
El histograma es una de las grficas ms ampliamente utilizadas y una de las ms fciles de
entender. Un histograma describe una distribucin de frecuencia utilizando una serie de rectngulos
adyacentes donde la altura de cada rectngulo es proporcional a la frecuencia de clase que
representa.

Polgono de frecuencia
El polgono de frecuencia consiste de segmentos de
lnea conectando los puntos formados por la
interseccin de las marcas de clase y las frecuencias de
clase. El polgono de frecuencia relativa es similar al
anterior solo que en este se muestran porcentajes, es
decir las frecuencias relativas de cada clase.

24
Ejemplo:
Los siguientes datos se refieren al dimetro en pulgadas de un engrane.

6.75 7.00 7.00 6.75 6.50 6.50 7.15 7.00


6.50 6.50 6.50 6.25 6.25 6.50 6.65 7.00
7.25 6.70 6.00 6.75 6.00 6.75 6.75 7.10
7.00 6.70 6.50 6.75 6.25 6.65 6.75 7.10
7.25 6.75 6.25 6.25 7.00 6.75 7.00 7.15

a) Agrupe datos, considere k=6.


b) Obtenga: Histograma, polgono de frecuencias, ojiva y distribucin de probabilidad.
c) c) Obtenga: media, mediana, moda y desviacin estndar.
Solucin:
a) Agrupando datos;

1. R= VM - Vm = 7.25 6.00 = 1.25


2. k=6
R 1.25
3. C 0.2083 0.21
k 6
4. Formando clases.

Para formar el primer lmite de la primera clase se toma un valor un poco menor que el valor menor
encontrado en la muestra; LI luego, se calcula el lmite superior LS, para esto podemos utilizar la
siguiente formula sobre todo para cuando usamos valores enteros la cual es LS = LI + C 1

LI LS Frecuencia Marca de Lmite real Lmite real Frecuencia Frecuencia


clase inferior superior relativa Relativa
acumulada
5.97 6.18 2 6.075 5.965 6.185 2/40 = 0.05 0.05
6.19 6.40 5 6.295 6.185 6.405 5/40=0.125 0.175
6.41 6.62 7 6.515 6.405 6.625 0.175 0.350
6.63 6.84 13 6.735 6.625 6.845 0.325 0.675
6.85 7.06 7 6.955 6.845 7.065 0.175 0.850
7.07 7.28 6 7.175 7.065 7.285 0.15 1.000
Total 40 1.000

25
b. Grficas:

HISTOGRAMA

16 13
FRECUENCIA

5.965 - 6.185
11
7 7 6 6.185 - 6.405
5
6 6.405 - 6.625
2
6.625 - 6.845
1
6.845 - 7.065
-4 7.065 - 7.285
LIMITES REALES

POLIGONO DE FRECUENCIA

16
14
FRECUENCIA

12
10
8
6
4
2
0
5.635 5.855 6.075 6.295 6.515 6.735 6.955 7.175 7.395 7.615

MARCA DE CLASE

26
OJIVA "MENOR QUE" O CRECIENTE

1 1
FRECUENCIA RELATIVA

0.85
0.8
ACUMULADA

0.675

0.6

0.4
0.35

0.2 0.1 75

0.05
0 0
5.965 6.185 6.405 6.625 6.845 7.065 7.285

LIMITES REALES

DISTRIBUCION DE PROBABILIDAD

0.4
PROBABILIDAD

0.325
5.965 - 6.185
0.3
6.185 - 6.405
0.175 0.175
0.2 0.15 6.405 - 6.625
0.125

0.1 6.625 - 6.845


0.05
6.845 - 7.065
0 7.065 - 7.285
LIMITES REALES

CLCULO DE LA MEDIA PARA DATOS AGRUPADOS


Media ( )

Cuando se construye una distribucin de frecuencia, los datos se agrupan en clases definidas por
unos lmites. Cuando se trabaja con la distribucin de frecuencia se parte del supuesto de que todos
los datos comprendidos en un intervalo de clase se distribuyen uniformemente a lo largo de este,
entonces se puede tomar la marca de clase o punto medio (X) del intervalo como adecuada
representacin de los valores que conforman el mencionado intervalo. El punto medio se designa
con la letra X . Para calcular la media en estas condiciones se pueden utilizar tres mtodos: El
mtodo directo o largo y dos mtodos abreviados.

PASOS PARA EL CLCULO DE LA MEDIA.


1.- Se organizan los datos de la serie en clases con sus respectivas frecuencias ( fi), los mismos se
colocan en columnas con sus respectivos puntos medios ( Xi).

27
2.- Se escoge un punto medio cualquiera de la distribucin, el cual ser una media imaginaria que
se le denominara A, esta deber ser lo ms central posible para que los clculos se hagan ms fcil,
se calculan los di de los puntos medios de la distribucin con respecto a esa media imaginaria,
aplicando la formula: di = (x -A) , los mismo se colocan en su columna respectiva.
3.- S efectan los productos fidi de cada clase y al final se calcula la sumatoria de estos productos
aplicando la formula:
4.- Finalmente se calcula la media aplicando la formula:

x * f i i
( 6.075 )( 2 ) ( 6.295 )( 5 ) ... ( 7.175 )( 6 ) 12.15 31.475 ... 43.05
x i 1

n 40 40

268.52
6.713 pu lg adas
40

Donde:
k = nmero de clases
xi = marca de clase i
fi = frecuencia de la clase i k

n = nmero de datos en la muestra o n= f


i 1
i

a) Mediana (Xmed).

PASOS PARA DETERMINAR LA MEDIANA EN DATOS AGRUPADOS


1.- Se elabora la tabla de frecuencia de datos con sus diferentes intervalos de clases, se ubican las
frecuencias fi y se calculan las frecuencias acumuladas Fa de esa distribucin..
2.- Se determina la ubicacin o posicin de la mediana en el intervalo de la distribucin de
frecuencia, mediante la frmula PMd = N/2 . El resultado obtenido determinar la clase donde se
encuentra ubicada la mediana, lo cual se conseguir en la clase donde la frecuencia acumulada Fa
sea igual o superior a este resultado. Luego se aplica la formula:

n / 2 Fme 1 40 / 2 14
Xmed Li A 6.625 ( 0.22 ) 6.7265
fme 13
O dicho de otra forma es (n / 2) fa
x LSR (C )
f
Donde:
Li = lmite real inferior de la clase que contiene a la mediana
Fme-1 = sumatoria de las frecuencias anteriores a la clase en donde se encuentra la mediana
fme = frecuencia de la clase en donde se encuentra la mediana
A = amplitud real de la clase en donde se encuentra la mediana
A = LRS-LRI
LRS = lmite real superior de la clase que contiene a la mediana

28
LRI = lmite real inferior de la clase que contiene a la mediana
N = nmero de datos en la muestra
fa = frecuencia acumulada
C = clase de marca
f = frecuencia

CARACTERSTICAS DE LA MEDIANA
1. La mediana no es afectada por los valores extremos de una serie de valores, puesto que la
misma no es calculada con todos los valores de la serie.
2. La mediana no est definida algebraicamente, ya que para su clculo no intervienen todos los
valores de la serie.
3. La mediana en algunos casos no se puede calcular exactamente y esto ocurre cuando en una
serie de valores para datos no agrupados el nmero de datos es par, en este caso la mediana
se calcula aproximadamente.
4. La mediana se puede calcular en aquellas distribuciones de frecuencia de clases abierta,
siempre y cuando los elementos centrales puedan ser determinados.
5. La suma de los valores absolutos de las desviaciones de los datos individuales con respecto a
la mediana siempre es mnima.

f) Moda (Xmod).

La moda es la medida de posicin que indica la magnitud del valor que se presenta con ms frecuencia en una serie de
datos; es pues, el valor de la variable que ms se repite en un conjunto de datos. De las medias de posicin la moda es
la que se determina con mayor facilidad, ya que se puede obtener por una simple observacin de los datos en estudio,
puesto que la moda es el dato que se observa con mayor frecuencia. La moda se designa con las letras Mo.

En las representaciones grficas la moda es el punto ms alto de la grfica. La obtencin de la moda para datos
agrupados no es un valor exacto, ya que vara con las diferentes formas de agrupar una distribucin
de frecuencia.

En algunas distribuciones de frecuencias o serie de datos no agrupados o agrupados se presentan dos


o ms modas, en estos casa se habla de serie de datos bimodales o multimodales, segn sea el caso.
Estos tipos de distribuciones o series de valores se deben a la falta de homogeneidad de los datos.

Cuando una serie de valores es simtrica, la media, la mediana y el modo coinciden, y si la asimetra
de la serie es moderada, la mediana estar situada entre la media y el modo con una separacin de
un tercio entre ambas. Tomando en cuenta esta relacin, cuando se tengan dos de esta medidas se
puede determinar la tercera; sin embargo es conveniente utilizar esta relacin para calcular
solamente la moda ya que para calcular la media y la mediana existen formulas matemticas que dan
resultados ms exactos; la frmula matemtica para calcular la moda por medio de la relacin antes
mencionada es: Mo = X-3(X-Md).

Para calcular la moda en datos agrupados existen varios mtodos; cada uno de los mtodos puede
dar un valor diferente de la moda: En este curso se dar un mtodo el cual se puede considerar uno de los
ms precisos en el clculo de esta. Es un mtodo matemtico que consiste en la interpolacin
mediante la siguiente frmula:

29
d1 6
X mod Li A 6.625 ( 0.22 ) 6.735 pu lg adas
d1 d 2 6 6

Donde:
Li = lmite real inferior de la clase que contiene a la moda
fmo fmo 1 13 7 6
d1 = =
fmo fmo 1 13 7 6
d2 = =
fmo = frecuencia de la clase que contiene a la moda
fmo-1= frecuencia de la clase anterior a la que contiene a la moda
fmo+1= frecuencia de la clase posterior a la que contiene a la moda
A = amplitud real de la clase que contiene a la moda
A = LRS LRI
LRS = lmite real superior de la clase que contiene a la moda
LRI = lmite real inferior de la clase que contiene a la moda

CARACTERSTICAS DE LA MODA
1. El valor de la moda puede ser afectado grandemente por el mtodo de elaboracin de los
intervalos de clases.
2. El valor de la moda no se encuentra afectado por la magnitud de los valores extremos de una serie de
valores, como sucede en la media aritmtica
3. La moda se puede obtener en una forma aproximada muy fcilmente, puesto que la
obtencin exacta es algo complicado.
4. La moda tiene poca utilidad en una distribucin de frecuencia que no posea suficientes datos
y que no ofrezcan una marcada tendencia central.
5. No es susceptible de operaciones algebraicas posteriores.
6. La moda se utiliza cuando se trabaja con escalas nominales aunque se puede utilizar con las
otras escalas.
7. La moda es til cuando se est interesado en tener una idea aproximada de la mayor
concentracin de una serie de datos.

g) Desviacin estndar o Tpica (S).


Es la medida de dispersin ms utilizada en las investigaciones por ser la ms estable de todas, ya que para su clculo
se utilizan todos los desvos con respecto a la media aritmtica de las observaciones, y adems, se
toman en cuenta los signos de esos desvos. Se le designa con la letra castellana S cuando se trabaja
con una muestra y con la letra griega minscula (Sigma) cuando se trabaja con una poblacin. Es
importante destacar que cuando se hace referencia a la poblacin l nmero de datos se expresa con
N y cuando se refiere a la muestra l nmero de datos se expresa con n . La desviacin tpica se
define como:

La raz cuadrada positiva del promedio aritmtico de los cuadrados de los desvos de las observaciones con
respecto a su media aritmtica. La desviacin tpica es una forma refinada de la desviacin media.

30
Caractersticas de la Desviacin Tpica:
1. La desviacin tpica se calcula con cada uno de los valores de una serie de datos.
2. La desviacin tpica se calcula con respecto a la media aritmtica de las observaciones de
una serie de datos, y mide la variacin alrededor de la media.
3. La desviacin tpica es susceptible de operaciones algebraicas, puesto que para su clculo se
utilizan los signos positivos y negativos de los desvos de todas las observaciones de una
serie de valores, por lo tanto es una medida completamente matemtica.
4. Es una medida de bastante precisin, que se encarga de medir el promedio de la dispersin
de las observaciones de una muestra estadstica. Las influencias de las fluctuaciones del azar,
al momento de seleccionar la muestra la afectan muy poco. Le da gran significacin a la
media aritmtica de la serie de valores.
5. Es siempre una cantidad positiva.

k _ 2 k _ 2
( xi x ) fi ( xi x ) fi
s i 1
i 1
k
n 1
fi 1
i 1

( 6.075 6.713 )2 ( 2 ) ( 6.295 6.713 )2 ( 5 ) ... ( 7.175 6.713 )2 ( 6 )



40 1
0.814088 0.87362 ... 1.280664 3.65904
= 0.3063 pu lg adas
39 39

Donde:
xi = marca de clase i
_
x = media aritmtica
fi = frecuencia de la clase i
k

fi n = nmero total de datos en la muestra


i 1

MEDIDAS POCICIONALES

Las Medidas de Posicin, tambin conocidas como Otras Medidas de Dispersin, son otras medidas
o mtodos que resultan ser ms prcticos para precisar ciertas situaciones en las que se busca
describir la variacin o dispersin en un conjunto de datos.

Cuando la distribucin contiene un nmero alto de intervalos o de marcas y se requiere obtener un


promedio de una parte de ella, se puede dividir la distribucin en cuatro, en diez o en cien partes.
Los ms usados son los cuartiles, cuando dividen la distribucin en cuatro partes; los deciles, cuando
dividen la distribucin en diez partes y los cantiles o percentiles, cuando dividen la distribucin en
cien partes. Los cuartiles, como los deciles y los percentiles, son en cierta forma una extensin de la
mediana.
Para algunos valores u , se dan nombres particulares a los cuantiles, Q (u):

31
0.5 Mediana
0.25, 0.75 Cuartiles
0.1, ... , Deciles
0.99
0.01, ..., Centiles
0.99

CUARTILES
Los cuartiles son los tres valores que dividen al conjunto de datos ordenados en cuatro partes
porcentualmente iguales.
Hay tres cuartiles denotados usualmente Q1, Q2, Q3. El segundo cuartil es precisamente la mediana.
El primer cuartil, es el valor en el cual o por debajo del cual queda un cuarto (25%) de todos los
valores de la sucesin (ordenada); el tercer cuartil, es el valor en el cual o por debajo del cual
quedan las tres cuartas partes (75%) de los datos.
Datos Agrupados

Como los cuartiles adquieren su mayor importancia cuando contamos un nmero grande de datos y
tenemos en cuenta que en estos casos generalmente los datos son resumidos en una tabla de
frecuencia. La frmula para el clculo de los cuartiles cuando se trata de datos agrupados es la
siguiente: k= 1,2,3

Donde:
Lk = Lmite real inferior de la clase del cuartil k
n = Nmero de datos
Fk = Frecuencia acumulada de la clase que antecede a la clase del cuartil k.
fk = Frecuencia de la clase del cuartil k
c = Longitud del intervalo de la clase del cuartil k
Si se desea calcular cada cuartil individualmente, mediante otra frmula se tiene lo siguiente:
El primer cuartil Q1, es el menor valor que es mayor que una cuarta parte de los datos; es decir,
aquel valor de la variable que supera 25% de las observaciones y es superado por el 75% de las
observaciones.
Frmula de Q1, para series de Datos agrupados:

Donde:
L1 = lmite inferior de la clase que lo contiene
P = valor que representa la posicin de la medida
f1 = la frecuencia de la clase que contiene la medida solicitada.
Fa-1 = frecuencia acumulada anterior a la que contiene la medida solicitada.
Ic = intervalo de clase

32
El segundo cuartil Q2, (coincide, es idntico o similar a la mediana, Q2 = Md), es el menor valor
que es mayor que la mitad de los datos, es decir el 50% de las observaciones son mayores que la
mediana y el 50% son menores.
Frmula de Q2, para series de Datos agrupados:
Donde:
L1 = lmite inferior de la clase que lo contiene
P = valor que representa la posicin de la medida
f1 = la frecuencia de la clase que contiene la medida solicitada.
Fa-1 = frecuencia acumulada anterior a la que contiene la medida solicitada.
Ic = intervalo de clase

El tercer cuartil Q3, es el menor valor que es mayor que tres cuartas partes de los datos, es decir
aquel valor de la variable que supera al 75% y es superado por el 25% de las observaciones.
Frmula de Q3, para series de Datos agrupados:

Donde:
L1 = lmite inferior de la clase que lo contiene
P = valor que representa la posicin de la medida
f1 = la frecuencia de la clase que contiene la medida solicitada.
Fa-1 = frecuencia acumulada anterior a la que contiene la medida solicitada.
Ic = intervalo de clase.

Otra manera de verlo es partir de que todas las medidas no son sino casos particulares del percentil,
ya que el primer cuartil es el 25% percentil y el tercer cuartil 75% percentil.

Para Datos No Agrupados


Si se tienen una serie de valores X1, X2, X3 ... Xn, se localiza mediante las siguientes frmulas:
- El primer cuartil:
Cuando n es par: 1*n/4
Cuando n es impar: 1(n+1)/4
Para el tercer cuartil
Cuando n es par: 3*n/4
Cuando n es impar: 3(n+1)/4

DECILES
Los deciles son ciertos nmeros que dividen la sucesin de datos ordenados en diez partes
porcentualmente iguales. Son los nueve valores que dividen al conjunto de datos ordenados en diez
partes iguales, son tambin un caso particular de los percentiles. Los deciles se denotan D1, D2,...,
D9, que se leen primer decil, segundo decil, etc.
Los deciles, al igual que los cuartiles, son ampliamente utilizados para fijar el aprovechamiento
acadmico.

33
Datos Agrupados
Para datos agrupados los deciles se calculan mediante la frmula.
k= 1,2,3,... 9
Donde:
Lk = Lmite real inferior de la clase del decil k
n = Nmero de datos
Fk = Frecuencia acumulada de la clase que antecede a la clase del decil k.
fk = Frecuencia de la clase del decil k
c = Longitud del intervalo de la clase del decil k
Otra frmula para calcular los deciles:
El cuarto decil, es aquel valor de la variable que supera al 40%, de las observaciones y es superado
por el 60% de las observaciones.

El quinto decil corresponde a la mediana.

El noveno decil supera al 90% y es superado por el 10% restante.

Donde (para todos):


L1 = lmite inferior de la clase que lo contiene
P = valor que representa la posicin de la medida
f1 = la frecuencia de la clase que contiene la medida solicitada.
Fa-1 = frecuencia acumulada anterior a la que contiene la medida solicitada.
Ic = intervalo de clase.

Frmulas Datos No Agrupados


Si se tienen una serie de valores X1, X2, X3 ... Xn, se localiza mediante las siguientes frmulas:
A*n/10
Cuando n es par: A(n+1)/10
Cuando n es impar: Siendo A el nmero del decil.

CENTILES O PERCENTILES
Los percentiles son, tal vez, las medidas ms utilizadas para propsitos de ubicacin o clasificacin
de las personas cuando atienden caractersticas tales como peso, estatura, etc.
Los percentiles son ciertos nmeros que dividen la sucesin de datos ordenados en cien partes
porcentualmente iguales. Estos son los 99 valores que dividen en cien partes iguales el conjunto de
datos ordenados. Los percentiles (P1, P2,... P99), ledos primer percentil,..., percentil 99.
Datos Agrupados
Cuando los datos estn agrupados en una tabla de frecuencias, se calculan mediante la frmula:
donde k= 1,2,3,... 99
Donde:
Lk = Lmite real inferior de la clase del decil k

34
n = Nmero de datos
Fk = Frecuencia acumulada de la clase que antecede a la clase del decil k.
fk = Frecuencia de la clase del decil k
c = Longitud del intervalo de la clase del decil k

Otra forma para calcular los percentiles es:


Primer percentil, que supera al uno por ciento de los valores y es superado por el noventa y nueve
por ciento restante.

El 60 percentil, es aquel valor de la variable que supera al 60% de las observaciones y es superado
por el 40% de las observaciones.

El percentil 99 supera 99% de los datos y es superado a su vez por el 1% restante.


Frmulas Datos No Agrupados
Si se tienen una serie de valores X1, X2, X3... Xn, se localiza mediante las siguientes frmulas:
Para los percentiles, cuando n es par: A*n/100

Cuando n es impar: A(n+1)/100


Siendo A, el nmero del percentil.
Es fcil ver que el primer cuartil coincide con el percentil 25; el segundo cuartil con el percentil 50 y
el tercer cuartil con el percentil 75.

EJEMPLO

Determinacin del primer cuartil, el sptimo decil y el 30 percentil, de la siguiente tabla:

Salarios No. De fa
(I. De Clases) Empleados (f1)
200-299 85 85
300-299 90 175
400-499 120 295
500-599 70 365
600-699 62 427
700-800 36 463

35
Como son datos agrupados, se utiliza la frmula

Siendo, P = n/4 La posicin del primer cuartil es decir P= 463 / 4 = 115.5 por lo tanto el primer
cuartil es 115.5 85 = 30.75 donde Li = 300, Ic = 100 , fi = 90 y el clculo es :

La posicin del 7 decil. P = 7n/10 por lo que tenemos P = (7)(463) / 10 = 3241 / 10 = 34.21 para el
7 decil tenemos 324.1 295 = 29.1 donde Li = 500, fi = 70 usando la ecuacin tenemos:

La posicin del percentil 30. P = 30n/100 es decir P = (30)(463) / 100 = 13890 / 100 = 139.9 par el
percentil 30 tenemos 138.9 85 = 53.9 y fi = 90 y el clculo es:

Estos resultados nos indican que el 25% de los empleados ganan salarios por debajo de $ 334; que
bajo 541.57 gana el 57%de los empleados y sobre $359.88, gana el 70% de los empleados.

e) DISTRIBUCIONES DE PROBABILIDAD.

Toda distribucin de probabilidad es generada por una variable aleatoria x, la que puede ser de dos
tipos:

1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar diferentes
valores, aleatoria, porque el valor tomado es totalmente al azar y discreta porque solo puede tomar
valores enteros y un nmero finito de ellos.

Ejemplos:
x Variable que nos define el nmero de burbujas por envase de vidrio que son generadas en un
proceso dado.
x0, 1, 2, 3, 4, 5, etc., etc. burbujas por envase
xVariable que nos define el nmero de productos defectuosos en un lote de 25 productos.
x0, 1, 2, 3,....,25 productos defectuosos en el lote

xVariable que nos define el nmero de alumnos aprobados en la materia de probabilidad en un


grupo de 40 alumnos.
x0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad

Con los ejemplos anteriores nos damos cuenta claramente que los valores de la variable x siempre
sern enteros, nunca fraccionarios.

36
2. Variable aleatoria continua (x). Se le denomina variable porque puede tomar diferentes
valores, aleatoria, porque los valores que toma son totalmente al azar y continua porque puede tomar
tanto valores enteros como fraccionarios y un nmero infinito de ellos.

Ejemplos:

xVariable que nos define el dimetro de un engrane en pulgadas


x5.0, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96

xVariable que nos define la longitud de un cable o circuito utilizado en un arns de auto
x20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0

xVariable que nos define la concentracin en gramos de plata de algunas muestras de mineral
x14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8

Como se observa en los ejemplos anteriores, una variable continua puede tomar cualquier valor,
entero o fraccionario, una forma de distinguir cuando se trata de una variable continua es que esta
variable nos permite medirla o evaluarla, mientras que una variable discreta no es medible, es una
variable de tipo atributo, cuando se inspecciona un producto este puede ser defectuoso o no, blanco
o negro, cumple con las especificaciones o no cumple, etc., etc.

Las variables descritas anteriormente nos generan una distribucin de probabilidad, las que pueden
ser.

1) Distribucin de probabilidad discreta.


2) Distribucin de probabilidad contina.

Las caractersticas de cada una de las distribuciones anteriores se mencionarn a continuacin:

DISTRIBUCIN DE PROBABILIDAD DISCRETA.


Caractersticas:
1. Es generada por una variable discreta (x).

xVariable que solo toma valores enteros


x0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc., etc.

2. p(xi)0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero.

3.p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1.

DISTRIBUCIN DE PROBABILIDAD CONTINUA.


Caractersticas:

37
1. Es generada por una variable continua (x).

x Es una variable que puede tomar tanto valores enteros como fraccionarios.

x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,

2. f(x)0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad
deber tomar solo valores mayores o iguales a cero. La funcin de densidad de probabilidad
slo puede estar definida en los cuadrantes I y II.

f ( x )dx 1
3. La sumatoria de las probabilidades asociadas a cada uno de los valores que
toma x debe ser igual a 1. El rea definida bajo la funcin de densidad de probabilidad deber
ser de 1.

CALCULO DE MEDIA Y DESVIACIN ESTANDAR PARA UNA DISTRIBUCIN


DISCRETA

1. Media o valor esperado de x.- Para determinar la media de la distribucin discreta se utiliza
la siguiente frmula:

E( x ) xi * p( xi )

Donde:
= media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
p(xi) = probabilidad asociada a cada uno de los valores de la variable x
2. Desviacin estndar. Para determinar la desviacin estndar de la distribucin discreta se utiliza
la siguiente frmula:

Donde:
= desviacin estndar
= media o valor esperado de x
xi = valores que toma la variable x
p(xi) = probabilidad asociada a cada uno de los valores que toma x

Ejemplos:
1.- Segn estadsticas la probabilidad de que el motor de un auto nuevo, de cierto modelo, y marca
sufra de algn desperfecto en los primeros 12 meses de uso es de 0.02, si se prueban tres
automviles de esta marca y modelo, encuentre el nmero esperado de autos que no sufren de algn
desperfecto en los primeros doce meses de uso y su desviacin estndar.

38
Solucin:
Haciendo uso de un diagrama de rbol, usando las literales siguientes, se obtiene el espacio muestral
como se muestra a continuacin;
N = no sufre de algn desperfecto en el motor los primeros 12 meses de uso
S = sufre de algn desperfecto en el motor los primeros 12 meses de uso

N
S

N
N
S

1er auto N
S
S
N
2o auto S

3o S

= NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS

x = variable que nos define el nmero de autos que no sufre de algn desperfecto en el motor
durante los primeros 12 meses de uso

x = 0, 1, 2 o 3 autos que no sufren algn desperfecto en el motor en los primeros 12 meses de


uso

p(x=0)= p(NNN) = (0.98)(0.98)(0.98) =0.941192


p(x=1)=p(NSS,SNS, SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)(0.02)(0.98)= 0.001176
p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+(0.02)(0.98)(0.98)=0.057624
p(x=3)=p(SSS)=(0.02)(0.02)(0.02)=0.000008

Por tanto la media o valor esperado se determina de la siguiente manera:

39

autos que no sufren algn desperfecto en el motor en los primeros 12 meses de uso

La interpretacin de la media o valor esperado es; se espera que los 3 autos probados no sufran de
algn desperfecto en el motor en los primeros 12 meses de uso.

2 2 2
( 0 3 )* ( 0.000008 ) ( 1 3 )*( 0.001176 ) ... ( 3 3 )*( 0.941192 )
==

= 0.000072 0.004704 0.05762 0.062396 ) 0.24970.0 autos que no sufren


algn desperfecto en su motor en los primeros 12 meses de uso.

Interpretacin:
En este experimento se espera que los 3 autos probados no sufran de algn desperfecto en su motor
en los primeros 12 meses de uso y la variabilidad de este experimento es de cero.

Nota:
La media y la desviacin estndar se redondean a un valor entero ya que son la media y desviacin
de una distribucin de probabilidad discreta.

2.- Se ha detectado en una lnea de produccin que 1 de cada 10 artculos fabricados es defectuoso;
se toman de esa lnea tres artculos uno tras otro, a).- obtenga la distribucin de probabilidad del
experimento, b).- encuentre el nmero esperado de artculos defectuosos en esa muestra y su
desviacin estndar.

Solucin:
Tambin haciendo uso de in diagrama de rbol, se obtiene el espacio muestral

a)
D = objeto defectuoso
N = objeto no defectuoso
=DDD, DDN, DND, DNN, NDD, NDN, NND, NNN

Este espacio muestral ha sido obtenido haciendo uso de un diagrama de rbol,

x = Variable que nos define el nmero de objetos defectuosos encontrados


x = 0, 1, 2 o 3 objetos defectuosos

p(x=0)=p(NNN)=(0.9)(0.9(0.9)=0.729
p(x=1)=p(DNN, NDN, NND)=(0.1)(0.9)(0.9)+(0.9)(0.1)(0.9)+(0.9)(0.9)(0.1)=0.243
p(x=2)=p(DDN, DND, NDD)=(0.1)(0.1)(0.9)+(0.1)(0.9)(0.1)+(0.9)(0.1)(0.1)=0.027

40
p(x=3)=p(DDD)=(0.1)(0.1)(0.1)=0.001

Distribucin de probabilidad

x 0 1 2 3
P(x) 0.729 0.243 0.027 0.001

xi * p( xi )
b) (0)(0.729)+(1)(0.243)+(2)(0.027)+(3)(0.001)=
= 0.0 + 0.243 + 0.054 + 0.003 = 0.3 0 productos defectuosos

Interpretacin:
Se espera que ninguno de los productos inspeccionados sea defectuoso.

2
( xi )* p( xi )
2 2 2
( 0 0 )*( 0.729 ) ( 1 0 )*( 0.243 ) ... ( 3 0 )*( 0.001 )
0.0 0.243 0.108 0.009 0.36

= 0.6 = 1 producto defectuoso

Interpretacin:
En este experimento se espera que ninguno de los productos inspeccionados sea defectuoso, pero los
resultados de este experimento pueden variar en 1 producto defectuoso, por lo que al inspeccionar
los 3 productos el numero de productos defectuosos puede variar desde 1 producto defectuoso,
hasta 1 producto defectuoso, pero, es posible obtener 1 producto defectuoso?, claro que esto no
puede ocurrir, luego el nmero de productos defectuosos en el experimento variar de 0 a 1 producto
defectuoso solamente.

3.- Segn estadsticas, la probabilidad de que un pozo petrolero que se perfore en cierta regin
pueda ser beneficiado es de 0.30. Se perforan tres pozos en esa regin, encuentre el nmero
esperado de pozos que pueden ser beneficiados y su desviacin estndar.

Solucin:
Se obtiene el espacio muestral , de la misma forma que se ha hecho en los ejemplos
anteriores;

B = se puede el pozo que se perfora


N = no se puede beneficiar el pozo que se perfora

41
= BBB, BBN, BNB, BNN, NBB, NBN, NNB, NNN

x = variable que nos define el nmero de pozos que se pueden beneficiar


x = 0, 1, 2 o 3 pozos que se pueden beneficiar

p(x = 0) = p(NNN) = (0.7)(0.7)(0.7)= 0.343


p(x = 1) = p(BNN, NBN, NNB) = (0.3)(0.7)(0.7)(3)=0.441
p(x = 2) = p(BBN, BNB, NBB) = (0.3)(0.3)(0.7)(3)=0.189
p(x = 3) = p(BBB) =(0.3)(0.3)(0.3)= 0.027

xi * p( xi )
( 0 )( 0.343 ) ( 1 )( 0.441 ) ( 2 )( 0.189 ) ( 3 )( 0.027 )
0.0 0.441 0.378 0.081 0.9
1 pozo beneficiado

Interpretacin:
Se espera que solo 1 de los tres pozos perforados sea el que pueda ser beneficiado.

2
( xi )* p( xi )
2 2 2 2
( 0 1 )*( 0.343 ) ( 1 1 )*( 0.441 ) ( 2 1 )*( 0.189 ) ( 3 1 )*( 0.027 )
0.343 0.0 0.189 0.108 0.64 0.8 1 pozo

Interpretacin:
La cantidad esperada de pozos que se pueden beneficiar puede variar en 1 1 pozo, esto es la
cantidad de pozos que se pueden beneficiar puede variar de 0 a 2 pozos.

1.- La distribucin de probabilidad de x , el nmero de defectos por cada 10 metros de una tela
sinttica en rollos continuos de ancho uniforme , es

x 0 1 2 3 4
p(x) 0.41 0.37 0.16 0.05 0.01

a) Determine la distribucin de probabilidad acumulada de x; P(x).


b) Determine el nmero esperado de defectos por cada 10 metros de tela sinttica en rollos
continuos de ancho uniforme y la desviacin estndar del nmero de defectos por cada 10 metros de
tela .....
c) Determine la probabilidad de que en 10 metros de tela sinttica se encuentren como mximo 2
defectos.
d) Determine la probabilidad de que en 10 metros de tela sinttica se encuentren por lo menos 2
defectos.

42
Solucin:
a)

X 0 1 2 3 4
p(x) 0.41 0.37 0.16 0.05 0.01
P(x) 0.41 0.78 0.94 0.99 1.0

E( x ) xi * p( xi ) ( 0 )( 0.41 ) ( 1 )( 0.37 ) ... ( 4 )( 0.01 )


b)
0.0 0.37 0.32 0.15 0.04 0.88 1 defecto

Interpretacin:0.16, 0.05 ,0.01


Se espera que por cada 10 metros de tela se encuentre un defecto.

( xi ) 2
* p( xi ) ( 0 1 )2 ( 0.41 ) ( 1 1 )2 ( 0.37 ) ... ( 4 1 )2 ( 0.01 )
0.41 0.0 0.16 0.2 0.09 0.86 0.9274 1defecto

Interpretacin:
El nmero de defectos esperado puede variar en 1 defecto, es decir que el nmero de defectos
esperado por cada 10 metros de tela puede variar de 0 a 2.

c) p(x 2)= p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94

d) p(x 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22

CALCULO DE MEDIA Y DESVIACIN ESTNDAR PARA UNA DISTRIBUCIN


CONTINUA
1. Media o valor esperado de x.- Para calcular la media de una distribucin de probabilidad
continua se utiliza la siguiente frmula:


xf ( x )dx

Donde:
= E(x) = media o valor esperado de la distribucin
x = variable aleatoria continua

43
f(x) = funcin de densidad de la distribucin de probabilidad

2.Desviacin estndar.- La frmula para determinar la desviacin estndar de una distribucin


continua es;
2
( x )* f ( x )dx
2

luego:
2

Ejemplos:
1. Para la siguiente funcin,

1 2
f(x) x cuando 0 x 3 , f(x) = 0 para cualquier otro valor
9

a) Diga si esta funcin nos define una distribucin de probabilidad.


b) Si la funcin define una distribucin de probabilidad, entonces, determine su media y
desviacin estndar.
c) Determine la probabilidad de que 1 x 2.
Solucin:

a) Para verificar que la funcin nos define una distribucin de probabilidad, es necesario
que cumpla con las caractersticas que se haban mencionado.
1. x s es una variable continua porque puede tomar cualquier valor entre 0 y 3
2. f(x) 0, lo que se comprueba si damos diferentes valores a x para ver que valores toma
f(x), dndonos cuenta de que efectivamente f(x) solo toma valores mayores o iguales a cero.

x f(x)
0 0.0
0.5 0.02778
1.0 0.11111
1.4 0.21778
2.1 0.49
2.7 0.81
3.0 1.0

3. Para comprobar que la sumatoria de las probabilidades que toma cada valor de x es de 1, se
integra la funcin de 0 a 3 como se muestra a continuacin:

44
2 1
3
1 2 1 x 1 3 3 1
A

f ( x )dx x dx (
0 9 9 2 1
) ( 3 0 ) ( 27 0 ) 1
27 27

A= rea bajo la funcin


1 2
x
Con las operaciones anteriores comprobamos que la funcin 9 s nos define una distribucin de
probabilidad continua.

b) Clculo de media y desviacin estndar.

4
3 3
1 3 1 x2
x * f ( x )dx x( 19 x )dx x dx ( )
0 0
9 9 4
1 4 4 1 81
( 3 0 ) ( 81 0 ) 2.25
36 36 36

3
2 2 2 1 2
( x )* f ( x )dx ( x 2.25 )*( x )dx
0
9

4 3 2
3 2 3
1 2 x x 5.0625 x
( x 4.5 x 5.0625 )( x )dx ( )dx
0
9 0
9 2 9

5 4 3 5 4 3
x x 5.0625 x (3) (3) 5.0625( 3 )

45 8 27 45 8 27

243 81 136.6875
5.4 10.125 5.0625 0.3375
45 8 27
2
0.3375 0.5809

Las barras nos indican la evaluacin de la integral entre 0 y 3.

c)
3 3 3
2 2
1 2 1 x 1 2 0 1 8 8
p( 1 x 2 ) f ( x )dx x dx ( ) ( ) ( ) 0.2963
1 1 9 9 3 9 3 3 9 3 27

45
La barra nos indica la evaluacin de la integral de 1 a 2.

Con las operaciones anteriores nos damos cuenta que para evaluar probabilidades para variables de
tipo continuo, es necesario evaluar la funcin de densidad de probabilidad en el rango de valores que
se desea; que vendra siendo el rea que se encuentra entre f(x) y el eje de las x y entre el rango de
valores definidos por la variable x.
4.- Suponga que el error en la temperatura de reaccin, en oC, para un experimento controlado de
laboratorio es una variable aleatoria continua x, que tiene la funcin de densidad de probabilidad:

x2
f(x) , para -1 x 2 y f(x) = 0 en cualquier otro caso
3

a) Verifique la tercera condicin de la definicin de una distribucin de probabilidad continua.


b) Determine la media o valor esperado de la distribucin de probabilidad.
c) Encuentre la probabilidad de que 0 x 1.

Solucin:

a) Como la tercera condicin es que la sumatoria de las probabilidades asociadas a cada uno de los
valores que toma x debe de ser 1, esto se comprueba de la siguiente manera:

1 23 13
2
x2 1 x3 8 1 9
A dx ( ) ( ) 1
1 3 3 3 3 3 3 9 9 9

2 2
x2 x3 1 x4
E( x ) x * f ( x )dx x( )dx dx ( )
b) 1
3 1
3 3 4

1 2 4 14 16 1 15
( ) 1.25
3 4 4 12 12 12
1 2
x 1 x3 1 13 03 1 1 1
c) p( 0 x 1 ) dx ( ) ( ) * 0.11111
0 3 3 3 3 3 3 3 3 9

46
f) Problemas Propuestos.
1. Determine la media y la desviacin estndar de las siguientes millas por galn obtenidas en
20 corridas de prueba realizadas en avenidas urbanas con un automvil de tamao mediano.

19.7 21.5 22.5 22.2 22.6


21.9 20.5 19.3 19.9 21.7
22.8 23.2 21.4 20.8 19.4
22.0 23.0 21.1 20.9 21.3

r. 21.38 y 1.19 mi/gal


2. Los siguientes son los nmeros de torsiones que se requirieron para cortar 12 barras de
aleacin forjada: 33, 24, 39, 48, 26, 35, 38, 54, 23, 34, 29 y 27. Determine, a) la media y b)la
mediana. r. a) 35 b) 34.5

3. Los siguientes son los nmeros de los minutos durante los cuales una persona debi esperar
el autobs hacia su trabajo en 15 das laborales: 10, 0, 13, 9, 5, 10, 2, 10, 3, 8, 6, 17, 2, 10 y 15.
Determine, a) la media, b) la mediana, c) la moda. r. a) 8 b) 9 c) 10

4.Las siguientes son medidas de las resistencias de la resistencia a rompimiento (en onzas) de
una muestra de 60 hilos de lino.

32.5 15.2 35.4 21.3 28.4 26.9 34.6 29.3 24.5 31.0
21.2 28.3 27.1 25.0 32.7 29.5 30.2 23.9 23.0 26.4
27.3 33.7 29.4 21.9 29.3 17.3 29.0 36.8 29.2 23.5
20.6 29.5 21.8 37.5 33.5 29.6 26.8 28.7 34.8 18.6
25.4 34.1 27.5 29.6 22.2 22.7 31.3 33.2 37.0 28.3
36.9 24.6 28.9 24.8 28.1 25.4 34.5 23.6 38.4 24.0

a) Agrupe los datos en 7 clases, b) obtenga media, mediana, moda y desviacin estndar,
c)obtenga histograma y polgono de frecuencias, ojiva menor que y distribucin de
probabilidad.

5.- Un edificio comercial tiene dos entradas, numeradas con I y II. Entran tres personas al
edificio a la 9:00 a.m. Sea x el nmero de personas que escogen la entrada I, si se supone que la
gente escoge las entradas en forma independiente, determinar a)la distribucin de
probabilidades de x, b) el nmero esperado de personas que que escogen la entrada I.

Respuesta:
a) b) 1.5 2 personas
x 0 1 2 3
p(x) 1/8 3/8 3/8 1/8

47
6.- Se observ que el 40% de los vehculos que cruzan determinado puente de cuota, son
camiones comerciales. Cuatro vehculos van a cruzar el puente en el siguiente minuto.
Determinar la distribucin de probabilidad de x, el nmero de camiones comerciales entre los
cuatro, s los tipos de vehculos son independientes entre s.

Respuesta:
x 0 1 2 3 4
p(x) 0.1296 0.3456 0.3456 0.1536 0.0256

7.- Entre 10 solicitantes para un puesto 6 son mujeres y 4 son hombres. Supngase que se
seleccionan al azar 3 candidatos de entre todos ellos para concederles las entrevistas finales.
Determinar; a)la funcin de probabilidad para x, el nmero de candidatas mujeres entre los 3
finalistas, b)el nmero esperado de candidatas mujeres entre los finalistas.

Respuesta:
a) b) 1.8 2 mujeres
x 0 1 2 3
p(x) 1/30 9/30 15/30 5/30

r. a)0 computadoras b)0 computadoras c)1una computadora

9.- Sea x la variable aleatoria que representa la vida en horas de un cierto dispositivo
electrnico. La funcin de densidad de probabilidad es:

20,000
f(x) , para x 100 y 0 en cualquier otro caso
x3

Encuentre la vida esperada de este dispositivo.


r. 200 horas
10.- Si la utilidad de un distribuidor en unidades de $1000, en un nuevo automvil puede
considerarse como una variable aleatoria x con una funcin de densidad

f(x) = 2(1- x) para 0 x 1 y 0 para cualquier otro caso

Encuentre la utilidad promedio por automvil.

r. $333
11.- Qu proporcin de personas puede esperarse que respondan a un cierto requerimiento
por correo, si la proporcin x tiene la funcin de densidad

48
2( x 2 )
f(x) 0 x 1 y 0 en cualquier otro caso?
5

r. 8/15
12.- La funcin de densidad de la variable aleatoria continua x, el nmero total de horas en
unidades de 100 horas, de que una familia utilice una aspiradora durante un ao es de;

f(x) = x, para 0 x 1, f(x) = (2 - x) para 1 x 2, 0 en cualquier otro caso.

Encuentre el nmero promedio de horas por ao que la familia utiliza la aspiradora.

r. 100 horas
13. Suponga las probabilidades de 0.4, 0.3, 0.2 y 0.1, respectivamente, de que 0, 1, 2 o 3 fallas
de energa elctrica afecten una cierta subdivisin en un ao cualquiera. Encuentre la media y
la desviacin estndar de la variable aleatoria x que representa el nmero de fallas de energa
elctrica que afectan esta subdivisin.

r. = 1 , = 1
14. La variable aleatoria x, que representa el nmero de pedacitos de chocolate en una
rebanada de pastel, tiene la siguiente distribucin de probabilidad:

x 2 3 4 5 6
p(x) 0.01 0.25 0.4 0.3 0.04

Determine el nmero esperado de pedacitos de chocolate en una rebanada de pastel.

r. 4 pedacitos de chocolate

49
UNIDAD II. TCNICAS DE CONTEO
A) CONCEPTO.

Suponga que se encuentra al final de una lnea de ensamble final de un producto y que un supervisor
le ordena contar los elementos de un lote que se ha manufacturado hace unas horas y del que se
desconoce el nmero de productos que lo constituyen, de inmediato usted empezar a contar un
producto tras otro y al final informar al supervisor que son, 48, 54 u otro nmero cualquiera. Ahora
suponga que ese mismo supervisor le plantea la siguiente pregunta cuntas muestras o grupos ser
posible formar con los productos del lote, si las muestras o grupos a formar son de ocho elementos
cada una de ellas?
En el primer caso el cuantificar los elementos del lote no presenta dificultad alguna para la persona
encargada de hacerlo, pero cuando se le hace el segundo planteamiento, al tratar de formar las
muestras o grupos de ocho elementos la persona encargada empezar a tener dificultad para hacerlo,
en casos como este es necesario hacer uso de las tcnicas de conteo para cuantificar los elementos
del evento en cuestin (el nmero de muestras posibles a formar de ocho elementos), luego, qu
son las tcnicas de conteo?

Las tcnicas de conteo son aquellas que son usadas para enumerar eventos difciles de cuantificar.
Ejemplos en los que definitivamente haremos uso de las tcnicas de conteo seran:
-Cuntas comisiones pro limpieza del instituto se pueden formar si hay 150 alumnos que desean
ayudar en esta tarea y se desea formar comisiones de ocho alumnos?
-Cuntas representaciones de alumnos pueden ser formadas a) si se desea que estas consten solo de
alumnos de Ingeniera Mecnico?, b) se desea que el presidente sea un Mecnico?, c) se desea que el
presidente y tesorero sean Mecnicos? Para todos los casos, se desea que las representaciones
consten de once alumnos.
-Cuntas maneras tiene una persona de seleccionar una lavadora, una batidora y dos licuadoras, si
encuentra en una tienda 8 modelos diferentes de lavadoras, 5 modelos diferentes de batidoras y 7
modelos diferentes de licuadoras?

Se les denomina tcnicas de conteo a: las combinaciones, permutaciones y diagrama de rbol, las
que a continuacin se explicarn y hay que destacar que stas nos proporcionan la informacin de
todas las maneras posibles en que ocurre un evento determinado.

Las bases para entender el uso de las tcnicas de conteo son el principio multiplicativo y el aditivo,
los que a continuacin se definen y se hace uso de ellos.

B) PRINCIPIO MULTIPLICATIVO.

Si se desea realizar una actividad que consta de r pasos, en donde el primer paso de la actividad a
realizar puede ser llevado a cabo de N1 maneras o formas, el segundo paso de N2 maneras o formas
y el r-eximo paso de Nr maneras o formas, entonces esta actividad puede ser llevada a efecto de;

N1 x N2 x ..........x Nr maneras o formas

50
El principio multiplicativo implica que cada uno de los pasos de la actividad debe ser llevado a
efecto, uno tras otro.

Ejemplos:
1.- Una persona desea construir su casa, para lo cual considera que puede construir los cimientos de
su casa de cualquiera de dos maneras (concreto o block de cemento), mientras que las paredes las
puede hacer de adobe, adobn o ladrillo, el techo puede ser de concreto o lmina galvanizada y por
ltimo los acabados los puede realizar de una sola manera cuntas maneras tiene esta persona de
construir su casa?

Solucin:

Considerando que r = 4 pasos

N1= maneras de hacer cimientos = 2


N2= maneras de construir paredes = 3
N3= maneras de hacer techos = 2
N4= maneras de hacer acabados = 1

N1 x N2 x N3 x N4 = 2 x 3 x 2 x 1 = 12 maneras de construir la casa

El principio multiplicativo, el aditivo y las tcnicas de conteo que posteriormente se tratarn nos
proporcionan todas las maneras o formas posibles de como se puede llevar a cabo una actividad
cualquiera.

2.- Cuntas placas para automvil pueden ser diseadas si deben constar de tres letras seguidas de
cuatro nmeros, si las letras deben ser tomadas del abecedario y los nmeros de entre los dgitos del
0 al 9?, a). Si es posible repetir letras y nmeros, b). No es posible repetir letras y nmeros, c).
Cuntas de las placas diseadas en el inciso b empiezan por la letra D y empiezan por el cero, d).
Cuantas de las placas diseadas en el inciso b empiezan por la letra D seguida de la G.

Solucin:

Considerando 26 letras del abecedario y los dgitos del 0 al 9

a) 26 x 26 x 26 x 10 x 10 x 10 x 10 = 175,760,000 placas para automvil que es posible


disear

b) 26 x 25 x 24 x 10 x 9 x 8 x 7 = 78,624,000 placas para automvil

c) 1 x 25 x 24 x 1 x 9 x 8 x 7 = 302,400 placas para automvil

d) 1 x 1 x 24 x 10 x 9 x 8 x 7 = 120,960 placas para automvil

3.- Cuntos nmeros telefnicos es posible disear, los que deben constar de seis dgitos tomados
del 0 al 9?, a). Considere que el cero no puede ir al inicio de los nmeros y es posible repetir dgitos,
b). El cero no debe ir en la primera posicin y no es posible repetir dgitos, c). Cuntos de los

51
nmeros telefnicos del inciso b empiezan por el nmero siete?, d). Cuntos de los nmeros
telefnicos del inciso b forman un nmero impar?.

Solucin:

a. 9 x 10 x 10 x 10 x 10 x 10 = 900,000 nmeros telefnicos

b. 9 x 9 x 8 x 7 x 6 x 5 = 136,080 nmeros telefnicos

c. 1 x 9 x 8 x 7 x 6 x 5 = 15,120 nmeros telefnicos

d. 8 x 8 x 7 x 6 x 5 x 5 = 67,200 nmeros telefnicos

C) PRINCIPIO ADITIVO.

Si se desea llevar a efecto una actividad, la cual tiene formas alternativas para ser realizada, donde la
primera de esas alternativas puede ser realizada de A maneras o formas, la segunda alternativa
puede realizarse de B maneras o formas. y la ltima de las alternativas puede ser realizada de W
maneras o formas, entonces esa actividad puede ser llevada a cabo de,

A + B + .........+ W maneras o formas

Ejemplos:
1).- Una persona desea comprar una lavadora de ropa, para lo cual ha pensado que puede seleccionar
de entre las marcas Whirlpool, Easy y General Electric, cuando acude a hacer la compra se
encuentra que la lavadora de la marca W se presenta en dos tipos de carga ( 8 u 11 kilogramos), en
cuatro colores diferentes y puede ser automtica o semiautomtica, mientras que la lavadora de la
marca E, se presenta en tres tipos de carga (8, 11 o 15 kilogramos), en dos colores diferentes y
puede ser automtica o semiautomtica y la lavadora de la marca GE, se presenta en solo un tipo de
carga, que es de 11 kilogramos, dos colores diferentes y solo hay semiautomtica. Cuntas maneras
tiene esta persona de comprar una lavadora?
Solucin:

M = Nmero de maneras de seleccionar una lavadora Whirlpool


N = Nmero de maneras de seleccionar una lavadora de la marca Easy
W = Nmero de maneras de seleccionar una lavadora de la marca General Electric

M = 2 x 4 x 2 = 16 maneras

N = 3 x 2 x 2 = 12 maneras

W = 1 x 2 x 1 = 2 maneras

M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una lavadora

52
2 ).- Rafael Luna desea ir a las Vegas o a Disneylandia en las prximas vacaciones de verano, para
ir a las Vegas l tiene tres medios de transporte para ir de Morelia al Paso Texas y dos medios de
transporte para ir del Paso a las Vegas, mientras que para ir del paso a Disneylandia l tiene cuatro
diferentes medios de transporte, a) Cuntas maneras diferentes tiene Rafael de ir a las Vegas o a
Disneylandia?, b) Cuntas maneras tiene Rafael de ir a las Vegas o a Disneylandia en un viaje
redondo, si no se regresa en el mismo medio de transporte en que se fue?.

Solucin:

a) V = maneras de ir a las Vegas


D = maneras de ir a Disneylandia

V = 3 x 2 = 6 maneras

D = 3 x 4 = 12 maneras

V + D = 6 + 12 = 18 maneras de ir a las Vegas o a Disneylandia

b) V = maneras de ir y regresar a las Vegas

D = maneras de ir y regresar a Disneylandia

V = 3 x 2 x 1 x 2 = 12 maneras

D = 3 x 4 x 3 x 2 = 72 maneras

V + D = 12 + 72 = 84 maneras de ir a las Vegas o a Disneylandia en un viaje redondo

Cmo podemos distinguir cuando hacer uso del principio multiplicativo y cuando del aditivo?

Es muy simple, cuando se trata de una sola actividad, la cual requiere para ser llevada a efecto de
una serie de pasos, entonces haremos uso del principio multiplicativo y si la actividad a desarrollar o
a ser efectuada tiene alternativas para ser llevada a cabo, haremos uso del principio aditivo.

D) PERMUTACIONES Y COMBINACIONES

Para entender lo que son las permutaciones es necesario definir lo que es una combinacin y lo que
es una permutacin para establecer su diferencia y de esta manera entender claramente cuando es
posible utilizar una combinacin y cuando utilizar una permutacin al momento de querer
cuantificar los elementos de algn evento.

53
COMBINACIN:
Es todo arreglo de elementos en donde no nos interesa el lugar o posicin que ocupa cada uno de los
elementos que constituyen dicho arreglo.

PERMUTACIN:
Es todo arreglo de elementos en donde nos interesa el lugar o posicin que ocupa cada uno de los
elementos que constituyen dicho arreglo.

Para ver de una manera objetiva la diferencia entre una combinacin y una permutacin,
plantearemos cierta situacin.

Suponga que un saln de clase est constituido por 35 alumnos. a) El maestro desea que tres de los
alumnos lo ayuden en actividades tales como mantener el aula limpia o entregar material a los
alumnos cuando as sea necesario) El maestro desea que se nombre a los representantes del saln
(Presidente, Secretario y Tesorero).

Solucin:
a).- Suponga que por unanimidad se ha elegido a Daniel, Arturo y a Rafael para limpiar el aula o
entregar material, (aunque pudieron haberse seleccionado a Rafael, Daniel y a Enrique, o pudo
haberse formado cualquier grupo de tres personas para realizar las actividades mencionadas
anteriormente).
Es importante el orden como se selecciona a los elementos que forma el grupo de tres personas?
Reflexionando al respecto nos damos cuenta de que el orden en este caso no tiene importancia, ya
que lo nico que nos interesara es el contenido de cada grupo, dicho de otra forma, quines estn
en el grupo? Por tanto, este ejemplo es una combinacin, quiere decir esto que las combinaciones
nos permiten formar grupos o muestras de elementos en donde lo nico que nos interesa es el
contenido de los mismos.

b).- Suponga que se han nombrado como representantes del saln a Daniel como Presidente, a
Arturo como secretario y a Rafael como tesorero, pero resulta que a alguien se le ocurre hacer
algunos cambios, los que se muestran a continuacin:

CAMBIOS
PRESIDENTE: Daniel Arturo Rafael Daniel
SECRETARIO: Arturo Daniel Daniel Rafael
TESORERO: Rafael Rafael Arturo Arturo

Ahora tenemos cuatro arreglos, se trata de la misma representacin?

Creo que la respuesta sera no, ya que el cambio de funcin que se hace a los integrantes de la
representacin original hace que definitivamente cada una de las representaciones trabaje de manera
diferente, importa el orden de los elementos en los arreglos? La respuesta definitivamente sera s,
luego entonces las representaciones antes definidas son diferentes ya que el orden o la forma en que
se asignan las funciones s importa, por lo tanto es este caso estamos tratando con permutaciones.

54
A continuacin obtendremos las frmulas de permutaciones y de combinaciones, pero antes hay que
definir lo que es n! (ene factorial), ya que est involucrado en las frmulas que se obtendrn y
usarn para la resolucin de problemas.

n!= al producto desde la unidad hasta el valor que ostenta n.


n!= 1 x 2 x 3 x 4 x...........x n

Ejemplo.
10!=1 x 2 x 3 x 4 x.........x 10=3,628,800
8!= 1 x 2 x 3 x 4 x.........x 8=40,320
6!=1 x 2 x 3 x 4 x..........x 6=720, etc., etc.

Obtencin de frmula de permutaciones.


Para hacer esto, partiremos de un ejemplo.
Cuntas maneras han de asignar los cuatro primeros lugares de un concurso de creatividad que se
verifica en las instalaciones de nuestro Facultad, si hay 14 participantes?

Solucin:
Haciendo uso del principio multiplicativo,

14x13x12x11 = 24,024 maneras de asignar los primeros tres lugares del concurso

Esta solucin se debe, a que al momento de asignar el primer lugar tenemos a 14 posibles
candidatos, una vez asignado ese lugar nos quedan 13 posibles candidatos para el segundo lugar,
luego tendramos 12 candidatos posibles para el tercer lugar y por ltimo tendramos 11 candidatos
posibles para el cuarto lugar.

Luego si n es el total de participantes en el concurso y r es el nmero de participantes que van a ser


premiados, y partiendo de la expresin anterior, entonces.

14x13x12x11= n x (n - 1) x (n - 2) x .......... x (n r + 1)

si la expresin anterior es multiplicada por (n r)! / (n r)!, entonces

= n x (n 1 ) x (n 2) x ......... x (n r + 1) (n r)! / (n r)!

= n!/ (n r)!

Por tanto, la frmula de permutaciones de r objetos tomados de entre n objetos es:

n!
n Pr
( n r )!

55
Esta frmula nos permitir obtener todos aquellos arreglos en donde el orden es importante y solo
se usen parte (r) de los n objetos con que se cuenta, adems hay que hacer notar que no se pueden
repetir objetos dentro del arreglo, esto es, los n objetos son todos diferentes.

Entonces, qu frmula hay que usar para arreglos en donde se utilicen los n objetos con que se
cuenta?
Si en la frmula anterior se sustituye n en lugar de r, entonces.

nPn= n!/ (n n)! = n! / 0! = n! / 1 = n!

Como 0! = 1 de acuerdo a demostracin matemtica, entonces

nPn= n!

Ejemplos:
1).- Cuantas representaciones diferentes sern posibles formar, si se desea que consten de
Presidente, Secretario, Tesorero, Primer Vocal y Segundo Vocal?, s esta representacin puede ser
formada de entre 25 miembros del sindicato de una pequea empresa.

Solucin:

Por principio multiplicativo:

25 x 24 x 23 x 22 x 21 = 6, 375,600 maneras de formar una representacin de ese sindicato que


conste de presidente, secretario, etc., etc.

Por Frmula:

n = 25, r=5

25P5 = 25!/ (25 5)! = 25! / 20! = (25 x 24 x 23 x 22 x 21 x....x 1) / (20 x 19 x 18 x ... x 1)=
= 6, 375,600 maneras de formar la representacin

2) a). Cuntas maneras diferentes hay de asignar las posiciones de salida de 8 autos que participan
en una carrera de frmula uno? (Considere que las posiciones de salida de los autos participantes en
la carrera son dadas totalmente al azar) b). Cuntas maneras diferentes hay de asignar los primeros
tres premios de esta carrera de frmula uno?

Solucin:

a. Por principio multiplicativo:

56
8 x 7 x 6 x 5 x 4 x 3 x 2 x 1= 40,320 maneras de asignar las posiciones de salida de los autos
participantes en la carrera

Por Frmula:

n = 8, r = 8

8P8= 8! = 8 x 7 x 6 x 5 x 4 x......x 1= 40,320 maneras de asignar las posiciones de salida ......etc.,


etc.

b. Por principio multiplicativo:

8 x 7 x 6 = 336 maneras de asignar los tres primeros lugares de la carrera

Por frmula:

n =8, r = 3

8P3 = 8! / (8 3)! = 8! / 5! = (8 x 7 x 6 x 5 x ........x1)/ (5 x 4 x 3 x......x1) = 336 maneras de asignar


los tres primeros lugares de la carrera

3).- Cuntos puntos de tres coordenadas (x, y, z ), ser posible generar con los dgitos 0, 1, 2, 4, 6
y 9?, Si, a). No es posible repetir dgitos, b). Es posible repetir dgitos.

Solucin:

a. Por frmula
n = 6, r = 3

6P3 = 6! / (6 3)! = 6! / 3! = 6 x 5 x 4 x 3! / 3! = 6 x 5 x 4 = 120 puntos posibles

Nota: este inciso tambin puede ser resuelto por el principio multiplicativo

b. Por el principio multiplicativo

6 x 6 x 6 = 216 puntos posibles

Cul es la razn por la cual no se utiliza en este caso la frmula?. No es utilizada debido a que la
frmula de permutaciones slo se usa cuando los objetos no se repiten, esto quiere decir que en el
inciso a. Los puntos generados siempre van a tener coordenadas cuyos valores son diferentes ejem.
(1, 2, 4), (2, 4, 6), (0, 4, 9), etc. etc., mientras que los puntos generados en el inciso b. Las
coordenadas de los puntos pueden tener valores diferentes o repeticiones de algunos valores o
pueden tener todas las coordenadas un mismo valor ejem. (1, 2, 4), (1, 2, 2), (1, 1, 1), etc., etc.

57
4).- a). Cuntas maneras hay de asignar las 5 posiciones de juego de un equipo de bsquetbol, si el
equipo consta de 12 integrantes?, b). Cuntas maneras hay de asignar las posiciones de juego si
una de ellas solo puede ser ocupada por Uriel Jos Esparza?, c). Cuntas maneras hay de que se
ocupen las posiciones de juego si es necesario que en una de ellas este Uriel Jos Esparza y en otra
Omar Luna?

Solucin:

a. Por frmula:

n = 12, r=5

12P5= 12! / (12 5 )! = 12 x 11 x 10 x 9 x 8 = 95,040 maneras de asignar las cinco


posiciones de juego

b. Por principio multiplicativo:

1 x 11 x 10 x 9 x 8 =7,920 maneras de asignar las posiciones de juego

Por frmula:

1 x 11P4 = 1 x 11! / (11 4)! = 11! / 7! = 11 x 10 x 9 x 8 = 7,920 maneras de asignar las


posiciones de juego con Uriel Jos en una determinada posicin

c. Por principio multiplicativo

1 x 1 x 10 x 9 x 8 = 720 maneras de ocupar las diferentes posiciones de juego

Por frmula:

1 x 1 x 10P3 = 1 x 1 x 10! / (10 3)! = 10! / 7! = 10 x 9 x 8 = 720 maneras de ocupar las


posiciones de juego con Uriel Jos y Omar Luna en posiciones previamente definidas

5).- Cuntas claves de acceso a una computadora ser posible disear, si debe constar de dos letras,
seguidas de cinco dgitos, las letras sern tomadas del abecedario y los nmeros de entre los dgitos
del 0 al 9. a). Considere que se pueden repetir letras y nmeros, b). Considere que no se pueden
repetir letras y nmeros, c). Cuntas de las claves del inciso b empiezan por la letra A y terminan
por el nmero 6?, d). Cuntas de las claves del inciso b tienen la letra R seguida de la L y terminan
por un nmero impar?

58
Solucin:

a. Por principio multiplicativo:

26 x 26 x 10 x 10 x 10 x 10 x 10 = 67, 600,000 claves de acceso

b. Por frmula:

26P2 x 10P5 = 26 x 25 x 10 x 9 x 8 x 7 x 6=19, 656,000 claves de acceso

c. Por frmula:

1 x 25P1 x 9P4 x 1 = 1 x 25 x 9 x 8 x 7 x 6 x 1 = 75,600 claves de acceso que empiezan


por la letra A y terminan por el nmero 6

d. Por frmula:

1 x 1 x 9P4 x 5 = 1 x 1 x 9 x 8 x 7 x 6 x 5 =15,120 claves de acceso que tienen la letra R


seguida de la L y terminan por un nmero impar.

E) PERMUTACIONES CON REPETICION.

En los casos anteriores se han obtenido permutaciones en donde todos los elementos utilizados para
hacer los arreglos son diferentes. A continuacin se obtendr una frmula que nos permite obtener
las permutaciones de n objetos, cuando entre esos objetos hay algunos que son iguales.

Ejemplo:
Obtenga todas las permutaciones posibles a obtener con las letras de la palabra OSO.
Solucin:

Para obtener la frmula, es necesario primero suponer que todas las letras de la palabra OSO son
diferentes y para diferenciarlas pondremos subndices a las letras O, por lo que quedara, O1SO2, y
las permutaciones a obtener seran:

3P3 = 3! = 6

Definiendo las permutaciones tenemos que estas seran,

O1SO2, O2SO1, SO1O2, SO2O1, O1O2S, O2O1S

59
Pero realmente podemos hacer diferentes a las letras O?, eso no es posible, luego entonces
cuntos arreglos reales se tienen?

Como:
Arreglos reales
O1SO2 = O2SO1 OSO
SO1O2 = SO2O1 SOO
O1O2S= O2O1S OOS

Entonces se observa que en realidad slo es posible obtener tres permutaciones con las letras de la
palabra OSO debido a que las letras O son idnticas, pero qu es lo que nos hizo pensar en seis
arreglos en lugar de tres?, el cambio que hicimos entre las letras O cuando las consideramos
diferentes, cuando en realidad son iguales.

Para obtener los arreglos reales es necesario partir de la siguiente expresin:

El nmero de arreglos reales = No. de permutaciones considerando a todos los objetos como diferentes
Los cambios entre objetos iguales

El nmero de arreglos reales = 3! / 2! = 3 x 2! / 2! = 3

Por tanto la frmula a utilizar sera;


n!
nPx1 , x2 ........, xk
x1! x2 !.......xk !

Donde:

nPx1,x2,......, xk = Nmero total de permutaciones que es posible obtener con n objetos, entre los que
hay una cantidad x1 de objetos de cierto tipo, una cantidad x2 de objetos de un segundo tipo,...... y
una cantidad xk de objetos del tipo k.

n = x1 + x2 + ...... + xk

Ejemplos:

1.- Obtenga todas las seales posibles que se pueden disear con seis banderines, dos de los cuales
son rojos, tres son verdes y uno morado.

Solucin:

n = 6 banderines
x1 = 2 banderines rojos

60
x2 = 3 banderines verdes
x3 = 1 bandern morado

6P2,3,1 = 6! / 2!3!1! = 60 seales diferentes

2.- a).Cuntas claves de acceso a una computadora ser posible disear con los nmeros
1,1,1,2,3,3,3,3?, b).cuntas de las claves anteriores empiezan por un nmero uno seguido de un
dos?, c. cuntas de las claves del inciso a empiezan por el nmero dos y terminan por el nmero
tres?

Solucin:

a. n = 8 nmeros
x1 = 3 nmeros uno
x2 = 1 nmero dos
x3 = 4 nmeros cuatro

8P3,1,4 = 8! / 3!1!4! = 280 claves de acceso

b. n = 6 (se excluye un nmero uno y un dos)


x1 = 2 nmeros uno
x2 = 4 nmeros tres
1 x 1 x 6P2,4 = 1 x 1 x 6! / 2!4! = 15 claves de acceso

El primer nmero uno nos indica el nmero de maneras cmo es posible colocar en la primera
posicin de la clave de acceso un nmero uno, debido a que todos los nmeros uno son iguales,
entonces tenemos una sola manera de seleccionar un nmero uno para la primera posicin, el
siguiente nmero uno nos indica el nmero de maneras como se colocara en la segunda posicin el
nmero dos y la expresin siguiente nos indica todos los arreglos posibles que es posible disear con
los nmeros restantes.

c. n = 6 (se excluye un nmero dos y un tres)


x1 = 3 nmeros uno
x2 = 3 nmeros tres

1 x 6P3,3 x1 = 1 x 6! / 3!3! = 20 claves de acceso

El nmero uno inicial nos indica que existe una sola manera de seleccionar el nmero dos que va en
la primera posicin del arreglo, mientras que el nmero uno final nos indica que hay una sola
manera de seleccionar el nmero tres que va al final del arreglo an y cuando haya cuatro nmeros
tres, como estos son iguales al disear una permutacin es indistinto cul nmero tres se ponga, ya
que siempre se tendr el mismo arreglo y la expresin intermedia nos indica todos los arreglos
posibles a realizar con los nmeros restantes.

61
3.-De cuntas maneras es posible plantar en una lnea divisoria de un terreno dos nogales, cuatro
manzanos y tres ciruelos?

Solucin:

n = 9 rboles
x1 = 2 nogales
x2 = 4 manzanos
x3 = 3 ciruelos

9P2,4,3 = 9! / 2!4!3! = 1260 maneras de plantar los rboles

4.- Si un equipo de ftbol soccer femenil participa en 12 juegos en una temporada, cuntas maneras
hay de que entre esos doce juegos en que participa, obtenga 7 victorias, 3 empates y 2 juegos
perdidos?

Solucin:

n = 12 juegos
x1 = 7 victorias
x2 = 3 empates
x3 = 2 juegos perdidos

12P7,3,2 = 12! / 7!3!2! = 7,920 maneras de que en la temporada este equipo logre
siete victorias, tres empates y dos juegos perdidos.

F) PRUEBAS ORDENADAS.

Se le llama prueba ordenada al hecho de seleccionar r objetos de entre n objetos contenidos en una
urna uno tras otro. Una prueba ordenada puede ser llevada a efecto de dos maneras:

1) Con sustitucin (con reemplazo).- En este caso se procede a seleccionar el primer objeto de
entre los n que hay, se observa de qu tipo es y se procede a regresarlo a la urna, luego se
selecciona el siguiente objeto, lo anterior se repite hasta que se han extrado los r objetos de la
prueba, por tanto el nmero de pruebas ordenadas de con sustitucin se obtiene:

Nmero total de pruebas ordenadas con sustitucin = n x n x n x .........x n = nr

Hay n maneras de seleccionar el primer objeto, luego al seleccionar el segundo objeto, dado que se
ha regresado a la urna el primer objeto, tambin se tendrn n objetos y as sucesivamente.

2) Sin sustitucin (sin reemplazo).- En este caso se procede a seleccionar el primer objeto, el
cual no es regresado a la urna, luego se selecciona el segundo objeto, lo anterior se repite hasta

62
completar los r objetos de la prueba, por lo que el nmero total de pruebas ordenadas sin sustitucin
se obtiene:

Nmero total de pruebas ordenadas sin sustitucin = n(n-1)(n-2).........(n-r +1) = nPr

Hay n maneras de seleccionar el primer objeto, luego al seleccionar el segundo objeto, hay n 1
maneras, dado que el primer objeto no se regresa a la urna, luego cuando se extrae el r-simo
objeto, hay (n r +1) de que sea seleccionado.

Ejemplos:

1.- Cuntas maneras hay de que se asignen tres premios de un sorteo en donde el primer premio es
una departamento, el segundo premio es un auto y el tercer premio es un centro de cmputo, si los
participantes en este sorteo son 120 personas, a). s la asignacin se puede hacer con sustitucin, b).
s la asignacin se puede hacer sin sustitucin.

Solucin:

a. Por principio multiplicativo:

120 x 120 x 120 = 1, 728,000 maneras de asignar los premios

Por frmula: n =120, r=3

nr = 1203 = 1,728,000 maneras de asignar los tres premios

Hay que considerar que en este caso, al regresar cada boleto que es extrado de la urna, las personas
que participan en el sorteo tienen la posibilidad de no ganar uno solo de los premios, de ganar un
premio, dos de los premios o los tres premios. Cosa que generalmente no ocurre.

b. Por principio multiplicativo:

120 x 119 x 118 = 1, 685,040 maneras de asignar los premios

Por frmula:

n = 120, r=3

= 120! / (120 3)! = 120! / 117! = 120 x 119 x 118 = 1, 685,040 maneras de asignar los
120P3
premios

Hay que hacer notar que en este caso, como los boletos que son seleccionados ya no regresan a la
urna de donde fueron extrados, los participantes solo pueden recibir un premio en caso de que
fueran de los afortunados. Esta es la forma en que generalmente se efecta un sorteo.

63
2.- Cuntas formas hay de asignar las primeras cinco posiciones de una carrera de autos de frmula K, si
participan 26 autos en esta carrera?. Considere que la asignacin es totalmente al azar.

Solucin:

Esta asignacin debe ser sin sustitucin, esto es, se trata de una prueba ordenada sin sustitucin, por lo que la
solucin es la que se muestra.

n = 26, r=5

26P5 = 26! / (26 5)! = 26! / 21! = 26 x 25 x 24 x 23 x 22 = 7, 893,600 maneras de asignar las cinco
primeras posiciones de salida

3.- Cuntas formas hay de asignar el orden de participacin de las primeras 5 concursantes de 11 finalistas
de un concurso de Miss Mundo?

Solucin:

Esta asignacin debe realizarse sin sustitucin, por lo que se trata de una prueba ordenada sin sustitucin.
n = 11, r = 5

11P5 = 11! / (11 5)! = 11! / 6! = 11 x 10 x 9 x 8 x 7 = 55,440 maneras de asignar la participacin

G) COMBINACIONES.

Como ya se mencion anteriormente, una combinacin, es un arreglo de elementos en donde no nos


interesa el lugar o posicin que ocupan los mismos dentro del arreglo. En una combinacin nos
interesa formar grupos y el contenido de los mismos.

La frmula para determinar el nmero de combinaciones es:

n!
n Cr
( n r )! r!

nCr = Combinaciones de r objetos tomados de entre n objetos

Donde se observa que,


pr
n Cr
n

r!

64
La expresin anterior nos explica como las combinaciones de r objetos tomados de entre n objetos
pueden ser obtenidas a partir de las permutaciones de r objetos tomados de entre n objetos, esto se
debe a que como en las combinaciones no nos importa el orden de los objetos, entonces si tenemos
las permutaciones de esos objetos al dividirlas entre r!, les estamos quitando el orden y por tanto
transformndolas en combinaciones, de otra forma, tambin si deseamos calcular permutaciones y
tenemos las combinaciones, simplemente con multiplicar estas por el r! obtendremos las
permutaciones requeridas.

nPr = nCr r!

Y si deseamos r = n entonces;

nCn = n! / (n n)!n! = n! / 0!n! = 1

Qu nos indica lo anterior?


Que cuando se desea formar grupos con la misma cantidad de elementos con que se cuenta solo es
posible formar un grupo.

Ejemplos:
1.- a). Si se cuenta con 14 alumnos que desean colaborar en una campaa pro limpieza de la Fac.,
a).- cuantos grupos de limpieza podrn formarse si se desea que consten de 5 alumnos cada uno de
ellos, b).si entre los 14 alumnos hay 8 mujeres, cuntos de los grupos de limpieza tendrn a 3
mujeres?, c).cuntos de los grupos de limpieza contarn con 4 hombres por lo menos?

Solucin:
a. n = 14, r = 5

14C5 = 14! / (14 5 )!5! = 14! / 9!5!


= 14 x 13 x 12 x 11 x 10 x 9!/ 9!5!
= 2002 grupos

Entre los 2002 grupos de limpieza hay grupos que contienen solo hombres, grupos que contienen
solo mujeres y grupos mixtos, con hombres y mujeres.

b. n = 14 (8 mujeres y 6 hombres), r=5

En este caso nos interesan aquellos grupos que contengan 3 mujeres y 2 hombres

8C3*6C2 = (8! / (8 3)!3!)*(6! / (6 2)!2!)


= (8! / 5!3!)*(6! / 4!2!)
= 8 x7 x 6 x 5 /2!
= 840 grupos con 3 mujeres y 2 hombres, puesto que cada grupo
debe constar de 5 personas

c. En este caso nos interesan grupos en donde haya 4 hombres o ms

65
Los grupos de inters son = grupos con 4 hombres + grupos con 5 hombres
= 6C4*8C1 + 6C5*8C0 = 15 x 8 + 6 x 1 = 120 + 6 = 126

2.- Para contestar un examen un alumno debe contestar 9 de 12 preguntas, a).Cuntas maneras
tiene el alumno de seleccionar las 9 preguntas?, b).Cuntas maneras tiene si forzosamente debe
contestar las 2 primeras preguntas?, c).Cuntas maneras tiene si debe contestar una de las 3
primeras preguntas?, d).Cuntas maneras tiene si debe contestar como mximo una de las 3
primeras preguntas?

Solucin:

a. n = 12, r=9

= 12! / (12 9)!9!


12C9
= 12! / 3!9! = 12 x 11 x 10 / 3!
= 220 maneras de seleccionar las nueve preguntas o dicho de otra manera, el alumno puede
seleccionar cualquiera de 220 grupos de 9 preguntas para contestar el examen

b. 2C2*10C7 = 1 x 120 = 120 maneras de seleccionar las 9 preguntas entre las que estn las
dos primeras preguntas

c. 3C1*9C8 = 3 x 9 = 27 maneras de seleccionar la 9 preguntas entre las que est una de las
tres primeras preguntas

d. En este caso debe seleccionar 0 o 1 de las tres primeras preguntas

3C0*9C9 + 3C1*9C8 = (1 x 1) + (3 x 9) = 1 + 27 = 28 maneras de seleccionar las preguntas a


contestar

3.- Una seora desea invitar a cenar a 5 de 11 amigos que tiene, a). Cuntas maneras tiene de
invitarlos?, b). cuntas maneras tiene si entre ellos est una pareja de recin casados y no asisten el
uno sin el otro, c). Cuntas maneras tiene de invitarlos si Rafael y Arturo no se llevan bien y no van
juntos?

Solucin:
a. n = 11, r=5

11C5 = 11! / (11 5 )!5! = 11! / 6!5!


= 11 x 10 x 9 x 8 x 7 x 6! / 6!5!
= 462 maneras de invitarlos

Es decir que se pueden formar 462 grupos de cinco personas para ser invitadas a cenar.

b. Esta seora tiene dos alternativas para hacer la invitacin, la primera es no invitar a la
pareja y la segunda es invitar a la pareja.

66
2C0*9C5 + 2C2*9C3 = (1 x 126) + (1 x 84) = 210 maneras de invitarlos

En este caso separamos a la pareja de los dems invitados para que efectivamente se cumpla el
que no asistan o que asistan a la cena.

c. La seora tiene dos alternativas para hacer la invitacin, una de ellas es que no invitar a
Rafael y a Arturo o que asista solo uno de ellos.

2C0*9C5 + 2C1*9C4 = (1 x 126) + (2 x 126) = 126 + 252 = 378 maneras de hacer la


invitacin

4,- En un plano hay 10 puntos denominados A, B, C, ....,etc. etc., en una misma lnea no hay ms de
dos puntos, a). Cuntas lneas pueden ser trazadas a partir de los puntos?, b). Cuntas de las lneas
no pasan por los puntos A o B?, c). Cuntos tringulos pueden ser trazados a partir de los puntos?,
d). Cuntos de los tringulos contienen el punto A?, e). Cuntos de los tringulos tienen el lado
AB?.

Solucin:

a. En la redaccin del problema se aclara que en una misma lnea no hay ms de dos puntos
debido a que si lo anterior ocurriera no se podra dar contestacin a las preguntas que se hacen.

Una lnea puede ser trazada a partir de cmo mnimo dos puntos por lo tanto,

10C2 = 10! / (10 2)!2! = 10! / 8!2! = 45 lneas que se pueden trazar

b. En este caso excluiremos los puntos A y B y a partir de los ocho puntos restantes se
obtendrn las lneas.

2C0*8C2 = 1 x 28 = 28 lneas que no pasan por los puntos A o B

c. Un tringulo puede ser trazado a partir de tres puntos, luego;

10C3 = 10! / (10 3)!3! = 10! / 7!3! = 120 tringulos posibles de trazar

d. En este caso se separa el punto A de los dems, se selecciona y posteriormente tambin se


seleccionan dos puntos ms.

1C1*9C2 = 1 x 36 = 36 tringulos que contienen el punto A

e. Los puntos A y B forman parte de los tringulos a trazar por lo que;

2C2*8C1 = 1 X 8 = 8 tringulos que contienen el lado AB

67
H) PARTICIONES ORDENADAS.

Se le llama particin ordenada al hecho de repartir n objetos en clulas de una cantidad de x1


objetos, x2 objetos,......y xk objetos.

Para deducir la frmula de particiones ordenadas partiremos de un ejemplo.


Cuntas maneras hay de repartir 10 libros diferentes entre tres alumnos, si al primero le daremos 2,
al segundo 3 y el resto al tercer alumno?
Ejemplos de esta particin seran las siguientes si se numeran los libros del 1 al 10;

2 4
1 2
4 8

3
8
5

10
5
6
1

10
7 9 3 7 9

Solucin:
Lo primero que debemos hacer es seleccionar 2 libros de los 10 que se tienen para el primer alumno,
esto es;

10C2 = 10! / (10 2)!2! = 10! / 8!2! = 45 maneras de seleccionar los libros

Luego se seleccionan 3 libros de los 8 que quedan para el segundo alumno;

8C3 = 8! / (8 3)!3! = 8! / 5!3! = 56 maneras

Y por ltimo se proceder a seleccionar cinco libros de los cinco que quedan para el tercer alumno,
lo que se muestra a continuacin;

5C5 = 5! / (5 5)!5! = 5! / 0!5! = 1 manera

Por tanto el nmero total de particiones ordenadas en clulas de 2, 3 y 5 elementos se determina:

10C2*8C3*5C5 = (10! / (10 2)!2!)*(8! / (8 3)!3!)*(5! / (5 5)!5!) = 10! /2!3!5!

La expresin anterior nos recuerda a la frmula utilizada para encontrar las permutaciones de n
objetos, entre los cuales hay algunos objetos que son iguales, por lo que usaremos la misma frmula
para encontrar las particiones ordenadas.

68
Por tanto la frmula para las particiones ordenadas sera:

n!
nPx1 , x2 .........., xk
x1! x2 !.......xk !

Esta frmula slo puede ser utilizada cuando se reparten todos los objetos, no parte de ellos, en ese
caso se usarn combinaciones.

Donde:

nPx1,x2,.....,xk = Total de particiones ordenadas o reparticiones que es posible hacer cuando los n
objetos son repartidos en grupos de x1 objetos, x2 objetos ...... y xk objetos.

n = x1 + x2 + ......+ xk

Ejemplos:

1).- Cuntas maneras hay de repartir 9 juguetes entre tres nios, si se desea que al primer nio le
toquen 4 juguetes, al segundo 2 y al tercero 3 juguetes?

Solucin:

Por combinaciones,

9C4*5C2*3C3 = 126*10*1= 1260 maneras de repartir los juguetes

Por frmula,
n=9
x1 = 4
x2 = 2
x3 =3

9P4,2,3 = 9! / 4!2!3! = 1,260 maneras de repartir los juguetes

2 Cuntas maneras hay de repartir los mismos 9 juguetes entre tres nios, si se desea darle 3 al
primer nio, 2 al segundo nio y 2 al tercer nio?

Solucin:

En este caso nicamente se puede dar solucin por combinaciones, ya que no es posible usar la
frmula debido a que se reparten solo parte de los juguetes.

9C3*6C2*4C2 = 84*15*6 = 7,560 maneras de repartir los juguetes (solo se reparten 7 y quedan dos
juguetes)

69
3 a). Cuntas maneras hay de que se repartan 14 libros diferentes entre 3 alumnos, si se pretende
que al primer alumno y al segundo les toquen 5 libros a cada uno y al tercero le toque el resto?, b).
Cuntas maneras hay de que se repartan los libros si se desea dar 5 libros al primer alumno, 3 al
segundo y 2 libros al tercer alumno?

Solucin:

Por frmula:

n = 14
x1 = 5
x2 = 5
x3 = 4

14P5,5,4 = 14! / 5!5!4! = 252,252 maneras de repartir los libros en grupos de 5, 5 y 4 libros

Por combinaciones:

14C5*9C3*6C2 = 2,002*84*15 = 2, 522,520 maneras de repartir 10 de los 14 libros en grupos


de 5, 3 y 2 libros

4 a).Cuntas maneras hay de repartir a 12 alumnos en 4 equipos de 3 personas cada uno de ellos
para que realicen prcticas de laboratorio diferentes?, b). Cuntas maneras hay de que se repartan
los 12 alumnos en 4 equipos de 3 personas si se va a realizar una misma prctica?

Solucin:

a. En este caso al ser prcticas de laboratorio diferentes, es posible resolver el problema


por combinaciones o por la frmula, dado que se reparten todos los alumnos

Por frmula:

n = 12
x1 = 3 prctica 1
x2 = 3 prctica 2
x3 = 3 prctica 3
x4 = 3 prctica 4

12P3,3,3,3
= 12! / 3!3!3!3! = 369,600 maneras de repartir a los estudiantes en cuatro equipos de 3
personas para realizar prcticas diferentes

b. En este caso lo ms probable es que se crea que la solucin es igual que la que se ha dado al
inciso a, pero esto no puede ser debido a que si se desea repartir a los alumnos para realizar una
misma prctica, el orden en el que se hace la reparticin no tiene importancia, ya que al equipo de
tres personas les da lo mismo quedar en el primer equipo a quedar en el segundo o tercero, ya que la
prctica a realizar es la misma, entonces la solucin es;

70
12P3,3,3,3
* 1 /4! = 12! / 3!3!3!3! * 1 / 4! = 369,600 / 4! = 15,400 maneras de repartir a los alumnos
en equipos de 3 personas para realizar una misma prctica

Al multiplicar la solucin que se da al inciso a, por 1/4! se est quitando el orden de los grupos, que
en este caso no nos interesa.

I. DIAGRAMA DE ARBOL.

Un diagrama de rbol es una representacin grfica de un experimento que consta de r pasos, donde
cada uno de los pasos tiene un nmero finito de maneras de ser llevado a cabo.

Ejemplos:

1.Un mdico general clasifica a sus pacientes de acuerdo a: su sexo (masculino o femenino), tipo de
sangre (A, B, AB u O) y en cuanto a la presin sangunea (Normal, Alta o Baja). Mediante un
diagrama de rbol diga en cuantas clasificaciones pueden estar los pacientes de este mdico?

N
Solucin: A
A B
N
B A
B
M AB N
A
O B

A
N
F B A
B
AB
B
O A

Si contamos todas las ramas terminales, nos damos cuenta que el nmero de clasificaciones son 2 x
4 x 3 = 24 mismas que podemos enumerar;
MAN, MAA, MAB, MBN, MBA, MBB, etc, etc.

71
2) .- Dos equipos denominados A y B se disputan la final de un partido de baloncesto, aquel
equipo que gane dos juegos seguidos o complete un total de tres juegos ganados ser el que
gane el torneo. Mediante un diagrama de rbol diga de cuantas maneras puede ser ganado
este torneo,

Solucin:

A = gana el equipo A
B = gana el equipo B

A
A
A A
B A
B
B B

A
A A
A
B B B
B
B

En este diagrama se muestran que hay solo diez maneras de que se gane el torneo, que se obtienen
contando las ramas terminales de este diagrama de rbol, las que es posible enumerar;
AA, ABB, ABAA, ABABA, ABABB, etc, etc.

3) Un hombre tiene tiempo de jugar ruleta cinco veces como mximo, l empieza a jugar con un
dlar, apuesta cada vez un dlar y puede ganar o perder en cada juego un dlar, l se va a retirar de
jugar si pierde todo su dinero, si gana tres dlares (esto es si completa un total de cuatro dlares) o si
completa los cinco juegos, mediante un diagrama de rbol, diga cuntas maneras hay de que se
efectu el juego de este hombre.

72
Solucin:
$4 G $4
G $3
$3 G
G P $2
P G$3
$2 P
$1 P $0
$3 G $4
$2 G
$1 G $2
G P $2
G $2
P P
$1 P $1
P $0 P $0
$0
Si contamos las ramas terminales nos daremos cuenta que hay 11 maneras de que este hombre lleve
a cabo sus apuestas, en este diagrama se han representado los cinco juegos o apuestas que este
hombre tiene tiempo de jugar.

73
J) PROBLEMAS PROPUESTOS

1. Si una prueba se compone de 12 preguntas de verdadero-falso, a). de cuantas maneras


diferentes un estudiante puede dar una respuesta para cada pregunta?, b). S de antemano el
maestro le dice que la primera pregunta es verdadera, cuntas maneras tiene de contestar
esta prueba?. a. r=4,096 maneras b. r=2,048 maneras

2. Un fabricante tiene dificultades para obtener registros consistentes de resistencias a la


tensin entre tres mquinas localizadas en la planta de produccin, el laboratorio de
investigacin y el laboratorio de control de calidad , respectivamente, al mismo tiempo hay
cuatro posibles tcnicos Toms, Enrique, Rafael y Javier- quienes operan al menos una de las
mquinas a prueba regularmente, a). Cuntos pares operador-mquina deben incluirse en un
experimento planeado en el que cada operador maneje todas las mquinas?, b). Si se requiere
que cada par operador-mquina pruebe ocho especmenes, cuntos especmenes de prueba se
necesitan para el procedimiento ntegro? Nota: un espcimen se destruye cuando se mide su
resistencia a la tensin.
a. a. r=12 pares b. r=96 especmenes

3. Un inspector de construcciones tiene que revisar el cableado de un nuevo de departamentos,


ya sea el lunes, el martes, mircoles o jueves, a las 8 A. M., a las 10 A. M. o a las 2 P. M. , a).
Cuntas maneras tiene este inspector de hacer las revisiones del cableado?, b). Obtenga las
maneras en que el inspector puede realizar las revisiones del cableado, haciendo uso ahora de
un diagrama de rbol. a y b. r=12 maneras

4. Si los cinco finalistas de un torneo internacional de golf son Espaa, Estados Unidos,
Portugal, Uruguay y Japn, a). Diga de cuantas maneras es posible que se otorgue un primero,
segundo lugar y tercer lugar, b). Considerando que el primer lugar lo gana Portugal y el
segundo lo gana Estados Unidos, cuantas maneras hay de que se otorguen los lugares antes
mencionados?. a. r=60 maneras, b. r=3 maneras

5. Una computadora de propsito especial contiene tres conmutadores, cada uno de los cules
puede instalarse de tres maneras diferentes. De cuantas maneras diferentes puede instalarse
el banco de conmutadores de la computadora? r= 27 maneras

6. De cuantas maneras ordenadas puede programar un director de televisin seis comerciales


en los seis intermedios para comerciales durante la transmisin televisiva del primer tiempo de
un partido de hockey?, si, a). los comerciales son todos diferentes, b). dos de los comerciales
son iguales, c). Si hay cuatro comerciales diferentes, uno de los cuales debe aparecer tres veces,
mientras que cada uno de los otros debe aparecer una sola vez. a. r=720
maneras b. r=360 maneras c. r=120 maneras

7. Determine el nmero de maneras en las que un fabricante puede seleccionar dos de las
quince ubicaciones para un almacn. r=105 maneras

8. Una caja de 12 bateras recargables, contiene una defectuosa, de cuantas maneras un


inspector puede seleccionar tres de las bateras y, a). obtener la defectuosa, b). no obtener la
defectuosa. a. r=55 maneras, b. r=165 maneras

74
9. El departamento de suministros tiene ocho diferentes motores elctricos y cinco diferentes
interruptores de arranque. De cuantas maneras pueden seleccionarse dos motores y dos
conmutadores para un experimento de una antena de rastreo?, r=280 maneras

10. A los participantes de una convencin se les ofrecen 6 recorridos por da para visitar
lugares de inters durante los tres das de duracin del evento. En cuantas formas puede una
persona acomodarse para hacer alguno de ellos? r=18 formas

11. Un determinado zapato se fabrica en 5 estilos diferentes y en 4 colores distintos para cada
uno. Si la zapatera desea mostrar a su clientela pares de zapatos en todos los estilos y colores,
cuntos pares distintos debern colocar en el aparador? r=20

12. Un estudiante de primer ao debe tomar un de ciencia, uno de humanidades y otro de


matemticas. Si puede escoger entre cualquiera de 6 cursos de ciencias, 4 de humanidades y 4
de matemticas, cuntas maneras tiene de seleccionar las materias?
r=96 maneras

13. Un urbanista de una nueva subdivisin ofrece a los clientes prospectos para la compra de
una casa, la posibilidad de seleccionar cualquiera de 4 diseos diferentes, tres sistemas de
calefaccin, cochera con puertas o sin ellas, y patio o prtico, cuntos planes distintos estn
disponibles para el comprador? r= 48 planes

14. Si una prueba de seleccin mltiple consta de 5 preguntas, cada una con 4 posibles
respuestas, de las cuales solo una es correcta, a). En cuntas formas diferentes puede un
estudiante escoger una respuesta para cada pregunta?, b). En cuntas formas puede un
estudiante escoger una alternativa para cada pregunta y tener todas las respuestas
incorrectas? a. r= 1024 b. r=243

15. Un testigo de un accidente de trnsito en el que el causante huy, le indica al polica que el
nmero de matrcula del automvil tena las letras DUH seguidas por tres dgitos, el primero
de los cuales era un cinco. S el testigo no puede recordar los otros dos dgitos, pero est seguro
de que los tres eran diferentes, encuentre el nmero mximo de registros de automvil que
debe verificar la polica. r=72 registros

16. a) De cuantas maneras pueden formarse 6 personas para subir a un autobs?, b).si tres de
ellas insisten en seguirse una a la otra, en cuntas formas es esto posible?,c). Si dos personas
se rehsan a seguirse una a la otra?
a. r=720 b. r=144 c. r=480 maneras

17. a) cuntos nmeros de tres dgitos pueden formarse con los dgitos 0, 1, 2, 3, 4, 5, y 6, si
cada uno solo puede usarse solo una vez?, b) cuntos de estos nmeros son nones?, c)
cuntos son mayores que 330? a. r=180 b. r=75 c. r=105 nmeros

18. En cuntas formas pueden sentarse en una lnea 4 nios y 5 nias, si deben colocarse
alternadamente? r=2880 formas

75
19. Cuatro matrimonios compraron 8 lugares para un concierto. a)En cuntas formas
diferentes pueden sentarse a. sin restricciones?, b). Si se sientan por parejas?, c). Si todos los
hombres se sientan juntos a la izquierda de todas las mujeres?
a. r=40,320 b. r=384 c. r=576

20. Cuntos mens que consisten de sopa, emparedado, postre y un refresco se puede ofrecer
si se puede seleccionar entre 4 sopas diferentes, 3 clases de emparedados, 5 postres y 4
refrescos? r=240 mens

21. En cuntas formas pueden llenarse las 5 posiciones iniciales de un equipo de baloncesto
con 8 jugadores que pueden ocupar cualquiera de ellas? r=6720 formas
59280
22. Se sacan tres boletos de la lotera, de un grupo de 40, para el primero, segundo y tercer
premios. Encuentre el nmero de puntos mustrales en para otorgarlos si cada concursante
conserva solo un boleto. r=59,280 puntos

23. En cuntas formas pueden plantarse, a lo largo de la lnea divisoria de una propiedad, 3
robles, 4 pinos y 2 arces, si no se distingue entre los rboles de la misma clase?
r=1,260 formas

24. Nueve personas salen de viaje para esquiar en tres vehculos cuyas capacidades son de 2, 4
y 5 pasajeros, respectivamente. En cuntas formas es posible transportar a las 9 personas
hasta el albergue con todos los vehculos? r=4,410 formas

25. Cuntas formas hay de seleccionar a 3 candidatos de un total de 8 recin graduados y con
las mismas capacidades para ocupar vacantes en una firma contable?
R=56,,21,,10 formas

26. En un estudio que realizaron en california, el decano Lester Breslow y el doctor James
Enstrom de la School of Public Health de la University of California en los ngeles, se
concluy que al seguir 7 sencillas reglas de salud, la vida de un hombre puede alargarse, en
promedio 11 aos, y la de las mujeres siete. Estas 7 reglas son: no fumar, hacer ejercicio
regularmente, tomar alcohol solo en forma moderada, dormir siete u ocho horas, conservar un
peso apropiado, desayunar y no comer entre alimentos. a). En cuntas formas puede una
persona adoptar cinco de estas reglas, a. si actualmente las viola todas?, b). si nunca toma
bebidas alcohlicas y siempre desayuna?
a. r=21 formas b. r=10 formas

27. Un dispositivo Biomecnica para emergencias mdicas puede operar 0, 1 o 2 veces por
noche. Trace un diagrama de rbol para demostrar que existen 10 maneras diferentes en las
que puede operar para un total de 6 veces en cuatro noches.

76
UNIDAD III. PROBABILIDAD

En ocasiones cuando se habla de probabilidad o posibilidad de que un evento ocurra, se pierde la


credibilidad acerca del evento en cuestin, pero es posible tener siempre la certeza total en todo
proyecto o actividad que se desea realizar?, es muy difcil tenerla, debido a que el llevar a efecto un
proyecto cualquiera por ms simple que este sea, ste est sujeto a una gran diversidad de factores
que afectan su ocurrencia, entonces que es lo ms aconsejable para predecir su ocurrencia?, la
probabilidad es la que nos ayuda en estos casos, ya que basndose en estadsticas, podemos
cuantificar la posibilidad de ocurrencia de los eventos y por consiguiente tomar una buena decisin
basados en esta informacin.

A) CONCEPTO.

La probabilidad se encarga de evaluar todas aquellas actividades en donde se tiene incertidumbre


acerca de los resultados que se pueden esperar, esto quiere decir que la probabilidad est presente
en casi en todas las actividades que se pretenda realizar, ejemplos:
-Cualquier proyecto de Ingeniera o de otras reas
-Competencias deportivas
-Juegos de azar, etc., etc.

Cmo podemos calcular probabilidades?


1. Haciendo uso de las estadsticas.
En este caso, se hace uso de la informacin que se ha acumulado acerca del evento que nos interesa,
y despus de esto se procede a calcular las probabilidades requeridas.

Ejemplo. Determine la probabilidad de que en cierta lnea de produccin se manufacture un


producto defectuoso, si se toma como referencia que la produccin de la ltima semana en esta lnea
fue de 1,500 productos, entre los que se encontraron 18 productos defectuosos.

p(producto defectuoso) = No de productos defectuoso /Total de productos producidos en la semana


= 18 / 1500 = 0.012

Lo anterior nos indica que es muy probable que 1.2 productos de cada 100 que se manufacturen en
esa lnea sern defectuosos.

Porqu se utiliz para calcular las probabilidades la informacin de la semana inmediata anterior?.
Debido a que esta refleja la situacin que guarda actualmente la produccin de la lnea mencionada.

2. Basndose en la experimentacin. Hay casos en los que despus de repetir un nmero muy
grande de veces un experimento, es posible determinar las probabilidades de ocurrencia de algunos
eventos, tales como: La probabilidad de que aparezca guila al lanzar una moneda equilibrada, la
probabilidad de que aparezca el nmero 3 en un dado, etc., etc.

77
Ejemplos:

p(guila) =1/2 = 0.5


p(aparezca el nmero 3)= 1 / 6 = 0.1666

3. Asignando probabilidades. En este caso se hace uso de las probabilidades obtenidas mediante
estadsticas y la experimentacin y se asignan a los eventos previamente descritos y a partir de ellas
se determinan probabilidades de otros eventos.

A continuacin se definen algunas cuestiones implcitas en el clculo de probabilidades.

a) Espacio muestral ().- Es el conjunto de todos los resultados posibles de un experimento. Es


nuestro Universo.

Ejemplos:
1. Se lanza al aire un dado normal (perfectamente equilibrado), enumere los posibles resultados de
este experimento.

= 1, 2, 3, 4, 5, 6

2. Se lanza al aire dos veces una moneda normal, defina su espacio muestral.

= AA, AS, SA, SS

b) Evento A.- El evento A es un subconjunto del espacio muestral.

Ejemplos:

1. Sea A el evento de que aparezca un nmero par en el lanzamiento de un dado, entonces;

A = 2,4,6
2. Sea B el evento de que aparezcan dos guilas en tres lanzamientos de una moneda normal,
entonces;

Como = AAA, AAS, SAA, ASA, ASS, SAS, SSA, SSS

Luego B = AAS, SAA, ASA

a) a) Sea un evento que carece de elementos.

Como se observa los experimentos y eventos probabilsticos se pueden expresar con la notacin de
conjuntos y a continuacin se enumeran algunas operaciones que es posible realizar con los eventos.

78
1) AB Es el evento que ocurre si y solo s A ocurre o B ocurre o ambos ocurren.


A B A B
AB

AB = + +
AB = A B
+

2) AB Es el evento que ocurre s y solo s A y B ocurren a un mismo tiempo es decir la


insercin de dos eventos.


A B AB =
AB

3) Ac Es el complemento de A. Es el evento que ocurre s y solo s A no ocurre.


A
Ac

4).Se dice que A y B son eventos mutuamente excluyentes o exclusivos si AB =


B
A

5). Diferencia de dos eventos es el conjunto de resultados de un evento dado que no pertenece a otro
evento dado. El operador de la diferencia es el signo menos (-)

79
Ejemplo:
En un auditorio de la Fac. hay 15 alumnos, 7 de los cules son de tercer ao, 5 son de cuarto ao y 3
son de quinto ao de la carrera de Ingeniera Mecnica, de los cuales 4, 2 y 1 respectivamente
dominan el Ingls, si se selecciona un alumno al azar de este grupo, a). Cul es la probabilidad de
que el alumno seleccionado sea de quinto semestre?, b). Cul es la probabilidad de que sea de
tercero o cuarto semestre?, c). Cul es la probabilidad de que el alumno seleccionado sea de tercer
semestre y domine el ingls?, d). Cul es la probabilidad de que el alumno seleccionado no domine
el ingls?, e). Diga si los eventos T y Q son mutuamente excluyentes, diga si los eventos Q e I son
mutuamente excluyentes?

Solucin:
Empezaremos por definir algunos eventos;

T = evento de que un alumno sea de tercer ao


Cu = evento de que un alumno sea de cuarto ao
Q = evento de que un alumno sea de quinto ao
I = evento de que un alumno domine el ingls

a. p(alumno seleccionado sea de quinto ao) = p(Q) = 3/15 = 0.2

b. p(alumno seleccionado sea de tercero o cuarto ao)= p(T Cu) =

= p( T) + p(Cu) = 7/15 + 5/15 = 12/15 = 0.8

c. p(alumno sea de tercer ao y domine el ingls) = p(T I) = 4/15 = 0.26667

d. p(alumno seleccionado no domine el ingls) = p(Ic ) = 8/15 = 0.53333

e. Los eventos T y Q son mutuamente excluyentes dado que TQ =

Los eventos Q e I no son eventos mutuamente excluyentes, ya que QI= 1

Ya que hay un alumno que cumple con ambos eventos, es de quinto ao y domina el ingls.

B) AXIOMAS Y TEOREMAS.

Para el clculo de probabilidades hay que tomar en cuenta los Axiomas y Teoremas que a
continuacin se enumeran.

1).- La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno.

0 p(A) 1

2).- La probabilidad de que ocurra el espacio muestral debe de ser 1.

80
p() = 1

3).- Si A y B son eventos mutuamente excluyentes, entonces la p(AB) = p(A) + p(B)

Generalizando:

Si se tienen n eventos mutuamente excluyentes o exclusivos A1, A2, A3,.....An, entonces;

p(A1A2.........An) = p(A1) + p(A2) + .......+ p(An)

TEOREMAS

TEOREMA 1. Si es un evento nulo o vaco, entonces la probabilidad de que ocurra debe ser
cero.

p()=0 A

DEMOSTRACIN:
Si sumamos a un evento A cualquiera, como y A son dos eventos mutuamente excluyentes,
entonces p(A)=p(A) +p()=p(A). LQQD

TEOREMA 2. La probabilidad del complemento de A, Ac debe ser, p(Ac)= 1 p(A)

Ac

DEMOSTRACIN:
Si el espacio muestral, se divide en dos eventos mutuamente exclusivos, A y Ac luego =AAc,
por tanto p()=p(A) + p(Ac) y como en el axioma dos se afirma que p()=1, por tanto, p(Ac)= 1 -
p(A) .LQQD

TEOREMA 3. Si un evento A B, entonces la p(A) p(B).

B\A
81
DEMOSTRACIN:
Si separamos el evento B en dos eventos mutuamente excluyentes, A y B \ A (B menos A), por
tanto, B=A(B \ A) y p(B)=p(A) +p(B \ A), luego entonces si p(B \ A)0 entonces se cumple que
p(A)p(B). LQQD
EOREMA 4. La p( A \ B )= p(A) p(AB)

A B

A\B AB

DEMOSTRACIN: Si A y B son dos eventos cualquiera, entonces el evento A se puede separar


en dos eventos mutuamente excluyentes, (A \ B) y AB, por tanto, A=(A \ B)(AB), luego
p(A)=p(A \ B) + p(AB), entonces, p(A \ B) = p(A) p(AB). LQQD

TEOREMA 5. Para dos eventos A y B, p(AB)=p(A) + p(B) p(AB).

A B

AB

DEMOSTRACIN:
Si AB = (A \ B) B, donde (A \ B) y B son eventos mutuamente excluyentes, por lo que p(A
B) = p(A \ B) + p(B) y del teorema anterior tomamos que p(A \ B) = p(A) p(AB), por tanto,
p(AB) = p(A) + p(B) p(AB). LQQD

COROLARIO:

Para tres eventos A, B y C, p(ABC) = p(A) + p(B) + p(C) p(AB) p(AC) (BC) +
p(ABC).
AC
ABC

A B

AC BC

82
C) ESPACIOS FINITOS DE PROBABILIDAD.

Sea el espacio muestral, que contiene n elementos a1, a2, a3,.....,an, si a cada uno de los
elementos de le asignamos una probabilidad pi 0, entonces estamos transformando este espacio
muestral en un espacio finito de probabilidad; el que debe cumplir con las siguientes caractersticas:

1) Las probabilidades asociadas a cada uno de los elementos de deben ser


mayores o iguales a cero, pi0.
2) La sumatoria de las probabilidades asociadas a cada uno de los elementos de
debe de ser igual a 1.
pi = 1

En caso de que no se cumpla con las caractersticas antes mencionadas, entonces no se trata de un
espacio finito de probabilidad.

Ejemplos:
1. Se lanza al aire un dado normal, si la probabilidad de que aparezca una de sus caras es
proporcional al nmero que ostenta, a) cul es la probabilidad de que aparezca un nmero par?, b)
cul es la probabilidad de que aparezca un nmero primo?

Solucin:

= 1, 2, 3, 4, 5, 6

En este caso asignaremos las probabilidades como sigue;

p(aparezca el nmero 1) = p, p(aparezca el nmero 2) = 2p, .....,


p(aparezca el nmero 5) = 5p, p(aparezca el nmero 6) = 6p
Y por ser un espacio finito de probabilidad, entonces,

p() = p + 2p + 3p + 4p + 5p + 6p =1

Por tanto, 21p = 1, luego, p = 1/21

a. a. Luego;

A = evento de que aparezca un nmero par = 2, 4, 6

p(A)=p(2)+p(4) + p(6) = 2p + 4p + 6p = 12p = 12(1/21) = 12/21= 0.5714

b. b. B = es el evento de que aparezca un nmero primo = 1, 2, 3, 5

p(B)=p(1) + p(2) + p(3) + p(5) = p + 2p + 3p + 5p = 11p = 11(1/21) = 11/21 = 0.5238

83
2. En una competencia de nado sincronizado, participan los equipos de Ecuador, Mxico y
Venezuela, Mxico tiene el triple de posibilidades de ganar que Ecuador, mientras que Venezuela
tiene un tercio menos de posibilidades de ganar que ecuador, a). Determine la probabilidad de que
gane Venezuela, b). Determine la probabilidad de que gane Ecuador o Venezuela, c). Determine la
probabilidad de que no gane Mxico.

Solucin:

= Ecuador, Mxico Venezuela

Por ser un espacio finito de probabilidad, p() = 1, luego,

P() = p(gane Ecuador) + p(gane Mxico) + p(gane Venezuela) = p + 3p + 2/3p=1

Como 14/3p = 1, luego p = 3/14

a. p(gane Venezuela) = 2/3 p = 2/3*3/14 = 2/14 = 1/7 = 0.14285

b. p(gane Venezuela o Ecuador)=p(gane Venezuela)+p(gane Ecuador)=

p(gane Venezuela o Ecuador)= 2/3p + p = 5/3 p = 5/3*3/14 =5/14 = 0.35714

c. p(no gane Mxico) = p(gane Venezuela o Ecuador) = 1 p(gane Mxico) = 1 3p =


= 1 3(3/14) = 1 9/14 = 5/14 = 0.35714

3. En una competencia de ciclismo participan A, B y C, A tiene el doble de posibilidades de ganar


que B y B el doble que C, a). Determine la probabilidad de que gane B, b). Determine la
probabilidad de que gane A o B.

Solucin:

= A, B, C, y por ser un espacio finito de probabilidad,

p() = p( gane A) + p(gane B) + p(gane C) = 4p + 2p + p = 1

Como 7p = 1, luego, p = 1/7

a. a. p(gane B) = 2p = 2(1/7) = 2/7 = 0.28571

b. b. p(gane A o B) = 4p + 2p = 6p = 6(1/7) = 6/7 = 0.85714

D) ESPACIOS FINITOS EQUIPROBABLES

Sea un espacio muestral que contiene n elementos, = a1, a2, a3,....,an, si a cada uno de los
elementos de le asignamos una probabilidad igual de ocurrencia, pi = 1/n por tener n elementos ,

84
entonces estamos transformando este espacio muestral en un espacio finito equiprobable, el que
debe cumplir con las siguientes condiciones:

1. Las probabilidades asociadas a cada uno de los elementos del espacio muestral deben
ser mayores o iguales a cero, pi 0.

2. La sumatoria de las probabilidades asociadas a cada elemento del espacio muestral


debe de ser igual a 1.

pi = 1

En caso de que no se cumpla con las condiciones anteriores, entonces no se trata de un espacio finito
equiprobable.
Solo en el caso de espacios finitos equiprobables, si deseamos determinar la probabilidad de que
ocurra un evento A cualquiera, entonces;

p(A) = r*1/n = r/n

p(A) = maneras de ocurrir el evento A/ Nmero de elementos del espacio muestral

r = maneras de que ocurra el evento A


1/n = probabilidad asociada a cada uno de los elementos del espacio muestral
n = nmero de elementos del espacio muestral

Ejemplos:

1.- Se lanza al aire una moneda normal (una moneda perfectamente equilibrada) tres veces,
determine la probabilidad de que: a). Aparezcan puros sellos, b). Aparezcan dos guilas, c).
Aparezcan por lo menos dos guilas.

Solucin:

Para calcular las probabilidades de este problema, hay que definir el espacio muestral en
cuestin; si representamos los tres lanzamientos de la moneda mediante un diagrama de rbol,
encontraremos que el espacio muestral o el conjunto de todos los resultados posibles es:

= AAA, ASS, SAS, SSA, AAS, SAA, ASA, SSS

a. A = evento de que aparezcan puros sellos = SSS

p(A) = p(aparezcan puros sellos) = p(SSS) = 1/8 = 0.125


Porqu un octavo?, s el espacio muestral consta de 8 elementos como se ha observado,
entonces la probabilidad asociada a cada uno de los elementos del espacio muestral es de 1/8,
por ser un espacio finito equiprobable ya que cada uno de los elementos mostrados tiene la
misma probabilidad de ocurrencia.

85
b. B = evento de que aparezcan dos guilas = AAS, SAA, ASA
p(B) = p(aparezcan dos guilas) = p(AAS, SAA, ASA) = 1/8 + 1/8 + 1/8 = 3/8 = 0.375

c. C = evento de que aparezcan por lo menos dos guilas = AAS, SAA, ASA, AAA

p(C) = p(AAS, SAA, ASA, AAA)=p(aparezcan dos guilas) + p(aparezcan tres guilas)

p(C) = 4/8 = 1/2 = 0.5

2.- En un lote de produccin que consta de 20 computadoras personales de cierta marca, se ha


detectado que 5 tienen defectos de tipo operacional. 1).- Si se selecciona al azar una computadora,
a). Determine la probabilidad de que la computadora seleccionada tenga defectos de tipo
operacional, b). Cul es la probabilidad de que no tenga defectos de tipo operacional? 2).- Si se
seleccionan al azar 4 computadoras de este lote, determine la probabilidad de que: a). Solo tres
tengan defectos de tipo operacional, b). Por lo menos dos tengan defectos de tipo operacional, c).
Como mximo una tenga defectos de tipo operacional.

Solucin:

Para el punto 2.1, cuando se selecciona de un lote un solo elemento, entonces el espacio muestral
est compuesto de entes unitarios, que son cada una de las computadoras,

= 20 computadoras

a. A = evento de que una computadora tenga defectos de tipo operacional

p(A) = 5/20 = 0.25

b. B = evento de que una computadora no tenga defectos de tipo operacional

p(B) = 1 - p(A) = 1 0.25 = 0.75

2.1.- Al seleccionar del lote ms de una computadora, el espacio muestral ya no estar compuesto
por entes unitarios, estar formado por todos los grupos que se puedan formar de 4 computadoras
seleccionadas de entre 20 que se tienen,

20C4 = 4,845 maneras de seleccionar las cuatro computadoras al azar

Dicho de otra forma seran 4,845 muestras de cuatro computadoras, entre estas muestras hay algunas
que contienen puras computadoras defectuosas o puras sin defectos y otras muestras que tienen una
mezcla de computadoras con defectos y sin defectos.

a. C = evento de que tres de las computadoras seleccionadas tengan defectos de tipo


operacional

86
C = 4C3*16C1 = 4*16 = 64 muestras de cuatro computadoras que contienen tres
defectuosas

p(C) = 64/ = 64/4,845 = 0.013209

b. D = evento de que dos o ms computadoras tengan defectos de tipo operacional

D = 2 con defectos, 3 con defectos o 4 con defectos

D = 4C2*16C2 + 4C3*16C1 + 4C4*16C0 = 6*120 + 4*16 + 1 = 720 + 64 + 1 = 785

El evento D consta de 785 muestras, en las que por lo menos dos de las cuatro computadoras
seleccionadas tienen defectos.

p(D) = nmero de elementos del evento D/ nmero de elementos del espacio muestral

p(D) = 785/ = 785/4,845 = 0.162022

c. E = evento de que como mximo una de las computadoras seleccionadas tenga defectos
de tipo operacional

E = 0 con defectos o 1 con defectos

E = 4C0*16C4 + 4C1*16C3 = 1*1,820 + 4*560 = 1820 + 2240 = 4,060 muestras

El evento E contiene 4,060 muestras que contienen una o ninguna computadora defectuosa,
por lo que;

p(E) = 4,060/ = 4,060/4,845 = 0.83797

2.2.- Porqu utilizar combinaciones para obtener la probabilidad en lugar de permutaciones?, en


este caso no se habla de algn orden para seleccionar las computadoras es el motivo por el cual se
usaron combinaciones, pero si decimos que se toman cuatro computadoras del lote y se pregunta,
cul es la probabilidad de que la primera y segunda computadora seleccionada tengan defectos de
tipo operativo y que la tercera y cuarta no tengan defecto alguno?

En este caso el espacio muestral se determina haciendo uso de permutaciones ya que se trata de una
prueba ordenada; como se observa a continuacin:

= 20P4 = 20!/(20 4)! = 20!/16! = 116,280 maneras de seleccionar cuatro computadoras una
tras otra

F = evento de que la primera y segunda computadora tengan defectos y que la tercera y cuarta
no tengan defectos

87
F = 4P2*16P2 = 4 x 3 x 16 x 15 = 2,880 muestras en donde la primera y segunda computadora
tienen defectos y la tercera y cuarta no tienen defectos

p(F) = 2,880/116,280 = 0.024767

3.- Se seleccionan dos nmeros al azar de entre los dgitos del 1 al 9, a). Determine la probabilidad
de que ambos nmeros seleccionados sean pares, b). Determine la probabilidad de que ambos
nmeros sean impares.

Solucin:

Para obtener el espacio muestral de este problema podemos hacer uso de un diagrama de rbol en
donde se represente la seleccin del primer nmero y luego la del segundo nmero, encontrndose
que los pares de nmeros a elegir seran 36, como se muestran a continuacin.

(1,2) (2,3) (3,4) (4,5) (5,6) (6,7) (7,8) (8,9)


(1,3) (2,4) (3,5) (4,6) (5,7) (6,8) (7,9)
= (1,4) (2,5) (3,6) (4,7) (5,8) (6,9)
(1,5) (2,6) (3,7) (4,8) (5,9)
(1,6) (2,7) (3,8) (4,9)
(1,7) (2,8) (3,9)
(1,8) (2,9)
(1,9)

a. Definiendo un evento A = evento de que los dos nmeros seleccionados sean pares

Luego, A = (2,4, (2,6), (2,8), (4,6), (4,8), (6,8)


p(A) = 6/36 = 1/6 = 0.1667

b. B = evento de que los dos nmeros seleccionados sean impares

Luego, B = (1,3), (1,5), (1,7), (1,9), (3,5), (3,7), (3,9), (5,7), (5,9), (7,9)

p(B) = 10/36 = 5/18 = 0.2778

Otra forma de resolver este problema es haciendo uso de combinaciones, donde;

= 9C2 = 36 maneras de seleccionar los dos nmeros

a. A = seleccin de dos nmeros de entre (2, 4, 6 y 8), 4C2 = 6 maneras de seleccionar dos
nmeros pares

88
p(A) = 4C2/9C2 = 6/36 = 1/6 = 0.1667

b. B = seleccin de dos nmeros impares, se seleccionan de entra (1, 3, 5, 7 y 9), 5C2 = 10


maneras de hacer la seleccin

p(B) = 10/36 = 5/18 = 0.2778

4.- Dada la siguiente tabla referente a la produccin de flechas para camin de carga pesada; se
inspeccionan 200 flechas del tipo A y B, 300 del tipo C y 400 del tipo D, a continuacin se
presentan los resultados obtenidos en la inspeccin:

TIPO DE FLECHA
DEFECTO A B C D TOTAL
I 54 23 40 15 132
II 28 12 14 5 59
S-DEF 118 165 246 380 909
TOTAL 200 200 300 400 1100

Se selecciona una flecha al azar de las inspeccionadas, determine la probabilidad de que: a). La
flecha seleccionada sea del tipo B, b). La flecha seleccionada no tenga defectos, c). La flecha
seleccionada tenga defectos del tipo II, d). La flecha seleccionada tenga cualquier tipo de defecto.

Solucin:

a. p( flecha sea tipo B) = 200/1,100 = 0.18182

b. p(flecha no tenga defectos) = 909/1,100 = 0.82636

c. p(flecha con defectos del tipo II) = 59/1,100 = 0.05363

d. p(flecha tenga cualquier tipo de defecto) = p(def tipo I) + p(def tipo II) =

= 132/1,100 + 59/1,100 = (132 +59)/1,100 = 191/1,100 = 0.17364

5.- Se disean placas para automvil que consten de tres letras seguidas de cuatro dgitos, las letras
se toman del abecedario y los nmeros de los dgitos del 0 al 9, no se repiten letras y nmeros, si se
selecciona una placa al azar de las que se han diseado, determine la probabilidad de que: a). La
placa empiece por la letra D, b). La placa empiece por la letra D seguida de E, c). La placa termine
por el nmero 4, d). La placa termine por el nmero 43, e). Si a un trnsito se le ha dado a la fuga un

89
infractor, y recuerda que las placas empiezan por la letra E y terminan por el nmero 9cuntas
placas tendr que revisar el trnsito?, l alcanz a ver que no se repetan letras y nmeros, determine
tambin la probabilidad de que encuentre al infractor.

Solucin:

El espacio muestral ser:

= 26P3*10P4 = 26 x 25 x 24 x 10 x 9 x 8 x 7 = 78, 624,000 placas

El espacio muestral est formado por todas las placas que es posible disear,

a).- A = evento de que una placa empiece por la letra D

A = 1*25P2*10P4 = 1 x 25 x 24 x 10 x 9 x 8 x 7 = 3,024,000 placas

p(A) = 3,024,000/78,624,000 = 0.03846

b).- B = evento de que la placa empiece por la letra D seguida de la E

B = 1 x 1 x 24 x 10P4 = 1 x 1 x 24 x 10 x 9 x 8 x 7 = 120,960 plaas

p(B) = 120,960/78,624,000 = 0.0015385

c).- C = evento de que la placa termine por el nmero cuatro


C = 26P3*9P3*1 = 26 x 25 x 24 x 9 x 8 x 7 x 1= 7,862,400 plaas

p(C) = 7,862,400/78,624,000 = 0.10

d).- D = evento de que la placa termine por el nmero 43

D = 26P3*8P2 x 1 x 1 = 26 x 25 x 24 x 8 x 7 x 1 x 1 = 873,600 placas

p(D) = 873,600/78,624,000 = 0.01111

e).- E = evento de infractor la comienza con E y termine por el nmero 9

E = 1*25P2*9P1 x 1 = 1 x 25 x 24 x 9 x 8 x 7 x 1 = 302,400 placas

p(E) = 302,400/78,624,000 = 0.03846

90
6.-Se lanza al aire un dado normal dos veces, a). cul es la probabilidad de que la suma de los
nmeros que aparecen sea de por lo menos siete?, b). cul es la probabilidad de que la suma de los
nmeros que aparecen sea mayor de siete?, c). cul es la probabilidad de que la suma de los
nmeros que aparecen sea de cmo mximo cinco?, d). cul es la probabilidad de que en el primer
lanzamiento aparezca el nmero tres?

Solucin:

a. Lo primero que hay que hacer es definir el espacio muestral correspondiente, si


hacemos uso de un diagrama de rbol en donde representemos el primer lanzamiento
del dado y luego su segundo lanzamiento y obtendremos lo siguiente:

(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)


(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
= (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
(1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

Como se observa, = 36 elementos cada uno de los cuales tiene la misma probabilidad de
ocurrir, por lo que;

a. A = evento de que la suma de los nmeros que aparecen sea de por lo menos siete

A = 21 elementos que son los que suman siete o ms

(6,1)
(5,2) (6,2)
A = (4,3) (5,3) (6,3)
(3,4) (4,4) (5,4) (6,4)
(2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

p(A) = 21/36 = 0.58333

b. B = evento de que la suma de los nmeros que aparecen sea mayor de siete

B = 15 elementos, que son los que suman ms de siete, 8 o ms

(6,2)
(5,3) (6,3)
B= (4,4) (5,4) (6,4)
(3,5) (4,5) (5,5) (6,5)
(2,6) (3,6) (4,6) (5,6) (6,6)

p(B) = 15/36 = 0.41667

91
c. C = evento de que la suma de los nmeros que aparecen sea de cmo mximo cinco

C = 10 elementos, los que suman 5 o menos

(1,1) (2,1) (3,1) (4,1)


C = (1,2) (2,2) (3,2)
(1,3) (2,3)
(1,4)

p(C) = 10/36 = 5/18 = 0.27778

d. D = evento de que en el primer lanzamiento aparezca el nmero tres

D = (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)

p(D) = 6/36 = 1/6 = 0.16667

E) PROBABILIDAD CONDICIONAL

Sea un espacio muestral en donde se ha definido un evento E, donde p(E)0, si deseamos


determinar la probabilidad de que ocurra un evento A (el que tambin es definido en el mismo
espacio muestral), dado que E ya ocurri, entonces deseamos determinar una probabilidad de tipo
condicional, la que se determina como se muestra;

p( A E )
p( A | E )
p( E )

Donde: A
AE
p(AE) = probabilidad de que ocurra A dado que E ya ocurri
p(AE) = probabilidad de que ocurra A y E a un mismo tiempo
p(E) = probabilidad de que ocurra E

Luego;

A E
P( A E )

E
P( E )

92
Por tanto:

A E
P( A | E )
E

Donde:

AE= nmero de elementos comunes a los eventos A y E


E= nmero de elementos del evento E
Luego entonces podemos usar cualquiera de las dos frmulas para calcular la probabilidad
condicional de A dado que E ya ocurri.

Ejemplos:
1. Se lanza al aire dos dados normales, si la suma de los nmeros que aparecen es de por lo menos
siete, a). Determine la probabilidad de que en el segundo dado aparezca el nmero cuatro, b).
Determine la probabilidad de que ambos nmeros sean pares, c). Determine la probabilidad de que
en el primer dado aparezca el nmero dos.

Solucin:
El espacio muestral es el mismo que cuando se lanza un dado dos veces y se muestra a
continuacin;

(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)


(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
= (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
(1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

a. Para calcular una probabilidad condicional es necesario definir los eventos A y E,


siendo estos,

A = evento de que en el segundo dado aparezca el nmero cuatro,


E = evento de que la suma de los nmeros que aparecen sea de por lo menos siete, (que es
que es el evento que est condicionando)

E = 21 elementos, los que suman siete o ms

(6,1)
(5,2) (6,2)
E = (4,3) (5,3) (6,3)
(3,4) (4,4) (5,4) (6,4)
(2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

93
A = 6 elementos, los que en el segundo dado aparece el cuatro

A = (1,4) (2,4) (3,4) (4,4) (5,4) (6,4)

Luego,

AE = (3,4) (4,4) (5,4) (6,4), AE= 4 elementos

Por tanto;

p(AE) = AE/ E= 4/21 = 0.19048

b. E = evento de que la suma de los nmeros que aparecen sea de por lo menos siete

(6,1)
(5,2) (6,2)
E = (4,3) (5,3) (6,3)
(3,4) (4,4) (5,4) (6,4)
(2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

A = evento de que ambos nmeros sean pares

(2,2) (4,2) (6,2)


A = (2,4) (4,4) (6,4)
(2,6) (4,6) (6,6)

(6,2)
AE = (4,4) (6,4) AE= 6 elementos
(2,6) (4,6) (6,6)

c. E = evento de que la suma de los nmeros que aparecen sea de por lo menos siete

(6,1)
(5,2) (6,2)
E = (4,3) (5,3) (6,3)

94
(3,4) (4,4) (5,4) (6,4)
(2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

A = evento de que en el primer dado aparezca el nmero dos

(2,1)
(2,2)
A = (2,3)
(2,4)
(2,5)
(2,6)
AE = (2,5) (2,6), AE= 2 elemento

P(AE) = AE/E
= 2/21
= 0.09523

2.- Se seleccionan al azar dos nmeros de entre los nmeros del 1 al 9, si la suma de los nmeros
que aparecen es par, a). Determine la probabilidad de que ambos nmeros sean pares, b). Determine
la probabilidad de que ambos nmeros sean impares.

Solucin:

= 9C2 = 36 maneras de seleccionar dos nmeros de entre nueve que se tienen

(1,2)
(1,3) (2,3)
(1,4) (2,4) (3,4)
= (1,5) (2,5) (3,5) (4,5)
(1,6) (2,6) (3,6) (4,6) (5,6)
(1,7) (2,7) (3,7) (4,7) (5,7) (6,7)
(1,8) (2,8) (3,8) (4,8) (5,8) (6,8) (7,8)
(1,9) (2,9) (3,9) (4,9) (5,9) (6,9) (7,9) (8,9)

a. E = evento de que la suma de los nmeros que se seleccionan sea par

95
(1,3)
(2,4)
E = (1,5) (3,5)
(2,6) (4,6)
(1,3) (3,7) (5,7)
(2,8) (4,8) (6,8)
(1,9) (3,9) (5,9) (7,9)

E = 16 elementos

A = evento de que ambos nmeros sean pares

(2,4)
A = (2,6) (4,6)
(2,8) (4,8) (6,8)

A = 6 elementos

(2,4)
AE = (2,6) (4,6)
(2,8) (4,8) (6,8)

AE = 6 elementos, p(AE) = AE/ E= 6/16 = 0.375

b. E = evento de que la suma de los nmeros seleccionados es par

(1,3)
(2,4)
E = (1,5) (3,5)
(2,6) (4,6)
(1,3) (3,7) (5,7)
(2,8) (4,8) (6,8)
(1,9) (3,9) (5,9) (7,9)

A = evento de que ambos nmeros sean impares

(1,3)
A = (1,5) (3,5)
(1,7) (3,7) (5,7)
(1,9) (3,9) (5,9) (7,9)

A = 10 elementos,

96
(1,3)
AE = (1,5) (3,5)
(1,7) (3,7) (5,7)
(1,9) (3,9) (5,9) (7,9)

AE= 10 elementos; p(AE)= AE/ E= 10/16 = 0.625

Este ejercicio tambin puede ser resuelto haciendo uso de las combinaciones; el espacio
muestral puede ser definido;

= 9C2 = 36 maneras de seleccionar los dos nmeros

a. E = evento de que la suma de los nmeros seleccionados sea par

Para que la suma de dos nmeros sea par, forzosamente ambos deben ser pares o impares,
por tanto,

E = seleccin de dos nmeros pares o de dos impares = 4C2 + 5C2

A = evento de que ambos nmeros sean pares

A = 4C2

AE = 4C2 = 6 maneras de seleccionar dos nmeros pares

AE= 6 elementos

p(AE) = AE/E= 6/16 = 0.375

b. E = evento de que la suma de los nmeros seleccionados sea par

E = 4C2 + 5C2 = 16 maneras de seleccionar dos nmeros de entre nueve

A = evento de que ambos nmeros sean impares

A = 5C2 = 10 maneras de seleccionar dos nmeros impares

AE= 5C2 = 10

p(AE= AE/E= 10/16 = 0.625

97
3. Dada la siguiente tabla referente a la produccin de flechas para camin de carga pesada; se
inspeccionan 200 flechas del tipo A y B, 300 del tipo C y 400 del tipo D, a continuacin se
presentan los resultados obtenidos en la inspeccin;

TIPO FLECHA
DEFECTO A B C D TOTAL
I 54 23 40 15 132
II 28 12 14 5 59
S - DEF 118 165 246 380 909
TOTAL 200 200 300 400 1100

a).-Si se selecciona una flecha al azar y resulta que es una flecha del tipo B, cul es la probabilidad
de que no tenga defectos, b). Si la flecha seleccionada es del tipo C, cul es la probabilidad de que
tenga defectos del tipo II?, c). Si la flecha seleccionada tiene defectos del tipo I, cul es la
probabilidad de que sea del tipo A, d). cul es la probabilidad de que una flecha no tenga defectos?,
e). cul es la probabilidad de que una flecha tenga defectos?

Solucin:

a. Definiremos los eventos;

E = evento de que la flecha seleccionada sea del tipo B = 200 elementos o flechas

A = evento de que la flecha seleccionada no tenga defectos = 909 flechas o elementos

AE = 165 elementos del tipo B y que no tienen defectos

p(AE) = AE/E= 165/200 = 0.825

a. E = evento de que la flecha sea del tipo C =300 flechas

A = evento de que la flecha tenga defectos del tipo II =59 flechas

AE = 14 flechas del tipo C y que tienen defectos del II

p(AE) =AE/E= 14/300 = 0.04667

b. E = evento de que la flecha tenga defectos del tipo I = 132 flechas

A = evento de que la flecha sea del tipo A = 200 flechas

98
AE = 54 flechas con defectos del tipo I y del tipo A

p(AE) = AE/E= 54 / 132 = 0.40901

d. En este caso se trata de una probabilidad simple, ya que no hay un evento que est
condicionando al evento del cual se desea determinar su probabilidad

D = evento de que una flecha no tenga defectos = 909 flechas

= 1100 flechas

p(D) = 909/1100 = 0.82636

c. d. F = evento de que una flecha tenga defectos = 132 + 59 = 191 flechas

= 1100 flechas

p(F) = 191 / 1100 = 0.17364

4. Una pareja de recin casa dos ha decidido formar una familia de solo tres hijos, a). Determine la
probabilidad de que tenga puros hijos varones, b). cul es la probabilidad de que tenga como
mximo un hijo varn, c). Cul es la probabilidad de que su segundo hijo sea varn, d). Si esta
familia tiene por lo menos una hija, cul es la probabilidad de que el segundo hijo sea varn?, e). Si
esta familia tiene como mximo un hijo varn, cul es la probabilidad de que tenga puras hijas?

Solucin:

Lo primero que hay que obtener para resolver este problema es el espacio muestral, para lo cual nos
podemos ayudar con un diagrama de rbol en donde representemos uno tras otro el nacimiento de
cada uno de sus hijos, en donde solo consideraremos partos de un solo beb, no mltiples y se
considera que existe la misma probabilidad de que nazca un varn o una nia.

Y el espacio muestral obtenido es:


H = nio
M = nia

= HHH, HHM, HMH, MHH, HMM, MHM, MMH, MMM

a. A = evento de que la familia tenga puros hijos varones

A = HHH

p(A) = 1/8 = 0.125

b. B = evento de que la familia tenga como mximo un hijo varn

99
B = ningn hijo varn o un hijo varn= MMM, HMM, MHM, MMH

p(B) = 4/8 = 1/2 =0.5

c. C = evento de que el segundo hijo de la familia sea varn


C = HHH, HHM, MHH, MHM

P(C) = 4/8 =1/2 = 0.5

d. Como en este caso se trata de calcular una probabilidad de tipo condicional, se requiere
definir dos eventos, el evento E que es el que condiciona y el evento A;
E = evento de que la familia tenga por lo menos una hija
E = tenga una o ms hijas

E = HHM, HMH, MHH, HMM, MHM, MMH, MMM= 7 elementos

A = evento de que el segundo hijo sea varn

A = HHH, HHM, MHH, MHM

AE = HHM, MHH, MHM = 3 elementos

Luego;

p(AE) = AE/E= 3/7 = 0.42857

e. E = evento de que la familia tenga como mximo un hijo varn


A = evento de que la familia tenga puras hijas

E = MMM, MHM, MMH, HMM= 4 elementos

A = MMM

AE = MMM = 1 elemento

P(AE) = AE/E= 1/4 = 0.25

5. Segn las estadsticas, la probabilidad de que un auto que llega a cierta gasolinera cargue gasolina
es de 0.79, mientras que la probabilidad de que ponga aceite al motor es de 0.11 y la probabilidad de
que ponga gasolina y aceite al motor es de 0.06, a). S un auto carga gasolina, cul es la
probabilidad de que ponga aceite?, b). S un auto pone aceite al motor, cul es la probabilidad de
que ponga gasolina?

Solucin:

a. E = evento de que un auto cargue gasolina

100
b. p(E) = 0.79

A = evento de que un auto ponga aceite al motor

P(A) = 0.11

AE = evento de que un auto ponga gasolina y aceite

p(AE) = 0.06

p(AE) = p(AE)/p(E) = 0.06/ 0.79 = 0.075

c. E = evento de que un auto ponga aceite al motor

P(E) = 0.11

A = evento de que un auto ponga gasolina

P(A) = 0.79

AE = evento de que un auto ponga aceite al motor y ponga gasolina

P(AE) = 0.06

P(AE) = p(AE)/ p(E) = 0.06/0.11 = 0.5454

6.- La probabilidad de que un auto de carreras cargue gasolina en cierto circuito en la primera media
hora de recorrido es de 0.58, la probabilidad de que cambie de neumticos en esa primera media
hora de recorrido es de 0.16, la probabilidad de que cargue gasolina y cambie de neumticos en la
primera media hora de recorrido es de 0.05, a). Cul es la probabilidad de que cargue gasolina o
cambie de neumticos en la primera media hora de recorrido?, b). Cul es la probabilidad de que no
cargue combustible y de neumticos en la primera media hora de recorrido, c). Si el auto cambia de
neumticos en la primera media hora de recorrido, cul es la probabilidad de que cargue
combustible tambin?, d). Si el auto carga combustible en la primera media hora de recorrido, cul
es la probabilidad de que cambie de neumticos tambin?

Solucin:

a. A = evento de que cargue gasolina en la primera media hora de recorrido

P(A) = 0.58

B = evento de que cambie de neumticos en la primera hora de recorrido

P(B) = 0.16

101
AB = evento de que cargue combustible y cambie de neumticos en la primera
hora de recorrido

P(AB) = 0.05

P(cargue gasolina o cambie de neumticos) = p(AB) = p(A) + p(B) p(AB) =


0.58 + 0.16 0.05 = 0.69

b. p( no cargue combustible y no cambie de neumticos) = 1 p(AB) = 1 0.69 =


0.31

c E = evento de que el auto cambie de neumticos en la primera media hora de


recorrido

A = evento de que el auto cargue combustible en la primera media hora de


recorrido

p(AE) = p(AE)/ p(E) = 0.05/0.16 = 0.3125

d. E = evento de que el auto cargue combustible en la primera media hora de


recorrido

A = es el evento de que el auto cambie de neumticos en la primera media hora de


recorrido

p(AE) = p(AE)/p(E) = 0.05/0.58 = 0.08621

F) TEOREMA DE LA MULTIPLICACIN PARA PROBABILIDAD CONDICIONAL.

Tomando como referencia la frmula de probabilidad condicional,

p( A E )
p( A | E )
p( E )

despejando,

p(AE) = p(E)p(AE) Teorema de la multiplicacin para probabilidad condicional

donde:

p(AE) = probabilidad de que ocurran A y E

p(E) = probabilidad de que ocurra E

102
p(AE) = probabilidad de que ocurra el evento A dado que el evento E ya ocurri

Ejemplos:

1. En un lote de produccin hay 25 productos, 5 de los cuales tienen defectos menores y 9 tienen
defectos mayores, si se toman de este lote tres productos uno tras otro, determine la probabilidad de
que: a). El primer producto no tenga defectos y que el segundo y tercero tengan defectos mayores,
b). El primer producto tenga defectos menores, el segundo tenga defectos mayores y que el tercero
no tenga defectos, c). El primer producto y el tercero no tengan defectos.

Solucin:

a. Definiremos algunos eventos;

B1 = evento de que el primer producto seleccionado no tenga defectos

DM2 = evento de que el segundo producto seleccionado tenga defectos mayores

DM3 = evento de que el tercer producto seleccionado tenga defectos mayores

p(B1DM2DM3) = p(B1)p(DM2B1)p(DM3B1DM2)

=(11/25)*(9/24)*(8/23)

= 0.44*0.375*0.347826

= 0.05739

b. Dm1= evento de que el primer producto seleccionado tenga defectos menores

DM2 = evento de que el segundo producto seleccionado tenga defectos mayores

B3 = evento de que el tercer producto seleccionado no tenga defectos

P(Dm1DM2B3) = p(Dm1)p(DM2Dm1)p(B3Dm1DM2)

= (5/25)*(9/24)*(11/23)=

= 0.2*0.375*0.4782608= 0.03587

c. B1 = evento de que el primer producto seleccionado no tenga defectos

B2 = evento de que el segundo producto seleccionado no tenga defectos

Dm2 = evento de que el segundo producto seleccionado tenga defectos menores

DM2 = evento de que el segundo producto seleccionado tenga defectos mayores

B3 = evento de que el tercer producto seleccionado no tenga defectos

103
En este caso como no se especifica de que tipo debe ser el segundo producto, se considera
que este puede ser no defectuoso, con defectos menores o con defectos mayores; por lo
tanto;

p(B1B2B3) + p(B1Dm2B3) + p(B1DM2B3)

= p(B1)p(B2B1)p(B3B1B2) + P(B1)p(Dm2B1)p(B3B1Dm2) +
p(B1)p(DM2B1)p(B3B1DM2)

=(11/25)*(10/24)*(9/23) + (11/25)*(5/24)*(10/23) + (11/25)*(9/24)*(10/23)

=(0.44)(0.41666)(0.39130) + (0.44)(0.20833)(0.43478) + (0.44)(0.375)(0.43478)

= 0.07173 + 0.03985 + 0.07174

= 0.18332

2. Doce personas (6 mujeres, 4 hombres y dos nios) realizan un paseo en un pequeo autobs, al
llegar a cierto lugar, bajan del autobs cuatro personas una tras otra, determine la probabilidad de
que; a). La primera y segunda persona que bajen sean mujeres, el tercero sea un nio y por ltimo
baje un hombre, b). Que baje un nio, luego un hombre, luego otro nio y por ltimo que baje una
mujer, c). Que baje una mujer, luego un hombre, despus otra mujer y por ltimo otro hombre.

Solucin:

a. M1 = evento de que baje del autobs primero una mujer

M2 = evento de que baje en segundo lugar una mujer

N3 = evento de que baje en tercer lugar un nio

H4 = evento de que baje en cuarto lugar un hombre

P(M1M2N3H4) = p(M1)p(M2M1)p(N3M1M2)p(H4M1M2N3) =

= (6/12)*(5/11)*(2/10)*(4/9)

= 240/11,880 = 0.0202

b. N1 = evento de que baje en primer lugar un nio

H2 = evento de que baje en segundo lugar un hombre

N3 = evento de que baje en tercer lugar un nio

104
M4 = evento de que baje en cuarto lugar una mujer

p(N1H2N3M4) = p(N1)p(H2N1)p(N3N1H2)p(M4N1H2N3) =

= (2/12)*(4/11)*(1/10)*(6/9)

= 48/11,880

= 0.00404

c. M1 = evento de que baje en primer lugar una mujer

H2 = evento de que baje en segundo lugar un hombre

M3 = evento de que en tercer lugar baje una mujer

H4 = evento de que en cuarto lugar baje un hombre

p(M1H2M3H4) = p(M1)p(H2M1)p(M3M1H2)p(H4M1H2M3)

= (6/12)*(4/11)*(5/10)*(3/9)

= 360/11,880

= 0.0303

g ) PROCESOS ESTOCASTICOS.

Un proceso estocstico es aquel en el que se representan todos y cada uno de los pasos necesarios
para realizar una actividad, adems de las formas o maneras en que cada uno de los pasos puede ser
llevado a efecto y sus respectivas probabilidades, dicho de otra manera, cualquier proceso en el que
se involucren probabilidades es un proceso estocstico.

Ejemplos:

1. - En un lote de autos usados, el 25% son de la marca Ford, el 45% son Chevrolet y el 30% son
Chrysler, de los cuales, 2 de cada 8 autos Ford son estndar, 1 de cada 10 autos Chevrolet son
estndar y 2 de cada 10 autos Chrysler son tambin estndar, un cliente compra un auto de este lote,
a). Cul es la probabilidad de que el auto seleccionado por el cliente sea estndar?, b). Cul es la
probabilidad de que haya seleccionado un auto Chevrolet estndar?, c). Cul es la probabilidad de
que el auto seleccionado sea Ford o Chrysler automtico?

Solucin:

a. Haciendo uso de un diagrama de rbol como se muestra, se facilita hacer el clculo de


probabilidades

105
S 2/8
F

25% A 6/8
S 1/10
45% CH

A 9/10
30% S 2/10
Chr

A 8/10

P(seleccionar un auto estndar) = p(seleccionar un Chevrolet o Chrysler o Ford


estndar) = p(ChS) + p(ChrS) + p(FS)

= p(Ch)p(SCh) + p(Chr)p(SChr) + p(F)p(SF)

= 0.45*1/10 + 0.30*2/10 + 0.25*2/8

= 0.045 + 0.06 + 0.0625

= 0.1675

b. p(seleccionar un Chevrolet estndar) = 0.45*1/10 = 0.045

c. p(seleccionar un Ford o Chrysler automtico) = p(FA) + p(ChrA)

= p(F)p(AF) + p(Chr)p(AChr)

= 0.25*6/8 + 0.30*8/10

= 0.1875 + 0.24 = =0.4275

2.- En un lote de produccin se tienen 150 artculos, de los cuales 30 son del tipo A, 60 del tipo B y
60 del tipo C, de los que el 15% de los productos del tipo A, 20% de los productos del tipo B y 5%
de los productos del tipo C, no cumplen con las especificaciones, si se selecciona un producto de
este lote al azar, a). Determine la probabilidad de que el producto seleccionado no cumpla con las
especificaciones, b). Si el producto seleccionado no cumple con las especificaciones, cul es la
probabilidad de que sea un producto del tipo B?, c). Cul es la probabilidad de que un producto
cumpla con las especificaciones y sea del tipo B?

Solucin:

Haciendo uso de un diagrama de rbol como en el caso anterior, procederemos a dar solucin
al problema en cuestin;

106
NC 15%
A

30/150 C 85%

60/150 B NC 20%

C 80%
60/150
C NC 5%

C 95%

a. p(producto seleccionado no cumpla con las especificaciones) = 30/150*0.15 +


60/150*0.20 + 60/150*0.05

= 0.03 + 0.08 + 0.02

= 0.13

b. E = evento de que el producto seleccionado no cumpla con las especificaciones

B = evento de que el producto seleccionado sea del tipo B

p(BE) = p(BE)/p(E) = (60/150*0.20)/0.13 = 0.08/0.13= 0.6153

c. p(cumpla con las especificaciones y sea del tipo B) = 60/150*0.8 = 0.32

3.-En una urna se tienen 10 esferas blancas, 5 verdes y 2 azules, se extraen de la urna dos esferas
una tras otra, sin reemplazo, a). Determine la probabilidad de que la segunda esfera extrada sea
verde, b). Cul es la probabilidad de que ambas esferas sean blancas, c). Si la segunda esfera es
verde, cul es la probabilidad de que la primera sea blanca?

Solucin:

107
9 B 9/16
B 5 V 5/16

10/17 2 A 2/16
10 B 10/16
5 V 10

5/17 5 V 4/16

2 2 A 2/16
10 B 10/16
A 5 V 5/16

2/17 1 A 1/16

Primera esfera segunda esfera

a. p(segunda esfera sea verde) = p(B)p(VB) + p(V)p(VV) + p(A)p(VA) =

= 10/17*5/16 + 5/17*4/16 + 2/17*5/16 =

= 50/272 + 20/272 + 10/272

= 80/272

=0.29412

b. p(ambas esferas sean blancas) = 10/17*9/16 = 90/272 = 0.33088

c. E = evento de que la segunda esfera seleccionada sea verde

B = evento de que la primera esfera sea blanca

P(BE) = p(BE)/p(E)

= (10/17*5/16)/80/272

=(50/272)/(80/272)

= 0.40

H) TEOREMA DE BAYES

Sea un espacio muestral que est formado por los eventos A1, A2, A3,.....,An mutuamente
excluyentes, luego,

= A1A2A3.....An

108

A1
A3

B
A2
A4 An

Luego si ocurre un evento B definido en , observamos que;

B = B = (A1A2A3.....An)B = (A1B)(A2B)(A3B).....(AnB)

Donde cada uno de los eventos AiB son eventos mutuamente excluyentes, por lo que

p(B) = p(A1B) + p(A2B) + p(A3B) +......+ p(AnB)

y como la p(AiB) = p(Ai)p(BAi) , o sea que la probabilidad de que ocurra el evento Ai y el


evento B es igual al teorema de la multiplicacin para probabilidad condicional, luego;

p(B) = p(A1)p(BA1) + p(A2)p(BA2) + p(A3)p(BA3) + p(An)p(BAn)

Si deseamos calcular la probabilidad de que ocurra un evento Ai dado que B ya ocurri,


entonces;

p( Ai B ) p( Ai ) p( BAi )
P( Ai | B )
p( B ) p( A1 ) p( BA1 ) p( A2 ) p( BA2 ) .... p( An ) p( BAn )

La expresin anterior es el teorema de Bayes, que como se observa es una simple probabilidad
condicional.

Ejemplos:

1.- Tres mquinas denominadas A, B y C, producen un 43%, 26% y 31% de la produccin total de
una empresa respectivamente, se ha detectado que un 8%, 2% y 1.6% del producto manufacturado
por estas mquinas es defectuoso, a). Se selecciona un producto al azar y se encuentra que es
defectuoso, cul es la probabilidad de que el producto haya sido fabricado en la mquina B?, b). Si
el producto seleccionado resulta que no es defectuoso, cul es la probabilidad de que haya sido
fabricado en la mquina C?

Solucin:

Para resolver este problema nos ayudaremos con un diagrama de rbol;

109
8% D
43% A
92% ND

26% B 2% D

98% ND

31% C 1.6% D

98.4% ND

a. Definiremos los eventos;

D = evento de que el producto seleccionado sea defectuoso (evento que condiciona)

A = evento de que el producto sea fabricado en la mquina A

B = evento de que el producto sea fabricado por la mquina B

C = evento de que el producto sea fabricado por la mquina C

P(BD) = p(BD)/p(D) = p(B)p(DB)/p(A)p(DA) + p(B)p(DB) +


p(C)p(DC)

P(BD) = (0.26*0.02)/(0.43*0.08 + 0.26*0.02 + 0.31*0.016)

= 0.0052/0.04456

=0.116697

b. ND = evento de que el producto seleccionado no sea defectuoso (evento que condiciona)

A = evento de que el producto sea fabricado en la mquina A

B = evento de que el producto sea fabricado por la mquina B

C = evento de que el producto sea fabricado por la mquina C

P(CND)=p(CND)/p(ND)=p(C)p(NDC)/p(A)p(NDA) + p(B)p(NDB) +
p(C)p(NDC)

= 0.31*0.984/(0.43*0.92 + 0.26*0.98 + 0.31*0.984)

110
= 0.30504/0.95544

=0.31927

2.- Una empresa recibe visitantes en sus instalaciones y los hospeda en cualquiera de tres hoteles de
la ciudad; Palacio del Sol, Sicomoros o Fiesta Inn, en una proporcin de 18.5%, 32% y 49.5%
respectivamente, de los cuales se ha tenido informacin de que se les ha dado un mal servicio en un
2.8%, 1% y 4% respectivamente, a). Si se selecciona a un visitante al azar cul es la probabilidad
de que no se le haya dado un mal servicio?, b). Si se selecciona a un visitante al azar y se encuentra
que l no se quej del servicio prestado, cul es la probabilidad de que se haya hospedado en el
Palacio del Sol?, c). Si el visitante seleccionado se quej del servicio prestado, cul es la
probabilidad de que se haya hospedado en e hotel Fiesta Inn?

Solucin: Haciendo uso de un diagrama de rbol;

2.8% Q

18.5% PS

97.2% NQ

1.0% Q

32% S

99.0% NQ

4.0% Q
49.5% FI

96.0% NQ

I) INDEPENDENCIA

Se dice que un evento B es independiente de un evento A, si p(BA) = p(B), esto quiere decir que la
probabilidad de que ocurra B no es afectada por la ocurrencia del evento A, la expresin anterior se
puede sustituir en el teorema de la multiplicacin para probabilidad condicional,

p(AB) = p(A)p(BA) = p(A)p(B)

111
Luego,

p(AB) = p(A)p(B) Concepto de independencia

Si la expresin anterior se cumple, podemos decir que los eventos A y B son


independientes.

Ejemplos:

Pruebas repetidas e independientes.

Sea el espacio muestral del lanzamiento de una moneda tres veces,

= AAA, AAS, ASA, ASS, SAS, SAA, SSA, SSS

Donde cada uno de los elementos de este espacio muestral est formado por tres pruebas repetidas e
independientes que son los tres lanzamientos de la moneda, si deseamos determinar la probabilidad
de cada uno de los elementos, nos encontraremos con lo siguiente;

p(AAA)=p(A1A2A3)=p(A1)p(A2A1)p(A3A1A2)=p(A)p(A)p(A) =1/2*1/2*1/2=1/8

p(AAS) = p(A)p(A)p(S) =1/2*1/2*1/2 =1/8

p(ASA) = p(A)p(S)p(A) = 1/2*1/2*1/2 = 1/8

etc, etc.

Con lo anterior se comprueba que efectivamente la probabilidad de cada uno de los elementos del
espacio muestral descrito anteriormente es de 1/8 como se consideraba cuando se calculaban
probabilidades para un espacio finito equiprobable.

Ejemplos:

1.- Un equipo de ftbol soccer tiene una probabilidad de ganar de 0.6, una probabilidad de empatar
de 0.3 y una probabilidad de perder de 0.1, si este equipo participa en dos juegos la semana prxima,
determine la probabilidad de que; a). Gane el segundo juego, b). Gane ambos juegos, c). Gane uno
de los juegos, d). Gane el primer juego y empate el segundo.

112
0.6G

0.6 G 0.3 E
0.1 P
0.3 E 0.6 G
0.3 E
0.1 0.1 P
P
0.6G

0.3 E

0.1 P

El espacio muestral sera:

= GG, GE, GP, EG, EE, EP, PG, PE, PP

Por lo que:

a. p(gane el segundo juego) = p(GG, EG, PG) = (0.6)(0.6) + (0.3)(0.6) + (0.1)(0.6) =

= 0.36 + 0.18 + 0.06 = 0.6

b. p(gane ambos juegos) = p(GG) = (0.6)(0.6) = 0.36

c. p(gane uno de los juegos) = p(GE, GP, EG, PG) = (0.6)(0.3) + (0.6)(0.1) + (0.3)(0.6) +
(0.1)(0.6)

= 0.18 + 0.06 + 0.18 + 0.06 = 0.48

d. p(gane el primero y empate el segundo) = p(GE) = (0.6)(0.3) = 0.18

2. Un boxeador gana 8 de cada 10 peleas en las que compite, si este boxeador participar en
tres peleas en los prximos seis meses, determine la probabilidad de que; a). Gane dos de las peleas,
b). Si gana dos de las peleas, cul es la probabilidad de que sean la primera y tercera peleas?, c).
Gane la segunda pelea.

113
0.8 G

0.8 G 0.2 P

8/10 = 0.8 G 0.2 P 0.8 G

0.2 P
0.2 P 0.8G
0.2 P
0.2 P 0.8 G
0.8 G

0.2 P

Del diagrama anterior obtenemos el siguiente espacio muestral;

=GGG. GGP, GPG, GPP, PGG, PGP, PPG, PPP

a. p(gane dos de las peleas) = p(GGP, GPG, PGG) = (0.8)(0.8)(0.2) + (0.8)(0.2)(0.8) +


(0.2)(0.8)(0.8) = 0.128 + 0.128 + 0.128 = 0.384

b. E = evento de que gane dos peleas

E = GGP, GPG, PGG , p(E) = 0.384

A = evento de que gane la primera y la tercer pelea

A=GGG, GPG

AB = GPG, p(AB) = (0.8)(0.2)(0.8) =0.128

P(AE) = p(AE) / p(E) = 0.128/0.384= 0.3333

c. p(gane la segunda pelea) = p(GGG, GGP, PGG, PGP) = (0.8)(0.8)(0.8) + (0.8)(0.8)(0.2) +


(0.2)(0.8)(0.8) + (0.2)(0.8)(0.2) = 0.512 + 0.128 + 0.128 + 0.032= 0.8

3. Tres hombres tiran a un blanco, A tiene 1/3 de posibilidades de acertar al blanco, B tiene 1/2 de
posibilidades de acertar y C tiene 1/4 de posibilidades de pegar al blanco, si cada uno de ellos hace
un solo disparo, determine la probabilidad de que; a). Solo uno de ellos acierte al blanco, b). Si solo
uno de ellos acierta al blanco, cul es la probabilidad de que acierte A?, c). Determine la
probabilidad de que ninguno acierte al blanco.

114
Solucin:

Haciendo uso de un diagrama de rbol se obtiene el siguiente espacio muestral;

={ABC, ABC`, AB`C, AB`C`, A`BC, A`BC`, A`B`C, A`B`C`}

donde: A = acierta A, A`= no acierta A, B = acierta B, B`= no acierta B, etc., etc.

p(solo uno de ellos acierte al blanco) = p(AB`C`, A`BC`, A`B`C) = 1/3*1/2*3/4 +


2/3*1/2*3/4 + 2/3*1/2*1/4 = 3/24 + 6/24 + 2/24 = 11/24 = 0.45833

a. E = evento de que solo uno de ellos acierte al blanco

E = {AB`C`, A`BC`, A`B`C}; p(E) =11/24

A = evento de que A acierte al blanco = { ABC, ABC`, AB`C, AB`C`}

AE = { AB`C`} = 1/3*1/2*3/4 = 3/24

p(AE)= p(AE)/p(E) = (3/24)/(11/24) = 3/11 = 0.27273

b. p(ninguno acierte al blanco) = p(ABC) = 2/3*1/2*3/4 = 6/24 = 0.25

115
J) PROBLEMAS PROPUESTOS

1. Si las probabilidades de que, en condiciones de garanta, un automvil nuevo requiera


reparaciones del motor, la transmisin o ambos, son 0.87, 0.36 y 0.29,cul es la probabilidad de
que un auto requiera uno o el otro o ambos tipos de reparacin durante el perodo de garanta?

r=0.94

3. Una agencia de renta de automviles cuenta con 18 autos compactos y 12 autos de tamao
mediano. Si se seleccionan aleatoriamente cuatro de los automviles para una inspeccin de
seguridad, que probabilidad hay de obtener dos de cada tipo?

r=0.368

4. En un grupo de 160 estudiantes graduados de ingeniera, 92 se inscriben en un curso avanzado


de estadstica, 63 en un curso de investigacin de operaciones; y 40 en ambos. Cuntos de estos
estudiantes no se inscriben en ningn curso?

r=45

5. Si A y B son eventos mutuamente excluyentes, p(A)= 0.29 y p(B)=0.43, determine, a). p(A),
b). p(AB), c). p(AB), d). P(AB).

r= a.0.71 b.0.72 c.0.29 d.0.28

6. Un departamento de polica necesita nuevos neumticos para sus patrullas, y existen 0.17,
0.22, 0.03, 0.29, 0.21 y 0.08 de probabilidades de que adquiera neumticos de las siguientes
marcas: Uniroyal, Goodyear, Michelin, General, Goodrich o Armstrong. Determine las
probabilidades de que compre, a). neumticos Goodrich o Goodyear, b). neumticos Uniroyal,
General o Goodrich, c). neumticos Michelin o Armstrong, d). neumticos Goodyear, General o
Armstrong.

r=a. 0.43 b. 0.67 c. 0.11 d. 0.59

7. La probabilidad de que el chip de un circuito integrado tenga un grabado defectuoso es de


0.12, la probabilidad de que tenga un defecto de cuarteadura es de 0.29 y la probabilidad de que
tenga ambos defectos es de 0.07. a). Qu probabilidad hay de que un chip de fabricacin
reciente tenga ya sea un defecto de grabado o de cuarteadura?, b). Qu probabilidad hay de que
un chip de fabricacin reciente no tenga ninguno de tales defectos?

r=a.0.34 b.0.66

8. Las probabilidades de que una estacin de Televisin reciba 0, 1, 2, 3, 4, ...........,8 o al menos


9 quejas tras la emisin de un controvertido programa son, respectivamente, 0.01, 0.03, 0.07,
0.15, 0.19, 0.18, 0.14, 0.12, 0.09 y 0.02. Qu probabilidades hay de que despus de trasmitir ese
programa la estacin reciba a). como mximo 4 quejas, b). al manos 6 quejas, c). de 5 a 8 quejas.
R=a. 0.45 b. 0.37 c. 0.55

116
9. La probabilidad de que un nuevo aeropuerto obtenga un premio por su diseo es de 0.16, la
probabilidad de que obtenga un premio por su eficiente uso de materiales es de 0.24 y la
probabilidad de que obtenga ambos premios es de 0.11. a). Cul es la probabilidad de que
obtenga al menos uno de los dos premios?, b). Cul es la probabilidad de que obtenga solo uno
de los dos premios?.

r=a.0.29 b.0.18

10. Si la probabilidad de que un sistema de comunicacin tenga alta fidelidad es de 0.81 y la


probabilidad de que tenga alta fidelidad y alta selectividad es de 0.18. Cul es la probabilidad
de que un sistema con alta fidelidad, tenga alta selectividad?

r=2/9

11. Si la probabilidad de que un proyecto de investigacin sea correctamente planeado es de


0.80 y la probabilidad de que sea planeado y correctamente ejecutado es de 0.72, qu
probabilidad hay de que un proyecto de investigacin correctamente planeado, sea
correctamente ejecutado? r=0.90

12. Entre 60 partes de refaccin automotriz cargadas en un camin en San Francisco, 45 tienen a
Seattle por destino y 15 a Vancouver. Si dos de las partes se descargan por error en Prtland y la
seleccin es aleatoria, qu probabilidades hay de que a). Ambas partes debieran de haber
llegado a Seattle, b). Ambas partes debieran de haber llegado a Vancouver, c). una debiera haber
llegado a Seattle y la otra a Vancouver.

r=a.33/59 b. 7/118 c.45/118

13. En una planta electrnica, se sabe por experiencia que la probabilidad de que un obrero de
nuevo ingreso que haya asistido al programa de capacitacin de la compaa, cumpla la cuota de
produccin es de 0.86 y que la probabilidad correspondiente de un obrero de nuevo ingreso que
no ha asistido a dicho curso de capacitacin es de 0.35. Si 80% de la totalidad de los obreros de
nuevo ingreso asisten al curso de capacitacin, qu probabilidad existe de que un trabajador de
nuevo ingreso cumpla la cuota de produccin?

r=0.758

14. Una empresa consultora renta automviles de tres agencias, 20% de la agencia D, 20% de la
agencia E y 60% de la agencia F. Si 10% de los autos de D, 12% de los autos de E y 4% de los
autos de F tienen neumticos en mal estado, cul es la probabilidad de que la empresa reciba un
auto con neumticos en mal estado?

r=0.068

15. Si cada artculo codificado en un catlogo empieza con tres letras distintas y continua con 4
dgitos distintos de cero, encuentre la probabilidad de seleccionar aleatoriamente uno de los que
empieza con la letra a y tiene un par como ltimo dgito.

R= 10/117

117
16. La probabilidad de que una industria estadounidense se ubique en Munich es de 0.7, de que
se localice en Bruselas de 0.4, y de que se ubique ya sea en Bruselas o en Munich, o en ambas es
de 0.8.Cul es la probabilidad de que la industria se localice a). en ambas ciudades?, b). en
ninguna de ellas r=a. 0.3 b. 0.2

17. Con base en experiencias pasadas, un corredor de bolsa considera que bajo las condiciones
econmicas actuales un cliente invertir con una probabilidad de 0.6 en bonos libres de
impuesto, en fondos mutualistas con una probabilidad de 0.3 y en ambos instrumentos con una
probabilidad de 0.15. En este momento, encuentre la probabilidad de que el cliente invierta a).
ya sea en bonos libres de impuesto o en fondos mutualistas, b). en ninguno de los dos
instrumentos. r=a. 0.75 b.0.25

18. Para parejas de casados que viven en una cierta ciudad de los suburbios, la probabilidad de
que el esposo vote en alguna eleccin es de 0.21, la de que su esposa lo haga , es de 0.28 y la de
que ambos voten, de 0.15. Cul es la probabilidad de que a). al menos un miembro de la pareja
vote?, b). vote una esposa dado que su esposo lo hace?, c). vote un esposo, dado que su esposa
no lo hace?

r=a.0.34 b.5/7 c.1/12

19. La probabilidad de que un mdico diagnostique correctamente una enfermedad en particular


es de 0.7. Dado que realice un diagnstico incorrecto, la probabilidad de que el paciente levante
una demanda es de 0.9. Cul es la probabilidad de que el mdico realice un diagnstico
incorrecto y de que el paciente lo demande?

r=0.27

20. Un pueblo tiene dos carros de bomberos que operan independientemente. La probabilidad de
que un vehculo especfico est disponible cuando se necesite es de 0.96. a). Cul es la
probabilidad de que ninguno est disponible en caso necesario?, b). Cul es la probabilidad de
que alguno lo est cuando se le necesite?

r=a.0.0016 b.0.9984

21. La probabilidad de que Tom sobreviva 20 aos ms es de 0.7 y la de que Nancy lo haga de
0.9. S se supone independencia para ambos, cual es la probabilidad de que ninguno sobreviva
20 aos?

r= 0.03

22. Una valija contiene 2 frascos de aspirinas y tres de tabletas para la tiroides. Una segunda
valija contiene 3 de aspirinas, 2 de tabletas para la tiroides y 1 de tabletas laxantes. S se toma un
frasco aleatoriamente de cada valija de equipaje, encuentre la probabilidad de que; a). ambos
frascos contengan tabletas para la tiroides, b). ningn frasco contenga tabletas para la tiroides;
c). los dos frascos contengan diferentes tabletas.

118
r= a.1/5 b.4/15 c. 3/5

23. La probabilidad de que una persona que visita a su dentista requiera de una placa de rayos X
es de 0.6, la de que una persona a la que se le toma una placa de rayos X tambin tenga un tapn
de 0.3; y la de que a una persona que se le toma una placa de rayos X y que tiene un tapn, tenga
tambin un diente extrado, de 0.01. Cul es la probabilidad de que a una persona que visita a
un dentista se le tome una placa radiogrfica, presente un tapn y se le haya extrado un diente?
r= 0.018

119
UNIDAD IV. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS.

Entre las distribuciones discretas a tratar en este caso estn:

1. VARIABLES ALEATORIAS
2. Binomial
3. Multinomial
4. Hipergeomtrica
5. Hipergeomtrica generalizada
6. Poisson
7. Aproximacin de Poisson a la Binomial
8. Geomtrica
9. Binomial Negativa

VARIABLES ALEATORIAS

La variable que tiene resultados o valores que tienden a variar de observacin en observacin debido a los
factores relacionados con el azar, recibe el nombre de variable aleatoria. Es muy conveniente, dada su
importancia practica, definir una variable aleatoria asociada con una muestra o experimento, de tal manera
que sus resultados posibles sean numricos. Por ejemplo, el experimento de tirar la moneda una sola vez
tiene dos posibles resultados, A y S*, los cuales no son numricos. De otra manera "numero de caras
de una tirada" se considerara como la variable aleatoria que tiene como posibles valores numricos 0 y
1. Por la misma razn, nuestra variable aleatoria podra ser "el numero de guilas en una tirada". En el
caso de una moneda que se tira dos veces al aire, la variable aleatoria podra ser "el numero de
guilas en dos tiradas", y tener como posibles resultados 0, 1,2

Una variable aleatoria es una funcin valorada numricamente, cuyo valor est regido por
factores en los que interviene el azar.

Las variables aleatorias pueden ser discretas o continuas.

Una variable aleatoria se considera discreta si los valores que asume se pueden contar.

Como ejemplos representativos de variables aleatorias discretas se encuentran el nmero de


accidentes que ocurren durante una semana, numero de defectos de los zapatos, cantidad de
cosechas perdidas, nmero de terremotos, nmero de juegos perdidos por inasistencia y la
cantidad de libros que hay en un estante.

Una variable aleatoria se considera continua si puede asumir cualquier valor dentro de un
determinado intervalo.

Una variable continua tiene un nmero infinito de valores posibles. Como ejemplos tpicos
tenemos: peso de las cajas de naranjas, altura de los pinos, duracin de una conversacin
telefnica y el tiempo que se requiere para llevar a cabo un examen de tipo ensayo.
La diferencia que existe entre variables aleatorias discretas y continuas es muy importante, debido
a que los diferentes modelos de probabilidad (distribuciones) se utilizan segn el tipo de variable
aleatoria en consideracin

120
Valor esperado de una variable aleatoria
Si una variable aleatoria x asume los valores X1, X2, X3, . . . ,Xn con las probabilidades
correspondientes P1, P2, P3, . . . ,Pn entonces el valor esperado de la variable aleatoria E(x) es

P1X1 + P2X2 + P3X3 + + PnXn por lo tanto E(x) =

Supngase que una tienda de aparatos electrodomsticos ha reunido los siguientes datos sobre ventas
de congeladores:

.Xi
Cantidad de P(x)
congeladores vendidos Frecuencia relativa
0 0.20
1 0.30
2 0.30
3 0.15
4 0.05
1.00
E ( x ) = 0.20 (0) + 0.30 (1) + 0.30 (2) + 0.15 (3) + 0.05 (4) = 1.55

Como es obviamente la tienda no puede vender en realidad 1.55 congeladores en un da determinado (dado
que la cantidad vendida es una variable discreta que consta de lo| enteros 0, 1, 2, 3 y 4), la pregunta
obvia es cmo interpretar dicha cifra. Es muy simple el valor esperado es un promedio de largo plazo.
En forma semejante, si se lira un dado no cargado, cul es el valor esperado de una tirada? Hay seis
resultados que tienen la misma probabilidad, y el valor esperado es

1/6 (1) +1/6 (2) +1/6 (3) +1/6 (4) + 1/6 (5) + 1/6 (6) = 3.5

Una vez mas, 3.5 es un evento imposible en lo referente a una sola tirada, pero ciertamente es
razonable en trminos de un promedio calculado sobre muchas pruebas.

El valor esperado de un experimento es un promedio, y se puede calcular como sigue

n
E ( x ) pi xi
i 1

Es interesante observar que el valor esperado se puede calcular aun cuando no se hayan llevado a cabo
observaciones mustrales, como en el caso del dado, y el valor esperado se puede estimar a partir de
datos de muestreo, como en el ejemplo de las ventas de congeladores.

121
Ejemplo 1 Un inversionista se da cuenta de que tiene una probabilidad de 0.40 de obtener una utilidad de
$25 000, y una probabilidad de 0.60 de perder $15 000 en una inversin. Su ganancia esperada es

0.40 (25 000) + 0.60 ( - 15 000) = $1 000

Obsrvese que la prdida de $15 000 tiene el signo menos.

Ejemplo 2 Un contratista hace las siguientes estimaciones:

Probabilidad Tiempo de terminacin


0.30 10 das
0.20 15 das
0.50 22 das

El nmero esperado de das para la terminacin del proyecto, segn estas estimaciones, es

0.30(10) + 0 .20(15) + 0.50(22) = 17 das

Los clculos de valor esperado pueden comprender el numero de ocurrencias, como: el numero de
errores cantidad de productos defectuosos, nmero de accidentes, etc., as como determinados resultados
financieros, como utilidades, prdidas o ganancias, rendimientos de inversin, etc.

Sumas de variables aleatorias

Existe cierto nmero de situaciones en las que se deseara considerar una variable aleatoria que sea por si
misma la suma de dos o ms variables aleatorias. En estos casos se debe poder determinar la media
y la desviacin estndar respecto a la variable aleatoria resultante. Supngase que se tienen dos
variables aleatorias, x, y, y que se conoce la media y la desviacin estndar de cada una. A partir de
esta informacin, se puede determinar la media y la desviacin estndar de la suma de las dos
variables aleatorias. Si para x se tiene /i, y a,, y para y, ft,y y ay, entonces para x + y se tiene

x y x y y x y x2 y2

Ntese que las desviaciones estndar nunca se suman, solamente se pueden sumar las variancias.
Por tanto, para encontrar la variancia del total, se suman las variancias. Posteriormente se saca la
raz cuadrada de la variancia total si se quiere obtener la desviacin estndar del total. Por ejemplo,
se conectaran dos tramos de tubera, que provienen de una distribucin que tiene una media de 10.0
pies y una desviacin estndar de 3 pies. Es posible calcular la media y la desviacin estndar de
dicha seccin

x y 10 x y 3
x y x y = 10 + 10 = 20 x y x2 y2 = 32 32 4.24

122
Si se hubiera querido unir cuatro tramos de tubera, la media y la desviacin estndar de la longitud
total hubieran sido
.
10 10 10 10 40 32 32 32 32 6.0

La media de la suma de dos o ms variables aleatorias es igual a la suma de las medias de dichas
variables.
La variancia de la suma de dos o ms variables aleatorias es la suma de las variancias de dichas
variables.

DISTRIBUCIONES PROBABILISTICAS

Son las de distribuciones de frecuencias para los resultados de un espacio muestral (por ejemplo, para
los resultados de una variable aleatoria). Las frecuencias son frecuencias relativas, o probabilidades. De
este modo, las probabilidades indican el porcentaje de voces respecto a un gran nmero de observaciones en
que se espera que se presenten los diversos resultados de una variable aleatoria. A menudo se utilizan tablas o
graficas para mostrar como la probabilidad total asignada a un espacio muestral (100%) se distribuye en
relacin con los resultados de dicho espacio.

Una distribucin probabilstica es una distribucin de frecuencias relativa respecto a resultados del
espacio muestral; seala la proporcin de veces en que la variable aleatoria tiende a adoptar
diversos valores.

Considrese la variable aleatoria "numero de guilas (A) al tirar dos veces al aire una moda". La lista
de los puntos en el espacio muestral y los valores correspondientes de la muestra

Valores de la
Resultado variable aleatoria
S, S 0
S, A 1
A, S 1
A, A 2

Si la moneda no est cargada, P(A) = P(S) = 1/2. Las probabilidades de los diferentes
resultados son.
Resultado Probabilidad de Numero de guilas P(x)
resultado
SS (1/2)= 1/4 0 0.25
1 guila S A (1/2)= 1 0.50
AS (1/2)= 1/4
AA (1/2)= 1/4 2 0.25

De esta manera la distribucin de probabilidad para el nmero de guilas al tirar dos veces una
moneda comn es

123
Numero de caras P(x)
0 0.25
1 0.50
2 0.25
1.00

Obsrvese que las probabilidades suman 1.00, ya que los resultados muestran que son mutuamente
excluyentes y colectivamente exhaustivos. La misma distribucin se puede mostrar en forma
acumulada.

Numero de caras P(x o menos)


0 0.25
1 0.75
2 1.00

En estadstica existe una gran variedad de tipos de distribuciones probabilsticas, cada una de las
cuales tiene su propio conjunto de supuestos que definen las condiciones en las que cada tipo de distribucin se
puede emplear eficazmente. La clave del uso de distribuciones probabilsticas es hacer corresponder los
supuestos de un tipo de distribucin con las caractersticas de la situacin real. Una vez que se lleva a
cabo la correspondencia, el anlisis se transforma en una cosa relativamente simple, ya que las
distribuciones probabilsticas se pueden utilizar para resolver una clase de problemas, y todos ellos,
dentro de cada clase, se manejan esencialmente de la misma manera.

En este captulo se presentan algunos tipos de distribuciones probabilsticas, bsicas pero muy
importantes. A medida que se avance, el lector deber concentrarse en las preguntas siguientes:

1. Qu supuestos o restricciones bsicas requiere cada una de las distribuciones probabilsticas?


Este conocimiento es vital para lograr una correspondencia satisfactoria entre una variable
aleatoria y la situacin real.
2. Cmo se pueden utilizar las distribuciones probabilsticas en la resolucin de problemas?

La validez de utilizar determinada distribucin para un problema, depender de que tan cerca se aproxime la
situacin de este al conjunto de condiciones supuestas por la distribucin probabilstica. En general, cuanto
mejor sea la correspondencia, mejor ser la respuesta.

La esencia de un anlisis estadstico es hacer corresponder las suposiciones de cierta distribucin


probabilstica con los datos especficos de un problema determinado.

La siguiente explicacin de las distribuciones probabilsticas est organizada en dos partes: en este
captulo se estudian las distribuciones discontinuas, en tanto que las distribuciones continuas se
consideraran en el siguiente.

124
DISTRIBUCIONES DISCONTINUAS

Las distribuciones probabilsticas discontinuas comprenden variables aleatorias para el conteo de


datos, como el nmero de acaecimientos por muestra o la cantidad de ocurrencias por unidad con
respecto a un intervalo de tiempo, rea o distancia. En pginas siguientes se hablara acerca de dos
distribuciones discontinuas muy importantes: la binomial y la de Poisson.

A. DISTRIBUCIN BINOMIAL

EI termino "binomial" se utiliza para designar situaciones en las que los resultados de una variable aleatoria
se pueden agrupar en dos clases o categoras. Por tanto, los datos son nominales. Las categoras deben ser
mutuamente excluyentes, de manera que es evidente a que clase pertenece una observacin en particular, y las
clases deben ser colectivamente exhaustivas, por lo que no es posible obtener ningn otro resultado. Hay
muchos ejemplos de variables aleatorias que se pueden clasificar como binomiales.

Las caractersticas de esta distribucin son:


a) En los experimentos que tienen este tipo de distribucin, siempre se esperan dos tipos de
resultados, ejem. Defectuoso, no defectuoso, pasa, no pasa, etc, etc., denominados arbitrariamente
xito (que es lo que se espera que ocurra) o fracaso (lo contrario del xito).
b) Las probabilidades asociadas a cada uno de estos resultados son constantes, es decir no
cambian.
c) Cada uno de los ensayos o repeticiones del experimento son independientes entre s.
d) El nmero de ensayos o repeticiones del experimento (n) es constante.

Existen dos mtodos para obtener las probabilidades de una variable aleatoria que est distribuida
binomialmente. Uno de ellos consiste en utilizar la formula binomial, y el otro en consultar una tabla de
probabilidades Binomiales.

A partir de un ejemplo. Desarrollaremos una frmula que nos permita resolver cualquier problema
que tenga este tipo de distribucin.
Ejemplo:
Se lanza al aire una moneda normal 3 veces, determine la probabilidad de que aparezcan 2 guilas.

Solucin:
Antes de empezar a resolver este problema, lo primero que hay que hacer es identificarlo como un
problema que tiene una distribucin binomial, y podemos decir que efectivamente as es, ya que se
trata de un experimento en donde solo se pueden esperar dos tipos de resultados al lanzar la moneda,
guila o sello, cuantas probabilidades de ocurrencia son constantes, cada uno de los lanzamientos es
independiente de los dems y el nmero de ensayos o repeticiones del experimento son constantes, n
= 3.

Para dar solucin a este problema, lo primero que hay que hacer es un diagrama de rbol, en donde
representaremos los tres lanzamientos, de ah se obtendr el espacio muestral y posteriormente la
probabilidad pedida, usando la frmula correspondiente.

125
A = guila, S = sello
1/2 A

1/2 A
1/2 S
A
1/2 A
1/2 1/2 S

1/2 S

1/2 A
1/2 A 1/2
S
S
1/2 A
S
1/2
S

=AAA, AAS, ASA, ASS, SAA, SAS, SSA, SSS

Para obtener la frmula, definiremos lo siguiente:

n = nmero de lanzamientos de moneda


x = nmero de xitos requeridos = nmero de guilas = 2
p = probabilidad de xito= p(aparezca guila) =1/2
q = probabilidad de fracaso= p(aparezca sello) =1/2

Entonces podemos partir de la siguiente expresin para desarrollar la frmula;

P(aparezcan 2 guilas)=(No. De ramas del rbol en donde ap. 2 guilas)(probabilidad asociada


a cada rama)

Entonces el nmero de ramas en donde aparecen dos guilas se puede obtener;

Enumerando las ramas de inters, estas seran: AAS, ASA, SAA, QU TIPO DE
ARREGLOS SON ESTOS ELEMENTOS DEL ESPACIO MUESTRAL?, Son permutaciones
en donde algunos objetos son iguales, entonces, el nmero de ramas se puede obtener con la
frmula correspondiente,

126
n!
nPx1,x 2 ,...xk
x1 ! x2 !...xk !
Donde n = x1+x2+...+xk

Sustituyendo en esta frmula, tenemos lo siguiente;

n!
nPx ,n x
x! ( n x )!

esta frmula puede ser sustituida por la de combinaciones, solo en el caso de dos tipos de objetos, si
hay ms de dos tipos de objetos, definitivamente solo se usa la frmula original, como se observar
en el caso de la distribucin Multinomial, pero por qu vamos a cambiar de frmula?, simplemente
porque en todos los libros de texto que te encuentres vas a encontrar la frmula de combinaciones en
lugar de la de permutaciones, que es la siguiente,

n!
nCx
x! ( n x )!

y sustituyendo valores, nos damos cuenta de que efectivamente son 3 las ramas de inters, que son
donde aparecen dos guilas, donde n = 3, x = 2.

3! 3! 3x 2!
C2 3ramas
2! ( 3 2 )! 2! !1! 2!1!
3

Y la probabilidad asociada a cada rama?


Probabilidad asociada a cada rama = p(guila)*p(guila)*p(sello)= p*p*q = p2q=

x n x
=p q

Luego la frmula de la distribucin Binomial sera:

p( n, x , p ) n Cn x p x q n x

donde:
p(x, n, p) = probabilidad de obtener en n ensayos x xitos, cuando la probabilidad de xito es p

Dando solucin al problema de ejemplo tenemos lo siguiente:


n = 3, x = 2, p =

3! 1 1 1 3
p( n 3, x 2, p 1 / 2 ) 3 C2 ( 1 / 2 )2 ( 1 / 2 )32 * * 3*
2!1! 4 2 8 8

127
Para calcular la media y la desviacin estndar de un experimento que tenga una distribucin
Binomial usaremos las siguientes frmulas:

Media o valor esperado.

nP

Donde:
n = nmero de ensayos o repeticiones del experimento
P = probabilidad de xito o la probabilidad referente al evento del cual se desea calcular la
media que se refiere la media
Q = complemento de P

Desviacin estndar.

nPQ

Ejemplos:
1.- Se dice que el 75% de los accidentes de una planta se atribuyen a errores humanos. Si en un
perodo de tiempo dado, se suscitan 5 accidentes, determine la probabilidad de que; a) dos de los
accidentes se atribuyan a errores humanos, b) como mximo 1 de los accidentes se atribuya a errores
de tipo humano, c) tres de los accidentes no se atribuyan a errores humanos.

Solucin:
a) n = 5
x = variable que nos define el nmero de accidentes debidos a errores humanos
x = 0, 1, 2,...,5 accidentes debidos a errores de tipo humano
p = p(xito) = p(un accidente se deba a errores humanos) = 0.75
q = p(fracaso) = p(un accidente no se deba a errores humanos) = 1-p = 0.25

a)
p( x 2,n 5, p 0.75 )5 C2 ( 0.75 )2 ( 0.25 )5 2 ( 10 )( 0.5625 )( 0.015625 ) 0.08789

b) p( x 0,1,n 5, p 0.75 ) p( x 0 ) p( x 1 )5 C0 ( 0.75 )0 ( 0.25 )50

5 C1( 0.75 )1( 0.25 )51 0.000976 0.014648 0.015624

c) En este caso cambiaremos el valor de p;


n =5
x = variable que nos define el nmero de accidentes que no se deben a errores de
tipo humano

128
x = 0, 1, 2,...,5 accidentes debidos a errores humanos
p = p(probabilidad de que un accidente no se deba a errores humanos) = 0.25
q = p(probabilidad de que un accidente se deba a errores humanos) = 1-p = 0.75

p( x 3,n 5, p 0.25 )5 C3( 0.25 )3( 0.75 )53 ( 10 )( 0.015625 )( 0.5625 ) 0.08789

2.- Si la probabilidad de que el vapor se condense en un tubo de aluminio de cubierta delgada a 10


atm de presin es de 0.40, si se prueban 12 tubos de ese tipo y bajo esas condiciones, determine la
probabilidad de que: a) el vapor se condense en 4 de los tubos, b) en ms de 2 tubos se condense el
vapor, c) el vapor se condense en exactamente 5 tubos.

Solucin:
a) n =12
x = variable que nos define el nmero de tubos en que el vapor se condensa
x = 0, 1, 2, 3,...,12 tubos en el que el vapor se condensa
p =p(se condense el vapor en un tubo de Al a 10 atm)= 0.40
q = p(no se condense el vapor en un tubo de Al a 10 atm) = 1-p=0.60

p( x 4,n 12, p 0.40 )12C4 ( 0.40 )4 ( 0.60 )12 4 ( 495 )( 0.0256 )( 0.016796 )

= 0.21284

b) p(X=3, 4, ...,12, n=12, p=0.40) = p(x=3)+p(x=4)++p(x=12)= 1-p(x=0,1,2)=

1 12 C0 ( 0.40 )0 ( 0.60 )12 0 12C1( 0.40 )1( 0.60 )121 12C2 ( 0.40 )2 ( 0.60 )12 2
1 0.002176 ( 12 )( 0.4 )( 0.003627 ) ( 66 )( 0.16 )( 0.006047 )

= 1-0.002176+0.0174096+0.06385632= 1- 0.08344192= 0.91656

c) p( x 5,n 12, p 0.40 )12C5 ( 0.40 )5 ( 0.6 )125 ( 792 )( 0.01024 )( 0.0279936 )

= 0.22703
3.- La probabilidad de que el nivel de ruido de un amplificador de banda ancha exceda de 2 dB
(decibeles) es de 0.15, si se prueban 10 amplificadores de banda ancha, determine la probabilidad de
que; a) en solo 5 de los amplificadores el nivel de ruido exceda los 2 dB, b) por lo menos en 2 de los
amplificadores, el ruido exceda de 2 dB, c)que entre 4 y 6 amplificadores no se excedan de los 2 dB,
d)encuentre el nmero esperado de amplificadores que se exceden de un nivel de ruido de 2dB y su
desviacin estndar.

129
Solucin:
a)n =10
x =variable que nos define el nmero de amplificadores de banda ancha que su nivel de
ruido excede de 2 dB
x = 0, 1, 2,...,10 amplificadores en los que el nivel de ruido excede de los 2 dB
p = P(un amplificador exceda su nivel de ruido de 2 dB) = 0.15
q = p(un amplificador no exceda su nivel de ruido de 2 dB =1-p= 0.85

p( x 5,n 10, p 0.15 )10 C5 ( 0.15 )5 ( 0.85 )105 ( 252 )( 0.00007593 )( 0.4437053 )

= 0.00849

b)p(x=2,3,...,10, n=10, p=0.15)= 1- p(x = 0,1) =

1 10 C0 ( 0.15 )0 ( 0.85 )100 10 C1 ( 0.15 )1 ( 0.85 )101


= 1 (0.19687+(10)(0.15)(0.231617)=1-0.544296 = 0.455705

c) n=10

x= variable que nos define el nmero de amplificadores de banda ancha que su nivel de ruido
no excede de 2 dB

x= 0, 1, 2,...,10 amplificadores que su nivel de ruido no excede de los 2 dB

p = p(un amplificador no exceda su nivel de ruido de 2 dB) = 0.85

q = p(un amplificador exceda su nivel de ruido de 2 dB) = 1- p = 0.15

p( x 4,5,6,n 10, p 0.085 )10C4 ( 0.85 )4 ( 0.15 )10 4 10C5 ( 0.85 )5 ( 0.15 )105 10C6 ( 0.85 )6 ( 0.15 )106

=(210)(0.522)(0.00001139)+(252)(0.4437)(0.000075937)+(210)(0.3771495)(0.00005063)=

=0.001249 + 0.00849 + 0.0400997 = 0.04982

d)n=10, p=0.15, q=1-p=0.85

np ( 10 )( 0.15 ) 1.5 2amplificad ores

Interpretacin:

Se espera que 2 de los 10 amplificadores probados se excedan de un nivel de ruido de 2 Db

130
npq ( 10 )( 0.15 )( 0.85 ) 1.1291 1amplificad or

Interpretacin:
Este experimento puede variar en 2 1 amplificador, esto es, de 1 a 3 amplificadores que se excedan
de un nivel de ruido de 2 dB

TABLAS BINOMIALES

Las tablas de probabilidad ofrecen un mtodo muy prctico para el anlisis estadstico
proporcionando probabilidades con muy poco esfuerzo. Existen dos tipos de tablas binomiales una
me proporciona resultados nicos o individuales de una variable aleatoria mientras la otra
proporciona probabilidades de conjunto de resultados

B. DISTRIBUCIN MULTINOMIAL.

Caractersticas:

a) Al llevar a cabo un experimento con esta distribucin se esperan ms de dos tipos de


resultados.

b) Las probabilidades asociadas a cada uno de los resultados son constantes.

c) Cada uno de los ensayos o repeticiones del experimento son independientes.

d) El nmero de repeticiones del experimento, n es constante.

Al igual que hicimos con la distribucin binomial, en este caso partiremos de un ejemplo para
obtener la frmula general para resolver problemas que tengan este tipo de distribucin.

Ejemplo:

Se lanza al aire un dado normal, 5 veces, determine la probabilidad de que aparezca dos nmeros
uno, dos nmeros tres y un nmero cinco.

Solucin:

Si pensamos en la forma que se han resuelto otros problemas, lo primero que se me ocurre es
trazar un diagrama de rbol que nos muestre los 5 lanzamientos del dado; esto sera muy
laborioso, y se muestra parte del mismo a continuacin;

131
1
2 1
1 3 2
4..... 3

5 4

2 lanzamiento 6 5

5lanzamiento 6

3
a

4 1
2
1er lanzamiento 5 3 2 lanzamiento
4

6 6 5

Del diagrama de rbol se obtendra el espacio muestral y enseguida se determinaran las


probabilidades requeridas. En lugar de lo anterior, obtendremos una frmula a partir de la siguiente
expresin:

p(aparezcan dos unos, dos tres y un cinco)=(nmero de ramas en donde haya dos unos, dos tres y un
cinco)(probabilidad asociada a cada una de las ramas)

Para esto definiremos lo siguiente:

n = nmero de lanzamientos del dado


x1 = nmero de veces que aparece el nmero 1 = 2
x2 = nmero de veces que aparece el nmero 2 = 0
x3 = nmero de veces que aparece el nmero 3 = 2
x4 = nmero de veces que aparece el nmero 4 = 0
x5 = nmero de veces que aparece el nmero 5 = 1
p1 = probabilidad de que aparezca el nmero 1 = 1/6

132
p2 = probabilidad de que aparezca el nmero 2 = 1/6
p3 = probabilidad de que aparezca el nmero 3 = 1/6
p4 = probabilidad de que aparezca el nmero 4 = 1/6
p5 = probabilidad de que aparezca el nmero 5 = 1/6
p6 = probabilidad de que aparezca el nmero 6 = 1/6

Luego, cmo obtendremos el nmero de ramas donde aparecen dos nmeros 1, dos nmeros
3 y un nmero 5?

Enunciando algunas de las ramas, tenemos lo siguiente;

(1, 1, 5, 3, 3), (5, 1, 1, 3, 3), (1, 3, 3, 1, 5), ... etc., etc.

Qu tipo de arreglos son estos, combinaciones, permutaciones o que?


SON PERMUTACIONES EN DONDE HAY OBJETOS IGUALES.
Por tanto el nmero de ramas se puede obtener de la siguiente manera:

5! 120
5 P2 ,2 ,1 30
El nmero de ramas = 2!2!1! 4

Y en forma general,

n!
n Px1 ,x2 ,...xk
x1 ! x2 !...xk !

Luego la probabilidad asociada a cada una de las ramas, sera;


p(asociada a cada una de las ramas) = p(#1)p(#1)p(#3)p(#3)p(#5)=p1*p1*p3*p3*p5=
=p12*p32*p5

Por tanto la frmula general ser:

n!
p( x1 , x2 ,...xk ,n )
x x xk
p1 1 p 2 2 .... pk
x1 ! x2 !...xk !

donde:

p(x1, x2,....,xk, n) = probabilidad de que en n ensayos aparezcan x1 objetos del primer tipo, x2
objetos del segundo tipo.......y xk objetos del ltimo tipo.

n = x1+x2+....xk

Resolviendo el ejemplo;
n=5

133
x1 = nmero de veces que aparece el nmero 1 = 2
x2 = nmero de veces que aparece el nmero 3 = 2
x3 = nmero de veces que aparece el nmero 5 = 1
p1= probabilidad de que aparezca el nmero 1 = 1/6
p2 = probabilidad de que aparezca el nmero 3 = 1/6
p3 = probabilidad de que aparezca el nmero 5 = 1/6

5!
p ( x1 1, x2 2, x3 1,n 5 ) ( 1 / 6 )2 ( 1 / 6 )2 ( 1 / 6 )1 ( 30 )( 0.0001286 ) 0.003858
2!2!1!

Ejemplos:
1. Las probabilidades son de 0.40, 0.20, 0.30 y 0.10, respectivamente, de que un delegado llegue
por aire a una cierta convencin, llegue en autobs, en automvil o en tren. Cul es la probabilidad
de que entre 9 delegados seleccionados aleatoriamente en esta convencin a) 3 hayan llegado por
aire, 3 en autobs, 1 en auto y 2 en tren?, b) 4 hayan llegado por aire, 1 en autobs y 2 en auto?, c) 5
hayan llegado en auto?

Solucin:
a) n = 9
x1= # de delegados que llegan por aire = 3
x2= # de delegados que llegan en autobs = 3
x3= # de delegados que llegan en auto = 1
x4= # de delegados que llegan en tren = 2

p1 = probabilidad de que un delegado llegue por aire = 0.40


p2 = probabilidad de que un delegado llegue en autobs = 0.20
p3 = probabilidad de que un delegado llegue en auto = 0.30
p4 = probabilidad de que un delegado llegue en tren = 0.10
9!
p( x1 3, x2 3, x3 1, x4 2; n 9 ) ( 0.40 )3( 0.20 )3( 0.30 )1( 0.10 )2 0.0077414
3!3!1!2!

b) n=9
x1 = 4 por aire; p1 = 0.40
x2 = 1 en autobs; p2 = 0.20
x3 = 2 en auto; p3 = 0.30
x4 = 2 en tren; p4 = 0.10

c) n=9
x1= 5 lleguen en auto; p1 = 0.30
x2 = 4 (lleguen por aire o autobs o tren); p2 = 0.40+0.20+0.10 = 0.70

134
9!
p( x1 5, x2 4; n 9 ) ( 0.30 )5 ( 0.70 )4 0.073514
5!4!

2. De acuerdo con la teora de la gentica, un cierto cruce de conejillo de indias resultar en una
descendencia roja, negra y blanca en la relacin 8 : 4 : 4. Encuentre la probabilidad de que entre 8
descendientes, a) 5 sean rojos, 2 negros y un blanco, b) 3 sean rojos y 2 sean negros.

Solucin:
a)
n=8
x1 = 5 rojos; p1= prob. Sean rojos = 8/16 = 0.50
x2 = 2 negros; p2 = prob. Sean negros = 4/16 = 0.25
x3 = 1 blanco; p3 = prob. Sean blancos = 4/16 = 0.25

8!
p( x1 5, x2 2, x3 1; n 8 ) ( 0.50 )5 ( 0.25 )2 ( 0.25 )1 0.082031
5!2!1!

b)
n=8
x1 = 3 rojos; p1 = 0.50
x2 = 2 negros; p2 = 0.25
x3 = 3 blancos; p3 = 0.25

8!
p( x1 3, x2 2, x3 3; n 8 ) ( 0.50 )3( 0.25 )2 ( 0.25 )3 0.068359
3!2!3!

3.Segn una encuesta preliminar acerca del voto que los ciudadanos darn por los candidatos para
gobernador del estado se ha detectado que aproximadamente un 52% votar por el partido verde, un
40% por el partido azul y un 8% por los partidos restantes, si se seleccionan aleatoriamente 6
personas con edad de votar, determine la probabilidad de que: a) 2 voten por el partido verde, 1 por
el azul y 3 por el resto de los partidos, b) 2 voten por el partido verde y 4 por el azul.

Solucin:
a) n = 6
x1= 2 voten por partido verde; p1= prob. de que una persona vote por partido verde = 0.52
x2= 1 vote por partido azul; p2 = prob. de que una persona vote por partido azul = 0.40
x3= 3 voten por otros partidos; p3 = prob. de que una persona vote por otros partidos = 0.08

6!
p( x1 2, x2 1, x3 3 : n 6 ) ( 0.52 )2 ( 0.40 )1( 0.08 )3 0.0033226
2!1!3!

b)n = 6
x1= 2 voten por el partido verde; p1= prob. de que una persona vote por partido verde=0.52
x2= 4 vote por partido azul; p2 = prob. de que una persona vote por partido azul = 0.40

135
x3= 0 voten por otros partidos; p3 = prob. de que una persona vote por otros partidos = 0.08

6!
p( x1 2, x2 4, x3 0; n 6 ) ( 0.52 )2 ( 0.40 )4 ( 0.08 )0 0.103834
2!4!0!

C) DISTRIBUCIN HIPERGEOMTRICA.

Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de
resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) Cada ensayo o repeticin del experimento no es independiente de los dems.
d) El nmero de repeticiones del experimento (n) es constante.

Ejemplo:
En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad a de objetos
que son defectuosos, si se seleccionan de esta urna n objetos al azar, y sin reemplazo, cul es la
probabilidad de obtener x objetos defectuosos?

Solucin:

Luego;

C x * N a C n x
p( x ,n ) a

N Cn

donde:
p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

a C x* N a Cn x muestras de n objetos en donde hay x que son defectuosos y n-x buenos

Cn
N todas las muestras posibles de seleccionar de n objetos tomadas de entre N objetos
en total = espacio muestral

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si de
seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean defectuosos?

Solucin:

N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra

136
x = 2 objetos defectuosos deseados en la muestra
3! 7!
*
C2*10 3 C4 2 C* C ( 3 2 )!2! ( 7 2 )!2!
p( x 2,n 4 ) 3
3 2 7 2
10 C4 10 C4
10!
( 10 4 )!4!

3! 7! 3x 2 x1! 7 x6 x5!
* *
1! 2! 5 ! 2! 1! 2! 5!2! 3x 2 x7 x6 * 4!
10! 10 x9 x8 x7 x6! 10 x9 x8 x7 2!2!
6!4! 6!4!

donde:

3x 2 x7 x6

10 x9 x8 x7 probabilidad asociada a cada muestra de 4 objetos que se
seleccionaron, con lo que se demuestra que las probabilidades no son constantes

4!

2!2! formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados =
muestras de 4 objetos entre los que 2 son defectuosos

Como se observa en el desarrollo de la solucin del problema, la pretensin es demostrar


que las probabilidades asociadas a cada uno de los resultados no son constantes.

Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al azar


sera:

3x 2 x7 x6 4! 252 24 6048
* * 0.30
10 x9 x8 x7 2!2! 5040 4 20160

Ejemplos:
1. Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico en
una botella que contiene 9 pldoras de vitamina que son similares en apariencia. Si el oficial de la
aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) Cul es la probabilidad de que el
viajero sea arrestado por posesin de narcticos?, b) Cul es la probabilidad de que no sea
arrestado por posesin de narcticos?.

Solucin:
a) N = 9+6 =15 total de tabletas

137
a = 6 tabletas de narctico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de tabletas de
narctico que se puede encontrar al seleccionar las 3 tabletas

p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3 tabletas
seleccionadas haya 1 o ms tabletas de narctico)

C1* 9 C2 6 C2* 9 C1 6 C3* 9 C0


p( x 1,23tabletas ; n 3 ) 6

15 C3 15 C3 15 C3

( 6 )( 36 ) ( 15 )( 9 ) ( 20 )( 1 ) 216 135 20 371


0.81538
455 455 455 455 455

otra forma de resolver;

p(el viajero sea arrestado por posesin de narcticos) = 1 p(de que entre las tabletas
seleccionadas no haya una sola de narctico)

C0* 9 C3
1 p( x 0; n 3 ) 1 6

15 C3

( 1 )( 84 )
1 0.184615 0.815385
455
a) b) p(no sea arrestado por posesin de narcticos)

C0* 9 C3
p( x 0; n 3 ) 6

15 C3

( 1 )( 84 )
0.184615
455

2. De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote contiene 3


proyectiles defectuosos que no explotarn, cul es la probabilidad de que , a) los 4 exploten?, b) al
menos 2 no exploten?

Solucin:
a) N = 10 proyectiles en total
a = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el nmero de proyectiles
que explotan entre la muestra que se dispara

138
C4* 3C0 ( 35 )( 1 ) 35
p( x 4; n 4 ) 7
0.16667
10 C4 210 210

b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan

p(al menos 2 no exploten) = p( 2 o ms proyectiles no exploten) = p(x = 2 o 3; n=4) =

C2* 7 C2 3 C3* 7 C1 ( 3 )( 21 ) ( 1 )( 7 ) 63 7 70
3
0.333333
10 C4 210 210 210

3. a)Cul es la probabilidad de que una mesera se rehse a servir bebidas alcohlicas


nicamente a dos menores de edad si verifica aleatoriamente solo 5 identificaciones de entre
9 estudiantes, de los cuales 4 no tienen la edad suficiente?, b) Cul es la probabilidad de
que como mximo 2 de las identificaciones pertenezcan a menores de edad?
Solucin:

a) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el nmero de identificaciones que pertenecen a personas
menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad

p(n=5,x=2) = 4C2*5C3 / 9C5 =

b) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el nmero de identificaciones que pertenecen a personas
menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad

C0* 5 C5 4 C1* 5 C4 4 C2* 5 C3 ( 1 )( 1 ) ( 4 )( 5 ) ( 6 )( 10 )


p( x 0,1,2; n 5 ) 4

9 C5 126

1 20 60 81
0.64286
126 126

4. Una compaa manufacturera utiliza un esquema para la aceptacin de los artculos producidos
antes de ser embarcados. El plan es de dos etapas. Se preparan cajas de 25 para embarque y se

139
selecciona una muestra de 3 para verificar si tienen algn artculo defectuoso. Si se encuentra uno, la
caja entera se regresa para verificarla al 100%. Si no se encuentra ningn artculo defectuoso, la caja
se embarca. a)Cul es la probabilidad de que se embarque una caja que tiene tres artculos
defectuosos?, b)Cul es la probabilidad de que una caja que contiene solo un artculo defectuoso se
regresa para verificacin?

D) DISTRIBUCIN HIPERGEOMETRICA GENERALIZADA.

Caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se esperan ms de dos tipos de
resultados.
b) Las probabilidades asociadas a cada uno de estos resultados no son constantes.
c) Los ensayos o repeticiones del experimento no son independientes entre s.
d) El nmero de repeticiones del experimento n, es constante.

Entonces en este caso se tienen ms de dos tipos de objetos, por lo que la frmula a
utilizar sera:

Cx* b C y* N a b Cn x y
p( x , y ,n )
a

N Cn

Donde:
N = a + b + c = total de objetos
a = total de objetos del primer tipo
b = total de objetos del segundo tipo
c = N-a-b = total de objetos del tercer tipo
n = objetos seleccionados en la muestra
x = objetos del primer tipo en la muestra
y = objetos del segundo tipo en la muestra
z = n-x-y = objetos del tercer tipo en la muestra

Ejemplos:
1.En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con
defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que
a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los
productos seleccionados no tengan defectos y 1 tenga defectos menores.

Solucin:
a)N= 20+3+2 =25 total de artculos
a=20 productos sin defectos
b= 3 productos con defectos menores
N-a-b= 2 productos con defectos mayores
n= 5 productos seleccionados en la muestra

140
x = 3 productos sin defectos en la muestra = variable que nos define el # de productos sin
defectos en la muestra
y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos
con defectos menores en la muestra
z = n-x-y = 5-3-1 = 1 producto con defectos mayores en la muestra = variable que nos define el
# de productos con defectos mayores en la muestra
C * C* C ( 1140 )( 3 )( 2 ) 6840
p( x 3, y 1,n 5 ) 20 3 3 1 2 1 0.128741
25 C5 53130 53130

b)N= 25
a=20 productos sin defectos
b= 3 productos con defectos menores
N-a-b= 2 productos con defectos mayores
n= 5 productos seleccionados en la muestra
x = 4 productos sin defectos en la muestra = variable que nos define el # de productos sin
defectos en la muestra
y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos
con defectos menores en la muestra
z = n-x-y = 5-4-1 = 0 productos con defectos mayores en la muestra = variable que nos define el
# de productos con defectos mayores en la muestra

C 4 * 3 C1* 2 C 0
p( x 4 , y 1; n 5 ) 20

25 C 5

( 4845 )( 3 )( 1 ) 14535
0.27357
53130 53130

2.Un club de estudiantes extranjeros tiene en sus listas a 2 canadienses, 3 japoneses, 5 italianos y 2
alemanes. Si se selecciona aleatoriamente un comit de 4 estudiantes, encuentre la probabilidad de
que: a) estn representadas todas las nacionalidades, b) estn representadas todas las nacionalidades,
excepto la italiana.

Solucin:
a) N = 12 estudiantes
a = 2 Canadienses
b = 3 Japoneses
c = 5 Italianos
N-a-b-c = 2 Alemanes
n = 4 estudiantes seleccionados para formar comit
x = 1 estudiante Canadiense en el comit seleccionado
y = 1 estudiante Japons en el comit seleccionado
z = 1 estudiante Italiano en el comit seleccionado
n-x-y-z = 1 estudiante Alemn en el comit seleccionado

141
C1* 3 C1* 5 C1* 2 C1
p( x 1, y 1, z 1; n 4 ) 2

12 C4

( 2 )( 3 )( 5 )( 2 ) 60
0.121212
495 495

b) N = 7 estudiantes quitando a los Italianos


a = 2 Canadienses
b = 3 Japoneses
N-a-b = 2 Alemanes
n = 4 estudiantes seleccionados para formar comit
x = 1 o 2 estudiantes Canadienses en el comit seleccionado
y = 1 o 2 estudiantes Japoneses en el comit seleccionado
n-x-y= 1 o 2 estudiantes Alemanes en el comit seleccionado
p(estn representadas todas las nacionalidades, excepto la italiana)

p( x 1, y 1,n 4 ) p( x 1, y 2,n 4 ) ( x 2, y 1,n 4 )


C* C* C C* C * C C * C* C
2 1 3 1 2 22 1 3 2 2 12 2 3 1 2 1
7 C4 7 C4 7 C4

( 2 )( 3 )( 1 ) ( 2 )( 3 )( 2 ) ( 1 )( 3 )( 2 ) 6 12 6
0.685714
35 35 35 35

E) DISTRIBUCIN DE POISSON.

Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo,
pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc., etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc., etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc., etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la
frmula a utilizar sera:

x
p( x , )
x!
donde:
p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de
ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
= 2.718

142
x = variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de
tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente
de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto
es independiente de otro producto dado.

Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos
en cualquiera de dos das consecutivos?

Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un
da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da
= 2.718

( 6 )4 ( 2.718 )6 ( 1296 )( 0.00248 )


p( x 4, 6 ) 0.13392
4! 24

b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das
consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de
lo mismo que x.

( 12 )10( 2.718 )12 ( 6.191736410 )( 0.000006151 )


p( x 10, 12 ) 0.104953
10! 3628800

2. En la inspeccin de hojalata producida por un proceso electroltico continuo, se


identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de
identificar a) una imperfeccin en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c)
cuando ms una imperfeccin en 15 minutos.

Solucin:
a) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 3
minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

143
( 0.6 )1( 2.718 )0.6 ( 0.6 )( 0.548845 )
p( x 1, 0.6 ) 0.329307
1! 1

b) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 5 minutos = 0,
1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata

( 1 )0 ( 2.718 )1 ( 1 )( 2.718 )1
p( x 2,3,4,etc .... 1 ) 1 p( x 0,1, 1 ) 1
0! 1!

=1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 15 minutos =
0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

( 3 )0 ( 2.718 )3 ( 3 )1( 2.718 )3


p( x 0,1, 3 ) p( x 0, 3 ) p( x 1, 3 )
0! 1!
= 0.0498026 + 0.149408 = 0.1992106

F). APROXIMACIN DE POISSON A LA BINOMIAL.

En este caso se determinarn probabilidades de experimentos Binomiales, pero que dadas sus
caractersticas, es posible aproximarlas con la distribucin de Poisson, estas caractersticas son, n
( n es muy grande) y p0 (p es muy pequea), por lo que:


x
n x
p( x ,n , p ) n Cx p q
x

x!

La expresin anterior solo se cumple cuando n y p0, solo en este caso, si esto no se cumple,
la aproximacin no se puede llevar a efecto, por lo que la frmula a utilizar en este caso sera:

x
p( x , )
x!

Donde:

== np = nmero esperado de xitos = tasa promedio de xitos


n = nmero de repeticiones del experimento
p = probabilidad de xito = p(xito)

144
Una regla general aceptable es emplear esta aproximacin si n20 y p0.05: s n100, la
aproximacin es generalmente excelente siempre y cuando np10.

Ejemplos:
1. Se sabe que el 5% de los libros encuadernados en cierto taller tienen encuadernaciones
defectuosas. Determine la probabilidad de que 2 de 100 libros encuadernados en ese taller, tengan
encuadernaciones defectuosas, usando, a) la frmula de la distribucin Binomial, b) la aproximacin
de Poisson a la distribucin Binomial.

Solucin:
a) n = 100
p = 0.05 = p(encuadernacin defectuosa) = p(xito)
q = 0.95 = p(encuadernacin no defectuosa) = p(fracaso)
x = variable que nos define el nmero de encuadernaciones defectuosas en la muestra = =
0, 1, 2, 3,....,100 encuadernaciones defectuosas

P( x 2,n 100, p 0.05 )100C2 ( 0.05 )2 ( 0.95 )98 ( 4950 )( 0.05 )2 ( 0.95 )98 0.0812

b)n = 100 encuadernaciones


p = 0.05
= np = (100)(0.05)= 5
x = variable que nos define el nmero de encuadernaciones defectuosas en la muestra = =
0, 1, 2, 3,....,100 encuadernaciones defectuosas

x ( 5 )2 ( 2.718 )5
p( x 2, 5 ) 0.0843
x! 2!

Al comparar los resultados de las probabilidades con una y otra distribucin, nos damos cuenta de
que la diferencia entre un clculo y otro es de tan solo 0.0031, por lo que la aproximacin de
Poisson es una buena opcin para calcular probabilidades Binomiales.

2.Un fabricante de maquinaria pesada tiene instalados en el campo 3840 generadores de gran
tamao con garanta. S la probabilidad de que cualquiera de ellos falle durante el ao dado es de
1/1200 determine la probabilidad de que a) 4 generadores fallen durante el ao en cuestin, b) que
ms 1 de un generador falle durante el ao en cuestin.

Solucin:
a) n = 3840 generadores
p = 1/1200 = probabilidad de que un generador falle durante el ao de garanta
= np = (3840)(1/1200) = 3.2 motores en promedio pueden fallar en el ao de garanta
x = variable que nos define el nmero de motores que pueden fallar en el ao de garanta =

145
= 0, 1, 2, 3,....,3840 motores que pueden fallar en el ao de garanta

( 3.2 )4 ( 2.718 )3.2


p( x 4, 3.2 ) 0.17815
4!

b) p(x=2,3,4,....,3840;=3.2)=1-p(x=0,1;=3.2) =

( 3.2 )0 ( 2.718 )3.2 ( 3.2 )1( 2.718 )3.2


1
0! 1!
=1- (0.04078 + 0.13048) = 0.82874

3. En un proceso de manufactura, en el cual se producen piezas de vidrio, ocurren defectos o


burbujas, ocasionando que la pieza sea indeseable para la venta. Se sabe que en promedio 1 de cada
1000 piezas tiene una o ms burbujas. Cul es la probabilidad de que en una muestra aleatoria de
8000 piezas, menos de 3 de ellas tengan burbujas?

Solucin:
n = 8000 piezas
p = 1/1000= 0.001 probabilidad de que una pieza tenga 1 o ms burbujas
= np = (8000)(1/1000) = 8 piezas en promedio con 1 o ms burbujas
x = variable que nos define el nmero de piezas que tienen 1 o ms burbujas =
= 0,1, 2, 3,....,8000 piezas con una o ms burbujas

( 8 )0 ( 2.718 )8 ( 8 )1( 2.718 )8 ( 8 )2 ( 2.718 )8


p( x 0,1,2; 8 )
0! 1! 2!

= 0.000336 + 0.002686 + 0.010744 = 0.013766

G). DISTRIBUCIN GEOMTRICA.

Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra un xito por primera
y nica vez en el ltimo ensayo que se realiza del experimento, para obtener la frmula de esta
distribucin, haremos uso de un ejemplo.

Ejemplo:
Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que aparezca
guila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3, Determine la
probabilidad de que en el ltimo lanzamiento aparezca una guila.

Solucin:
Si nosotros trazamos un diagrama de rbol que nos represente los 8 lanzamientos de la moneda,
observaremos que la nica rama de ese rbol que nos interesa es aquella en donde aparecen 7 sellos
seguidos y por ltimo una guila; como se muestra a continuacin:

146
SSSSSSSA

S denotamos;
x = el nmero de repeticiones del experimento necesarias para que ocurra un xito por
primera y nica vez = 8 lanzamientos
p = probabilidad de que aparezca una guila = p( xito) = 2/3
q = probabilidad de que aparezca un sello = p(fracaso) = 1/3

Entonces la probabilidad buscada sera;

P(aparezca una guila en el ltimo lanzamiento)=p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(A) =

x 1
=q*q*q*q*q*q*q*p = q p
Luego, la frmula a utilizar cuando se desee calcular probabilidades con esta distribucin
sera;

p( x ) q x1 p

Donde:
p(x) = probabilidad de que ocurra un xito en el ensayo x por primera y nica vez
p = probabilidad de xito
q = probabilidad de fracaso

Resolviendo el problema de ejemplo;


x = 8 lanzamientos necesarios para que aparezca por primera vez una guila
p = 2/3 probabilidad de que aparezca una guila
q = 1/3 probabilidad de que aparezca un sello

81
p(x=8) = ( 1 / 3 ) ( 2 / 3 ) 0.0003048

Ejemplos:
1. S la probabilidad de que un cierto dispositivo de medicin muestre una desviacin excesiva
es de 0.05, cul es la probabilidad de que; a) el sexto de estos dispositivos de medicin sometidos
a prueba sea el primero en mostrar una desviacin excesiva?, b) el quinto de estos dispositivos de
medicin sometidos a prueba, sea el primero que no muestre una desviacin excesiva?.

Solucin:
a) x = 6 que el sexto dispositivo de medicin probado sea el primero que muestre una
variacin excesiva
p = 0.05 =probabilidad de que un dispositivo de medicin muestre una variacin excesiva
q = 0.95 =probabilidad de que un dispositivo de medicin no muestre una variacin excesiva

61
p(x = 6) = ( 0.95 ) ( 0.05 ) 0.03869

147
b) x = 5 que el quinto dispositivo de medicin probado, sea el primero que no muestre una
desviacin excesiva
p = 0.95 = probabilidad de que un dispositivo de medicin no muestre una variacin excesiva
q = 0.05 = probabilidad de que un dispositivo de medicin muestre una variacin excesiva

51
p(x = 5) = ( 0.05 ) ( 0.95 ) 0.0000059

2. Los registros de una compaa constructora de pozos, indican que la probabilidad de que uno
de sus pozos nuevos, requiera de reparaciones en el trmino de un ao es de 0.20. Cul es la
probabilidad de que el quinto pozo construido por esta compaa en un ao dado sea el primero en
requerir reparaciones en un ao?.

Solucin:
x = 5 que el quinto pozo sea el primero que requiera reparaciones en un ao
p = 0.20 = probabilidad de que un pozo requiera reparaciones en el trmino de un ao
q = 0.80 = probabilidad de que un pozo no requiera reparaciones en el trmino de un ao

51
p(x = 5) = ( 0.80 ) ( 0.20 ) 0.08192

H) DISTRIBUCIN BINOMIAL NEGATIVA.

Esta tambin es un caso especial de la distribucin Binomial, ya que en este caso se trata de
que al llevar a efecto varias veces un experimento binomial, se desea determinar la
probabilidad de que ocurran r xitos, solo que el ltimo de ellos debe ocurrir en el k-simo
ensayo o repeticin del experimento que es el ltimo.

Para encontrar una frmula que nos permita calcular probabilidades con esta distribucin,
partiremos de un ejemplo.

Ejemplo:
Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que
aparezca guila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3,
Determine la probabilidad de que aparezcan tres guilas, y la ltima que aparezca sea en el
ltimo lanzamiento.

Solucin:
S trazamos un diagrama de rbol que nos represente los 8 lanzamientos de la moneda,
encontraremos que las ramas que nos interesan son aquellas en donde aparecen 3 guilas y
la ltima de ellas aparece en el ltimo lanzamiento; ejemplos de una rama que nos interesa
sera;
SAASSSSA, SSASSSAA, ASSASSSA, etc., etc.

Entonces la probabilidad se puede determinar de la siguiente forma:

148
(Probabilidad de que aparezcan Tres guilas, donde la ltima de ellas aparece en el ltimo lanzamiento de la moneda)=(#
de ramas del rbol en donde la tercera guila que aparece est en el octavo lanzamiento)(probabilidad asociada a cada
rama)

Luego, definiendo algunos trminos a utilizar;

Y = k = nmero de lanzamientos necesarios para que se obtenga una guila por r-sima vez
= 8 lanzamientos
r = nmero de veces que aparece un xito = 3 guilas
p = probabilidad de xito = p(aparezca guila) = 2/3
q = probabilidad de fracaso = p(aparezca sello) = 1/3

Luego, el nmero de ramas que nos interesan del rbol se podra determinar de la
siguiente forma:

# de ramas = k 1 Cr 1

Cual es la razn de que se tomen k-1 ensayos y r-1 xitos al momento de calcular el
nmero de ramas que nos interesan?

Lo anterior se debe a que en el ltimo ensayo siempre va a haber un xito, por lo que como
ste no se va a mover como lo hacen los xitos anteriores, entonces no se toma en cuenta
para el clculo de las ramas que nos interesan.

Y la probabilidad asociada a cada rama sera;

Probabilidad asociada a cada rama = p(S)*p(A)*p(A)*p(S)*p(S)*p(S)*p(S)*p(A)=


r k r
= q*p*p*q*q*q*q*p = p q p q
3 5

Por lo tanto, la frmula a utilizar sera:

p( Y k ) k 1 Cr 1 p r q k r

Donde:
P(Y=k) = probabilidad de que ocurran r xitos en k ensayos y que el ltimo de ellos que es
el r-simo, ocurra en el k-simo ensayo que es el ltimo.

r = nmero de xitos
k = nmero de ensayos para obtener r xitos
p = p(xito) = p(aparezca guila)
q = p(fracaso) = p(aparezca sello) = 1-p

149
Ejemplos:
1. S la probabilidad de que un cierto dispositivo de medicin muestre una desviacin
excesiva es de 0.05, cul es la probabilidad de que; a) el sexto de estos dispositivos de
medicin sometidos a prueba sea el tercero en mostrar una desviacin excesiva?, b) el
sptimo de estos dispositivos de medicin sometidos a prueba, sea el cuarto que no
muestre una desviacin excesiva?.

Solucin:
a) a) k = 6 dispositivos de medicin
r = 3 dispositivos que muestran desviacin excesiva
p = p(dispositivo muestre una desviacin excesiva) = 0.05
q = p(dispositivo no muestre una desviacin excesiva) = 0.95

63
p(Y = 6) = 61 C31( 0.05 ) ( 0.95 ) 5 C2 ( 0.05 ) ( 0.95 ) 0.001072
3 3 3

b) b) k = 7 dispositivos de medicin
r = 4 dispositivos que no muestran una desviacin excesiva
p = p(dispositivo no muestre una desviacin excesiva) = 0.95
q = p(dispositivo muestre una desviacin excesiva) = 0.05

p(Y = 7) = 7 1 C41( 0.95 )4 ( 0.05 )74 6 C3 ( 0.95 )4 ( 0.05 )3 0.0020363

2. Los registros de una compaa constructora de pozos, indican que la probabilidad de


que uno de sus pozos nuevos, requiera de reparaciones en el trmino de un ao es de 0.20.
a) Cul es la probabilidad de que el sexto pozo construido por esta compaa en un ao
dado sea el segundo en requerir reparaciones en un ao?.
b) Cul es la probabilidad de que el octavo pozo construido por esta compaa en un ao
dado sea el tercero en requerir reparaciones en un ao?.

Solucin:
a) k = 6 pozos
r = 2 pozos que requieren reparaciones en un ao
p = p(pozo requiera reparaciones en un ao) = 0.20
q = p(pozo no requiera reparaciones en un ao) = 0.80

6 2
p(Y = 6) = 61 C21( 0.20 ) ( 0.80 ) 5 C1( 0.20 ) ( 0.80 ) 0.08192
2 2 4

b) k = 8 pozos
r = 3 pozos que requieren reparaciones en un ao

150
p = p(pozo requiera reparaciones en un ao) = 0.20
q = p(pozo no requiera reparaciones en un ao) = 0.80

83
p(Y = 8) = 81 C31( 0.20 ) ( 0.80 ) 7 C2 ( 0.20 ) ( 0.80 ) 0.05505
3 3 5

151
I). Problemas Propuestos.

1. En una cierta rea de la ciudad se da como una razn del 75% de los robos la necesidad de
dinero para comprar estupefacientes. Encuentre la probabilidad que dentro de los 5 prximos
asaltos reportados en esa rea
a) exactamente 2 se debieran a la necesidad de dinero para comprar drogas;
b) cuando mucho 3 se debieran a la misma razn arriba indicada.
r. a) 0.0879
b) 0.3672

2. Un agricultor que siembra fruta afirma que 2/3 de su cosecha de duraznos han sido contaminada
por la mosca del mediterrneo. Encuentre la probabilidad de que al inspeccionar 4 duraznos
a) los 4 estn contaminados por la mosca del mediterrneo
b) cualquier cantidad entre 1 y 3 est contaminada.
r. a) 16/81
b) 64/61

3. De acuerdo con una investigacin llevada a cabo por la Administrative Management Society,
1/3 de las compaas en Estados Unidos le dan a sus empleados cuatro semanas de vacaciones
despus de 15 aos de servicio. Encuentre la probabilidad de que 6 de las compaas investigadas al
azar, el nmero que les dan a sus empleados cuatro semanas de vacaciones despus de 15 aos de
servicio es
a) cualquier cantidad entre 2 y 5;
b) menos de 3.
r. a) 0.647
b) 0.680
4. De acuerdo con un estudio publicado por un grupo de socilogos de la Universidad de
Massachussets, aproximadamente 60% de los adictos al Valium en el estado de Massachussets, lo
tomaron por primera vez debido a problemas psicolgicos. Encuentre la probabilidad de que los
siguientes 8 adictos entrevistados
a) exactamente 3 hayan comenzado a usarlo debido a problemas psicolgicos.
b) al menos 5 de ellos comenzaran a tomarlo por problemas que no fueron psicolgicos.
r. a) 0.1239
b) 0.5941

5. Al probar una cierta clase de neumtico para camin en un terreno escabroso se encontr que
25% de los camiones terminaban la prueba con los neumticos daados. De los siguientes 15
camiones probados encuentre la probabilidad de que
a) de 3 a 6 tengan ponchaduras;
b) menos de 4 tengan ponchaduras;
c) ms de 5 tengan ponchaduras
r. a) 0.7073
b) 0.4613
c) 0.1484
6. De acuerdo con un reporte publicado en la revista Parade, septiembre 14 de 1980, una
investigacin a nivel nacional llevada a cabo por la Universidad de Michigan revel que casi el 70%
de los estudiantes del ltimo ao desaprueban las medidas para controlar el hbito de fumar

152
mariguana todos los das. Si 12 de estos estudiantes se seleccionan al azar y se les pregunta su
opinin, encuentre la probabilidad de que el nmero que desaprueba dicha medida sea
a) cualquier cantidad entre 7 y 9
b) cuando mucho 5;
c) no menos de 8
r. a) 0.6294
b) 0.0386
c) 0.7237

7. La probabilidad de que un paciente se recupere de una delicada operacin de corazn es de 0.9.


Cul es la probabilidad de que exactamente 5 de los prximos 7 pacientes que se sometan a esta
intervencin sobrevivan?
r. 0.1240

8. Un ingeniero de control de trfico reporta que el 75% de los vehculos que pasan por un punto
de verificacin tienen matrculas del estado. Cul es la probabilidad de que ms de 7 de los
siguientes 9 vehculos no sean del estado?
r. 0.8343

9. Una investigacin de los residentes de una ciudad de Estados Unidos mostr que 20% preferan
un telfono blanco que de cualquier otro color disponible. Cul es la probabilidad de que ms de la
mitad de los siguientes 20 telfonos que se instalen en esta ciudad sean de color blanco?
r. 0.0006

10. Se sabe que el 40% de los ratones inyectados con un suero quedan protegidos contra una cierta
enfermedad. Si 5 ratones son inyectados, encuentre la probabilidad de que
a) ninguno contraiga la enfermedad;
b) menos de 2 la contraigan;
c) ms de 3 la contraigan
r. a) 0.0778
b) 0.3370
c) 0.0870

11. Suponga que los motores de un aeroplano operan en forma independiente y de que fallan con
una probabilidad de 0.4. Suponiendo que uno de estos artefactos realiza un vuelo seguro en tanto se
mantenga funcionando cuando menos la mitad de sus motores, determine qu aeroplano, uno de los
4 motores o uno de 2, tiene mayor probabilidad de terminar su vuelo exitosamente.
r. 0.8208 y 0.8400; ***
2- plano del motor

12. Encuentre la media y la varianza de la variable aleatoria binomial del problema propuesto 7.
r. =6.3 6 y 2=0.63

13. Encuentre la media y la varianza de la variable aleatoria binomial del problema propuesto 9.
r. =4 y 2=3.2

153
14. De acuerdo con la teora de la gentica, un cierto cruce de conejillos de indias resultar en una
descendencia roja, negra y blanca en la relacin 8:4:4. Encuentre la probabilidad de que de 8
descendientes 5 sean rojos, 2 negros y 1 blanco.
r. 21/256

15. Las probabilidades son de 0.4, 0.2, 0.3 y 0.1, respectivamente, de que un delegado llegue por
aire a cierta convencin, llegue en autobs, 3en automvil o en tren. Cul es la probabilidad de que
entre 9 delegados seleccionados aleatoriamente en esta convencin, 3 hayan llegado por aire, 3 en
autobs, 1 en automvil y 2 en tren.
r. 0.0077

16. El dueo de una casa planta 6 tallos que selecciona al azar de una caja que contiene 5 tallos de
tulipn y 4 de narciso. Cul es la probabilidad de que plante 2 tallos de narciso y 4 de tulipn?
r. 5/14

17. Un comit de tres integrantes se forma aleatoriamente seleccionando de entre 4 doctores y 2


enfermeras. Escriba una frmula para la distribucin de probabilidad de la variable aleatroria X que
representa el nmero de doctores en el comit. Encuentre P(2 X 3).

respuesta..h( x;6,3,4 )
, x=1, 2, 3
4 2
2 x


x
6
3
18. Una compaa est interesada en evaluar sus actuales procedimientos de inspeccin en el
embarque de 50 artculos idnticos. El procedimiento es tomar una muestra de 5 piezas y autorizar
el embarque si se encuentra que no ms de 2 estn defectuosas. qu proporcin del 20% de
embarques defectuosos sern autorizados?
r. 0.9517

19. La probabilidad de que una persona que vive en cierta ciudad posea un perro se estima en 0.3.
Encuentre la probabilidad de que la dcima persona entrevistada aleatoriamente en esta ciudad sea la
quinta persona que posee un perro.
r. 0.0515

20. Un cientfico inocula varios ratones, uno a la vez, con un germen de una enfermedad hasta que
obtiene 2 que la han contrado. Si la probabilidad de contraer la enfermedad es 1/6. cul es la
probabilidad de que se requieran 8 ratones?
r. 0.0651
21. Suponga que la probabilidad de que una persona determinada crea una historia acerca de los
atentados a una famosa actriz es de 0.8. Cul es la probabilidad de que
a) la sexta persona que escucha tal historia sea la cuarta que la crea?
b) La tercera persona que escucha tal historia sea la primera en creerla?
r. a) 0.1638
b) 0.032
22. Tres personas lanzan una moneda y la que salga dispareja paga los cafs. Si todas las monedas
caen iguales, se lanzan nuevamente. Encuentre la probabilidad de que se necesiten menos de 4
lanzamientos.
r. 63/64

154
23. La probabilidad de que un estudiante para piloto apruebe el examen escrito para obtener su
licencia de piloto privado es de 0.7. Encuentre la probabilidad de que una persona apruebe el
examen
a) en el tercer intento
b) antes del cuarto intento
r. a) 0.0630
b) 0.9730

24. En promedio, en una cierta interseccin ocurren 3 accidentes viales por mes Cul es la
probabilidad de que en un determinado mes en esta interseccin
a) ocurran exactamente 5 accidentes?
b) ocurran menos de 3 accidentes?
r. a) 0.1008
b) 0.4232

25. Una cierta rea del este de Estados Unidos es afectada en promedio por 6 huracanes al ao.
Encuentre la probabilidad de que en un determinado ao esta rea sea afectada por
a) menos de 4 huracanes;
b) cualquier cantidad entre 6 y 8 huracanes.
r. a) 0.1512
b) 0.4015

26. En un estudio de un inventario se determin que, en promedio, la demanda por un artculo en


particular en una bodega era de 5 veces al da. Cul es la probabilidad de que en un determinado
da este artculo sea requerido
a) ms de 5 veces?
b) Ni una sola vez?
r. a) 0.3840
b) 0.0067

27. El nmero promedio de ratas de campo por acre en un campo de trigo de 5 acres se estima que
es de 12. Encuentre la probabilidad de que menos de 7 ratas de campo se encuentren
a) en una acre de terreno determinado;
b) en 2 de los siguientes 3 acres inspeccionados.
r. a) 0.0458
b) 0.0060

28. Un restaurante prepara una ensalada que contiene en promedio 5 verduras diferentes. Encuentre
la probabilidad de que la ensalada contenga ms de 5 verduras
a) en un determinado da;
b) en 3 de los siguientes 4 das;
c) por primera vez el 5 de abril.
r. a) 0.3840
b) 0.1395
c) 0. 0553

155
29. La probabilidad de que una persona muera debido a cierta infeccin respiratoria es 0.002.
Encuentre la probabilidad de que mueran menos de 5 de las prximas 2000 personas infectadas.
r. 0.6288

30. Suponga que en promedio 1 persona de cada 1000 comete un error numrico al preparar su
declaracin de impuestos. Si se seleccionan al azar 10 000 formas y se examinan, encuentre la
probabilidad de que 6, 7 u 8 formas tengan error.
r. 0.2657

31. La probabilidad de que un estudiante presente problemas de escoliosis (desviacin lateral


sufrida por la columna vertebral) en una escuela de la localidad es de 0.004. De los siguientes 1875
estudiantes revisados encuentre la probabilidad de que
a) menos de 5 presenten este problema
b) 8, 9 o 10 presenten este problema
r. a) 0.1321
b) 0.3376

32. En un proceso de manufactura se seleccionan aleatoriamente 15 unidades diarias de la lnea de


produccin para verificar el porcentaje del nmero de defectos en el proceso. A partir de
informacin histrica se sabe que la probabilidad de que se tenga una unidad defectuosa es 0.05. El
proceso se detiene en cualquier momento en que se encuentran dos o ms defectos. Este
procedimiento se utiliza para proporcionar una seal en caso de que la probabilidad de defectos se
incremente.
a) Cul es la probabilidad de que en un determinado da el proceso de produccin se detenga?
(suponga un 5% de defectos)
b) Suponga que la probabilidad de que se tenga un defecto se incrementa a 0.07. Cul es la
probabilidad de que en un determinado da el proceso de produccin se detenga?

33. Se est considerando la produccin de una mquina automtica de soldar. Se considerar


exitosa si tiene una efectividad del 99% en sus soldaduras. De otra manera, no se considerar
eficiente. Se lleva a cabo la prueba de un prototipo y se realizan 100 soldaduras. La mquina se
aceptar para su fabricacin si no son defectuosas ms de tres soldaduras.
a) Cul es la probabilidad de que una mquina eficiente sea rechazada?
b) Cul es la probabilidad de que una mquina ineficiente con 95% de soldaduras correctas sea
aceptada?

34. Una agencia que renta automviles en un aeropuerto local tiene disponibles 5 Ford, 7 Chevrolet,
4 Dodge, 3 Datsun y 4 Toyota. Si la agencia selecciona aleatoriamente 9 de estos vehculos para
transportar delegados desde el aeropuerto hasta el centro de convenciones en el centro de la ciudad,
encuentre la probabilidad de que se utilicen 2 Ford, 3 Chevrolet, 1 Dodge, 1 Datsun y 2 Toyota.

35. Las llamadas de servicio entran a un centro de mantenimiento de acuerdo con un proceso de
Poisson y en un promedio entran 2.7 llamadas por minuto. Encuentre la probabilidad de que:
a) no ms de 4 llamadas entren en un minuto cualquiera;
b) menos de 2 llamadas entren en un minuto cualquiera;
c) ms de 10 llamadas entren en un periodo de 5 minutos.

156
UNIDAD V. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS

Entre las distribuciones a tratar en esta unidad seran:


1. Distribucin Normal
2. Aproximacin de la Normal a la Binomial
3. Exponencial

1. DISTRIBUCIN NORMAL.

Caractersticas:

Cuando una variable aleatoria discreta presenta un gran nmero de resultados posibles, o cuando la
variable aleatoria que se est considerando, es continua no se puede utilizar las distribuciones
probabilsticas discretas, como la de Poisson y la Binomial para obtener probabilidades importantes.
Una variable continua, debido a que los resultados incluyen valores enteros y no enteros no se
pueden manejar en forma adecuada mediante una distribucin discreta.

a) Es generada por una variable de tipo continuo, denominada x;


- x
b) La funcin que nos define esta distribucin es:
1
f ( x , , 2 ) ( x ) / 2 - x
2 2

2
Al dar a la funcin los valores de , 2 y valores a x, obtendremos la distribucin en cuestin, la
que tiene forma de campana, por lo que tambin se le conoce como campana de Gauss. Hay un
nmero infinito de funciones de densidad Normal, una para cada combinacin de y . La media
mide la ubicacin de la distribucin y la desviacin estndar mide su dispersin.

a) Es simtrica con respecto a su eje vertical.

b) Es asinttica con respecto a su eje horizontal; esto quiere decir que jams va a tocar el
eje de las equis.

c) El rea total bajo la curva es 1.

S sumamos a , se observar que aproximadamente el 68.26% de los datos se encuentran bajo


la curva, si sumamos a 2, el 95.44% de los datos estar entre esos lmites y si sumamos a
3, entonces el 99.74% de los datos caer dentro de esos lmites. Esta caracterstica es a la vez una
forma emprica y rpida de demostrar si los datos que se analizan tienen una distribucin Normal; ya
que para trabajar los datos con esta distribucin, debe verificarse que efectivamente as se
distribuyen, ya que de no hacerlo, las decisiones que en un momento dado se tomarn de un anlisis
de los datos con la distribucin Normal, seran errneas.

Cmo se determinan probabilidades con la distribucin Normal?

157
De acuerdo a como se trataron las distribuciones de probabilidad continuas en la unidad III, lo ms
lgico es que la funcin f(x, , 2), se integre entre los lmites de la variable x; esto es,

b
p( a x b ) f ( x , , 2 )dx
a

La integral anterior nos dara el rea bajo la curva de la funcin, desde a hasta b, que
corresponde o es igual a la probabilidad buscada.
Debido a la dificultad que se presenta para integrar esta funcin cada vez que sea necesario, lo
que se hace es tipificar el valor de la variable x, esto es, x se transforma en un valor de z, de la
siguiente manera:
x
z valor

Este valor de z es buscado en una tabla donde vienen reas asociadas a este valor, y haciendo
uso de los valores tabulados, se determina la probabilidad requerida. La tabla que es usada
para calcular las probabilidades es la que nos d el rea que se muestra a continuacin:

0 Z

Ejemplos:
1. El acero que se utiliza para tuberas de agua a menudo se recubre internamente con un
mortero de cemento para evitar la corrosin. En un estudio de los recubrimientos de mortero
de una tubera empleada en un proyecto de transmisin de agua en una colonia de Morelia, se
especific un espesor de 7/16 pulgadas para el mortero. Un gran nmero de mediciones de
espesor dieron una media de 0.635 pulgadas y una desviacin estndar de 0.082 pulgadas. S
las mediciones de espesor, tenan una distribucin Normal, qu porcentaje aproximado fue
inferior a 7/16 de pulgada?

Solucin:
x = variable que nos define el espesor del mortero en pulgadas
= 0.635 pulgadas
= 0.082 pulgadas

158
X = 7/16
=0.635
Z
7 / 16 0.635 0.4375 0.635
Z 2.4085 2.41
0.082 0.082

p(z = -2.41) = 0.492


p(x 7/16 pulgadas) = 0.5- p(z = -2.41) = 0.5-0.492 = 0.008
Por tanto, 0.008 x 100% = 0.8% de los recubrimientos de mortero tienen un espesor menor de 7/16
pulgadas

2. Un tubo fluorescente estndar tiene una duracin distribuida Normalmente, con una
media de 7,000 horas y una desviacin estndar de 1,000 horas. Un foco ahorrador de energa
para un sistema de iluminacin fluorescente compacto que se puede insertar en los
receptculos de lmparas incandescentes. Para el foco ahorrador de energia compacto tiene
una duracin distribuida Normalmente con una media de 7,500 horas y una desviacin
estndar de 1,200 horas. a. Cul tubo fluorescente tiene mayor probabilidad de tener una
duracin mayor de 9,000 horas? b. Cul tubo tiene mayor probabilidad de tener una
duracin de menos de 5,000 horas?

Solucin:
a) Tubo 1
X1 = variable que nos define la duracin en horas de un tubo fluorescente
= 7,000 horas
= 1,000 horas
Tubo 2
X2 = variable que nos define la duracin del tubo fluorescente del competidor
= 7,500 horas
= 1,200 horas

9,000 7 ,000
z1 2.00 p(z1 = 2.00) = 0.4772
1,000
=7000 X= 9000
p(x1 9,000 horas) = 0.5 p(z1 = 2.00) = 0.5 0.4772 = 0.0228

159
=7500 X = 9000

9,000 7 ,500
z2 1.25 p(z2 = 1.25) = 0.3944
1,200

p(x2 9,000 horas) = 0.5 p(z2 = 1.25) = 0.5 0.3944 = 0.1056

Por tanto el tubo fluorescente del competidor tiene una probabilidad mayor de durar ms de
9,000 horas.
b)

X = 5000 =7000

5,000 7 ,000
z1 2.00 p(z1 = -2.00) = 0.4772
1,000

p(x1 5,000 horas) = 0.5 p(z1 = -2.00) = 0.5 0.4772 = 0.0228

5,000 7 ,500
z2 2.08 p(z2 = -2.08) = 0.4812
1,200

X = 5000
= 7500
p(x2 5,000 horas) = 0.5 p(z2 = - 2.08) = 0.5 0.4812 = 0.0188

160
Por tanto, el tubo fluorescente que tiene una mayor probabilidad de durar menos de 5,000
horas es el del primer fabricante.

3. La distribucin de la demanda (en nmero de unidades por unidad de tiempo) de un


producto a menudo puede aproximarse con una distribucin de probabilidad Normal. Por
ejemplo, una compaa de comunicacin por cable ha determinado que el nmero de cajas
digitalizadoras solicitados diariamente tiene una distribucin Normal, con una media de 200 y
una desviacin estndar de 50.
a) En qu porcentaje de los das la demanda ser de menos de 90 cajas?
b) En qu porcentaje de los das la demanda estar entre 225 y 275 cajas?
c) Con base en consideraciones de costos, la compaa ha determinado que su mejor
estrategia consiste en producir una cantidad de de cajas digitalizadoras suficientes para
atender plenamente la demanda en 94% de todos los das. Cuntos de cajas
digitalizadoras deber producir la compaa cada da?

Solucin:
a) X = variable que nos indica el nmero de interruptores demandados por da a una
compaa de cable

= 200 de cajas digitalizadoras por da


= 50 de cajas digitalizadoras por da

X = 90 = 200

90 200
z 2.20 p(z = - 2.20) = 0.4861
50

p(x 90) = 0.5 p(z = -2.20) = 0.5 0.4861 = 0.0139


Por tanto, 0.0139 x 100% = 1.39% de los das se tendr una demanda menor de 90 de cajas
digitalizadoras.

b)

= 200 X2 = 275 161


X1 = 225
225 200
z1 0.50 p(z1= 0.50) = 0.1915
50

275 200
z2 1.50 p(z2 = 1.50) = 0.4332
50
p(225 x 275) = p(z2) p(z1) = 0.4332 0.1915 = 0.2417

Por tanto, 0.2417 x 100% = 24.17% de los das se tendr una demanda entre 225 y 275 de cajas
digitalizadoras.

c) En este caso se trata de determinar qu valor toma x cuando se pretende cumplir con el
94% de la demanda de todos los das.

Por tanto despejaremos de la frmula de z;

94%

X=
= 200

x
Z ; x = + z Z

x = + z(p = 0.44) = 200 + z(p = 0.44)(50) = = 200 + (1.55)(50) = 277.5 278 de cajas
digitalizadoras por da

Cmo se obtiene el valor de z?

En la tabla buscamos la z que corresponde a una probabilidad de 0.44 y nos damos cuenta de
que no existe un valor exacto de 0.44 por lo que tomamos los valores de rea ms cercanos;
luego,

z(p = 0.4394) = 1.50; z(p = 0.4406) = 1.60

Por tanto si interpolamos, encontramos que el valor de z para una probabilidad de 0.44 es de
1.55, y es el valor que se sustituye en la ecuacin.

162
Cul es la razn de usar un rea de 0.44 en lugar de una de 0.94 para buscar en la tabla el
valor de z?

Es muy simple, la tabla que estamos usando es una tabla que solo trabaja con reas que son
definidas de la media hasta el valor de x y x puede estar tanto del lado derecho de la media,
como del lado izquierdo de la media, es por esto que el rea a utilizar es de 0.44 que se
encuentra al lado derecho de la media.

2. APROXIMACIN DE LA NORMAL A LA BINOMIAL.

En este caso se estarn calculando probabilidades de experimentos Binomiales de una forma


muy aproximada con la distribucin Normal, esto puede llevarse a cabo si n y p = p(xito)
no es muy cercana a 0 y 1, o cuando n es pequeo y p tiene un valor muy cercano a ; esto es,
x np
P( x ,n , p ) n Cx p x q n x p z
npq
Donde:
x = variable de tipo discreto; solo toma valores enteros
= np = media de la distribucin Binomial
=
npq = desviacin estndar de la distribucin Binomial

Cuando ocurren las condiciones anteriores, la grfica de la distribucin Binomial, es muy


parecida a la distribucin Normal, por lo que es adecuado calcular probabilidades con la
Normal en lugar de con la Binomial y de una forma ms rpida.
En resumen, se utiliza la aproximacin Normal para evaluar probabilidades Binomiales
siempre que p no est cercano a 0 o 1. La aproximacin es excelente cuando n es grande y
bastante buena para valores pequeos de n si p est razonablemente cercana a . Una posible
gua para determinar cundo puede utilizarse la aproximacin Normal es tener en cuenta el
clculo de np y nq. S ambos, np y nq son mayores o iguales a 5, la aproximacin ser buena.

Antes de empezar a resolver problemas con la aproximacin Normal, es bueno aclarar que se
estn evaluando probabilidades asociadas a una variable discreta x, con una distribucin que
evala variables de tipo continuo como es la Normal,
Por lo que z sufre un pequeo cambio como se muestra a continuacin:

( x 1/ 2 )
z

Por qu vamos a sumar o a restar a x?


Este es un factor de correccin debido a que se est evaluando una variable discreta con una
distribucin continua, por lo que hay que delimitar claramente desde qu punto se va a
evaluar la variable, dicho de otra forma, en que lmite de la barra (inferior o superior) nos
debemos posicionar para determinar la probabilidad requerida, cada barra de probabilidad a
evaluar tiene como base la unidad, ese es el porqu del .

163
X2 = 65.5

Ejemplos: = 60 X = 65
1. 1. La probabilidad de que un paciente se recupere de una rara enfermedad de la sangre es de
X1 = 64.5
0.4. Si se sabe que 100 personas han contrado esta enfermedad, Cul es la probabilidad de
que: a) al menos 30 sobrevivan?, b) ms de 46 sobrevivan?, c) menos de 50 no sobrevivan?
Solucin:

a)
n = 100
p = p(paciente se recupere) = 0.40
q = p(paciente no se recupere) = 1 p = 1 0.40 = 0.60
= np = (100)(0.40) = 40 pacientes se recuperen
=
npq = 100( 0.40 )( 0.60 ) 4.899 pacientes que se recuperan
x = variable que nos define el nmero de pacientes que se recuperan
x = 0, 1, 2,....,100 pacientes que se recuperan

X = 29.5 = 40

( x 1/ 2 ) ( 30 1 / 2 ) 40 29.5 40
z 2.1433 2.14
4.899 4.899
p( z = -2.14) =0.4838

p(x 30 ) = p(z = -2.14) +0.5 = 0.4838 + 0.5 = 0.9838

a) a)

= 40 X = 46.5 164
( x 1 / 2 ) 40 ( 46 1 / 2 ) 40 46.5 40
z 1.33
4.899 4.899 4.899

p(z = 1.33) = 0.4082

p(x 46) = 0.5 p(z = 1.33) = 0.5 0.4082 = 0.0918

b) n = 100
p = p(paciente no sobreviva) = 0.60
q = p(paciente sobreviva) = 1 p = 0.40
np ( 100 )( 0.60 ) 60 Pacientes que no se recuperan
npq 100( 0.60 )( 0.40 ) 4.899 Pacientes que no se recuperan
x = variable que nos define el nmero de pacientes que no sobreviven
x = 0, 1, 2, ....,100

X = 49.5 = 60

( 50 1 / 2 ) 60 49.5 60
z 2.14
4.899 4.899

p( z = -2.14) = 0.4838

p(x 50) = 0.5 p(z = -2.14) = 0.5 0.4838 = 0.0162

2. Una prueba de opcin mltiple tiene 200 preguntas, cada una con 4 posibles respuestas, de las
cuales solo una es la correcta cul es la probabilidad de que al azar se den de 25 a 30
respuestas correctas para 80 de las 200 preguntas acerca de los cuales el estudiante no tiene
conocimientos?

Solucin:
n = 80
p = p(dar una contestacin correcta) = 0.25
q = p(dar una contestacin incorrecta) = 1 p = 0.75

165
np 80 x0.25 20 preguntas contestadas correctamente
npq ( 80 )( 0.25 )0.75 ) 3.8729 Preguntas contestadas correctamente
x = nmero de preguntas que son contestadas correctamente = 0, 1, 2,...,80

X2 = 30.5

= 20 X1 = 24.5

( x1 1 / 2 )
( 25 1 / 2 ) 20
z1 1.1619 1.16 , p(z1 = 1.16) = 0.377
3.8729
( x 1 / 2 ) ( 30 1 / 2 ) 20
z2 2 2.7111 2.71 , p(z2 = 2.71) = 0.4966
3.8729
p(25 x 30) = p(z2) p(z1) = 0.4966 0.377 = 0.1196

3. Si 35% de los productos manufacturados en cierta lnea de produccin es defectuoso, cul es


la probabilidad de que entre los siguientes 1000 productos manufacturados en esa lnea a)
menos de 354 productos sean defectuosos?, b) entre 342 y 364 productos sean defectuosos?,
c)exactamente 354 productos sean defectuosos?

Solucin:
a) n = 1000
p = p(un producto sea defectuoso) = 0.35
q = p(un producto no sea defectuoso) = 1- p = 0.65
np 1000( 0.35 ) 350 productos defectuosos
npq ( 1000 )( 0.35( 0.65 ) 15.0831 productos defectuosos
x = nmero de productos defectuosos que se manufacturan en la lnea = 0, 1, 2,..., 1000

X = 353.5
= 350

166
( 354 1 / 2 )
( 354 1 / 2 ) 350
z 0.2320 0.23 , p(z = 0.23) = 0.091
15.0831
p(x 354 ) = 0.5 + p(z = 0.23) = 0.5 + 0.091 = 0.5091

b)

X1 = 341.5 = 350 X2 = 364.5

( 342 1 / 2 ) 350
z1 0.5635 0.56 , p(z1= - 0.56) = 0.2123
15.0831
( 364 1 / 2 ) ( 364 1 / 2 ) 350
z2 0.9613 0.96, p(z2= 0.96) = 0.3315
15.0831
p(342 x 364) = p(z1) + p(z2) = 0.2123 + 0.3315 = 0.5438
c)

X2 = 354.5
( 354 1 / 2 ) ( 354 1 / 2 ) 350 X1 = 353.5
z1 0.2320 0.23, p(z1 = 0.23) = 0.091
= 350
15.0831
( 354 1 / 2 ) ( 354 1 / 2 ) 350
z2 0.2983 0.30 , p(z2= 0.30) = 0.1179
15.0831
p(x = 354) = p(z2) - p(z1) = 0.1179 0.091 = 0.0269

3. DISTRIBUCIN EXPONENCIAL.
A pesar de que la distribucin Normal puede utilizarse para resolver muchos problemas en
ingeniera y ciencias, existen an numerosas situaciones que requieren diferentes tipos de
funciones de densidad, tales como la exponencial y la gamma y algunas otras como la weibull,
etc., etc., de momento solo trataremos sobre el uso de la exponencial.
Resulta que la exponencial es un caso especial de la distribucin gamma, ambas tienen un gran
nmero de aplicaciones. Las distribuciones exponencial y gamma juegan un papel importante
tanto en teora de colas como en problemas de confiabilidad. El tiempo entre las llegadas en las
instalaciones de servicio y el tiempo de falla de los componentes y sistemas elctricos,

167
frecuentemente involucran la distribucin exponencial. La relacin entre la gamma y la
exponencial permite que la distribucin gamma se utilice en tipos similares de problemas.

La variable aleatoria x tiene una distribucin exponencial, con parmetro , si su funcin de


densidad es:

x
1
f(x) x ,x0 ; f(x) = 0 en cualquier otro caso

donde 0

La media y la variancia de la distribucin exponencial son:

y 2 2

Relacin con el proceso de Poisson.


Las aplicaciones ms importantes de la distribucin exponencial son aquellas situaciones en
donde se aplica el proceso de Poisson , es necesario recordar que un proceso de Poisson
permite el uso de la distribucin de Poisson. Recurdese tambin que la distribucin de
Poisson se utiliza para calcular la probabilidad de nmeros especficos de eventos durante
un perodo o espacio particular. En muchas aplicaciones, el perodo o la cantidad de espacio es
la variable aleatoria. Por ejemplo un ingeniero industrial puede interesarse en el tiempo T
entre llegadas en una interseccin congestionada durante la hora de salida de trabajo en una
gran ciudad. Una llegada representa el evento de Poisson.
La relacin entre la distribucin exponencial (con frecuencia llamada exponencial negativa) y
el proceso llamado de Poisson es bastante simple. La distribucin de Poisson se desarroll
como una distribucin de un solo parmetro , donde puede interpretarse como el nmero
promedio de eventos por unidad de tiempo . Considrese ahora la variable aleatoria descrita
por el tiempo que se requiere para que ocurra el primer evento. Mediante la distribucin de
Poisson, se encuentra que la probabilidad de que no ocurran en el espacio hasta el tiempo t
est dada por:
t ( t )0
p( 0,t ) t ; 2.718
0!

Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento de
Poisson. La probabilidad de que el perodo hasta que ocurre el primer evento de Poisson
exceda x es la misma que la probabilidad de que no ocurra un evento de Poisson en x. Esto
x
ltimo por supuesto est dado por . Como resultado,
x
P(X x) =

Entonces, la funcin de distribucin acumulada para x es:


x
P(0 X x) = 1 -

168
Ahora, con objeto de que se reconozca la presencia de la distribucin exponencial, puede
derivarse la distribucin acumulada anterior para obtener la funcin de densidad:

x
f(x) =

1

.
La cual es la funcin de densidad de la distribucin exponencial con
Ntese que la media de la distribucin exponencial es el parmetro , el recproco del
parmetro en la distribucin de Poisson. El lector debe recordar que con frecuencia se dice
que la distribucin de Poisson no tiene memoria, lo cul implica que las ocurrencias en
perodos de tiempo sucesivos son independientes. Aqu el parmetro importante es el
tiempo promedio entre eventos. En teora de la confiabilidad, donde la falla de un equipo
concuerda con el proceso de Poisson, recibe el nombre de tiempo promedio entre fallas.
Muchas descomposturas de equipo siguen el proceso de Poisson, y entonces la distribucin
exponencial es aplicable.
En el siguiente ejemplo se muestra una aplicacin simple de la distribucin exponencial en un
problema de confiabilidad. La distribucin binomial tambin juega un papel importante en la
solucin.

Ejemplos:
1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en
aos est dado por la variable aleatoria T, distribuida exponencialmente con tiempo promedio
de falla 5 . S 5 de estos componentes se instalan en diferentes sistemas, cul es la
probabilidad de que al menos 2 continen funcionando despus de 8 aos?

Solucin:
La probabilidad de que un determinado componente est funcionando an despus de 8
aos es:
t 8
1
P( 8 ) 5 dt 5 0.2 la | nos indica que la integral se va a evaluar
58
desde 8 hasta

Sea x el nmero de componentes funcionando despus de 8 aos. Entonces mediante la


distribucin Binomial,
n=5
p = 0.20 = probabilidad de que un componente est funcionando despus de 8 aos
q = 1-p = 0.80 = probabilidad de que un componente no funcione despus de 8 aos

P(x 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 p(x = 0, 1)

1 5 C0 ( 0.2 )0 ( 0.8 )5 5 C1( 0.2 )1( 0.8 )4 1 0.7373 0.2627

169
2. El tiempo que transcurre antes de que una persona sea atendida en una cafetera es una
variable aleatoria que tiene una distribucin exponencial con una media de 4 minutos.
Cul es la probabilidad de que una persona sea atendida antes de que transcurran 3
minutos en al menos 4 de los 6 das siguientes?

Solucin:
3 1 1 3
1 4t

4 0
P( T 3 ) dt 4
1 4
0.5276 la nos indica que la integral va a

ser evaluada de 0 a 3

x = nmero de das en que un cliente es atendido antes de que transcurran 3 minutos


x = 0, 1, 2,...,6 das

p = probabilidad de que un cliente sea atendido antes de que transcurran 3 minutos en un da


cualquiera = 0.5276
q = probabilidad de que un cliente no sea atendido antes de que transcurran 3 minutos en un
da cualquiera = 1- p = 0.4724

P( x 5o6, N 6, p 0.5276 )6 C5 ( 0.5276 )5 ( 0.4724 )1 6 C6 ( 0.5276 )6 ( 0.4724 )0

= 0.11587 + 0.02157 = 0.13744

170
4. Problemas Propuestos.
1. Un investigador de la UCLA reporta que las ratas viven un promedio de 40 meses
cuando sus dietas son muy restringidas y luego enriquecidas con vitaminas y protenas.
Suponiendo que las vidas de tales ratas estn normalmente distribuidas con una
desviacin estndar de 6.3 meses, encuentre la probabilidad de que una rata
determinada viva
a) ms de 32 meses;
b) menos de 28 meses;
c) entre 37 y 49 meses.
r. a) 0.8980
b) 0.0287
c) 0.6080

2. Las piezas de pan de centeno distribuidas a las tiendas locales por una cierta pastelera
tienen una longitud de 30cm y una desviacin estndar de 2cm. Suponiendo que las
longitudes estn normalmente distribuidas, qu porcentaje de las piezas son
a) de ms de 31.7cm de longitud?
b) entre 29.3 y 33.5 cm de longitud?
c) de una longitud menor que 25.5 cm?
r. a) 19.77%
b) 59.67%
c) 1.22%

3. Una mquina despachadora de refrescos est ajustada para servir un promedio de 200
ml por vaso. Si la cantidad de refresco es normalmente distribuida con una desviacin
estndar igual a 15 ml.
a) Qu fraccin de los vasos contendr ms de 224 ml?
b) Cul es la probabilidad de que un vaso contenga entre 191 y 209 ml?
c) Cuntos vasos probablemente se derramarn si se utilizan vasos de 230 ml en
los siguientes 1000 refrescos?
d) Debajo de qu valor se obtiene el 25% ms pequeo de los refrescos?
r. a) 0.0548
b) 0.4514
c) 23
d) 189.95 ml

4. El dimetro interno ya terminado de un anillo de pistn est normalmente distribuido


con una media de 10 cm y una desviacin estndar de 0.03 cm.
a) Qu proporcin de los anillos tendr un dimetro interno que exceda de
10.075 cm?
b) Cul es la probabilidad de que un anillo de pistn tenga un dimetro interno
entre 9.97 y 10.03 cm?
c) Debajo de qu valor de dimetro interno caer el 15% de los anillos de
pistn?
r. a) 0.0062

171
b) 0.6826
c) 9.969 cm

5. Un abogado se traslada diariamente de su casa en los suburbios a su oficina en el


centro de la ciudad. En promedio el viaje le toma 24 minutos con una desviacin
estndar de 3.8 minutos. Asuma que la distribucin de los tiempos de traslado est
normalmente distribuida.
a) Cul es la probabilidad de que un traslado le tome al menos hora?
b) Si la oficina abre a las 9:00 AM y l sale de su casa a las 8:45 AM diariamente
Qu porcentaje de las veces llega tarde a su trabajo?
c) Si deja su casa a las 8:35 AM y en la oficina se sirve un caf entre las 8:50 y las
9:00 AM Cul es la probabilidad de que se pierda el caf?
d) Encuentre el periodo arriba del cual se encuentra el 15% de los traslados ms
lentos.
e) Encuentre la probabilidad de que 2 de los siguientes traslados tomarn al
menos hora.
r. a) 0.0571
b) 99.11%
c) 0.3974
d) 27.952
e) 0.0092

6. Las estaturas de 1000 estudiantes estn normalmente distribuidas con una media de
174.5 cm y una desviacin estndar de 6.9 cm. Suponiendo que las alturas se registran
cerrando los valores a los medios centmetros, Cuntos estudiantes tendran estaturas
a) menores que 160.0 cm?
b) entre 171.5 y 182 cm?
c) de 175 cm?
d) mayores que o iguales a 188.0 cm?
r. a) 16
b) 549
c) 28
d) 27

7. Una compaa paga a sus empleados un salario promedio de $9.25 por hora con una
desviacin estndar de 60 centavos. Si los salarios estn distribuidos aproximadamente
en forma normal y los montos se cierran a centavos,
a) Qu porcentaje de los trabajadores reciben salarios entre $8.75 y $9.69 por
hora inclusive?
b) el 5% ms alto de los salarios por hora de empleado es mayor a qu
cantidad?
r. a) 56.99%
b) $10.23

8. La resistencia a la tensin de cierto componente metlico est normalmente distribuida


con una media de 10 000 kg/cm2 y una desviacin estndar de 100 kg/cm2. Las
mediciones se registran y se redondean a 50 kg.

172
a) Cul es la proporcin de estos componentes que exceden de 10 150 kg/cm2 de
resistencia a la tensin?
b) Si las especificaciones requieren que todos los componentes tengan una
resistencia a la tensin entre 9800 y 10200 kg/cm2 inclusive, qu porcentaje de
piezas se esperara que se desecharan?
r. a) 0.0401
b) 0.0244

9. Si un conjunto de observaciones estn normalmente distribuidas, qu porcentaje de


stas difiere de la media en
a) ms de 1.3?
b) menos de 0.5?
r. a) 19.36%
b) 39.70%

10. La precipitacin pluvial promedio, registrada hasta centsimas de milmetro en


Roanoke, Virginia, en el mes de marzo es de 9.22 centmetros. Suponiendo que se trata
de una distribucin normal con una desviacin estndar de 2.83 cm, encuentre la
probabilidad de que el prximo marzo Roanoke tenga
a) menos de 1.84 cm de lluvia;
b) ms de 5 cm pero no ms de 7 de lluvia;
c) ms de 13.8 cm de lluvia.
r. a) 0.0045
b) 0.1496
c) 0.0526

11. La vida promedio de cierto tipo de motor pequeo es de 10 aos con una desviacin
estndar de 2 aos. El fabricante repone sin cargo todos los motores que fallen dentro
del periodo de garanta. Si est dispuesto a reponer slo 3% de los motores que fallan,
qu tan larga deber ser la garanta que otorgue? Suponga que las vidas de los
motores siguen una distribucin normal.
r. 6.24 aos

12. Un proceso produce 10% de artculos defectuosos. Si se seleccionan del proceso 100
artculos aleatoriamente, cul es la probabilidad de que el nmero de defectuosos
a) exceda de 13?
b) sea menor de 8?
r. a) 0.1210
b) 0.2033

13. Investigadores de la George Washington University y el National Institute of Health


reportan que aproximadamente 75% de las personas creen que los tranquilizantes
funcionan muy bien para que una persona est ms tranquila y ms relajada. De las
siguientes 80 personas entrevistadas, cul es la probabilidad de que
a) al menos 50 sean de la misma opinin?
b) mas de 56 sean de la misma opinin?

173
r. a) 0.9966
b) 0.1841

14. Si 20% de los residentes en una ciudad de los Estados Unidos prefiere un telfono
blanco que cualquier otro color disponible, cul es la probabilidad de que entre los
siguientes 1000 telfonos que se instalen en esta ciudad
a) entre 170 y 185 inclusive sean blancos?
b) al menos 210 pero no ms de 225 sean blancos?
r. a) 0.1171
b) 0.2049

15. Un fabricante de medicamentos sostiene que cierta medicina cura una enfermedad de
la sangre en el 80% de los casos. Para verificarlo, los inspectores del gobierno utilizan
el medicamento en una muestra de 100 individuos y deciden aceptar dicha afirmacin
si se curan 75 o ms.
a) Cul es la probabilidad de que lo que se dice sea rechazado cuando la
probabilidad de curacin sea, en efecto, 0.8?
b) Cul es la probabilidad de que la afirmacin sea aceptada por el gobierno
cuando la probabilidad de curacin sea menor a 0.7?
r. a) 0.0838
b) 0.1635

16. Estadsticas publicadas por la National Highway Traffic Safety Adminitration y el


National Safety Council muestran que en una noche de fin de semana, en promedio, 1
de cada 10 conductores est ebrio. Si se verifican 100 conductores en forma aleatoria
la siguiente noche del sbado, cul es la probabilidad de que el nmero de
conductores ebrios sea
a) menor de 32?
b) ms de 49?
c) al menos 35 pero menos de 47?
r. a) 0.0778
b) 0.0571
c) 0.6811
17. La cantidad de tiempo durante el que funciona una cmara de vigilancia sin que se le
reponga es una variable aleatoria con distribucin exponencial, con = 50 das.
Determine las probabilidades de que una cmara as, a) tenga que ser repuesta en
menos de 20 das, b) tenga que ser repuesta en al menos 40 das.

18. Una refinadora de azcar tiene 3 plantas de proceso, y todas reciben azcar morena a
granel. La cantidad de azcar que puede procesar una planta en un da se pude
representar mediante una funcin exponencial con un promedio de 4 (mediciones en
toneladas), para cada una de las tres plantas. Si las plantas trabajan en forma
independiente, calcular la probabilidad de que sean exactamente 2 de las tres plantas
las que procesen ms de 4 toneladas en un da determinado.

r.0.26

174
UNIDAD VI. MUESTREO
1.- TEORIA DEL MUESTREO
Uno de los propsitos de la estadstica inferencial es estimar las caractersticas poblacionales
desconocidas, examinando la informacin obtenida de una muestra, de una poblacin. El
punto de inters es la muestra, la cual debe ser representativa de la poblacin objeto de
estudio.

Se seguirn ciertos procedimientos de seleccin para asegurar que las muestras reflejen
observaciones a la poblacin de la que proceden, ya que solo se pueden hacer observaciones
probabilsticas sobre una poblacin cuando se usan muestras representativas de la misma.

Una poblacin est formada por la totalidad de las observaciones en las cuales se tiene cierto
observa.

Una muestra es un subconjunto de observaciones seleccionadas de una poblacin.

2.- Espacio muestral


En la teora de probabilidades, el espacio muestral o espacio de muestreo (denotado E, S, o U)
consiste en el conjunto de todos los posibles resultados individuales de un experimento aleatorio

Por ejemplo, si el experimento consiste en lanzar dos monedas, el espacio de muestreo es el


conjunto {(sello, sello), (sello, guila), (guila, sello) y (guila, guila)}. Un evento o suceso es
cualquier subconjunto del espacio muestral, llamndose a los sucesos que contengan un nico
elemento sucesos elementales. En el ejemplo, el suceso "sacar sello en el primer lanzamiento", o
{(sello, sello), (sello, guila)}, estara formado por los sucesos elementales {( sello, sello)} y {(sello,
guila)}.

Para algunos tipos de experimento puede haber dos o ms espacios de muestreo posibles. Por
ejemplo, cuando se toma una carta de un mazo normal de 52 cartas, una posibilidad del espacio de
muestreo podra ser el nmero (del as al rey), mientras que otra posibilidad sera el palo (diamantes,
trboles, corazones y picas). Una descripcin completa de los resultados, sin embargo, especificara
ambos valores, nmero y palo, y se podra construir un espacio de muestreo que describiese cada
carta individual como el producto cartesiano de los dos espacios de muestreo descritos.

Los espacios de muestreo aparecen de forma natural en una aproximacin elemental a la


probabilidad, pero son tambin importantes en espacios de probabilidad. Un espacio de probabilidad
(, F, P) incorpora un espacio de muestreo de resultados, , pero define un conjunto de sucesos de
inters, la -lgebra F, por la cual se define la medida de probabilidad P.

2.1 Tipos de espacio muestral

o 2.1.1 Discretos
2.1.1.1 Espacio probabilstico discreto
2.1.1.2 Espacio probabilstico discreto equiprobable
2.1.1.3 Espacio probabilstico finito

175
2.1.1.4 Procesos estocsticos finitos y diagramas de rbol
2.1.1.5 Espacio probabilstico infinito contable
o 2.1.2 Continuos
2.2.1.2.1 Espacio probabilstico continuo
2.1.2.2 Particiones
2.1.2.3 Ejemplos

Discretos
Son aquellos espacios donde el nmero de sucesos elementales es finito o infinito numerable.
Espacio probabilstico discreto.
Es aquel cuyo espacio muestral es discreto. Podemos diferenciar varios tipos de espacio
probabilstico discreto:
Espacio probabilstico discreto equiprobable
Su espacio muestral es finito de tamao n.
La probabilidad de cualquier suceso elemental E es
, de aqu se deduce que para todo suceso A la probabilidad es
Espacio probabilstico finito
Su espacio muestral es discreto finito.
Hay al menos 2 sucesos elementales que cumplen.
Procesos estocsticos finitos y diagramas de rbol

Un proceso estocstico es una sucesin finita de experimentos aleatorios, cada uno de ellos con un
n finito de resultados posibles. Se representan con diagrama de rbol.

Por ejemplo, imaginemos que se lanza una moneda y un dado de seis caras. La probabilidad de
obtener un resultado particular corresponde a la multiplicacin de sus probabilidades. Es decir, la
probabilidad de obtener cara y un tres ser:

Ahora bien, la probabilidad de un suceso cualquiera es la suma de las probabilidades de los distintos
resultados aislados posibles. As, la probabilidad de sacar siempre un resultado impar en los dados,
independientemente del resultado de la moneda, ser:

Espacio probabilstico infinito contable


Aquel cuyo espacio muestral es discreto infinito contable. Por ejemplo:

La probabilidad de que salga cara en la primera tirada ---->

La probabilidad de que salga nuevamente cara en la segunda tirada ---->

La probabilidad de que salga nuevamente cara en la tercera tirada ---->

176
Continuos
Son aquellos espacios donde el nmero de sucesos elementales es infinito incontable.
Espacio probabilstico continuo
Espacio muestral infinito no numerable. -No es posible observar puntos concretos del espacio.
Tiene sentido hablar de intervalos observados. - No es posible asignar probabilidad a un punto
concreto, se asigna a intervalos.
Por tanto la funcin P est definida sobre intervalos ----->
-Habitualmente cuando trabajamos con magnitudes fsicas.
Particiones
Es posible definir particiones sobre el espacio muestral. Formalmente hablando, una particin sobre
se define como un conjunto numerable:
Ejemplos

Por ejemplo, en el caso del experimento aleatorio "lanzar un dado", el espacio muestral del
experimento sera: ={1,2,3,4,5,6}. Por otro lado, si cambiamos ligeramente la experiencia
pensando en el nmero resultante de la suma de 2 dados, entonces tenemos 2 posibles espacios
mustrales para modelar nuestra realidad:

={(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),...(6,6)} = {1,2,3,4,5,6}x{1,2,3,4,5,6}

'={2,3,4,...,12}

La eleccin del espacio muestral es un factor determinante para realizar el clculo de la probabilidad
de un suceso.

3.- Muestras Aleatorias


Cuando nos interesa estudiar las caractersticas de poblaciones grandes, se utilizan muestras por
muchas razones; una enumeracin completa de la poblacin, llamada censo, puede ser
econmicamente imposible, o no se cuenta con el tiempo suficiente.

A continuacin se ver algunos usos del muestreo en diversos campos:

1. Poltica. Las muestras de las opiniones de los votantes se usan para que los candidatos midan
la opinin pblica y el apoyo en las elecciones.
2. Educacin. Las muestras de las calificaciones de los exmenes de estudiantes se usan para
determinar la eficiencia de una tcnica o programa de enseanza.
3. Industria. Muestras de los productos de una lnea de ensamble sirve para controlar la
calidad.
4. Medicina. Muestras de medidas de azcar en la sangre de pacientes diabticos prueban la
eficacia de una tcnica o de un frmaco nuevo.
5. Agricultura. Las muestras del maz cosechado en una parcela proyectan en la produccin los
efectos de un fertilizante nuevo.
6. Gobierno. Una muestra de opiniones de los votantes se usara para determinar los criterios
del pblico sobre cuestiones relacionadas con el bienestar y la seguridad nacional.

177
3.1 Errores en el Muestreo

Cuando se utilizan valores mustrales, o estadsticos para estimar valores poblacionales, o


parmetros, pueden ocurrir dos tipos generales de errores: el error muestral y el error no muestral.
El error muestral se refiere a la variacin natural existente entre muestras tomadas de la misma
poblacin.
Cuando una muestra no es unas copias exacta de la poblacin; an si se ha tenido gran
cuidado para asegurar que dos muestras del mismo tamao sean representativas de una cierta
poblacin, no esperaramos que las dos sean idnticas en todos sus detalles. El error muestral
es un concepto importante que ayudar a entender mejor la naturaleza de la estadstica
inferencial.

Los errores que surgen al tomar las muestras no pueden clasificarse como errores mustrales y se
denominan errores no mustrales.

El sesgo de las muestras es un tipo de error no muestral. El sesgo muestral se refiere a una
tendencia sistemtica inherente a un mtodo de muestreo que da estimaciones de un parmetro que
son, en promedio, menores (sesgo negativo), o mayores (sesgo positivo) que el parmetro real.

El sesgo muestral puede suprimirse, o minimizarse, usando la aleatorizacin.

La aleatorizacin se refiere a cualquier proceso de seleccin de una muestra de la poblacin en el


que la seleccin es imparcial o no est sesgada; una muestra elegida con procedimientos aleatorios
se llama muestra aleatoria.

Los tipos ms comunes de tcnicas de muestreo aleatorios son el muestreo aleatorio simple, el
muestreo estratificado, el muestreo por conglomerados y el muestreo sistemtico.

Si una muestra aleatoria se elige de tal forma que todos los elementos de la poblacin tengan la
misma probabilidad de ser seleccionados, la llamamos muestra aleatoria simple.

Ejemplo 1.1

Suponga que nos interesa elegir una muestra aleatoria de 5 estudiantes en un grupo de estadstica de
20 alumnos. 20C5 da el nmero total de formas de elegir una muestra no ordenada y este resultado es
15,504 maneras diferentes de tomar la muestra. Si listamos las 15,504 en trozos separados de papel,
una tarea tremenda, luego los colocamos en un recipiente y despus los revolvemos, entonces
podremos tener una muestra aleatoria de 5 si seleccionamos un trozo de papel con cinco nombres.
Un procedimiento ms simple para elegir una muestra aleatoria sera escribir cada uno de los 20
nombres en pedazos separados de papel, colocarlos en un recipiente, revolverlos y despus extraer
cinco papeles al mismo tiempo.

Otro mtodo parea obtener una muestra aleatoria de 5 estudiantes en un grupo de 20 utiliza una tabla
de nmeros aleatorios. Se puede construir la tabla usando una calculadora o una computadora.

178
Tambin se puede prescindir de estas y hacer la tabla escribiendo diez dgitos del 0 al 9 en tiras de
papel, las colocamos en un recipiente y los revolvemos, de ah, la primera tira seleccionada
determina el primer nmero de la tabla, se regresa al recipiente y despus de revolver otra vez se
selecciona la seguida tira que determina el segundo nmero de la tabla; el proceso contina hasta
obtener una tabla de dgitos aleatorios con tantos nmeros como se desee.

Hay muchas situaciones en las cuales el muestreo aleatorio simple es poco prctico, imposible
o no deseado; aunque sera deseable usar muestras aleatorias simples para las encuestas
nacionales de opinin sobre productos o sobre elecciones presidenciales, sera muy costoso o
tardado.

El muestreo estratificado requiere de separar a la poblacin segn grupos que no se traslapen


llamados estratos, y de elegir despus una muestra aleatoria simple en cada estrato. La informacin
de las muestras aleatorias simples de cada estrato constituira entonces una muestra global.

Ejemplo 1.2

Suponga que nos interesa obtener una muestra de las opiniones de los profesores de una gran
universidad. Puede ser difcil obtener una muestra con todos los profesores, as que supongamos que
elegimos una muestra aleatoria de cada colegio, o departamento acadmico; los estratos vendran a
ser los colegios, o departamentos acadmicos.

El muestreo por conglomerados requiere de elegir una muestra aleatoria simple de unidades
heterogneas entre s de la poblacin llamadas conglomerados. Cada elemento de la poblacin
pertenece exactamente a un conglomerado, y los elementos dentro de cada conglomerado son
usualmente heterogneos o dismiles.

Ejemplo 1.3

Suponga que una compaa de servicio de televisin por cable est pensando en abrir una sucursal
en una ciudad grande; la compaa planea realizar un estudio para determinar el porcentaje de
familias que utilizaran sus servicios, como no es prctico preguntar en cada casa, la empresa decide
seleccionar una parte de la ciudad al azar, la cual forma un conglomerado.

En el muestreo por conglomerados, stos se forman para representar, tan fielmente como sea
posible, a toda la poblacin; entonces se usa una muestra aleatoria simple de conglomerados para
estudiarla. Los estudios de instituciones sociales como iglesias, hospitales, escuelas y prisiones se
realizan, generalmente, con base en el muestreo por conglomerados.

El muestreo sistemtico es una tcnica de muestreo que requiere de una seleccin aleatoria inicial de
observaciones seguida de otra seleccin de observaciones obtenida usando algn sistema o regla.

Ejemplo 1.4

179
Para obtener una muestra de suscriptores telefnicos en una ciudad grande, puede obtenerse primero
una muestra aleatoria de los nmeros de las pginas del directorio telefnico; al elegir el vigsimo
nombre de cada pgina obtendramos un muestreo sistemtico, tambin podemos escoger un nombre
de la primera pgina del directorio y despus seleccionar cada nombre del lugar nmero cien a partir
del ya seleccionado. Por ejemplo, podramos seleccionar un nmero al azar entre los primeros 100;
supongamos que el elegido es el 40, entonces seleccionamos los nombres del directorio que
corresponden a los nmeros 40, 140, 240, 340 y as sucesivamente.

3.2 Error Muestral


Cualquier medida conlleva algn error. Si se usa la media para medir, estimar, la media poblacional,
entonces la media muestral, como medida, conlleva algn error. Por ejemplo, supongamos que se
ha obtenido una muestra aleatoria de tamao 25 de una poblacin con media = 15: si la media de
la muestra es x = 12, entonces a la diferencia observada x- = -3 se le denomina el error muestral.
Una media muestral X puede pensarse como la suma de dos cantidades, la media poblacional y el
error muestral; si e denota el error muestral, entonces:

Ejemplo 1.5

Se toman muestras de tamao 2 de una poblacin consistente en tres valores, 2, 4 y 6, para simular
una poblacin "grande" de manera que el muestreo pueda realizarse un gran nmero de veces,
supondremos que ste se hace con reemplazo, es decir, el nmero elegido se reemplaza antes de
seleccionar el siguiente, adems, se seleccionan muestras ordenadas. En una muestra ordenada, el
orden en que se seleccionan las observaciones es importante, por tanto, la muestra ordenada (2,4) es
distinta de la muestra ordenada (4,2). En la muestra (4,2), se seleccion primero 4 y despus 2. La
siguiente tabla contiene una lista de todas las muestras ordenadas de tamao 2 que es posible
seleccionar con reemplazo y tambin contiene las medios mustrales y los correspondientes errores
mustrales. La media poblacional es igual a = (2+4+6)/3 = 4. Ver la tabla en la siguiente.

Muestras ordenadas x Error muestral e = x -

(2,2) 2 2 4 = -2

(2,4) 3 3 4 = -1

(2,6) 4 44=0

180
(4,2) 3 3 4 = -1

(4,4) 4 44=0

(4,6) 5 54=1

(6,2) 4 44=0

(6,4) 5 54=1

(6,6) 6 64=2

En consecuencia, si X se usa para medir, estimar, la media poblacional , el promedio de todos los
errores mustrales es cero.

Ntese las interesantes relaciones siguientes contenidas en la tabla:

La media de la coleccin de medias mustrales es 4, la media de la poblacin de la que se extraen


las muestras. Si x denota la media de todas las medias mustrales entonces tenemos:

x = (2+3+4+3+4+5+4+5+6)/9 = 4

La suma de los errores mustrales es cero.

e1 + e2 + e3 + . . . + e9 = (-2) + (-1) + 0 + (-1) + 0 + 1 + 0 + 1 + 2 = 0

Distribuciones Mustrales

Las muestras aleatorias obtenidas de una poblacin son, por naturaleza propia, impredecibles. No se
esperara que dos muestras aleatorias del mismo tamao y tomadas de la misma poblacin tenga la
misma media muestral o que sean completamente parecidas; puede esperarse que cualquier
estadstico, como la media muestral, calculado a partir de las medias en una muestra aleatoria,
cambie su valor de una muestra a otra, por ello, se quiere estudiar la distribucin de todos los
valores posibles de un estadstico. Tales distribuciones sern muy importantes en el estudio de la
estadstica inferencial, porque las inferencias sobre las poblaciones se harn usando estadsticas
mustrales. Como el anlisis de las distribuciones asociadas con los estadsticos mustrales,
podremos juzgar la confiabilidad de un estadstico muestral como un instrumento para hacer
inferencias sobre un parmetro poblacional desconocido.

Como los valores de una estadstica, tal como x, varan de una muestra aleatoria a otra, se le puede
considerar como una variable aleatoria con su correspondiente distribucin de frecuencias.

La distribucin de frecuencia de un estadstica muestral se denomina distribucin muestral. En


general, la distribucin muestral de un estadstico es la de todos sus valores posibles calculados a
partir de muestras del mismo tamao.

181
Suponga que se han seleccionado muestras aleatorias de tamao 20 en una poblacin grande. Se
calcula la madia muestral x para cada muestra; la coleccin de todas estas medias mustrales recibe
el nombre de distribucin muestral de medias, lo que se puede ilustrar en la siguiente figura:

Suponga que se eligen muestras aleatorias de tamao 20, de una poblacin grande, y se calcula la
deviacin estndar de cada una. La coleccin de todas estas desviaciones estndar mustrales se
llama distribucin muestral de la desviacin estndar, y lo podemos ver en la siguiente figura:

Ejemplo 1.6
Se eligen muestras ordenadas de tamao 2, con reemplazo, de la poblacin de valores 0, 2, 4 y 6.
Encuentre:
, la media poblacional.
, la desviacin estndar poblacional.
x, la media de la distribucin muestral de medias.
x, la desviacin estndar de la distribucin muestral de medias.

Adems, grafique las frecuencias para la poblacin y para la distribucin muestral de medias.

Solucin:
a.- La media poblacional es:

182
(0 2 4 6) / 4 3

b.- La desviacin estndar de la poblacin es:

c.- A continuacin se listan los elementos de la distribucin muestral de la media y la


correspondiente distribucin de frecuencias.

La media de la distribucin muestral de medias es:

d) La desviacin estndar de la distribucin muestral de medias es:

183
De aqu que podamos deducir que:

Como para cualquier variable aleatoria, la distribucin muestral de medias tiene una media o valor
esperado, una varianza y una desviacin estndar, se puede demostrar que la distribucin muestral
de medias tiene una media igual a la media poblacional. Esto es:

Distribuciones mustrales
Despus de haber realizado el ejercicio anterior se puede ver que una distribucin muestral se genera
extrayendo todas las posibles muestras del mismo tamao de la poblacin y calculndoles a stas su
estadstico.

Si la poblacin de la que se extraen las muestras es normal, la distribucin muestral de medias ser
normal sin importar el tamao de la muestra.

Si la poblacin de donde se extraen las muestras no es normal, entonces el tamao de la muestra


debe ser mayor o igual a 30, para que la distribucin muestral tenga una forma acampanada.
Mientras mayor sea el tamao de la muestra, ms cerca estar la distribucin muestral de ser normal.
Para muchos propsitos, la aproximacin normal se considera buena si se cumple n=30. La forma de
la disitribucin muestral de medias sea aproximadamente normal, an en casos donde la poblacin
original es bimodal, es realmente notable.

184
Teorema del lmite central

Si se seleccionan muestras aleatorias de n observaciones de una poblacin con media y


desviacin estndar, entonces, cuando n es grande, la distribucin muestral de medias tendr
aproximadamente una distribucin normal con una media igual a y una desviacin estndar de.
/ n . La aproximacin ser cada vez ms exacta a medida de que n sea cada vez mayor.

Ejemplo
Para la distribucin muestral de medias del ejercicio pasado, encuentre:
1. El error muestral de cada media
2. La media de los errores mustrales
3. La desviacin estndar de los errores mustrales.

Solucin:

1.- En la tabla siguiente se ven las muestras, las medias de las muestras y los errores mustrales:

Muestra x Error muestral, e=x-

(0,0) 0 0 - 3 = -3

(0,2) 1 1 - 3 = -2

185
(0,4) 2 2 - 3 = -1

(0,6) 3 33=0

(2,0) 1 1 3 = -2

(2,2) 2 2 3 = -1

(2,4) 3 33=0

(2,6) 4 43=1

(4,0) 2 2 3 = -1

(4,2) 3 33=0

(4,4) 4 43=1

(4,6) 5 53=2

(6,0) 3 33=0

(6,2) 4 43=1

(6,4) 5 53=2

(6,6) 6 63=3

2.- La media de los errores maestrales es e, es:

3.- La desviacin estndar de la distribucin de los errores mustrales e, es entonces:

La desviacin estndar de la distribucin muestral de un estadstico se conoce como error estndar


del estadstico. Para el ejercicio anterior el error estndar de la media denotado por x, es 1.58. Con
esto se puede demostrar que si de una poblacin se eligen muestras de tamao n con reemplazo,
entonces el error estndar de la media es igual a la desviacin estndar de la distribucin de los
errores mustrales.

En general se tiene:

186
Cuando las muestras se toman de una poblacin pequea y sin reemplazo, se puede usar la formula
siguiente para encontrar x .

donde es la desviacin estndar de la poblacin de donde se toman las muestras, n es el tamao


de la muestra y N el de la poblacin.

Como regla de clculo, si el muestreo se hace sin reemplazo y el tamao de la poblacin es al menos
20 veces el tamao de la muestra (N 20), entonces se puede usar la frmula.

El factor se denomina factor de correccin para una poblacin finita.

Ejemplo:

Suponga que la tabla siguiente muestra la antigedad en aos en el trabajo de tres maestros
universitarios de matemticas:

Maestro de matemticas Antigedad

A 6

B 4

C 2

Suponga adems que se seleccionan muestras aleatorias de tamao 2 sin reemplazo. Calcule la
antigedad media para cada muestra, la media de la distribucin muestral y el error estndar,
o la desviacin estndar de la distribucin muestral.

Solucin:

Se pueden tener 3C2 =3 muestras posibles. La tabla lista todas las muestras posibles de tamao 2, con
sus respectivas medias mustrales.
Muestras Antigedad Media Muestral

A, B (6,4) 5

A, C (6,2) 4

B, C (4,2) 3

La media poblacional es:

187
La media de la distribucin muestral es:

La desviacin estndar de la poblacin es:

El error estndar o la desviacin estndar de la distribucin muestral es:

Si utilizamos la frmula del error estndar sin el factor de correccin tendramos que:

Por lo que observamos que este valor no es el verdadero. Agregando el factor de correccin
obtendremos el valor correcto:

El diagrama de flujo resume las decisiones que deben tomarse cuando se calcula el valor del
error estndar:

188
Distribucin Muestral de Medias

Si recordamos a la distribucin normal, esta es una distribucin continua, en forma de campana en


donde la media, la mediana y la moda tienen un mismo valor y es simtrica.

Con esta distribucin podamos calcular la probabilidad de algn evento relacionado con la variable
aleatoria, mediante la siguiente frmula:

En donde z es una variable estandarizada con media igual a cero y varianza igual a uno. Con esta
frmula se pueden a hacer los clculos de probabilidad para cualquier ejercicio, utilizando la tabla
de la distribucin z.

Sabemos que cuando se extraen muestras de tamao mayor a 30 o bien de cualquier tamao de una
poblacin normal, la distribucin muestral de medias tiene un comportamiento aproximadamente
normal, por lo que se puede utilizar la formula de la distribucin normal con y
entonces la frmula para calcular la probabilidad del comportamiento del estadstico, en este caso la
media de la muestra, quedara de la siguiente manera:

189
y para poblaciones finitas y muestro con reemplazo:

Ejemplo:

Una empresa elctrica fabrica focos que tienen una duracin que se distribuye aproximadamente en
forma normal, con media de 800 horas y desviacin estndar de 40 horas. Encuentre la probabilidad
de que una muestra aleatoria de 16 focos tenga una vida promedio de menos de 775 horas.

Solucin:

Este valor se busca en la tabla de z

La interpretacin sera que la probabilidad de que la media de la muestra de 16 focos sea menor a
775 horas es de 0.0062.

Ejemplo:

Las estaturas de 1000 estudiantes estn distribuidas aproximadamente en forma normal con una
media de 174.5 centmetros y una desviacin estndar de 6.9 centmetros. Si se extraen 200
muestras aleatorias de tamao 25 sin reemplazo de esta poblacin, determine:

a.- El nmero de las medias mustrales que caen entre 172.5 y 175.8 centmetros.
b.- El nmero de medias mustrales que caen por debajo de 172 centmetros.

Solucin:

Como se puede observar en este ejercicio se cuenta con una poblacin finita y un muestreo sin
reemplazo, por lo que se tendr que agregar el factor de correccin. Se proceder a calcular el
denominador de Z para slo sustituirlo en cada inciso.

a.-

190
(0.7607)(200)=152 medias mustrales

b.

(0.0336)(200)= 7 medias mustrales

Distribucin muestral de Proporciones

Existen ocasiones en las cuales no estamos interesados en la media de la muestra, sino que queremos
investigar la proporcin de artculos defectuosos o la proporcin de alumnos reprobados en la
muestra. La distribucin muestral de proporciones es la adecuada para dar respuesta a estas
situaciones. Esta distribucin se genera de igual manera que la distribucin muestral de medias, a
excepcin de que al extraer las muestras de la poblacin se calcula el estadstico proporcin (p =x/n
en donde "x" es el nmero de xitos u observaciones de inters y "n" el tamao de la muestra) en
lugar del estadstico media.

Una poblacin binomial est estrechamente relacionada con la distribucin muestral de


proporciones; una poblacin binomial es una coleccin de xitos y fracasos, mientras que una

191
distribucin muestral de proporciones contiene las posibilidades o proporciones de todos los
nmeros posibles de xitos en un experimento binomial, y como consecuencia de esta relacin, las
afirmaciones probabilsticas referentes a la proporcin muestral pueden evaluarse usando la
aproximacin normal a la binomial, siempre que np 5 y n(1-p) 5. Cualquier evento se puede
convertir en una proporcin si se divide el nmero obtenido entre el nmero de intentos.

Generacin de la Distribucin Muestral de Proporciones


Suponga que se cuenta con un lote de 12 piezas, el cual tiene 4 artculos defectuosos. Se van a
seleccionar 5 artculos al azar de ese lote sin reemplazo. Genere la distribucin muestral de
proporciones para el nmero de piezas defectuosas.

Como se puede observar en este ejercicio la Proporcin de artculos defectuosos de esta poblacin es
4/12=1/3. Por lo que podemos decir que el 33% de las piezas de este lote estn defectuosas.

El nmero posible de muestras de tamao 5 a extraer de una poblacin de 12 elementos es 12C5=792,


las cuales se pueden desglosar de la siguiente manera:

Nmero de
Proporcin de
Artculos maneras en las
Artculos Malos artculos
Buenos que se puede
defectuoso
obtener la muestra

1 4 4/5=0.8 8C1*4C4=8

2 3 3/5=0.6 8C2*4C3=112

3 2 2/5=0.4 8C3*4C2=336

4 1 1/5=0.2 8C4*4C1=280

5 0 0/5=0 8C5*4C0=56

Total 792

Para calcular la media de la distribucin muestral de proporciones se tendra que hacer la sumatoria
de la frecuencia por el valor de la proporcin muestral y dividirla entre el nmero total de muestras.
Esto es:

Como podemos observar la media de la distribucin muestral de proporciones es igual a la


Proporcin de la poblacin.
p=P
Tambin se puede calcular la desviacin estndar de la distribucin muestral de proporciones:

La varianza de la distribucin binomial es 2= npq, por lo que la varianza de la distribucin

192
muestral de proporciones es 2
p =(Pq)/n. Si se sustituyen los valores en esta frmula tenemos que:

, este valor no coincide con el de 0.1681, ya que nos falta agregar el factor de correccin para una
poblacin finita y un muestreo sin reemplazo:

La frmula que se utilizar para el clculo de probabilidad en una distribucin muestral de


proporciones est basada en la aproximacin de la distribucin normal a la binomial. Esta frmula
nos servir para calcular la probabilidad del comportamiento de la proporcin en la muestra.

A esta frmula se le puede agregar el factor de correccin de si se cumple con las condiciones
necesarias.

Ejemplo:

Se ha determinado que 60% de los estudiantes de una universidad grande fuman cigarrillos. Se toma
una muestra aleatoria de 800 estudiantes. Calcule la probabilidad de que la proporcin de la muestra
de la gente que fuma cigarrillos sea menor que 0.55.

Solucin:

Este ejercicio se puede solucionar por dos mtodos. El primero puede ser con la aproximacin de la
distribucin normal a la binomial y el segundo utilizando la frmula de la distribucin muestral de
proporciones.

Aproximacin de la distribucin normal a la binomial:

Datos:
N = 800 estudiantes
p = 0.60

193
x = (.55)(800) = 440 estudiantes

p (x 440) = ?

Media = np = (800)(0.60)= 480

p(x< 440) = 0.0017. Este valor significa que existe una probabilidad del 0.17% de que al extraer una
muestra de 800 estudiantes, menos de 440 fuman cigarrillos.

Distribucin Muestral de Proporciones


Datos:
n = 800 estudiantes
P = 0.60
p = 0.55

Observe que este valor es igual al obtenido en el mtodo de la aproximacin de la distribucin


normal a la binomial, por lo que si lo buscamos en la tabla de "z" nos da la misma probabilidad de
0.0017. Tambin se debe de tomar en cuenta que el factor de correccin de 0.5 se esta dividiendo
entre el tamao de la muestra, ya que estamos hablando de una proporcin.

La interpretacin en esta solucin, estara enfocada a la proporcin de la muestra, por lo que


diramos que la probabilidad de que al extraer una muestra de 800 estudiantes de esa universidad, la
proporcin de estudiantes que fuman cigarrillos sea menor al 55% es del 0.17%.

Ejemplo:

Un medicamento para malestar estomacal tiene la advertencia de que algunos usuarios pueden
presentar una reaccin adversa a l, ms an, se piensa que alrededor del 3% de los usuarios tienen
tal reaccin. Si una muestra aleatoria de 150 personas con malestar estomacal usa el medicamento,
encuentre la probabilidad de que la proporcin de la muestra de los usuarios que realmente
presentan una reaccin adversa, exceda el 4%.

a. Resolverlo mediante la aproximacin de la normal a la binomial

194
b. Resolverlo con la distribucin muestral de proporciones

a. Aproximacin de la distribucin normal a la binomial:

Datos:
n = 150 personas
p = 0.03
x = (0.04)(150) = 6 personas
p(x>6) = ?
Media = np = (150)(0.03)= 4.5

p(x>6) = 0.1685. Este valor significa que existe una probabilidad del 17% de que al extraer una
muestra de 150 personas, mas de 6 presentarn una reaccin adversa.

b.- Distribucin Muestral de Proporciones


Datos:
n =150 personas
P =0.03
p = 0.04
p(p>0.04) = ?

Observe que este valor es igual al obtenido y la interpretacin es: existe una probabilidad del 17%
de que al tomar una muestra de 150 personas se tenga una proporcin mayor de 0.04 presentando
una reaccin adversa.

Ejemplo:

Se sabe que la verdadera proporcin de las componentes defectuosas fabricadas por una firma es de
4%, y encuentre la probabilidad de que una muestra aleatoria de tamao 60 tenga:

a.- Menos del 3% de los componentes defectuosos.


b.- Ms del 1% pero menos del 5% de partes defectuosas.

Solucin:

195
a.- Datos:
n = 60 artculos
P =0.04
p = 0.03
p(p<0.03) = ?

La probabilidad de que en una muestra de 60 artculos exista una proporcin menor de 0.03 artculos
defectuosos es de 0.2327.

b.- Datos:
n = 60 artculos
P =0.04
p = 0.01 y 0.05
p(0.01<p<0.05) = ?

Distribucin Muestral de Diferencia de Medias

Suponga que se tienen dos poblaciones distintas, la primera con media 1 y desviacin estndar
1, y la segunda con media 2 y desviacin estndar 2. Ms an, se elige una muestra aleatoria de
tamao n1 de la primera poblacin y una muestra independiente aleatoria de tamao n2 de la
segunda poblacin; se calcula la media muestral para cada muestra y la diferencia entre dichas
medias. La coleccin de todas esas diferencias se llama distribucin muestral de las diferencias
entre medias o la distribucin muestral del estadstico

196
La distribucin es aproximadamente normal para n1 30 y n2 30. Si las poblaciones son normales,
entonces la distribucin muestral de medias es normal sin importar los tamaos de las muestras.

En ejercicios anteriores se haba demostrado que y que, por lo que no es

difcil deducir que y que .

La frmula que se utilizar para el clculo de probabilidad del estadstico de diferencia de


medias es:

Ejemplo:

En un estudio para comparar los pesos promedio de nios y nias de sexto grado en una escuela
primaria se usar una muestra aleatoria de 20 nios y otra de 25 nias. Se sabe que tanto para nios
como para nias los pesos siguen una distribucin normal. El promedio de los pesos de todos los
nios de sexto grado de esa escuela es de 100 libras y su desviacin estndar es de 14.142, mientras
que el promedio de los pesos de todas las nias del sexto grado de esa escuela es de 85 libras y su
desviacin estndar es de 12.247 libras. Si x1 representa el promedio de los pesos de 20 nios y x2
es el promedio de los pesos de una muestra de 25 nias, encuentre la probabilidad de que el
promedio de los pesos de los 20 nios sea al menos 20 libras ms grande que el de las 25 nias.

Solucin:

Datos:
1 = 100 libras
2 = 85 libras

197
1 = 14.142 libras
2 = 12.247 libras
n1 = 20 nios
n2 = 25 nias

Por lo tanto, la probabilidad de que el promedio de los pesos de la muestra de nios sea al menos 20
libras ms grande que el de la muestra de las nias es 0.1056.

Ejemplo:

Uno de los principales fabricantes de televisores compra los tubos de rayos catdicos a dos
compaas. Los tubos de la compaa A tienen una vida media de 7.2 aos con una desviacin
estndar de 0.8 aos, mientras que los de la B tienen una vida media de 6.7 aos con una desviacin
estndar de 0.7. Determine la probabilidad de que una muestra aleatoria de 34 tubos de la compaa
A tenga una vida promedio de al menos un ao ms que la de una muestra aleatoria de 40 tubos de
la compaa B.

Solucin:
Datos:
A = 7.2 aos
B = 6.7 aos
A = 0.8 aos
B = 0.7 aos
nA = 34 tubos
nB = 40 tubos

Ejemplo:
Se prueba el rendimiento en km/L de 2 tipos de gasolina, encontrndose una desviacin estndar de
1.23km/L para la primera gasolina y una desviacin estndar de 1.37km/L para la segunda gasolina;
se prueba la primera gasolina en 35 autos y la segunda en 42 autos.
a.- Cul es la probabilidad de que la primera gasolina de un rendimiento promedio mayor de
0.45km/L que la segunda gasolina?
b.- Cul es la probabilidad de que la diferencia en rendimientos promedio se encuentre entre 0.65 y
0.83km/L a favor de la gasolina 1?.
Solucin:

198
En este ejercicio no se cuenta con los parmetros de las medias en ninguna de las dos poblaciones,
por lo que se supondrn que son iguales.

Datos:
1 = 1.23 Km/Lto
2 = 1.37 Km/Lto
n1 = 35 autos
n2 = 42 autos

La probabilidad de que la diferencia en rendimientos promedio en las muestras se encuentre entre


0.65 y 0.83 Km/Lto a favor de la gasolina 1 es de 0.0117.

Distribucin Muestral de Diferencia de Proporciones

Muchas aplicaciones involucran poblaciones de datos cualitativos que deben compararse utilizando
proporciones o porcentajes. A continuacin se citan algunos ejemplos:

1. Educacin.- Es mayor la proporcin de los estudiantes que aprueban matemticas que las de
los que aprueban ingls?

199
2. Medicina.- Es menor el porcentaje de los usuarios del medicamento A que presentan una
reaccin adversa que el de los usuarios del frmaco B que tambin presentan una reaccin de
ese tipo?
3. Administracin.- Hay diferencia entre los porcentajes de hombres y mujeres en posiciones
gerenciales.
4. Ingeniera.- Existe diferencia entre la proporcin de artculos defectuosos que genera la
mquina A a los que genera la mquina B?

Cuando el muestreo procede de dos poblaciones binomiales y se trabaja con dos proporciones
muestrales, la distribucin muestral de diferencia de proporciones es aproximadamente normal para
tamaos de muestra grande (n1p1 5, n1q1 5,n2p2 5 y n2q2 5). Entonces p1 y p2 tienen
distribuciones muestrales aproximadamente normales, as que su diferencia p1-p2 tambin tiene una
distribucin muestral aproximadamente normal.

Cuando se estudi a la distribucin muestral de proporciones se comprob que y que

, por lo que no es difcil deducir que


y que .

La frmula que se utilizar para el clculo de probabilidad del estadstico de diferencia de


proporciones es:

Ejemplo:

200
Los hombres y mujeres adultos radicados en una ciudad grande del norte difieren en sus opiniones
sobre la promulgacin de la pena de muerte para personas culpables de asesinato. Se cree que el
12% de los hombres adultos estn a favor de la pena de muerte, mientras que slo 10% de las
mujeres adultas lo estn. Si se pregunta a dos muestras aleatorias de 100 hombres y 100 mujeres su
opinin sobre la promulgacin de la pena de muerte, determine la probabilidad de que el porcentaje
de hombres a favor sea al menos 3% mayor que el de las mujeres.

Solucin:
Datos:
PH = 0.12
PM = 0.10
nH = 100
nM = 100
p(pH-pM 0.03) = ?

Se recuerda que se est incluyendo el factor de correccin de 0.5 por ser una distribucin binomial y
se est utilizando la distribucin normal.

Se concluye que la probabilidad de que el porcentaje de hombres a favor de la pena de muerte, al


menos 3% mayor que el de mujeres es de 0.4562.

Ejemplo:

Una encuesta del Boston College const de 320 trabajadores de Michigan que fueron despedidos
entre 1979 y 1984, encontr que 20% haban estado sin trabajo durante por lo menos dos aos.
Supngase que tuviera que seleccionar otra muestra aleatoria de 320 trabajadores de entre todos los
empleados despedidos entre 1979 y 1984. Cul sera la probabilidad de que su porcentaje muestral
de trabajadores sin empleo durante por lo menos dos aos, difiera del porcentaje obtenido en la
encuesta de Boston College, en 5% o ms?

Solucin:

En este ejercicio se cuenta nicamente con una poblacin, de la cual se estn extrayendo dos
muestras y se quiere saber la probabilidad de la diferencia de los porcentajes en esas dos muestras,
por lo que se debe de utilizar la distribucin muestral de proporciones con P1= P2, ya que es una
misma poblacin.

Otra de las situaciones con la cual nos topamos es que desconocemos la proporcin de trabajadores
despedidos entre 1979 y 1984 que estuvieron desempleados por un perodo de por lo menos dos

201
aos, slo se conoce la p1= 0.20 ya que al tomar una muestra de 320 trabajadores se observ esa
proporcin.

En la frmula de la distribucin muestral de proporciones para el clculo de probabilidad se necesita


saber las proporciones de las poblaciones, las cuales en este ejercicio las desconocemos, por lo que
se utilizar el valor de 0.20 como una estimacin puntual de P. En el siguiente tema se abordar el
tema de estimacin estadstica y se comprender el porque estamos utilizando de esa manera el dato.

Tambin debe de comprenderse la pregunta que nos hace este problema, cul sera la probabilidad
de que su porcentaje muestral de trabajadores sin empleo durante por lo menos dos aos, difiera del
porcentaje obtenido en la encuesta de Boston College, en 5% o ms?, la palabra difiera quiere decir
que puede existir una diferencia a favor de la muestra uno, o a favor de la muestra dos, por lo que se
tendrn que calcular dos reas en la distribucin y al final sumarlas.

Datos:
p1 = 0.20
n1 = 320 trabajadores
n2 = 320 trabajadores
P1 = P2

La probabilidad de que su proporcin muestral de trabajadores sin empleo durante por lo menos dos
aos, difiera del porcentaje obtenido en la encuesta de Boston College, en 0.05 o ms es de 0.1260.

Ejemplo:

Se sabe que 3 de cada 6 productos fabricados por la mquina 1 son defectuosos y que 2 de cada 5
objetos fabricados por la mquina 2 son defectuosos; se toman muestras de 120 objetos de cada
mquina:

a. cul es la probabilidad de que la proporcin de artculos defectuosos de la mquina 2 rebase


a la mquina 1 en por lo menos 0.10?
b. cul es la probabilidad de que la proporcin de artculos defectuosos de la mquina 1 rebase
a la mquina 2 en por lo menos 0.15?

202
Solucin:
Datos:
P1 = 3/6 = 0.5
P2 = 2/5 = 0.4
n1 = 120 objetos
n2 = 120 objetos

a.)- p(p2-p1 0.10) = ?

Otra manera de hacer este ejercicio es poner P1-P2:

La probabilidad de que exista una diferencia de proporciones de artculos defectuosos de por lo


menos 10% a favor de la mquina 2 es de 0.0011.

b).- p(p1-p2 0.15)=?

La probabilidad de que
exista una diferencia de
proporciones de artculos defectuosos de por lo menos 15% a favor de la mquina 1 es de 0.2357.

203
Distribucin Muestral de Nmero de Defectos
En el control de calidad y especficamente en los grficos de control "c" se aplica esta distribucin,
la cual consiste en que al extraer un artculo contabilicemos el nmero de defectos que tiene ese
artculo. Esta distribucin muestral proviene de la distribucin de Poisson, en la cual le media es
y que en este caso es el nmero promedio de defectos por unidad. Como ya es conocido la varianza
de la distribucin de Poisson es igual a por lo que se puede deducir la formula de la siguiente
manera:

Para la distribucin muestral de nmero de defectos la nomenclatura utilizada es:

c = nmero defectos por unidad de inspeccin


C = nmero de defectos promedio por unidad de inspeccin

Se debe de recordar que la distribucin de Poisson es una distribucin discreta, y se esta utilizando
la aproximacin de la normal a la Poisson, debiendo aplicar el factor de correccin de 0.5 segn
sea el caso. La frmula para la distribucin muestral de nmero de defectos quedara de la siguiente
manera:

Ejemplo:
En cierta empresa se fabrican productos con un promedio de 8 defectos por unidad. Determine la
probabilidad de que el prximo producto inspeccionado tenga un nmero de defectos:

a. Mayor o igual a 6
b. Exactamente 7
c. Como mximo 9

a).-

204
La probabilidad de que el siguiente producto inspeccionado tenga por lo menos 6 defectos es de
0.8106.
b).-

La probabilidad de que el siguiente producto inspeccionado tenga exactamente 7 defectos es de


0.1344.

c).-

La probabilidad de que el siguiente producto inspeccionado tenga a lo ms 9 defectos es de


0.7019.

205
Problemas propuestos
1.- Se sabe que la resistencia a la ruptura de cierto tipo de cuerda se distribuye normalmente con
media de 2000 libras y una varianza de 25,000 lbs2. Si se selecciona una muestra aleatoria de 100
cuerdas; determine la probabilidad de que en esa muestra:

a. La resistencia media encontrada sea de por lo menos 1958 libras.


b. La resistencia media se mayor de 2080 libras.

2.- Como parte de un proyecto general de mejoramiento de la calidad, un fabricante textil decide
controlar el nmero de imperfecciones encontradas en cada pieza de tela. Se estima que el nmero
promedio de imperfecciones por cada pieza de tela es de 12, determine la probabilidad de que en la
prxima pieza de tela fabricada se encuentren:

a. Entre 10 y 12 imperfecciones.
b. Menos de 9 y ms de 15 imperfecciones

3.- En una prueba de aptitud la puntuacin media de los estudiantes es de 72 puntos y la desviacin
estndar es de 8 puntos. Cul es la probabilidad de que dos grupos de estudiantes, formados de 28 y
36 estudiantes, respectivamente, difieran en su puntuacin media en:

a. 3 ms puntos.
b. 6 o ms puntos.
c. Entre 2 y 5 puntos.

4.- Un especialista en gentica ha detectado que el 26% de los hombres y el 24% de las mujeres de
cierta regin del pas tiene un leve desorden sanguneo; si se toman muestras de 150 hombres y 150
mujeres, determine la probabilidad de que la diferencia muestral de proporciones que tienen ese leve
desorden sanguneo sea de:

a. Menos de 0.035 a favor de los hombres.


b. Entre 0.01 y 0.04 a favor de los hombres.

5.- Una urna contiene 80 bolas de las que 60% son rojas y 40% blancas. De un total de 50 muestras
de 20 bolas cada una, sacadas de la urna con reemplazamiento, en cuntas cabe esperar

a. Igual nmero de bolas rojas y blancas?


b. 12 bolas rojas y 8 blancas?
c. 8 bolas rojas y 12 blancas?
d. 10 ms bolas blancas?

6.- Los pesos de 1500 cojinetes de bolas se distribuyen normalmente con media de 2.40 onzas y
desviacin estndar de 0.048 onzas. Si se extraen 300 muestras de tamao 36 de esta poblacin,
determinar la media esperada y la desviacin estndar de la distribucin muestral de medias si el
muestreo se hace:

206
a. Con reemplazamiento
b. Sin reemplazamiento

7.- La vida media de una mquina para hacer pasta es de siete aos, con una desviacin estndar de
un ao. Suponga que las vidas de estas mquinas siguen aproximadamente una distribucin normal,
encuentre:

a. La probabilidad de que la vida media de una muestra aleatoria de 9 de estas mquinas caiga
entre 6.4 y 7.2 aos.
b. El valor de la

a la derecha del cual caera el 15% de las medias calculadas de muestras aleatorias de tamao nueve.

8.- Se llevan a cabo dos experimentos independientes en lo que se comparan dos tipos diferentes de
pintura. Se pintan 18 especimenes con el tipo A y en cada uno se registra el tiempo de secado en
horas. Lo mismo se hace con el tipo B. Se sabe que las desviaciones estndar de la poblacin son
ambas 1.0. Suponga que el tiempo medio de secado es igual para los dos tipo de pintura. Encuentre
la probabilidad de que la diferencia de medias en el tiempo de secado sea mayor a uno a favor de la
pintura A.

Respuestas a los problemas propuestos:

1. a) 0.9960 b) 0
2. a) 0.3221 b) 0.3122
3. a) 0.2150 b) 0.0064 c) 0.4504
4. a) 0.2227 b) 0.2848
5. a) 6 b) 9 c) 2 d) 12
6. a) b) ligeramente menor que 0.008
7. a) 0.6898 b) 7.35
8. 0.0013

207
UNIDAD VII. ESTIMACONES

ESTIMACION

El objetivo principal de la estadstica inferencial es la estimacin, esto es que mediante el estudio de


una muestra de una poblacin se quiere generalizar las conclusiones al total de la misma. Como
vimos en la seccin anterior, los estadsticos varan mucho dentro de sus distribuciones mustrales,
y mientras menor sea el error estndar de un estadstico, ms cercanos sern unos de otros sus
valores.

Existen dos tipos de estimaciones para parmetros; puntuales y por intervalo. Una estimacin
puntual es un nico valor estadstico y se usa para estimar un parmetro. El estadstico usado se
denomina estimador.

Una estimacin por intervalo es un rango, generalmente de ancho finito, que se espera que
contenga el parmetro.

Estimacin Puntual

La inferencia estadstica est casi siempre concentrada en obtener algn tipo de conclusin acerca de
uno o ms parmetros (caractersticas poblacionales). Para hacerlo, se requiere que un investigador
obtenga datos mustrales de cada una de las poblaciones en estudio. Entonces, las conclusiones
pueden estar basadas en los valores calculados de varias cantidades mustrales. Po ejemplo,
representamos con (parmetro) el verdadero promedio de resistencia a la ruptura de conexiones
de alambres utilizados para unir obleas de semiconductores. Podra tomarse una muestra aleatoria de
10 conexiones para determinar la resistencia a la ruptura de cada una, y la media muestral de la
resistencia a la ruptura x se poda emplear para sacar una conclusin acerca del valor de. De
forma similar, si 2 es la varianza de la distribucin de resistencia a la ruptura, el valor de la
varianza muestral s2 se podra utilizar para inferir algo acerca de. 2

Cuando se analizan conceptos generales y mtodo de inferencia es conveniente tener un smbolo


genrico para el parmetro de inters. Se utilizar la letra griega para este propsito. El objetivo de
la estimacin puntual es seleccionar slo un nmero, basados en datos de la muestra, que
represente el valor ms razonable de .
Una muestra aleatoria de 3 bateras para calculadora podra presentar duraciones observadas en
horas de x1=5.0, x2=6.4 y x3=5.9. El valor calculado de la duracin media muestral es x = 5.77, y es
razonable considerar 5.77 como el valor ms adecuado de .

Una estimacin puntual de un parmetro es un slo nmero que se puede considerar como el
valor ms razonable de . La estimacin puntual se obtiene al seleccionar una estadstica apropiada
y calcular su valor a partir de datos de la muestra dada. La estadstica seleccionada se llama
estimador puntual de .

208
El smbolo (theta sombrero) suele utilizarse para representar el estimador de y la estimacin
puntual resultante de una muestra dada. Entonces se lee como "el estimador puntual de
es la media muestral x ". El enunciado "la estimacin puntual de es 5.77" se puede escribir en
forma abreviada .

Ejemplo:

En el futuro habr cada vez ms inters en desarrollar aleaciones de Mg de bajo costo, para varios
procesos de fundicin. En consecuencia, es importante contar con mtodos prcticos para
determinar varias propiedades mecnicas de esas aleaciones. Examine la siguiente muestra de
mediciones del mdulo de elasticidad obtenidos de un proceso de fundicin a presin:

44.2 43.9 44.7 44.2 44.0 43.8 44.6 43.1

Suponga que esas observaciones son el resultado de una muestra aleatoria. Se desea estimar la
varianza poblacional . Un estimador natural es la varianza muestral:

En el mejor de los casos, se encontrar un estimador para el cual


siempre Sin embargo, es una funcin de las Xi mustrales, por lo que en
s misma una variable aleatoria.

Entonces el estimador preciso sera uno que produzca slo pequeas diferencias de estimacin, de
modo que los valores estimados se acerquen al valor verdadero.

Propiedades de un Buen Estimador


Insesgado.- Se dice que un estimador puntual es un estimador insesgado de si, para
todo valor posible de En otras palabras, un estimador insesgado es aquel para el cual la media de
la distribucin muestral es el parmetro estimado. Si se usa la media muestral para estimar la
media poblacional , se sabe que la , por lo tanto la media es un estimador insesgado.

Eficiente o con varianza mnima.- Suponga que 1 y 2 son dos estimadores insesgados de .
Entonces, aun cuando la distribucin de cada estimador est centrada en el valor verdadero de , las
dispersiones de las distribuciones alrededor del valor verdadero pueden ser diferentes.

Entre todos los estimadores de que son insesgados, seleccione al que tenga varianza mnima. El
resultante recibe el nombre de estimador insesgado con varianza mnima (MVUE, minimum
variance unbiased estimator) de .

209
En otras palabras, la eficiencia se refiere al tamao de error estndar de la estadstica. Si
comparamos dos estadsticas de una muestra del mismo tamao y tratamos de decidir cul de ellas
es un estimador ms eficiente, escogeramos la estadstica que tuviera el menor error estndar, o la
menor desviacin estndar de la distribucin de muestreo.
Tiene sentido pensar que un estimador con un error estndar menor tendr una mayor oportunidad
de producir una estimacin ms cercana al parmetro de poblacin que se est considerando.

Como se pueden observar las dos distribuciones tienen un mismo valor en el parmetro slo que la
distribucin muestral de medias tiene una menor varianza, por lo que la media se convierte en un
estimador eficiente e insesgado.

Coherencia.- Una estadstica es un estimador coherente de un parmetro de poblacin, si al


aumentar el tamao de la muestra se tiene casi la certeza de que el valor de la estadstica se
aproxima bastante al valor del parmetro de la poblacin. Si un estimador es coherente se vuelve
ms confiable si tenemos tamaos de muestras ms grandes.

Suficiencia.- Un estimador es suficiente si utiliza una cantidad de la informacin contenida de la


muestra que ningn otro estimador podra extraer informacin adicional de la muestra sobre el
parmetro de la poblacin que se est estimando.

Es decir se pretende que al extraer la muestra el estadstico calculado contenga toda la informacin
de esa muestra. Por ejemplo, cuando se calcula la media de la muestra, se necesitan todos los datos.
Cuando se calcula la mediana de una muestra slo se utiliza a un dato o a dos. Esto es solo el dato o
los datos del centro son los que van a representar la muestra. Con esto se deduce que si utilizamos a
todos los datos de la muestra como es en el caso de la media, la varianza, desviacin estndar, etc;
se tendr un estimador suficiente.

210
Estimacin por Intervalos

Un estimado puntual, por ser un slo nmero, no proporciona por s mismo informacin alguna
sobre la precisin y confiabilidad de la estimacin. Por ejemplo, imagine que se usa el estadstico x
para calcular un estimado puntual de la resistencia real a la ruptura de toallas de papel de cierta
marca, y suponga que x = 9322.7. Debido a la variabilidad de la muestra, nunca se tendr el caso de
que x = . El estimado puntual nada dice sobre lo cercano que esta de . Una alternativa para
reportar un solo valor del parmetro que se est estimando es calcular e informar todo un intervalo
de valores factibles, un estimado de intervalo o intervalo de confianza (IC). Un intervalo de
confianza se calcula siempre seleccionando primero un nivel de confianza, que es una medida de el
grado de fiabilidad en el intervalo. Un intervalo de confianza con un nivel de confianza de 95% de la
resistencia real promedio a la ruptura podra tener un lmite inferior de 9162.5 y uno superior de
9482.9. Entonces, en un nivel de confianza de 95%, es posible tener cualquier valor de entre
9162.5 y 9482.9. Un nivel de confianza de 95% implica que 95% de todas las muestras dara lugar a
un intervalo que incluye o cualquier otro parmetro que se est estimando, y slo 5% de las
muestras producir un intervalo errneo. Cuanto mayor sea el nivel de confianza podremos creer
que el valor del parmetro que se estima est dentro del intervalo.

Una interpretacin correcta de la "confianza de 95%" radica en la interpretacin frecuente de


probabilidad a largo plazo: decir que un evento A tiene una probabilidad de 0.95, es decir que si el
experimento donde A est definido re realiza una y otra vez, a largo plazo A ocurrir 95% de las
veces. Para este caso el 95% de los intervalos de confianza calculados contendrn a

Esta es una construccin repetida de intervalos de confianza de 95% y se puede observar que de los
11 intervalos calculados slo el tercero y el ltimo no contienen el valor de .

De acuerdo con esta interpretacin, el nivel de confianza de 95% no es tanto un enunciado Esta es
una construccin repetida de intervalos de confianza de 95sobre cualquier intervalo en particular,

211
ms bien se refiere a lo que sucedera si se tuvieran que construir un gran nmero de intervalos
semejantes.

Encontrar z a partir de un nivel de confianza

Existen varias tablas en las cuales podemos encontrar el valor de z, segn sea el rea proporcionada
por la misma. En esta seccin se realizar un ejemplo para encontrar el valor de z utilizando tres
tablas diferentes.

Ejemplo:

Encuentre el valor de z para un nivel de confianza del 95%.

Solucin 1:
Se utilizar la tabla que tiene el rea bajo la curva de - hasta z. Si lo vemos grficamente sera:

El nivel de confianza bilateral est dividido en partes iguales bajo la curva:

En base a la tabla que se esta utilizando, se tendr que buscar el rea de 0.975, ya que cada extremo
o cola de la curva tiene un valor de 0.025.

Por lo que el valor de z es de 1.96.

Solucin 2:

Si se utiliza una tabla en donde el rea bajo la curva es de 0 a z:

212
En este caso slo se tendr que buscar adentro de la tabla el rea de 0.475 y el resultado del valor de
z ser el mismo, para este ejemplo 1.96.

Solucin 3:

Para la tabla en donde el rea bajo la curva va desde z hasta :

Se busca el valor de 0.025 para encontrar z de 1.96.

Independientemente del valor del Nivel de Confianza este ser el procedimiento a seguir para
localizar a z. En el caso de que no se encuentre el valor exacto se tendr que interpolar.

Estimacin para la Media

Es conocido de nosotros durante este curso, que en base a la distribucin muestral de medias que se
gener en el tema anterior, la frmula para el clculo de probabilidad es la siguiente:

Como en este caso no conocemos el parmetro y lo queremos estimar por medio de la media de la
muestra, slo se despejar de la formula anterior, quedando lo siguiente:
De esta frmula se puede observar que tanto el tamao de la muestra como el valor de z se
conocern. Z se puede obtener de la tabla de la distribucin normal a partir del nivel de confianza
establecido. Pero en ocasiones se desconoce por lo que en esos casos lo correcto es utilizar otra
distribucin llamada "t" de student si la poblacin de donde provienen los datos es normal.
Para el caso de tamaos de muestra grande se puede utilizar una estimacin puntual de la desviacin
estndar, es decir igualar la desviacin estndar de la muestra a la de la poblacin (S = ).

Ejemplos:
1.- Se encuentra que la concentracin promedio de zinc que se saca del agua a partir de una muestra
de mediciones de zinc en 36 sitios diferentes es de 2.6 gramos por mililitro. Encuentre los intervalos
de confianza de 95% y 99% para la concentracin media de zinc en el ro. Suponga que la
desviacin estndar de la poblacin es 0.3.

213
Solucin:
La estimacin puntual de es = 2.6. El valor de z para un nivel de confianza del 95% es 1.96, por
lo tanto:

Para un nivel de confianza de 99% el valor de z es de 2.575 por lo que el intervalo ser ms amplio:

El intervalo de confianza proporciona una estimacin de la precisin de nuestra estimacin puntual.


Si es realmente el valor central de intervalo, entonces x estima sin error. La mayor parte de las
veces, sin embargo, x no ser exactamente igual a y la estimacin puntual es errnea. La
magnitud de este error ser el valor absoluto de la diferencia entre y x , y podemos tener el nivel
de confianza de que esta diferencia no exceder z .
n

Como se puede observar en los resultados del ejercicio se tiene un error de estimacin mayor
cuando el nivel de confianza es del 99% y ms pequeo cuando se reduce a un nivel de confianza
del 95%.

2.-Una empresa elctrica fabrica focos que tienen una duracin aproximadamente distribuida de
forma normal con una desviacin estndar de 40 horas. Si una muestra de 30 focos tiene una

214
duracin promedio de 780 horas, encuentre un intervalos de confianza de 96% para la media de la
poblacin de todos los focos que produce esta empresa.

Solucin:

Con un nivel de confianza del 96% se sabe que la duracin media de los focos que produce la
empresa est entre 765 y 765 horas.

3.- La prueba de corte sesgado es el procedimiento ms aceptado para evaluar la calidad de una
unin entre un material de reparacin y su sustrato de concreto. El artculo "Testing the Bond
Between Repair Materials and Concrete Substrate" informa que, en cierta investigacin, se obtuvo
una resistencia promedio muestral de 17.17 N/mm2, con una muestra de 48 observaciones de
resistencia al corte, y la desviacin estndar muestral fue 3.28 N/mm2. Utilice un nivel de confianza
inferior del 95% para estimar la media real de la resistencia al corte.

Solucin:

En este ejercicio se nos presentan dos situaciones diferentes a los ejercicios anteriores. La primera
que desconoce la desviacin estndar de la poblacin y la segunda que nos piden un intervalo de
confianza unilateral.
El primer caso ya se haba comentado y se solucionar utilizando la desviacin estndar de la
muestra como estimacin puntual de sigma.
Para el intervalo de confianza unilateral, se cargar el rea bajo la curva hacia un solo lado como
sigue:

Esto quiere decir que con un nivel de confianza de 95%, el valor de la media est en el intervalo

(16.39, ).

Estimacin de una Proporcin

Un estimador puntual de la proporcin P en un experimento binomial est dado por la estadstica


P=X/N, donde x representa el nmero de xitos en n pruebas. Por tanto, la proporcin de la muestra
p =x/n se utilizar como estimador puntual del parmetro P.

215
Si no se espera que la proporcin P desconocida est demasiado cerca de 0 de 1, se puede
establecer un intervalo de confianza para P al considerar la distribucin muestral de proporciones.

Al despejar P de esta ecuacin nos queda:

En este despeje podemos observar que se necesita el valor del parmetro P y es precisamente lo que
queremos estimar, por lo que lo sustituiremos por la proporcin de la muestra p siempre y cuando el
tamao de muestra no sea pequeo.

Cuando n es pequea y la proporcin desconocida P se considera cercana a 0 a 1, el procedimiento


del intervalo de confianza que se establece aqu no es confiable, por tanto, no se debe utilizar. Para
estar seguro, se debe requerir que np nq sea mayor o igual a 5.

El error de estimacin ser la diferencia absoluta entre p y P, y podemos tener el nivel de confianza

de que esta diferencia no exceder


pq
z
n
Ejemplos:

1. Un fabricante de reproductores de discos compactos utiliza un conjunto de pruebas amplias para


evaluar la funcin elctrica de su producto. Todos los reproductores de discos compactos deben
pasar todas las pruebas antes de venderse. Una muestra aleatoria de 500 reproductores tiene como
resultado 15 que fallan en una o ms pruebas. Encuentre un intervalo de confianza de 90% para la
proporcin de los reproductores de discos compactos de la poblacin que no pasan todas las
pruebas.

Solucin:

n=500
p=15/500=0.03
z(0.90)=1.645

Se sabe con un nivel de confianza del 90% que la proporcin de discos defectuosos que no pasan la
prueba en esa poblacin est entre 0.0237 y 0.0376.

2.- En una muestra de 400 pilas tipo B fabricadas por la Everlast Company, se encontraron 20
defectuosas. Si la proporcin p de pilas defectuosas en esa muestra se usa para estimar P, que vendr
a ser la proporcin verdadera de todas las pilas defectuosas tipo B fabricadas por la Everlast
Company, encuentre el mximo error de estimacin tal que se pueda tener un 95% de confianza en
que P dista menos de de p.

216
Solucin:

p=x/n = 20/400=0.05
z(0.95)=1.96

Si p=0.05 se usa para estimar P, podemos tener un 95% de confianza en que P dista menos de 0.021
de p. En otras palabras, si p=0.05 se usa para estimar P, el error mximo de estimacin ser
aproximadamente 0.021 con un nivel de confianza del 95%.

Para calcular el intervalo de confianza se tendra: p e 0.05 0.021

Esto da por resultado dos valores, (0.029, 0.071). Con un nivel de confianza del 95% se sabe que la
proporcin de pulas defectuosas de esta compaa est entre 0.029 y 0.071.

Si se requiere un menor error con un mismo nivel de confianza slo se necesita aumentar el
tamao de la muestra.

3.- En un estudio de 300 accidentes de automvil en una ciudad especfica, 60 tuvieron


consecuencias fatales. Con base en esta muestra, construya un intervalo del 90% de confianza para
aproximar la proporcin de todos los accidentes automovilsticos que en esa ciudad tienen
consecuencias fatales.

Solucin:

P= 60/300 = 0.20
Z(0.90) = 1.645

Estimacin de la Diferencia entre dos Medias

Si se tienen dos poblaciones con medias 1 y 2 y varianzas y , respectivamente, un estimador


puntual de la diferencia entre 1 y 2 est dado por la estadstica . Por tanto. Para obtener
una estimacin puntual de 1- 2, se seleccionan dos muestras aleatorias independientes, una de cada
poblacin, de tamao n1 y n2, se calcula la diferencia , de las medias mustrales.

Recordando a la distribucin muestral de diferencia de medias:

217
Al despejar de esta ecuacin 1- 2 se tiene:

En el caso en que se desconozcan las varianzas de la poblacin y los tamaos de muestra sean
mayores a 30 se podr utilizar la varianza de la muestra como una estimacin puntual.

Ejemplos:

1.- Se lleva a cabo un experimento en que se comparan dos tipos de motores, A y B. Se mide el
rendimiento en millas por galn de gasolina. Se realizan 50 experimentos con el motor tipo A y 75
con el motor tipo B. La gasolina que se utiliza y las dems condiciones se mantienen constantes. El
rendimiento promedio de gasolina para el motor A es de 36 millas por galn y el promedio para el
motor B es 24 millas por galn. Encuentre un intervalo de confianza de 96% sobre la diferencia
promedio real para los motores A y B. Suponga que las desviaciones estndar poblacionales son 6 y
8 para los motores A y B respectivamente.

Solucin:

Es deseable que la diferencia de medias sea positiva por lo que se recomienda restar la media mayor
menos la media menor. En este caso ser la media del motor B menos la media del motor A. El
valor de z para un nivel de confianza del 96% es de 2.05.

La interpretacin de este ejemplo sera que con un nivel de confianza del 96% la diferencia del
rendimiento promedio est entre 3.43 y 8.57 millas por galn a favor del motor B. Esto quiere decir
que el motor B da ms rendimiento promedio que el motor A, ya que los dos valores del intervalo
son positivos.

2.- Una compaa de taxis trata de decidir si comprar neumticos de la marca A o de la B para su
flotilla de taxis. Para estimar la diferencia de las dos marcas, se lleva a cabo un experimento
utilizando 12 de cada marca. Los neumticos se utilizan hasta que se desgastan, dando como
resultado promedio para la marca A 36,300 kilmetros y para la marca B 38,100 kilmetros. Calcule
un intervalo de confianza de 95% para la diferencia promedio de las dos marcas, si se sabe que las
poblaciones se distribuyen de forma aproximadamente normal con desviacin estndar de 5000
kilmetros para la marca A y 6100 kilmetros para la marca B.

Solucin:

218
Grficamente:

Como el intervalo contiene el valor cero, no hay razn para creer que el promedio de duracin del
neumtico de la marca B es mayor al de la marca A, pues el cero nos est indicando que pueden
tener la misma duracin promedio.

Estimacin de la Diferencia de dos Proporciones

En la seccin anterior se vio el tema de la generacin de las distribuciones mustrales, en donde se


tena el valor de los parmetros, se seleccionaban dos muestras y podamos calcular la probabilidad
del comportamiento de los estadsticos. Para este caso en particular se utilizar la distribucin
muestral de diferencia de proporciones para la estimacin de la misma. Recordando la formula:

Despejando P1-P2 de esta ecuacin tenemos:

Aqu se tiene el mismo caso que en la estimacin de una proporcin, ya que al hacer el despeje nos
queda las dos proporciones poblacionales y es precisamente lo que queremos estimar, por lo que se
utilizarn las proporciones de la muestra como estimadores puntuales:

Ejemplos:
1.- Se considera cierto cambio en un proceso de fabricacin de partes componentes. Se toman
muestras del procedimiento existente y del nuevo para determinar si ste tiene como resultado una
mejora. Si se encuentra que 75 de 1500 artculos del procedimiento actual son defectuosos y 80 de
2000 artculos del procedimiento nuevo tambin lo son, encuentre un intervalo de confianza de 90%
para la diferencia real en la fraccin de defectuosos entre el proceso actual y el nuevo.

Solucin:

219
Sean P1 y P2 las proporciones reales de defectuosos para los procesos actual y nuevo,
respectivamente. De aqu, p1=75/1500 = 0.05 y p2 = 80/2000 = 0.04. con el uso de la tabla
encontramos que z para un nivel de confianza del 90% es de 1.645.

Como el intervalo contiene el valor de cero, no hay razn para creer que el nuevo procedimiento
producir una disminucin significativa en la proporcin de artculos defectuosos comparados con el
mtodo existente.

2.- Un artculo relacionado con la salud, reporta los siguientes datos sobre la incidencia de
disfunciones importantes entre recin nacidos con madres fumadoras de marihuana y de madres que
no la fumaban:

Encuentre el intervalo de confianza del 99% para la diferencia de proporciones.

Solucin:

Representemos P1 la proporcin de nacimientos donde aparecen disfunciones entre todas las madres
que fuman marihuana y definamos P2, de manera similar, para las no fumadoras. El valor de z para
un 99% de confianza es de 2.58.

Este intervalo es bastante angosto, lo cual sugiere que P1-P2 ha sido estimado de manera precisa.

Determinacin de Tamaos de Muestra para Estimaciones

Al iniciar cualquier investigacin, la primer pregunta que surge es: de qu tamao debe ser la o las
muestras?. La respuesta a esta pregunta la veremos en esta seccin, con conceptos que ya se han
visto a travs de este material.

Clculo del Tamao de la Muestra para Estimar una Media

220
Qu tan grande debe ser una muestra si la media muestral se va a usar para estimar la media
poblacional?. La respuesta depende del error estndar de la media, si este fuera cero, entonces se
necesitara una sola media que ser igual necesariamente a la media poblacional desconocida ,
porque = 0. Este caso extremo no se encuentra en la prctica, pero refuerza el hecho de que
mientras menor sea el error estndar de la media, menor es el tamao de muestra necesario para
lograr un cierto grado de precisin.
Se estableci antes que una forma de disminuir el error de estimacin es aumentar el tamao de la
muestra, si ste incluye el total de la poblacin, entonces sera igual a cero. Con esto en
mente, parece razonable que para un nivel de confianza fijo, sea posible determinar un tamao de la
muestra tal que el error de estimacin sea tan pequeo como queramos, para ser ms preciso, dado
un nivel de confianza y un error fijo de estimacin , se puede escoger un tamao de muestra n tal
que = Nivel de confianza. Con el propsito de determinar n. El error mximo de
estimacin esta dado por: z
n
Si se eleva al cuadrado ambos lados de esta ecuacin y se despeja n de la ecuacin resultante,
z
2

obtenemos: n

Como n debe de ser un nmero entero, redondeamos hacia arriba todos los resultados fraccionarios.

En el caso de que se tenga una poblacin finita y un muestreo sin reemplazo, el error de estimacin
se convierte en:

De nuevo se eleva al cuadrado ambos lados y se despeja la n, obteniendo:

Ejemplos:

1.- Un bilogo quiere estimar el peso promedio de los ciervos cazados en e estado de Maryland. Un
estudio anterior de diez ciervos cazados mostr que la desviacin estndar de sus pesos es de 12.2
libras. Qu tan grande debe ser una muestra para que el bilogo tenga el 95% de confianza de que
el error de estimacin es a lo ms de 4 libras?

Solucin:

En consecuencia, si el tamao de la muestra es 36, se puede tener un 95% de confianza en que


difiere en menos de 4 libras de x.
2.- Una empresa elctrica fabrica focos que tienen una duracin aproximadamente normal con una
desviacin estndar de 40 horas. De qu tamao se necesita una muestra si se desea tener 96% de
confianza que la media real est dentro de 10 horas de la media real?

221
Solucin:

Se necesita una muestra de 68 focos para estimar la media de la poblacin y tener un error mximo
de 10 horas.
Qu pasara si en lugar de tener un error de estimacin de 10 horas slo se requiere un error de 5
horas?

Se puede observar como el tamao de la muestra aumenta, pero esto tiene como beneficio una
estimacin ms exacta.

3.- Suponga que en el ejercicio anterior se tiene una poblacin de 300 focos, y se desea saber de que
tamao debe de ser la muestra. El muestreo se realizar sin reemplazo.

Solucin:

Como se tiene una poblacin finita y un muestreo sin reemplazo es necesario utilizar la formula con
el factor de correccin.

Si se tiene una poblacin finita de 300 focos slo se tiene que extraer de la poblacin una muestra
sin reemplazo de 56 focos para poder estimar la duracin media de los focos restantes con un error
mximo de 10 horas.

Clculo del Tamao de la Muestra para Estimar una Proporcin

Se desea saber que tan grande se requiere que sea una muestra para asegurar que el error al estimar

P sea menor que una cantidad especfica


pq
z
n
2
z pq
Elevando al cuadrado la ecuacin anterior se despeja n y nos queda: n
2

Esta frmula est algo engaosa, pues debemos utilizar p para determinar el tamao de la muestra,
pero p se calcula a partir de la muestra. Existen ocasiones en las cuales se tiene una idea del
comportamiento de la proporcin de la poblacin y ese valor se puede sustituir en la frmula, pero si
no se sabe nada referente a esa proporcin entonces se tienen dos opciones:
Tomar una muestra preliminar mayor o igual a 30 para proporcionar una estimacin de P.
Despus con el uso de la frmula se podra determinar de forma aproximada cuntas
observaciones se necesitan para proporcionar el grado de precisin que se desea.

222
Tomar el valor de p como 0.5 ya que sustituyendo este en la frmula se obtiene el tamao de
muestra mayor posible. Observe el siguiente ejemplo:

Se desconoce el valor de P, por lo que se utilizarn diferentes valores y se sustituirn en la formula


para observar los diferentes tamaos de muestras. El nivel de confianza que se utilizar es del 95%
con un error de estimacin de 0.30.

Como se puede observar en la tabla anterior cuando P vale 0.5 el tamao de la muestra alcanza su
mximo valor.
En el caso de que se tenga una poblacin finita y un muestreo sin reemplazo, el error de estimacin
pq N n
se convierte en: z
n N 1
2
z pqN
De nuevo se eleva al cuadrado ambos lados y se despeja la n, obteniendo: n
N 1 z pq
2 2

Ejemplos:
1.- En una muestra aleatoria de 500 familias que tienen televisores en la ciudad de Hamilton,
Canad, se encuentra que 340 estn suscritas a HBO. Qu tan grande se requiere que sea una
muestra si se quiere tener 95% de confianza de que la estimacin de P est dentro de 0.02?

223
Solucin:
Se tratarn a las 500 familias como una muestra preliminar que proporciona una estimacin de
p=340/500=0.68.

Por lo tanto si basamos nuestra estimacin de P sobre una muestra aleatoria de tamao 2090, se
puede tener una confianza de 95% de que nuestra proporcin muestral no diferir de la proporcin
real por ms de 0.02.

2.- Una legisladora estatal desea encuestar a los residentes de su distrito para conocer qu
proporcin del electorado conoce la opinin de ella, respecto al uso de fondos estatales para pagar
abortos. Qu tamao de muestra se necesita si se requiere un confianza del 95% y un error mximo
de estimacin de 0.10?

Solucin:
En este problema, se desconoce totalmente la proporcin de residentes que conoce la opinin de la
legisladora, por lo que se utilizar un valor de 0.5 para p.

Se requiere un tamao de muestra de 97 residentes para que con una confianza del 95% la
estimacin tenga un error mximo de 0.10.

Clculo del Tamao de la Muestra para Estimar la Diferencia de Medias

Si se recuerda a la distribucin muestral de diferencia de medias se tiene que error esta dado por:

En esta ecuacin se nos pueden presentar dos casos:


Los tamaos de muestra son iguales.
Los tamao de muestra son diferentes.
Para el primer caso no se tiene ningn problema, se eleva al cuadrado la ecuacin y se despeja n ya
que n1 es igual a n2.

224
Para el segundo caso se pondr una n en funcin de la otra. Este caso se utiliza cuando las
poblaciones son de diferente tamao y se sabe que una es K veces mayor que la otra.

Ejemplo:
Un director de personal quiere comparar la efectividad de dos mtodos de entrenamiento para
trabajadores industriales a fin de efectuar cierta operacin de montaje. Se divide un nmero de
operarios en dos grupos iguales: el primero recibe el mtodo de entrenamiento 1, y el segundo, el
mtodo 2. Cada uno realizar la operacin de montaje y se registrar el tiempo de trabajo. Se espera
que las mediciones para ambos grupos tengan una desviacin estndar aproximadamente de 2
minutos. Si se desea que la estimacin de la diferencia en tiempo medio de montaje sea correcta
hasta por un minuto, con una probabilidad igual a 0.95, cuntos trabajadores se tienen que incluir
en cada grupo de entrenamiento?

Cada grupo debe contener aproximadamente 31 empleados.

Clculo del Tamao de la Muestra para Estimar la Diferencia de Proporciones

Si se recuerda a la distribucin muestral de diferencia de medias se tiene que error esta dado por:

En esta ecuacin se nos pueden presentar dos casos:


Los tamaos de muestra son iguales.
Los tamaos de muestra son diferentes.

Para el primer caso no se tiene ningn problema, se eleva al cuadrado la ecuacin y se despeja n ya
que n1 es igual a n2.

225
Para el segundo caso se pondr una n en funcin de la otra. Este caso se utiliza cuando las
poblaciones son de diferente tamao y se sabe que una es K veces mayor que la otra.

Ejemplo:
Una compaa de productos alimenticios contrat a una empresa de investigacin de mercadotecnia,
para muestrear dos mercados, I y II, a fin de comparar las proporciones de consumidores que
prefieren la comida congelada de la compaa con los productos de sus competidores. No hay
informacin previa acerca de la magnitud de las proporciones P1 y P2. Si la empresa de productos
alimenticios quiere estimar la diferencia dentro de 0.04, con una probabilidad de 0.95, cuntos
consumidores habr que muestrear en cada mercado?

Se tendr que realizar encuestas a 1201 consumidores de cada mercado para tener una estimacin
con una confianza del 95% y un error mximo de 0.04.

226
Problemas propuestos

1. Se prob una muestra aleatoria de 400 cinescopios de televisor y se encontraron 40


defectuosos. Estime el intervalo que contiene, con un coeficiente de confianza de 0.90, a la
verdadera fraccin de elementos defectuosos.

2. Se planea realizar un estudio de tiempos para estimar el tiempo medio de un trabajo, exacto
dentro de 4 segundos y con una probabilidad de 0.90, para terminar un trabajo de montaje. Si la
experiencia previa sugiere que = 16 seg. mide la variacin en el tiempo de montaje entre un
trabajador y otro al realizar una sola operacin de montaje, cuntos operarios habr que incluir en
la muestra?

3. El decano registr debidamente el porcentaje de calificaciones D y F otorgadas a los


estudiantes por dos profesores universitarios de matemticas. El profesor I alcanz un 32%, contra
un 21% para el profesor II, con 200 y 180 estudiantes, respectivamente. Estime la diferencia entre
los porcentajes de calificaciones D y F otorgadas por los dos profesores. Utilice un nivel de
confianza del 95% e intrprete los resultados.

4. Suponga que se quiere estimar la produccin media por hora, en un proceso que produce
antibitico. Se observa el proceso durante 100 perodos de una hora, seleccionados al azar y se
obtiene una media de 34 onzas por hora con una desviacin estndar de 3 onzas por hora. Estime la
produccin media por hora para el proceso, utilizando un nivel de confianza del 95%.

5. Un ingeniero de control de calidad quiere estimar la fraccin de elementos defectuosos en un


gran lote de lmparas. Por la experiencia, cree que la fraccin real de defectuosos tendra que andar
alrededor de 0.2. Qu tan grande tendra que seleccionar la muestra si se quiere estimar la fraccin
real, exacta dentro de 0.01, utilizando un nivel de confianza fe 95%?

6. Se seleccionaron dos muestras de 400 tubos electrnicos, de cada una de dos lneas de
produccin, A y B. De la lnea A se obtuvieron 40 tubos defectuosos y de la B 80. Estime la
diferencia real en las fracciones de defectuosos para las dos lneas, con un coeficiente de confianza
de 0.90 e intrprete los resultados.

7. Se tienen que seleccionar muestras aleatorias independientes de n1=n2=n observaciones de


cada una de dos poblaciones binomiales, 1 y 2. Si se desea estimar la diferencia entre los dos
parmetros binomiales, exacta dentro de 0.05, con una probabilidad de 0.98. qu tan grande tendra
que ser n?. No se tiene informacin anterior acerca de los valores P1 y P2, pero se quiere estar seguro
de tener un nmero adecuado de observaciones en la muestra.

8. Se llevan a cabo pruebas de resistencia a la tensin sobre dos diferentes clases de largueros de
aluminio utilizados en la fabricacin de alas de aeroplanos comerciales. De la experiencia pasada
con el proceso de fabricacin se supone que las desviaciones estndar de las resistencias a la tensin
son conocidas. La desviacin estndar del larguero 1 es de 1.0 Kg/mm22 y la del larguero 2 es de 1.5

227
Kg/mm2. Se sabe que el comportamiento de las resistencias a la tensin de las dos clases de
largueros son aproximadamente normal. Se toma una muestra de 10 largueros del tipo 1
obtenindose una media de 87.6 Kg/mm2, y otra de tamao 12 para el larguero 2 obtenindose una
media de 74.5 Kg/mm2. Estime un intervalo de confianza del 90% para la diferencia en la resistencia
a la tensin promedio.

9. Se quiere estudiar la tasa de combustin de dos propelentes slidos utilizados en los sistemas
de escape de emergencia de aeroplanos. Se sabe que la tasa de combustin de los dos propelentes
tiene aproximadamente la misma desviacin estndar; esto es 1=2 = 3 cm/s. Qu tamao de
muestra debe utilizarse en cada poblacin si se desea que el error en la estimacin de la diferencia
entre las medias de las tasas de combustin sea menor que 4 cm/s con una confianza del 99%?.

Respuesta a los Problemas propuestos


1. 0.07532 P 0.1246
2. n= 44
3. 0.0222 P1- P2 0.1978
4. 33.412 34.588
5. n= 6147
6. 0.059 PB-PA 0.141
7. n= 1086
8. 12.22 1-2 13.98
9. n= 8

228
UNIDAD VIII. PRUEBA DE HIPOTESIS
PRUEBA DE HIPOTESIS

Las secciones anteriores han mostrado cmo puede estimarse un parmetro a partir de los datos
contenidos en una muestra. Puede encontrarse ya sea un slo nmero (estimador puntual) o un
intervalo de valores posibles (intervalo de confianza). Sin embargo, muchos problemas de
ingeniera, ciencia, y administracin, requieren que se tome una decisin entre aceptar o rechazar
una proposicin sobre algn parmetro. Esta proposicin recibe el nombre de hiptesis. Este es uno
de los aspectos ms tiles de la inferencia estadstica, puesto que muchos tipos de problemas de
toma de decisiones, pruebas o experimentos en el mundo de la ingeniera, pueden formularse como
problemas de prueba de hiptesis.

Suponga que se tiene inters en la rapidez de combustin de un agente propulsor slido utilizado en
los sistemas de salida de emergencia para la tripulacin de aeronaves. El inters se centra sobre la
rapidez de combustin promedio. De manera especfica, el inters recae en decir si la rapidez de
combustin promedio es o no 50 cm/s. Esto puede expresarse de manera formal como

Ho; = 50 cm/s
H1; 50 cm/s
La proposicin Ho; = 50 cm/s, se conoce como hiptesis nula, mientras que la proposicin H1;
50 cm/s, recibe el nombre de hiptesis alternativa. Puesto que la hiptesis alternativa
especifica valores de que pueden ser mayores o menores que 50 cm/s, tambin se conoce como
hiptesis alternativa bilateral. En algunas situaciones, lo que se desea es formular una hiptesis
alternativa unilateral, como en

Ho; = 50 cm/s Ho; = 50 cm/s



H1; < 50 cm/s H1; > 50 cm/s

Es importante recordar que las hiptesis siempre son proposiciones sobre la poblacin o distribucin
bajo estudio, no proposiciones sobre la muestra. Por lo general, el valor del parmetro de la
poblacin especificado en la hiptesis nula se determina en una de tres maneras diferentes:

1. Puede ser resultado de la experiencia pasada o del conocimiento del proceso, entonces el
objetivo de la prueba de hiptesis usualmente es determinar si ha cambiado el valor del
parmetro.
2. Puede obtenerse a partir de alguna teora o modelo que se relaciona con el proceso bajo
estudio. En este caso, el objetivo de la prueba de hiptesis es verificar la teora o modelo.

229
3. Cuando el valor del parmetro proviene de consideraciones externas, tales como las
especificaciones de diseo o ingeniera, o de obligaciones contractuales. En esta situacin, el
objetivo usual de la prueba de hiptesis es probar el cumplimiento de las especificaciones.

Un procedimiento que conduce a una decisin sobre una hiptesis en particular recibe el nombre de
prueba de hiptesis. Los procedimientos de prueba de hiptesis dependen del empleo de la
informacin contenida en la muestra aleatoria de la poblacin de inters. Si esta informacin es
consistente con la hiptesis, se concluye que sta es verdadera; sin embargo si esta informacin es
inconsistente con la hiptesis, se concluye que esta es falsa. Debe hacerse hincapi en que la verdad
o falsedad de una hiptesis en particular nunca puede conocerse con certidumbre, a menos que
pueda examinarse a toda la poblacin. Usualmente esto es imposible en muchas situaciones
prcticas. Por tanto, es necesario desarrollar un procedimiento de prueba de hiptesis teniendo en
cuenta la probabilidad de llegar a una conclusin equivocada.

Prueba de una Hiptesis Estadstica

Para ilustrar los conceptos generales, considere el problema de la rapidez de combustin del agente
propulsor presentado con anterioridad. La hiptesis nula es que la rapidez promedio de combustin
es 50 cm/s, mientras que la hiptesis alternativa es que sta no es igual a 50 cm/s. Esto es, se desea
probar:
Ho; = 50 cm/s
H1; 50 cm/s
Supngase que se realiza una prueba sobre una muestra de 10 especmenes, y que se observa cual es
la rapidez de combustin promedio muestral. La media muestral es un estimador de la media
verdadera de la poblacin. Un valor de la media muestral x que este prximo al valor hipottico =
50 cm/s es una evidencia de que el verdadero valor de la media es realmente 50 cm/s; esto es, tal
evidencia apoya la hiptesis nula Ho. Por otra parte, una media muestral muy diferente de 50 cm/s
constituye una evidencia que apoya la hiptesis alternativa H1. Por tanto, en este caso, la media
muestral es el estadstico de prueba.

230
La media muestral puede tomar muchos valores diferentes. Supngase que si 48.5x 51.5,
entonces no se rechaza la hiptesis nula Ho; = 50 cm/s, y que si x <48.5 x >51.5, entonces se
acepta la hiptesis alternativa H1; 50 cm/s. Los valores de x que son menores que 48.5 o
mayores que 51.5 constituyen la regin crtica de la prueba, mientras que todos los valores que
estn en el intervalo 48.5x 51.5 forman la regin de aceptacin. Las fronteras entre las regiones
crticas y de aceptacin reciben el nombre de valores crticos. La costumbre es establecer
conclusiones con respecto a la hiptesis nula Ho. Por tanto, se rechaza Ho en favor de H1 si el
estadstico de prueba cae en la regin crtica, de lo contrario, no se rechaza Ho.

Este procedimiento de decisin puede conducir a una de dos conclusiones errneas. Por ejemplo, es
posible que el valor verdadero de la rapidez promedio de combustin del agente propulsor sea igual
a 50 cm/s. Sin embargo, para todos los especmenes bajo prueba, bien puede observarse un valor del
Estadstico de prueba x que cae en la regin crtica. En este caso, la hiptesis nula Ho ser rechazada
en favor de la alternativa H1cuando, de hecho, Ho en realidad es verdadero. Este tipo de conclusin
equivocada se conoce como error tipo I.

Si tuviramos un nivel de confianza del 95% entonces el nivel de significancia sera del 5%.
Anlogamente si se tiene un nivel de confianza del 90% entonces el nivel de significancia sera
del 10%.
Ahora supngase que la verdadera rapidez promedio de combustin es diferente de 50 cm/s, aunque
la media muestral x caiga dentro de la regin de aceptacin. En este caso se acepta Ho cuando sta es
falsa. Este tipo de conclusin recibe el nombre de error tipo II.

Por tanto, al probar cualquier hiptesis estadstica, existen cuatro situaciones diferentes que
determinan si la decisin final es correcta o errnea.

1. Los errores tipo I y tipo II estn relacionados. Una disminucin en la probabilidad de


uno por lo general tiene como resultado un aumento en la probabilidad del otro.
2. El tamao de la regin crtica, y por tanto la probabilidad de cometer un error tipo I,
siempre se puede reducir al ajustar el o los valores crticos.
3. Un aumento en el tamao muestral n reducir y de forma simultnea

231
4. Si la hiptesis nula es falsa, es un mximo cuando el valor real del parmetro se
aproxima al hipottico. Entre ms grande sea la distancia entre el valor real y el valor
hipottico, ser menor .

PASOS PARA ESTABLECER UN ENSAYO DE HIPOTESIS


INDEPENDIENTEMENTE DE LA DISTRIBUCION QUE SE ESTE TRATANDO

1. Interpretar correctamente hacia que distribucin muestral se ajustan los datos del
enunciado.

2. Interpretar correctamente los datos del enunciado diferenciando los parmetros de los
estadsticos. As mismo se debe determinar en este punto informacin implcita como
el tipo de muestreo y si la poblacin es finita o infinita.

3. Establecer simultneamente el ensayo de hiptesis y el planteamiento grfico del


problema. El ensayo de hiptesis est en funcin de parmetros ya que se quiere
evaluar el universo de donde proviene la muestra. En este punto se determina el tipo
de ensayo (unilateral o bilateral).

4. Establecer la regla de decisin. Esta se puede establecer en funcin del valor crtico,
el cual se obtiene dependiendo del valor de (Error tipo I o nivel de significancia) o
en funcin del estadstico lmite de la distribucin muestral. Cada una de las hiptesis
deber ser argumentada correctamente para tomar la decisin, la cual estar en
funcin de la hiptesis nula o Ho.

5. Calcular el estadstico real, y situarlo para tomar la decisin.

6. Justificar la toma de decisin y concluir.

Tipos de Ensayo

Se pueden presentar tres tipos de ensayo de hiptesis que son:


Unilateral Derecho
Unilateral Izquierdo
Bilateral
Dependiendo de la evaluacin que se quiera hacer se seleccionar el tipo de ensayo.
Unilateral Derecho. El investigador desea comprobar la hiptesis de un aumento en el
parmetro, en este caso el nivel de significancia se carga todo hacia el lado derecho, para
definir las regiones de aceptacin y de rechazo.

Ensayo de hiptesis:
Ho; Parmetro x
H1; Parmetro x

232
Unilateral Izquierdo: El investigador desea comprobar la hiptesis de una disminucin en el
parmetro, en este caso el nivel de significancia se carga todo hacia el lado izquierdo, para
definir las regiones de aceptacin y de rechazo.

Ensayo de hiptesis:
Ho; Parmetro x
H1; Parmetro x

Bilateral: El investigador desea comprobar la hiptesis de un cambio en el parmetro. El


nivel de significancia se divide en dos y existen dos regiones de rechazo.

Ensayo de hiptesis:
Ho; Parmetro = x
H1; Parmetro x

Para realizar los ejemplos y ejercicios de ensayo de hiptesis se recomienda seguir los pasos
mencionados anteriormente. Los ejemplos siguientes se solucionarn por los pasos recomendados,
tenindose una variedad de problemas en donde se incluirn a todas las distribuciones muestrales
que se han visto hasta aqu.

Ejemplos:

1.- Una muestra aleatoria de 100 muertes registradas en Estados Unidos el ao pasado muestra una
vida promedio de 71.8 aos. Suponga una desviacin estndar poblacional de 8.9 aos, esto parece
indicar que la vida media hoy en da es mayor que 70 aos? Utilice un nivel de significancia de 0.05.

Solucin:
1. Se trata de una distribucin muestral de medias con desviacin estndar conocida.
2. Datos:
=70 aos
= 8.9 aos
x = 71.8 aos
n = 100
= 0.05
3. Ensayo de hiptesis
Ho; = 70 aos.
H1; > 70 aos.

233
4. Regla de decisin:
Si zR1.645 no se rechaza Ho.
Si zR> 1.645 se rechaza Ho.
5. Clculos:

6. Justificacin y decisin.
Como 2.02 >1.645 se rechaza Ho y se concluye con un nivel de significancia del 0.05 que la vida
media hoy en da es mayor que 70 aos.

Existe otra manera de resolver este ejercicio, tomando la decisin en base al estadstico real, en este
caso la media de la muestra. De la formula de la distribucin muestral de medias se despeja la media
de la muestra:

Regla de decisin:
Si R x 71.46 No se rechaza Ho
Si R x > 71.46 Se rechaza Ho
Como la media de la muestral es de 71.8 aos y es mayor al valor de la media muestral lmite de
71.46 por lo tanto se rechaza Ho y se llega a la misma conclusin.

2.- Una empresa elctrica fabrica focos que tienen una duracin que se distribuye de forma
aproximadamente normal con una media de 800 horas y una desviacin estndar de 40 horas. Si una
muestra aleatoria de 30 focos tiene una duracin promedio de 788 horas, muestran los datos
suficiente evidencia para decir que la duracin media ha cambiado? Utilice un nivel de significancia
del 0.04.

Solucin:
1. Se trata de una distribucin muestral de medias con desviacin estndar conocida.
2. Datos:
=800 horas
= 40 horas
x = 788 horas
n = 30
= 0.04

234
3. Ensayo de hiptesis
Ho; = 800 horas
H1; 800 horas

4. Regla de Decisin:
Si 2.052ZR2.052 No se rechaza Ho
Si ZR < -2.052 si ZR > 2.052 Se rechaza Ho
5. Clculos:

6. Justificacin y decisin:
Como 2.052-1.6432.052 por lo tanto, no se rechaza Ho y se concluye con un nivel de
significancia del 0.04 que la duracin media de los focos no ha cambiado.

Solucin por el otro mtodo:

Regla de decisin:
Si 785.02 R x 814.98 No se rechaza Ho
Si R x < 785.02 R x > 814.98 se rechaza Ho
Como la R x = 788 horas, entonces no se rechaza Ho y se concluye que la duracin media de los focos
no ha cambiado.

3.- Una muestra aleatoria de 64 bolsas de palomitas de maz pesan, en promedio 5.23 onzas con una
desviacin estndar de 0.24 onzas. Pruebe la hiptesis de que = 5.5 onzas contra al hiptesis
alternativa, < 5.5 onzas en el nivel de significancia de 0.05.

Solucin:
1. Se trata de una distribucin muestral de medias con desviacin estndar desconocida, pero como
el tamao de muestra es mayor a 30 se puede tomar la desviacin muestral como un estimador
puntual para la poblacional.

235
2. Datos:
= 5.5 onzas
s= 0.24 onzas
x = 5.23 onzas
n = 64
= 0.05
3. Ensayo de hiptesis
Ho; = 5.5 onzas
H1; < 5.5 onzas

4. Regla de decisin:
Si ZR -1.645 No se rechaza Ho
Si ZR < -1.645 Se rechaza Ho
5. Clculos:

6. Justificacin y decisin:
Como 9 < -1.645 por lo tanto se rechaza Ho y se concluye con un nivel de significancia del 0.05
que las bolsas de palomitas pesan en promedio menos de 5.5 onzas.

Solucin por el otro mtodo:

Regla de decisin:
Si R x 5.45 No se Rechaza Ho
Si R x < 5.45 Se rechaza Ho
Como la R x = 5.23 y este valor es menor que 5.45 pot lo tanto se rechaza Ho.

4.- Un constructor afirma que se instalan bombas de calor en 70% de todas las casas que se
construyen hoy en da en la ciudad de Richmond. Estara de acuerdo con esta afirmacin si una

236
investigacin de casas nuevas en esta ciudad muestra que 8 de 15 tienen instaladas bombas de calor?
Utilice un nivel de significancia de 0.10.

Solucin:
1. Se trata de una distribucin muestral de proporciones.
2. Datos:
P= 0.70
p = 8/15 = 0.5333
n = 15
= 0.10
3. Ensayo de hiptesis
Ho; P = 0.70
H1; P 0.70

4. Regla de Decisin:
Si 1.645ZR1.645 No se rechaza Ho
Si ZR < -1.645 si ZR > 1.645 Se rechaza Ho
5. Clculos:

6. Justificacin y decisin:
Como 1.645-1.411.645 No se rechaza Ho y se concluye con un nivel de significancia de 0.10
que la afirmacin del constructor es cierta.

Solucin por el otro mtodo:

Regla de decisin:
Si 0.505pR0.894 No se rechaza Ho
Si pR < 0.505 si ZR > 0.894 Se rechaza Ho

237
Como el valor del estadstico real es de 0.533 por lo tanto no se rechaza Ho y se llega a la misma
conclusin.

5.- Un fabricante de semiconductores produce controladores que se emplean en aplicaciones de


motores automovilsticos. El cliente requiere que la fraccin de controladores defectuosos en uno de
los pasos de manufactura crticos no sea mayor que 0.05, y que el fabricante demuestre esta
caracterstica del proceso de fabricacin con este nivel de calidad, utilizando = 0.05. El fabricante
de semiconductores toma una muestra aleatoria de 200 dispositivos y encuentra que cuatro de ellos
son defectuosos. El fabricante puede demostrar al cliente la calidad del proceso?

Solucin:
1. Se trata de una distribucin muestral de proporciones.
2. Datos:
P= 0.05
p = 4/200 = 0.02
n = 200
= 0.05
3. Ensayo de hiptesis
Ho; P = 0.05
H1; P < 0.05

4. Regla de decisin:
Si ZR -1.645 No se rechaza Ho
Si ZR < -1.645 Se rechaza Ho
5. Clculos

6. Justificacin y decisin:
Puesto que 1.946<-1.645, se rechaza Ho y se concluye con un nivel de significancia del 0.05 que
la fraccin de artculos defectuosos es menor que 0.05.

6.- Un diseador de productos est interesado en reducir el tiempo de secado de una pintura tapa
poros. Se prueban dos frmulas de pintura; la frmula 1 tiene el contenido qumico estndar, y la
frmula 2 tiene un nuevo ingrediente secante que debe reducir el tiempo de secado. De la
experiencia se sabe que la desviacin estndar del tiempo de secado es ocho minutos, y esta
variabilidad inherente no debe verse afectada por la adicin del nuevo ingrediente. Se pintan diez
especmenes con la frmula 1, y otros diez con la frmula 2. Los dos tiempos promedio de secado

238
maestrales son 121 min. y 112 min. Respectivamente. A qu conclusiones puede llegar el diseador
del producto sobre la eficacia del nuevo ingrediente, utilizando = 0.05?

Solucin:

Se trata de una distribucin muestral de diferencia de medias con desviacin estndar conocida.
Datos:
1= 2= 8

n1=n2= 10
= 0.05
Ensayo de hiptesis
Ho; 1- 2 = 0
H1; 1- 2 > 0 Se desea rechazar Ho si el nuevo ingrediente disminuye el tiempo promedio de
secado, por eso se pone la diferencia mayor a cero o sea positiva para poder probar que 2 es
menor que 1.
.

1.- Regla de decisin:


Si zR 1.645 no se rechaza Ho.
Si zR> 1.645 se rechaza Ho.
2.- Clculos:

3.-Justificacin y decisin:
Puesto que 2.52>1.645, se rechaza Ho, y se concluye con un nivel de significancia de 0.05 que la
adicin del nuevo ingrediente a la pintura si disminuye de manera significativa el tiempo promedio
de secado.

Solucin por el otro mtodo:

239
Regla de decisin:
Si 5.88 No se rechaza Ho
Si > 5.88 Se rechaza Ho
Puesto que = 121-112 = 9 y este nmero es mayor a 5.88 por lo tanto se rechaza Ho.

7.-Se utilizan dos mquinas para llenar botellas de plstico con un volumen neto de 16.0 onzas. Las
distribuciones de los volmenes de llenado pueden suponerse normales, con desviaciones estndar
1= 0.020 y 2 = 0.025 onzas. Un miembro del grupo de ingeniera de calidad sospecha que el
volumen neto de llenado de ambas mquinas es el mismo, sin importar si ste es o no de 16 onzas.
De cada mquina se toma una muestra aleatoria de 10 botellas. Se encuentra el ingeniero en lo
correcto? Utilice = = 0.05

MAQUINA 1 MAQUINA 2

16.03 16.01 16.02 16.03

16.04 15.96 15.97 16.04

16.05 15.98 15.96 16.02

16.05 16.02 16.01 16.01

16.02 15.99 15.99 16.00


Solucin:
1.- Se trata de una distribucin muestral de diferencia de medias con desviacin estndar conocida.
2.- Datos:
1= 0.020
2= 0.025
Este dato se obtuvo calculando la media de los datos en la mquina 1.
Este dato se obtuvo calculando la media de los datos en la mquina 2.
n1=n2 = 10
= 0.05
3.- Ensayo de hiptesis
Ho; 1- 2 = 0

240
H1; 1- 2 0 Si se cae en Ho se podr probar que el volumen de llenado es el mismo en las dos
mquinas.

4.- Regla de Decisin:


Si 1.96 ZR 1.96 No se rechaza Ho
Si ZR < -1.96 si ZR > 1.96 Se rechaza Ho
5.- Clculos:

6.- Justificacin y decisin:


Como 1.96 0.987 1.96 entonces no se rechaza Ho y se concluye con un nivel de significancia
de 0.05 que las dos mquinas tienen en promedio la misma cantidad de llenado.
Solucin por el otro mtodo:

-0.019 y 0.019

Regla de decisin:
Si 0-019 0.019 No se rechaza Ho
Si < -0.019 > 0.019 Se rechaza Ho
Como = 16.015 16.005 = 0.01, entonces cae en la regin de aceptacin y no se rechaza
Ho.

241
8. Existen dos tipos de plstico apropiados para su uso por un fabricante de componentes
electrnicos. La tensin de ruptura de ese plstico es un parmetro importante. Se sabe que 1=2=
1.0 psi. De una muestra aleatoria de tamao 10 y 12 para cada plstico respectivamente, se tiene una
media de 162.5 para el plstico 1 y de 155 para el plstico 2. La compaa no adoptar el plstico 1 a
menos que la tensin de ruptura de ste exceda a la del plstico 2 al menos por 10 psi. Con base a la
informacin contenida en la muestra, la compaa deber utilizar el plstico 1? Utilice = 0.05
para llegar a una decisin.

Solucin:
1.- Se trata de una distribucin muestral de diferencia de medias con desviacin estndar conocida.
2.- Datos:
1=2= 1.0 psi

n1= 10
n2= 12
= 0.05
3.- Ensayo de hiptesis
Ho; 1- 2 = 10
H1; 1- 2 > 10 Se desea rechazar Ho si la media del plstico 1 supera a la media del plstico 2 en
por lo menos 10 psi.

4.- Regla de decisin:


Si zR 1.645 no se rechaza Ho.
Si zR> 1.645 se rechaza Ho.
5.-Clculos:

6.- Justificacin y decisin:


No existe evidencia suficiente para apoyar el uso del plstico 1 ya que 5.83 1.645, por lo tanto
no se rechaza Ho.

Solucin por el otro mtodo:

242
Regla de decisin:
Si 10.70 No se rechaza Ho
Si > 10.70 Se rechaza Ho
Puesto que = 162.5-155 = 7.5 y este nmero es no es mayor a 10.7 por lo tanto no se
rechaza Ho.

9.- Se evalan dos tipos diferentes de soluciones para pulir, para su posible uso en una operacin de
pulido en la fabricacin de lentes intraoculares utilizados en el ojo humano despus de una ciruga
de cataratas. Se pulen 300 lentes con la primera solucin y, de stos, 253 no presentaron defectos
inducidos por el pulido. Despus se pulen otros 300 lentes con la segunda solucin, de los cuales
196 resultan satisfactorios. Existe alguna razn para creer que las dos soluciones para pulir son
diferentes? Utilice = 0.01

Solucin:

1.- Se trata de una distribucin muestral de diferencia de proporciones.


2.- Datos:
p1= 253/300= 0.8433
p2 = 196/300= 0.6533
n1=n2 = 300
3.- Ensayo de hiptesis:
Ho; P1-P2 = 0
H1; P1-P2 0

243
4.- Regla de Decisin:
Si 2.575 ZR 2.575 No se rechaza Ho
Si ZR < -2.575 si ZR > 2.575 Se rechaza Ho

5.- Clculos:

En esta frmula se puede observar que en el denominador se tienen a las proporciones poblacionales
o sea los parmetros, los cuales no se conocen, por lo que en el ensayo de hiptesis la frmula para
poder calcular la ZR cambia, estimando a el parmetro comn P de la siguiente forma:

bien

Entonces la frmula de ZR quedara de la siguiente manera:

Se calcular el valor de P:

6.- Justificacin y decisin:


Puesto que 5.36>2.575, se rechaza la hiptesis nula y se concluye con un nivel de significancia de
0.01 que los dos fluidos para pulir son diferentes.

10. Se tomar el voto entre los residentes de una ciudad y el condado circundante para determinar si
se debe construir una planta qumica propuesta. El lugar de construccin est dentro de los lmites
de la ciudad y por esta razn muchos votantes del condado consideran que la propuesta pasar
debido a la gran proporcin de votantes que favorecen la construccin. Para determinar si hay una
diferencia significativa en la proporcin de votantes de la ciudad y votantes del condado que
favorecen la propuesta, se realiza una encuesta. Si 120 de 200 votantes de la ciudad favorecen la
propuesta y 240 de 500 residentes del condado tambin lo hacen, estara de acuerdo en que la
proporcin de votantes de la ciudad que favorecen la propuesta es ms alto que la proporcin de
votantes del condado? Utilice un nivel de significancia de 0.025.

244
Solucin:

1.- Se trata de una distribucin muestral de diferencia de proporciones.


2.- Datos:
p1= 120/200= 0.60
p2 = 240/500= 0.48
n1 = 200
n2 = 500
3.- Ensayo de hiptesis:
Ho; P1-P2 = 0
H1; P1-P2 > 0

4.- Regla de decisin:


Si zR 1.96 no se rechaza Ho.
Si zR> 1.96 se rechaza Ho.

5.- Clculos:
Se calcular el valor de P:

6.- Justificacin y decisin:

Puesto que 2.9>1.96, se rechaza la hiptesis nula y se concluye con un nivel de significancia de
0.025 que la proporcin de votantes de la ciudad a favor de la propuesta es ms alta que la
proporcin de votantes del condado.

Uso de valores P para la toma de decisiones


Al probar hiptesis en las que la estadstica de prueba es discreta, la regin crtica se puede elegir de
forma arbitraria y determinar su tamao. Si es demasiado grande, se puede reducir al hacer un
ajuste en el valor crtico. Puede ser necesario aumentar el tamao de la muestra para compensar la

245
disminucin que ocurre de manera automtica en la potencia de la prueba (probabilidad de rechazar
Ho dado que una alternativa especfica es verdadera).

Por generaciones enteras de anlisis estadstico, se ha hecho costumbre elegir un nivel de


significancia de 0.05 0.01 y seleccionar la regin crtica en consecuencia. Entonces, por supuesto,
el rechazo o no rechazo estricto de Ho depender de esa regin crtica. En la estadstica aplicada los
usuarios han adoptado de forma extensa la aproximacin del valor P. La aproximacin se disea
para dar al usuario una alternativa a la simple conclusin de "rechazo" o "no rechazo".

La aproximacin del valor P como ayuda en la toma de decisiones es bastante natural pues casi
todos los paquetes de computadora que proporcionan el clculo de prueba de hiptesis entregan
valores de P junto con valores de la estadstica de la prueba apropiada.

Un valor P es el nivel (de significancia) ms bajo en el que el valor observado de la


estadstica de prueba es significativo.
El valor P es el nivel de significancia ms pequeo que conduce al rechazo de la hiptesis
nula Ho.
El valor P es el mnimo nivel de significancia en el cual Ho sera rechazada cuando se utiliza
un procedimiento de prueba especificado con un conjunto dado de informacin. Una vez que
el valor de P se haya determinado, la conclusin en cualquier nivel particular resulta de
comparar el valor P con :

1. Valor P rechazar Ho al nivel .


2. Valor P > No rechazar Ho al nivel

.Ensayo Unilateral Derecho: E nsayo Unilateral Izquierdo:

Ensayo Bilateral:

246
Ejemplos:

1. Calcular el valor de P para el primer ejemplo de ensayo de hiptesis en donde se quera probar
que la edad media de los habitantes de Estados Unidos es superior a 70 aos.

Solucin:

1.- Ensayo de hiptesis


Ho; = 70 aos.
H1; > 70 aos.

2.- Regla de decisin:


Si P 0.05 se rechaza Ho.
Si P > 0.05 No se rechaza Ho.

3.- Clculos:

Esta es el valor de Z que se utilizar para calcular el valor de P, como es un ensayo unilateral
derecho se calcular el rea a la derecha de este valor.

4.-Justificacin y decisin:
Como el valor de P es 0.217 y es menor al valor del nivel de significancia de 0.05 por lo tanto se
rechaza H0, y se concluye que la edad media de los habitantes es mayor a 70 aos.

2.- Calcular el valor de P para el ejemplo 7 de esta seccin en donde se tiene dos mquinas y se
quiere ver si tienen la misma cantidad promedio de llenado en las botellas de plstico.
Solucin:
1.- Ensayo de hiptesis

247
Ho; 1- 2 =0
H1; 1- 2 0 Si se cae en Ho se podr probar que el volumen de llenado es el mismo en las dos
mquinas.

2.- Regla de Decisin:


Si P 0.05 Se rechaza Ho
Si P > 0.05 No se rechaza Ho

3.- Clculos:

Como este es un ensayo bilateral se proceder a calcular el valor de P mediante el valor de la ZR,
positivo y negativo y luego se sumarn las reas.

Como el valor de P es mayor al de , se no se rechaza H0, y se concluye que las maquinas tienen el
mismo llenado promedio.

3.- Se afirma que un automvil se maneja en promedio ms de 20,000 kilmetros por ao. Para
probar esta afirmacin, se pide a una muestra de 100 propietarios de automviles que lleven un
registro de los kilmetros que viajen. Est de acuerdo con esta afirmacin si la muestra aleatoria
tiene un promedio de 23,500 kilmetros y una desviacin estndar de 3900 kilmetros? Utilice un
valor P para su conclusin.

248
Solucin:
En este ejercicio no nos manejan ningn valor de , por lo que se proceder a plantear el ensayo y
luego calcular z para poder conocer el valor de P y llegar a una conclusin.

1.-Ensayo de hiptesis
Ho; = 20,000 kilmetros.
H1; > 20,000 kilmetros.

2.- Clculos:

3.- Decisin.
Se observa que este valor de Z es muy grande, ni siquiera se encuentra en la tabla, entonces quiere
decir que el rea a la derecha de ese valor es cero y este sera el valor de P, por lo que no apoya a la
hiptesis nula y se concluye que los automviles se manejan en promedio ms de 20,000 kilmetros
por ao.

4.- Se estudia la fraccin de circuitos integrados defectuosos producidos en un proceso de


fotolitografa. Para ello se somete a prueba una muestra de 300 circuitos, en la que 13 son
defectuosos. Utilice los datos para probar Ho: P=0.05 contra H1: P 0.05. Utilice un valor de P para
su conclusin.

Solucin:
1.- Ensayo de hiptesis
Ho; P = 0.05
H1; P 0.05
2.- Clculos:

3.- Decisin:

249
Este valor de P de 0.596 es muy grande por lo que se concluye que la fraccin defectuosa de
circuitos integrados es de 0.05, o sea no se rechaza Ho.

ERROR TIPO II

Al evaluar un procedimiento de prueba de hiptesis, tambin es importante examinar la probabilidad


del error tipo II, el cual se denota por . Esto es,

= P(error tipo II) = P(aceptar Ho/ Ho es falsa)

Para calcular se debe tener una hiptesis alternativa especfica; esto es, debe tenerse un valor
particular del parmetro. Por ejemplo, supngase que es importante rechazar la hiptesis nula Ho: =
50 cada vez que la rapidez promedio de combustin es mayor que 52 cm/s o menor que 48 cm/s.
Para ello, puede calcularse la probabilidad de un error tipo II para los valores = 52 y = 48, y
utilizar este resultado para averiguar algo con respecto a la forma en que se desempear la prueba.
De manera especfica, cmo trabajar el procedimiento de prueba si se desea detectar, esto es,
rechazar Ho, para un valor medio de = 52 = 48? Dada la simetra, slo es necesario evaluar uno
de los dos casos, esto es, encontrar la probabilidad de aceptar la hiptesis nula Ho: = 50 cuando el
valor verdadero es = 52.

Para hacer este clculo se tendr un tamao de muestra de 10 y una desviacin estndar de la
poblacin de 2.5 cm/s. Adems se evaluar el error tipo II con un nivel de significancia de 0.06.

Ho: = 50
H1: 50

Como ya sabemos se trata de un ensayo bilateral por lo que se tendr que calcular el valor del
estadstico de la siguiente manera:

Para facilitar los clculos se redondearn estos nmeros a 48.5 y 51.5

250
Para poder comprender mejor el clculo del error tipo II se delimitar el rea de la regin de
aceptacin con dos lneas ya que es bilateral y se evaluar la probabilidad de caer en esa rea cuando
la media tiene un valor de 52 y de 48.

Como se puede observar en cada clculo del valor se tuvieron que evaluar los dos valores de z. En
el primer clculo de se tiene un valor de z=-4.43, esto quiere decir que no existe rea del lado
izquierdo del 48.5, por lo que slo ser el rea que corresponda a la z=-0.63. Lo mismo pasa con el
segundo clculo de . Como las medias de 52 y 48 son equidistantes del 50 por este motivo los
valores del error tipo II son los mismos.

En caso que no est equidistantes se tienen que calcular por separado y calcular los valores
correspondientes de z porque en ocasiones se tiene un rea que no est dentro de la regin de
aceptacin, la cual no se tiene que tomar en cuenta para evaluar al error tipo II.

A continuacin se proceder a generar algunas curvas caractersticas de operacin para evaluar al


error tipo II, entre ms se aleja el valor verdadero de la media de la media de la hiptesis nula,
menor es la probabilidad del error tipo II para un tamao de muestra y nivel de significancia dadas.
A medida que el tamao de la muestra aumenta la probabilidad de cometer el error tipo II
disminuye. Esto se observar en los ejercicios siguientes.

251
Ejemplos:

1. Generar una curva caracterstica de operacin para el ejercicio nmero 1 de la seccin de ensayo
de hiptesis con las siguientes medias supuestas:
= 70.5, 71, 71.5, 72, 72.5, 73, 73.5, y 74.
2. Datos:
=70 aos
= 8.9 aos
= 71.8 aos
n = 100
= 0.05
3. Ensayo de hiptesis
Ho; = 70 aos.
H1; > 70 aos.

Se calcular el estadstico lmite:

252
253
En la mayora de los libros de estadstica existen las curvas caractersticas de operacin para
diferentes tamaos de muestra y stas se proporcionan tanto para = 0.05 como para = 0.01
(son las ms comunes). Para poder utilizar las curvas se define un parmetro llamado d, que
estandariza para cualquier valor de y :

Si se quisiera consultar en un libro, cul es la probabilidad de cometer el error tipo II cuando la


media verdadera es de 72?; se tendra que calcular el valor de d y buscar en las curvas la que
pertenezca a un tamao de muestra de 100 con un = 0.05.

Este valor se encuentra en el eje de las x. Si se transforma la curva caracterstica de operacin con el
valor de d quedara de la siguiente manera:

254
Se coment anteriormente que si el tamao de la muestra aumenta los dos tipos de errores y
disminuyen. Para probar esto y especficamente en lo que se refiere al error tipo II se realizar el
ejercicio anterior suponiendo que en lugar de tener 100 personas, el tamao de la muestra aumenta a
150 personas.

Se calcular el estadstico lmite:

255
256
3.- Generar una curva caracterstica de operacin (CCO) para el ejercicio 5 de ensayo de hiptesis.
Suponer los siguientes valores de P; 0.04, 0.03, 0.025, 0.02 y 0.01. Enseguida se proporciona la
informacin necesaria para realizar la CCO:
Datos:
P= 0.05
p = 4/200 = 0.02
n = 200
= 0.05
Ensayo de hiptesis
Ho; P = 0.05
H1; P < 0.05

Solucin:
Se proceder a calcular el estadstico lmite pL:

257
258
En una distribucin muestral de proporciones, para graficar la CCO, se necesita calcular el valor de
np, que es el que ir en el eje de las x para estandarizar la curva.

4.- Genere un CCO para el ejercicio nmero 6 de la seccin anterior. Suponga las siguientes
diferencias de medias: 1- 2 =2, 4, 6, 7, 9, 12 y 14.
Datos:
1=2= 8

n1=n2= 10
= 0.05
Ensayo de hiptesis
Ho; 1- 2 = 0
H1; 1- 2 > 0

259
260
Para graficar la curva se utilizar el valor de d, el cual para una distribucin muestral de diferencia
de medias tiene la siguiente frmula:

En los libros de estadstica lo que se acostumbra en algunos de los ejercicios es preguntar slo un
punto de la CCO, por lo que a continuacin se resolvern dos problemas tipo.

5.- Se requiere que la tensin de ruptura de un hilo utilizado en la fabricacin de material de


tapicera se al menos de 100 psi. La experiencia ha indicado que la desviacin estndar de la tensin
de ruptura es de 2 psi. Se prueba una muestra aleatoria de nueve especmenes, y la tensin de
ruptura promedio observada en ella es de 98 psi. Cul es la probabilidad de aceptar la hiptesis
nula con un = 0.05 si la tensin promedio de ruptura verdadera de la fibra es 104 psi?

Solucin:
Ensayo de hiptesis:
Ho; = 100
H1; > 100
Se calcula el estadstico lmite:

261
6.- Del ejercicio nmero 7 de la seccin anterior encontrar el error tipo II suponiendo que la
diferencia verdadera entre las medias de las mquinas es fe 0.03
Datos:
1= 0.020
2= 0.025

n1=n2 = 10
= 0.05
Solucin:
Ensayo de hiptesis
Ho; 1- 2 = 0
H1; 1- 2 0

262
Por ser bilateral se calcularon dos valores de z, y como se puede observar del lado izquierdo de
0.019 ya no se encuentra rea, por lo que el error tipo II slo ser el rea a la izquierda del valor de
la diferencia del estadstico lmite 0.019.

263
Problemas propuestos

1.- En un estudio para estimar la proporcin de residentes de cierta ciudad y sus suburbios que estn
a favor de la construccin de una planta de energa nuclear, se encuentra que 63 de 100 residentes
urbanos estn a favor de la construccin mientras que slo 59 de 125 residentes suburbanos la
favorecen. Hay una diferencia significativa entre la proporcin de residentes urbanos y suburbanos
que favorecen la construccin de la planta nuclear? Use un valor de P para su conclusin.

2.- Una compaa petrolera afirma que un quinto de las casas en cierta ciudad se calientan con
petrleo. Tenemos razn en dudar de esta afirmacin si, en una muestra aleatoria de 1000 casas en
esta ciudad, se encuentra que 136 se calientan con petrleo? Utilice un nivel de significancia de
0.01.

3.- Se sabe que la duracin, en horas, de un foco de 75 watts tiene una distribucin
aproximadamente normal, con una desviacin estndar de 25 horas. Se toma una muestra aleatoria
de 20 focos, la cual resulta tener una duracin promedio de 1014 horas.
a) Existe evidencia que apoye la afirmacin de que la duracin promedio del foco es mayor
que 1000 horas? Utilice un = 0.05.
b) Cul es el valor P para la prueba?
c) Cul es el valor de
Para la prueba del inciso a) si la verdadera duracin promedio del foco es de 1050 horas?

4.- Se estudia la tasa de combustin de dos propelentes slidos utilizados en los sistemas de escape
de emergencia de aeroplanos. Se sabe que la tasa de combustin de los dos propelentes tiene
aproximadamente la misma desviacin estndar de 3 cm/s. Se prueban dos muestras aleatorias de 20
especmenes cada una, obtenindose medias de 18 y 24 cm/s respectivamente.
a) Pruebe la hiptesis de que los dos combustibles slidos tienen la misma rapidez promedio de
combustin. Utilice un = 0.05.
b) Cul es el valor de P de la prueba?
c) Cul es el valor de para la prueba del inciso a) si la verdadera diferencia en la rapidez
promedio de combustin es 2.5 cm/s?

5.- Un artculo publicado en Fortune afirma que casi la mitad de todos los ingenieros continan sus
estudios acadmicos despus de obtener la licenciatura. Un artculo publicado en Engineering
Horizons indica que 117 de 484 recin graduados planean continuar sus estudios.
a) Los datos publicados en Engineering Horizons son consistentes con los publicados en
Fortune?
b) Encuentre el valor de P de la prueba.

6.- En un invierno con epidemia de gripe, una compaa farmacutica bien conocida estudi 2000
bebes para determinar si la nueva medicina de la compaa era efectiva despus de dos das. Entre
120 bebes que tenan gripe y se les administr la medicina, 29 se curaron dentro de dos das. Entre
280 bebs que tenan gripe pero que no recibieron la medicina, 56 se curaron dentro de dos das.
Hay alguna indicacin significativa que apoye la afirmacin de la compaa de la efectividad de la
medicina? Calcule el valor P.

264
7.- Se lanza 20 veces una moneda, con un resultado de cinco caras. Esta es suficiente evidencia
para rechazar la hiptesis de que la moneda esta balanceada a favor de la alternativa de que las caras
ocurren menos de 50% de las veces? Realice la prueba con un nivel de significancia de 0.03 y cite
un valor P.

8.- Se supone que los neumticos para automvil de cierto tipo recin comprados deben llenarse a
una presin de 30 lb/pulg2. Se representa con el verdadero promedio de presin. Encuentre el
valor P asociado con cada valor del estadstico z dado para probar Ho; = 30 contra H1; 30.
a) 2.10 b) 1.75 c) 0.55 d) 1.41 e) 5.3

9.-Se realiz un experimento para comparar la resistencia a la fractura del acero con nquel
maragizado, con el acero de pureza comercial del mismo tipo. Para 32 especmenes, la resistencia
promedio muestral fue de 65.6 para el acero de alta pureza, mientras que se obtuvo una media
muestral de 59.8 en 38 especmenes del acero comercial. Debido que el acero de alta pureza es ms
costoso, su uso para cierta aplicacin puede justificarse slo si su resistencia a la fractura excede la
del acero de pureza comercial en ms de 5. Suponga que ambas distribuciones de resistencias son
normales.
a) Si se supone que 1 = 1.2 y 2 = 1.1, pruebe las hiptesis pertinentes usando = 0.001.
b) Calcule para la prueba del inciso anterior cuando 1-2= 6.

10.- Se cree que la portada y la naturaleza de la primera pregunta de encuestas por correo influyen
en la tasa de respuesta. Un artculo prob esta teora al experimentar con diferentes diseos de
portadas. Una portada sencilla, y la otra utiliz la figura de un paracaidista. Los investigadores
especularon que la tasa de devolucin sera menor para la portada sencilla.
Portada Nmero de envos Nmero de devoluciones

Sencilla 207 104

Paracaidista 213 109


Esta informacin apoya la hiptesis de los investigadores? Haga la prueba con un nivel de
significancia de 0.10, calculando primero un valor P.

Respuesta a los Problemas propuestos

1. z= 2.40; s, P=0.01
2. P<0.0001; concluir que menos de 1/5 de las casas se calientan con petrleo.
3. a) z = 2.50; se rechaza Ho b) P = 0.0062 c) 0
4. a) Se Rechaza Ho, z= -6.32 b) 0 c) 0.248
5. a) Se rechaza Ho, z= -11.36 b) valor P = 0
6. No se rechaza Ho, z= 0.93, valor de P = 0.1762
7. Rechazar Ho. Valor P = 0.0207
8. a) 0.0358 b) 0.0802 c) 0.5824 d) 0.1586 e) 0
9. a) z=2.89, no se debe usar el acero de alta pureza o se no se rechaza Ho. b) 0.2981
10. Valor P = 0.4247, no se rechaza Ho.

265
UNIDAD IX TEORIA DE PEQUEAS MUESTRAS O TEORIA EXACTA
DEL MUESTREO
En las unidades anteriores se manej el uso de la distribucin z, la cual se poda utilizar siempre y
cuando los tamaos de las muestras fueran mayores o iguales a 30 en muestras ms pequeas si la
distribucin o las distribuciones de donde proviene la muestra o las muestras son normales.

En esta unidad se podrn utilizar muestras pequeas siempre y cuando la distribucin de donde
proviene la muestra tenga un comportamiento normal. Esta es una condicin para utilizar las tres
distribuciones que se manejarn en esta unidad; t de student, X2 ji-cuadrada y Fisher.

A la teora de pequeas muestras tambin se le llama teora exacta del muestreo, ya que tambin la
podemos utilizar con muestras aleatorias de tamao grande.

En esta unidad se ver un nuevo concepto necesario para poder utilizar a las tres distribuciones
mencionadas. Este concepto es "grados de libertad".

Para definir grados de libertad se har referencia a la varianza muestral:

Esta frmula est basada en n-1 grados de libertad (degrees of freedom). Esta terminologa resulta
del hecho de que si bien s2 est basada en n cantidades ..., stas suman cero,
as que especificar los valores de cualquier n-1 de las cantidades determina el valor restante. Por
ejemplo, si n=4 y ; y , entonces automticamente tenemos
, as que slo tres de los cuatro valores de estn libremente determinamos 3 grados
de libertad.

Entonces, en esta unidad la frmula de grados de libertad ser n-1 y su simbologa

DISTRIBUCION "t DE STUDENT"


Supngase que se toma una muestra de una poblacin normal con media y varianza 2. Si es el
promedio de la n observaciones que contiene la muestra aleatoria, entonces la distribucin
es una distribucin normal estndar. Supngase que la varianza de la poblacin 2 es

desconocida. Qu sucede con la distribucin de esta estadstica si se reemplaza por s? La


distribucin t proporciona la respuesta a esta pregunta.

La media y la varianza de la distribucin t son = 0 y para v>2, respectivamente.

266
La siguiente figura presenta la grfica de varias distribuciones t. La apariencia general de la
distribucin t es similar a la de la distribucin normal estndar: ambas son simtricas y unimodales,
y el valor mximo de la ordenada se alcanza en la media = 0. Sin embargo, la distribucin t tiene
colas ms amplias que la normal; esto es, la probabilidad de las colas es mayor que en la
distribucin normal. A medida que el nmero de grados de libertad tiende a infinito, la forma lmite
de la distribucin t es la distribucin normal estndar.

Propiedades de las distribuciones t

1. Cada curva t tiene forma de campana con centro en 0.


2. Cada curva t, est ms dispersa que la curva normal estndar z.
3. A medida que v aumenta, la dispersin de la curva t correspondiente disminuye.
4. A medida que v , la secuencia de curvas t se aproxima a la curva normal estndar, por
lo que la curva z recibe a veces el nombre de curva t con gl =

La distribucin de la variable aleatoria t est dada por:

Esta se conoce como la distribucin t con v grados de libertad.

Sean X1, X2, . . . , Xn variables aleatorias independientes que son todas normales con media y

desviacin estndar . Entonces la variable aleatoria tiene una distribucin t con v= n-1
grados de libertad.

La distribucin de probabilidad de t se public por primera vez en 1908 en un artculo de W. S.


Gosset. En esa poca, Gosset era empleado de una cervecera irlandesa que desaprobaba la

267
publicacin de investigaciones de sus empleados. Para evadir esta prohibicin, public su trabajo en
secreto bajo el nombre de "Student". En consecuencia, la distribucin t normalmente se llama
distribucin t de Student, o simplemente distribucin t. Para derivar la ecuacin de esta distribucin,
Gosset supone que las muestras se seleccionan de una poblacin normal. Aunque esto parecera una
suposicin muy restrictiva, se puede mostrar que las poblaciones no normales que poseen
distribuciones en forma casi de campana an proporcionan valores de t que se aproximan muy de
cerca a la distribucin t.

La distribucin t difiere de la de Z en que la varianza de t depende del tamao de la muestra y


siempre es mayor a uno. nicamente cuando el tamao de la muestra tiende a infinito las dos
distribuciones sern las mismas.

Se acostumbra representar con t el valor t por arriba del cual se encuentra un rea igual a . Como
la distribucin t es simtrica alrededor de una media de cero, tenemos t1- = -t; es decir, el valor t
que deja un rea de a la derecha y por tanto un rea de a la izquierda, es igual al valor t
negativo que deja un rea de en la cola derecha de la distribucin. Esto es, t0.95 = -t0.05, t0.99=-t0.01,
etc.

Para encontrar los valores de t se utilizar la tabla de valores crticos de la distribucin t del libro
Probabilidad y Estadstica para Ingenieros de los autores Walpole, Myers y Myers.

Ejemplo:

El valor t con v= 14 grados de libertad que deja un rea de 0.025 a la izquierda, y por tanto un rea
de 0.975 a la derecha, es

t0.975=-t0.025 = -2.145

Si se observa la tabla, el rea sombreada de la curva es de la cola derecha, es por esto que se tiene
que hacer la resta de . La manera de encontrar el valor de t es buscar el valor de en el primer
rengln de la tabla y luego buscar los grados de libertad en la primer columna y donde se intercepten
y v se obtendr el valor de t.

Ejemplo:

Encuentre la probabilidad de t0.025 < t < t0.05.

Solucin:

268
Como t0.05 deja un rea de 0.05 a la derecha, y t0.025 deja un rea de 0.025 a la izquierda,
encontramos un rea total de 1-0.05-0.025 = 0.925.

P( t0.025 < t < t0.05) = 0.925

Ejemplo:

Encuentre k tal que P(k < t < -1.761) = 0.045, para una muestra aleatoria de tamao 15 que se
selecciona de una distribucin normal.

Solucin:

Si se busca en la tabla el valor de t =1.761 con 14 grados de libertad nos damos cuenta que a este
valor le corresponde un rea de 0.05 a la izquierda, por ser negativo el valor. Entonces si se resta
0.05 y 0.045 se tiene un valor de 0.005, que equivale a . Luego se busca el valor de 0.005 en el
primer rengln con 14 grados de libertad y se obtiene un valor de t = 2.977, pero como el valor de
est en el extremo izquierdo de la curva entonces la respuesta es t = -2.977 por lo tanto:

P(-2.977 < t < -1.761) = 0.045

Ejemplo:

Un ingeniero qumico afirma que el rendimiento medio de la poblacin de cierto proceso en lotes es
500 gramos por milmetro de materia prima. Para verificar esta afirmacin toma una muestra de 25
lotes cada mes. Si el valor de t calculado cae entre t0.05 y t0.05, queda satisfecho con su afirmacin.
Qu conclusin extraera de una muestra que tiene una media de 518 gramos por milmetro y una
desviacin estndar de 40 gramos? Suponga que la distribucin de rendimientos es
aproximadamente normal.

Solucin:

De la tabla encontramos que t0.05 para 24 grados de libertad es de 1.711. Por tanto, el fabricante
queda satisfecho con esta afirmacin si una muestra de 25 lotes rinde un valor t entre 1.711 y
1.711.

Se procede a calcular el valor de t:

269
Este es un valor muy por arriba de 1.711. Si se desea obtener la probabilidad de obtener un valor de
t con 24 grados de libertad igual o mayor a 2.25 se busca en la tabla y es aproximadamente de 0.02.
De aqu que es probable que el fabricante concluya que el proceso produce un mejor producto del
que piensa.

INTERVALO DE CONFIANZA PARA ; CON DESCONOCIDA

Si y s son la media y la desviacin estndar de una muestra aleatoria de una poblacin normal con
varianza 2, desconocida, un intervalo de confianza de (1 - )100% para es:

Donde t/2 es el valor t con v= n-1 grados de libertad, que deja un rea de /2 a la derecha.

Se hace una distincin entre los casos de conocida y desconocida al calcular las estimaciones del
intervalo de confianza. Se debe enfatizar que para el primer caso se utiliza el teorema del lmite
central, mientras que para desconocida se hace uso de la distribucin muestral de la variable
aleatoria t. Sin embargo, el uso de la distribucin t se basa en la premisa de que el muestreo se
realiza de una distribucin normal. En tanto que la distribucin tenga forma aproximada de
campana, los intervalos de confianza se pueden calcular cuando la varianza se desconoce mediante
el uso de la distribucin t y se puede esperar buenos resultados.
Con mucha frecuencia los estadsticos recomiendan que aun cuando la normalidad no se pueda
suponer, con desconocida y n 30, se puede reemplazar a y se puede utilizar el intervalo de
confianza:

Por lo general ste se denomina como un intervalo de confianza de muestra grande. La justificacin
yace slo en la presuncin de que con una muestra grande como 30, se estar muy cerca de la real
y de esta manera el teorema del lmite central sigue valiendo. Se debe hacer nfasis en que esto es
solo una aproximacin y que la calidad de este enfoque mejora a medida que el tamao de la
muestra crece ms.

Ejemplos:

1.- El contenido de siete contenedores similares de cido sulfrico son 9.8, 10.2, 10.4, 9.8, 10.0,
10.2, y 9.6 litros. Encuentre un intervalo de confianza del 95% para la media de todos los
contenedores si se supone una distribucin aproximadamente normal.

Solucin:

La media muestral y la desviacin estndar para los datos dados son:

270
10 y s= 0.283
En la tabla se encuentra que t0.025=2.447 con 6 grados de libertad, de aqu, el intervalo de confianza
de 95% para es:

Con un nivel de confianza del 95% se sabe que el promedio del contenido de los contenedores est
entre 9.47 y 10.26 litros.

2.- Un artculo publicado en el Journal of Testing and Evaluation presenta las siguientes 20
mediciones del tiempo de combustin residual en segundos de especmenes tratados de ropa de
dormir para nios:

9.85 9.93 9.75 9.77 9.67


9.87 9.67 9.94 9.85 9.75
9.83 9.92 9.74 9.99 9.88
9.95 9.95 9.93 9.92 9.89
Se desea encontrar un nivel de confianza del 95% para el tiempo de combustin residual promedio.
Supngase que el tiempo de combustin residual sigue una distribucin normal.

Solucin:

La media muestral y la desviacin estndar para los datos dados son:


9.8525 y s= 0.0965
En la tabla se encuentra que t0.025=2.093 con 19 grados de libertad, de aqu, el intervalo de confianza
de 95% para es:

Por lo tanto, se tiene una confianza del 95% de que el tiempo de combustin residual promedio se
encuentra entre 9.8073 y 9.8977 segundos.

271
PRUEBA DE HIPOTESIS SOBRE LA MEDIA DE UNA DISTRIBUCION NORMAL,
VARIANZA DESCONOCIDA
Ciertamente sospechamos que las pruebas sobre una media poblacional con 2 desconocida, debe
incluir el uso de la distribucin t de Student. La estructura de la prueba es idntica a la del caso de
conocida, con la excepcin de que el valor en la estadstica de prueba se reemplaza por la
estimacin de s calculada y la distribucin normal estndar se reemplaza con una distribucin t.

Ejemplos:

1.- El Instituto Elctrico Edison publica cifras del nmero anual de Kilowatt-hora que gastan varios
aparatos electrodomsticos. Se afirma que una aspiradora gasta un promedio de 46 kilowatt-hora al
ao. Si una muestra aleatoria de 12 hogares que se incluye en un estudio planeado indica que las
aspiradoras gastan un promedio de 42 kilowatt-hora al ao con una desviacin estndar de11.9
kilowatt-hora, esto sugiere con un nivel de significancia de 0.05 que las aspiradoras gastan, en
promedio, menos de 46 kilowatt-hora anualmente? Suponga que la poblacin de kilowatt-hora es
normal.

Solucin:

1.- Datos:
= 46 kilowatt-hora
s= 11.9 kilowatt-hora
= 42 kilowatt-hora
n = 12
= 0.05
2.- Ensayo de hiptesis
Ho; = 46 kilowatt-hora
H1; < 46 kilowatt-hora

3.- Regla de decisin:


Si tR -1.796 No se rechaza Ho
Si tR < -1.796 Se rechaza Ho

4.- Clculos:

5. Justificacin y decisin:

272
Como 1.16 > -1.796, por lo tanto no se rechaza Ho y se concluye con un nivel de significancia del
0.05 que el nmero promedio de kilowwatt-hora que gastan al ao las aspiradoras no es
significativamente menor que 46.

Solucin por el otro mtodo:

Regla de decisin:
Si 39.83 No se Rechaza Ho
Si < 39.83 Se rechaza Ho
Como la = 42 y este valor no es menor que 39.83 por lo tanto no se rechaza Ho.
Se puede aprovechar este ejemplo para calcular el valor de P , como el valor de t calculada es de
1.16, se busca en la tabla y se ve que el area a la izquierda de este valor es de 0.135 con 11 grados de
libertad, por lo tanto no se rechaza Ho., ya que sera un valor alto para un nivel de significancia.

2.- Un artculo publicado en la revista Materials Engineering describe los resultados de pruebas de
resistencia a la adhesin de 22 especmenes de aleacin U-700. La carga para la que cada especmen
falla es la siguiente en MPa:
19.8 18.5 17.6 16.7 15.8

15.4 14.1 13.6 11.9 11.4

11.4 8.8 7.5 15.4 15.4

19.5 14.9 12.7 11.9 11.4

10.1 7.9

273
Sugieren los datos que la carga promedio de falla es mayor que 10Mpa? Supngase que la carga
donde se presenta la falla tiene una distribucin normal, y utilcese = 0.05. Calcule el valor de P.

Solucin:

Datos:
= 10
s = 3.55
= 13.71
n = 22
= 0.05

1.-Ensayo de hiptesis
Ho; = 10
H1; > 10

2.-Regla de decisin:
Si tR 1.721 no se rechaza Ho.
Si tR> 1.721 se rechaza Ho.

3.-Clculos:

4.-Justificacin y decisin.
Como 4.90 >1.721 se rechaza Ho y se concluye con un nivel de significancia del 0.05 que la carga
de falla promedio es mayor que 10Mpa.
Existe otra manera de resolver este ejercicio, tomando la decisin en base al estadstico real, en este
caso la media de la muestra. De la frmula de la distribucin muestral de medias se despeja la media
de la muestra:

274
Regla de decisin:
Si 11.30 No se rechaza Ho
Si > 11.30 Se rechaza Ho

Como la media de la muestral es de 13.71 MPa y es mayor al valor de la media muestral lmite de
11.30 por lo tanto se rechaza Ho y se llega a la misma conclusin.

Para calcular el valor de P se va a la tabla y se busca en 21 grados de libertad el valor de t = 4.90. Se


observa que el valor mayor de t que se encuentra en la tabla con 21 grados de libertad es de 3.819 el
cual le corresponde un rea a la derecha de 0.0005, por lo que para el valor de 4.90 el valor de P es
prcticamente cero, y esto apoya la decisin de rechazar Ho.
3.- Los pesos en libras de una muestra aleatoria de bebs de seis meses son: 14.6, 12.5, 15.3, 16.1,
14.4, 12.9, 13.7 y 14.9. Haga una prueba con nivel de 5% de significancia para determinar si el peso
promedio de todos los bebs de seis meses es distinto a 14 libras, suponga que sus pesos se
distribuyen normalmente y calcule el valor de P.

Solucin:
Datos:
= 14 libras
s = 1.21 libras
= 14.3 libras
n=8
= 0.05
Ensayo de hiptesis
Ho; = 14 libras
H1; 14 libras

1.-Regla de Decisin:
Si 2.365 tR 2.365 No se rechaza Ho

275
Si tR < -2.365 si tR > 2.365 Se rechaza Ho

2.-Clculos:

3.-Justificacin y decisin:
Como 2.365 0.7012 2.365 por lo tanto, no se rechaza Ho y se concluye con un nivel de
significancia del 0.05 que el peso promedio de todos los bebs de seis meses es de 14 libras.

Solucin por el otro mtodo:

12.98 y 15.01

Regla de decisin:
Si 12.98 15.01 No se rechaza Ho
Si < 12.98 > 15.01 se rechaza Ho
Como la = 14.3 libras, entonces no se rechaza Ho .

Para calcular el valor de P se busca en la tabla el valor de 0.7012 con 7 grados de libertad. Se
observa que este valor no se encuentra pero se puede interpolar entre los valores de 0.549 y 0.896
con reas de 0.30 y 0.20 respectivamente. Interpolando linealmente se obtiene el valor de 0.2561.

Error tipo II

276
El error tipo II se calcula de la misma forma en la que se calcul con la distribucin z. Se realizarn
algunos ejercicios en los cuales se determinar la probabilidad de cometer el error tipo II, utilizando
la tabla de la distribucin.
Existen curvas caractersticas de operacin en los libros con diferentes grados de libertad para
determinar los tamaos de muestra correspondientes segn el grado de error que se quiera,
recordando que entre mayor sea el tamao de muestra menor ser el error.

1.- Se sabe que los voltajes de una marca de pilas tamao C se distribuyen normalmente, se prob
una muestra aleatoria de 15 y se encontr que la media es de 1.4 volts con una desviacin estndar
de 0.21 volts. En el nivel de significancia de 0.01:
a) Indica esto que la media de los voltajes es menor que 1.5 volts?
b) Calcular la probabilidad de cometer el error tipo II si el voltaje promedio real de las pilas es
de 1.3 volts.

Solucin:

Datos:
= 1.5 volts.
s= 0.21 volts
= 1.4 volts.
n = 15
= 0.01
1.-Ensayo de hiptesis
Ho; = 1.5 volts
H1; < 1.5 volts

2.-Regla de decisin:
Si tR -2.624 No se rechaza Ho
Si tR < -2.624 Se rechaza Ho

3.-Clculos:

Justificacin y decisin:
Como 1.84 > -2.624, por lo tanto no se rechaza Ho y se concluye con un nivel de significancia del
0.01 que los voltajes de las pilas tamao C no son menores a 1.5.

277
Para calcular el error tipo II se tiene que obtener el valor de de la siguiente forma:

Para encontrar el valor de se busca en la tabla de la distribucin t el valor de 1.05 con 14 grados de
libertad. Como este valor no se encuentra en la tabla se interpola entre 0.868 y 1.076 con un rea de
0.20 y 0.15 respectivamente. Al interpolar se obtiene un rea de 0.15612 y esta es la probabilidad de
cometer el error tipoII cuando la media verdadera es de 1.3 volts y un tamao de muestra de 15.

2.-Para el ejercicio del peso de los bebs de 6 meses, calcular el error tipo II, si los pesos verdaderos
hubieran sido de 11 y 14.5 libras.
Solucin:
Primero se calculan los valores de :

278
En este ltimo clculo para se tendr que analizar las reas de los dos extremos, pues estas no
estn dentro de la regin de aceptacin, por lo tanto no se deben de tomar en cuenta para el error
tipo II.

Se busca en la tabla el valor de 3.55 con 7 grados de libertad, y al interpolar nos da un rea de
0.00475. El rea correspondiente a 1.19 con 7 grados de libertad es de 0.1479. Por lo que =1-
(0.00475+0.1479)= 0.8473

3.- Para el ejercicio en donde se dan los resultados de pruebas de resistencia a la adhesin de 22
especmenes de aleacin U-700., encontrar la probabilidad de cometer el error tipo II si la carga
promedio de falla es igual a 11.

Solucin:
Primero se obtendr el valor del estadstico lmite:

279
DISTRIBUCION JI-CUADRADA (X2)

En realidad la distribucin ji-cuadrada es la distribucin muestral de s2. O sea que si se extraen todas
las muestras posibles de una poblacin normal y a cada muestra se le calcula su varianza, se
obtendr la distribucin muestral de varianzas.
Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el estadstico X2.
Si se elige una muestra de tamao n de una poblacin normal con varianza 2, el estadstico:

tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados de libertad y
se denota X2 (X es la minscula de la letra griega ji). El estadstico ji-cuadrada esta dado por:

Donde n es el tamao de la muestra, s2 la varianza muestral y 2,la varianza de la poblacin de


donde se extrajo la muestra. El estadstico ji-cuadrada tambin se puede dar con la siguiente
expresin:

Propiedades de las distribuciones ji-cuadrada


1. Los valores de X2 son mayores o iguales que 0.
2. La forma de una distribucin X2 depende del gl=n-1. En consecuencia, hay un nmero
infinito de distribuciones X2.
3. El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones X2 no son simtricas. Tienen colas estrechas que se extienden a la
derecha; esto es, estn sesgadas a la derecha.
5. Cuando n>2, la media de una distribucin X2 es n-1 y la varianza es 2(n-1).

280
6. El valor modal de una distribucin X2 se da en el valor (n-3).
La siguiente figura ilustra tres distribuciones X2. Note que el valor modal aparece en el valor (n-3) =
(gl-2).

La funcin de densidad de la distribucin X2 est dada por:


Para x>0

La tabla que se utilizar para estos apuntes es la del libro de probabilidad y estadstica de Walpole,
la cual da valores crticos (gl) para veinte valores especiales de . Para denotar el valor crtico
de una distribucin X2 con gl grados de libertad se usa el smbolo (gl); este valor crtico
2
determina a su derecha un rea de bajo la curva X y sobre el eje horizontal. Por ejemplo para
encontrar X20.05(6) en la tabla se localiza 6 gl en el lado izquierdo y =0.05 a 0 largo del lado
superior de la misma tabla.

Clculo de Probabilidad
El clculo de probabilidad en una distribucin muestral de varianzas nos sirve para saber cmo se va
a comportar la varianza o desviacin estndar en una muestra que proviene de una distribucin
normal.

Ejemplos:

1.- Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de sus destinos en
una ciudad grande forman una distribucin normal con una desviacin estndar =1 minuto. Si se
elige al azar una muestra de 17 tiempos, encuentre la probabilidad de que la varianza muestral sea
mayor que 2.

Solucin:
Primero se encontrar el valor de ji-cuadrada correspondiente a s2=2 como sigue:

281
El valor de 32 se busca adentro de la tabla en el rengln de 16 grados de libertad y se encuentra que
a este valor le corresponde un rea a la derecha de 0.01. En consecuencia, el valor de la probabilidad
es P(s2>2)

2.- Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones, de una poblacin
normal con varianza 2 =6 , tenga una varianza muestral:
a) Mayor que 9.1
b) Entre 3.462 y 10.745

Solucin.
a).- Primero se proceder a calcular el valor de la ji-cuadrada:

Al buscar este nmero en el rengln de 24 grados de libertad nos da un rea a la derecha de 0.05.
Por lo que la P(s2 >9.1) = 0.05
1.- Se calcularn dos valores de ji-cuadrada:
y

Aqu se tienen que buscar los dos valores en el rengln de 24 grados de libertad. Al buscar el valor
de 13.846 se encuentra un rea a la derecha de 0.95. El valor de 42.98 da un rea a la derecha de
0.01. Como se est pidiendo la probabilidad entre dos valores se resta el rea de 0.95 menos 0.01
quedando 0.94.

b).-Por lo tanto la P(3.462 s2 10.745) = 0.94

282
Estimacin de la Varianza
Para poder estimar la varianza de una poblacin normal se utilizar la distribucin ji-cuadrada.

Al despejar esta frmula la varianza poblacional nos queda:

Los valores de X2 dependern de nivel de confianza que se quiera al cual le llamamos 1- . Si nos
ubicamos en la grfica se tiene:

Ejemplos:

1.- Los siguientes son los pesos, en decagramos, de 10 paquetes de semillas de pasto distribuidas por
cierta compaa: 46.4, 46.1, 45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46. Encuentre un intervalo de
confianza de 95% para la varianza de todos los paquetes de semillas de pasto que distribuye esta
compaa, suponga una poblacin normal.

Solucin:
Primero se calcula la desviacin estndar de la muestra:

al elevar este resultado al cuadrado se obtiene la varianza de la muestra s2= 0.286.

Para obtener un intervalo de confianza de 95% se elige un = 0.05. Despus con el uso de la tabla
con 9 grados de libertad se obtienen los valores de X2.

Se puede observar en la grfica anterior que el valor de X2 corre en forma normal, esto es de
izquierda a derecha.
Por lo tanto, el intervalo de confianza de 95% para la varianza es:

283
Graficamente:

Se observa que la varianza corre en sentido contrario, pero esto es slo en la grfica. La
interpretacin quedara similar a nuestros temas anteriores referentes a estimacin. Con un nivel de
confianza del 95% se sabe que la varianza de la poblacin de los pesos de los paquetes de semillas
de pasto est entre 0.135 y 0.935 decagramos al cuadrado.

2.- En trabajo de laboratorio se desea llevar a cabo comprobaciones cuidadosas de la variabilidad de


los resultados que producen muestras estndar. En un estudio de la cantidad de calcio en el agua
potable, el cual se efecta como parte del control de calidad, se analiz seis veces la misma muestra
en el laboratorio en intervalos aleatorios. Los seis resultados en partes por milln fueron 9.54, 9.61,
9.32, 9.48, 9.70 y 9.26. Estimar la varianza de los resultados de la poblacin para este estndar,
usando un nivel de confianza del 90%.

Solucin:

Al calcular la varianza de la muestra se obtiene un valor de s2= 0.0285.


Se busca en la tabla los valores correspondientes con 5 grados de libertad, obtenindose dos
resultados. Para X2(0.95,5)= 1.145 y para X2(0.0,5)= 11.07.
Entonces el intervalo de confianza esta dado por:

284
Ensayo de Hiptesis para la Varianza de una Poblacin Normal

En la mayora de los casos se tiene el problema de desconocer la varianza o desviacin estndar de


la poblacin, en donde las distribuciones son normales. Si se desea probar una hiptesis acerca de la
varianza se puede hacer utilizando las medidas estadsticas con las que se construy el intervalo de
confianza 2, esto es con la distribucin Ji- cuadrada.

Ejemplos:

1.- Una compaa que produce una parte maquinada para un motor, afirma que tiene una varianza de
dimetro no mayor a 0.0002 pulgadas. Una muestra aleatoria de 10 de dichas partes dio una varianza
de muestra s2 = 0.0003. Si se supone que las medidas del dimetro se distribuyen en forma normal,
hay evidencia para refutar lo que afirma el proveedor? Use = 0.05.

Solucin:

Como en todos los ensayos de hiptesis que se han realizado anteriormente el procedimiento es el
mismo. Despus de que se identifican los datos, se plantea la hiptesis para determinar el tipo de
ensayo.

Datos:
2= 0.0002
n = 10
s2 = 0.0003
= 0.05

Ensayo de hiptesis:
Ho; 2 = 0.0002
H1; 2 > 0.0002

Regla de decisin:
Si X2R 16.919 no se rechaza Ho.
Si X2R>16.919 se rechaza Ho.

Clculos:

Justificacin y decisin:

285
Como 13.5 no es mayor que 16.919 por lo tanto no se rechaza Ho y se concluye con un nivel de
significancia de 0.05 que no se puede refutar la afirmacin del proveedor.
Este ejercicio se puede aprovechar para calcular el valor de P. En la tabla se busca el valor de 13.5
en el rengln de 9 grados de libertad. Interpolando entre 0.10 y 0.20 se obtiene un valor de P de
0.1484.

2.- El contenido de azcar del almbar de los duraznos enlatados tiene una distribucin normal,
donde se cree que la varianza es 2= 18 mg2. Se toma una muestra de 10 latas dieron una desviacin
estndar de 4.8 mg. Muestran estos datos suficiente evidencia para decir que la varianza ha
cambiado?. Use un = 0.05 y calcule el valor de P.

Solucin:

Datos:
2= 18
n = 10
s = 4.8
= 0.05
Ensayo de hiptesis:
Ho; 2 = 18
H1; 2 18

Regla de decisin:
Si 2.7 X2R 19.023 no se rechaza Ho.
Si X2R<2.7 si X2R>19.023 se rechaza Ho.

Clculos:

Justificacin y decisin:
Como 11.52 est entre 2.7 y 19.023, no se rechaza Ho, y se concluye con un nivel de significancia de
0.05 que la varianza del contenido de azcar del almbar no ha cambiado, esto es es de 18 mg2.

286
Si recordamos al principio de este tema se dijo que la media de la distribucin ji-cuadrada es (n-1),
por lo tanto la media de este ejercicio es de 9. Como el valor real de X 2R = 11.52 este nmero se
encuentra a la derecha de la media, lo cual quiere decir que el valor de P/2 ser el rea a la derecha
del valor de X2R. Al buscar el valor de 11.52 en la tabla se obtiene un rea de 0.2423, por lo tanto
P/2 = 0.2423 y P= (2)(0.2423) = 0.4846

3.- Experiencia anterior indica que el tiempo que se requiere para que los estudiantes de ltimo ao
de preparatoria completen una prueba estandarizada es una variable alectoria normal con una
desviacin estndar de seis minutos. Se toma una muestra aleatoria de 20 estudiantes de ltimo ao
de preparatoria y se obtiene una desviacin estndar de 4.51. Muestran estos datos suficiente
evidencia para decir que la desviacin estndar disminuy?. Utilice el valor de P para su decisin.

Solucin:

Datos:
= 6
n = 20
s = 4.51
Ensayo de hiptesis:
Ho; = 6
H1; < 6

Clculos:

Para obtener el valor de P, se busca en la tabla el 10.735 con 19 grados de libertad, y el rea que se
encuentra es la que est a la derecha de este valor. Como la media de esta distribucin ji-cuadrada es
de 19, por lo tanto el valor de 10.735 queda a la izquierda de la media. El valor de P es de 0.07, y
con esto se puede concluir que si hubiramos utilizado un nivel de significancia de 0.10, se rechaza
Ho y se concluye que la desviacin estndar disminuyo, pero si se utiliza un valor de = 0.05,
entonces no se rechaza Ho y se concluira que la desviacin estndar no disminuy. La decisin
depende del error tipo I que est dispuesto a tolerar el investigador.

287
Error tipo II
El error tipo II se calcula de la misma forma en la que se calcul con la distribucin z. Se realizarn
algunos ejercicios en los cuales se determinar la probabilidad de cometer el error tipo II, utilizando
la tabla de la distribucin Ji-cuadrada.

1.- Se tiene un ensayo de hiptesis unilateral derecho, con n=20 y = 0.05


Ho; = 0.10
H1; > 0.10
Se quiere calcular el error tipo II si las desviaciones estndar verdaderas fueran de 0.12 y 0.14.

Solucin:

Para poder calcular el error tipo II, primero se debe encontrar el valor de la varianza muestral lmite,
esto es s2L, para poder calcular los valores de X2 y posteriormente calcular el rea. Al buscar en la
tabla X2(0.05,19)=30.144, este valor se sustituir en la formula. Al despejar de la frmula original de
X2 se obtiene:

288
2.- Encontrar el error tipo II para el ejercicio 2 de esta seccin, en donde el ensayo es bilateral pues
se quiere ver si la varianza del contenido de azcar en el almbar de los duraznos ha cambiado.
Suponga una varianza real de 20 y 26.

Solucin:
Como este es un ensayo bilateral se tendrn dos valores de s2L. Los cuales se calcularn utilizando
las ji-cuadradas lmites que eran de de 2.7 y 19.023.

Estos dos valores se utilizarn para calcular la nueva ji-cuadrada para calcular el valor de .

289
DISTRIBUCION "F" FISHER

La necesidad de disponer de mtodos estadsticos para comparar las varianzas de dos poblaciones es
evidente a partir del anlisis de una sola poblacin. Frecuentemente se desea comparar la precisin
de un instrumento de medicin con la de otro, la estabilidad de un proceso de manufactura con la de
otro o hasta la forma en que vara el procedimiento para calificar de un profesor universitario con la
de otro.
Intuitivamente, podramos comparar las varianzas de dos poblaciones, y , utilizando la razn
de las varianzas mustrales s21/s22. Si s21/s22 es casi igual a 1, se tendr poca evidencia para indicar
que y no son iguales. Por otra parte, un valor muy grande o muy pequeo para s21/s22,
proporcionar evidencia de una diferencia en las varianzas de las poblaciones.
La variable aleatoria F se define como el cociente de dos variables aleatorias ji-cuadrada
independiente, cada una dividida entre sus respectivos grados de libertad. Esto es,

290
Donde U y V son variables aleatorias ji-cuadrada independientes con grados de libertad v1 y v2
respectivamente.
Sean U y V dos variables aleatorias independientes que tienen distribucin ji cuadradas con v1 y v2
grados de libertad, respectivamente. Entonces la distribucin de la variable aleatoria

est dada por:

y se dice que sigue la distribucin F con v1 grados de libertad en el numerador y v2 grados de


libertad en el denominador.
La media y la varianza de la distribucin F son:

La variable aleatoria F es no negativa, y la distribucin tiene un sesgo hacia la derecha. La


distribucin F tiene una apariencia muy similar a la distribucin ji-cuadrada; sin embargo, se
encuentra centrada respecto a 1, y los dos parmetros v1 y v2 proporcionan una flexibilidad adicional
con respecto a la forma de la distribucin.
Si s12 y s22 son las varianzas mustrales independientes de tamao n1 y n2 tomadas de poblaciones
normales con varianzas y , respectivamente, entonces:

Para manejar las tablas de Fisher del libro de Introduccin a la Inferencia Estadstica del autor
Genther, se tendr que buscar primero los grados de libertad dos para luego localizar el rea
correspondiente, relacionndola con los grados de libertad uno, para calcular el valor de F.
Las tablas tienen la siguiente estructura:

291
v1
V2 P 1 2 3 . .. 500

6 0.0005

0.001

0.005

0.9995 30.4

El valor de 30.4 es el correspondiente a una Fisher que tiene 3 grados de libertad uno y 6 grados de
libertad dos con un rea de cero a Fisher de 0.995. Si lo vemos grficamente:

Como nos podemos imaginar existen varias curvas Fisher, ya que ahora su forma depende de dos
variables que son los grados de libertad.

Ejemplos:

1.- Encontrar el valor de F, en cada uno de los siguientes casos:


a) El rea a la derecha de F, es de 0.25 con v1=4 y v2=9.
b) El rea a la izquierda de F, es de 0.95 con v1=15 y v2=10.
c) El rea a la derecha de F es de 0.95 con v1 =6 y v2=8.
d) El rea a la izquierda de F, es de 0.10 con v1 =24 y v2=24

Solucin:
a).- Como el rea que da la tabla es de cero a Fisher, se tiene que localizar primero los grados de
libertad dos que son 9, luego un rea de 0.75 con 4 grados de libertad uno.

292
b).- En este caso se puede buscar el rea de 0.95 directamente en la tabla con sus respectivos grados
de libertad.

c):-Se tiene que buscar en la tabla un rea de 0.05, puesto que nos piden un rea a la derecha de F de
0.95.

d).-Se busca directamente el rea de 0.10, con sus respectivos grados de libertad.

2.- Si s12 y s22 son las varianzas mustrales de muestras aleatorias independientes de tamaos n1=10
y n2 =20, tomadas de poblaciones normales que tienen las mismas varianzas, encuentre P(s12/s22
2.42).

Solucin:

293
Primero se establecen los grados de libertad. Como en el numerador est la poblacin uno y en el
denominador la poblacin dos, entonces los grados de libertad uno equivalen a 10-1=9 y los grados
de libertad dos a 20-1=19.
Se procede a ir a la tabla a buscar los grados de libertad dos que son 19 y se observa que no estn,
por lo tanto se tiene que interpolar entre 15 y 20 grados de libertad, buscando el valor de fisher que
quedara:

Este valor de 2.42 se busca en la columna de 9 grados de libertad uno, con 15 grados de libertad dos,
y se encuentra los siguiente:
Area v1=9

0.90 2.09

0.95 2.59
Al interpolar entre estos dos valores nos queda un rea de 0.933.

Se procede a hacer lo mismo pero con 20 grados de libertad dos:


Area v1=9

0.95 2.39

0.975 2.84
Al interpolar entre estos dos valores nos queda un rea de 0.9516.

Ahora ya se tienen las dos reas referentes a los grados de libertad dos, por lo que se interpolar para
ver cunto le corresponde a los grados libertad dos con un valor de 19.
v2 Area

15 0.933

20 0.9516
Al interpolar nos queda que para 9 grados de libertad uno y 19 grados de libertad dos con un valor
de Fisher de 2.42 el rea a la izquierda es de 0.9478.

294
3.- Si s12 y s22 representan las varianzas de las muestras aleatorias independientes de tamao n1= 25
y n2 = 31, tomadas de poblaciones normales con varianzas =10 y = 15, respectivamente,
encuentre P(s12/s22 > 1.26).

Solucin:
Calcular el valor de Fisher:

Luego se va a la tabla de Fisher a buscar 30 grados de libertad 2 con 24 grados de libertad uno.
Cuando se est en esta posicin se busca adentro de la tabla el valor de Fisher de 1.89. Al localizarlo
y ver a la izquierda de este valor se obtiene un rea de 0.95, pero esta rea correspondera a la
probabilidad de que las relaciones de varianzas mustrales fueran menor a 1.26, por lo que se
calcula su complemento que sera 0.05, siendo esta la probabilidad de que s12/s22 > 1.26.

Intervalo de Confianza para el Cociente de Varianzas de Dos Distribuciones Normales

Supngase que se tienen dos poblaciones normales e independientes con varianzas desconocidas 12
y 22, respectivamente. De este par de poblaciones, se tienen disponibles dos muestras aleatorias de
tamaos n1 y n2, respectivamente, sean s12 y s22 las dos varianzas mustrales. Se desea conocer un
intervalo de confianza del 100(1 - ) por ciento para el cociente de las dos varianzas 12/22.

Para construir el intervalo de confianza para el cociente de dos varianzas poblacionales, se coloca la
varianza muestral mayor en el numerador del estadstico F.

Ejemplos:

1.-Un fabricante de automviles pone a prueba dos nuevos mtodos de ensamblaje de motores
respecto al tiempo en minutos. Los resultados se muestran en la tabla:
Mtodo 1 Mtodo 2

n1 = 31 n2 = 25

s12 = 50 s22 = 24
Construya un intervalo de confianza del 90% para 12/22.

Solucin:

295
Por la recomendacin de que la varianza muestral mayor va en el numerador se tiene la siguiente
frmula:
.

F toma dos valores dependiendo del nivel de confianza y de los grados de libertad. En este caso los
grados de libertad uno valen 30 y los grados de libertad dos 24.

Estos resultados los podemos interpretar de la siguiente manera:


Con un nivel de confianza del 90% se sabe que la relacin de varianzas 12/22 est entre 1.07 y
3.93. Esto supondra que la varianza de la poblacin 1 es mayor a la varianza de la poblacin 2 entre
1.07 y 3.93.

2.-Una compaa fabrica propulsores para uso en motores de turbina. Al ingeniero de manufactura le
gustara seleccionar el proceso que tenga la menor variabilidad en la rugosidad de la superficie. Para
ello toma una muestra de n1=16 partes del primer proceso, la cual tiene una desviacin estndar s1 =
4.7 micro pulgadas, y una muestra aleatoria de n2=12 partes del segundo proceso, la cual tiene una
desviacin estndar s2 = 5.1 micro pulgadas. Se desea encontrar un intervalo de confianza del 90%
para el cociente de las dos varianzas 12/22. Suponga que los dos procesos son independientes y que
la rugosidad de la superficie est distribuida de manera normal.

Solucin:

Por la recomendacin de que la varianza muestral mayor va en el numerador se tiene la siguiente


frmula:
.

En este caso los grados de libertad uno valen 11 y los grados de libertad dos 15.

296
y

Estos resultados los podemos interpretar de la siguiente manera:


Puesto que este intervalo de confianza incluye a la unidad, no es posible afirmar que las
desviaciones estndar de la rugosidad de la superficie de los dos procesos sean diferentes con un
nivel de confianza del 90%.

Ensayo de Hiptesis

Supngase que se tiene inters en dos poblaciones normales independientes, donde las medias y las
varianzas de la poblacin son desconocidas. Se desea probar la igualdad de las dos varianzas, ya que
para poder comparar las medias de estas dos poblaciones se utiliza la distribucin t de Student, en la
cual podemos tener varianzas iguales o diferentes en la poblacin.

Para conocer esto ltimo se requiere de la distribucin Fisher, y despus de utilizarla, se tomar la
decisin de tener o no varianzas iguales en la poblacin, dando pi a realizar la comparacin de las
dos medias segn estemos hablando. Primer caso en que las varianzas de la poblacin son
desconocidas pero iguales, o en el caso dos donde se tienen varianzas desconocidas pero dismiles.

Para el ensayo de hiptesis se utilizar la relacin de varianzas, la cual puede dar tres resultados:

En base a lo que se quiera probar, el ensayo podr ser unilateral derecho, izquierdo o bilateral.

Ejemplos:

1.-La variabilidad en la cantidad de impurezas presentes en un lote de productos qumicos, utilizada


para un proceso en particular, depende del tiempo que tarda el proceso. Un fabricante que emplea
dos lneas de produccin 1 y 2, hizo un pequeo ajuste al proceso 2, con la esperanza de reducir la
variabilidad, as como la cantidad media de impurezas en los productos qumicos. Muestras de
n1=25 y n2=20 mediciones de dos lotes produjeron las siguientes medias y varianzas:

Presentan los datos evidencia suficiente para indicar que las variaciones del proceso son menores
para el 2? Realice una prueba con un = 0.05.

297
Solucin:

Datos:
Poblacin 1 Poblacin 2

n1 = 25 n2 = 20
= 0.05

Ensayo de hiptesis:

Estadstico de prueba:

La sugerencia que se hace es que el numerador sea el de valor mayor.


Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos uno.
v1= 25-1 = 24 y v2 = 20-1=19.

Regla de decisin:
Si Fc 2.11 No se rechaza Ho,
Si la Fc > 2.11 se rechaza Ho.
Clculo:

Decisin y Justificacin:
Como 2.04 es menor que 2.11 no se rechaza Ho, y se concluye con un = 0.05 que no existe
suficiente evidencia para decir que la varianza del proceso 2 es menor que la del proceso 1.

2.-En su incansable bsqueda de un sistema de llenado adecuado, cierta empresa prueba dos
mquinas. Robo-fill se usa para llenar 16 tarros y da una desviacin estndar de 1.9 onzas en el
llenado. Con Automat-fill se llenan 21 frascos que dan una desviacin estndar de 2.1 onzas. Si la
empresa tiene que elegir uno de estos sistemas en funcin de la uniformidad de llenado. Cual
deber seleccionar? Use un = 0.10.

298
Solucin:

Datos:
Robo-Fill
sRF = 1.9
nRF = 16
= 0.10
Automat-Fill
sAF = 2.1
nAF = 21

Ensayo de hiptesis:

Estadstico de prueba:

La sugerencia que se hace es que el numerador sea el de valor mayor.


Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos uno.
v1= 21-1 = 20 y v2 = 16-1=15.

Regla de decisin:
Si Fc 2.20 No se rechaza Ho,
Si la Fc > 2.20 se rechaza Ho.
Clculo:

Decisin y Justificacin:
Como 1.22 es menor que 2.20 no se rechaza Ho, y se concluye con un = 0.10 que la variacin de
llenado de la mquina Robo-Fill no es menor a la de Automat-Fill, por lo que se selecciona
cualquier mquina.

3.-Las capas de xido en las obleas semiconductoras son depositadas en una mezcla de gases para
alcanzar el espesor apropiado. La variabilidad del espesor es una caracterstica crtica de la oblea, y
lo deseable para los siguientes pasos de la fabricacin es tener una variabilidad baja. Para ello se

299
estudian dos mezclas diferentes de gases con la finalidad de determinar con cul se obtienen mejores
resultados en cuanto a la reduccin en la variabilidad del espesor del xido. Veintin obleas son
depositadas en cada gas. Las desviaciones estndar de cada muestra del espesor del xido son s 1 =
1.96 angstroms y s2 = 2.13 angstroms. Existe evidencia que indique una diferencia en las
desviaciones? Utilice =0.05.

Solucin:

Datos:
s1= 1.96
n1 = 21
s2 = 2.13
n2= 21

Ensayo de hiptesis:

Estadstico de prueba:

La sugerencia que se hace es que el numerador sea el de valor mayor.


Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos uno.
v 1= 21-1 = 20 y v 2 = 21-1=20.

Regla de decisin:
Si 0.406 Fc 2.46 No se rechaza Ho,
Si la Fc < 0.406 si Fc > 2.46 se rechaza Ho.

Clculo:

Decisin y Justificacin:
Como 0.85 est entre los dos valores de Ho no se rechaza, y se concluye con un = 0.05 que existe
suficiente evidencia para decir que las varianza de las poblaciones son iguales.

300
Error Tipo II

1.-Para el ejercicio anterior, encontrar la probabilidad de cometer error tipo II si la verdadera


relacin 12/22 = 2.

Solucin:

1.-Del ejercicio nmero 1 del ensayo de hiptesis en donde la variabilidad en la cantidad de


impurezas presentes en un lote de productos qumicos dependa del tiempo que tardaba el proceso y
el fabricante empleaba dos lneas de produccin 1 y 2, e hizo un pequeo ajuste al proceso 2,
calcular la probabilidad de cometer error tipo II si le relacin 12/22 = 1.5.

Solucin:

Por lo tanto s12/s22 = 2.11 ya que esto fue lo que dio la tabla y al despejar nos queda
los mismo. Se calcula un nuevo valor de F con la relacin de varianzas de 1.5.

301
Si se recuerda para este ejercicio se tienen 24 grados de libertad uno y 19 de grados de libertad dos,
por lo que se tiene que hacer una doble interpolacin ya que 19 grados de libertad dos no vienen en
la tabla.
Primero se interpolar para 24 grados de libertad uno y 15 grados de libertad dos:
Area Valor de F

0.50 1.02

0.75 1.41
Al interpolar para un valor de Fisher de 1.406 se ve que este valor est muy cercano a 1.41, el cual
le corresponde un rea de 0.75, por lo que queda un resultado de 0.7474

Ahora se procede a interpolar para 24 grados de libertad uno y 20 grados de libertad dos:
Area Valor de F

0.75 1.35

0.90 1.77
La interpolacin para un valor de Fisher de 1.406 es de 0.77.

Teniendo los dos valores, se puede calcular el rea correspondiente a 24 grados de libertad uno y 19
grados de libertad dos:
v2 Area

15 0.7474

20 0.77
Por lo tanto al interpolar para 19 grados de libertad dos nos da un valor de 0.76548

302
INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS DE DOS
DISTRIBUCIONES NORMALES, VARIANZAS DESCONOCIDAS

En esta seccin se ver el caso en donde se tienen dos poblaciones con medias y varianzas
desconocidas, y se desea encontrar un intervalo de confianza para la diferencia de dos medias 1-2.
Si los tamaos de muestras n1 y n2 son mayores que 30, entonces, puede emplearse el intervalo de
confianza de la distribucin normal. Sin embargo, cuando se toman muestras pequeas se supone
que las poblaciones de inters estn distribuidas de manera normal, y los intervalos de confianza se
basan en la distribucin t.

INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS DE DOS


DISTRIBUCIONES NORMALES, VARIANZAS DESCONOCIDAS PERO IGUALES

Si s12 y s22 son las medias y las varianzas de dos muestras aleatorias de tamao n1 y n2,
respectivamente, tomadas de dos poblaciones normales e independientes con varianzas desconocidas
pero iguales, entonces un intervalo de confianza del 100(1 - ) por ciento para la diferencia entre
medias es:

en donde:
es el estimador combinado de la desviacin estndar comn de la poblacin con n1+n2 2 grados de
libertad.

Ejemplos:

303
1.- Un artculo publicado dio a conocer los resultados de un anlisis del peso de calcio en cemento
estndar y en cemento contaminado con plomo. Los niveles bajos de calcio indican que el
mecanismo de hidratacin del cemento queda bloqueado y esto permite que el agua ataque varias
partes de una estructura de cemento. Al tomar diez muestras de cemento estndar, se encontr que el
peso promedio de calcio es de 90 con una desviacin estndar de 5; los resultados obtenidos con 15
muestras de cemento contaminado con plomo fueron de 87 en promedio con una desviacin
estndar de 4. Supngase que el porcentaje de peso de calcio est distribuido de manera normal.
Encuntrese un intervalo de confianza del 95% para la diferencia entre medias de los dos tipos de
cementos. Por otra parte, supngase que las dos poblaciones normales tienen la misma desviacin
estndar.

Solucin:

El estimador combinado de la desviacin estndar es:

Al calcularle raz cuadrada a este valor nos queda que sp = 4.41

Expresin que se reduce a 0.72 1- 2 6.72

Ntese que el intervalo de confianza del 95% incluye al cero; por consiguiente, para este nivel
confianza, no puede concluirse la existencia de una diferencia entre las medias.

2.- Se realiz un experimento para comparar el tiempo promedio requerido por el cuerpo humano
para absorber dos medicamentos, A y B. Suponga que el tiempo necesario para que cada
medicamento alcance un nivel especfico en el torrente sanguneo se distribuye normalmente. Se
eligieron al azar a doce personas para ensayar cada frmaco registrndose el tiempo en minutos que
tard en alcanzar un nivel especfico en la sangre. Calcule un intervalo de confianza del 95% para la
diferencia del tiempo promedio. Suponga varianzas iguales.
Medicamento A Medicamento B

nA = 12 nB = 12

304
SA2= 15.57 SB2 = 17.54
Solucin:

2.35 B-A 9.25

Con un nivel confianza del 95% se sabe que el tiempo promedio para alcanzar un nivel especfico es
mayor para el medicamento B.

PRUEBA SOBRE DOS MEDIAS, POBLACIONES NORMALES, VARIANZAS


DESCONOCIDAS PERO IGUALES

Las situaciones que ms prevalecen e implican pruebas sobre dos medias son las que tienen
varianzas desconocidas. Si el cientfico prueba mediante una prueba F, que las varianzas de las dos
poblaciones son iguales, se utiliza la siguiente frmula:

donde:
Los grados de libertad estn dados por:

Ejemplos:

1.- Para encontrar si un nuevo suero detiene la leucemia, se seleccionan nueve ratones, todos con
una etapa avanzada de la enfermedad. Cinco ratones reciben el tratamiento y cuatro no. Los tiempos
de sobrevivencia en aos, a partir del momento en que comienza el experimento son los siguientes:
Con Tratamiento 2.1 5.3 1.4 4.6 0.9

Sin Tratamiento 1.9 0.5 2.8 3.1


Se puede decir en el nivel de significancia del 0.05 que el suero es efectivo? Suponga que las dos
poblaciones se distribuyen normalmente con varianzas iguales.

Solucin:

Primero se probar el supuesto de varianzas iguales con un ensayo de hiptesis bilateral utilizando la
distribucin Fisher.

Datos:
Con tratamiento

305
s= 1.97
n=5

Sin tratamiento

s = 1.1672
n=4

Ensayo de hiptesis:

Estadstico de prueba:

La sugerencia que se hace es que el numerador sea el de valor mayor .


Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos uno.
v 1= 5-1 = 4 y v2 = 4-1=3.

Regla de decisin:
Si 0.10 Fc 15.1 No se rechaza Ho,
Si la Fc < 0.10 si Fc > 15.1 se rechaza Ho.

Clculo:

Decisin y Justificacin:
Como 2.85 est entre los dos valores de Ho no se rechaza , y se concluye con un = 0.05 que existe
suficiente evidencia para decir que las varianza de las poblaciones son iguales.
Con la decisin anterior se procede a comparar las medias:

Ensayo de Hiptesis
Ho; CT- ST=0
H1; CT- ST >0

306
Los grados de libertad son (5+4-2) = 7

Regla de decisin:
Si tR 1.895 No se Rechaza Ho
Si tR > 1.895 se rechaza Ho

Clculos:

por lo tanto sp = 1.848

Justificacin y decisin:
Como 0.6332 es menor que 1.895, no se rechaza Ho, y se concluye con un nivel de significancia del
0.05 que no existe suficiente evidencia para decir que el suero detiene la leucemia.

2.-Se realiz un experimento para comparar el tiempo promedio requerido por el cuerpo humano
para absorber dos medicamentos, A y B. Suponga que el tiempo necesario para que cada
medicamento alcance un nivel especfico en el torrente sanguneo se distribuye normalmente. Se
eligieron al azar a doce personas para ensayar cada frmaco registrndose el tiempo en minutos que
tard en alcanzar un nivel especfico en la sangre. Calcule con = 0.05 si existe diferencia entre los
tiempos promedio y obtenga el valor de P. Suponga varianzas iguales.
Medicamento A Medicamento B

nA = 12 nB = 12

SA2= 15.57 SB2 = 17.54


Solucin:

Primero se pondr a prueba el supuesto de varianzas iguales mediante una prueba de hiptesis con
= 0.10.

307
Ensayo de hiptesis:

Estadstico de prueba:

La sugerencia que se hace es que el numerador sea el de valor mayor.


Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos uno.
v 1=12-1=11 y v 2=12-1=11.

Regla de decisin:
Si 0.355 Fc 2.82 No se rechaza Ho,
Si la Fc < 0.355 si Fc > 2.82 se rechaza Ho.

Clculo:

Decisin y Justificacin:
Como 1.13 est entre los dos valores de Ho no se rechaza, y se concluye con un = 0.10 que existe
suficiente evidencia para decir que las varianza de las poblaciones son iguales.
Con la decisin anterior se procede a comparar las medias:

Ensayo de Hiptesis
Ho; B- A=0
H1; B- A 0

Los grados de libertad son (12+12-2) = 22

308
Regla de decisin:
Si 2.074 tc 2.074 No se rechaza Ho,
Si la tc < -2.074 si tc > 2.074 se rechaza Ho.

Clculos:

Justificacin y decisin:
Como 3.49 es mayor que 2.074, no se rechaza Ho, y se concluye con un nivel de significancia del
0.05 que la media del tiempo para que el medicamento A llegue a un nivel especfico en el torrente
sanguneo es distinta de la que toma al frmaco B alcanzar ese mismo nivel.

Para calcular el valor de P se ubicar la t calculada en la grfica para proceder a buscar el rea y
multiplicarla por dos ya que es bilateral.

P = (2)(0.00139) = 0.00278

INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS DE DOS


DISTRIBUCIONES NORMALES, VARIANZAS DESCONOCIDAS PERO DIFERENTES

Consideremos ahora el problema de encontrar una estimacin por intervalos de 1-2 cuando no es
probable que las varianzas poblacionales desconocidas sean iguales. La estadstica que se usa con
ms frecuencia en este caso es:

que tiene aproximadamente una distribucin t con v grados de libertad, donde:

309
Como v rara vez es nmero entero, lo redondeamos al nmero entero ms cercano menor. Esto es si
el valor de nu es de 15.9 se redondear a 15.
Al despejar la diferencia de medias poblacionales de la formula de t nos queda:

Ejemplos:

1.- El departamento de zoologa de la Universidad de Virginia llev a cabo un estudio para estimar
la diferencia en la cantidad de ortofsforo qumico medido en dos estaciones diferentes del ro
James. El ortofsforo se mide en miligramos por litro. Se reunieron 15 muestras de la estacin 1 y se
obtuvo una media de 3.84 con una desviacin estndar de 3.07 miligramos por litro, mientras que 12
muestras de la estacin 2 tuvieron un contenido promedio de 1.49 con una desviacin estndar 0.80
miligramos por litro. Encuentre un intervalo de confianza de 95% para la diferencia del contenido
promedio real de ortofsforo en estas dos estaciones, suponga que las observaciones vienen de
poblaciones normales con varianzas diferentes.
Solucin:
Datos:
Estacin 1 Estacin 2

n1 = 15 n2 = 12

S1= 3.07 S2 = 0.80


Primero se proceder a calcular los grados de libertad:

Al usar =0.05, encontramos en la tabla con 16 grados de libertad que el valor de t es 2.120, por lo
tanto:

que se simplifica a:
0.60 1- 2 4.10

Por ello se tiene una confianza del 95% de que el intervalo de 0.60 a 4.10 miligramos por litro
contiene la diferencia de los contenidos promedios reales de ortofsforo para estos dos lugares.

PRUEBA SOBRE DOS MEDIAS, POBLACIONES NORMALES, VARIANZAS


DESCONOCIDAS PERO DIFERENTES

310
Ejemplo:

1.- Un fabricante de monitores prueba dos diseos de microcircuitos para determinar si producen un
flujo de corriente equivalente. El departamento de ingeniera ha obtenido los datos siguientes:
Diseo 1 n1 = 16 s12 = 10

Diseo 2 n2 = 10 s22 = 40
Con = 0.05, se desea determinar si existe alguna diferencia significativa en el flujo de corriente
promedio entre los dos diseos, donde se supone que las dos poblaciones son normales, pero no es
posible suponer que las varianzas desconocidas sean iguales.

Solucin:
Primero se probarn varianzas desiguales.

Ensayo de hiptesis:

Estadstico de prueba:

La sugerencia que se hace es que el numerador sea el de valor mayor .


Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos uno.
v 1= 10-1 = 9 y v2 = 16-1=15.

Regla de decisin:
Si 0.265 Fc 3.12 No se rechaza Ho,

311
Si la Fc < 0.265 si Fc > 3.12 se rechaza Ho.

Clculo:

Decisin y Justificacin:
Como 4 es mayor que 3.12 se rechaza Ho , y se concluye con un = 0.05 que existe suficiente
evidencia para decir que las varianza de las poblaciones son diferentes.
Con la decisin anterior se procede a comparar las medias:

Ensayo de Hiptesis
Ho; 1- 2=0
H1; 1- 2 0
Para poder buscar el valor de t en la tabla, se necesita saber el valor de los grados de libertad:

Este valor se redondea al prximo menor que sera 11.

Regla de decisin:
Si 2.201 tR 2.201 No se rechaza Ho
Si tR < -2.201 si tR > 2.201 se rechaza Ho

Clculos:

Justificacin y decisin:
Como 0.1395 est entre 2.201 y 2.201, no se rechaza Ho y se concluye con un = 0.05, que no
existe diferencia significativa en el flujo de corriente promedio entre los dos diseos.

2.- Dos proveedores fabrican un engrane de plstico utilizado en una impresora lser. Una
caracterstica importante de estos engranes es la resistencia al impacto la cual se mide en pies-libras.
Una muestra aleatoria de 10 engranes suministrados por el primer proveedor arroja los siguientes
resultados: y s1 = 12. Del segundo proveedor se toma una muestra aleatoria de 16

312
engranes, donde los resultados son y s2 = 45. Existe evidencia que apoye la afirmacin de
que los engranes del proveedor 2 tienen una mayor resistencia promedio al impacto. Use un nivel de
significancia de 0.05. Calcule el valor de P.

Solucin:
Datos:
Proveedor 1 Proveedor 2

n1 = 10 n2 = 16

S1= 12 S2 = 45

Primero se probarn varianzas desiguales.


Ensayo de hiptesis:

Estadstico de prueba:

La sugerencia que se hace es que el numerador sea el de valor mayor.


Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos uno.
v 1= 16-1 = 15 y v2 = 10-1=9.

Regla de decisin:
Si 0.320 Fc 3.01 No se rechaza Ho,
Si la Fc < 0.320 si Fc > 3.01 se rechaza Ho.

Clculo:

Decisin y Justificacin:

313
Como 14.06 es mayor que 3.01 se rechaza Ho, y se concluye con un = 0.05 que existe suficiente
evidencia para decir que las varianza de las poblaciones son diferentes.
Con la decisin anterior se procede a comparar las medias:

Ensayo de Hiptesis
Ho; 2- 1=0
H1; 2- 1 >0

Para poder buscar el valor de t en la tabla, se necesita saber el valor de los grados de libertad:

Este valor se redondea al prximo menor que sera 18.

Regla de decisin:
Si tR 1.734 No se rechaza Ho
Si tR > 1.734 se rechaza Ho

Clculos:

Justificacin y decisin:
Como 2.61 es mayor que 1.734, se rechaza Ho y se concluye con un =0.05, que existe evidencia
suficiente para decir que el promedio de resistencia de los engranes del proveedor 2 es mayor a el
promedio de resistencia de los engranes del proveedor 1.

Para calcular el valor de P se busca adentro de la tabla de t el valor de 2.61 con 18 grados de libertad
y se observa que se encuentra entre dos reas que son 0.01 y 0.0075, al interpolar nos da un valor de
P = 0.00894.

314
INFERENCIA RESPECTO A LA DIFERENCIA DE DOS MEDIAS CUANDO SE USAN
MUESTRAS DEPENDIENTES PEQUEAS

Para hacer inferencias estadsticas sobre dos poblaciones, se necesita tener una muestra de cada
poblacin. Las dos muestras sern dependientes o independientes de acuerdo a la forma de
seleccionarlas. Si la seleccin de los datos de una poblacin no est relacionada con la de los datos
de la otra, son muestras independientes. Si las muestras se seleccionan de manera que cada medida
en una de ellas pueda asociarse naturalmente con una medida en la otra muestra, se llaman muestras
dependientes. Cada dato sale de alguna fuente; una fuente es algo, una persona o un objeto, que
produce datos. Si dos medidas se obtienen de la misma fuente, se puede pensar que las medidas
estn pareadas. En consecuencia dos medidas que se obtienen del mismo conjunto de fuentes son
dependientes. Note que si dos muestras son dependientes, entonces necesariamente tienen el mismo
tamao.

Muchas aplicaciones prcticas requieren hacer comparaciones entre dos poblaciones con base en
datos pareados o en muestras dependientes. Las aplicaciones que pueden involucrar muestras
dependientes incluyen:

Medicina.- Poner a prueba los efectos de una dieta mediante la obtencin de las medidas del
peso en la misma persona antes y despus de aplicar una dieta.
Enseanza.- Probar la efectividad de una estrategia de enseanza aplicando exmenes antes
y despus a los mismos individuos.
Agricultura.- Poner a prueba los efectos de dos fertilizantes en la produccin de frijol de
soya comparando la produccin de parcelas similares en las mismas condiciones.
Finanzas.- Comparar las estimaciones de dos talleres de autos chocados para las mismas
unidades.
Industria.- Poner a prueba dos marcas de llantas en cuanto al desgaste del piso colocando
una de cada marca en los rines traseros de una muestra de coches del mismo tipo.

Si se tienen dos muestral aleatorias dependientes de tamao n, donde cada elemento de la primera
muestra es pareja de un elemento de la segunda, entonces estas dos muestras dan lugar a una de
parejas o a unas diferencias, como lo indica la siguiente figura. La muestra de diferencias d = x1 x2
se puede pensar como una muestra de la poblacin de diferencias de datos pareados de dos
poblaciones. La media de la poblacin de diferencias es igual a la diferencias de las medias
poblacionales.

315
-
Se puede demostrar que la media de las diferencias son las diferencias de las mismas considerando
las dos poblaciones siguientes con cuyos elementos se han formado parejas:
Poblacin 1 Poblacin 2 Diferencia d

2 5 2 5 = -3

4 6 4 6 = -2

6 2 62=4

8 4 84=4

10 8 10 8 = 2

Suma 30 25 5

Media 6 5 1
La diferencia entre medias poblacionales es:
1-2 = 6 5 = 1
y la media de la poblacin de diferencias se representa:

En consecuencia se ve que la media de la poblacin de diferencias es igual a la diferencia entre las


medias poblacionales. Siguiendo la misma lnea de razonamiento, se puede demostrar que, para dos
muestras dependientes, la media de sus diferencias mustrales es igual a la diferencia entre sus
medias mustrales. Esto es, si x1 x2 = d, entonces

316
Si se tiene una muestra aleatoria de n pares de datos y si las diferencias d se distribuyen
normalmente, entonces el estadstico:

Tiene una distribucin muestral que es una distribucin t con gl=n-1, donde sd representa la
desviacin estndar de la muestra de puntajes diferencia.
Estadstico

donde g.l = n-1

Lmites del intervalo de confianza para 1-2 cuando se usa muestras dependientes

Ejemplos:
1.- Se hizo un estudio para definirse si los ejercicios aerbicos reducen el ritmo cardiaco de una
persona durante el descanso, y al examinar a diez voluntarios antes y despus de seguir un programa
de ese tipo durante seis meses, sus pulsaciones, en latidos por minuto, dieron los siguientes
registros:
Voluntario 1 2 3 4 5 6 7 8 9 10

Antes 73 77 68 62 72 80 76 64 70 72

Despus 68 72 64 60 71 77 74 60 64 68
Use = 0.05 para calcular si los ejercicios aerbicos reducen el ritmo cardiaco durante el reposo.
Calcule el valor de P.

Solucin:
Ensayo de hiptesis:
Ho; A - D = 0
H1; A - D > 0

Regla de decisin:
Si tR 1.833 No se rechaza Ho
Si tR > 1.833 se rechaza Ho

317
Clculos:
Se proceder a calcular las diferencias de cada par:
Voluntario 1 2 3 4 5 6 7 8 9 10

Antes 73 77 68 62 72 80 76 64 70 72

Despus 68 72 64 60 71 77 74 60 64 68

Diferencia 5 5 4 2 1 3 2 4 6 4
Al calcular la media de las diferencias nos da 3.6 con una sd = 1.58.

Justificacin y decisin:
Como 7.20 es mayor que 1.833, se rechaza H0, y se concluye cn un nivel de significancia de 0.05
que los datos indican que los ejercicios aerbicos disminuyen significativamente el ritmo cardiaco
durante el reposo.

Para calcular el valor de P se busca el 7.20 en el rengln de 9 grados de libertad en la tabla t, y se


observa que el valor mayor que aparece en dicha tabla es 4.781 al cual le corresponde un rea a la
derecha de 0.0005, entonces se puede concluir que el valor de P es prcticamente cero.

2.- Diez hombres se sometieron a una dieta especial registrando sus pesos antes de comenzarla y
despus de un mes de estar en ella. Los resultados de los pesos, en libras, se muestran a
continuacin:
Hombre A B C D E F G H I J

Antes 181 172 190 186 210 202 166 173 183 184

Despus 178 175 185 184 207 201 160 168 180 189
Haga una prueba con = 0.05 para determinar si la dieta logr alguna diferencia, ya sea positiva o
negativa. Calcule el valor de P.

Solucin:
Ensayo de hiptesis:
Ho; A -D = 0
H1; A - D 0

318
Regla de decisin:
Si 2.262 tc 2.262 No se rechaza Ho,
Si la tc < -2.262 si tc > 2.262 se rechaza Ho.

Clculos:
Se proceder a calcular las diferencias de cada par:
Hombre A B C D E F G H I J

Antes 181 172 190 186 210 202 166 173 183 184

Despus 178 175 185 184 207 201 160 168 180 189

Diferencia 3 -3 5 2 3 1 6 5 3 -5
Al calcular la media de las diferencias nos da 2 con una sd = 3.53.

Justificacin y decisin:
Como 1.79 est entre los dos valores crticos de 2.262 y 2.262, por lo tanto no se rechaza H0, y se
concluye con un = 0.05 que no existe evidencia estadstica que apoye la efectividad de la dieta para
variar el peso.

Para calcular el valor de P se interpola entre 0.10 y 0.05, con 9 grados de libertad obteniendo un rea
de 0.0574, pero como el ensayo es bilateral este sera un valor de P/2, por lo tanto el valor de P =
(2)(0.0574) = 0.1148

3.- Calcula el intervalo de confianza del 95% para la diferencia de medias poblacionales del
ejercicio anterior.

319
Solucin:

El intervalo de confianza del 95% es 0.53 y 4.53 y como contiene a cero, no podemos concluir que
la dieta sea efectiva para cambiar el peso.

Problemas Propuestos
1.- Un economista considera que el nmero de galones de gasolina que consume mensualmente cada
automvil en Estados Unidos es una variable aleatoria normal con =50 y varianza desconocida.
a) Supngase que una muestra aleatoria de nueve observaciones presenta una varianza muestral
de 36. Cul es la probabilidad de que x sea mayor que 54?
b) Cul es la probabilidad de que x sea menor que 44?
c) Cul es la probabilidad de que x este comprendida entre 44 y 55?
d) Cmo modificaran las respuestas a las preguntas anteriores si n = 36?

2.- Una mquina produce las varillas de metal utilizadas en el sistema de suspensin de un
automvil. El dimetro de la varilla est distribuido en forma normal, con media y varianza
desconocida. Se toma una muestra aleatoria de 10 piezas, y se encuentra que los dimetros son:
2.25, 2.24, 2.27, 2.26, 2.23, 2.25, 2.24, 2.27, 2.22 y 2.23 pulgadas. Encuentre el intervalo de
confianza del 99% para el dimetro promedio de todas las varillas de metal.

3.- Una muestra de 12 latas de sopa producida por cierta compaa produjo los siguientes pesos
netos, medidos en onzas:
11.9 12.2 11.6 12.1 12.1 11.8

11.9 11.8 12.0 12.3 11.8 12.0


Si se supone normalidad en los pesos, construya un intervalo de confianza del 95% para el peso
promedio de todas las latas de sopa producidas por la compaa.

4.- Los siguientes datos registrados en das, representan el tiempo de recuperacin para pacientes
que se tratan al azar con uno de los medicamentos para curar infecciones graves de la vejiga:
Medicamento 1 Medicamento 2

n1 = 14 n2 = 16

x1 = 17 x2 = 19

s12 = 1.5 s22 = 1.8


Encuentre un intervalo de confianza de 99% para la diferencia promedio en el tiempo de
recuperacin para los dos medicamentos, suponga poblaciones normales con varianzas iguales.

5.- Un experimento compara las economas en combustible para dos tipos de camiones compactos a
diesel equipados de forma similar. Suponga que se utilizaron 12 camiones Volkswagen y 10 Toyota

320
en pruebas de velocidad constante de 90 kilmetros por hora. Si los 12 VW promedian 16 Km/lto
con una desviacin estndar de 1.0 km/lto, y los 10 Toyota promedian 11 km/lto con una desviacin
estndar de 0.8 km/lto, construya un intervalo de confianza de 90% para la diferencia entre los
kilmetros promedio por litro de estos dos camiones. Suponga poblaciones normales con varianzas
iguales.

6.- Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones, de una poblacin
normal con varianza 2= 6, tenga una varianza s2
a) Mayor que 9.1
b) Entre 3.462 y 10.745

7.- Encuentre el intervalo de confianza del 90% para la varianza del dimetro de las varillas del
ejercicio 2 e intrprete resultado.

8.- Una mquina que produce bolas para cojinetes se le detiene peridicamente para verificar el
dimetro. En este caso en particular no interesa el dimetro medio, sino la variabilidad de los
dimetros. Supngase que se toma una muestra de 31 bolas y se encuentra que la varianza de los
dimetros es de 0.94 mm2. Construya unos intervalos de confianza de 95% para la varianza, e
intrprete los resultados, suponiendo normalidad en la poblacin.
9.- Si s12 y s22 representan las varianzas de muestras aleatorias independientes de tamao n1=8 y
n2=12, tomadas de poblaciones normales con varianzas iguales, encuentre P(s12/s22< 4.89).

100.- Los siguientes datos representan los tiempos de duracin de las pelculas que producen dos
compaas cinematogrficas.

Compaa Tiempo (minutos)

I 103, 94, 110, 87, 98

II 97, 82, 123, 92, 175, 88, 118


Construya un intervalo de confianza del 90% para la relacin de varianzas.

11.- Construya un intervalo de confianza de 98% para la relacin de desviaciones estndar del
problema nmero 5, y de acuerdo con los resultados obtenidos, diga si estuvo bien el supuesto de
varianzas iguales.

12.- Pruebe la hiptesis de que el contenido promedio de los envases de un lubricante en particular
es de 10 litros si los contenidos de una muestra aleatoria de 10 envases son: 10.2, 9.7, 10.1, 10.3,
10.1, 9.8, 9.9, 10.4, 10.3 y 9.8 litros. Utilice un nivel de significancia de 0.01 y suponga que la
distribucin del contenido es normal.

13.- De acuerdo con un estudio diettico una ingesta alta de sodio se puede relacionar con lceras,
cncer de estmago y migraa. El requerimiento humano de sal es de slo 220 miligramos por da,
el cual se rebasa en la mayora de las porciones individuales de cereales listos para comerse. Si una
muestra aleatoria de 20 porciones similares de Especial K tiene un contenido medio de 244
miligramos de sodio y una desviacin estndar de 24.5 miligramos esto sugiere, en el nivel de

321
significancia del 0.05, que el contenido promedio de sodio para porciones individuales de Special K
es mayor que 220 miligramos? Suponga que la distribucin de contenidos de sodio es normal.

14.- Una compaa armadora de automviles grandes trata de decidir si compra llantas de la marca o
de la B para sus modelos nuevos. Se lleva a cabo un experimento para ayudar a llegar a una
decisin, en el que se usan 12 llantas de cada marca. Los resultados son:
Marca A: xA = 37,900 Kilmetros; SA = 5,100 Kilmetros.
Marca B: xB = 39,800 Kilmetros; SB = 5,900 Kilmetros

15.- Pruebe la hiptesis de que no hay diferencia en las dos marcas de llantas con un nivel de
significancia de 0.05. Tambin calcule el valor de P, suponiendo normalidad y varianzas iguales.
Dos secciones de un curso de estadstica son sometidas a un mismo examen final. De las
calificaciones obtenidas se extrae una muestra aleatoria de tamao 9 en la grupo "A", y otra de
tamao 4 en el grupo "B".
Grupo "A": 65, 68, 72, 75, 82, 85, 87, 91, 95

Grupo "B": 50, 59, 71, 80


a) Con un nivel de significacin de 0.05 podra decirse que los dos grupos tienen las mismas
calificaciones promedio?. Suponga que provienen de poblaciones normales con varianzas
iguales.
b) Calcule el valor de P para este ensayo e intrprete su resultado
c) Por medio de un ensayo de hiptesis diga si estuvo acertada la suposicin de las varianzas
iguales en el inciso a). Haga la prueba con un nivel de significacin de 0.10.

16.- Una mquina automtica empacadora de azcar se usa para llenar bolsas de 5 libras. Una
muestra aleatoria de 15 bolsas indic una media de 4.94 libras y una desviacin estndar de 0.02; si
se supone que la distribucin de los pesos es normal, y de la experiencia pasada se sabe que la
desviacin estndar de los pesos es de 0.015 libras, muestran los datos suficiente evidencia para
decir que hubo un aumento en la variabilidad?. Haga la prueba con un nivel de significancia del 0.05
y calcule el valor de P.

17.- Una empresa empacadora de azcar est considerando una mquina nueva para reemplazar su
mquina actual. Los pesos de una muestra de 21 paquetes de 5 libras empacados por la mquina
vieja producen una varianza de 0.16, mientras que los pesos de 20 paquetes de 5 libras empacados
por la mquina nueva dan una varianza de 0.09.En base a estos datos, aconsejara usted al gerente a
comprar la mquina nueva? Use un = 0.05.

18.- La Metro Bus Company en una ciudad grande afirma tener una varianza en los tiempos de
llegada de sus carros, medidos en minutos, a las distintas paradas, de no ms de 5; un ejecutivo de la
compaa orden tomar los tiempos de llegada en varias paradas para determinar si los conductores
estn cumpliendo con sus horarios. Si una muestra de 12 llegadas a una parada particular produjo
una varianza de 5.7 y se supone que los tiempos de llegada se distribuyen normalmente, muestran
estos datos suficiente evidencia para contradecir a la compaa? Use un nivel de significancia de
0.10 y calcule el valor de P.

322
Respuesta a los Problemas Propuestos

1.- a) 0.0421, b) 0.00862, c) 0.97276


2.- 2.2284 2.2635
3.- 11.859 12.11
4.- 0.70 2 - 1 3.30
5.- 4.3 vw - T 5.7
6.- a) 0.05, b) 0.94
7.- 4.689 x 10-5 2 1.559 x 10-4
8.- 0.60 2 1.679
9.- 0.99
10.- 2.20 (2/1)2 61.50
11.- 0.549 (Vw/T) 2.69. Estuvo bien la suposicin puesta que el uno est dentro del intervalo.
12.- Regin crtica -3.25 t 3.25. t = 0.77 por lo tanto no rechaza Ho.
13.- Regin crtica t>1.729. t= 4.30 rechazar Ho.
14.- Regin crtica -2.074 t 2.074. t = -0.84 no rechazar Ho. P = 0.411
15.- a) Regin crtica -2.201 t 2.201. t = 2.27 rechazar Ho. b) P = 0.0445 c) Regin crtica
0.1129 F 4.07. F = 1.578, no rechaza Ho, estuvo bien la suposicin de varianzas iguales.
16.- Regin crtica X2 > 23.685. X2 = 24.88 rechazar Ho. P = 0.0377
17.- Regin critica F > 2.16. F = 1.77, no se rechaza Ho y no conviene comprar la mquina nueva.
18.- Regin crtica X2 > 17.275. X2 = 12.54 no se rechaza Ho. P = 0.3280

323
324
325
326
327
328
TABLA DE LA DISTRIBUCION DE POISSON.-

Para un valor de , las entradas indican la probabilidad de obtener un valor especificado de X.-

X 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.4966 0.4483 0.4066 0.3679
1 0.0905 0.1637 0.2222 0.2681 0.3033 0.3293 0.3476 0.3595 0.3659 0.3679
2 0.0045 0.0164 0.0333 0.0536 0.0758 0.0988 0.1217 0.1438 0.1647 0.1839
3 0.0002 0.0011 0.0033 0.0072 0.0126 0.0198 0.0284 0.0383 0.0494 0.0613
4 0.0001 0.0003 0.0007 0.0016 0.0030 0.0050 0.0077 0.0111 0.0153
5 0.0001 0.0002 0.0004 0.0007 0.0012 0.0020 0.0031
6 0.0001 0.0002 0.0003 0.0005
7 0.0001


X 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
0 0.3329 0.3012 0.2725. 0.2466. 0.2231. 0.2019. 0.1827. 0.1653. 0.1496 0.1353.
1 0.3662 0.3614 0.3543 0.3452 0.3347 0.3230 0.3106 0.2975 0.2842 0.2707
2 0.2014 0.2169 0.2303 0.2417 0.2510 0.2584 0.2640 0.2678 0.2700 0.2707
3 0.0.738 0.0867 0.0998 0.1128 0.1255 0.1378 0.1496 0.1607 0.1710 0.1804
4 0.0203 0.0260 0.0324 0.0395 0.0471 0.0561 0.0638 0.0723 0.0812 0.0902
5 0.0045 0.0082 0.0084 0.0111 0.0141 0.0176 0.0216 0.0260 0.0309 0.0361
6 0.0008 0.0012 0.0018 0.0026 0.0035 0.0047 0.0061 0.0078 0.0098 0.0120
7 0.0001 0.0002 0.0003 0.0005 0.0008 0.0011 0.0015 0.0020 0.0027 0.0034
8 0.0001 0.0001 0.0001 0.0002 0.0003 0.0005 0.0008 0.0009
9 0.0001 0.0001 0.0001 0.0002


X 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0
0 0.1225 0.1108 0.1003 0.0907 0.0821 0.0723 0.0672 0.0608 0.0550 0.0498
1 0.2572 0.2438 0.2306 0.2177 0.2052 0.1931 0.1815 0.1703 0.1596 0.1494
2 0.2700 0.2881 0.2652 0.2613 0.2565 0.2510 0.2450 0.2384 0.2314 0.2240
3 0.1890 0.1966 0.2033 0.2090 0.2138 0.2178 0.2205 0.2225 0.2237 0.2240
4 0.0.992 0.1082 0.1169 0.1254 0.1338 0.1414 0.1488 0.1557 0.1622 0.1680
5 0.0417 0.0476 0.0538 0.0802 0.0668 0.0735 0.0804 0.0872 0.0940 0.1008
6 0.0146 0.0174 0.0206 0.0241 0.0278 0.0319 0.0362 0.0407 0.0455 0.0504
7 0.0044 0.0055 0.0068 0.0083 0.0099 0.0118 0.0139 0.0163 0.0188 0.0216
8 0.0011 0.0015 0.0019 0.0025 0.0031 0.0038 0.0047 0.0057 0.0068 0.0081
9 0.0003 0.0004 0.0005 0.0007 0.0009 0.0011 0.0014 0.0018 0.0022 0.0027
10 0.0001 0.0001 0.0001 0.0002 0.0002 0.0003 0.0004 0.0005 0.0006 0.0008
11 0.0001 0.0001 0.0001 0.0002 0.0002
12 0.0001


X 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4.0
0 0.0450 0.0408 0.0369 0.0334 0.0302 0.0273 0.0247 0.0224 0.0204 0.0183
1 0.1397 0.1304 0.1217 0.1135 0.1057 0.0984 0.0915 0.0850 0.0789 0.0733
2 0.2165 0.2087 0.2208 0.1929 0.1850 0.1771 0.1692 0.1615 0.1539 0.1465
3 0.2237 0.2226 0.2209 0.2186 0.2158 0.2125 0.2087 0.2046 0.2001 0.1954
4 0.1734 0.1781 0.1823 0.1858 0.1888 0.1912 0.1931 0.1944 0.1951 0.1954
5 0.1075 0.1140 0.1203 0.1264 0.1322 0.1377 0.1429 0.1477 0.1522 0.1563
6 0.0555 0.0608 0.0662 0.0716 0.0771 0.0826 0.0881 0.0936 0.0989 0.1042
7 0.0246 0.0278 0.0312 0.0348 0.0385 0.0425 0.0466 0.0508 0.0551 0.0595
8 0.0095 0.0111 0.0129 0.0148 0.0169 0.0191 0.0215 0.0241 0.0269 0.0298
9 0.0033 0.0040 0.0047 0.0056 0.0066 0.0076 0.0089 0.0102 0.0116 0.0132
10 0.0010 0.0013 0.0016 0.0019 0.0023 0.0028 0.0033 0.0039 0.0045 0.0053

329
11 0.0003 0.0004 0.0005 0.0006 0.0007 0.0009 0.0011 0.0013 0.0016 0.0019
12 0.0001 0.0001 0.0001 0.0002 0.0002 0.0003 0.0003 0.0004 0.0005 0.0006
13 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002
14 0.0001


X 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 5.0
0 0.0166 0.0150 0.0136 0.0123 0.0111 0.0101 0.0091 0.0082 0.0074 0.0067
1 0.0679 0.0630 0.0583 0.0540 0.0500 0.0462 0.0427 0.0395 0.0365 0.0337
2 0.1393 0.1323 0.1254 0.1188 0.1125 0.1063 0.1005 0.0948 0.0894 0.0842
3 0.1904 0.1852 0.1798 0.1743 0.1687 0.1631 0.1574 0.1517 0.1460 0.1404
4 0.1951 0.1944 0.1933 0.1917 0.1898 0.1875 0.1849 0.1820 0.1789 0.1755
5 0.1600 0.1633 0.1662 0.1687 0.1708 0.1725 0.1738 0.1747 0.1753 0.1755
6 0.1093 0.1143 0.1191 0.1237 0.1281 0.1323 0.1362 0.1398 0.1432 0.1462
7 0.0640 0.0686 0.0732 0.0778 0.0824 0.0869 0.0914 0.0959 0.1002 0.1044
8 0.0328 0.0360 0.0393 0.0428 0.0463 0.0500 0.0537 0.0575 0.0614 0.0653
9 0.0150 0.0168 0.0188 0.0209 0.0232 0.0255 0.0280 0.0307 0.0334 0.0363
10 0.0061 0.0071 0.0081 0.0092 0.0104 0.0.18 0.0.132 0.0147 0.0.164 0.0181
11 0.0023 0.0027 0.0032 0.0037 0.0043 0.0049 0.0056 0.0064 0.0073 0.0082
12 0.0008 0.0009 0.0011 0.0014 0.0016 0.0019 0.0022 0.0026 0.0030 0.0034
13 0.0002 0.0003 0.0004 0.0005 0.0006 0.0007 0.0008 0.0009 0.0011 0.0013
14 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002 0.000. 0.0003 0.0004 0.0005
15 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002


X 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6.0
0 0.0061 0.0055 0.0050 0.0045 0.0041 0.0037 0.0033 0.0030 0.0027 0.0025
1 0.0311 .0.0287 0.0265 0.0244 0.0225 0.0207 0.0191 0.0176 0.0162 0.0149
2 0.0793 0.0746 0.0701 0.0659 0.0618 0.0580 0.0544 0.0509 0.0477 0.0446
3 0.1348 0.1293 0.1239 0.1185 0.1133 0.1082 0.1033 0.0985 0.0938 0.0892
4 0.1719 0.1681 0.1641 0.1600 0.1558 0.1515 0.1472 0.1428 0.1383 0.1339
5 0.1753 0.1748 0.1740 0.1727 0.1714 0.1697 0.1678 0.1656 0.1632 0.1606
6 0.1490 0.1515 0.1537 0.1555 0.1571 0.1584 0.1594 0.1601 0.1605 0.1606
7 0.1086 0.1125 0.1163 0.1200 0.1234 0.1267 0.1298 0.1326 0.1353 0.1377
8 0.0692 0.0731 0.0771 0.0810 0.0849 0.0887 0.0925 0.0962 0.0998 0.1033
9 0.0392 0.0423 0.0454 0.0486 0.0519 0.0552 0.0586 0.0620 0.0654 0.0688
10 0.0200 0.0220 0.0241 0.0262 0.0285 0.0309 0.0334 0.0.69 0.0386 0.0413
11 0.0093 0.0104 0.0116 0.0129 0.0143 0.0157 0.0173 0.0190 0.0207 0.0225
12 0.0039 0.0045 0.0051 0.0058 0.0065 0.0073 0.0082 0.0092 0.0102 0.0113
13 0.0015 0.0018 0.0021 0.0024 0.0028 0.0032 0.0036 0.0041 0.0046 0.0052
14 0.0006 0.0007 0.0008 0.0009 0.0011 0.0013 0.0015 0.0017 0.0019 0.0022
15 0.0002 0.0002 0.0003 0.0003 0.0004 0.0005 0.0006 0.0007 0.0008 0.0009
16 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002 0.0002 0.0003 0.0003
17 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001 0.0001


X 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 7.0
0 0.0022 0.0020 0.0018 0.0017 0.0015 0.0014 0.0012 0.0011 0.0010 0.0009
1 0.0137 0.0126 0.0116 0.0106 0.0098 0.0090 0.0082 0.0076 0.0070 0.0064
2 0.0417 0.0390 0.0364 0.0340 0.0318 0.0296 0.0276 0.0258 0.0240 0.0223
3 0.0848 0.0806 0.0765 0.0726 0.0688 0.0652 0.0617 0.0584 0.0552 0.0521
4 0.1294 0.1249 0.1205 0.1162 0.1118 0.1076 0.1034 0.0892 0.0952 0.0912
5 0.1579 0.1549 0.1519 0.1487 0.1454 0.1420 0.1385 0.1349 0.1314 0.1277
6 0.1605 0.1601 0.1595 0.1586 0.1575 0.1562 0.1546 0.1525 0.1511 0.1490
7 0.1399 0.1418 0.1435 0.1450 0.1462 0.1472 0.1480 0.1486 0.1489 0.1490
8 0.1066 0.1099 0.1130 0.1180 0.1188 0.1215 0.1240 0.1263 0.1284 0.1304

330
9 0.0723 0.0757 0.0791 0.0825 0.0858 0.0891 0.0923 0.0954 0.0985 0.1014
10 0.0441 0.0569 0.0498 0.0628 0.0558 0.0588 0.0618 0.0649 0.0679 0.0710
11 0.0245 0.0265 0.0285 0.0307 0.0330 0.0353 0.0377 0.0401 0.0426 0.0452
12 0.0124 0.0137 0.0150 0.0164 0.0179 0.0194 0.0210 0.0227 0.0245 0.0264
13 0.0058 0.0065 0.0073 0.0081 0.0089 0.0098 0.0108 0.0119 0.0130 0.0142
14 0.0025 0.0029 0.0033 0.0037 0.0041 0.0046 0.0052 0.0058 0.0064 0.0071
15 0.0010 0.0012 0.0014 0.0016 0.0018 0.0020 0.0023 0.0026 0.0029 0.0033
16 0.0004 0.0005 0.0005 0.0006 0.0007 0.0008 0.0010 0.0011 0.0013 0.0014
17 0.0001 0.0002 0.0002 0.0002 0.0003 0.0003 0.0004 0.0004 0.0005 0.0006
18 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002 0.0002
19 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001


X 7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 8.0
0 0.0008 0.0007 0.0007 0.0006 0.0006 0.0005 0.0005 0.0004 0.0004 0.0003
1 0.0059 0.0054 0.0049 0.0045 0.0041 0.0038 0.0035 0.0032 0.0029 0.0027
2 0.0208 0.0194 0.0180 0.0167 0.0156 0.0145 0.0134 0.0125 0.0116 0.0107
3 0.0492 0.0464 0.0438 0.0413 0.0389 0.0366 0.0345 0.0324 0.0305 0.0286
4 0.0874 0.0836 0.0799 0.0764 0.0729 0.0696 0.0663 0.0632 0.0602 0.0573
5 0.1241 0.1204 0.1167 0.1130 0.1094 0.1057 0.1021 0.0986 0.0951 0.0916
6 0.1468 0.1445 0.1420 0.1394 0.1367 0.1339 0.1311 0.1282 0.1252 0.1221
7 0.1489 0.1486 0.1481 0.1474 0.1465 0.1454 0.1442 0.1428 0.1413 0.1396
8 0.1321 0.1337 0.1351 0.1363 0.1373 0.1382 0.1368 0.1392 0.1395 0.1396
9 0.1042 0.1070 0.1096 0.1121 0.1144 0.1167 0.1187 0.1207 0.1224 0.1241
10 0.0740 0.0770 0.0800 0.0829 0.0858 0.0887 0.0914 0.0941 0.0967 0.0993
11 0.0478 0.0504 0.0531 0.0558 0.0585 0.0613 0.0640 0.0667 0.0695 0.0722
12 0.0283 0.0303 0.0323 0.0344 0.0366 0.0388 0.0411 0.0434 0.0457 0.0481
13 0.0154 0.0168 0.0181 0.0196 0.0211 0.0227 0.0243 0.0260 0.0278 0.0296
14 0.0078 0.0086 0.0095 0.0104 0.01130. 0.0123 0.0134 0.0145 0.0157 0.169
15 0.0037 0.0041 0.0046 0.0051 0.0057 0.0062 0.0069 0.0075 0.0083 0.0090
16 0.0016 0.0019 0.0021 0.0024 0.0026 0.0030 0.0033 0.0037 0.0041 0.0045
17 0.0007 0.0008 0.0009 0.0010 0.0012 0.0013 0.0015 0.0017 0.0019 0.0021
18 0.0003 0.0003 0.0004 0.0004 0.0005 0.0006 0.0006 0.0007 0.0008 0.0009
19 0.0001 0.0001 0.0001 0.0002 0.0002 0.0002 0.0003 0.0003 0.0003 0.0004
20 0.0000 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002
21 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001


X 8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8 8.9 9.0
0 0.0003 0.0003 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0001 0.0001
1 0.0025 0.0023 0.0021 0.0019 0.0017 0.0016 0.0014 0.0013 0.0012 0.0011
2 0.0100 0.0092 0.0086 0.0079 0.0074 0.0068 0.0063 0.0058 0.0054 0.0050
3 0.0269 0.0253 0.0237 0.0222 0.0208 0.0195 0.0183 0.0171 0.0160 0.0150
4 0.0544 0.0517 0.0491 0.0466 0.0443 0.0420 0.0398 0.0377 0.0357 0.0337
5 0.0882 0.0849 0.0816 0.0784 0.0752 0.0722 0.692 0.0663 0.635 0.0607
6 0.1191 0.1160 0.1128 0.1097 0.1066 0.1034 0.1003 0.0972 0.0941 0.0911
7 0.1378 0.1358 0.1338 0.1317 0.1294 0.1271 0.1247 0.1222 0.1197 0.1171
8 0.1395 0.1392 0.1388 0.1382 0.1375 0.1366 0.1356 0.1344 0.1332 0.1318
9 0.1256 0.1269 0.1280 0.1290 0.1299 0.1306 0.1311 0.1315 0.1317 0.1318
10 0.1017 0.1040 0.1063 0.1084 0.1104 0.1123 0.1140 0.1157 0.1172 0..1186
11 0.0749 0.0776 0.0802 0.0828 0.0853 0.0878 0.0902 0.0925 0.0948 0.0970
12 0.0505 0.0530 0.0655 0.0579 0.0604 0.0629 0.0654 0.0679 0.0703 0.0728

331
13 0.0315 0.0334 0.0354 0.0374 0.0395 0.0416 0.0438 0.0459 0.0481 0.0504
14 0.0182 0.0196 0.0210 0.0225 0.0240 0.0256 0.0272 0.0289 0.0306 0.0324
15 0.0098 0.0107 0.0116 0.0126 0.0136 0.0147 0.0158 0.0169 0.0182 0.0194
16 0.0050 0.0065 0.0060 0.0066 0.0072 0.0079 0.0086 0.0093 0.0101 0.0109
17 0.0024 0.0026 0.0029 0.0033 0.0036 0.0040 0.0044 0.0048 0.0053 0.0058
18 0.0011 0.0012 0.0014 0.0015 0.0017 0.0019 0.0021 0.0024 0.0026 0.0029
19 0.0005 0.0005 0.0006 0.0007 0.0008 0.0009 0.0010 0.0011 0.0012 0.0014
20 0.0002 0.0002 0.0002 0.0003 0.0003 0.0004 0.0004 0.0005 0.0005 0.0006
21 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002 0.0002 0.0002 0.0002 0.0003
22 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001


X 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 9.9 10
0 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0000
1 0.0010 0.0009 0.0009 0.0008 0.0007 0.0007 0.0006 0.0005 00005 0.0005
2 0.0046 0.0043 0.0040 0.0037 0.0034 0.0031 0.0029 0.0027 0.0025 0.0023
3 0.0140 0.0131 0.0123 0.0115 0.0107 0.0100 0.0093 0.0087 0.0081 0.0076
4 0.0319 0.0302 0.0285 0.0269 0.0254 0.0240 0.0226 0.0213 0.0201 0.0189
5 0.0.581 0.0555 0.0530 0.0506 0.0483 0.0460 0.0439 0.0418 0.0398 0.0378
6 0.0881 0.851 0.0822 0.0793 0.0764 0.0736 0.0709 0.0682 0.0656 0.0631
7 0.1145 0.1118 0.1091 0.1064 0.1037 0.1010 0.0982 0.0955 0.0928 0.0901
8 0.1302 0.1286 0.1269 0.1251 0.1232 0.1212 0.1191 0.1170 0.1148 0.1126
9 0.1317 0.1315 0.1311 0.1306 0.1300 0.1293 0.1284 0.1274 0.1263 0.1251
10 0.1198 0.1210 0.1219 0.1228 0.1235 0.1241 0.1245 0.1249 0.1250 0.1251
11 0.0991 0.1012 0.1031 0.1049 0.1067 0.1083 0.1098 0.1112 0.1125 0.1137
12 0.0752 0.0776 0.0799 0.0822 0.0844 0.0866 0.0888 0.0908 0.0928 0.0948
13 0.0526 0.0549 0.0572 0.0594 0.0617 0.0640 0.0662 0.0685 0.0707 0.0729
14 0.0342 0.0361 0.0380 0.0399 0.0419 0.0439 0.0459 0.0479 0.0500 0.0521
15 0.0208 0.0221 0.0235 0.0250 0.0265 0.0281 0.0297 0.0313 0.0330 0.0347
16 0.0118 0.0127 0.0137 0.0147 0.0157 0.0168 0.0180 0.0192 0.0204 0.0217
17 0.0063 0.0069 0.0076 0.0081 0.0088 0.0095 0.0130 0.0111 0.0119 0.0128
18 0.0032 0.0035 0.0039 0.0042 0.0046 0.0051 0.0055 0.0060 0.0065 0.0071
19 0.0015 0.0017 0.0019 0.0021 0.0023 0.0026 0.0028 0.0031 0.0034 0.0037
20 0.0007 0.0008 0.0009 0.0010 0.0011 0.0012 0.0014 0.0015 0.0017 0.0019
21 0.0003 0.0003 0.0004 0.0004 0.0005 0.0006 0.0006 0.0007 0.0008 0.0009
22 0.0001 0.0001 0.0002 0.0002 0.0002 0.0002 0.0003 0.0003 0.0004 0.0004
23 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002
24 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001

X = 20 X = 20
0 0.0000 20 0.0888
1 0.0000 21 0.0846
2 0.0000 22 0.0769
3 0.0000 23 0.0669
4 0.0000 24 0.0557
5 0.0001 25 0.0446
6 0.0002 26 0.0343
7 0.0005 27 0.0254
8 0.0013 28 0.0181
9 0.0029 29 0.0125
10 0.0058 30 0.0083
11 0.0106 31 0.0054
12 0.0176 32 0.0034
13 0.0271 33 0.0020
14 0.0387 34 0.0012
15 0.0516 35 0.0007

332
16 0.0646 36 0.0004
17 0.0760 37 0.0002
18 0.0844 38 0.0001
19 0.0888 39 0.0001

333
Tablas de valores de la distribucin normal:

reas bajo la curva normal tipificada de 0 a z


Distribucin Normal N(0,1)

reas bajo la curva normal tipificada de 0 a z

z 0 1 2 3 4 5 6 7 8 9
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2703 0.2734 0.2764 0.2793 0.2823 0.2652
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3364 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4485 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4685 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4762 0.4767
2.0 0.4773 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4865 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936

334
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4975 0.4975 0.4976 0.4977 0.4978 0.4978 0.4979 0.4980 0.4980 0.4981
2.9 0.4981 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
3.1 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998
3.5 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.7 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000

335
TABLA DE LA DISTRIBUCION tStudent

c t1, r
La tabla da reas 1 y valores , donde, P[T c] 1 , y donde T tiene distribucin t-Student
con r grados de libertad..

1
r 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032

6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707


7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169

11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106


12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947

16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921


17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845

21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831


22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787

26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779


27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750

40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704


60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576

336
TABLA DE LA DISTRIBUCIN t de Student.

Para un nmero particular de grados de libertad, las entradas representan el valor crtico de t
correspondiente a un rea de extremo superior especificada ().-

Grados de AREAS DE EXTREMOS SUPERIOR ()


Libertad
0.25 0.10 0.05 0.025 0.01 0.005
1 1.0000 3.0777 6.3138 12.7062 31.8207 63.6574
2 0.8165 1.8856 2.9200 4.3027 6.9648 9.9248
3 0.7649 1.6377 2.3534 3.1824 4.5407 5.8409
4 0.7407 1.5332 2.1318 2.7764 3.7489 4.6041
5 0.7267 1.4759 2.0150 2.5706 3.3649 4.0322
6 0.7176 1.4398 1.9432 2.4469 3.1427 3.7074
7 0.7111 1.4149 1.8946 2.3846 2.9980 3.4995
8 0.7064 1.3968 1.8595 2.3060 2.8965 3.3554
9 0.7027 1.3830 1.8331 2.2622 2.8214 3.2498
10 0.6998 1.3722 1.8125 2.2281 2.7638 3.1693
11 0.6974 1.3634 1.7959 2.2010 2.7181 3.1058
12 0.6955 1.3562 1.7823 2.1788 2.6810 3.0545
13 0.6938 1.3502 1.7709 2.1604 2.6503 3.0123
14 0.6924 1.3450 1.7613 2.2448 2.6245 3.9768
15 0.6912 1.3406 1.7531 2.1315 2.6025 2.9467
16 0.6901 1.3368 1.7459 2.1199 2.5835 2.9208
17 0.6892 1.3334 1.7396 2.1098 2.5669 2.8982
18 0.6884 1.3304 1.7341 2.1009 2.5524 2.8784
19 0.6876 1.3277 1.7291 2.0930 2.5395 2.8609
20 0.6870 1.3253 1.7247 2.0860 2.5280 2.8453
21 0.6864 1.3232 1.7207 2.0796 2.5177 2.8314
22 0.6858 1.3212 1.7171 2.0739 2.5083 2.8188
23 0.6853 1.3196 1.7139 2.0687 2.4999 2.8073
24 0.6848 1.3178 1.7109 2.0639 2.4922 2.7969
25 0.6844 1.3163 1.7081 2.0595 2.4851 2.7874
26 0.6840 1.3150 1.7056 2.0555 2.4786 2.7787
27 0.6837 1.3137 1.7033 2.0518 2.4727 2.7707
28 0.6834 1.3125 1.7011 2.0484 2.4671 2.7633
29 0.6830 1.3114 1.6991 2.0452 2.4620 2.7564
30 0.6828 1.3104 1.6973 2.0423 2.4573 2.7500
31 0.6825 1.3095 1.6955 2.0395 2.4528 2.7440
32 0.6822 1.3086 1.6939 2.0369 2.4487 2.7385
33 0.6820 1.3077 1.6924 2.0345 2.4448 2.7333
34 0.6818 1.3070 1.6909 2.0322 2.4411 2.7284
35 0.6816 1.3062 1.6896 2.0301 2.4377 2.7238
36 0.6814 1.3055 1.6883 2.0281 2.4345 2.7196
37 0.6812 1.3049 1.6871 2.0282 2.4314 2.7154

337
38 0.6810 1.3042 1.6860 2.0244 2.4286 2.7116
39 0.6808 1.3036 1.6849 2.0227 2.4258 2.7079
40 0.6807 1.3031 1.6839 2.0211 2.4233 2.7045
41 0.6805 1.3025 1.6829 2.0195 2.4208 2.7012
Grados de AREAS DE EXTREMOS SUPERIOR ()
libertad
0.25 0.10 0.05 0.025 0.01 0.005
42 0.6804 1.3020 1.6820 2.0181 2.4185 2.6981
43 0.6802 1.3016 1.6811 2.0167 2.4163 2.6951
44 0.6801 1.3011 1.6802 2.0154 2.4141 2.6923
45 0.6800 13006 1.6794 2.0141 2.4121 2.6896
46 0.6799 1.3002 1.6787 2.0129 2.4102 2.6870
47 0.6797 1.2998 1.6779 2.0117 2.4083 2.6846
48 0.6796 1.2994 1.6772 2.0106 2.4066 2.6822
49 0.6795 1.2991 1.6766 2.0096 2.4049 2.6800
50 0.6794 1.2987 1.6759 2.0086 2.4033 2.6778
51 0.6793 1.2984 1.6753 2.0076 2.4017 2.6757
52 0.6782 1.2960 1.6747 2.0066 2.4002 2.6737
53 0.6791 1.2977 1.6741 2.0057 2.3988 2.6718
54 0.6791 1.2974 1.6736 2.0049 2.3974 2.6700
55 0.6790 1.2971 1.6730 2.0040 2.3961 2.6682
56 0.6789 1.2969 1.6725 2.0032 2.3948 2.6665
57 0.6788 1.2966 1.6720 2.0025 2.3936 2.6649
58 0.6787 1.2963 1.6716 2.0017 2.3924 2.6633
59 0.6787 1.2961 1.6711 2.0010 2.3912 2.6618
60 0.6786 1.2958 1.6706 2.0003 2.3901 2.6603
61 0.6785 1.2956 1.6702 1.9996 2.3890 2.6589
62 0.6785 1.2954 1.6698 1.9990 2.3880 2.6575
63 0.6784 1.2951 1.6694 1.9983 2.3870 2.6561
64 0.6783 1.2949 1.6690 1.9977 2.3860 2.6549
65 0.6783 1.2947 1.6686 1.9971 2.3851 2.6536
66 0.6782 1.2945 1.6683 1.9966 2.3842 2.6524
67 0.6782 1.2943 1.6679 1.9960 2.3833 2.6512
68 0.6781 1.2941 1.6676 1.9955 2.3824 2.6501
69 0.6781 1.2939 1.6672 1.9949 2.3816 2.6490
70 0.6780 1.2938 1.6669 1.9944 2.2808 2.6479
71 0.6780 1.2936 1.6666 1.9939 2.3800 2.6469
72 0.6779 1.2934 1.6663 1.9935 2.3793 2.6459
73 0.6779 1.2933 1.6660 1.9930 2.3785 2.6449
74 0.6778 1.2931 1.6657 1.9925 2.3778 2.6439
75 0.6778 1.2929 1.6654 1.9921 2.3771 2.6430
76 0.6777 1.2928 1.6652 1.9917 2.3764 2.6421
77 0.6777 1.2926 1.6649 1.9913 2.3758 2.6412
78 0.6776 1.2925 1.6646 1.9908 2.3751 2.6403
79 0.6776 1.2924 1.6644 1.9905 2.3745 2.6395

338
80 0.6776 1.2922 1.6641 1.9901 2.3739 2.6387
81 0.6775 1.2921 1.6639 1.9897 2.3733 2.6379
82 0.6775 1.2920 1.6636 1.9893 2.3727 2.6371
83 0.6775 1.2918 1.6634 1.9890 2.3721 2.6364
84 0.6775 1.2917 1.6632 1.9886 2.3716 2.6356
85 0.6774 1.2916 1.6630 1.9883 2.3710 2.6349
86 0.6774 1.2915 1.6628 1.9879 2.3705 2.6342

Grados de AREAS DE EXTREMOS SUPERIOR ()


libertad
0.25 0.10 0.05 0.025 0.01 0.005
87 0.6773 1.2914 1.6626 1.9876 2.3700 2.6335
88 0.6773 1.2912 1.6624 1.9873 2.3695 2.6329
89 0.6773 1.2911 1.6622 1.9870 2.3690 2.6322
90 0.6772 1.2910 1.6620 1.9867 2.3685 2.6316
91 0.6772 1.2909 1.6618 1.9864 2.3680 2.6309
92 0.6772 1.2908 1.6616 1.9861 2.3676 2.6303
93 0.6771 1.2907 1.6614 1.9858 2.3671 2.6297
94 0.6771 1.2906 1.6612 1.9855 2.3667 2.6291
95 0.6771 1.2905 1.6611 1.9853 2.3662 2.6286
96 0.6771 1.2904 1.6609 1.9850 2.3658 2.6280
97 0.6770 1.2903 1.6607 1.9847 2.3654 2.6275
98 0.6770 1.2902 1.6606 1.9845 2.3650 2.6269
99 0.6770 1.2902 1.6604 1.9842 2.3646 2.6264
100 0.6770 1.2901 1.6602 1.9840 2.3642 2.6259
110 0.6767 1.2893 1.6588 1.9818 2.3607 2.6213
120 0.6765 1.2886 1.6577 1.9799 2.3578 2.6174
0.6745 1.2816 1.6449 1.9600 2.3263 2.5758

339