3.1.4.

ALGUNAS RELACIONES BSICAS DE PROBABILIDAD

Recordando:
Experimento aleatorio : no se puede predecir el resultado, ya que ste depende del azar
Punto muestral : resultado de
Espacio muestral : conjunto de puntos muestrales de
Evento A, B, C, etc.: conjunto especico de puntos muestrales
Un punto muestral es un evento simple: E = {}, y E
i
= {
i
}, para i=1,2,. . . ,n.
Los eventos son subconjuntos de .
Si A es un evento, Pr(A) denotar la probabilidad del evento A.
El evento seguro es ya que Pr( ) = 1, y el evento imposible es ya que Pr() = 0.
Sea el espacio muestral de , y A, B dos eventos.
I.- REGLA ADITIVA
Probabilidad conjunta. Es la medida de probabilidad que evala la posibilidad de que dos o ms eventos ocurran
de forma simultanea.
Unin de dos eventos: A B = { | A o B, o en ambos}
Interseccin de dos eventos: A B = { | A y B}
Regla general de adicin. Calcula la probabilidad de que ocurra el evento A o el B, o ambos:
Pr(A B) = Pr(A o B) = Pr(A) + Pr(B) Pr(A B)
Eventos mutuamente excluyentes o disjuntos . Se dice que dos eventos son mutuamente excluyentes si no tienen
puntos muestrales en comn. Es decir, los eventos A y B son mutuamente excluyentes si, cuando ocurre uno,
el otro no puede ocurrir :
A B =
Evento colectivamente exhaustivo. Si un experimento tiene un conjunto de eventos que comprende a todos los
resultados posibles, tales como los eventos cae un numero par y cae un nmero impar cuando se lanza un
dado, entonces el conjunto de eventos es colectivamente exhaustivo, es decir, cuando menos uno de los
eventos debe ocurrir al realizar un experimento.
Regla aditiva para eventos mutuamente excluyentes:
Pr(A B) = Pr(A) + Pr(B)
II.- REGLA DEL COMPLEMENTO. Sea A un evento en , y A
c
su complemento, lase no A . Se puede
vericar fcilmente que
A A
c
= y A A
c
= ,
es decir, que los eventos A y A
c
son mutuamente excluyentes y colectivamente exhaustivos. Por la regla de adicin
para eventos disjuntos, y el hecho de que Pr( ) = 1, se cumple
Pr(A) + Pr(A
c
) = 1.
Al despejar Pr(A) obtenemos el siguiente resultado
Regla del complemento: Si se conoce Pr(A
c
), entonces
Pr(A) = 1 Pr(A
c
).
1
III.- PROBABILIDAD CONDICIONAL. Con frecuencia, la probabilidad de un evento se ve inuida por la
ocurrencia de otro evento relacionado. Suponga que tenemos un evento A con probabilidad Pr(A). Si observamos
nueva informacin y vemos que ha ocurrido un evento relacionado, representado por B, quisiramos aprovechar esta
informacin para calcular una nueva probabilidad del evento A.
Probabilidad Condicional: Es la probabilidad de que ocurra un evento determinado (evento A), dada la condicin
que otro evento ya haya sucedido (evento B).
Pr(A|B) =
Pr(A B)
Pr(B)
, o bien, Pr(B|A) =
Pr(B A)
Pr(A)
Los diagramas de rbol tambin son una representacin til para calcular probabilidades condicionales. Como
ejemplo de la aplicacin de probabilidad condicional esta la Tabla de Probabilidad Conjunta, la cual se obtiene
a partir de una Tabla de Contingencia.
IV.- REGLAS DE MULTIPLICACIN. La regla general de multiplicacin se utiliza para determinar la prob-
abilidad conjunta de que ambos eventos, A y B, ocurran: Pr(A y B) = Pr(A B).
Regla general de multiplicacin.
Pr(A B) = Pr(B) Pr(A|B) o bien, Pr(A B) = Pr(A) Pr(B|A)
Eventos independientes. Dos eventos, A y B, son independientes, si la ocurrencia de uno no altera la probabilidad
de que suceda el otro, es decir, A y B son independientes si
Pr(A|B) = P(A) o bien Pr(B|A) = Pr(B).
De lo contrario, los eventos son dependientes.
Regla de multiplicacin para eventos independientes. Si dos eventos, A y B, son independientes, la probabilidad
conjunta de que ocurran ambos es
Pr(A B) = Pr(A) Pr(B)
2
3.1.5. VARIABLES ALEATORIAS Y DISTRIBUCIN DE PROBABILIDAD
Sea un experimento aleatorio con espacio muestral . Entonces, una variable aleatoria (v.a.) asociada a es
una funcin de valores reales, cuyo dominio es , codominio R, y rango o imagen R
X
,
X : R
X
, R
X
R,
tal que a cada resultado (es decir, a cada punto muestral ) se le asigna un valor numrico x = X( ), que es
la imagen de . El rango (recorrido o imagen) de la v.a. X, R
X
, esta formado por todos los valores reales que sta
puede tomar. En otra palablas, una v.a. X es una descripcin numrica del resultado de un experimento.
Ejemplo 1. Sea :lanzamiento de tres monedas. El espacio muestra asociado a es
= {aaa, aas, asa, saa, ass, sas, ssa, sss}, #( ) = 8.
Ahora denamos la v.a. X como
X = nmero de soles observados al lanzar una moneda tres veces.
As, X es una v.a. denida sobre , tal que a cada punto muestra le asignar un valor numrico, x = X(), es
decir, si = saa , la v.a. X le asigna el nmero de soles que aparecen en tal resultado, que es x = 1, por lo que
1 = X() = X(saa).
punto muestral valor numrico asignado Recorrido de la v.a. X
a por la v.a. X
X() = x R
X
aaa X(aaa)=0 0
saa X(saa)=1 1
asa X(asa)=1 1
aas X(aas)=1 1
ssa X(ssa)=2 2
sas X(sas)=2 2
ass X(ass)=2 2
sss X(sss)=3 3
De la tabla anterior se observa que el recorrido de la v.a. X es R
X
= {0, 1, 2, 3}, es decir, todos los casos posibles
de nmero de soles que podemos obtener en el lanzamiento de una modena tres veces es: ningn sol (x = 0), un sol
(x = 1), dos soles (x = 2) y tres soles (x = 3). As
X : {0, 1, 2, 3}.
Ahora, note que al denir los eventos:
A = {no sale ningun sol en el experimento } = {aaa} = { : X() = 0} = {X = 0}
B = {sale 1 sol en el experimento } = {aas, asa, saa} = { : X() = 1} = {X = 1}
C = {salen 2 soles en el experimento } = {ssa, sas, ass}{ : X() = 2} = {X = 2}
D = {sale 3 soles en el experimento } = {sss}{ : X() = 3} = {X = 3}
Suponiendo que todos los resultados de son equiprobables, y usando el mtodo clsico para signar probabilidaes,
se tiene que
Pr(A) =
Nmero de resultados favorables a A
Nmero total de resultados posibles
=
1
8
= Pr({X = 0})
As, la expresin
Pr(X = 0) =
1
8
= 0.125
se lee como la probabilidad de que la v.a. X tome el valor de x = 0 es 0.125, es decir, la probabilidad de que en el
lanzamiento de una moneda tres veces, no se obtenga ningn sol, es 0.125. Las probabilidad de los dems eventos se
muestra en la Figura 1.
3
(a) Distribucin de Probabilidad de la v.a. X (b) Histograma de Probabilidades
Figura 1: Distribuci de Probabilidad para los eventos A = {X = 0}, B = {X = 1}, C = {X = 2}, y D = {X = 3},
correspondientes a , y su representacin grca.
La distribucin de probabilidad muestra todos los resultados posibles de un experimento y la probabilidad de
cada resultado. Una ventaja de denir una v.a X y su distribucin de probabilidad es que, una vez conocida esa
distribucin, es relativamente fcil determinar la probabilidad de otro tipos de eventos relacionados con la v.a. X, por
ejemplo, Pr(X x).
Ejemplo 2. Una empresa de Bienes Races entrega premios a sus vendedores, por los resultados de su desempeo,
de la siguiente manera. Si uno de stos vende una casa gana 20 puntos, si no la vende pierde 5 puntos. El da de hoy
un vendedor visita a dos clientes. Obtenga las variable aleatoria, con su correspondiente recorrido.
Ejemplo 3. En un curso especial para alumnos que presentarn un examen de recuperacin de Estadstica I, asistirn
7 alumnos, de los cuales 3 son mujeres (a,b,c), y cuatro son hombres (d,e,f,g). Si se seleccionan al azar a dos de ellos,
calcular el recorrido de la v.a. X, la cual representa el nmero de alumnos hombres.
Ejemplo 4. Obtenga el recorrido o conjunto imagen de la v.a. Y determinada por el nmero de nacimientos que se
realizan diariamente en los diferentes estados de la Repblica.
El valor numrico, es decir, el conjunto imagen, de una v.a. X depende de los resultados del experimento aleatorio
. Una variable aleatoria se puede clasicar como
Discreta Es una variable aleatoria cuya imagen (o recorrido) consta de un conjunto nita o innito numerable de
valores.
Continua Si una variable aleatoria puede tomar cualquier valor numrico en un intervalo o conjunto de intervalos
se llama variable aleatoria continua, es decir, cuando su conjunto imagen o recorrido es un conjunto innito no
numerable.
En la siguiente Tabla se muestran ms ejemplos de experimentos aleatorios en los que se denen variables aleatorias
discretas.
Experimento Variable aleatoria Valores posibles de X, es decir,
X Recorrido de X = R
X
Llamar a 5 clientes Nmero de clientes 1,2,3,4,5.
que hacen pedido
Inspeccionar un embarque Nmero de radios 0,1,2,3, . . . , 50
de 50 radios defectuosos
Funcionamiento de un Nmero de clientes 0,1,2,3,. . .
restaurante durante un da
Venta de un automvil Gnero del cliente 0 si es hombre, 1 si es mujer
4
Los resultados experimentales que se basan en escalas de medicin como el tiempo, el peso, la distancia y la
temperatura, se pueden describir mediante variables aleatoria continuas. La siguiente Tabla muestra ese tipo de
experimentos.
Experimento Variable aleatoria Valores posibles de X, es decir,
X el recorrido de X = R
X
Funcionamiento de un Banco Tiempo, en minutos, etre llegadas valores de x 0
de clientes
Llenar una lata de bebida Nmero de onzas 0 x 12.1
(mx. 12.1 onzas)
Observar el trabajo Nmero de horas no productivas 0 x 8
de un empleado en una jornada de 8 horas
3.1.6. DISTRIBUCIN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
Ejemplo 5. De manera anloga como en el experimento aleatorio de lanzar una moneda tres veces y observar
el nmero de soles, tamben se puede obtener la distribucin de la v.a. X = nmero de soles observados en el lan-
zamiento de una moneda 4 veces. De la Figura 2a se obtiene la distribucin de probabilidad de X. Esta puede ser
representada grcamente por un diagrama de barras, o histograma.
Nmero de caras Probabilidad del resultado
x Pr({X = x})
0 1/16 = 0.0625
1 4/16 = 0.2500
2 6/16 = 0.3750
3 4/16 = 0.2500
4 1/16 = 0.0625
Total probabilidad: 16/16 = 1.0000
Ejemplo 6. Sea : el lanzamiento de dos dados balanceados. Por la regla de conteo para experimentos de etapas
mltiples, el espacio muestral asociado consta de 36 puntos muestrales:
= {(1, 1), (1, 2), . . . , (2, 1), (2, 2), . . . , (3, 1), (3, 2), . . . , (4, 1), (4, 2), . . . , (5, 1), (5, 2), . . . , (6, 1), (6, 2), . . . , (6, 6)}
en el que (1, 2) se interpreta como: se observ el nmero 1 en el primer dado y se observ el nmero 2 en el segundo
dado. Denamos la v.a.
X = la suma de los nmeros observados en cada dado.
As, al punto muestral w = (1, 1) se le asocia el valor numrico x = X() = X((1, 1)) = 1 + 1 = 2; para = (6, 6) se
tiene x = X() = 12, etc. Se puede vericar que todos los valores que puede tomar la v.a. X (su recorrido) es
R
X
= {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}, y X : R
X
Ahora,
{X = 2} = { : X() = 2} = {(1, 1)}. Entonces, Pr({X = 2}) =
1
36
.
{X = 3} = { : X() = 3} = {(1, 2), (2, 1)}. Entonces, Pr({X = 3}) =
2
36
=
1
18
.
{X = 5} = { : X() = 5} = {(1, 4), (4, 1), (3, 2), (2, 3)}. Entonces, Pr({X = 5}) =
4
36
=
1
9
.
Siguiendo son ese procedimiento se obtiene la distribucin de probabilidad de X, la cual se muestra en la Figura 2b.
En vez de mostrar las probabilidades asociadas con los valores de una v.a. en una tabla, es generalmente preferible
dar una frmula, esto es, expresar las probabilidades por medio de una funcin tal que sus valores, f(x), sean iguales
a Pr({X = x}) para cada x dentro del rango o recorrido de X. Por ejemplo, para el total obtenido con un par de
dados escribiramos
f(x) = Pr({X = x}) =
6 |x 7|
36
, para x = 2, 3, 4, 5 . . . , 12.
Claramente,
5
a) Experimento de lanzar una
moneda 4 veces.
b) Experimento de lanzar 2
dados balanceados.
Figura 2: a) Resultados de , sus correspondientes probabilidades, y el nmero de caras observado en cada resultado posible
de ; b) distribucin de probabilidad de X=suma de los nmeros observados en el lanzamiento de manera simultanea de dos
dados.
para x = 2, f(2) =
1
36
, que es el valor de Pr({X = 2});
para x = 8, f(8) =
5
36
, que coincide con el valor de Pr({X = 8}), etc.
y todos los valores de f(x) concuerdan con los valores de Pr({X = x}), los cuales se muestran en la Figura 2b.
Si X es una variable aleatoria discreta, la funcin dada por f(x) = Pr(X = x) para cada x dentro del recorrido de
X se llama la distribucin de probabilidad de X.
Al asignar una funcin de probabilidad para cualquier variable aleatoria discreta se deben satisfacer las dos condi-
ciones siguientes.
Una funcin puede servir como la distribucin de probabilidad de una v.a. discreta X si y slo si sus valores de f(x),
satisfacen las condiciones
i) f(x) 0 para cada valor de x, dentro de su dominio.
ii)

x
f(x) = 1, donde la suma se extiende sobre todos los valores de x Dominio(f).
6
Ejemplo 7. Considere el experimento de lanzar una moneda balanceada cuatro veces y X = nmero de caras observadas.
Se puede vericar fcilmente que los valores de la funcin
f(x) =
C
4
x
16
, para x = 0, 1, 2, 3, 4
concuerdan con los valores de la distribucin de probabilidad de X, dados en la Figura 2a, es decir,
f(x) = Pr({X = x}), para cada x Dominio(f) = {0, 1, 2, 3, 4} = R
X
.
Adems, esta funcin satisface las dos condiciones, mencionadas arriba, para ser la distribucin de probabilidad de
X.
Ejemplo 8. Verique si la funcin dada por
f(x) =
x + 2
25
, x = 1, 2, 3, 4, 5
puede servir como distribucin de probabilidad de una variable aleatoria discreta.
Hay muchos problemas en los que interesa conocer la probabilidad de que una variable aleatoria sea menor o igual
a algn nmero real x. As, escribimos que la probabilidad de que X asuma un valor menor que o igual a x como
Pr({X x}) = Pr(X x), y rermonos a esta funcin denida para todo nmero real x como la funcin de
distribucin, o la distribucin acumulativa, de X.
Denicin. Si X es una v.a discreta, la funcin dada por
F(x) = Pr(X x) =

tx
f(t), para < x <
es llamada la funcin de distribucin, o la distribucin acumulativa, de X. En otra palabras
La funcin de distribucin es la suma de las probabilidades para los valores de X, menores o iguales a un valor
particular x, por tal razn tambin se llama acumulativa.
Los valores de F(x) satisfacen las condiciones
F() = 0 y F() = 1;
si a < b, entonces F(a) < F(b), para cualesquiera nmeros a y b.
Ejemplo 9. Considere el experimento de lanzar dos dados de manera simultanea y sea X= suma total de los nmeros
observados en cada dado. Calcule
a. F(6) = Pr(X 6);
a. F(8) = Pr(X 8).
Ejemplo 10. La distribucin de probabilidad de la v.a. X aparece en la tabla siguiente.
x f(x) = Pr({X = x})
20 0.20
25 0.15
30 0.25
35 0.40
Suma de Probabilidades 1.00
a. Verique que es una distribucin vlida.
b. Cul es la probabilidad de que X = 30?
c. Cul es la probabilidad de que X sea menor que o igual a 25?
a. Cul es la probabilidad de que X se mayor que 30?
7
Ejemplo 11. Los datos siguientes describen la cantidad de empleados en cada uno de los cinco niveles ejecutivos del
gobierno federal.
nivel ejecutivo cantidad empleados
1 15
2 32
3 84
4 300
5 31
Total: 462
Suponga que se desea seleccionar una muestra de empleados de nivel ejecutivo para una encuesta acerca de las
condiciones de trabajo. Sea X la v.a. que indica el nivel ejecutivo de un empleado elegido al azar.
a. Calcule la distribucin de X (interpretacin)
b. Verique que es un distribucin vlida.
c. Trace una grca de la distribucin de probabilida.
La frmula para la media, mediana, y desviacin estndar de una distribucin de frecuencia por intervalos (eso es,
datos agrupados) estn dadas por
X =

f
i
m
i
n
,

X = L +
(n/2) FA
f
(i), s =

f
i
m
2
i

(

f
i
m
i
)
2
n
n 1
donde m
i
es el punto medio de cada clase y f
i
es la frecuencia en cada clase. La media indica la ubicacin central de
los datos, y la desviacin estndar describe su dispersin. De manera semejante, una distribucin de probabilidad se
resume indicando su media y su varianza.
Notacin 1. La media de una distribucin de probabilidad se denota con la letra griega mu: ; La desviacin estndar
se denota con la letra griega minscula sigma: .
MEDIA O VALOR ESPERADO DE UNA DISTRIBUCIN DE PROBABILIDAD DISCRETA:
= E(x) =

i
_
x
i
f(x
i
)

i
_
x
i
Pr(X = x
i
)

.
La media de una v.a. discreta es una medida de localizacin central (o tendencia central) de esa variable.
VARIANZA DE UNA DISTRIBUCIN DE PROBABILIDAD DISCRETA:
V ar(x) =
2
=

i
_
(x
i
)
2
f(x
i
)

i
_
(x
i
)
2
Pr(X = x
i
)

La varianza de una v.a. discreta es una medida del grado de dispersin (o variacin) en los valores que toma una
v.a., o en su distribucin de probabilidad. La desviacin estndar, , se dene como la raz cuadrada positiva de
la varianza. Como antes, la desviacin estndar se mide con las mismas unidades que la v.a. X y en consecuencia se
preere en muchas ocasiones para describir la variabilidad de una variable aleatoria.
Ejemplo 12. Un juego de azar consiste en lanzar un dado balanceado (es decir, todos los resultados tienen la misma
probabilidad de 1/6), dandose las siguientes condiciones: si el nmero que salga es par,se gana $80, si el nmero que
salga es impar se pierde $30. Cul es la ganancia o prdida esperada del juego?
Ejemplo 13. El nmero de llamadas x, que se reciben en un conmutador, durante cualquier periodo de un minuto,
es una variable aleatoria que tiene la siguiente distribucin de probabilidad
x
i
0 1 2 3 4
Pr(X = x
i
) 0.1 0.2 0.4 0.2 0.1
Obtenga la media y la desviacin estndar.
8
Ejemplo 14. Se seleccion al azar una muestra de 2 artculos de una caja que contiene 7 artculos de los cuales 3
son defectuosos. Si se dene la v.a. X como el nmero de artculos defectuosos, obtener la media, la varianza y la
desviacin estndar. El experimento se hace sin reemplazo.
Ejemplo 15. Las tres tablas presentadas a continuacin muestran variables aleatorias y sus probabilidades. Sin
embargo, slo una de las tres es realmente una distribucin de probabilidad.
x Pr(X = x) x Pr(X = x) x Pr(X = x)
5 0.3 5 0.1 5 0.5
10 0.3 10 0.3 10 0.3
15 0.2 15 0.2 15 -0.2
20 0.4 20 0.4 20 0.4
a) Cul es?
b) Utilizando la distribucin de probabilidad correcta, encuentre la probabilidad de que la v.a. X sea exactamente
15, no ms de 10; ms de 5.
c) Calcule el valor esperado, la varianza, y la desviacin estndar de esta distribucin.
3.2. DISTRIBUCIONES DE PROBABILIDAD ESPECIALES PARA VARIABLES
ALEATORIAS DISCRETAS
Como se mencion anteriormente, es preferible expresar las probabilidades por medio de una funcin f(x), tal que
sus valores sean iguales a Pr(X = x), para cada x dentro del recorrido de la v.a. X, eso es, para cada x R
X
. A
continuacin se estudiarn dos tipos especiales de distribuciones de probabilidad correspondientes a v.a. discretas.
3.2.1. Distribucin de probabilidad Bernoulli
Sea un experimento aleatorio cuyo espacio muestral consta de dos resultados u observaciones mutuamente
excluyentes. Para simplicar, a esos resultados se les llama xito y fracaso. As, = {exito, fracaso}. Se dene la v.a.
X la cual toma el valor de 1 si se observa un xito con probabilidad , y toma el valor de 0 si se observa un fracaso
con probabilidad 1 . La distribucin de probabilidad de esta v.a. discreta se muestra en la siguiente tabla:
x Pr(X = x)
0
1 1
Note que + (1 ) = 1.
Denicin. Una v.a. X tiene una distribucin de Bernoulli, y se conoce como una variable aleatoria de Bernoulli,
si y slo si su distribucin de probabilidad est dada por
f(x; ) =
x
(1 )
x
, con 0 < < 1, para x = 0, 1
donde f(x; ) = Pr({X = x}).
Parmetro: , es la probabilidad de xito en un ensayo o intento;
Notacin : X Bernoulli().
Media y varianza: = y
2
= (1 ).
Observacin 1. Nos referiremos a un experimento al cual se aplica la distribucin de Bernoulli como ensayo de
Bernoulli, o simplemente un ensayo, y a la serie de esos experimentos como ensayos repetidos.
Son ejemplos de experimentos Bernoulli:
Lanzar una sola vez una moneda, y se considera como xito observar un sol;
Lanzar una sola vez un dado, y se considera como xito observar el nmero 6.
9
3.2.2. Distribucin de probabilidad binomial
Supongamos que
repetimos un ensayo Bernoulli, o simplemente ensayo, un nmero determinado de veces, digamos n;
la probabilidad de xito para cada ensayo es jo, es decir, el valor de no cambia de un ensayo a otro;
los ensayos son todos independientes.
Denamos la v.a. X como el nmero de xitos obtenidos en esos n ensayos, es decir, X cuenta el nmero de
xitos en las n repeticiones del experimento Bernoulli, entonces, la probabilidad de obtener

x

xitos en n ensayos
es
_
n
x
_

x
(1 )
nx
.
A este tipo de experimento se les llama experimento binomial.
Denicin. Una v.a. X tiene una distribucin binomial, y se conoce como una variable aleatoria binomial, si y
slo si su distribucin de probabilidad est dada por
f(x; ) =
_
n
x
_

x
(1 )
nx
, con 0 < < 1, para x = 0, 1, 2, 3, . . . , n.
donde f(x; ) = Pr(X = x) representa la probabilidad de obtener x xitos en n ensayos (intentos).
Parmetros. El valor de los siguientes parmetros debe ser conocido para calcular probabilidades binomiales:
n= nmero de ensayos;
= probabilidad de un xito en cualquier ensayo;
1 = es la probabilidad de un fracaso en cualquier intento;
Notacin : X Binomial(n, ).
Media y varianza: = n y
2
= n (1 ).
Ejemplo 16. Se tiene un experimento binomial con n = 3 intentos o ensayos. La probabilidad de xito es = 0.4.
En este caso, la v.a. X Binomial(2, 0.4).
a) Trace el diagram de rbol correspondiente a tal experimento binomial con tres ensayos.
b) Calcule la probabilidad de un xito, y la probabilidad de obtener 2 xitos usando la frmula binomial, f(x).
c) Determine la probabilidad de al menos un xito usado la frmula binomial.
e) Encuentre el valor esperado, la varianza y la desviacin estndar de la v.a. X.
Ejemplo 17. La probabilidad de que un prospecto, elegido al azar por un agente de ventas, realice una compra es 0.20.
Si un representante de ventas llama a seis prospectos, Cul es la probabilidad de que haga exactamente tres ventas?
cul es la probabilidad de que el representante haga exactamente cuatro o ms ventas?
Tablas de probabilidad binomial. Una distribucin de probabilidad binomial, segn se mostr, puede expresarse
mediante una frmula. Sin embargo, con la excepcin de problemas en los que n es pequea, los clculos son bastante
tediosos. Como ayuda para determinar las probabilidades necesarias se ha desarrollado una amplia tabla que indica
las probabilidades binomiales para distintos valores de n y , como se muestra en la Figura 3.
Ejemplo 18. Se tiene un experimento binomial con n = 7 y = 0.30. Determine f(0), Pr(X 1), y Pr(X 2)
usando la tabla de probabilidad binomial.
Ejemplo 19. El 5 % de los engranes producidos por cierta mquina automtica, resultan defectuosos. Cul es la
probabilidad de que, al seleccionar al azar 6 engranes, ninguno sea defectuoso? Cul es la probabilidad de que haya
exactamente dos? exactamente tres? cuatro o ms engranes defectuosos?
10
x P(X=x)
n=20 y p=0.20
Figura 3: Tablas para calcular los valores de la distribucin binomial f(x) =

n
x

x
(1 )
nx
, para distintos valores de n y .
Ejemplo 20. Suponga que 60 % de las personas preeren el refresco Coca al refresco Pepsi. Se seleccionan 18 personas.
a) Cuntas se espera que preeran Coca?
b) Cual es la probabilidad de que 10 de las personas preeran Coca?
c) Cual es la probabilidad de que 15 preeran Coca?
Ejemplo 21. Una universidad se entero de que 20 % de sus alumnos se dan de baja del curso de Introduccin a al
Estadstica. Suponga que en este trimestre se inscribieron 20 alumnos a ese curso.
a) Cul es la probabilidad de que dos o menos se den de baja?
b) Cul es la probabilidad de que se den de baja exactamente cuatro?
c) Cul es la probabilidad de que se den de baja ms de tres?
d) Cul es la cantidad esperada de deserciones?
11
3.3. DISTRIBUCINDE PROBABILIDADESPECIAL PARAVARIABLES ALEATO-
RIAS CONTINUAS: DISTRIBUCIN NORMAL
A diferencia de las v.a. discretas, las variables aleatorias continuas son aquellas que pueden tomar cualquier valor
dentro de un intervalo determinado. Debido a que existe una cantidad innita de posibles valores fraccionarios que
se obtengan como resultado de alguna medicin, no se pueden listar todos los posibles valores con sus probabilidades
correspondientes. El lugar de esto, se dene una funcin de densidad de probabilidad, tambin representada por
f(x). A la grca de una de estas funciones se le llama curva de probabilidad. El rea bajo la curva entre dos puntos
cualesquiera, digamos a < b, indican Pr(a X b). Hay varias distribuciones de probabilidad continuas, de las cuales
se ver la distribucin normal.
La distribucin de probabilidad normal es importante en la estadstica inferencial por tres razones:
1. Se sabe que en muchos procesos aleatorios los datos obtenidos mediante mediciones se ajustan a este tipo de
distribuciones.
2. Con frecuencia se usan las probabilidades normales para aproximar otras distribuciones de probabilidad, por
ejemplo, la distribucin binomial.
3. Las distribuciones de estadsticos como la media muestral y la proporcin muestral, cuando el tamao de la
muestra es grande, se ajustan a una distribucin normal, independientemente de la distribucin de la poblacin
progenitora (Teorema de Lmite Central).
Denicin. Una v.a. X tiene una distribucin normal, y se conoce como una variable aleatoria normal, si y slo
si su distribucin de probabilidad est dada por
f(x; , ) =
1

2
Exp
_

1
2
(
x

)
2

, con 0 < , para < x < .

Parmetros: es la media, y es la desviacin estndar de la distribucin;
Notacin : X N(, ).
Media y varianza: E[X] = y V ar[X] =
2
.
a) Caractersticas de una distribucin normal b) Regla Emprica
Figura 4: a) La curva de la distribucin normal tiene forma acampanada, simtrica con respecto a su media, y es asinttica
en el eje horizontal. b) Regla Emprica: el 68.26 % de los valores estn dentro de , 95.44 % de los valores estn dentro
2, y 99.74 % de los valores estn dentro de 3.
12
d) Distribuciones de probabilidad normal con medias diferentes, pero desviaciones
estndar diferentes.
e) Distribuciones de probabilidad normal co medias y desviaciones estndar
diferentes.
c) Distribucin normal con medias iguales, pero desviaciones estndar diferentes.
Figura 5: Hay una familia de distribuciones normales, y cada miembro se diferencia por el valor de su media y su desviacin
estndar . Las probabilidades para una v.a. normal X estn dadas por el rea bajo la curva de probabilidad de f(x). El rea
total bajo tal curva es 1; en general, eso se cumple para todas las distribuciones continuas de probabilidad.
13
3.3.1. Distribucin normal estndar
La distribucin normal estndar es la distribucin de una v.a normal, comnmente denotada por Z, la cual tiene
media = 0 y desviacin estndar = 1. El rea bajo la curva de probabilidad de Z entre dos puntos dados, digamos
z
1
y z
2
, representan la probabilidad de que Z tome valores entre z
1
y z
2
, eso es, Pr(z
1
Z z
2
). Para calcular este
tipo de probabilidades se ha creado una tabla de la distribucin de probabilidad de Z, para valores especcos de z.
a) P(0<Z< 1.9)=0.4719 b) Tablas de la Distribucin normal estndar.
Figura 6: La probabilidad Pr(0 Z 1.91) est dada por el rea bajo la curva de probabilidad entre 0 y 1.91. El valor de tal
rea se puede obtener localizando el valor z en la tabla de la distribucin normal.
Denicin. La funcin de densidad de la v.a Z esta dada por
f(z) =
1

2
Exp
_

1
2
z
2

, para < z < .

Parmetros: media = 0 y desviacin estndar = 1;
Notacin : Z N(0, 1).
Ejemplo 22. Si Z es una v.a. normal estndar, use la tabla de la distribucin normal estndar para calcular las
siguientes probabilidades:
a) Pr(0 Z 1.23), Pr(1.23 Z 0) y Pr(1.23 Z 1.23).
b) Pr(0 Z 2), Pr(2 Z 0) y Pr(2 Z 2).
c) Pr(Z > 3), Pr(Z > 44), Pr(Z 0.23), Pr(Z < 1.20), Pr(Z 0.71).
d) Pr(1.98 Z 0.49), Pr(0.52 Z 1.22), y Pr(1.75 Z 1.04).
Ejemplo 23. Si Z es una v.a. normal estndar, determine el valor z en cada caso
a) El rea entre 0 y z es 0.4750;
b) El rea a la derecha de z es 0.1314;
c) El rea entre z y z es 0.2052;
c) El rea a la izquierda de z es 0.10;
En la Figura 7 se resumen todos las posibles situaciones en las que se desea calcular la probabilidad de la distribucin
normal estndar.
14
1
z
0
1
z
0 2
z
1
z
1
z
1
z
0.5
0
1
z 1
z
0
0
a) b)
c) d)
e) f)
Figura 7: El area bajo la curva de f(z) representa la siguiente probabilidad: a) Pr(0 Z z1); b) Pr(z1 Z z1); c)
Pr(Z z1), o tambin, Pr(Z z1); d) Pr(z1 Z z2); e) Pr(Z z1); d) Cul es el valor z tal que Pr(Z z) = 0.0400?
15
Observacin 2. Las probabilidades mostradas en la Figura 7 se pueden expresar en trminos de probabilidades de la
forma Pr(0 Z z):
Para el inciso b) , debido a la simetra de la distribucin, se tiene que Pr(z
1
Z 0) = Pr(0 Z z
1
),
por lo que
Pr(z
1
Z z
1
) = Pr(0 Z z
1
) + Pr(0 Z z
1
) = 2 Pr(0 Z z
1
).
Debido a que el rea de la mitad de la curva de probabilidad es 0.500, la probabilidad del inciso c) se calcula
como Pr(Z z
1
) = 0.500 Pr(z
1
Z 0) = 0.500 Pr(0 Z z
1
).
En el inciso d), Pr(z
1
Z z
2
) = Pr(0 Z z
2
) Pr(0 Z z
1
).
Para el inciso e), Pr(Z z
1
) = 0.500 + Pr(0 Z z
1
).
3.3.2. Calculo de probabilidades de una v.a normal X, usando las tablas de la distribucin normal
estandar
Hay una familia de distribuciones normales. Cada distribucin puede tener una media () o desviacin estndar
() diferentes (ver Figura 5). Por tanto, el nmero de distribuciones normales el ilimitado. Sera fsicamente imposible
proporcionar una tabla de probabilidad (como para la distribucin binomial) para cada combinacin de y . Por
fortuna se puede utilizar, en todos los casos en los que la distribucin normal es aplicable, la distribucin normal
estndar.
Si X es una v.a. normal con media y desviacin estndar , eso es, X N(, ), entonces su distribucin puede
convertirse en la distribucin normal estndar. Eso es, para calcular Pr(0 X x) mediante la distribucin de Z, a
cada valor x de la v.a X le corresponde una valor z de la v.a. Z, dado por
VALOR NORMAL ESTANDAR: z =
x

. (1)
De esta manera,
Pr(0 X x) = Pr(0 Z z).
a) Distribucin de una v.a normal X b) Distribucin de la v.a. normal estndar Z
Figura 8: Un valor z mide la distancia entre un valor especco de X y la media aritmtica, en unidades de desviacin estndar.
Al determinar el valor z, mediante la frmula z = (x )/, se pude obtener el rea o la probabilidad bajo cualquier curva
normal, recurriendo a la tabla de la distribucin normal estndar.
Ejemplo 24. Una v.a. X se distribuye normal con media = 50 y desviacin estndar = 5, eso es, X N(50, 5).
a) Cul es la probabilidad de que la v.a. X tenga un valor entre 45 y 50?
b) Cul es la probabilidad de que la v.a. X tenga un valor entre 40 y 60?
16
Ejemplo 25. En una empresa de cereales para desayuno se ha ajustado el proceso de empaque de modo que en cada
paquete se coloquen en promedio = 13.0 onzas de cereal. Por supuesto que no todos los paquetes tienen exactamente
13 onzas debido a las fuentes aleatorias de variabilidad. La desviacin estndar de peso neto verdadero es = 0.1 onzas,
y se sabe que la distribucin de pesos se ajusta a una distribucin de probabilidad normal. Determine la probabilidad
de que un paquete elegido al azar contenga entre 13.0 y 13.2 onzas de cereal, y entre 12.9 y 13.1 onzas de cereal, e
ilustre la proporcin del rea bajo la curva normal que corresponde a este valor de probabilidad.
Ejemplo 26. Los ingresos semanales de supervisores de turno en la industria del vidrio tienen una distribucin
normal con media $1000 (dlares) y desviacin estndar $100.
a) Cul es el valor z? correspondiente al ingreso de un supervisor que gana $1100 a la semana?
b) Cul es la probabilidad de seleccionar un supervisor de turno cuyo ingreso semanal est entre $1000 y $1100?
c) Cul es la probabilidad de seleccionar un supervisor de turno que gane menos de $1100?
d) Cul es la probabilidad de seleccionar un supervisor de turno cuyo ingreso semanal est entre $790 y $1000?,
y de que su ingreso sea inferior a $790?.
d) Cul es el area bajo la curva normal entre $840 y $1200 dlares?
d) Cul es el area bajo la curva normal entre $1150 y $1250 dlares?
Ejemplo 27. En la primavera de 2000 el salario inicial medio de los recin egresados de la escuela era de $31280.
Supngase que los salarioa iniciales siguen una distribucin normal con desviacin estndar $3300. Qu porcentaje
de los egresados tiene un salario inicial medio
a) entre $30000 y $35000?
b) superior a $40000?
c) entre $35000 y $40000?
Ejemplo 28. La media de una distribucin normal es 50 y la desviacin estndar es 4. Determine el valor por debajo
del cual se encuentra 95 % de las observaciones.
Ejemplo 29. La cantidad surtida por una mquina de refrescos sigue una distribucin normal en la que la media
es 7 onzas y la desviacin estndar es 0.10 onzas por vaso. Cul es la cantidad surtida en el 1 % superior de las
cantidades entregadas por vaso?
3.4. DISTRIBUCIONES MUESTRALES
Anteriormente se deni el concepto de poblacin y muestra como dos aspectos importantes de un estudio estads-
tico. Estas deniciones son:
1. Una poblacin es el conjunto de todos los elementos de inters en un estudio.
2. Una muestra es un subconjunto de la poblacin.
INFERENCIA ESTADSTICA. Tiene como propsito inducir las caractersticas (o parmetros poblacionales)
por medio de la informacin contenida en una muestra, midiendo con probabilidades la incertidumbre inherente.
Ejemplo 30. Un parmetro como la media poblacional , la desviacin estndar poblacional , o la proporcin
poblacional p, es una caracterstica numrica de una poblacin. La inferencia estadstica se basa en la informacin con-
tenida en una muestra para construir estimaciones y pruebas de hiptesis acerca de estos parmetros poblacionales.
En estadstica se conoce como muestreo a la tcnica para la seleccin de una muestra a partir de una poblacin.
En muchos casos el muestreo es la nica forma de determinar algo acerca de la poblacin. Hay muchas razones para
muestrear una poblacin:
a. La naturaleza destructiva de ciertas pruebas. Con frecuencia, la prueba destruye el elemento muestreado y no
puede ser devuelto a la poblacin.
17
b. La imposibilidad fsica de revisar
1
, el costo de estudiar
2
, y el tiempo de entrevistar
3
a todos los integrantes de
la poblacin.
c. Los resultados de una muestra pueden dar una estimacin adecuada del parmetro de poblacin, lo que permite
ahorrar, por tanto, tiempo y dinero.
En general, hay dos tipos de muestras:
Muestra probabilstica. Muestra que se selecciona de modo que cada integrante de la poblacin en estudio ten-
ga una probabilidad conocida (pero distinta de cero) de ser incluido en la muestra. Hay varios mtodos de
probabilidad:
Muestreo aleatorio simple.
Muestreo aleatoria sistemtico.
Muestreo aleatorio estraticado.
Muestreo por conglomeracin.
Muestra no probabilstica. La inclusin en la muestra de un integrante de la poblacin se basa en l criterio de la
persona que realiza el muestreo.
Para nes del presente curso, consideraremos el muestreo aleatorio simple, que es uno de los ms comunes.
3.4.1. Muestreo aleatorio simple
La denicin de este mtodo y el proceso de seleccionar una muestra aleatoria simple (muestreo) depende de si la
poblacin es nita o innita
Muestreo aleatorio simple (poblacin nita)
Una muestra aleatoria simple de tamao n, de una poblacin nita de tamao N, es una muestra seleccionada de tal
manera que cada muestra posible de tamao n tenga la misma probabilidad de ser seleccionada.
La mayora de los casos de muestreo en los negocios y la economa son de poblaciones nitas, pero en algunas
situaciones la poblacin es innita o (si es nita) es tan grande que, para nes prcticos, se puede considerar como
innita.
Muestreo aleatorio simple (poblacin innita)
Una muestra aleatoria simple de una poblacin innita es aquella que se selecciona en tal forma que se satisfacen las
siguientes condiciones.
1. Cada elemento seleccionado proviene de la misma poblacin.
2. Cada elemento se selecciona en forma independiente
El muestreo sobre una poblacin se puede hacer sin reemplazo o con reemplazo.
Muestreo sin reemplazo:Una vez incluido en la muestra un elemento de la poblacin, sale de sta y ya no se
pude seleccionar por segunda vez.
Muestreo con reemplazo:Al seleccionar cada elemento para la muestra, se regresa a la poblacin. Un elemento
que ya se seleccion se puede volver a seleccionar y, en consecuencia, puede aparecer ms de una vez en la muestra.
En resumen, considere los siguientes casos,
1
Por ejemplo, las poblaciones de peces son grandes y estn en movimiento constante.
2
Por ejemplo, las organizaciones que realizan encuestas de opinion pblica
3
Por ejemplo, la probabilidad de que un candidato a un puesto pblico puede desear evaluar la probabilidad de ser elegida
18
1. Si la muestra se toma de una poblacin pequea y con reemplazo, cada medida en la muestra es independiente
de cualquier otro valor, y el muestreo puede hacerse indenidamente como si se tratara de una poblacin grande,
es decir, en una poblacin nita de tamao N se tiene que,
para N pequea y un muestreo con reemplazo, la poblacin nita es considerada como una
poblacin grande o innita.
2. Cuando se tienen una poblacin verdaderamente grande , y el muestreo se hace sin reemplazo, la dependencia
estadstica de un valor a otro es tan insignicante que usualmente se ignore, es decir, en una poblacin nita de
tamao N se tiene que,
para N grande y un muestreo sin reemplazo, la poblacin es considerada como innita
3. Cuando se tiene una poblacin pequea y el muestreo se hace sin reemplazo, los valores muestrales no son
estadsticamente independientes, es decir, en una poblacin nita de tamao N se tiene que,
para N pequea y un muestreo sin reemplazo, la poblacin no se puede considerar como innita.
Muestra aleatorio:
Es una muestra elegida con procedimientos aleatorios, tal como el muestreo aleatorio simple.
Anteriormente se deni a una variable aleatoria como una descripcin numrica del resultado de un experi-
mento. Ahora considere como
experimento : proceso de elegir k muestras de tamao n en una poblacin P mediante un muestreo aleatorio
simple. Despus calcular la media x
i
de cada muestra, para i = 1, 2, . . . , k.
Como los valores de un estadstico muestral, tal como X, varan de una muestra aleatoria a otra, se le puede
considerar como una variable aleatoria con su correspondiente distribucin de frecuencias.
Debido a que la media muestral X es la descripcin numrica del resultado del experimento , se le puede
considerar como una variable aleatoria. Por tanto, al igual que otras v.a., X tiene una media
x
, una varianza

x
, y una distribucin de probabilidad. A tal distribucin se le llama distribucin muestral.
El conocimiento de la distribucin muestral de un estadstico, y de sus propiedades, permitir hacer armaciones
probabilsticas acerca de lo cercano que se encuentre
x
(media muestral) de (media poblacional).
3.4.2. Distribucin muestral de X
Uno de los procedimientos estadsticos ms comunes es usar
x
(la media de la v.a. X) para hacer inferencia
acerca de (media de la poblacin). Este proceso se muestra en la Figura 9. En cada repeticin del proceso podemos
anticipar la obtencin de un valor distinto de X, que es x
i
.
DISTRIBUCIN MUESTRAL DE X
La distribucin muestral de X es la distribucin de probabilidad de todos los valores posibles de X, obtenidos a partir
de todas las muestras posibles de tamao igual, digamos n, tomadas de la misma poblacin.
Se puede demostrara que, para muestreo aleatorio simple
19
Figura 9: Proceso estadstico que emplea una media muestral x para hacer inferencia acerca de una media poblacional .
MEDIA DE LA DISTRIBUCIN O VALOR ESPERADO DE X
E(X) =
donde
E[X] = valor esperado de X
= media de la poblacin, que es una caracterstica (parmetro) de la poblacin.
NOTACIN:
x
= E[X].
Ejemplo 31. Suponga que se eligen muestras ordenadas de tamao n = 2, con reemplazo, de la poblacin nita,
P = {0, 2, 4, 6}; el tamao de la poblacin es N = 4. Debido a que el muestreo es ordenado y con reemplazo, por la
regla para experimentos de etapas mltiples hay k = 4 4 = 16 muestras posibles de tamao n = 2. Encuentre:
a) , la media poblacional, cuya frmula es =

N
i=1
c
i
N
, donde c
i
P.
b) , la desviacin estndar poblacional, cuya frmula es =
_

N
i=1
(ci)
2
N
, donde c
i
P.
c) la distribucin de frecuencia (d.f.), y la distribucin muestral (d.m.) de X.
d)
x
, la media de la distribucin muestral de X, cuya frmula es

x
=

(f x
i
)

f
(usando distr. frecuencia),
x
=

_
x
i
Pr({X = x
i
})
_
(usando dist. muestral).
donde f es la frecuencia con que aparece el valor de x
i
.
e)
x
, la desviacin estndar de la distribucin muestral de X, mediante

x
=

[f (x
i

x
)
2
]

f
(usando d.f.),
x
=
_

_
(x
i
)
2
Pr({X = x
i
})

(
x
)
2
(usando d.m.)
donde f es la frecuencia con que aparece el valor de x
i
.
Para denir la desviacin estndar de X considere la siguiente notacin

x
= desviacin estndar de la distribucin muestral de X
= desviacin estndar de la poblacin
n = tamao de la muestra
N = tamao de la poblacin.
Se puede demostrara que, con muestreo aleatorio simple, la desviacin estndar de X depende de si la poblacin
es nita o innita. Las dos ecuaciones de la desviacin estndar de X son las siguientes
20
DESVIACIN DE LA DISTRIBUCIN MUESTRAL DE X
Poblacin nita Poblacin innita

x
=
_
N n
N 1
_

n
_

x
=

n
Al comparar las dos ecuaciones vemos que se requiere un factor
_
(N n)/(N 1) para la poblacin nita, pero
ninguno para la innita. este factor se llama factor de correlacin para poblacin nita.
Un lineamiento o regla general para calcular la desviacin estndar de la media muestral X es la siguiente:
Usar la siguiente ecuacin para calcular la desviacin estndar de X

x
=

n
siempre que
1. La poblacin sea innita.
2. La poblacin sea nita y tambin el tamao de la muestra (n) sea menor o igual que el 5 % del tamao de la
poblacin (N); esto es, n/N 0.05, que tambin se puede expresar como N > 20n. En caso contrario (N < 20n)
se debe usar la ecuacin para poblaciones nitas.
Observacin 3. Hay una relacin entre el tamao de la muestra n y la distribucin muestral de X:
Habr menos dispersin en la distribucin muestral de la media muestral, X, que en la distribucin de la poblacin,
ya que cuando el tamao de la muestra aumenta, el error estndar de X,
x
, disminuye.
Siempre que se selecciona una muestra aleatoria simple y se calcula el valor X de la muestra, digamos x, para estimar
, no podemos esperar que estos sean exactamente igual. Por tanto, podemos esperar que haya alguna diferencia entre
x y , al cual se le denomina error de muestreo.
ERROR DE MUESTREO
Diferencia entre un valor estadstico y su parmetro de poblacin correspondiente.
Ejemplo 32. Considere la distribucin muestral del ejemplo anterior, donde P = {0, 2, 4, 6} y se eligen muestras
ordenadas de tamao n = 2, con reemplazo. Encuentre:
a) El error muestral de cada media x
i
, para i = 1, 2, . . . , 16.
b) La media de los errores muestrales, denotada como
e
.
c) La desviacin estndar de los errores muestrales, denotada como
e
, mediante
_

[(e
e
)
2
f]
N
.
Observacin 4. Se puede demostrar que si de una poblacin se eligen muestras de tamao n con reemplazo, entonces

e
=
x
,
donde
e = x

e
= es la desviacin estndar de la distribucin de los errores muestrales

x
= es la desviacin estndar de la distribucin de X.
Por eso es que la desviacin estndar de la distribucin muestral de un estadstico tambin se le conoce como error
estndar del estadstico.
21
Figura 10: Diagrama de ujo para calcular la desviacin estndar de la media muestral.
En la Figura 10 se resumen las situaciones para calcular el error estndar de la distribucin de X.
Ejemplo 33. Para cada una de las situaciones dada, donde el muestreo se hace sin reemplazo, especique cul(es)
frmula(s) pueden usarse para determinar
x
.
a) N = 5000, n = 500
b) N = 3500, n = 100
c) N = 1000, n = 40
Ejemplo 34. Si = 25, encuentre el error estndar de la media si el muestreo se hace sin reemplazo y a) N = 750,
n = 15; b) N = 800,n = 45.
El paso nal para identicar las caractersticas de la distribucin muestral de Xes determinar la forma de la
distribucin de probabilidad de X. La forma de la distribucin de muestreo puede variar de una poblacin a otra,
pero en el caso particular de una poblacin normal se tiene el siguiente resultado.
DISTRIBUCIN DE X DE POBLACIONES NORMALES
Siempre que la poblacin tiene una distribucin de probabilidad normal, la distribucin muestral de X tiene
una distribucin de probabilidad normal para cualquier tamao de muestra n, es decir, X N(
x
,
x
) .
Valor z para la distribucin muestral de X
Si de una poblacin normal se toma una muestra de tamao n y se calcula la media muestral x, entonces el valor z
para x est dado por
z =
x
x

x
Como
x
= y
x
= /

n, tenemos:
z =
x
/

n
=

n
x

22
Cuando se desconoce la distribucin de la poblacin nos basamos en uno de los teoremas ms importantes de la
estadstica, el teorema del lmite central, el cual se ver ms adelante.
Valor practico de la distribucin de muestreo
La razn practica de que nos interese la distribucin muestral de X es que la podemos usar para determinar informacin
probabilstica acerca del tamao del error muestral.
Ejemplo 35. Suponga que de una poblacin normal se elige una muestra aleatoria de tamao n = 9 con media = 25
y desviacin estndar = 6. Cul es la probabilidad de que la media muestral X sea mayor que 28?
Ejemplo 36. Si de una poblacin grande cuya media es 50 y tiene desviacin estndar de 30, se toma una muestra
de tamao 37, encuentre
a) Pr(X > 60).
b) Pr(45 < X < 58).
c) Pr(X < 47).
d) Pr(X > 45).
e) Pr(X < 62).
Ejemplo 37. Los tiempos requeridos para que unos trabajadores terminen cierta labor, se distribuye normalmente
con media de 30 minutos y una desviacin estndar de 9 minutos. Si de la planta de trabajadores se toma una muestra
aleatoria de 25, encuentre la probabilidad de que la media del tiempo requerido para concluir la tarea en la muestra,
est entre 28 y 33 minutos.
Ejemplo 38. El pago por hora para los trabajadores de cierta planta automotriz se distribuye normalmente con media
de 12.50 dlares y una desviacin estndar de 0.95 dlares; si de est fbrica se elige una muestra aleatoria de 100
trabajadores, encuentre la probabilidad de que la media del pago por hora:
a) sea menor de 12.60 dlares.
b) est entre 12.45 y 12.65 dlares.
c) supere los 12.30 dlares.
3.5. TEOREMA DEL LIMITE CENTRAL
El concepto de distribucin muestral, junto con el teorema del limite central forman las bases de los principios de
inferencia estadstica. Por una parte, con el conocimiento de la distribucin de muestreo, es posible obtener inferencia
con respecto a parmetros de la poblacin. Por otra parte, el teorema del limite central se aplica a cualquier poblacin.
Por tanto se puede utilizar para describir la distribucin de muestreo de X, aun cuando no se conozca la distribucin
poblacional. Uno de sus enunciados, aplicado a la distribucin de muestreo de X es la siguiente.
Teorema del limite central
Al seleccionar una muestra aleatoria simple de tamao n de una poblacin, la distribucin muestral de la media
muestral X se puede aproximar con una distribucin de probabilidad normal, cuando el tamao de la muestra es
grande. Se puede suponer que la condicin de muestra grande se cumpla para muestras aleatorias simples de tamao
30 o mayor.
23
Figura 11: Ilustracin del teorema del Teorema del Limite Central. Las dos primeras poblaciones tienen una distribucin
simtrica, pero no normal. debido a eso, se requiere de un valor pequeo de n, para empezar a tomar la forma de la distribucin
normal. En cambio, para una poblacin no simtrica, se requiere de un tamao de muestra grande (n 30) para tomar la
forma de acampanada y simtrica de la distribucin normal.
24