429936270.texto Guía Estadistica y Probabilidades II - 2008 Acef

UNI VERSI DAD AMAZNI CA DE PANDO
PROGRAMA DE ADMI NI STRACI N DE EMPRESAS

TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II Cobija Pando - Bolivia
Preparado por el Lic. Ren Mamani Quisbert
1

TEMA N 1
TEORA DE PROBABILIDADES

1.1.- COMPETENCIA DE TEMA:

1.2. PROBABILIDADES.- El clculo de Probabilidades, es una rama de las
matemticas que se ocupa de medir o cuantificar la posibilidad de que ocurra un
determinado suceso o evento. La probabilidad es una herramienta indispensable
para toda clase de investigaciones que implican INCERTIDUMBRE. Si se est
frente a experimentos cuyos resultados estn completamente determinados, es
decir de antemano se sabe qu suceso ocurrir, entonces desaparece el problema
de incertidumbre, por lo tanto no hay necesidad de recurrir al clculo de
probabilidades. Sin embargo, como hay una infinidad de fenmenos los cuales
implican incertidumbre, la importancia de considerar la teora de probabilidades en
nuestro estudio, es realmente relevante.

La creacin de la Probabilidad se atribuye a los matemticos franceses del siglo
XVII Blaise Pascal y Pierre de Fermat, aunque algunos matemticos como Gerlamo
Cardano en el siglo XVI, haban aportado importantes contribuciones a su
desarrollo. La probabilidad matemtica comenz como un intento de responder a
varias preguntas que surgan en los juegos de azar, como ser los dados, los naipes y
las monedas.

A travs de la historia, se han estructurado tres definiciones de probabilidad que
son complementarias y su aplicacin depende de la naturaleza del problema o
fenmeno que se est encarando o tratando de resolver. Estas definiciones son:

HABILIDAD: Describe
CONTENIDO: Los conceptos fundamentales de la teora del clculo de probabilidades.
PROCESO: Mediante un proceso interactivo y el uso de diferentes fuentes de informacin.
CONTEXTO: En el aula

2
a) Definicin clsica
b) Definicin por Frecuencia Relativa

c) Definicin Subjetiva PROBABILIDAD SUBJETIVA

a) DEFINICIN CLSICA: Fue estructurada por Simn Laplace en el ao 1812,
en su obra: Teora Analtica de las Probabilidades y dice:

LA PROBABILIDAD DE UN EVENTO ES LA RAZN ENTRE EL NMERO DE CASOS O
SUCESOS FAVORABLES A UN EVENTO Y EL NMERO TOTAL DE CASOS O SUCESOS
POSIBLES, SIEMPRE Y CUANDO NADA OBLIGUE A CREER QUE ALGUNOS DE ESTOS
SUCESOS DEBA TENER PREFERENCIA A LOS DEMS, LO QUE HACE QUE TODOS SEAN
IGUALMENTE POSIBLES.

En la definicin anterior, se tiene:

n N
) (
Nmero de elementos del espacio muestral (nmero total
de sucesos).
a ) A (
n N
Nmero de elementos o sucesos favorables al evento A.

Entonces:

posibles casos de Nmero
A evento al favorables casos de Nmero
n
N
N
N
P
) A (
) (
) A (
A

En la presente definicin, est implcito un supuesto muy importante referido al
Espacio Muestral , es el concepto de EQUIPROBABILIDAD. Segn este principio,
todos los elementos del espacio muestral deben tener la misma probabilidad de
ocurrencia, de no ser as no es aplicable el concepto de Probabilidad Clsica.

La probabilidad de un resultado se representa con un nmero que flucta entre 0 y
1, ambos inclusive. La probabilidad CERO indica que el resultado no ocurrir nunca,
y la probabilidad 1, que el resultado ocurrir siempre. El clculo matemtico de
probabilidades se basa en situaciones tericas en las cuales puede configurarse un
espacio muestral , cuyos sucesos elementales tengan todos la misma probabilidad.
Por ejemplo: al lanzar un dado normal, la probabilidad de cada una de las caras es
1/6. Al lanzar dos dados, la probabilidad de cada uno de los resultados es de 1/36.

PROBABILIDAD OBJETIVA

3
EJEMPLO 1: Si se lanza un dado no cargado, debe considerarse que hay igual
probabilidad que salga cualquiera de los nmeros del espacio Muestral .

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

La probabilidad de que salga cualquier nmero es = a 1/6

EJEMPLO 2: Sea el experimento que consiste en lanzar dos dados una vez y en
condiciones normales.

a) Cul es la probabilidad de que la suma de los puntos que aparecen sea 12?
b) Cul es la probabilidad de que sea 7?
c) Cul es la probabilidad de que la suma no sea mayor que 3 ?

SOLUCIN: = {(1,1) (1,2) (1,3)..................................... (6,6)}

a) 36 6
2

1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)

a) La suma de los puntos es = 12 y solo existe una opcin.

) A (
N
= {(6,6)} = 1

) A (
P
= 1/36

b) La suma de los puntos es 7

6 6 , 1 5 , 2 4 , 3 3 , 4 2 , 5 1 , 6 N
) A (

6
1
36
6
P
) A (


4
c) La suma de los puntos es < 4

3 )(2,1)} {(1,1)(1,2 P
) A (

12
1
36
3
P
) A (

EJERCICIOS PARA RESOLVER EN CLASES:

1.- Se lanza una moneda tres veces. Cul es la probabilidad de obtener 3 caras?
Cul es la probabilidad de obtener dos caras y un sello?.

2.- Un lote consta de 10 artculos, 4 con pequeos defectos y 2 con defectos
graves. Se elige un artculo al azar. Encontrar la probabilidad de que:

a) No tenga defectos.
b) Tenga un defecto grave.

b) DEFINICION POR FRECUENCIA RELATIVA:

El supuesto fundamental sobre el cual se apoya la definicin clsica de probabilidad,
es el referido a la equiprobabilidad de los elementos del espacio muestral , o sea
que, todos los elementos del espacio muestral tengan la misma probabilidad de ser
elegidos. Sin embargo no todos los fenmenos o problemas de la vida real cumplen
necesariamente con dicho supuesto, para estos casos la ciencia de la estadstica
estructur la Teora de las probabilidades por Frecuencia Relativa o el concepto
frecuencialista de Probabilidad, que toma en cuenta dos aspectos:

1.- No es necesario que los elementos de sean equiprobables.
2.- n debe ser grande, o tender al infinito.

Si se cumplen las dos condiciones anteriores, se puede estimar la probabilidad de la
ocurrencia de un evento cualquiera a partir de su Frecuencia Relativa:

n
n
P
a
) A (

Donde:
) A (
P
= Probabilidad de que ocurra el evento A.

5

a
n
= Frecuencia Absoluta de A

n
= Tamao de la Muestra

Esta aproximacin es ms real cuando n es grande tiende al infinito.

EJEMPLO N 1: En una muestra aleatoria de 10 fbricas que emplean un total de
10.000 trabajadores, se evidenci que ocurrieron 500 accidentes de trabajo
durante un perodo reciente de 12 meses. Hallar la probabilidad de que ocurra un
accidente de trabajo en una industria determinada.

SOLUCION: En el problema anterior no se puede sealar que los casos posibles
sean equiprobables por cuanto las condiciones de trabajo y seguridad industrial
varan en cada empresa, por lo tanto no podemos hablar de equiprobable, por
tanto no es posible aplicar el concepto de la probabilidad Clsica. Los datos con los
que contamos son:

n
= 10.000 trabajadores
a
n
= Accidentes de trabajo ocurridos en un periodo de doce meses = 500

Entonces, se puede estimar la probabilidad de ocurrencia de un accidente a partir
del concepto de Frecuencia Relativa:

05 , 0
000 . 10
500
n
n
P
a
) A (

EJEMPLO N 2: Sea la distribucin de los miembros de los partidos polticos, el
siguiente:

PARTIDO A B C D E F TOTALES
NMERO TOTAL
DE MILITANTES
105

100 70 45 40 15 375
MILITANTES
MUJERES
15 20 5 10 3 2 55

Cul es la probabilidad de que un miembro seleccionado aleatoriamente :

a) Sea una mujer ?

6
b) Pertenece al partido B?
c) Sea un hombre miembro del partido C?

SOLUCIN:

a) n = total de militantes = 375
Sea: A : El militante seleccionado es una mujer.

147 , 0
375
55
n
a

a) Sea B: El seleccionado pertenece al partido B.

27 , 0
375
100
n
b

c) Sea C: El seleccionado es hombre y pertenece al partido C.

65 5 70 n
c

17 , 0
375
65
n
n
P
b
) c (

c) PROBABILIDAD SUBJETIVA:

Esta es una definicin alternativa y se utiliza cuando existen muchas situaciones
donde el concepto de Probabilidad Clsica ( equiprobable) y el de Frecuencia
Relativa, carece de significado, o sea no se cumplen ninguna de las dos condiciones
sealadas.

En este caso se aplica el concepto de probabilidad subjetiva:

EJEMPLO: Cul es la probabilidad de que una expedicin tripulada desembarque en
el planeta Marte en la prxima dcada ?

El ejemplo anterior tratase de un evento nico sin antecedente alguno, por tanto, no
existe forma de que se pueda interpretar tal probabilidad a travs de la
probabilidad clsica ni la frecuencia relativa.


7
En consecuencia, en estos casos, el ENFOQUE SUBJETIVO de probabilidad resulta
ser el ms adecuado, donde hay una sola oportunidad de ocurrencia del evento.
DEFINICIN: Dado un experimento determinado, la probabilidad de un evento A
es el grado de CERTEZA asignado a la ocurrencia de ese evento por un individuo
particular, basado en toda la evidencia a su disposicin, con las siguientes
exigencias:

1.-
0 P
) A ( Representa la certeza de que el evento A no ocurrir.
2.-
1 P
) A ( Representa la certeza de que el evento A si ocurrir.
3.- 0 < ) A (
P
< 1 Representa el grado de certeza de que el evento A ocurrir, a
partir de toda la informacin disponible en relacin al evento
analizado.

1.3 AXIOMAS DE PROBABILIDAD Y PROPIEDADES.- El tratamiento de las
Probabilidades implica el empleo de axiomas y teoremas, las mismas que los
podemos clasificar en tres axiomas y seis teoremas:

AXIOMA 1
0 A
P
1 Para cada evento A que es parte de

AXIOMA 2: Probabilidad del Evento seguro.

1 P

AXIOMA 3: Para cualquier nmero finito k de eventos mutuamente excluyentes y
colectivamente exhaustivos en

k
1 i
i A
k
1 i
i A
P P

B A B A
P P P

TEOREMAS:
TEOREMA 1: Si es el evento imposible, entonces
0 P

Demostracin: Sabemos que: =

8
Por otro lado: y son mutuamente excluyentes

P P P
Por el Axioma 3

P 1 1
Por el axioma 2

0 1 1 P

TEOREMA 2:
Para cada evento A, se cumple que:

A
A
P 1 P

A A
P P 1

Demostracin:
Se sabe que:
_
A A

Por otro lado los eventos A y
_
A son mutuamente excluyentes:

_
A A

En consecuencia: A
A
P P P
Por el Axioma 3

A
A
P P 1
Por el Axioma 2

A
A
P 1 P
Viceversa
TEOREMA 3:
Si A y B son eventos de , tales que A B

A
P
B
P

DEMOSTRACIN:

A
B

9

A B A B
y adems:

A B A
Ambos eventos son mutuamente excluyentes

Luego por el Axioma 3:

A B
A B
P P P

B
P
A
P

TEOREMA 4:

Si A y B son dos eventos cualesquiera de

B A B A B A
P P P P

DEMOSTRACION:

El evento
B A
puede representarse como la unin de los eventos A y B A , y son
mutuamente excluyentes.

Empleamos la siguiente grfica para explicar la demostracin:

B A A B A

0

An
B

A B
B A


10
Luego:
(l)
B A
A B A
P P P

P/Axioma 3
Por otro lado, el Evento B tambin puede escribirse como la unin de los eventos
mutuamente excluyentes:

B A y B A

B A B A B

B A B A
B
P P P

P/Axioma 3

B A B
B A
P P P

Sustituyendo este resultado en (l), tenemos:

B A B A B A
P P P P

Como consecuencia, tenemos demostrado la igualdad.

TEOREMA 5:

Si: A, B y C son tres eventos cualesquiera en ,

C B A B C C A C A C B A C B A
P P P P P P P P

DEMOSTRACION:

Podemos escribir C B A C B A y aplicamos el Teorema N 4, tomando en cuenta
que B A es un evento.

TEOREMA 6: Si:
K 3 2 1
A , , A , A , A
es una coleccin de eventos cualesquiera en ,
entonces:
k A 2 A 1 A
1 k
k
2 j i
r A j A i A
k
2 j i
j A i A
k
1 i
I A k A 3 A 2 A 1 A
P 1 P P P P


11
EJERCICIOS DE APLICACIN

EJERCICIO 1: La probabilidad de que llueva en una determinada ciudad el 12 de
junio es 0,10; de que truene es 0,05 y que llueva y truene es 0,03. Cul es la
probabilidad que llueva truene ese da ?

SOLUCIN: Definimos previamente los siguientes eventos:

A = Llueva el 12 de junio.
B = Truene el 12 de junio.
C = Llueva y truene ese da.

10 , 0 P
) A (

05 , 0 P
) B (
03 , 0 P
) B A

B A C

B A B A B A C
P P P P P

12 , 0 03 , 0 05 , 0 10 , 0 P
C

EJERCICIO 2: La probabilidad de que una seora reciba al ao ms 5 llamadas
telefnicas en un da es 0,20 y por lo menor 9 llamadas en un da es 0,50 Cul es la
probabilidad de la dicha seora reciba 6,7 u 8 llamadas en un da ?.

SOLUCIN:

= 0, 1, 2, 3,4,........................

Definimos los siguientes eventos en :

A: Recibe a lo ms 5 llamadas.
B: Recibe por lo menos 9 llamadas.
C: Recibe 6,7 u 8 llamadas.
Definimos ahora el sub espacio muetral para cada uno de los eventos:

A
= 0, 1, 2, 3, 4,5

12
B
= 9, 10, 11,12,...................
C
= 6, 7,8
Adems sabemos que:

20 , 0 P
A

50 , 0 P
B

? P
C

Los eventos A, B y C son mutuamente excluyentes y colectivamente exhaustivos,

C B A P P P P
C B A
P/Axioma 3
Por axioma 2:

C B A
P P P 1

Remplazando datos:

C
P 50 , 0 20 , 0 1

50 , 0 20 , 0 1 P
C

30 , 0 P
C

EJERCICIO 3: Una caja contiene 100 tubos de televisin. La probabilidad de que
haya al menos un tubo defectuoso es 0,05 y de que haya al menos 2 tubos
defectuosos es 0,01. Cul es la probabilidad de que la caja contenga?:

a) Ningn tubo defectuoso?
b) Exactamente un tubo defectuoso?
c) A lo ms un tubo defectuoso?

SOLUCIN:
: Ver cuantos tubos defectuosos hay en una caja que contiene 100 tubos
de televisin.

= 0, 1, 2, 3, 4,5,.............................., 100

Ahora definimos en los siguientes eventos:
A: Haya al menos un tubo defectuoso.
B: Haya al menos dos tubos defectuosos.
C: Ninguno de los tubos es defectuoso.

13
D: Exactamente un tubo es defectuoso.
E: Hay a lo ms un tubo defectuoso.
Los sub espacios muestrales asociados a cada evento son:

A
= 1, 2, 3,4,.....................,100
B
= 2, 3, 4,5,.....................100
C
= 0
D
= 1
E
= 0,1

Adems tenemos los siguientes otros datos:

05 , 0 P
A

01 , 0 P
B

Finalmente calculamos las probabilidades solicitadas utilizando los axiomas y los
teoremas:
a) La Probabilidad de que ningn tubo es defectuoso:
? P
C

Teniendo en cuenta de que = AUC y que los dos eventos son mutuamente
excluyentes y colectivamente exhaustivos:
B A

B A
P P P
P/Axioma 3
Despejamos C
P

A ` C
P P P

A C
P 1 P
P/Axioma 2

95 , 0 05 , 0 1 P
C

b) La probabilidad de que haya exactamente un tubo defectuoso:

? P
D

De acuerdo a los eventos descritos, podemos escribir lo siguiente:
D B A

D B A
P P P

B A D
P P P

04 , 0 01 , 0 05 , 0 P
D
c) Probabilidad de a los ms un tubo defectuoso:

? P
E
Podemos escribir, que:
D C E


14
D C E
P P P
P/Axioma 3
04 , 0 95 , 0 P
E
99 , 0 P
E

EJERCICIO 4: De un grupo de personas, el 30 % practica ftbol y el 40 % juega
ajedrez. De los futbolistas el 50 % juega tambin ajedrez. Sise elige
aleatoriamente una persona. Cul es la probabilidad de que?:
a) Juegue ftbol y ajedrez?
b) Practica slo uno de estos deportes?
c) No practica ni ftbol ni ajedrez?

SOLUCION: Definimos los eventos en

A: la persona elegida practica ftbol.
B: La persona seleccionada practica ajedrez.

DATOS:
30 , 0 P
A

40 , 0 P
B
a) Probabilidad de que juegue ftbol y ajedrez.

B A B A B A
P P P P

P/Axioma 4

Por otro lado sabemos que la
15 , 0 P
B A

15 , 0 40 , 0 30 , 0 P
B A

55 , 0 P
B A

b) Probabilidad de que practique uno solo de estos deportes:

GRAFICAMENTE:

A B

0,15 0,15 0,25

15

C: Practica uno de los dos deportes.

A B B A C

Como los eventos
A B y B A
son mutuamente excluyentes, Entonces:
Por el Axioma 3 tenemos:

A B B A C
P P P

40 , 0 25 , 0 15 , 0 P
C

1.4 PROBABILIDAD CONDICIONAL O CONDICIONADA

1.4.1. INTRODUCCIN: Llamada tambin probabilidad ligada o relativa; es un
modelo de probabilidad de bastante aplicacin prctica: Lo que se trata de
determinar con la probabilidad condicional es la medida de la ocurrencia de un
suceso dado que ha ocurrido otro suceso. En otras palabras, si se dispone de cierta
informacin se pretende averiguar, tomando como base esa informacin, cul es la
probabilidad de la ocurrencia de algn suceso.

EJEMPLO:

Si se sabe que una carta extrada de una baraja de 52 cartas es un as, podemos
estar interesados en saber si es un as de corazones.
Deseamos saber la probabilidad de que un estudiante seleccionado sea varn, si
se sabe que es uno de los reprobados en el examen.

GRAFICAMENTE:

An
B

A B


16
1.4.2. DEFINICIN: La probabilidad Condicional de que ocurra A, dado que ha
ocurrido B, est dada por:

B
B A
B / A
P
P
P

Siempre y cuando:
0 P
B

Si :
0 P
B
B / A
P

NOTA: En la probabilidad condicional se cumplen los axiomas y los teoremas
planteados en los captulos anteriores.

EJEMPLO 1: En una universidad de 10.000 estudiantes y 1.000 profesores, el 10 %
de los profesores son de izquierda y el 90 % de derecha; mientras que en los
estudiantes este porcentaje es al contrario. Se selecciona al azar un miembro de la
universidad y se encuentra que es de derecha.
a) Cul es la probabilidad de que se haya seleccionado un estudiante?
b) Un profesor?

SOLUCION:

TENDENCIA
CATEGORIA
DERECHA IZQUIERDA TOTALES
PROFESORES 900 100 1.000
ESTUDIANTES 1.000 9.000 10.000
TOTALES 1.900 9.100 11.000
= 11.000
D: El miembro seleccionado es de derecha.
E: El integrante seleccionado es estudiante.

a)
D
D E
D / E
P
P
P

0 P
D

Sabemos que:
110
10
000 . 11
000 . 1
P
D E

110
19
000 . 11
900 . 1
P
D


17
19
10
090 . 2
100 . 1
110
19
110
10
P
D / E

b) Que sea seleccionado un profesor: E

D
D E
D / E
P
P
P

110
9
00 . 11
900
P
D E

19
9
090 . 2
990
110
19
110
9
P D / E

EJEMPLO 2: Un aparato electrnico consta de dos partes. La probabilidad de que
falle la primera parte es 0,20 ; que fallen las dos partes es 0,15 y de que falle slo
la segunda parte es 0,45. Calcular la probabilidad de que:
a) Falle slo la primera parte.
b) Falle la primera parte cuando se sabe que fall la segunda parte.

SOLUCION:
Definimos dos eventos en :

A: Falla slo la primera parte.
B: Falla la segunda parte.

DATOS:

15 , 0 P
20 , 0 P
B A
A

GRAFICAMENTE TENEMOS:

A B


18
Entonces:
a)
05 , 0 P
A
b)
25 , 0
60 , 0
15 , 0
P B / A

1.5 REGLA DE LA MULTIPLICACIN.- Como una derivacin de la definicin
de probabilidad condicional, es posible obtener una frmula para hallar la
probabilidad de la interseccin o producto de los eventos A y B:

B
B A
B / A
P
P
P P

Si
0 P
B
A
B A
A / B
P
P
P P

Si
0 P
A

Despejando en ambas expresiones B A
P

B / A B B A
P P P

B / A B B A
P P P

Este resultado en Teora de Probabilidades, se denomina REGLA DE
MULTIPLICACIN o Probabilidad conjunta, que dice: La probabilidad de que
ocurra los eventos A y B es igual a la probabilidad de la ocurrencia de uno de
ellos multiplicado por la probabilidad condicional de que ocurra el segundo, dado
que el primero ha ocurrido.

EJERCICIO 1: Una urna contiene 5 bolas blancas y 6 negras; se extrae al azar
sucesivamente y sin reposicin dos bolas. Cul es la probabilidad de que las dos
resulten blancas?.

SOLUCIN:

1 A = La primera bola extrada es blanca.
2 A = La segunda bola extrada es blanca.
E: Las dos bolas son blancas.

5 B

6 N

1 bola

1 bola

= 11

19

2 1 2 1
A A A A E

1
A
/ 2
A
1
A
2
A
1
A
P P P E P

DATOS:
11
5
PA
10
4
P
1 A / 2 A

11
2
22
4
10
4
11
5
P
11
2
E


20

TEMA N 2
VARIABLES Y MODELOS ALEATORIOS DISCRETOS
2.1. COMPETENCIA DE TEMA:

2.2. INTRODUCCIN: En los temas precedentes se ha hecho mencin a que los
elementos del espacio muestral podan expresarse o simbolizarse indistintamente
con letras o mediante nmeros, tal era el caso cuando analizbamos el experimento
de lanzar una moneda al aire y esperar que salga un resultado; en este caso el
espacio muestral estaba compuesto por C y S ; vale decir: cara o sello. Lo mismo
suceda cuando el experimento consista en seleccionar un artculo defectuoso de un
lote que contena tanto defectuosos como no defectuosos, en este caso utilizbamos
el siguiente espacio muestral: = { N , D }. En ambos casos la simbologa utilizada
son letras.

Sin embargo, el propsito del tema de VARIABLES ALEATORIAS es el de expresar
en todos los casos a los elementos del espacio muestral mediante nmeros, que es el
objeto de estudio del tema presente.

2.2. DEFINICIN DE VARIABLE ALEATORIA: Dado un experimento aleatorio
y el Espacio Muestral asociado a , una funcin X, que asigna a cada
elemento del Espacio Muestral , uno y solamente un nmero x que pertenece a
los nmeros reales R, se llama VARIABLE ALEATORIA.

HABILIDAD: Caracteriza
CONTENIDO: La variable y los modelos aleatorios discretos ms importantes.
PROCESO: Mediante la resolucin de ejercicios prcticos de aplicacin.
CONTEXTO: En el aula.
En otros trminos:

R

1 w

2 w

3 w

DOMINIO RANGO O RECORRIDO
x R

X
1

X
2

X
3


21
El dominio de la Variable Aleatoria X es y el Rango o Recorrido
x R es un conjunto
de los nmeros reales R, que lo denotamos por
x R .

En otras palabras, la Variable Aleatoria es una funcin que asigna un nmero real a
cada suceso simple de un Espacio muestral, o sea cada elemento de .

EJEMPLO 1: Si consideramos el juego ms sencillo que consiste en lanzar una
moneda, sabemos que puede resultar cara o sello, es decir que: = { C, S }
Si definimos la Variable Aleatoria X como: El nmero de veces que aparece cara,
entonces X es una funcin sobre , de manera que: 1 X C
y 0 XS
. Entonces X toma
los valores 0 y 1.

X = {0,1}

EJEMPLO N 2: Sea el experimento que consiste en lanzar tres monedas al aire y
sea la variable aleatoria:

X: Nmero de caras

Definir el Dominio y Rango de X.

SOLUCION: El Espacio Muestral asociado al experimento est dado por:

= {CCC, CCS, CSS, SSS, SSC, SCC, CSC, SCS

Si la variable que nos interesa est referido al nmero de caras, entonces tenemos
que:

CCC, CCS, CSS, SSS, SSC, SCC, CSC, SCS

3 2 1 0 1 2 2 1

3 X CCC ; 2 X CCS ; 1 XCSS ; 0 XSSS

En consecuencia, la Variable X toma los valores de: 0,1,2,3

3 , 2 , 1 , 0 Rx


22
2.4. VARIABLE ALEATORIA DISCRETA: Si el Rango o Recorrido
x R de la
variable Aleatoria X es un conjunto finito o infinito numerable de elementos, se
llama VARIABLE ALEATORIA DISCRETA.
En este caso:

6 5 4 3 2 1 x x , x , x , x , x , x R DISCRETO FINITO

........ ,......... x , x , x R 3 2 1 x
DISCRETO INFINITO NUMERABLE

EJEMPLO: Un lote de artculos contiene artculos defectuosos (D) y no defectuosos
(N), se extrae sucesivamente y sin reposicin 4 artculos. Si definimos X: Nmero
de artculos defectuosos. Determinar el Dominio y rango de la Variable Aleatoria X.

SOLUCION:

= {DDDD, DDDN, DDNN, DNNN, NNNN, NNND, NNDD, NDDD, DNND, NDDN,
(4) (3) (2) (1) (0) (1) (2) (3) (2) (2)
DDND, DNDD, NDND, DNDN, NDNN, NNDN
(3) (3) (2) (2) (1) (1)

Entonces: 4 , 3 , 2 , 1 , 0 Rx

EJEMPLO 2: Ahora bien, en el ejemplo anterior consideremos la extraccin de
artculos hasta lograr un artculo defectuoso y definimos:

X: NUMERO NECESARIO DE EXTRACCIONES HASTA HALLAR UNO
DEFECTUOSO.

Determinar el Dominio y Rango de X.

SOLUCION:

= {D, ND, NND, NNND, NNNND,...............................

.... .......... ,......... 5 , 4 , 3 , 2 , 1 , 0 Rx


23
2.5 FUNCION DE PROBABILIDAD PARA UNA VARIABLE ALEATORIA
DISCRETA O FUNCION DE CUANTIA

DEFINICION.- La funcin de probabilidad para una Variable Aleatoria Discreta X,
es una funcin que asigna a cada valor que toma la variable Aleatoria X discreta, una
probabilidad
x p cuando X toma un valor particular xi.
O sea:

x w X / w
w x X x P P p

Adems esta funcin cumple las siguientes condiciones:

1.- 0 p x
x R x

2.- 1 P p
x R x
x X
x R x
x

Esta funcin tambin recibe el nombre de FUNCION DE CUANTIA, que puede ser
expresado mediante pares ordenados, tablas y grficos. O sea:

x x
R x ; p , x

Por otro lado, si x
x R se trata de un evento imposible, por lo tanto 0 p x

Al igual que en la definicin de Variable Aleatoria, la Funcin de Cuanta tiene un
dominio y un codominio o Rango, expresado por:

DOMINIO RANGO

REPRESENTACION TABULAR DE LA FUNCION DE CUANTIA:

i x
1 x
2 x
3 x . . .
X x x P p
1 x p
2 x p
3 x p . . .

x R

0 , 1

24
REPRESENTACION GRAFICA DE LA FUNCION DE CUANTIA:

EJEMPLO: Sea el experimento que consiste en rodar dos dados simultneamente
por una sola vez. Sea X: La suma de los puntos que aparecen. Definir el dominio y
el rango para la distribucin de probabilidades de X.

SOLUCIN: = { ( i,j )/y = 1,2,.........,6 y j = 1,2,.........,6}

GRAFICAMENTE:

0
p
(xn)

p
(x1)

p
(x3)

p
(x2)

x
1
x
2 x
3
x
n
p
(x)

...........................
(x
1
,p
(x1)
)
1 2 3 4 5 6
6

5

4

3

2

1

R
x

2 3 4 5 6 7 8 9 10 11 12

25
Finalmente, de acuerdo a la definicin de Funcin de Cuanta, asignamos
probabilidades a cada uno de los elementos de
x R , a partir de la definicin de
Probabilidades.

N
A N
PA

36
1
P p 2 X 2 x

Entonces:
x R = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 }

36
1

36
2

36
3

36
4

36
5

36
6

36
5

36
4

36
3

36
2

36
1

REPRESENTACION TABULAR:

SUMA DE
PUNTOS
N DE
VECES
X P
2 1 1/36
3 2 2/36
4 3 3/36
5 4 4/36
6 5 5/36
7 6 6/36
8 5 5/36
9 4 4/36
10 3 3/36
11 2 2/36
12 1 1/36
SUMA 36 1

Donde se cumplen las condiciones exigidas, o sea:

1.- 1 p 0 x

2.- 1 p
x R x
x


26
EJERCICIO PARA RESOLVER EN CLASES:

Sea el experimento aleatorio , consistente en lanzar una moneda tres veces y
definimos:
X = nc - ns
Donde:
nc = Nmero de caras obtenidas
ns = Nmero de sellos obtenidos

Hallar la distribucin de probabilidades o funcin de cuanta.

2.6.FUNCION DE DISTRIBUCION ACUMULADA DE UNA VARIABLE
ALEATORIA DISCRETA.- La Funcin de distribucin Acumulada de la variable
Aleatoria Discreta X, es un concepto de mucha importancia cuando se utilizan las
Tablas de Clculo de probabilidades, donde las funciones son acumuladas.

DEFINICION.- Sea X una Variable Aleatoria Discreta con rango ,......... x , x , x R 3 2 1 x y
funcin de probabilidad o cuanta
i x X i x P p , entonces la Funcin de Distribucin
Acumulada de X denotada por
x F , se define como:

x i x
i x X
x i x
i x x X x
P p P F

Donde la sumatoria se realiza para todos los valores de 1 tales que x xi

EJEMPLO N 1: Se lanzan tres monedas al aire y definimos X: Nmero de caras.
Determinar la Funcin de cuanta y la Funcin de Distribucin Acumulada de X.

SOLUCION: = {CCC, CCS, CSS, SSS, SSC, SCC, CSC, SCS

x R = {0, 1, 2, 3}
8
1
P p
8
3
P p
8
3
P p
8
1
P p
3 X 3
2 X 2
1 X 1
0 X 0

Entonces, podemos expresar la Funcin de Cuanta y la Funcin de Distribucin
Acumulada de X a travs de la siguiente tabla:


27

x R x p
x X x P F
0 1/8 1/8
1 3/8 4/8
2 3/8 7/8
3 1/8 1

1 -.-

O sea:

FUNCION DE CUANTIA:
x p

x P = 1/8 Si: x = 0 3
= 3/8 x = 1 2
= 0 En cualquier otro caso

FUNCION DE DISTRIBUCIN ACUMULADA:
x F

0 Fx
Si: x < 0
= 1/8 0 x 1
= 4/8 1 x 2
= 7/8 2 x 3
= 1 x 3

Asimismo, ambas funciones se los puede representar grficamente:

a) FUNCION DE CUANTIA: p
(x)

0 1 2 3
1/8
2/8
3/8
F
(x)

x

28
b) FUNCION DE DISTRIBUCIN ACUMULADA:


Se tiene una urna con 2 bolas negras, 3 bolas blancas y cuatro rojas. Se extrae
sucesivamente una bola sin reposicin hasta que salga una roja. Hallar la Funcin de
Cuanta del nmero de extracciones que hay que realizar y la Funcin de distribucin
acumulada. Adems representar ambas funciones en tablas y grficas.

2.7. ESPERANZA MATEMATICA PARA UNA VARIABLE ALEATORIA
DISCRETA

INTRODUCCION: En los captulos iniciales de estadstica descriptiva se estudiaron
medidas de Tendencia Central y de variabilidad, as como sus diferentes
aplicaciones.
En forma anloga, en el caso de tener Funciones de Cuanta, es importante obtener
medidas que indiquen el comportamiento de la variable aleatoria, vale decir la media
y la varianza, fundamentalmente.

Por consiguiente adems de saber el intervalo de recorrido de una variable
Aleatoria X, es muy frecuente la necesidad de conocer el promedio de los valores
que ella toma el valor que se espera que tome la Variable. por ejemplo:

a) Si apostamos Bs 100 a la ocurrencia de un cierto resultado en un juego de azar
equitativo, estaremos interesados en saber cuanto en promedio se espera
recuperar en base a una distribucin de probabilidades.
0
1 2 3 4
x
1
1/8
4/8
7/8
F
(x)


29
b) Si realizamos una inversin anual de $us 10.000 en un negocio, deseamos saber
cuanto de utilidad en promedio se espera obtener.

c) Si se aplica un sistema de alimentacin especial a 1.000 bovinos, cunto
esperamos que aumenten de peso al cabo de cierto tiempo ?.

Por consiguiente, as como en los tres casos anteriores, podemos estar frente a un
sin nmero de problemas relacionados con el valor promedio de una variable
aleatoria. A este valor promedio se denomina Esperanza Matemtica Valor
esperado, cuando trabajamos con Variables Aleatorias.

DEFINICION: Sea X una variable Aleatoria Discreta, con rango
x R y Funcin de
Cuanta
x p , el Valor Esperado y Esperanza matemtica
x E
x V se define como:

x R x
x x x
p x V E

Siempre y cuando:

x R x
x p x Sea absolutamente convergente, o sea:
x
x R x
p x
sea FINITA.

La Esperanza Matemtica de X se llama tambin MEDIA de X y se denota por:
x x
V E

EJEMPLO N 1: Hallar el Valor Esperado para la siguiente Distribucin de
Probabilidades:

X 0 1 2 3 4
x p 0,2 0,4 0,3 0,08 0,02

SOLUCION: Para la solucin del ejercicio, utilizamos la frmula de la x E :

x R x
x x p x E

Reemplazamos datos en la frmula:


30

x E = 0 (0,2) + 1 (0,4) + 2 (0,3) + 3 (0,08) + 4 (0,02)

x E = 1,32

EJERCICIO N 2: Hallar el Valor Esperado para la Variable Aleatoria que consiste
en lanzar tres monedas al aire y se a: X=Nmero de caras.

SOLUCION:

= {CCC, CCS, CSS, SSS, SCC, CSC, SCS
3 2 1 0 2 2 1

x R = { 0, 1, 2, 3}

x p = 1/8 3/8 3/8 1/8

x E = 0 (1/8) + 1 (3/8) + 2 (3/8) + 3 (1/8)

x E = 3/8 + 6/8 + 3/8 = 3/2 = 1,5

2.7.1. PROPIEDADES DEL VALOR ESPERADO:

Si X es una Variable Aleatoria discreta y a una constante, entonces:

1) a E a
2) X X a E a E
3) Y X Y X E E E

DEMOSTRACIN:

1) Partimos de la definicin del valor esperado:

x R x
x x
p x E
Si: x = a

x R x
x a p a E

1

x R x
x a p a E

a E a

31
2) Remplazamos en la frmula:

x R x
x x a xp a E Si: x = a

x R x
x x a p x a E E
(x)

x x a aE E
3)
Y X Y X E E E

y x
y R x R y , x
Y X Y X p p E

y
y R y
x
x R x
Y X p Y p X E

Y X Y X E E E

2.7.1.VARIANZA Y DESVIACION STANDAR DE UNA VARIABLE ALEATORIA
DISCRETA

DEFINICION.- Si X es una Variable Aleatoria Discreta con esperanza
x E ,
entonces la Varianza de X est dada por :

2
x
2
x E x V

Y la desviacin standar es:

2
x x V

Tambin podemos utilizar la frmula alternativa:

2 2
x E V
X X

DEMOSTRACION:

2 2 2
2 x xX X x
X
E E V

2
2
2
x E E
X
X

2 2 2
2 x x E V
X X

2
2
x E V
X
X


32

EJERCICIO:

Sea la siguiente distribucin de cuanta:

X 0 1 2 3
x p 1/8 3/8 3/8 1/8

Calcular la Varianza de X.

SOLUCION:

Para calcular la x V primeramente se calcula la x E

2
3
8
1
3
8
3
2
8
3
1
8
1
0

= 1,5
Seguidamente calculamos V
(x)
= E
(X - )2

4
3
32
24
8
1
2
3
3
8
3
2
3
2
8
3
2
3
1
2
1
2
3
0 V
2 2 2 2
x

75 , 0 Vx
POR EL SEGUNDO MTODO:

2 2 2 2
x E x V
x x

Primeramente calculamos E
(x)
2

3
8
24
8
9
8
12
8
3
0
8
1
3
8
3
2
8
3
1
8
1
0 E
2 2 2 2 2
x

Entonces: 75 , 0
4
3
4
9 12
4
9
3
2
3
3 V
2
x

PROPIEDADES DE LA VARIANZA:

1.-
2 2
x x x E V
2.- 0 Vx

3.- 0 Vk


33
4.- x
2
X k V k V

Se tiene una urna con tres fichas negras y 2 rojas. Se extrae al azar y
sucesivamente una ficha sin reposiscin hasta que salga una roja. Sea X el nmero
de extracciones que hay que realizar. Calcular:

a) La Funcin de Cuanta.
b) El Valor Esperado de X.
c) La varianza de la variable Aleatoria X.

2.8. DISTRIBUCIONES DE PROBABILIDADES DISCRETAS MAS IMPORTANTES

2.8.1. INTRODUCCION.- Se ha establecido que pueden existir un nmero muy grande
de distribuciones de probabilidad, tantos experimentos y fenmenos aleatorios puedan
presentarse en la naturaleza.
Estudiar individualmente cada distribucin realmente sera cosa de titanes.
Muchas distribuciones guardan ciertas caractersticas anlogas o similares, por tanto es
posible adecuarlos a algunos MODELOS STANDAR.
La bsqueda de un modelo de probabilidades que sea capaz de describir la distribucin
de los datos que se tengan disponibles es una tarea bsica que todo investigador
cientfico debe realizar.
Sin embargo, es importante tener mucho cuidado en identificar el modelo correcto
antes de memorizar el detalle de la expresin matemtica o frmula de cada modelo de
distribucin de probabilidades.

En este sentido, a continuacin abordaremos las distribuciones de probabilidades discretas
ms importantes. Entre estos tenemos:

a) El Modelo de BERNOULLI
b) La distribucin BINOMIAL
c) El Modelo Hipergeomtrico
d) El Modelo de POISSON

2.8.2. MODELO DE BERNOULLI.- Bernoulli, uno de los pioneros del clculo de
probabilidades formul un modelo que se aplica a Variables Aleatorias que toman slo dos
resultados posibles: xito (E) y Fracaso (F).
Tambin suele denominarse: Modelo Bernoulli, Prueba Bernoulli, Variable Bernoulli o
Distribucin Bernoulli.


34
DEFINICION: Una prueba Bernoulli es un experimento que tiene dos resultados posibles,
generalmente llamados: xito (E) y Fracaso (F). El espacio muestral asociado a este tipo de
experimentos est dado por:

= { E, F }

Son muchos los resultados que corresponden a este modelo:

a) Lanzar una moneda: Cara o sello
b) Artculo producido: Defectuoso y No defectuoso.
c) Opinin de una persona: Est de acuerdo o no con algo
En general slo interesa que ocurra dos resultados xito o fracaso

R
x
= { 1 0 } 0 : Fracaso
1 : xito

p ( 1-p )=q

Entones la Funcin de Cuanta de la distribucin de Bernoulli est dada por:

p
(x)
= p si x=1
= q si x=0
= 0 en cualquier otro caso


Siempre y cuando:

1) p
(x)
0

2) p
(x)
= p + q = 1

E

F
R
x
Rx

X
2
=2
X1=1

35
2.8.3. MEDIA Y VARIANZA DE LA VARIABLE BERNOULLI:

E(x) = x.p
(x)
= 1. p + 0 . q = p
x R
x

E
(x)
= p

Calculamos luego la varianza para una variable Aleatoria Bernoulli:

V
(x)
= E(x)
2
- x
2

E
(x)
2
= 1
2
. p + 0
2
. q = p

V
(x)
= p p
2
= p ( 1 - p ) Si sabemos que: 1 - p = q , Entonces:

V
(x)
= p . q

EJERCICIO DE APLICACION: Supongamos que de un conjunto de amas de casa, el 70 %
est de acuerdo con utilizar un nuevo aceite comestible fabricado a base de palma africana.
Si seleccionamos aleatoriamente una ama de casa del conjunto y designamos x=1 si est a
favor del nuevo aceite y x=0 si prefiere aceite comestible de otras plantas oleaginosas,
entonces X es una variable aleatoria BERNOULLI.
Calcular la media y la Varianza de X.

SOLUCION: El modelo cumple las siguientes condiciones:

1.- El experimento slo se repite una sola vez.
2.- El experimento admite dos resultados posibles: xito y Fracaso.
3.- La probabilidad de xito es p y la de fracaso es q.

Entonces, se trata de una distribucin de Bernoulli, con:

p = 0,70 q = 1 - p = 0,30

E
(x)
= x = p = 0,70

y V
(x)
= p . q = 0,70 x 0,30 = 0,21 Adems: 46 , 0 V x x


36
2.8.4. DISTRIBUCION BINOMIAL.- El Modelo de Bernoulli implica realizar el
experimento slo una vez; si se realizara una y otra vez (ms de una vez) el mismo
experimento bajo las mismas condiciones y cuyos resultados son independientes, unos con
otros, entonces se dice que estamos ante una sucesin de pruebas Bernoulli que no es otra
cosa que el modelo de Distribucin Bernoulli.

CONCEPTO.- Sea X una Variable Aleatoria Discreta que indica el nmero de xitos (E) en
n pruebas independientes Bernoulli, con probabilidad p
(x)
=p. constante en cada prueba,
entonces se dice que X es una variable Aleatoria Binomial con parmetros n y p.
B
1
+ B
2
+ B
3
+ B
4
+ ................... + B
n
= BINOMIAL

REQUISITOS:

1.- Bernoulli se repite ms de una vez.
2.- Admite dos resultados: xito (E) y Fracaso (F)
3.- P
(E)
= p y P
(F)
= 1 - p = q
4.- Los experimentos son independientes, unos con otros.

EJEMPLO: Se lanzan tres monedas al aire, determinar si este experimento obedece a una
distribucin de tipo Binomial.
SOLUCION:

Si definimos a la Variable Aleatoria X como nmero de caras, Entonces:
xito constituye cuando sale Cara y Fracaso cuando sale sello.

2
1
p PE y
2
1
p 1 PF

Por otro lado, los experimentos son independientes.
Podemos afirmar, en consecuencia, que el experimento obedece a una distribucin de
probabilidades de tipo BINOMIAL.

2.8.5. FORMULA DE CLCULO PARA LA DISTRIBUCIN BINOMIAL:

Si X es una Variable Aleatoria Binomial, con parmetros n y p, la funcin de probabilidad
Binomial est dada por:

P
[X / n,p

C S C S C S


37
Que viene representada por la siguiente funcin de cuanta:

x n x
x q p
x
n
p x = 0,1,2,.........,n
= 0 En otro caso.

En este caso se dice que la distribucin es de tipo BINOMIAL con parmetros n y p.

Donde:
n = Nmero de repeticiones de la prueba.
p = Probabilidad de xito
q = La probabilidad de fracaso
x = Los valores que toma la variable X.

EJEMPLO: Cul es la probabilidad de obtener trica de ases, si rodamos 5 veces un dado ?.

SOLUCIN:

El experimento se repite ms de una vez (Cinco veces) , Entonces n=5
En el experimento cada resultado admite dos resultados posibles: xito si es un as y
fracaso si sale cualquier otro nmero.
La probabilidad de xito es p= 1/6 y q = 1 - p = 1 - 1/6 = 5/6
Los resultados son independientes entre s.
Dadas estas caractersticas, el experimento es un modelo Binomial con parmetros n= 5 y p
= 1/6

Entonces aplicamos la frmula:

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

= 0 En otro caso

A partir de esta expresin podemos calcular las probabilidades para todos los valores que
toma X.
Ejemplo, para x = 1

1 5 1
1
6
5
6
1
1
5
p

40 , 0
776 . 7
125 . 3
296 . 1
625
6
1
5

38
Pero a nosotros nos interesa TRICA de ases, o sea

3 5 3
3
6
5
6
1
3
5
p

032 , 0
776 . 7
250
36
25
216
1
10

En consecuencia, la probabilidad de sacar trica de ases lanzando cinco dados es de 0,032

2.8.6. CARACTERISTICAS DE LA DISTRIBUCION BINOMIAL:

a) VALOR ESPERADO: La esperanza matemtica o valor esperado para la distribucin
Binomial est dada por:

b) VARIANZA:

V
(x)
= x
2
= n . p . q

EJERCICIO DE APLICACION: En Cobija en el mes de Octubre la lluvia cae con un
promedio de uno cada cuatro das, durante los das nublados. Determinar la distribucin de
probabilidades del nmero de das con lluvia entre los cuatro primeros das nublados,
suponiendo la independencia de los eventos. Hallar la media y varianza del nmero de das
lluviosos.

SOLUCION:

X: Nmero de das con lluvia durante los prximos cuatro das nublados.

R
x
= {0, 1, 2, 3,4}

Admite dos resultados: E= Llueve F= No llueve
Se repite ms de una vez n=4
Suponemos independencia entre los eventos.
P
(E)
= p = q=

Una vez corroborado que el fenmeno o experimento cumple con los requisitos exigidos
podemos sealar que se trata de una Distribucin Binomial con parmetros n=4 y p=1/4.
Luego aplicamos la frmula general de la Distribucin Binomial:

E
(x)
= x = n . p

39
P
[X; 4,1/4
=
X 4 X
4 / 1 ; X
4
3
4
1
X
4
P x= 0,1,2,3,4

A partir de la frmula general estamos en condiciones de calcular las probabilidades para
todo el Recorrido de X.

Ejemplo para x=1

1 4 1
1
4
3
4
1
1
4
p

42 , 0
64
27
64
27
4
1
4 p 1
Finalmente calculamos E
(x)
y V
(x)

1
4
1
4 q p n x E x
75 , 0
4
3
4
1
4 q p n x V
2
x
87 , 0 V x x

1.- De un lote que contiene 25 artculos, 5 de los cuales son defectuosos, se eligen 4 al
azar. Sea X el nmero de artculos defectuosos encontrados. Obtener la distribucin de
probabilidades de X. a) Los artculos se escogen con sustitucin. b) Se escogen sin
sustitucin c) Graficar la funcin de cuanta.

2.8.6.1. USO DE LA TABLA PARA LA DISTRIBUCIN BINOMIAL.- Los valores de
la Distribucin Binomial estn dados en tablas especiales y el uso de las mismas simplifica
enormemente el clculo de todo tipo de probabilidades con Distribucin Binomial.

Esto quiere decir:
X
(B/n,p)
= X se distribuye Binomialmente

La Tabla nos da la probabilidad Acumulada Binomial dado en la Tabla Y.

O sea: P
[X r
= P
[X r/B:n,p
= P
[X r/n,p

En otras palabras, la tabla da la probabilidad de que la variable aleatoria binomial toma
valores mayores o iguales a r. Estas probabilidades se muestran a continuacin en el
siguiente diagrama:

P
[X r
= P
[X=r
+P
[X=r +1
+ P
[X=r +2
+ .....................+ P
[X=n


40

En consecuencia, los valores que nos da la Tabla N 1 de la Distribucin Binomial , son
valores mayores o iguales a r; O sea: P
[X r/n,p
.

El diagrama anterior muestra los posibles valores que toma la variable aleatoria, asociado
con sus respectivas probabilidades y se ve tambin que cada probabilidad en la tabla es la
suma de las probabilidades individuales. O sea:

P
[X r
= P
[X=r
+ P
[X=r+1
+...........................+ P
[X=n

Algunas de las probabilidades ms simples se dan en el siguiente cuadro:

PROBABILIDADES QUE
SE QUIEREN CALCULAR
PROBABILIDADES DADAS EN
LA TABLA
P
[X r/n,p

P
[X r/n,p

ESTA EN LA TABLA
P
[X>r/n,p

P
[X r+1/n,p

P
[X=r/n,p

P
[X r/n,p
- P
[X r+1/n,p

P
[ X < r / n,p

1 - P
[ X r / n,p

P
[ X r / n,p

1 - P
[ X r+1 / n,p

r
0 1 2 3 . . r r+1 . . . . n-1 n

P
[X r / n,p
P
[ X r / n,p
= P
[ X r + 1 / n,p

P
[ X r / n,p
= 1 - P
[ X r / n,p

P
[ X = r / n,p
= P
[ X r / n,p
- P
[ X r +1 / n,p


41
EJEMPLO N 1

Calcular: P
[X =2/4,0.23
= ?

SOLUCION:

Para resolver la interrogante a travs del uso de Tablas debemos en primer lugar elegir la
opcin ms conveniente para resolverlo; para ello observamos las posibilidades que nos
ofrece la tabla anterior: Entonces empleamos la tercera opcin, o sea:

P
[X=r/n,p

P
[X r/n,p
- P
[X r+1/n,p

Luego remplazamos los valores para los parmetros n y p y buscamos el valor de la
probabilidad solicitada en la Tabla N y

P
[X =2/4,0.23
= P
[X 2/4,0.23
- P
[X 3/4,0.23

= 0,2285 - 0,0403 = 0,1882

2.8.6.2. FORMA DE UTILIZAR LA TABLA TABLA BINOMIAL:

P
[X r/n,p

n = 4

p
r

21

22

23

24

25

26
.... .... 30
1 6105 6298 6485 6664 6836 7001 . . 7599
2 1963 2122 2285 2450 2617 2784 . . 3483
3 0312 0356 0403 0453 0508 0566 . . 0837
4 0019 0023 0028 0033 0039 0046 . . 0081
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .

EJERCICIO N 1

Calcular: P
[X<3/4,0.3

Verificamos cul de las opciones podemos utilizar previamente a la aplicacin de la Tabla
Binomial. La opcin 4 es la que mejor se adecua al ejercicio .

42
P
[X<3/4,0.3
= 1 - P
[X 3/4,0.3

Cuyos resultados si se los puede ubicar en la tabla.

P
[X<3/4,0.3
= 1 - 0,837 = 0,163

EJERCICIO N 3:

Calcular: P
[X>2/4,0.25

Para resolver la interrogante utilizando la tabla utilizamos la opcin 2, que seala:

P
[X>r/n,p

P
[X r+1/n,p

Remplazamos valores:

P
[X>2/4,0.25
= P
[X>2+1/4,0.25
= P
[X>3/4,0.25

P
[X>2/4,0.25
= 0,508

2.8.6.3. USO DE LA TABLA PARA p>0,5:

Para utilizar la tabla Binomial, cuando p>0,5, debemos considerar algunos aspectos
complementarios, como ser:

1.- No se tiene en la tabla valores para p>0,5
2.- Para ello se recurre a un procedimiento alternativo que toma en cuenta la asimetra de
la Distribucin Binomial.

Para ello procedemos de la siguiente manera:

a) Consideramos la ocurrencia de la Variable Aleatoria X como el nmero de xitos. Luego
consideramos la ocurrencia de X como el nmero de fracasos.

b) Si p > 0,5 se hacen las siguientes adaptaciones o sustituciones:

* Se sustituye r por n-r
* Se sustituye p por 1-p
* Luego se invierten las desigualdades de la siguiente manera:

43
Se cambia por

Se cambia por

* Finalmente, empleamos el mismo procedimiento para calcular probabilidades con p 0,5

EJEMPLO: Calcular: P
[X<4/10,0.8

SOLUCION: Debemos determinar datos para efectuar los cambios necesarios:

n = 10 n-r = 10 - 4= 6 = r

p = 0,8 1 - p = q 1-0,8 = 0,2

r = 4 Invertimos el signo < por >

Luego remplazamos los datos:
P[X<4/10,0.8 = P
[X> 6/10,0.2

Esta frmula cae en:

P
[X>r/n,p

P
[X r+1/n,p

P
[X>6/10,0.2
= P
[X>7/10,0.2
= 0,0009

2) Calcular: P
[X 4/10,0.8

Remplazamos:

P
[X 4/10,0.8
= P
[X 6/10,0.2
Esto cae en:

P
[X 6/10,0.2
= 1 - P
[X 7/10,0.2

= 1 - 0,0009 = 0,9991


44
2.9. MODELO DE DISTRIBUCION HIPERGEOMTRICO

CARACTERISTICAS DEL MODELO: Es una distribucin similar a la Binomial, o sea:

a) Admite dos resultados posibles: xito (E) y Fracaso (F)
b) Se producen n ensayos
c) Existe un lote N, donde r tiene una caracterstica y N-r la otra caracterstica.
d) La probabilidad (p) de xito no es constante para todos los ensayos.
e) No se cumple la funcin de independencia.

Los n ensayos se realizan SIN REPOSICION, en consecuencia no podemos hablar de
independencia de eventos, por que los mismos no son independientes.

EXPLICACION:

Si se tiene una poblacin de N artculos, de los cuales r poseen una de las categoras,
entonces habrn (N-r) que poseen la otra caracterstica. Si seleccionamos n artculos
aleatoriamente sin reposicin de los N artculos, cada seleccin subsiguiente ser
dependiente, de manera que la probabilidad de que se obtengan xitos cambia en cada
ensayo simple.

Ahora bien, es posible que nos interese conocer la probabilidad de obtener exactamente x
artculos de los r xitos, en una muestra de tamao n.
En consecuencia, bajo estas condiciones, el nmero de xitos en n pruebas dependientes
corresponde a una Variable Hipergeomtrica, cuya funcin de probabilidades est dada
por:

n
N
x n
r N
x
r
p x x= 0,1,2,3,...........,n
Donde:
N= Nmero de artculos (lote)
Se extraen n artculos sin
reposicin o devolucin.
Entonces cada extraccin
es dependiente de la ante-
rior y as sucesivamente.
Fracaso
(N-r)
xito
r
N

45
r = Nmero de elementos que tiene una de las caractersticas deseadas o
esperadas ( xitos).
N-r= Nmero de elementos que tiene la otra caracterstica (Fracaso)
n = Tamao de la muestra ( son dependientes)
x = Nmero de artculos de los r xitos que deseamos calcular.

EJEMPLO: Una caja contiene 12 latas de leche, 9 de las cuales son frescas (recin
envasadas). Se seleccionan aleatoriamente 2 latas sin devolucin.
Sea X: el nmero de latas de leche no frescas que se seleccionan. Definir si la variable X
es una Variable Hipergeomtrica.

SOLUCION:

N = 12 latas
r = 3 Fracaso
N-r = 9 xito
n = 2

Remplazamos datos en la frmula general:

2
12
x 2
3 12
x
3
p x x= 0,1,2

= 0 En otro caso
a) Calcular la probabilidad de obtener una lata de leche no fresca, o sea x=1

Remplazamos este dato en la frmula general de la Funcin de Cuanta:

66
27
2
12
1
9
1
3
p 1

b) Calcular la probabilidad de que las dos latas sean frescas. o sea: x=0
No frescas
3
Frescas
9
= 12

X: N de latas de leche no frescas


46

11
6
66
36
2
12
2
9
0
3
p 0

2.9.1. ESPERANZA MATEMATICA, VARIANZA Y DESVIACIN
STANDAR PARA LA VARIABLE HIPERGEOMTRICA:

El Valor esperado o Esperanza Matemtica para la variable Hipergeomtrica est dado por:

N
r
n x E x
Donde:
N = Nmero total de la poblacin estudiada
r = Nmero de elementos que tiene una de las caractersticas deseadas (xitos)
n = Tamao de la muestra

VARIANZA DE X:

1 N
n N
N
r N
N
r
n x V
2
x
EJEMPLO: Para el ejercicio anterior:

2
1
12
6
12
3 2
E x

34 , 0
88
30
176
60
11
10
12
3
2 Vx

58 , 0 34 , 0 x


1) Se extrae una muestra aleatoria de tamao 2, una a una, sin reposicin de un lote de 10
artculos que contiene 3 artculos defectuosos. Si X: representa el nmero de artculos
defectuosos encontrados en la muestra. Determinar:

a) La Funcin de Cuanta p
(x)

b) Calcular E
(x)
, V
(x)
y Desviacin standar
c) Interpretar los resultados.

SOLUCION:

datos: N = 10

47
r = 3
N-r = 7
n = 2
a)
2
10
x 2
7
x
3
p x x = 0,1,2
b) 60 , 0
10
6
10
3 2
E x

225
84
9
8
10
7
10
3
2 Vx

2) Una urna contiene 5 bolas blancas y 6 rojas. Se extrae 4 bolas de la urna sin reposicin,
una tras otra,. Hallar la distribucin de probabilidad del nmero de bolas extradas y:
a) Cual es la probabilidad de extraer exactamente 3 bolas rojas ?.
b) Cul es el nmero esperado de bolas extradas ?.

RESPUESTA: a) 0,3 b) 2,18

2.10. MODELO DE DISTRIBUCIN DE POISSON

2.10.1. INTRODUCCION: El modelo de distribucin de probabilidades de Poisson es una
de las distribuciones discretas ms importantes por que se aplica en muchos problemas
prcticos.

Una idea intuitiva del mismo se deriva a partir de un proceso de Poisson, que consiste en
observar la ocurrencia de eventos discretos en un intervalo continuo. O sea trtase de un
fenmeno que se presenta aleatoria e independientemente en el tiempo espacio en el que
slo interesa la ocurrencia del fenmeno un nmero contable de veces.

EN UN PROCESO DE POISSON SE OBSERVAN RESULTADOS DISCRETOS ENUN
INTERVALO DE TIEMPO.

Ejemplos:

a) La frecuencia de terremotos que ocurren en Mjico en un ao.
b) Observar la llegada de autos al estacionamiento de vehculos entre las 8 y 9 de la
maana.
c) La cantidad de imperfecciones (agrietamientos) encontradas en un metro de alambre
producidas por un proceso electroltico continuo.
d) Nmero de partculas de polvo encontrados en un metro cbico de aire.

48
e) Nmero de accidentes de aviacin u otras calamidades que aparecen aleatoria e
independientemente en un intervalo de tiempo.
f) Glbulos rojos encontrados en una muestra de sangre.
g) Nmero de llamadas telefnicas sobre una lnea en una hora indicada.

En esta clase de eventos interesa nicamente el nmero de xitos del suceso y no as el
nmero contrario. Interesa solamente p.
Ejemplo: nmero de personas que llagan a pagar impuestos y no as otras personas, en una
hora dada.

VALORES DE LA VARIABLE ALEATORIA X:

La variable aleatoria X, toma en consecuencia los siguientes valores:

x= 0, 1, 2, 3,..........................

x representa la frecuencia con que ocurre un fenmeno en un intervalo de tiempo o en el
espacio, un nmero contable de veces.

2.10.2. DEFINICION: La probabilidad de conseguir exactamente x xitos, en un
proceso de Poisson, est dada por:

! x
p
x
x x = 0, 1, 2, 3,....................

= 0 En otro caso

Donde:
= Promedio de xitos en n pruebas, con probabilidad p
e = 2,71828 base de los logaritmos naturales.

En otros trminos, p n n = nmero de pruebas

p = Promedio de xitos

EJEMPLO: Supngase que el nmero de muertes por accidente en una ciudad es un proceso
Poisson con = 3 por mes.
Sea X: El nmero de muertes por accidente que ocurren entre el 1 de enero y el 31 de
marzo inclusive de 1974.

a) Determine si la variable X obedece a una distribucin de Poisson.
b) Anote la funcin de cuanta.

49

SOLUCION:

* El nmero de muertes es una variable que asume valores discretos en un intervalo de
tiempo. _
* p n Entonces: = 3 . 3 = 9
Remplazamos valores en la frmula general de la funcin de cuanta:

! x
9 e
p
x 9
x x= 1,2,3,.......

Calcular la probabilidad de que ocurra un accidente

x=1 803 , 0
! 1
9 e
p
1 9
1

x=2 876 , 0
! 2
9 e
p
2 9
2

2.10.3. ESPERANZA MATEMATICA Y VARIANZA PARA LA DISTRIBUCION DE
POISSON:

Si X es una variable Poisson, entonces la esperanza Matemtica y la Varianza es igual a .
E
(x)
= V
(x)
=

2.10.4. USO DE TABLAS PARA LA DISTRIBUCION DE POISSON:

Debido a que el uso de la ecuacin es muy tediosa como alternativa se utiliza la funcin de
distribucin acumulada P
[X x /p;
para determinar probabilidades de cualquier tipo. Para
ello se utiliza la Tabla N II, que otorga probabilidades acumuladas del tipo:

P
[X = x /p;
=

! x
p
x
x

P
[X x /p;

EJEMPLO:

Las personas llegan aleatoriamente a la ventanilla de un banco en promedio a una razn de
24 personas por hora durante el perodo de tiempo entre las 11:30 am y 12:00 am de cierto
da.

50

a) Cul es la probabilidad de que exactamente 5 personas lleguen durante un perodo de
tiempo de 12 minutos?

b) Cul de que lleguen por lo menos 10 personas?
c) Que lleguen a lo ms 12 personas?

SOLUCION: X = Nmero de personas que llegan a la ventanilla durante un perodo de 12
minutos.
R
x
= {0, 1, 2,3,...............}
_
Determinamos ahora: = n . p

60
24
p n = 12 Finalmente: 8 , 4 12
60
24

Entonces X se distribuye a travs de una Variable Poisson con la siguiente Funcin de
Cuanta:

! x
8 , 4 e
P
x 8 , 4
8 , 4 / x X x = 0, 1, 2,3,..............

a) Cul es la probabilidad de que 5 personas exactamente lleguen a la ventanilla del banco ?.

P
[X = 5 /4,8
= P
[X 5 /4,8
- P
[X 6 /4,8

= 0,5237 - 0,3490 = 0,1747

b) Por lo menos 10 personas?
P
[X 10 /4,8
= 0,0251
0 1 2 3 4 5 . 6......................................................................................... .

P
[X 6
1 - P
[ X 5

P
[X 5
P
[X = 6
P
[X = 5 = ?
1

51
c) Que lleguen a lo ms 12 personas?

P
[X 12 /4,8
= 1 - P
[X 12 /4,8
= 1 - 0,0040 = 0,996

EJERCICIO N 1: Una compaa de seguros contra accidentes de trnsito sabe que el
0,005 % de la poblacin fallece cada ao por accidente de trnsito. Cul es la
probabilidad de que la Cia. Tenga que pagar a ms de 3 de los 10.000 asegurados que tiene
al ao ?.

SOLUCIN:

Primeramente calculamos = n . p

p = 0,005/100 = 0,00005
n = 10000

Entonces = 10000 x 0,0005 = 0,5

Luego remplazamos este valor en la Funcin de Cuanta:

! x
5 , 0 e
p
x 5 , 0
x x = 0, 1, 2,3,.........

La probabilidad de que la Cia. Tenga que pagar a ms de 3 asegurados al ao est dado por :

P
(X>3)
= 1 - P
(X 3)

= 1 - [ P
(0)
+ P
(1)
+ P
(2)
+ P
(3)

! 3
5 , 0 e
! 2
5 , 0 e
! 1
5 , 0 e
! 0
5 , 0 e
1
3 5 , 0 2 5 , 0 1 5 , 0 0 5 , 0

3 2
5 , 0
6
5 , 0
2
5 , 0
5 , 0 1 e 1


52
EJERCICIO N 2: Solo uno de cada mil generadores ensamblados en una fbrica tienen
unidades defectuosas y los generadores defectuosos se distribuyen independiente y
aleatoriamente a travs de la produccin.

Cul es la probabilidad de que un embarque de 500 generadores no contenga ningun
generador defectuoso ?

SOLUCION: = 1/1000 x 500 = 0,5

5 , 0
0 5 , 0
0 x e
! 0
5 , 0 e
p


53
TEMA N 3
VARIABLES Y MODELOS ALEATORIOS CONTINUOS


3.2. INTRODUCCION:

Si el Recorrido o rango de la Variable Aleatoria X (R
x
), est formado por un gran nmero
finito de valores; por ejemplo: Todos los valores de X en el intervalo 0 x 1, de la forma
0,01 - 0,02 - 0,03 - 0,04 etc., etc., cuya suma total sea igual a 1.

Ahora bien, con cada uno de estos valores de x, est asociado un nmero no negativo p
(xi)
=
P
[X=xi
donde i= 1,2,3,4,.............. cuya suma, como se dijo anteriormente, es igual a 1.


Matemticamente podr ser ms fcil idealizar la anterior descripcin probabilstica de X
al suponer que la variable pude tomar todos los valores posibles entre 0 x 1.
Si hacemos esto, nos preguntamos Que le sucede a las probabilidades puntuales p
(xi)
?.
Los valores de X no son contables, por tanto no tendra sentido hablar del isimo valor de
X y, entonces p
(xi)
pierde significado.

HABILIDAD: Caracteriza
CONTENIDO: Los fundamentos terico-prcticos de una variable aleatoria continua y
Los modelos probabilsticas continuos ms importantes, con nfasis en
El modelo de Distribucin Normal.
PROCESO: Mediante la resolucin de ejercicios prcticos de aplicacin.
CONTEXTO: En el Aula.
R
x

f
(x)

1 0
p
(x)


54
Area =1
-
f
(x)

0 b a

Lo que se hace es sustituir p
(x)
, definida slo para x
1
, x
2
, x
3
, ..............., por una funcin f
(x)

definida para todos los valores de x/ 0 x 1

3.3. DEFINICION: Sea X una variable Aleatoria Continua, si existe una funcin f
(x)
,
llamada FUNCION DE DENSIDAD DE PROBABILIDADES DE X, que
satisfaga las siguientes condiciones:

a) f
(x)
0 x R
x

b) 1 dx f x

c) Para cualquier valor a y b, tal que - < a < b < + Entonces:

P
[ a X b
=
b
a
x dx f
Tambin se dice Variable Aleatoria Continua, si el Rango R
x
es un intervalo sobre la recta
de los nmeros reales R.

La definicin de Variable Aleatoria Continua indica la existencia de una funcin f
(x)
definida
sobre R
x
, la condicin (a) establece que la grfica de la funcin de densidad est por
encima del eje de las x.
Por otro lado, la condicin (b) indica que el rea delimitada por la curva f
(x)
, el eje X y las
rectas verticales que pasan por los puntos extremos de R
x
es igual a 1, como se indica en la
siguiente grfica:

Ahora, Supngase que estamos interesados en calcular la probabilidad de que la variable
Aleatoria tome los valores entre a y b, donde el intervalo [ a,b R
x
. Es decir queremos
calcular la P
[ a X b
.
Puesto que toda el rea vale 1, podemos definir esta probabilidad como el rea delimitada
por la grfica f
(x)
, las rectas x=a, x=b y el eje X. Por tanto, la probabilidad del evento es:

P
[ a X b
=
b
a
x dx f

55


Por consiguiente, es importante sealar que f
(x)
no representa la probabilidad de algo y que
solamente cuando la funcin se integra entre dos puntos produce una probabilidad.

EJEMPLO N 1: Supngase que la variable Aleatoria X es continua. Adems, sea la
funcin de densidad de probabilidades f
(x)
dada por :

f
(x)
= 2x x= 0<x<1
= 0 Para cualquier otro valor

Calcular la probabilidad de que: X 1/2; o sea:
P
[ X 1/2
= ?

SOLUCION: En primer lugar graficamos la funcin:

a) f
(x)
0
b)
1 0 1 x
2
x
2 dx x 2 dx f
0
1
2
2
1
0
x

Finalmente, para buscar la probabilidad o calcular la probabilidad buscada empleamos el
siguiente procedimiento:

P
[ X 1/2
= ?

P
[aXb

x -
f
(x)

x1 =a x2 =b 0
x
f
(x)
=2x

1 0
f
(x)

1
2
1/2

56
P
[X 1/2
=
25 , 0
4
1
0
4
1
0
2
1
x dx x 2
2
2
0
1
2
2
1
0

EJEMPLO N 2:
Sea X una Variable Aleatoria Continua con funcin de densidad:

f(x) = a(3x - x )
2
: 0 X 3
= 0 En otro caso.

a) Hallar el valor del Coeficiente a
b) Construir la grfica de la funcin de densidad de probabilidad.
c) Calcular la probabilidad de que X se encuentre en el intervalo [ 1, 2

SOLUCIN:

a) Para hallar el valor del coeficiente a, partimos de la segunda condicin de la funcin de
densidad.

3
0
2
1 dx x x 3 a

Integramos luego:

1 0 3
3
1
3
2
3
a x
3
1
x
2
3
a
3 2
0
3
3 2

Entonces:

1 9
2
27
a

9
2
a
2
9
1
a 1
2
9
a

b) La grfica de la funcin f
(x)
en el intervalo [0,3 , es por tanto una parbola.

Y = a ( 3x - x )
2

9
2
a
Y = 3ax ax
2


57

2
2
x
9
2
x
3
2
Y
x
9
2
x
9
2
3 Y

LUEGO GRAFICAMOS:

c) 48 , 0
27
13
27
7
27
20
27
2
3
1
27
16
3
4
x
27
2
x
3
1
x
3
1
9
2
x
2
1
3
2
dx x
9
2
x
3
2
P
1
2
3 2
1
2
2
1
3 2 3
2 1 X 1


Se supone que el dimetro de un cable elctrico, digamos X, es una variable aleatoria
continua con f
(x)
=6x(1-x) x:0x1.
a) Verificar que f
(x)
es una funcin de distribucin de probabilidad

b) Graficar f
(x)
y dibujarla

c) Calcular p
(x1/2)
d)
Hallar y

Valores
x y
0 0
1 4/9
2 4/9
3 0
0 1 3 2
1
4/9
f
(x)

2
x x
9
2
x
3
2
f

58
3.4 FUNCION DE DISTRIBUCION ACUMULADA DE UNA VARIABLE
CONTINUA:

3.4.1. DEFINICION: Sea X una Variable Aleatoria Continua con funcin de Densidad f
(x)
,
entonces la Funcin de Distribucin o Funcin de Distribucin
Acumulada de la Variable Aleatoria X, denotado por F
(x)
, se define
por:

F
(x)
= P
[ X x
=
x
x dx f x R


EJERCICIO: Sea X una Variable Aleatoria Continua con funcin de densidad f
(x)
denotada
por:

a) Hallar la funcin de Distribucin Acumulada de X y su grfica.
b) Hallar el valor de F
(1)

SOLUCION: La Funcin de Distribucin F
(x)
est definida para todo x R, En
consecuencia, pueden darse los siguientes casos:

1.- Si: x<0
F
(x)
= P
[ X x
= 0 dx 0
0

2.- Si: 0 x 2
F
(x)
= P
[ X x
=
2
x dx f

Entonces:
f
(x)
=
x 2 x
4
3

0
: 0 x 2

En otro caso

F(x)=P[Xx]
x -
f
(x)

0 x


59
F
(x)
= P
[ X x
=
3
x
1 x
4
3
3
x
x
4
3
0 dx x 2 x
4
3
dx 0
2
0
0
x
3
2
2
0

3.- Si x>2

F
(x)
= P
[ X x
=
x
x dx f

F
(x)
= P
[ X x
=
2
0
x
2
1 dx 0 dx x 2 x
4
3
0

4.- Finalmente la Funcin de Distribucin F
(x)
de la V.a.c. est dada por:


b) Hallar: F
(1)
= P
[ x 1

Remplazamos en F
(x)
el valor de 1

2
1
F
2
1
16
6
3
2
4
3
3
1 3
4
3
3
1
1 1
4
3
F
1
2
1

EJERCICIO: Calcular F
(X)
para resolver el anterior problema.

F
(x)
=

3
x
1 x
4
3
2

0 x < 0

0 x 2

x 2

1
x
1 0
f
(x)

1/2
1
2 3

60
3.5 ESPERANZA MATEMATICA PARA UNA VARIABLE ALEATORIA
CONTINUA

3.5.1. INTRODUCCION: Antes de definir el concepto de Esperanza Matemtica o Valor
Esperado, es preciso efectuar algunas consideraciones sobre su significado, pues adems
de saber los valores que toma una variable aleatoria continua, en un intervalo definido, es
frecuente la necesidad de conocer el promedio de los valores que ella toma o el valor que se
espera que tome en dicho intervalo. Este valor en estadstica inferencial se aproxima
ms a su valor verdadero o parmetro cuando la muestra es grande o cuando n tiende a
infinito.

3.5.2. DEFINICION:

Sea: X es una Variable Aleatoria Continua con rango [- X y funcin de Densidad
f
(x)
, el Valor Esperado o Esperanza matemtica de X
( x )
, denotado por:

E
(x)
= x

dx f x E x x

EJEMPLO:

Sea: X una Variable Aleatoria Continua cuya funcin de densidad est definida por:

Calcular la E
(x)
.

SOLUCION: Para la solucin del problema primeramente recordamos la frmula general de
la E
(x)
.

dx f x E x x

Luego remplazamos los datos del problema:

1
0
2
x x 2 dx x 2 x E

Integramos luego:

f
(x)
=
2x
0
Si : 0 x 1

En otro caso


61

3
2
0
3
1
2
3
x
2 E
2
0
1
3
x

Luego:

3
2
E x

El resultado anteriormente obtenido, entonces, es el valor que en promedio se espera que
tome la variable aleatoria continua en el intervalo definido.

3.6 VARIANZA DE UNA VARIABLE ALEATORIA CONTINUA:

3.6.1. INTRODUCCIN:

Para comprender mejor el significado de la Varianza, cuando trabajamos con variables
aleatorias continuas, debemos previamente hacer un repaso de los conceptos que se
trataron sobre Varianza en los captulos anteriores. En trminos sencillos podemos decir
que si la E
(x)
= 2, significa que, si consideramos un nmero de valores de X, digamos: x
1
,
x
2
,........., x
n
y luego los promediamos, este resultado estar cercano a 2 si n es grande o
tiende a infinito. Sin embargo el simple hecho de tener la esperanza Matemtica de X no
nos dice mucho cuando nos encontramos por ejemplo en la siguiente situacin:

Supongamos que X representa la duracin de una bombilla elctrica que se recibe de un
fabricante y que E
(x)
= 1000 horas. Este valor podra significar una de varias posibilidades.
Podra significar que se espera que la mayor parte de las bombillas dure entre 900 y 1100
horas. Tambin podra significar que las bombillas que se entregan son de dos tipos
diferentes: Alrededor de la mitad son de muy alta calidad y con duracin de casi 1300
horas, mientras que la otra mitad son de muy mala calidad y tienen una duracin de ceca de
700 horas.

Entonces, hay una necesidad obvia de presentar una medida cuantitativa que distinga entre
estas situaciones. Precisamente, una de estas medidas es la Varianza, que se define de la
siguiente manera.

DEFINICION:

La Varianza V(x) = x
2
para una Variable Aleatoria Continua se denota por:

dx f x x x V x
2 2
x
EJEMPLO:

Hallar la Varianza de X para el ejercicio anterior:

62
SOLUCION: Primeramente calculamos E
(x)
y luego aplicamos cualquiera de los dos mtodos
siguientes:

a) PRIMER METODO:

Partir de la definicin de V
(x)
:

dx f x x x V x
2 2
x

Remplazamos los valores en la frmula general: Tomando en cuneta que
3
2
E x

1
0
1
0
2 3
1
0
2
2
2
2
x dx x
9
8
x
3
8
x 2 dx x 2
3
2
x
3
2
2 x dx x 2
3
2
x x V

Ahora integramos:

18
1
18
8 16 9
18
8
9
8
2
1
0
2
1
9
8
3
1
3
8
4
1
2
2
x
9
8
3
x
3
8
4
x
2 V
0
1
2 3 4
x

V
(x)
= 0,055

b) SEGUNDO METODO: Para empezar sabemos que
3
2
E x
Utilizamos la siguiente frmula: E
(x)
2
- x
2

Calculamos primero E
(x)
2

2
1
4
x
2 dx x 2 dx x 2 x E
1
0
0
1
4
1
0
3 2 2
x

Remplazamos datos en la frmula del mtodo 2:

055 , 0
18
1
18
8 9
9
4
2
1
3
2
2
1
v
2
X

EJERCICIO PARA RESOLVER EN CLASES: Sea: X una variable aleatoria continua cuya
funcin de densidad est definida por:
x 2 x
4
3
f x Si: 0 x 2

0 e.o.c.

63

Calcular la E
(x)
y V
(x)
.

3.7 VARIABLES ALEATORIAS CONTINUAS MAS IMPORTANTES

3.7.1. INTRODUCCION:

En el captulo anterior sealamos que muchos fenmenos se hacen matemticamente ms
sencillos al considerar un recorrido continuo, en el cul todos los nmeros reales pueden
considerarse como resultados posibles. Al igual que para Variables Aleatorias Discretas,
es posible identificar algunos modelos probabilsticos continuos, entre las cuales, por su
grado de aplicacin, estudiaremos las siguientes:

a) Modelo Exponencial.
b) Modelo de distribucin Normal

3.7.2. MODELO EXPONENCIAL

Se dice que una variable aleatoria continua X, que toma todos los valores no negativos
tiene una distribucin exponencial con parmetro >0 si su funcin de densidad est dada
por la siguiente expresin:

GRAFICAMENTE LA FUNCIN ES LA SIGUIENTE:

3.7.3. PROPIEDADES DE LA FUNCION EXPONENCIAL:

El valor esperado y la Varianza de la Funcin Exponencial, se calcula de la siguiente manera:

f
(x)
=
x
e
0
: x > 0

En otro caso

x
0
f
(x)


64
a) Valor Esperado
1
x E x
b) Varianza de
2
x
1
V X

3.7.4. APLICACIONES DE LA FUNCION EXPONENCIAL:

La funcin exponencial es ampliamente empleado en problemas de control de calidad y
algunos problemas de Biometra, se asume que la vida til de una pieza de mquina o de un
micro-organismo est descrito por la Distribucin Exponencial y como
1
E x , se dice que
el parmetro es el recproco de la esperanza matemtica de la vida til del artefacto o
del micro-organismo o que el promedio de vida til es recproco del parmetro .

EJERCICIO DE APLICACION:

Una partcula tiene un tiempo de vida til (en segundos) descrito por la siguiente Funcin de
densidad.

a) Cul es la probabilidad de que la partcula sobreviva por lo menos un minuto ?.
b) Cul es el promedio de vida til de la partcula ?.

SOLUCION:
a)
P
(X 60)
=
60
60
x 01 , 0 x 01 , 0
e dx e 01 , 0
Remplazando valores:

P
(X 60)
= 0 - (-e
-0,0160
) = 0 +e
-0,6
= 0,5488

b) 100
01 , 0
1
E x Entonces, el promedio de vida til de la partcula es de 100 seg.

Dada la Funcin de densidad F
(x)
=5e
-5x
para x 0, Calcular la probabilidad de obtener
una x mayor que su Esperanza matemtica.

SOLUCION:
f
(x)
=
0,01
-0,01x

0
Si : x 0

Si :x < 0


65

Sabemos por definicin que la E
(x)
para la distribucin exponencial est dado por
1
, o sea
en el caso concreto de nuestro problema
5
1
E x

Entonces la probabilidad buscada podemos expresarla de la siguiente manera:
P
[X>E(x)
= P
( X1/5)
=
5
1
5
1
x 5 x 5
e dx e 5

= 0 + e
-1
= 0,367879

3.8 MODELO DE DISTRIBUCION NORMAL

3.8.1. INTRODUCCION:

La Distribucin de probabilidad continua ms importante en todo el campo de la estadstica,
es con toda seguridad, la Distribucin NORMAL, debido a que en la prctica muchos
fenmenos industriales, cientficos o de la vida diaria se describen a travs de esta
funcin.

3.8.2. IMPORTANCIA:

La importancia de la Distribucin Normal se puede resumir en los siguientes puntos:

a) Muchas de las tcnicas utilizadas en la estadstica Aplicada se basan en la Distribucin
Normal.
b) Las Variables Aleatorias que se definen a partir de las observaciones prcticas y/o
trabajos de investigacin se distribuyen normalmente, por ejemplo los efectos
considerados como una suma de efectos aleatorios independientes se distribuyen
normalmente.
c) Algunas variables se distribuyen aproximadamente segn normal y an en el caso en que
no estn distribuidos normalmente, es posible aproximarlos a la Normal mediante
transformaciones matemticas.
d) Muchas distribuciones tienden a la Normal, como la Binomial.

e) Ciertas variables que son bsicas en estadstica Inferencial se definen a partir de
supuestos de la normalidad, como la Chi Cuadrada, T-student y otras.
3.8.3. DEFINICION:

Una variable Aleatoria Continua X, se dice que est distribuida NORMALMENTE, con media
(- < < ) y Varianza
2
>0, si su funcin de densidad de probabilidad est dado por:

66
CURVA DE GAUSS
0
+
AREA=1
-

2
2
1
x
x
e
2
1
f : - < x <

Donde:
= 3,14159 e = 2,71828

La notacin comnmente utilizada es:

X N( ,
2
)

Que se lee: LA VARIABLE ALEATORIA X SE DISTRIBUYE NORMALMENTE CON
MEDIA Y VARIANZA
2
.

Indistintamente se puede utilizar la siguiente notacin:

X N( , )

Que se lee: X TIENE UNA DISTRIBUCION NORMAL CON MEDIA Y
DESVIACIN STANDAR .

GRAFICA DE LA DISTRIBUCION NORMAL:

3.8.4. CARACTERSTICAS DE LA CURVA NORMAL:La curva tiene un mximo
absoluto en x = .

a) Los puntos de inflexin, o sea el cambio de mximo a curva descendente se produce en x
= + y x= -
b) El grfico de f
(x)
es llamado tambin Curva de Gauss tiene forma de una campana, es
simtrica con respecto a , es asinttica al eje de las x y continua en todo el recorrido.
c) El rea bajo la curva es igual a 1.
d) En la Normal coinciden la Media, Mediana y la Moda.


67
En consecuencia, si la variable Aleatoria Continua X se distribuye normalmente con
parmetros y
2
, entonces:

E
(x)
=
V
(x)
=
2

Es decir, los dos parmetros que determinan completamente la forma de la distribucin
Normal son su Media y su varianza; o sea: La f
(x)
es simtrica respecto de su media.

Entonces:
1

2

3

Mientras ms alejado se encuentre la media de 0 , sta es mayor. En cambio la Varianza
V
(x)
, es una medida de variabilidad o dispersin de la Variable Aleatoria. A mayor Varianza,
mayor variabilidad.
Ejemplo:

Entonces:
1
2
<
2
2
<
3
2

3.8.5. DISTRIBUCIN NORMAL STANDAR: Una de las caractersticas muy
importante de la Distribucin Normal es que la misma puede transformarse en Distribucin
Normal Standar con media = 0 y Varianza
2
= 1, de manera tal que cualesquier
distribucin con media y Varianza puede aproximarse a la Distribucin Normal Standar
simplemente haciendo la operacin de Standarizacin. Aquello permite, como veremos ms
G1
2

f
(x)

1 = 2 = 3

G2
2

G3
2

3 2 1
0
f
(x)


68
adelante, a que la mayora de las distribuciones discretas y no discretas pueden ser
transformadas en normal standar.

3.8.5.1. DEFINICIN: Si Z es una variable Aleatoria que tiene una distribucin Normal,
con media = 0 y Varianza
2
= 1, entonces Z se llama Variable Aleatoria Normal Standar
y su funcin de densidad est dada por la siguiente expresin:

2
z
2
1
z e
2
1
f : - < z <
o tambin expresado de otra manera:
P
[ Z z
=
z
2
2
t
dt e
2
1

La ventaja de los valores de esta funcin es que estn tabulados en la Tabla N III. En
esta tabla, los valores de f
(z)
estn dados para valores de -3 a 3.
Por consiguiente cualesquier variable aleatoria X Normal con media y Varianza
2
,
puede ser transformada a una variable aleatoria Standarizada Z, a travs de la siguiente
expresin:

X
Z
Donde:
0
X
E y 1
X
Var

La grfica de la Normal Standard se muestra a continuacin:

Ntese en el grfico anterior que el 99,74 % del rea de una distribucin Normal est
entre + 3 y - 3 . El rea correspondiente a ambas colas es despreciable. Por esta
razn es que las tablas dan valores de f
(z)
de -3 a +3.
Z
f
(z)

0 1

2

3

-1

-2

-3

68,26 %
95,46 %
99,74 %

69
TEOREMA:

Si X es una variable aleatoria con distribucin Normal con media y Varianza
2
,
entonces
X
Z es una variable aleatoria con distribucin normal standard, siendo su
funcin de densidad la siguiente expresin:

2
z
2
1
z e
2
1
f : - < z <

Y la funcin de distribucin acumulada F
(x)
, por:

F
(x)
= P
[ Z z
=
z
2
2
t
dt e
2
1

Esta funcin como lo sealamos en acpites anteriores tiene la ventaja de estar tabuladas
en la tabla N III, lo que facilita el clculo de probabilidades para la Normal Standarizada.

3.8.6. USO DE TABLAS PARA LA DISTRIBUCIN NORMAL STANDAR:

Una vez conocido los valores de la media ( ) y la Varianza V
(x)
de una Variable Aleatoria X
con distribucin Normal, es slo cuestin de clculo encontrar la probabilidad buscada.
Para ello pueden darse 3 casos de acuerdo a la informacin con la que se cuente. Estos
casos son:

CASO A:

P
X b
=
b b
Z
b X
P P

CASO B

P
X > b
=
. b b X 1 P - 1
CASO C

P
a X b
=
b
Z
a b x a
P P
P
a X b
=
a b


70
PROCEDIMIENTO PARA LA LECTURA DE LA TABLA III:

Para la lectura de la Tabla III. se deben tomar en cuenta los siguientes aspectos:

1) La tabla proporciona el rea bajo la curva normal Standard desde - hasta + , es decir
el rea correspondiente a P
[Z z
=
( z )
.

2) Los valores de z estn dados en centsimos (o sea con dos decimales), desde -3,49 hasta
3,49.

3) La tabla III es una tabla de dos entradas encabezado por la letra z. En la primera
columna (primera entrada) se lee el valor de z en dcimos (es decir con un decimal), por Ej.
1,8
Luego, en la primera fila se lee el centesimal (segundo decimal de z) 0,06 . Entonces Z =
1,86

4) La tabla ayuda a resolver dos tipos de problemas:

a) Conocido z hallar el rea:

* Conocido z digamos z=1,86, queremos calcular la P
[Z 1,86

Luego, en la primera columna se ubica el valor de z con un decimal 1,8 y el segundo decimal
se ubica en la primera fila 0,06. Por ambos puntos se traza una recta horizontal y una
vertical respectivamente, el nmero que corresponde a la interseccin de ambas rectas es:
0,0686

O sea:
P
[ Z 1,86
=
(1,86)
= 0,9686

b) Conocido la probabilidad hallamos z.
Es un procedimiento inverso al anterior. Se ubica el rea en el cuerpo de la tabla, por este
punto se traza una horizontal y una vertical.
Z
f
(z)

0 Z

P
[Z z ]

-Z

P
[Z z ]
= (-z)

71
z se obtiene sumando el punto de la interseccin de la horizontal con la primera columna en
el punto de la interseccin de la vertical con la primera fila.

Por Ej. se pide calcular z, tal que: P
[ Z z
= 0,9382

Entonces, se ubica el nmero 0,9382 en el cuerpo de la tabla. Por este punto se traza un
horizontal y una vertical, las que intersectan a la primera columna y primera fila en 1,5 y
0,04 respectivamente.

Z = 1,5 + 0,04 = 1,54

EJEMPLO N 1: Sea X una variable aleatoria con N
(5,4)
.

a) Cul es la probabilidad de que X tome valores entre 4 y 7 ?.
b) Cul es la probabilidad de que tome valores mayores que 10 ?
SOLUCION:

a) P
4 > X < 7
=
2
1 1
1 Z
2
1
2
5 7 X
2
5 4
P P

P
4 > X < 7
= 0,8413 - 0,3085 = 0,5328

REPRESENTACION GRAFICA:

b) P
X > 10
= 1 - P
X 10
=
0062 , 0 9938 , 0 1 P 1 P 1
5 , 2 Z
2
5 10 X

0,5328
f
(x)

5
x

4 6 7
-1/2 1

72
EJERCICIO N 2:

La fbrica de neumticos DURAMAS produce un tipo de neumticos que tiene vida til
media de 80000 Km. y una Desviacin Standard de 8000 Km. Suponiendo que esta vida til
est distribuida normalmente.
Cul es la probabilidad de que un neumtico dure ms de 96000 Km. ?

SOLUCION:

X: Vida til de un neumtico en Km.

Entonces: X N(80000, 8000
2
) o N( ,
2
)

P
X > 96000
= 1 - P
X 96000
=
8000
80000 96000 X
P 1

P
X > 96000
= 1 - P
Z 2
= 1 - 0,9772 = 0,0228


El tiempo T requerido para la digestin de una unidad de alimento por un protozoario es una
variable aleatoria normal con media 31 minutos y Desviacin Standard de 5 minutos.
a) Cul es la probabilidad de que una unidad de alimento sea digerido en menos de 35
minutos?
b) Si una unidad particular de alimento se observa que no est digerido completamente en
30 minutos. Cul es la probabilidad de que sea digerido antes de los 35 minutos?.


73
TEMA N 4
MUESTREO Y DISTRIBUCIONES MUESTRALES


4.2. Introduccin.- Una parte fundamental para realizar un estudio estadstico de
cualquier tipo es obtener resultados confiables y que puedan ser aplicables. Como ya se
coment anteriormente, resulta casi imposible o imprctico llevar a cabo algunos estudios
sobre toda una poblacin, por lo que la solucin es llevar a cabo el estudio basndose en un
subconjunto de sta denominada: muestra.
Sin embargo, para que los estudios tengan la validez y confiabilidad buscada, es necesario
que tal subconjunto de datos, o muestra, posea algunas caractersticas especficas que
permitan, al final, generalizar los resultados hacia la poblacin en su conjunto. Esas
caractersticas tienen que ver principalmente con el tamao de la muestra y con la manera
de obtenerla.
4.3. IMPORTANCIA DEL MUESTREO
Usualmente se hace referencia a dos tipos de razonamiento: el deductivo y el inductivo. El
primero est relacionado directamente con la teora de probabilidad, y que a partir de las
caractersticas de la poblacin se obtienen las posibles caractersticas de una muestra. El
segundo tipo de razonamiento se relaciona con la denominada inferencia estadstica:
utilizar las caractersticas de un subconjunto de la poblacin (la muestra) para hacer
afirmaciones (inferir) sobre la poblacin en general. ste ser el caso de nuestro inters.
El muestro, como ya se mencion, implica algo de incertidumbre que debe ser aceptado para
poder realizar el trabajo, pues aparte de estudiar una poblacin resulta ser un trabajo en
ocasiones demasiado grande, para Wonnacott y Wonnacott las razones principales para
utilizar muestras son:
Recursos limitados. Es decir, no existen los recursos humanos, materiales o
econmicos para realizar el estudio sobre el total de la poblacin. Es como cuando se
compra un aparato, un automvil usado (por ejemplo), que se prueba unos minutos (el
encendido, una carrerita, etc.) para ver si funciona correctamente y luego se
adquiere, pero no se espera a probarlo toda la vida (encendindolo y apagndolo o,
simplemente, dejndolo encendida) antes de realizar la adquisicin.
HABILIDAD: Aplica
CONTENIDO: Las tcnicas de muestreo, para muestras grandes y pequeas.
PROCESO: Mediante el estudio de las diferentes clases de muestreo, resolviendo
trabajos prcticos y el proyecto de curso.
CONTEXTO: En el aula y la comunidad.

74
Escasez. Es el caso en que se dispone de una sola muestra. Por ejemplo, para el
estudio paleontolgico de los dinosaurios (el T. Rex por ejemplo) sera muy bueno
contar con, al menos, muchos restos fsiles y as realizar tales investigaciones; sin
embargo, se cuenta slo con una docena de esqueletos fosilizados (casi todos
incompletos) de esas criaturas en todo el mundo.
Pruebas destructivas. Es el caso en el que realizar el estudio sobre toda la poblacin
llevara a la destruccin misma de la poblacin. Por ejemplo, si se quisiese saber el
conteo exacto de hemoglobina de una persona habra que extraerle toda la sangre.
El muestreo puede ser ms exacto. Esto es en el caso en el que el estudio sobre la
poblacin total puede causar errores por su tamao o, en el caso de los censos, que
sea necesario utilizar personal no lo suficientemente capacitado; mientras que, por
otro lado, el estudio sobre una muestra podra ser realizada con menos personal
pero ms capacitado.
4.4. TIPOS DE MUESTREO.- Deben seguirse ciertos procedimientos de seleccin para
asegurar de 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. Los tipos ms comunes de tcnicas de muestreo
aleatorios son: el muestreo aleatorio simple, el muestreo sistemtico, el muestreo
estratificado y el muestreo por conglomerados.
a) MUESTREO ALEATORIO SIMPLE
Es aquella en la que los elementos se escogen del total de la poblacin en forma individual
con una oportunidad igual e independiente para todas. Por lo general se utiliza una tabla de
nmeros aleatorios.
Si la poblacin es infinita el muestreo aleatorio ocurre cuando la extraccin de los
elementos de la muestra se hace con o sin reemplazo. Si la poblacin es finita de tamao N,
el muestreo aleatorio ocurre tambin si la extraccin es con o sin reemplazo.
Con reemplazo, la probabilidad de cada elemento de ser elegido es 1/N. Si es sin
reemplazo, la probabilidad de cada elemento de ser elegido es 1/N en la primera
extraccin, es 1/(N-1) en la segunda extraccin, es 1/(N-2) en la tercera extraccin y as
sucesivamente.
Si una muestra aleatoria se elige de tal forma que todos los elementos de la poblacin
tengan la misma probabilidad de ser seleccionado, se llama muestra aleatoria simple.
Ejemplo:
Suponga que nos interesa elegir una muestra aleatoria de 5 estudiantes en un grupo de
estadstica de 20 alumnos.
20
C
5
da el nmero total de formas de elegir una muestra no

75
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.
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.
b) MUESTREO SISTEMTICO
Una muestra aleatoria sistemtica es aquella en la que sus elementos se eligen de la
poblacin a intervalos uniformes a partir de un listado ordenado. El k-simo elemento de la
muestra es k=N/n, donde n es el tamao de la muestra y N el tamao de la poblacin.
Por ejemplo: al elegir una muestra sistemtica de 100 alumnos de una unidad educativa que
tiene 3000 estudiantes. K = 3000/100 =30, entonces el primero se elige en forma aleatoria
de los 30 primeros de la lista y los dems sistemticamente cada 30 alumnos de la lista.
c) MUESTREO ESTRATIFICADO.- Primero se clasifican a los elementos de la poblacin
en sub-grupos separados de acuerdo con una o ms caractersticas importantes (estratos).
Despus se obtiene por separado una muestra aleatoria simple o sistemtica en cada
estrato. El tamao de cada sub-muestra debe ser proporcional al tamao del estrato para
asegurar la representatividad.
Por ejemplo: Para obtener una muestra aleatoria de 600 electores de una poblacin de
600.000 electores de los cuales 300.000 son de clase baja, 200.000 de clase media y
100.000 de clase alta. Para ello, primeramente se obtiene el % de participacin de cada
estrato sobre el total: 300.000/600.000 = 0,5 x 600 = 300; 200.000/600.000 = 0,33 x
600 = 200; y finalmente 100.000/600.000 = 0,166x600 = 100. Al interior de cada estrato
se eligen en forma aleatoria simple.
d) MUESTREO POR CONGLOMERADOS.- Los elementos de la poblacin se dividen en
forma natural en sub-grupos o por conglomerados. Luego se eligen al azar los sub-grupos
que forman la muestra. Ejemplo: Al estudiar las pensiones que se pagan en los colegios
particulares donde no es posible tener la lista de todas las pensiones, pero puede obtenerse
una lista de los colegios particulares (grupos). Entonces, con esta lista puede obtener una
muestra aleatoria de colegios y as obtener las pensiones que se pagan en estos colegios.

76
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.
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.
En la leccin anterior analizamos las diferentes modalidades de muestreo y tipos de
muestreo: Muestra probabilstica, muestra no probabilstica, etc.

En este captulo profundizaremos algunas consideraciones relativas a las distribuciones que
se dan dentro del muestreo.

4.5. DISTRIBUCION DE MUESTREO CONCEPTO: Consideremos todas las posibles
muestras de tamao n en una poblacin dada (Con o sin reposicin). Para cada muestra,
podemos calcular un estadstico tal como la Media, la Desviacin Standard y otros que
lgicamente variar de muestra a muestra. Con estos datos, entonces, obtenemos una
distribucin del estadstico que se llama DISTRIBUCIN DE MUESTREO.

Si por ejemplo, el estadstico utilizado es la Media muestral, entonces la Distribucin se
llama la DISTRIBUCIN DE MUESTREO DE MEDIAS O DISTRIBUCIN DEL
MUESTREO DE LA MEDIA. De la misma manera, podramos tener la distribucin de
muestreo de la Desviacin Standard, de la varianza, de las proporciones, etc. En
consecuencia, para cada distribucin de muestreo podemos calcular la Media, la Desviacin
Standard, etc.

4.6. DETERMINACIN DEL TAMAO DE UNA MUESTRA.- Uno de los aspectos que
deben definirse en el proceso de muestreo, es el tamao de la muestra. Para ello, deben
tomarse en cuenta los siguientes aspectos:

a) Tamao del universo o poblacin = N
b) Grado de heterogeneidad de dicho universo, expresado por el valor de la desviacin
estndar de la variable aleatoria.
c) Magnitud del error estadstico que estemos dispuesto a aceptar en los resultados.
Dicho error dar lugar a un intervalo de valores en torno al valor medio que
produzca la muestra. Llamamos I a la amplitud total del intervalo, es decir, a la
diferencia entre sus lmites superior e inferior.
d) Grado o nivel de confianza que quisiramos poder depositar en los resultados. A
dicho nivel corresponder el coeficiente z, dado que, segn la ley de los grandes

77
nmeros, la distribucin de la media de muestras, en la que nos apoyamos
conceptualmente para el clculo, es normal; a menos que se trate de una muestra
pequea (n<30), en cuyo caso la distribucin es de Student, y es necesario usar t en
lugar de z.

FORMULA PARA DETERMINAR EL TAMAO DE LA MUESTRA

La frmula para definir el tamao de la muestra n, es la siguiente:

2
n = Z x p x q x N
2 2
Z x p x q + N x E

Donde:

n= Tamao de la muestra
Z = Variable Z
p= probabilidad de xito
q= probabilidad de fracaso
N=Tamao de la poblacin
E= Error estadstico

Ejemplo: Sea una poblacin de 42074 miembros. Se desea conocer el ingreso familiar
mensual promedio con un error promedio no mayor de 0,05 con un nivel de confianza del 95
%. Cuntos miembros se deben muestrear, sabiendo que se estima que la probabilidad de
xito es del 80 % ?.

SOLUCIN

N = 42075 E = 0,05
Z = 1,96 p = 0,8 q= 0,2
2
n = (1,96) x 0,8 x 0,2 x 42074
2 2
1,96 x 0,8 x 0,2 + 42074 x 0,05

n = 245 miembros

4.7. DISTRIBUCIN DE MUESTREO DE LA MEDIA: Supongamos que se toman todas
las posibles muestras de tamao n, SIN REPOSICIN, de una poblacin finita de tamao N

78
> n. Si denotamos la Media y la Desviacin Standard o Tpica como la distribucin de
muestreo de Medias por
x
y
x

y las de la poblacin y , respectivamente. Entonces, se tiene:

ESTADISTICO
POBLACION
FINITA O
MUESTREO SIN
REPOSICION
POBLACIN
INFINITA O
MUESTREO CON
REPOSICION

x

x

1 N
n N
n

n

Esto es general cuando se analizan todas las posibles muestras y cuando ello no sucede
tanto
x
y
x
tienden a ubicarse cerca de y .

EJEMPLO: Una poblacin consta de los siguientes nmeros: 2,3,6,8,y 11. Consideremos
todas las posibles muestras de tamao 2 que pueden tomarse con REPOSICION de esa
poblacin.
Hallar:
a) La Media de la Poblacin
b) La Desviacin Standard de la Poblacin.
c) La Media de la Distribucin de muestreo de medias.
d) La Desviacin Standard de la distribucin de muestreo de medias.

SOLUCION:

a) 6
5
30
5
11 8 6 3 2

b) 8 , 10
5
6 11 6 8 6 6 6 3 6 2
2 2 2 2 2
2

Y finalmente: 29 , 3 8 , 10
c) Cuando el muestreo es con reposicin, existen 5
2
= 25 muestras de tamao 2; estas
son:
(2,2) (2,3) (2,6) (2,8) (2,11)
(3,2) (3,3) (3,6) (3,8) (3,11)
(6,2) (6,3) (6,6) (6,8) (6,11)
(8,2) (8,3) (8,6) (8,8) (8,11)
(11,2) (11,3) (11,6) (11,8) (11,11)

Las correspondientes medias muestrales sern:


79
2,0 2,5 4,0 5,0 6,5
2,5 3,0 4,5 5,5 7,0
4,0 4,5 6,0 7,0 8,5
5,0 5,5 7,0 8,0 9,5
6,5 7,0 8,5 9,5 11,0

Entonces, la media de la distribucin de muestreo de la media es:

0 , 6
25
150
25
0 , 11 ....... .......... 0 , 4 5 , 2 0 , 2
x
Entonces:
x

d) Obtenemos ahora 40 , 5
25
135
25
6 0 . 11 ....... .......... 0 , 6 0 , 4 6 5 , 2 6 0 , 2
2 2 2 2 2
2
x
y
x
= 2,32

Empleemos ahora la frmula del cuadro, para muestreo con reposicin:

32 , 2 40 , 5
2
8 , 10
n
_
2
2
x

EJERCICIO N 2: Resolvamos ahora el mismo ejercicio para el muestreo sin reposicin.

SOLUCION: Sin reposicin, la muestra ser igual a:

10
2
20
1 2
4 5
3 2
5
2
5

n= (2,3) (2,6) (2,8) (2,11) (3,6) (3,8) (3,11) (6,8) (6,11) (8,11)

Calculamos luego las medias para cada muestra:

2,5 4,0 5,0 6,5 4,5 5,5 7,0 7,0 8,5 9,5
6
10
60
10
5 , 9 0 , 7 0 , 7 5 , 5 5 , 4 5 , 6 0 , 5 0 , 4 5 , 2
x

Con ello se demuestra que:
x
=
d) Calculamos primero la varianza:

05 , 4
10
5 , 40
10
6 5 , 9 ........ .......... 6 0 , 4 6 5 , 2
2 2 2
x
y
x
= 2,01


80
Empleando la frmula de la tabla anterior tenemos:

5 , 4 75 , 0 4 , 5
1 5
2 5
2
8 , 10
1 N
n N
n
2
2
x

x
= 2,01

4.8. POBLACIONES DISTRIBUIDAS NORMALMENTE:

Para valores grandes de n ( n > 30) la distribucin del muestreo de medias es
aproximadamente NORMAL con media
x
y
x
, esto independientemente de la poblacin,
siempre y cuando la media poblacional y la varianza sean finitas y el tamao de la poblacin
sea menor el doble que el de la muestra.

Para una poblacin infinita, este resultado es un caso especial del TEOREMA CENTRAL
DEL LIMITE, que afirma que la precisin de la aproximacin mejora al crecer el tamao de
la muestra n.

Por otro lado, en caso de que la poblacin est normalmente distribuida, la distribucin del
muestreo de medias tambin lo est incluso para valores pequeos de n < 30.

EJERCICIO N 3: Las estaturas de 3000 estudiantes varones de una Universidad estn
normalmente distribuidas con media 68 y Desviacin Standard 3,0. Si se toman 80
muestras de 25 estudiantes cada una. Cuales sern la media y la Desviacin Standard
Tpica esperadas de la resultante de la distribucin de muestreo de medias, si el muestreo
se lo hizo a) con y B9 sin reposicin?

SOLUCION: El nmero de muestras de tamao 25 que podran elegirse de un grupo de
3000 estudiantes con reposicin y sin reposicin son: (3000)
25
y
25
3000
que son mucho ms
que 80.
Por tanto, se obtendr no una verdadera distribucin del muestreo de medias, sino solo
una distribucin de muestreo experimental. Sin embargo, como el nmero de muestras es
grande (n>30), se espera que
x
y
x
estn prximos a y ; entonces tenemos:

a)
x
= = 68 y 6 , 0
25
3
n
2
x
x
b)
x
= = 68 y
x
= 0,6 x 0,99599 = 0,5976 0,6

Entonces, se esperara tener una distribucin de muestreo experimental de medias
distribuida normalmente con media 68 y desviacin tpica 0,6


81
EJERCICIO PARA RESOLVER EN CLASES: Una poblacin consiste de las edades de los
nios de una familia de 4 nios. Estas edades son : 2,4,6 y 8 aos.
a) Determinar la media y la Desviacin Standard
b) Enumerar todas las posibles muestras sin reposicin de 2 nios que pueden seleccionarse
en esta familia y determine x raya para cada muestra.
c) Calcular la media y la Desviacin Standard de las medias muestrales y verifique si se
cumple:

x
= y
1 N
n N
n
x

4.9. OTRA SITUACIN DE LA DISTRIBUCIN MUESTRAL DE LA MEDIA

Sea X una poblacin con distribucin de probabilidad f
(x)
, Media y Varianza
2
.
Sea X
1
, X
2
,.......,X
n
una muestra aleatoria de tamao n de X. la media muestral es:

n
x
x
n
1 i
i

Entonces:
1)
x
= y
n
2
2
x

2) Para n suficientemente grande, por el Teorema Central del Lmite, la Variable Aleatoria
X se distribuye aproximadamente segn normal con media y Varianza
2/n

Por lo tanto la Variable Aleatoria Z, es igual a:

n X
n
X
Z

Que tiene aproximadamente una distribucin Normal Standard.

3) Si la poblacin X tiene una distribucin Normal con media y Varianza, la muestra
aleatoria X
1
, X
2
, X
3
,...... X
n
son variables aleatorias distribuidas normal e idnticamente con
media y Varianza
2
. Entonces:

X Tiene una distribucin normal con media y Varianza
2/n
para todo n. En consecuencia,
la variable Aleatoria:
__

n X
Z
Tiene aproximadamente una distribucin Normal Standard N
(0,1)
.

82

El Teorema anterior es vlido para cualquier poblacin finita o infinita, discreta o continua,
cuando n 30. Si la poblacin es Normal, el teorema se cumple cualquiera sea el tamao de
n.

EJEMPLO: Sea 1,1,1,3,4,5,6,6,6,7 una poblacin. Se extrae una muestra de tamao 36 con
reemplazamiento de esta poblacin. Calcular:

a) La media y la Desviacin Standard de la poblacin.

b) La media
x
= y la Desviacin Standard
x
de la Media muestral X

c) P
[3,6 X 4,4
= ?

SOLUCION:
Primeramente calculamos la distribucin de probabilidades de la poblacin:

X
1 3 4 5 6 7
P
X = x
0,3 0,1 0,1 0,1 0,3 0,1

a) Calculamos luego la media .

= E
(x)
= 10,3+30,1+40,1+50,1+60,3+70,1 = 4

= 4

Seguidamente calculamos
2
= E
(x)
2
-
2

E
(x)
2
= 1
2
0,3 + 3
2
0,1+4
2
0,1 + 5
2
0,1 + 6
2
0,3 + 7
2
0,1 = 21

2
= 21 - 16 = 5
Luego: 23 , 2 5

b) Por el teorema anterior, tenemos:

x
= 4 39 , 0
6
23 , 2
36
23 , 2
n
x

c) Como n=36 > 30, entonces x tiene aproximadamente una distribucin normal con media
= 4 y Varianza = 0,14

P
3,6 x 4,4
= ?

83

) 07 , 1 ( ) 07 , 1 (
23 , 2
4 , 2
Z
23 , 2
4 , 2
P
23 , 2
6 4 4 , 4 x
23 , 2
6 4 6 , 3

Buscamos el resultado en la tabla de la curva Normal:

= 0,8577 - 0,1423 = 0,7154

EJERCICIO PARA RESOLVER EN CLASES: Sea X una poblacin constituida por 2,4 y 6.
Calcular:

a) La media poblacional y la Desviacin Standard poblacional. Luego se extrae una muestra
de tamao 54 con reemplazamiento de la poblacin. Se pide calcular:
b) La media
x
y
x
de las x raya.

c) P
4,1 x 4,4
= ?

4.10. DISTRIBUCIONES MUESTRALES PARA MUESTRAS PEQUEAS

En el captulo precedente hemos visto las distribuciones muestrales para una media grande
( n 30). Estas distribuciones eran aproximadamente Normal o que el tamao de la
muestra era suficientemente grande, de tal manera que se cumpla el Teorema Central del
Lmite.

Sin embargo, cuando la muestra es pequea ( n < 30) no se puede aplicar el TEOREMA
CENTRAL DEL LIMITE y si la poblacin no es Normal, tampoco podemos suponer que la
distribucin muestral sea Normal.

Para estos casos, se aplica o utiliza distribuciones relacionadas con la distribucin normal.
Entre estas tenemos:
a) La distribucin Chi-cuadrado
b) La distribucin T de student
c) La distribucin F

4.11. DISTRIBUCIN CHI-CUADRADO:

DEFINICION: Sean n variables aleatorias independientes: Z
1
, Z
2
, Z
3
, ......., Z
n

distribuidas Normalmente, cada una con media 0 y Varianza 1 N
(0,1)
, o sea Normal Standard.
Para cada y = 1,2,3,....., n. Entonces el estadstico:

n
1 i
2
i
2
Z

84

2
= Z
1
2
+ Z
2
2
+ Z
3
2
+ .......... + Z
n

Se dice que es una Variable Aleatoria CHI-CUADRADO con n grados de libertad.

b) Si X
1
, X
2
, X
3
, ........, X
n
es una muestra aleatoria de una variable aleatoria normal, con
distribucin N
( , 2)
, entonces:

n
1 y
2
i 2
x
Con n grados de libertad

FUNCION DE DENSIDAD DE LA CHI-CUADRADO:

2
x
1
2
n
x e X
2
n
2
n 2
1
f para todo x > 0

= 0 En otro caso

El smbolo es la funcin Gama.

* Para el caso particular de n = 2 , tenemos la Distribucin Exponencial:

2
x
x e
2
1
f
Que significa la funcin para 2 grados de libertad.

Por otro lado, se puede apreciar que los valores que toma la variable Aleatoria Chi-
Cuadrado, son todos reales y positivos, debido a que es una suma de cuadrados.

4.12. GRADOS DE LIBERTAD: (r) Es el nmero de Variables Aleatorias independientes
que se suman. Tambin podemos definir grados de libertad (r) como un parmetro asociado
con la distribucin de probabilidades o como el nmero de variables que pueden variar
libremente.
Otra forma de conceptualizar los Grados de Libertad es a partir del siguiente
razonamiento.
Para el clculo de un estadstico como:

2
2
n
2
2
2
1
2
2
2
X X ....... .......... X X X X ns


85
Es necesario emplear tanto observaciones de muestras como propiedades de ciertos
parmetros de la poblacin. Si estos parmetros son desconocidos, hay que estimarlos a
partir de la muestra.
El nmero de grados de libertad de un estadstico denotado por r, se define como el
nmero n de observaciones independientes de la muestra (tamao de la muestra) menos el
nmero k de parmetros de la poblacin que debe ser estimado a partir de las
observaciones muestrales.

r = n - k

En el caso del estadstico anterior, el nmero de observaciones independientes de la
muestra es n, de donde podemos calcular s, sin embargo debemos estimar

Entonces: r = n - 1 Grados de libertad.

GRAFICA DE LA DISTRIBUCION CHI CUADRADO:

En la medida en que r aumenta, la distribucin Chi-cuadrada tiende a una Normal.

4.13. LA MEDIA Y LA VARIANZA DE LA CHI-CUADRADO:

Cuando la variable aleatoria X tiene una distribucin Chi-cuadrado, con r grados de
libertad, la media y la varianza de la Chi-cuadrado est dada por:

= E ( )
2
= r

2
= Var ( )
2
= 2 r

Es decir, la media es igual al nmero de grados de libertad y la varianza a dos veces el
nmero de grados de libertad.

r
0
f
(x)

r=2
r=3
r=4
r=5

86
4.14. FUNCION DE DISTRIBUCION ACUMULADA DE LA CHI-CUADRADO: F
(x)

Debido a la aplicabilidad de la Chi-cuadrado en inferencia estadstica es m importante
trabajar con la distribucin acumulada de F
(x)
por que las mismas estn calculadas en tablas
(Tabla IV), para diferentes valores seleccionados de r y para un valor determinado .
Por lo tanto se puede encontrar en la tabla la probabilidad de que la variable Aleatoria X
tiene una distribucin
2
( 1<r<30 ) sea menor a un valor constante
r2
, representado por:

P
X < r2
= 0 < < 1

O sea:

dx e x
2
r
2
r 2
1
dx f P
2
r
2
0
1
2
r
2
0
x 2
r
X


P
[ X > 2
= 1 -

Obsrvese, puesto que existe una distribucin Chi-cuadrado diferente para cada valor de
r, resulta muy poco prctico proporcionar tablas de reas completas, En lugar de ello, la
Tabla IV presenta un resumen de la informacin acerca de la distribucin.
La columna de la izquierda de la tabla se refiere a grados de libertad, por lo tanto, cada
fila en la tabla corresponde a una distribucin Chi-cuadrado particular, Ejemplo:
Si r = 5 Entonces
2 0,10 = 1,61;
Por lo tanto:
P
X < 2 0,10
= P
X < 1,61
= 0,10

EJERCICIO N 1: Sea X una Variable Aleatoria
2
17 . Calcular:

a) P
X < 7,564
= ?
b) P
X > 27,59
=?
0
f
(x)

1-
2


87
c) P
6,408 < X > 27,59
= ?

SOLUCION:
a) P
X < 7,564
= P
X < 2 0,025
= 0,025
b) P
X > 27,59
= 1 - P
X < 27,59
= 1 - P
X < 2 0,95
= 1 - 0,95 = 0,05
c) P
6,408 < X > 27,59
= P
X < 2 0,95
- P
X < 20,01
= 0,95 - 0,01 = 0,94


1) Hallar:
a)
2
0,01 Si: r = 10
b)
2
0,975 Si: r = 29
c)
2
tal que P
X < 2
= 0,99 Si: r = 4

EJERCICIO N 2: Si X es una Variable Aleatoria con una distribucin
2
23 . Hallar a y b
tal que:

P
a < X > b
= 0,95 y P
X < a
= 0,025

SOLUCION:

P
X < a
= 11,69
P
a < X > b
= 0,95
P
X < b
- P
X < a
= 0,95
P
X < b
= 0,025 + 0,95 = 0,975
Entonces: b = 38,08

4.15. DISTRIBUCION T DE STUDENT:

DEFINICION:

* Sea Z una variable Aleatoria Normal con Media 0 y Varianza 1.
* Sea Y una Variable Aleatoria que tiene una distribucin Chi-cuadrada con r grados de
libertad.
Si Z e Y son independientes, entonces la Variable Aleatoria T es igual a:

Y
r Z
r
Y
Z
T

se dice que tiene una distribucin T de student o simplemente tiene una distribucin T, con
r grados de libertad y su funcin de densidad est dada por:

88

2
1 r
2
2
1 r
t
r
t
1
2
r
r
f

Para todo: - < t <

De la funcin de densidad f
(t)
podemos observar que la variable Aleatoria T est
completamente determinado slo por el parmetro r. Entonces hay una distribucin t
correspondiente a cada grado de libertad.

GRAFICA DE LA DISTRIBUCIN T DE STUDENT.

En la presente grfica se presenta un bosquejo de la funcin de densidad de la Variable
aleatoria T, para diferentes grados de libertad r.

La distribucin T de Student es muy similar a la distribucin Normal Standard N
(0,1)
, ya que
ambas varan de - a + , son simtricas y centradas al rededor de t=0, es decir su
media es igual a cero, pero la distribucin T tiene mayor dispersin que la distribucin
Normal Standard.

Esto se observa de la varianza igual a:

2 r
r
2

y = E
(T)
= 0

Entonces la Varianza de T es mayor que 1, la Varianza de la distribucin T vara para
diferentes grados de libertad.

-3 -2 -1 0 1 2 3

0
N(0,1)
n=5
n=3

89
La distribucin t se aproxima a la Distribucin Normal Standard cuando r es
suficientemente grande. En la prctica se trata a la distribucin t como Normal N
(0,1)
,
cuando n > 30.
2
Al igual que la distribucin , la distribucin t de student est tabulada en la Tabla V,
donde podemos calcular, probabilidades para valores menores a un determinado punto.
Grficamente, tenemos:

t

Ejemplo: Si r = 5, Calcular P
T < 1,476
= 0,90

EJERCICIO: Si r = 14 y p = 0,99, se lee x = 2,624

Es decir: P
X < 2,624
= 0,99

Esto mismo suele simbolizarse de la siguiente manera:

t
0,99 (14)
= 2,624

t
0,95 (6)
= 1,943 que equivale a : P
X < 1,943
= 0,95
Por lo siguiente:
t = - t
1-

NOTA: Si la probabilidad p es pequea, tambin resulta posible utilizar la tabla, teniendo
presente que para la distribucin t se verifica la siguiente identidad.

P
T x
= 1 - P
T - x

Esto por el carcter simtrico de la distribucin T.

EJEMPLO: Sea: r = 5 y p = 0,01 Entonces:
P
X 2,602
= 0,99 entonces: P
T - 2,602
= 0,01

2
Sea T una variable Aleatoria que tiene una distribucin t con Varianza
2
= 5/4.

Calcular: P
- 1,812 < T < 2,228
= ?
F
(x)


90

TEMA N 5
ESTIMACION DE PARAMETROS POBLACIONALES

5.1 COMPETENCIA DE TEMA:

5.2 INTRODUCCION: En innumerables casos, cuando se lleva adelante un proceso de
investigacin, estamos interesados en conocer una medida de un conjunto de elementos
pertenecientes a una poblacin en estudio. Por ejemplo, la media, la Desviacin Standard, la
varianza, etc.

Existen una serie de factores que impiden conocer estas medidas si se quiere tomar en
cuenta a todos los elementos de una poblacin, sea por que el nmero de componentes es
muy grande, lo que incide en los costos de obtencin y elaboracin de datos, sea por que
se requiere mayor tiempo para conseguir los resultados y muchas veces no es realmente
posible conseguir toda la informacin necesaria.

Sin embargo, todo ello no constituye obstculo para poder obtener de una muestra tomada
aleatoriamente de la poblacin, una medida que sea un buen estimador del valor de la
medida poblacional correspondiente. Se sabe, que no siempre es necesario tomar en cuenta
a todos los elementos de la poblacin, ya que admitiendo un pequeo error se pueden
obtener casi estimaciones exactas o muy cercano a los valores poblacionales.
Cientficamente aquello es posible. Esta situacin es fcilmente percatable de las
encuestas que unidades de investigacin serias y neutrales realizan antes de las elecciones
nacionales en nuestro pas, donde las estimaciones previas a las justas electorales son
ratificadas, con escaso margen de error, una vez concluido con el recuento o escrutinio de
votos.

5.3 METODOS DE ESTIMACION:

A travs de la historia, los cientistas han desarrollado dos mtodos de estimacin:

a) La Estimacin Puntual.
b) La estimacin por intervalos.

HABILIDAD: Infiere.
CONTENIDO: Parmetros poblacionales a partir de un estimador estadstico muestral
Haciendo hincapi en el mtodo de estimacin de mxima verosimilitud.
PROCESO: Resolviendo casos reales planteados en el Proyecto de Curso.


91
5.3.1 ESTIMACION PUNTUAL: La Estimacin Puntual o de punto, es un modelo
estadstico que nos proporciona un valor nico para estimar un parmetro desconocido de la
poblacin, por Ej. Si se trata de estimar el salario promedio de los artesanos de una ciudad,
un valor como por Ej. Bs. 1,195,.., obtenido de una muestra, representa una estimacin
puntual, por que hace referencia slo a un dato.

Existen, a su vez, tres mtodos que son los ms conocidos para la estimacin puntual de
parmetros:

* Mtodo de Momentos.
* Mtodo de mxima verosimilitud.
* Mtodo Bayesiano.

En este curso nos abocaremos nicamente al mtodo de Mxima verosimilitud por su
aplicabilidad general.

5.4 METODO PUNTUAL DE MAXIMA VEROSIMILITUD:

El Mtodo de mxima Verosimilitud para generar estimadores de parmetros poblacionales
desconocidos, se basa sobre una muestra de una variable aleatoria.

Fue introducida por primera vez por R. A. Fisher. Este mtodo proporciona buenos
estimadores.

El Mtodo de Mxima verosimilitud, establece que el valor de debe ser tal, que la
probabilidad de observar lo que realmente se est observando sea mxima. es decir, que se
trata de hallar una estimacin de con la mxima probabilidad de que se obtenga el valor
de como una funcin de los elementos de una muestra aleatoria.

DEFINICION: Sea X una Variable aleatoria con funcin de densidad o cuanta f(x, ) que
depende del parmetro desconocido . Tomando una muestra aleatoria de X y sean: x
1
, x
2
,
x
3
,....., x
n
los valores muestrales observados. Entonces la Funcin de Mxima Verosimilitud
est definida por:

L
( )
= f
x
(X
1
, ) . f
x
(X
2
, ) . f
x
(X
3
, )..............f
x
(X
n
, )

i X
n
1 i
fx L
Se trata ahora de maximizar la funcin L
( )
;

L
( )
= Max L
( )


92
Para ello se deben cumplir las condiciones necesaria y suficientes:

1)
0
L

2)
0
L
2
2

EJEMPLO:

Sea X una Variable Aleatoria con distribucin exponencial, cuya funcin de densidad es:

f
x
(x) = . e
- x
para todo x>0. Estimar el parmetro desconocido , si tomamos una
muestra aleatoria x
1
, x
2
, x
3
,......, x
n
de X, entonces la Funcin de Verosimilitud ser:

x
n
n
1 y
x
n
1 i
i
e e , X fx L

Aplicando logaritmos, se tiene:

Log L
( )
= n Log - x

Derivando la funcin L respecto a e igualando a cero, tenemos:

0 x
n
d
dL

Despejamos luego

x
1
n
x
1

El estimador mximo verosmil de es el inverso de la media muestral.

As como se determin el estimador Mximo verosmil de de la funcin exponencial, por
el mismo mtodo podemos obtener para todos las funciones de densidad y cuanta que
queramos. A continuacin presentamos una tabla de estimadores de mxima verosimilitud
para algunas distribuciones ms importantes:


93

DISTRIBUCION

PARAMETRO

ESTIMADOR DE
MAXIMA
VEROSIMILITUD O DE
MAXIMA PROBABILIDAD

BERNOULLI

p

p = X

POISSON

=

= X

EXPONENCIAL

=
X
1

NORMAL

2

= x
n
X x
2

EJERCICIO DE APLICACION:

Supongamos que se compra una docena de naranjas de cierta granja frutcola y se toman
sus pesos en onzas. Si la Variable Aleatoria X indica el peso de cada naranja de toda la
produccin, entonces podemos considerar a x
1
, x
2
,..............., x
12
como una muestra aleatoria
donde cada xi ( i= 1,2,3,........,12) nos indica el peso de la i-sima naranja.
Efectuado los clculos, se obtuvieron los siguientes resultados:

Peso total =
12
1 i
i x = 66 onzas y,

cuadradas Onzas 385 X
12
1 i
2
i X
i
= 385 Onzas cuadradas.

Estimar el peso promedio y la desviacin standard de la produccin total, asumiendo que los
pesos tienen distribucin Normal.

SOLUCION:

Sabemos por la tabla que los estimadores mximo verosmiles son:

n
X X
y X
2
i 2


94
Y luego:
Onzas 5 , 5
12
66
n
x
X
i

y 83 , 1
n
X n x X 2 x
n
X X
2 2
i i 2

83 , 1
12
5 , 5 12 66 5 , 5 2 385
2

Luego: 35 , 1 y 83 , 1
2 2


Se trata de estimar el tiempo de duracin sin falla de tubos elctricos de un stock
producido por una fbrica de artculos de alumbrado.
Sabemos o se sabe que el tiempo de duracin en funcionamiento sin falla de este tipo de
artculos, tiene una distribucin exponencial.
Para estimar el tiempo de duracin medio sin falla, se toman aleatoriamente 30 tubos y se
ponen en funcionamiento.

Se asume, adems, que se registraron todos los tiempos de duracin sin falla y que se
obtuvo un total de 32,916 horas. Estimar el tiempo medio de duracin sin falla a partir de
la muestra.

5.5 PROPIEDADES DE UN BUEN ESTIMADOR:

El parmetro se estima en base a un nmero que se calcula a partir de una muestra dada;
este valor calculado es una aproximacin del valor exacto desconocido del parmetro.

Cuando proponemos a como un estimador puntual de , no esperamos que sea igual a .
Recordemos que es una variable aleatoria y por lo tanto puede tomar muchos valores.

Como consecuencia, supongamos que
1
y
2
son dos estimadores de ; debemos encontrar
algn medio para decidir si una estimacin es preferible a otra o que caracterstica se
quiere que posea un buen estimador puntual.

PROPIEDADES: Un buen estimador debe ser:
a) Insesgado
b) Eficiente o de varianza mnima
c) Consistente.

a) INSESGADO:

95

es un estimador Insesgado de si y solo si E
( )
=

EJEMPLO:

Supongamos que las edades de cuatro hermanos son; 2,5,8 y 13 respectivamente. Tomemos
todas las posibles muestras de tamao 2, de manera que la probabilidad de elegir una
muestra cualquiera es de 1/6 para todos los casos. Si estamos interesados en medir la
edad media, entonces las medias muestrales posibles son:

(2,5) (2,8) (2,13) (5,8) (5,13) (8,13)

5 , 10 X 9 X 5 , 6 X 5 , 7 X 5
2
8 2
X 5 , 3
2
5 2
X 6 5 4 3 2 1
Luego: 7
6
1
5 , 10
6
1
9
6
4
5 , 6
6
1
5 , 7
6
1
5
6
1
5 , 3 E
X

Adems sabemos que:

7
4
13 8 5 2

x E El estimador es Insesgado de

b) PROPIEDAD DE EFICIENCIA:

Sean
1
y
2
estimadores insesgados de , para la misma muestra, Entonces es ms
eficiente que , como estimadores de , si y solo si, V
( 1)
< V
( )
, Entonces el de menor
varianza es el estimador ms eficiente.

c) PROPIEDAD DE CONSISTENCIA:

Un estimador es consistente, cuando se cumple el siguiente requisito:

Sean
1
,
2
, ..........,
n
una sucesin de estimadores de , donde :

1 es un estimador obtenido de una muestra aleatoria de tamao 1
2 es u estimador obtenido de una muestra aleatoria de tamao 2
n es un estimador obtenido de una muestra aleatoria de tamao n
Entonces, se dice que n es un estimador consistente de si:
a)
n
Lm
n E
b)
n
Lm
0 V n

5.6. ESTIMACIN DE INTERVALOS DE CONFIANZA

96

La estimacin puntual de un parmetro, si bien es muy til, no resulta de mucho valor si no
se tiene alguna medida del posible error cometido en la estimacin. Toda estimacin de un
parmetro desconocido debera acompaarse de un cierto intervalo que incluyera a , por
ejemplo de la forma: ( - k ; + k), junto con alguna medida de seguridad de que el
verdadero valor del parmetro estuviera comprendido dentro de dicho intervalo.

De manera que es mucho ms satisfactoria y eficaz la determinacin de un intervalo
aleatorio en el cual est comprendido el verdadero valor del parmetro desconocido con
una probabilidad prxima a uno. Un intervalo tal, recibe el nombre de INTERVALO DE
CONFIANZA, en tanto que a los valores extremos del intervalo, se los designa lmites
confidenciales o lmites de confianza.

5.6.1. DEFINICIN
2
Sea X una variable aleatoria que tiene distribucin N(, ), donde 2 se supone conocida,
mientras que es el parmetro desconocido. Sea: X1, X2, X3,,Xn una muestra
aleatoria de X y x el promedio muestral.

Sabemos que X tiene distribucin normal N(, /n). Por tanto, Z=(x - / /n) tiene una
distribucin Normal (0,1).

Los dos estadsticos Li y Ls (Lmite superior e inferior) forma un intervalo confidencial de (
1 ) = 100 %:

P (Li Ls) 1

Sin importar cul sea el valor desconocido de .
Ejemplo:

Supongamos que el nmero de onzas de mermelada que una mquina envasa en un frasco de
vidrio es una variable aleatoria NORMAL con media desconocida y cuya desviacin
estndar es de 0,5 la onza. Si seleccionamos aleatoriamente n frascos envasados por dicha
mquina y si X1, X2, ..Xn son los nmeros de onzas que contienen, respectivamente cada
uno de los n frascos; entonces x es una v.a. normal con media y desviacin estndar 0,5/
n. De una tabla de distribucin de probabilidades Normal, sabemos que:

P ( - 1,96 Z 1,96 ) = 0,95

Donde Z es una v.a. Normal Estndar. Pero para nuestra muestra:
X -
0,5 n

97
De este modo:

P( - 1,96 X - 1,96 ) = 0,95
0,5 n
Entonces:

P{ X (1,96) 0,5 X + (1,96 ) 0,5 } = 0,95
n n
Luego:
Li = X - (1,96) 0,5
n

Ls = X + (1,96) 0,5
n

Forman un intervalo confidencial del 95 % para . Si se observan los pesos de 75 frascos y
se halla que X = 12,1 los valores de Li y Ls sern:

Li = 12,1 - (1,96) 0,5 = 11,99
75
Ls = 12,1 + (1,96) 0,5 = 12,21
75

Entonces podemos decir que estos lmites 11,99 y 12,21 contienen el valor del parmetro
verdadero, o sea que el verdadero promedio de contenido en onzas de mermelada en los
frascos llenados por dicha mquina, est comprendido en intervalo (11,99 y 12,21) con una
seguridad del 95 %.

Entonces: P( 11,99 12,21 ) = 0,95

Que significan la probabilidad de que el intervalo aleatorio x 0,11 a x + 0,11 contenga a la
media verdadera es 0,95. Esto es, si se extraen repetidamente muestras de tamao 75, y
si se calcula para cada muestra el intervalo aleatorio X 0,11 a X + 0,11, es de esperar que
el 95 % de estos intervalos contengan la media verdadera . Tenemos pues, una gran
confianza de que el intervalo 11,99 a 12,21 cubra la media verdadera. Es posible obtener
intervalos con cualquier grado de confianza. En nuestro ejemplo, si se desea obtener un
intervalo confidencial del 99 %, ser:

P( - 2,58 z 2,58 = 0,99
3.6. INTERVALO DE CONFIANZA PARA LA MEDIA POBLACIONAL
CASO 1) Con conocido:

98
Sea donde es desconocido y conocido.
Sea x
1
, x
2
, ... , x
n
una muestra aleatoria de la variable aleatoria X y sea la media
muestral.
Se sabe que independientemente del valor de n, por el teorema central del
lmite.
Luego, tipificando:
Se plantea: entonces:

Observaciones:
- Si las muestras se toman sin reposicin de una poblacin finita de tamao N, debe
emplearse el factor de correccin por finitud y el intervalo ser:

- Si la poblacin es slo aproximadamente normal, la igualdad sigue siendo vlida en forma
aproximada.

99
Ejemplo 1: Un grupo de investigadores en Medicina desea estimar el cambio medio de
presin sangunea por paciente en un sanatorio. Se ha seleccionado una muestra al azar de
30 pacientes y se hall que puls/seg. Los investigadores saben que la desviacin
estndar de los cambios de presin sangunea para todos los pacientes es = 3 puls/seg
segn estudios anteriores. Ellos desean estimar el cambio medio de la presin sangunea por
paciente con un intervalo del 95% de confianza, suponiendo que la variable aleatoria
"cambios de presin sangunea" tiene asociada una distribucin normal de probabilidad.
Respuesta:
X = cambio en la presin sangunea por paciente del sanatorio (en pulsaciones por segundo)
n = 30 = 3 1 - = 0.95
Por tabla: Entonces:
Lmite inferior (LI) =
Lmite superior (LS) =
Por lo tanto resulta el Intervalo del 95% de confianza para la media:
ICM
0,95
= (3,9 ; 6,1)
Luego, puede decirse que el cambio medio en la presin sangunea por paciente, pertenece al
intervalo (3,9 ; 6,1) pulsaciones, con un nivel de confianza del 95%.
Observacin: Ntese que se cae en un abuso de lenguaje pues se debera decir que el
intervalo (3,9 ; 6,1) pulsaciones pertenece a la sucesin que ofrece un nivel de confianza del
95% para estimar el cambio medio de presin sangunea, pero se simplifica la expresin
para hacerla menos engorrosa o extensa.
En cuanto al tamao ptimo de muestra, = e determina el error mximo admitido de
muestreo e indica la precisin de la estimacin. Lgicamente se pretende que sea lo ms
pequeo posible. Por otra parte, (1 - ) es el coeficiente de confianza y se pretende que
sea lo ms grande posible. Pero depende del valor de y al hacer mayor el coeficiente
de confianza (1 - ), el valor ser mayor y por lo tanto el error aumentar. Esto se
puede regular aumentando el tamao de la muestra con lo que el error disminuir.

100
Para el ejemplo 1, con un nivel de confianza del 95%.
Si se desea elevar el nivel de confianza a 99%, pero sin aumentar el error e de estimacin,
el tamao de la muestra debera ser:

O sea que debe tomarse una muestra de aproximadamente 52 pacientes en lugar de 30.
Por el contrario, si el investigador deseara un error de estimacin menor, por ejemplo 1
puls/seg, manteniendo el nivel de confianza en 95%, el tamao de la muestra requerido
ser:
pacientes.
CASO 2) Con desconocido
Para estimar se debe utilizar el desvo estndar muestral corregido.
, ya que segn se ha visto, es un estimador insesgado del correspondiente
parmetro poblacional . Reemplazando en la variable tipificada por resulta:

Por lo tanto:
= 1 -
Ejemplo 2: Una muestra de 15 aves tomadas al azar en un establecimiento con 5000 aves,
(que elabora alimentos balanceados), permiti establecer un aumento de peso promedio de
90 g por semana y por ave, y un desvo tpico de 10 g. Se busca estimar el incremento de
peso promedio para las 5000 aves del establecimiento con un intervalo de confianza del
90%.

101
Respuesta:
X = aumento de peso por ave
n = 15 = 90 g S = 10 g ICM
0,90
?
Por tabla:
y el intervalo resulta:

Interpretando este resultado, se dice que el aumento de peso por ave por semana en el
establecimiento est entre 85,5 y 94,6 gramos, con un 90% de confianza.
3.7. INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS
CASO 1: Poblaciones normales y con y conocidos.
Se fija el nivel de confianza (1 - ), se extraen dos muestras independientes de X
1
y X
2

de tamao n. Ya se ha visto que:
y el estadstico tipificado tiene la siguiente distribucin:
(1)
Adems, (2)
Reemplazando en (2), a Z por la expresin (1), se obtiene:


102

Donde:

Ejemplo 3: Al determinar la superficie en miles de hectreas de las explotaciones agrcolo-
ganaderas de cierta zona, una muestra de 40 explotaciones dio una superficie media de 900
ha, con una desviacin tpica de 300 ha. En otra zona, al muestrear tambin 40
explotaciones, la superficie media fue de 600 ha con una desviacin tpica de 150 ha.
Suponiendo que en ambas zonas la variable "superficie en ha por explotacin" se distribuye
normalmente, estimar por un intervalo de confianza del 90%, la diferencia entre las
superficies medias de las explotaciones de ambas zonas.
Respuesta:
X
1
= superficie de cada explotacin agrop. de la primera zona
X
2
= superficie de cada explotacin agrop. de la segunda zona
, n = 40 ICDM
0,90
?
Por tabla: Luego:
=
= 300 87,24 = (212,76 ; 387,24) = (212,8 ; 387,2)
Interpretando este resultado, se dice que la diferencia entre las superficies medias de las
explotaciones agrcola-ganaderas de ambas zonas, se encuentra entre 212,8 y 387,2 ha, con
un 90% de confianza.
Observacin: En la frmula tambin puede utilizarse y en ese caso debe
considerarse en lugar de
CASO 2: Poblaciones normales y con y desconocidos
Se extraen dos muestras independientes (una de cada poblacin) de tamaos n
1
y n
2

respectivamente, se fija (1 - ), se calculan y su diferencia.

103
a) Si
1
y
2
son desconocidos pero estadsticamente pueden considerares iguales (
1
=
2
), se estiman por y se procede como en el caso 1. (S
a
es la variancia
amalgamada o mancomunada)
b) Si
1
y
2
son desconocidos pero estadsticamente no pueden considerarse iguales (
1

2
),
Se fija (1 - ), se extraen dos muestras independientes, se calcula y la
distribucin en el muestreo del estadstico de prueba, ya tipificado, es:

donde el nmero de grados de libertad de la distribucin t de Student viene dado por la
frmula:

De manera anloga al primer caso, se deduce que:

Ejemplo 4: Las variables aleatorias X
1
y X
2
distribuidas normalmente, representan las
edades al morir de tuberculosis de los individuos en dos ciudades. Una muestra de 10
individuos que murieron por tal enfermedad en la primera ciudad dio una edad media de 48
aos y una desviacin tpica de 5 aos. En la segunda ciudad, una muestra de 12 individuos
dio una edad media de 41 aos y una desviacin tpica de 3 aos. Se desea estimar por
intervalos con un 95% de confianza, la diferencia entre las edades medias de los muertos
por tuberculosis en ambas ciudades, sabiendo que investigaciones anteriores no permiten
tomar las desviaciones tpicas de ambas variables como iguales.
X
1
= edad al morir de tuberculosis en la ciudad A.
X
2
= edad al morir de tuberculosis en la ciudad B.

104
n
1
= 10, , S
1
= 5
n
2
= 12, , S
2
= 3,
1

2
ICDM
0,95
?
Respuesta:(corresponde al item b) del caso 2)
Con estos datos, reemplazamos en la frmula para calcular los grados de libertad:
grados de libertad.
Luego, por tabla, t
0,05; 15
= 2,1315 y finalmente el intervalo resulta:
ICDM
0,95
=
= 7 3,843 = (3,157; 10,843) ~ (3 ; 11)
Interpretando el resultado se puede decir que la diferencia entre las edades medias de las
personas que murieron de tuberculosis en ambas ciudades, se encuentra entre 3 y 11 aos,
con una confianza del 95%.
3.8. INTERVALO DE CONFIANZA PARA LA VARIANCIA POBLACIONAL
Suponemos: Poblacin normal X ~ N( , )
Se fija (1 - ) y el estadstico tipificado de prueba tiene una distribucin muestral:


105
(1) donde
2
es la variancia poblacional.
Adems: (2)
Reemplazando (1) en (2) resulta:
Invirtiendo fracciones:

Multiplicando miembro a miembro por (n - 1) .S
2
para despejar
2
, se obtiene:

Invirtiendo la desigualdad:
Ejemplo 5: Un productor de fertilizantes, para controlar el buen embolsado de sus
productos, pesa 15 bolsas del mismo, obteniendo una desviacin tpica de 0,50 kg. Qu
varianza puede inferirse con un 98% de confianza que tendr la produccin total?
Respuesta:
X = peso de cada bolsa de fertilizante
n = 15 S = 0,50 kg. ICV
0,98
?

106

Por tabla:
Luego, el intervalo buscado es:

Se interpreta este resultado diciendo que existe un 98% de confianza de que la variancia
del peso por bolsa en toda la produccin de bolsas de fertilizantes de ese productor est
entre 0,12 y 0,75
Observaciones:
1) Del intervalo de confianza visto para la variancia, se deduce el correspondiente para el
desvo tpico:

Para el ejemplo 5:
2) Si n > 100 , los valores ya no se encuentran en la tabla de la distribucin Chi cuadrado, y
por lo tanto se la aproxima a una normal,
utilizando para aproximar percentiles en esta distribucin:
Luego, el intervalo buscado es:


107
TEMA No 6
PRUEBAS DE HIPTESIS

COMPETENCIA DE TEMA:

4.1. DEFINICIN.- Una hiptesis estadstica es una afirmacin o conjetura que
se hace acerca de la distribucin de una o ms poblaciones. Las hiptesis
estadsticas se pueden contrastar con la informacin extrada de las muestras, con
el propsito de saber si los resultados de la muestra, contradicen o no a tal
conjetura.
La hiptesis formulada con intencin de rechazarla se llama hiptesis nula y se
representa por H
0
. Rechazar H
0
implica aceptar una hiptesis alternativa (H
1
).
4.2. TIPOS DE PRUEBAS DE HIPTESIS
El tipo de prueba depende bsicamente de la hiptesis alternativa (o alterna) H1.
Se denomina prueba de una cola a toda prueba de hiptesis donde la alternativa H1
es unilateral. Si la alternativa es bilateral, la prueba se denomina prueba de dos
colas. Entonces, tenemos las siguientes situaciones:
1) Ho : = o y H1: o De dos colas o bilateral
2) Ho : o y H1: > o De una cola unilateral derecha
3) Ho : o y H1: < o De una cola unilateral izquierda
4.3. ERRORES DE TIPO I Y II, Y NIVEL DE SIGNIFICACIN
Se denomina error de tipo I, al error que se comete al rechazar una hiptesis nula
Ho, cuando sta es realmente VERDADERA.
Se denomina error de tipo II, al error que se comete al aceptar una hiptesis nula
Ho, cundo en realidad es FALSA.
HABILIDAD: Aplica
CONTENIDO: Las pruebas de hiptesis para la toma de decisiones en situaciones
de incertidumbre.
PROCESO: Resolviendo casos reales planteados en el proyecto de curso.

108
Nivel de significacin: La probabilidad e cometer un error de tipo I se denota por
. Entonces:
= P(error de tipo I) = P(rechazar Ho cuando Ho es verdadera)
La probabilidad de cometer un error de tipo II, se denota por . Entonces:
= P(error de tipo II) = P(aceptar Ho cuando Ho es Falsa)
Se denomina Nivel de significacin de una prueba de hiptesis a la probabilidad de
cometer un error de tipo I.
4.4. POTENCIA DE UNA PRUEBA
La potencia de una prueba se define como la probabilidad de rechazar Ho cundo es
realmente FALSA, o de aceptar H1 cuando sta es VERDADERA. La potencia de una
prueba es calculada por 1 .
El nivel de significacin se fija previamente por lo general en = 0,05 = 0,01. En
la vida real ocurre que, cuanto menos es la posibilidad de alcanzar una meta
perseguida, cuanto ms es la satisfaccin si se la alcanza. En estadstica ocurre algo
anlogo; as, tanto ms grande sea el riesgo que se corre en una prueba, tanto ms
significativo ser el resultado del experimento si coincide con lo esperado. Por
ejemplo, si con = 0,05 se llega a rechazar Ho, diremos que los resultados
maestrales son significativamente diferentes de Ho. Por esto, cuando la hiptesis
nula se rechaza con un nivel de significacin del 5 %, se dice que el resultado de la
prueba es significativo; y es ms, si se rechaza Ho con = 0,01 se dice que el
resultado de la prueba es altamente significativo.
El concepto nivel de significacin se usa para sealar que una prueba estadstica
evala la significacin de la diferencia entre el valor hipottico de un parmetro
comparado con el resultado de la muestra.
4.5. REGIN CRTICA Y REGLA DE DECISIN
Una vez planteada la hiptesis nula Ho y la hiptesis alterna H1, referidas a un
parmetro , y especificado el nivel de significacin de la prueba Ho contra H1, se
deber determinar una estadstica ( o estadgrafo) correspondiente al
parmetro, cuya distribucin muestral se conozca. Por ejemplo, si la si las Ho y H1
se expresan en trminos de la media poblacional (), entonces se seleccionar la
media muestral ( ) como la estadstica apropiada para efectuar la prueba. Si se
supone que la Ho: = o es verdadera; entonces, la distribucin de probabilidad de

109
la estadstica () queda bien definida por esta hiptesis, ya que esta hiptesis
especifica completamente la distribucin.
En la distribucin de probabilidad fijada por la hiptesis Ho: = o se establece la
regla de decisin de acuerdo con la cual se rechazar o por el contrario se
aceptar la hiptesis Ho. El rechazo de la hiptesis nula Ho implica la aceptacin de
H1.
La regla de decisin implica la divisin de la distribucin muestral del
estadstico () de la prueba en dos partes mutuamente excluyentes: La regin
de rechazo o regin crtica (RC) de Ho, y la regin de aceptacin (RA) o no
rechazo de Ho. Esta divisin depende de H1, del nivel de significacin () y de
la distribucin del estadstico.
Ejemplo prctico: Supongamos que se tiene una poblacin normal N(,9) con varianza
conocida 2 = 9 y que se trata de probar la hiptesis nula Ho: = 70 contra H1: >
70. Dado que es un buen estimador de utilizaremos esta estadstica para
determinar la regin crtica y la regin de decisin de esta prueba. Puesto que
estamos interesados en la discriminacin entre = 70 y los valores de >70, parece
razonable que debamos rechazar Ho si - 70 es muy grande, esto es si > K,
siendo K un valor crtico que vamos a determinar.
Si se supone verdadera la hiptesis Ho: = 70, entonces la distribucin de la media
es normal con media = 70 y desviacin estndar = 3. En consecuencia, la
distribucin de: Z = - 70
3/n
Es normal N(0,1). Para una muestra aleatoria de tamao n = 40 y la probabilidad de
error de tipo I, = 0,05 se tiene:
0,05 = P ( -70 > K-70) = P [ Z > k -70]
3/n 3/n 0,474
De la tabla normal N(0,1) se obtiene:
K 70 = 1,645 Luego k = 70 + 1,645x0,474 = 70,78
0,474
Por lo tanto, la regin crtica en el rango de la variacin de es el intervalo:

110
RC = [ 70,78; + ]
La regla de decisin establece que: Si x es el valor de obtenido a partir de la
muestra aleatoria de tamao 40, se rechazar Ho si x > 70,78.
4.6. PROCEDIMIENTO DE LA PRUEBA DE HIPOTESIS
Los pasos generales para efectuar una prueba de hiptesis, son las siguientes:
1) Formular Ho y H1.
2) Prueba estadstica
3) Nivel de significacin
4) Distribucin muestral
5) Regin de rechazo
6) Toma de decisiones.
Ejemplo: Se conoce que un cierto proceso de manufactura utilizado en una fbrica,
rinde una produccin promedio de 155 unidades por hora, con una desviacin
estndar de 8 unidades. Aparece en el mercado un nuevo tipo de mquina que realiza
el mismo producto. El gerente de la fbrica estima que si el rendimiento de
produccin de las nuevas mquinas es en promedio mayor que 155 unidades/hora,
stas deberan comprarse no obstante de ser ms caras. Se experimenta con 35
mquinas del nuevo tipo, con miras a utilizarlas en el proceso de manufactura, en
lugar de las antiguas. La decisin final se har de acuerdo al procedimiento de toma
de decisiones visto.
SOLUCIN
1.- Hiptesis de Nulidad.- Asumamos que el gerente est inclinado a creer que el
promedio de produccin es mayor que 155 y que quiere evitar la posibilidad de
cometer el error de comprarlas cuando en realidad no sera conveniente hacerlo;
entonces las hiptesis son:
Ho: = 155 unidades/hora H1: > 155 unidades/hora
2.- Prueba estadstica. Para este caso el estadstico de prueba ms adecuado es:

z = - o
x

111

Donde z tiene distribucin Normal Estndar.
3.- Nivel de significacin. En este caso rechazar la hiptesis nula si es verdadera
conducira a serias consecuencias, puesto que se tomara la accin equivocada de
comprar mquinas ms costosas siendo as que la produccin promedio no diferir
mayormente de las que actualmente se estn usando. A fin de prever una decisin
errada como sta, el gerente decide utilizar un nivel de significacin de = 0,01,
sea una probabilidad pequea de rechazar Ho siendo verdadera.
4.- Distribucin Muestral. Supongamos que las 35 mquinas (N=35) del nuevo tipo,
constituyen una muestra aleatoria, y que se ha obtenido una produccin media de
=160 unidades por hora. Por otro lado, asumamos que la x al de las mquinas
antiguas, entonces con N=35, tenemos:
Tenemos: x = 8/35= 1,35
Luego: z= 160 155/1,35 = 3,7
5.- Regin de rechazo. Para =0,01 y para una prueba de extremo derecho, la
regla de decisin es: Rechazar Ho siempre y cuando z > 2,33, en otro caso, aceptar
Ho.(Recurrir a la tabla A).
6.- Decisin. Como z = 3,7 > 2,33 entonces z cae dentro de la regin de rechazo,
por tanto se rechaza Ho, lo que implica aceptar H1. Por tanto, es recomendable
comprar las nuevas mquinas y para utilizarlas en lugar de las de tipo antiguo.

429936270.texto Guía Estadistica y Probabilidades II - 2008 Acef

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

429936270.texto Guía Estadistica y Probabilidades II - 2008 Acef

Uploaded by

Copyright:

Available Formats

UNI VERSI DAD AMAZNI CA DE PANDO

PROGRAMA DE ADMI NI STRACI N DE EMPRESAS

You might also like