Distribucin Suma de Variables Aleatorias H. Alvarado - L.

Retamal


DISTRIBUCIN DE ESTIMADORES DE VARIABLES ALEATORIAS


En este tema se aproxima el modelo de la distribucion normal a distribuciones de
probabilidades clasicas discretas v continuas, como la distribucion binomial, uniIorme,
Poisson, Exponencial y Gamma, para ciertos valores de sus parametros. Uno de los
objetivos es comparar las medidas teoricas y empiricas de la media y la relacion entre
las desviaciones poblacionales y de la media muestral.

SUMA DE V.A. DISCRETAS
Los ejercicios que se plantean a continuacion segun la poblacion de origen seran
resueltos en clase. El ejercicio 1, es de variable con distribucion discreta acotada,

Efercicio 1: Un producto determinado se vende en el mercado con la misma Irecuencia,
en tres tamaos 2, 4 y 6.
a) Determine la distribucion de probabilidad de la variable tamao del producto.
b) Elabore un diagrama de barras para representar su distribucion.
c) Calcular la media y la desviacion estandar
d) Enumere todas las muestras aleatorias posibles de tamao 2 con reemplazo que
pueden comprarse de este producto, y calcular las medias de las muestras obtenidas.
e) Obtenga la distribucion de probabilidad de estas medias.
I) Calcular la media y desviacion estandar de las medias muestrales. Comparar con las
teoricas.
g) Dibujar un histograma de la distribucion muestral de medias muestrales. Comentar.
h) Indica tres hechos importantes obtenidos en la resolucion del problema.


A continuacion, se deIine la distribucion de la suma de variables discretas con
distribucion uniIorme.

Def. 1. Una variable aleatoria que sigue una Iuncion de distribucion UniIorme Discreta
entre los valores a y b con ab, notandose UD(a,b), tiene la siguiente distribucion de
probabilidades ( )

+ =
+
= =
. . . 0
, 1 ,...., 1 ,
1
1
c o e
b b a a x
a b
x X P y se caracteriza por los valores
siguientes, de media
2
) (
b a
X E
+
= y varianza
( )
12
1 1
) (
2
+
=
a b
X J .



La distribucion Normal tiene un papel central en la teoria y aplicaciones de la
probabilidad. Existen muchas Iormas de mostrarla, siendo una de ellas el limite de otras
distribuciones, como es el caso de la distribucion binomial.
Recordemos que la variable con distribucion Binomial B(n,p) se puede
representar como la suma de variables aleatorias independientes Bernoulli B(1,p). A
continuacion presentamos un teorema para la suma de variables independientes
identicamente distribuidas, acerca de la aproximacion a la distribucion binomial
mediante la distribucion normal.


2
Teorema de Laplace-De Moivre. Sea
n
S la variable aleatoria 'numero de aciertos en
n experiencias de Bernoulli; si
i
X es una variable de Bernoulli, la variable

=
=
n
i
i n
X S
1

sigue una ley Binomial, con np S E
n
= ) ( y ) 1 ( ) ( p np S Jar
n
= . Pongamos:
) 1 ( p np
np S
Z
n
n

= .
Cuando n tiende a inIinito, la Iuncion distribucion de
n
S tiende a la ( ) ) 1 ( , p np np N .

Presentamos un ejemplo al area de ingenieria acerca del calculo algebraico de la
suma de v.a., por medio de la transIormacion de variables aleatorias.

Efercicio 2. Funcionamiento de un sistema. Supongamos que un sistema esta Iormado
por 100 componentes cada una de las cual es tiene una conIiabilidad igual a 0,95. (Es
decir, la probabilidad de que la componente Iuncione correctamente durante un tiempo
especiIico es igual a 0,95). Si esas componentes Iuncionan independientemente una de
otra, y si el sistema completo Iunciona correctamente cuando al menos Iuncionan 80
componentes, cual es la conIiabilidad del sistema?
Como desarrollarias este ejercicio?

1era Solucion: DeIinamos las variables aleatorias

=
nte correctame Iunciona no i componente a 0
t tiempo el en nte correctame Iunciona i componente la 1
l
X
i


Tenemos que las variables se distribuyen bernoulli ) 95 . 0 ( = p B X
i
donde p: proporcion
de componentes que Iuncionan correctamente en un tiempo especiIico.
Consideremos una muestra aleatoria
100 ,......, 2 1
, X X X y deIinamos la nueva variable
aleatoria
n
S : numero de componentes que Iuncionan correctamente en el sistema.
Es decir, ) 95 , 0 , 100 (
100
1
= = =
=
p n bin X S
i
i n
. Se pide calcular ? ) 100 80 ( =
n
S P
Es decir, ( )
=

|
|
.
|

\
|
=
100
80
100
95 , 0 1 95 , 0
100
) (
x
x x
n
x
x S P
Nos preguntamos, si son muchos terminos en la suma?, los terminos son diIiciles de
calcular?, podriamos usar otra distribucion de probabilidades para aproximar el calculo
de la probabilidad pedida?


Correccin por Continuidad
Cuesta pensar que estamos relacionando una variable aleatoria Binomial discreta
B con una v.a. Normal continua N, es decir, aproximamos el histograma de probabilidad
de una v.a. discreta X por una Iuncion de densidad de probabilidad continua f. La
probabilidad de un suceso relativo a X se puede interpretar como un area bajo el
histograma, y se la puede aproximar entonces por el area correspondiente subtendida
por f. La Iigura 2 muestra el calculo de ) ( b X P , donde b es uno de los valores de X, y
que corresponde al centro de un rectangulo de base h del histograma. Se dice que el
termino h/2 es una correccion por continuidad, debiendo hacerse siempre que una v.a.
discreta se aproxima a una v.a. continua. Si X es una v.a. continua, entonces h vale cero.
3


Establecemos el siguiente convenio: Si los posibles valores de X son enteros
consecutivos y b es un entero, entonces h1 y ) 5 , 0 ( ) ( + b F b X P . Intuitivamente, el
convenio considera el area del histograma es igual al area en la Iuncion densidad
normal, y luego admitir que 'los valores de la Normal se redondean en el entero mas
cercano (de 0 a n) para obtener asi los de la Binomial.

) 5 , 0 ( ) 0 ( = N P B P
1 ,..., 3 , 2 , 1 , ) 5 , 0 5 , 0 ( ) ( = + = n x x N x P x B P
) 5 , 0 ( ) ( = n N P n B P
( ) 2 / F ) ( ) (
) 2 / (
h b dx x f b X P
h b
+ = }
+




Una 2da solucion al ejercicio 2 de la conIiabilidad del sistema, utilizando el teorema de
Laplace-De Moivre y la correccion de continuidad:

Se pide calcular ? ) 100 80 ( =
n
S P . Una solucion aproximada de la probabilidad
es: Calculamos la esperanza y varianza de la variable de interes y aplicamos sus
propiedades:

= = = = = 95 95 , 0 1000 ) ( ) ( ) ( p n X E X E S E
i i n
,

= = = = = 75 , 4 05 , 0 95 , 0 100 ) 1 ( ) ( ) ( ) ( p p n X Jar X Jar S Jar
i i n
. Asi, la desviacion
estandar es 18 , 2 75 , 4 = =
n
S
.
Como el tamao de la muestra n 100 es grande, aplicamos el TL-D, obteniendo:
( ) npq np N S
n
, Luego procedemos al calculo, usando la correccion para continuidad:
( ) 994 , 0 ) 1 , 7 ( ) 52 , 2 (
18 , 2
95 5 , 100
18 , 2
95
18 , 2
95 5 , 79
5 , 100 5 , 79 ) 100 80 ( =
|
|
.
|

\
|

=
n
n n
S
P S P S P
Por la tanto, la probabilidad que Iuncione el sistema es de un 99,4. Compare con el
valor de probabilidad exacto.


Observacin:
Sea p el parametro que indica la proporcion de elementos de una poblacion que poseen
un atributo determinado. Si p` es el estimador puntual maximo verosimil y consistente
del parametro determinado en una muestra grande de tamao n, por el Teorema Central
del Limite, establecemos que, si n S p
n
/ ` = entonces, veriIique que ) , ( `
n
pq
p N p . Luego
anotamos
n
q p
p p
p np
np S
Z
n
n
` `
`
) 1 (

=

= . De igual Iorma podemos calcular la probabilidad

que la proporcion de elementos con cierto atributo se encuentre entre dos valores
limites, es decir,
4
( ) ( ) ( )
1 2 2 1
/ ` / : F : F n pq : p p n pq : p P
Z Z
= + < < +


Vamos a enunciar el teorema, segun Linderberg v Levv, que en su Iorma simple
seala lo siguiente:


Teorema Central del Lmite. Obtenga una muestra aleatoria simple de tamao n de
cualquier poblacion de media v desviacion tipica finita . Cuando n es grande, la
distribucion de la media muestral X se aproxima mucho a la distribucion normal
) , (
2
n
N

con media v desviacion estandar n .


Efercicio 3: Aproximacion a la distribucion Poisson. A una central de teleIonos llegan
llamadas al ritmo medio de 3 por minuto. Determinar la probabilidad de que lleguen al
menos 200 llamadas en un periodo de una hora. Como desarrollarias este ejemplo?

1era Solucion: DeIinamos la variable aleatoria X: numero de llamadas recibidas por una
central en 60 minutos.
Tenemos que la variable se distribuye Poisson ) 180 60 3 ( ~ = = = t P X donde es el
promedio de llamadas durante 60 minutos que recibe la central.
Se pide calcular ? ) 200 ( = X P Es decir,

=
200
180
!
180
) 200 (
x
x
x
e
X P

2da Solucion: Tenemos que los terminos son diIiciles de calcular, luego aplicamos el
teorema dando una aproximacion al calculo de la probabilidad mediante la distribucion
Normal. La esperanza y la varianza de la distribucion Poisson es de 180. Utilizando la
correccion por continuidad y estandarizando obtenemos:
0736 , 0 9264 , 0 1 ) 45 , 1 ( 1 )
180
180 5 , 199
( ) 200 ( = = =

=
Z
F Z P X P


Observacin:
(1) Sean
n
X X X ,...., ,
2 1
variables aleatorias de Poisson independientes, de media comun
. Por el teorema central del limite la distribucion de
=
=
n
i
i n
X S
1
es aproximadamente
normal ) , ( n n N para n suIicientemente grande.

(2) Para el caso en que n es grande y p pequeo, los terminos de la distribucion
binomial B(n,p) seran muy parecidos a las probabilidades de Poisson P( np = ). El
error de la aproximacion normal sera pequeo si npq es grande. Para pequea,
solamente puede usarse la aproximacion de Poisson, pero si es grande, podemos
utilizar cualquiera de las aproximaciones Normal o de Poisson. Esto implica que para
valores grandes de , nos podremos aproximar a la distribucion de Poisson mediante la
distribucion normal. Veamos el siguiente ejemplo numerico.


5
Efercicio 4: En un proceso de Iabricacion de peliculas IotograIicas aparecen por
termino medio 1 deIecto por cada 20 metros de pelicula. Si la distribucion de deIectos
es Poisson, calcular la probabilidad de 6 deIectos en un rollo de 200 metros de pelicula
(a) directamente; (b) utilizando la aproximacion normal.
Solucion
a) Primero calculamos la probabilidad en Iorma exacta usando el modelo de poisson.
Tenemos que el parametro 20 / 1 = metros, luego en 200 metros 20 200 =
10 deIectos/200 metros. Asi 0630 , 0
! 6
10
) 6 (
6 10
=

= =

e
X P .
b) Usando la normal y la correccion por continuidad obtenemos
0557 , 0
10
10 5 . 6
10
10 5 . 5
) 6 ( =
|
|
.
|

\
|
< <

= = Z P X P . Aqui se observa la buena aproximacion de la

Poisson por la normal, para n grande y 5 > .


Efercicio 5: Aproximacion de la distribucion hipergeometrica a la normal. La candidata
presidencial de Chile Michel Bachelett obtiene un 48 de los N encuestados, de Iorma
permanente por varios meses, previo a las elecciones. Pensando en los resultados
deIinitivos de diciembre 2005 respecto a los votos de los tres candidatos,
a) Cual es la probabilidad de que se lo de como ganadora en un sondeo de 200 votos
en un determinado distrito?, Tendremos una primera presidenta mujer de Chile, en la
primera vuelta electora?.
Nota: La proporcion p de votos a Iavor de M. Bachelett varia de un mes a otro pero con
tendencia al 48 y ademas los tamaos de muestras pueden ser distintos.
Solucion:
Recordemos. Supongamos que se extraen n bolas, al azar y sin reemplazamiento, de una
urna que contiene a bolas blancas y b bolas negras; sea X el numero de bolas blancas
contenidas en la muestra resultante. Sabemos que X tiene una distribucion
hipergeometrica, con Iuncion de probabilidad

|
|
.
|

\
| +
|
|
.
|

\
|

|
|
.
|

\
|
=
n
b a
x n
b
x
a
x f ) ( , { } ) , ( ,..... 3 , 2 , 1 , 0 n a min R
X
=

Supongamos que n es grande y que n b a >> + . Entonces, esta distribucion puede ser
aproximada por una distribucion normal, con media y varianza
np = ;
|
.
|

\
|
+
+
=
1
2
b a
n b a
npq
Para valores dados de n y ab, la aproximacion mas precisa se obtiene cuando p (
a/(ab)) es proximo a 0,5 (a/b 1). Segun nuestro ejercicio:

Sea X el numero de votos que obtiene de los 200. Entonces X tiene una distribucion
hipergeometrica de parametros n 200, a pN v b (1-p)N, donde p 0,48 . La
media y varianza son:
96 = = np ;
1
200
92 , 49
1
2

=
+
+
=
N
N
b a
n b a
npq
6
Si 200 >> N , la varianza esta proxima a 49,92 y la distribucion de X es aproximadamente
N(96 , 49,92), aproximadamente. La probabilidad de que la candidata obtenga mas de la
mitad de los votos es
2611 , 0 7389 , 0 1 ) 6369 , 0 ( 1
92 , 49
96 5 , 100
1 ) 100 ( = = =
|
|
.
|

\
|

> F F X P
Z
.
b) Calcule el valor de la probabilidad sin usar la correccion y comente su diIerencia.
c) Compare el resultado en (a) con la aproximacion Binomial a la Hipergeometrica de la
probabilidad calculada.



SUMA DE V.A. CONTINUAS
Es de gran interes en la ingenieria estudiar la distribucion de variables continuas,
debido a que muchas de las modelaciones en los campos de problemas intervienen
variables de tipo continuas, por ejemplo el uso de la distribucion de Weibull y
exponencial; comenzaremos con la distribucion UniIorme continua que permite generar
numeros aleatorios con distribucion normal N(0,1). Las soluciones a los problemas
planteados sugieren principalmente los argumentos algebraicos y de simulacion
computacional.

A continuacion enunciamos el teorema central del limite como limite de una
sucesion de funciones.


Teorema central del lmite: Denotemos por f
n
la Iuncion densidad de probabilidad de
la suma
n
S , o la altura del histograma de
n
S en el caso discreto. El teorema central del
limite aIirma que, para todo numero real z, ) 2 / exp(
2
1
) (
2
: : f Lim
n
n
=

.


Demostracion por la funcion generadora de momentos
La demostracion clasica del TCL se presenta para el caso de la suma de v.a.i.i.d.
en el cual existe la Iuncion generadora de momentos (Igm) para las variables aleatorias
en la muestra, y requiere revisar los conceptos basicos de la Igm y de convergencia en
series. El bosquejo de la demostracion es la siguiente:
Sea M la Igm de las v.a.
i
X . Como son independientes la Igm de la suma
n
S de v.a. esta
dada por [ ]
n
S
t M t M
n
) ( ) ( = , y puesto que n n S Z
n n
) ( = es una Iuncion lineal de
n
S ,
tenemos que la Igm de
n
S esta dada por
n
t n
Z
n
t
M e t M
n
(

=

)

( ) (
) / (

. Aplicando
logaritmo natural se tiene )

( ln ) ( ln

n
t
M n
n
t M
n
Z
+

= ..(1). La idea de la
demostracion consiste en investigar ) (t M
n
Z
para grandes valores de n. Desarrollemos
M(t) en una serie de Maclaurin: R
t
t R
t M
t M t M +
+
+ + = + + + =
2
) (
1
2
) 0 (
) 0 ( 1 ) (
2 2 2 2
`


en donde R es el termino del resto. Luego (1) queda
(
(

+
+
+ + +

= R
n
t
n
t
n
n
t M
n
Z
2
2 2 2
2
) (
1 ln ) ( ln

. Obtenemos asi, usando el desarrollo de

7
Maclaurin para ln(1x) + +
3 2
3 2
x x
x y para n suIicientemente grande, que:
(
(

+
|
|
.
|

\
|
+
+
+
|
|
.
|

\
|
+
+
+ +

=
2
2
2 2 2
2
2 2 2
2
) (
2
1
2
) (
) ( ln R
n
t
n
t
R
n
t
n
t
n
n
t M
n
Z

Sin dar
todos los detalles de pasos algebraicos, queremos investigar la expresion ) ( ln t M
n
Z

cuando n . Cualquier termino que tiene una potencia positiva de n en el
denominador tendera a cero cuando n . Despues de unos calculos algebraicos muy
directo encontramos que 2 ) ( ln
2
t t M Lim
n
Z
n
=

. Luego tenemos
2
2
) (
t
Z
n
e t M Lim
n
=

. Esta es la
Igm de la variable aleatoria con distribucion N(0,1). Debido a la propiedad de unicidad
de la Igm podemos concluir que la v.a.
n
Z converge en distribucion (cuando n ) a la
distribucion N(0,1).


Efercicio 6: Electricidad v magnetismo. Se tienen n voltajes
n
J J J , ,......... ,
2 1
que se
reciben en una especie de concentrador (sumador), de tal suerte que

=
=
n
i
i
J J
1
es la
suma de los voltajes en ese punto. Cada voltaje
i
J es una variable aleatoria distribuida
uniIormemente en el intervalo |0,10|. Considerando n 20, calcular la probabilidad de
que el voltaje total de entrada sobrepase los 105 volts.


1era Solucin: El voltaje total equivale a la suma de los 20 voltajes de entrada,
|
.
|

\
|
>
=
105
20
1 i
i
J P . Como las variables de voltaje son uniIorme en |0,10|, es complicado
encontrar la Iuncion densidad de probabilidad conjunta exacta para la suma de los 20
voltajes, y luego mas aun la probabilidad
20 1
105
20 1
20
1
,..., ) ,..., ( 105 dx dx x x f J P
i
i
} } =
|
.
|

\
|
>
=



2da Solucin: Si n 20, usemos el teorema central del limite para calcular la probabilidad
pedida. La esperanza y varianza de cada voltaje son 5 y 25/3 respectivamente. Luego,
para el voltaje total de entrada
=
=
20
1
20
i
i
J S tenemos 100 ) (
20
1
=
= i
i
J E y 3 / 500 ) (
20
1
=
= i
i
J Jar . La
variable aleatoria estandarizada
3 500
100
20
20
*

=
S
S tiene , por el teorema central del limite,
una distribucion aproximadamente normal estandar para n grande. Calculemos la
probabilidad:
( ) 3429 , 0 6517 , 0 1 387 , 0
3 500
100 105 ) (
105
20
20 20
20
1
= = > =
|
|
.
|

\
|

>

=
|
.
|

\
|
>
=
Z P
S
S E S
P J P
i
i


Podemos considerar los n 20 voltajes suIiciente para tener una buena aproximacion
del teorema?

8
Efercicio 7: Sean
n
X X X ,........, ,
2 1
variables aleatorias U(0,1) independientes. La

=
=
n
i
i n
X S
1
tiene una media de
2
n
y varianza de
12
n
. La variable aleatoria estandarizada
12 /
2 /
*
n
n S
S
n
n

= tiene, por el teorema central del limite, una distribucion aproximadamente
normal estandar para n grande. La Iuncion densidad de probabilidad exacta de
*
n
S para
valores pequeos de n se puede obtener por metodos de cambio de variables. Por
ejemplo, la I.d.p. de
*
2
S es:

( )
( )

< <
< < +
=
6 0 6 / 6
0 6 6 / 6
) (
: para :
: para :
: f
:


En la siguiente Iigura se compara la I.d.p. exacta de
*
n
S con la I.d.p. de la distribucion
normal, para n 1,2,3. Notese la concordancia es buena incluso para valores de n tan
pequeos como 3. Con apoyo del computador muestre la distribucion de
*
n
S para n ~3.






Efercicio 8: Por medio de algun programa estadistico o los microprogramas Applets de
las distribuciones de probabilidades disponible en este curso, explore para distintos
valores de los parametros distintas distribuciones de tipo discreta como continua. Por
ejemplo, son casos particulares las distribuciones t-student, chi-cuadrado y de Fisher;
que como hemos estas distribuciones de probabilidad estan tabuladas y son de gran
utilidad en inIerencia estadistica.


9
Efercicio 9: Los tiempos que tarda un cajero en procesar el pedido de cada persona son
variables aleatorias independientes con distribucion exponencial y una media de 1,5
minutos. Cual es la probabilidad aproximada de que se puedan procesar los pedidos de
100 personas en menos de 2 horas?

Tenemos / 1 5 , 1 ) ( = = X E ; donde 3 / 2 = . Entonces la v.a. ) 3 / 2 exp( ~ = X .
Ademas la varianza es 4 / 9 / 1 ) (
2
= = X J . Considerando una muestra de 100 personas
100 2 1
,..., , X X X , ( ) ( ) 2 , 1 120 < = < X P X P
i
Utilizando el teorema central del limite para
n 100, aproximamos el estimador a la distribucion
) 1 , 0 ( ~
20 / 3
5 , 1
100
4 / 9
, 5 . 1 ~
2
N
X
n
N X

|
|
.
|

\
|
= =

. Asi 02275 , 0 ) 2 (
20 / 3
5 , 1 2 , 1
= < =
|
.
|

\
|
< Z P Z P .
Suponga que los tiempos que tarda un cajero en procesar el pedido de cada
persona son variables aleatorias independientes de poblacion desconocida, con una
media de 1,5 minutos y una desviacion estandar de 1 minuto. Cual es la probabilidad
aproximada de que se puedan procesar los pedidos de 100 personas en menos de 2
horas?


Efercicio 10. Suponga que la distribucion del tiempo X (en horas) utilizados por
estudiantes de cierta universidad en sus proyectos de graduacion es gamma con
parametros 50 = y 2 = . Debido a que es grande, se puede demostrar que X tiene
aproximadamente una distribucion normal. Utilice este hecho para calcular la
probabilidad de que un estudiante seleccionado al azar pase a lo sumo 125 horas en el
proyecto de graduacion. GraIique la distribucion gamma ( 50 = , 2 = )

Recordemos que: Una variable con distribucion Gamma X ~ gamma ( ) , tiene por
= ) X ( IE y
2
) X ( V = . Tiene por propiedad:

a) Si 1 = , = / 1 , 0 > se obtiene la distribucion exponencial de parametro .
b) Si = I r , = / 1 se obtiene la distribucion Erlang ( ) , r que nos da la
distribucion del tiempo necesario para observar r exitos. Su I.d.p. es de la Iorma:

( )! 1 r
e x
) x ( I
x 1 r r

=

, y = / r ) X ( IE ,
2
/ r ) X ( V =

c) Si = I n
2
n
, y 2 = se obtiene la distribucion Chi cuadrado con n grados
de libertad (que es su parametro). Ademas, IE(X) n y J(X) 2 n

10




Efercicio 11: La compaia Valmar Iabrica ligas de hule del numero 18 y las empaca en
paquetes de 200 ligas cada uno. El peso de una liga individual es una variable aleatoria
con distribucion desconocida, pero se ha calculado que la media es de aproximadamente
gramo, con una desviacion estandar de 1/100 de gramo. Cada 50 paquetes de ligas se
empacan luego en una caja de carton. Las cajas son transportadas hacia almacenes de
todo el pais para su comercializacion. Use el teorema central del limite para determinar
el porcentaje de cajas cuyo contenido neto es de mas de 5010 gramos (tome en cuenta
solo el peso de las ligas que contiene).

Efercicio 12: Determinacion de tamaos de muestra. Represente por el verdadero
pH de un compuesto quimico. Se hara una secuencia de n calculos independientes de
pH muestrales. Suponga que cada muestra de pH es una variable aleatoria con valor
esperado y desviacion estandar 0.1. Cuantos calculos se necesitan si deseamos
saber la probabilidad de que el promedio de la muestra este dentro de 0.02 del verdadero
pH y sea por lo menos de 0.95? Que teorema justiIica este calculo de probabilidades?
Solucion:
La variable pH es continua y se quiere estimar el tamao adecuado de muestras de pH
para luego inIerir acerca de la media poblacional de pH de un compuesto quimico.
Considerando la inIormacion de un error de precision de la estimacion de 0,02
= X e , la desviacion estandar poblacional 0,1 y una conIianza de 1 0.95,
que equivale al percentil Z (0.975) 1,96 , podemos calcular el tamao minimo dado
por la expresion 97 04 , 96
02 , 0
1 , 0 96 , 1 ) 2 / 1 (
2 2
=
(

=
(

=
e
Z
n



El numero de unidades que se deben seleccionar de una poblacion, mediante un
muestreo aleatorio simple depende de la precision o error absoluto de estimacion con la
cual se quiere estimar el parametro de interes, de la varianza de la poblacion y del valor
del coeIiciente de conIianza utilizado para eIectuar la estimacion mediante un intervalo.

En este ejercicio, la variable es cuantitativa y se estima el valor medio
poblacional de una muestra de tamao n. Se deIine el error absoluto de estimacion o
precision de la estimacion a la expresion = X e .
11
Si la poblacion de donde se saca la muestra es normal y la varianza es conocida de la
expresion del intervalo de conIianza se obtiene
n
Z X

) 2 / 1 (
Sustituyendo el primer miembro y considerando el mayor error:
2
) 2 / 1 (
) 2 / 1 (
(

= =
e
Z
n
n
Z e


Luego, si es conocida se Iijan e y 1 y se determina el valor del tamao de
muestra n.
Si es desconocida se debe eIectuar un estudio exploratorio y obtener su estimador S
con una muestra razonable
/
n . Asi,
2
1
) 2 / 1 (

/
(
(

=

e
S t
n
n




Efercicio 13: Se desconoce la distribucion de probabilidad de cierta variable aleatoria X
y el valor de su media ( ); no obstante, existen motivos para asegurar que la
desviacion tipica de X es aproximadamente 3 = . De que tamao debe ser una
muestra aleatoria de valores de X para tener una conIianza minima de 95 de que la
discrepancia entre la media muestral y la media verdadera de la poblacion sera menor a
0.3?


Efercicio 14. Suponga que cierta variable aleatoria continua X tiene una Iuncion de
densidad de probabilidad dada por:

< <
=
caso otro en
x si x
x f
0
1 1
2
3
) (
2

Suponga que se extraen muestras de tamao 15, al azar, de dicha variable aleatoria. Use
el teorema central del limite para estimar el valor de ( ) 15 . 0 03 . 0 x P