Edi II (Plan 1992)

Gua para presentar exmenes de
Recuperacin o Acreditacin Especial
ESTADSTICA DESCRIPTIVA E INFERENCIAL II
Estadstica Descriptiva e Inferencial II
Gua para presentar exmenes de

Recuperacin o Acreditacin Especial
(Versin preliminar)
Esta gua fue elaborada por la Secretara Acadmica, a travs de la Direccin de Planeacin Acadmica, con la
colaboracin de:
Prof. Javier Cervantes S.
Ajustes y revisin:
Prof. Leopoldo Ral Cano Rivera.
Colegio de Bachilleres, Mxico

www. cbachilleres.edu.mx
Rancho Vista Hermosa No. 105
Ex-Hacienda Coapa,
04920, Mxico, D.F.
La presente obra fue editada en el procesador de palabras Word 2002 (Office xp).
Word 2002 es marca registrada de Microsoft Corp.
Este material se utiliza en el proceso de enseanza-aprendizaje del Colegio de Bachilleres, institucin pblica de
educacin media superior del Sistema Educativo Nacional.
Ninguna parte de esta publicacin, incluido el diseo de la cubierta, puede reproducirse, almacenarse o transmitirse en
forma alguna, ni tampoco por medio alguno, sea ste elctrico, electrnico, qumico, mecnico, ptico, de grabacin o
de fotocopia, sin la previa autorizacin escrita por parte del Colegio de Bachilleres, Mxico.
Agosto de 2004
II
NDICE
PRESENTACIN ..........................................................................................................
PROLOGO
V
VII
UNIDAD 1. Variables aleatorias...................................................................................
1.1 Variable aleatoria....................................................................

Aplicacin del conocimiento................................................................................
Ejercicios. .................
Tabla de Comprobacin.....................................................................................
1.2 Funciones probabilsticas......................................................................................
Aplicacin del conocimiento......................................................................
Ejercicios. .....................
Tabla de Comprobacin..................................................................................
Ejercicios de autoevaluacin..................
Clave de respuesta.................
3
6
8
11
13
16
19
23
25
27
UNIDAD 2. Funciones probabilsticas discretas........................................................
29
2.1 Experimento de Bernoulli...................................................................................

Ejercicios. .....................
Tabla de Comprobacin .....................................................................................
2.2 La distribucin binomial........................................................................................
Ejercicios. .....................
Tabla de Comprobacin ..................................................................................
2.3 Distribucin de Poisson........................................................................................
Ejercicios. .....................
Tabla de Comprobacin ..................................................................................
Ejercicios de autoevaluacin......................
31
32
33
34
35
38
41
44
45
47
49
51
52
54
UNIDAD 3. Distribuciones probabilsticas continuas................................................
55
3.1 Distribucin normal estndar............................................

Ejercicios. ..............
3.2 Distribuciones muestrales y teorema central del lmite.....................................
Ejercicios. ..............
3.3 Distribucin t-student..........................................................................................
Ejercicios. ..............
Ejercicios de autoevaluacin..................
57
63
67
69
71
73
74
75
77
79
80
81
82
83
III
UNIDAD 4. Inferencia estadstica. ..................................................
85
4.1 Planteamiento de una hiptesis estadstica........................................................

Ejercicios. .................
4.2 Estimacin....................................................................................................
Ejercicios. .................
Ejercicios de autoevaluacin......................
87
90
92
94
95
98
99
101
102
104
UNIDAD 5. Aplicaciones de la inferencia estadstica................................................
105
5.1 Muestreo de aceptacin.........................................................................................

Aplicacin del conocimiento...............................................................................
Ejercicios. .................
5.2 Diagrama de control...............................................................................................
Ejercicios. .................
Ejercicios de autoevaluacin...............
107
110
112
113
115
121
125
126
127
128
ANEXOS .......................................................................................................................
129
BIBLIOGRAFA .............................................................................................................
140
SUGERENCIAS PARA PRESENTAR EXMENES DE

RECUPERACIN O ACREDITACIN ESPECIAL. .....................................................
142
IV
PRESENTACIN
La evaluacin de recuperacin y la de acreditacin especial son oportunidades extraordinarias que debes

aprovechar para aprobar las asignaturas que, por diversas razones, reprobaste en el curso normal; pero
cuidado!, presentarse a un examen sin la preparacin suficiente significa un fracaso seguro, es una
prdida de tiempo y un acto irresponsable que puedes evitar.
Cmo aumentar tu probabilidad de xito en el examen mediante la utilizacin de esta gua? La respuesta
es simple, observa las siguientes reglas:
Convncete de que tienes la capacidad necesaria para acreditar la asignatura. Recuerda que fuiste
capaz de ingresar al Colegio de Bachilleres mediante un examen de seleccin.
Sigue al pie de la letra las instrucciones de la gua.
Procura dedicarte al estudio de este material, durante 15 das al menos, tres horas diarias continuas.
Contesta toda la gua: es un requisito que la presentes resuelta y en limpio al profesor aplicador antes
del examen correspondiente.
VI
PRLOGO
En el marco del Programa de Desarrollo Institucional 2001-2006 el alumno tiene especial relevancia, por
lo que el Colegio de Bachilleres Metropolitano se ha abocado a la elaboracin de diversos materiales
didcticos que apoyen al estudiante en los diversos momentos del proceso de enseanza-aprendizaje.
Entre los materiales elaborados se encuentran las guas de estudio, las cuales tienen como propsito
apoyar a los estudiantes que deben presentar exmenes de Recuperacin o Acreditacin Especial, con
objeto de favorecer el xito en los mismos.
En este contexto, la Gua para presentar exmenes de Recuperacin o Acreditacin Especial de
ESTADSTICA DESCRIPTIVA E INFERENCIAL II se ha elaborado pensando en los estudiantes que por
diversas causas reprobaron la asignatura en el curso normal y deben acreditarla a travs de exmenes en
periodos extraordinarios.
Esta gua se caracteriza por abordar, de manera sinttica, los principales temas sealados en el programa
de estudios, favorecer la ejercitacin de los mtodos, conceptos y modelos estadsticos en el manejo e
interpretacin cuantitativa y cualitativa de informacin diversa, adems de los elementos bsicos de la
probabilidad estadstica, as como proporcionar elementos de autoevaluacin y sugerencias en caso de
que se necesite mayor informacin para comprender dichos temas.
En la primera unidad de la gua, denominada VARIABLES ALEATORIAS, se abordan los aprendizajes
relacionados con las variables aleatorias relacionadas con el concepto de evento estocstico y se abordan
las funciones probabilsticas bsicas.
En la segunda unidad, FUNCIONES PROBABILSTICAS DISCRETAS, se desarrollan la distribucin de
probabilidad binomial de Poisson, induciendo las caractersticas del experimento de Bernoulli y calculando
sus parmetros principales.
La tercera unidad, FUNCIONES PROBABILSTICAS CONTINUAS, abarca el anlisis de las distribuciones
normal estandar y t-student, incluyendo el clculo y la interpretacin de sus parmetros principales.
La cuarta unidad, INFERENCIA ESTADSTICA, aborda los conceptos bsicos de la inferencia estadstica
a partir del anlisis de la informacin contenida en una muestra.
En la quinta unidad, APLICACIONES DE LA INFERENCIA ESTADSTICA, se desarrollan los elementos
bsicos del muestreo de aceptacin de una distribucin binomial mediante la simulacin y anlisis de
procesos estocsticos.
Por ltimo se proporciona una bibliografa bsica para consultar en fuentes originales los temas
desarrollados en la gua.
VII
UNIDAD 1
VARIABLES ALEATORIAS
UNIDAD 1
1.1 VARIABLE ALEATORIA
Aprendizajes
Clasificar variables aleatorias discretas y continuas.
Identificar los elementos esenciales de la variable aleatoria: dominio,
regla, imagen, rango y grfica.
Identificar las caractersticas de la funcin de distribucin continua.
Identificar las caractersticas de la funcin de distribucin discreta.
Una variable aleatoria tambin conocida como una variable al azar o estocstica asocia los datos
del espacio muestral de un experimento aleatorio con valores numricos reales. Es considerada
como una funcin que asigna un nico nmero real a cada resultado de un espacio muestral en un
experimento. Es decir, en vez de colocar letras todo lo vamos a representar con nmeros de acuerdo con
una regla establecida.
Esta variable tiene los siguientes elementos:
Dominio: Son todas las observaciones diferentes que contiene el espacio muestral; es decir, todos los
resultados que se tienen al realizar un experimento, el cual se puede obtener a travs de una encuesta
o matemticamente elaborando un diagrama de rbol. Por ejemplo: cuando se escogen elementos de
dos conjuntos, cuando se lanzan dos monedas o ms, o cuando se encuesta a las personas para
conocer su altura, peso, edad, etc. Representaremos al dominio con la letra y sus elementos se
escribirn entre llaves.
= todos los resultados del experimento
Regla de correspondencia: Es la forma de llevar los resultados del espacio muestral a valores
numricos o hacer lo que la variable aleatoria nos indica. Por ejemplo: sea X la variable aleatoria que
se define segn la regla de correspondencia siguiente: nmero de soles que se obtienen al lanzar tres
monedas. Si observas bien, el dominio lo tendrs representado con las letras A S como en la
observacin ASS, sirvindonos la regla para transformarlo a nmeros. La regla que define a la variable
se puede representar con letras maysculas tales como X, Y o Z.
Imagen: Es el nmero que se obtiene como resultado de aplicar la regla de correspondencia al
dominio y se representa con la letra I. Del ejemplo anterior, tenemos que la imagen I(ASS) X(ASS)
es 2 porque la variable aleatoria X toma el valor de 2 cuando observamos la terna ASS. Los elementos
colocados en el parntesis son los valores u observaciones del dominio y el resultado es el valor de la
imagen.
Rango: Se define como el conjunto que contiene todas las imgenes asociadas al experimento
aleatorio. Se forma anotando dentro de llaves las diferentes imgenes ordenadas en orden creciente,
sin repetir elementos. Representaremos el rango con la letra R y sus elementos (las diferentes
imgenes) con la letra I, establecindose su expresin matemtica de la siguiente forma:
R=
I1, I2, I3, , In
Grfica funcin de una variable aleatoria: Es la forma de representar en el plano cartesiano los
valores del dominio con sus respectivas imgenes una vez aplicada la regla de correspondencia,
ordenando de menor a mayor todos sus elementos. Colocando en el eje horizontal (x) los elementos
del dominio y en el eje vertical (y) las imgenes correspondientes.
Toda funcin est constituida por el dominio y el rango. Para nuestro caso, la funcin de la variable
aleatoria ordena en parejas primero los elementos del dominio y despus los elementos del rango,
respectivamente. Se simboliza con la letra f, y matemticamente se representa en la forma siguiente:
f = (1, I1), (2, I2), . (n, In)
Donde: i = Cada elemento del dominio.
Ii = Imagen respectiva de cada elemento del dominio.
Las imgenes de una variable aleatoria suelen representarse tambin con la letra representativa de la
variable. As, la imagen I (1) se escribe generalmente de la forma X (1), cuando la variable aleatoria es X.
Por ejemplo: un experimento sencillo es lanzar una moneda. La variable aleatoria X se define como el
nmero de guilas que salen.
El dominio es:
= A, S .
Las imgenes son:
X (A) =1, X (S) =0.
El rango es:
R=
0,1 .
Por lo tanto, la funcin de la variable es
f = (A, 1); (S, 0) .
Existen dos tipos de variable aleatoria: la discreta y la continua.

La variable aleatoria discreta es aquella que tiene como resultados solamente nmeros enteros; por
ejemplo: la edad de las personas en aos. Se caracteriza por ser el resultado de realizar enumeraciones
o conteos, la suma de las probabilidades asociadas a sus diferentes valores suman siempre 1 y su
distribucin de probabilidad se representa por una grfica de barras o pequeos segmentos en escaln (lo
que significa que la grfica tiene saltos o huecos). No tiene probabilidades negativas, es decir, sus
probabilidades van de 0 a 1 y se aplica preferentemente a muestras pequeas (menor de 100 datos). Para
determinar estas probabilidades se utilizan los mtodos de Bernoulli o de Poisson. Su funcin acumulada
es igual a la suma de todas las probabilidades y adems es una funcin discontinua.
La variable aleatoria continua es aquella que tiene como resultados valores tomados de los nmeros
reales, es decir, con nmeros enteros y decimales; por ejemplo: el peso de las personas en kilogramos.
Se caracteriza por ser el resultado de la toma de mediciones con algn instrumento de precisin, el rea
total representada bajo su curva es igual a 1 y su grfica es una curva continua que no tiene saltos o
huecos. No existen probabilidades negativas, es decir, sus probabilidades van de 0 a 1. Las variables
continuas se aplican a un conjunto infinito de datos, imposible de contar (es decir todos los datos que
estn dentro de un intervalo dado, como a x b), tomando no solo un elemento del dominio. Son propias
para muestras grandes (mayor o igual que 100 datos). Para determinar las probabilidades se consideran
intervalos bajo la curva para delimitar un rea que indica qu posibilidad tiene de aparecer o suceder un
evento determinado. Para encontrar estas probabilidades se usan funciones de distribucin de
probabilidad como la distribucin normal (curva de Gauss) y las distribuciones muestrales. Su funcin
acumulada se conoce tambin como funcin de densidad de probabilidad.
UNIDAD 1
Al hablar del rea bajo la curva, nos referimos al tramo que se marca de un punto inferior (a) a un punto
superior (b) en el eje horizontal, de la grfica de la variable aleatoria continua, como se muestra en la
siguiente figura.
P(X)
X
a
APLICACIN DEL CONOCIMIENTO
I. Un experimento consiste en lanzar un dado normal de seis caras (llamado tambin dado legal o dado no
trucado). La regla de correspondencia a aplicar es: si sale nmero par dividir el nmero observado entre
dos, en caso contrario multiplica por dos. Se determinar la funcin de la variable aleatoria y se indicar
qu tipo de variable se est manejando.
Paso 1. Identificar el dominio (que como recordars son todos los resultados que se obtienen al realizar el
experimento).
En el caso de los dados normales o no trucados, stos tienen 6 caras numeradas del 1 al 6. Por lo tanto, el
dominio es:
=
1, 2, 3, 4, 5, 6
Recuerda que slo se elabora un diagrama de rbol si es difcil contar los elementos del dominio.
Paso 2. Aplicar a cada elemento del dominio la regla de correspondencia citada, para obtener la
imagen.
En este caso el primer elemento del dominio es 1 y puesto que se trata de un nmero impar, la regla nos
dice que tenemos que multiplicar este nmero por 2 teniendo como resultado el valor 2 que sera la
imagen. Simblicamente se expresa de la siguiente forma: X(1) = 1.
Operando as para cada elemento del dominio, obtenemos las imgenes:
X(1) = 1(2) = 2
X(4) = 4 / 2 = 2
X(2) = 2 / 2 = 1
X(5) = 5 (2) = 10
X(3) = 3 (2) = 6
X(6) = 6 / 2 = 3
R = 1, 2, 3, 6, 10
Paso 3. Determinar el tipo de variable aleatoria de que se trata.
Dado que los nmeros obtenidos son enteros, se trata de una variable aleatoria discreta.
Paso 4. Obtener la funcin de la variable aleatoria.
f=
(1, 2), (2, 1), (3, 6), (4, 2), (5, 10), (6, 3)
II. Un experimento consiste en medir las estaturas a 10 personas teniendo como resultados los valores del
conjunto A = 1.25, 1.50, 1.52, 1.73, 1.80, 1.65, 1.68, 1.79, 1.85, 1.56 dadas en cm; sea Y la variable
aleatoria si la medicin es mayor de 1.70 cm se asignar el valor de 1.00, en caso contrario se asignar el
valor que aparece. Se determinar el conjunto imagen y se indicar qu tipo de variable se maneja.
Paso 1. Determinar el dominio, que son los mismos valores del conjunto A.
=
1.25, 1.50, 1.52, 1.56, 1.65, 1.68, 1.73, 1.79, 1.80, 1.85
Paso 2. Determinar el conjunto imagen.

El primer elemento es 1.25 y puesto que esta medicin no es mayor que 1.70, su imagen es 1.25.
UNIDAD 1
Matemticamente tenemos que la imagen de X (1.25) = 1.25, as que, al aplicar la regla a todos los
elementos del dominio, obtenemos la tabla siguiente:
X(1.50) = 1.50
X(1.65) = 1.65
X(1.79) = 1.00
R=
X(1.52) = 1.52
X(1.68) = 1.68
X(1.80) = 1.00
X(1.56) = 1.56
X(1.73) = 1.68
X(1.85) = 1.00
1.25, 1.50, 1.52, 1.56, 1.65, 1.68, 1.00, 1.00, 1.00, 1.00
Paso 3. Identificar el tipo de variable.

Los resultados son nmeros enteros con decimales; por lo tanto, se trata de una variable aleatoria
continua (observe que la naturaleza misma de la variable es de tipo continuo por tratarse de una
medicin).
A continuacin se presenta un problema, resulvelo siguiendo el procedimiento de los experimentos
anteriores.
III. Se lanza un dado donde la variable aleatoria X se define por la regla de correspondencia: es el
nmero que aparece ms 1.
i)
Cul es la funcin de la variable aleatoria?
ii)
A qu tipo de variable se refiere?
EJERCICIOS
INSTRUCCIONES: Lee con atencin cada uno de los siguientes enunciados y anota sobre la lnea la
respuesta correcta.
1. El experimento de lanzar 4 monedas y contar el nmero de soles que se obtienen hace referencia a una
variable aleatoria ______________.
2. El experimento de medir la altura de 10 personas, en metros, se refiere a una variable aleatoria
___________________.
3. INSTRUCCIONES: Observa con atencin las siguientes grficas y anota en el espacio correspondiente
si se refiere a una variable discreta o continua.
P (Xi)
P(Xi )
a)
b)
Xi
X1 X2 X3
Xi
X4 X5
X1
a)
b)
P(Xi)
P(Xi)
c)
d)
X1
c)
X2
X2
X3 X4
Xi
d)
Xi
UNIDAD 1
INSTRUCCIONES: Lee con atencin cada uno de los siguientes planteamientos y realiza lo que se solicita.
Incluye en el espacio el desarrollo.
4. Se tienen 7 cartas numeradas del 1 al 7 y se extrae una de ellas al azar. Determina el rango de la
funcin si la regla asociada a la variable X es si el nmero observado es par asignarle el nmero 1, en
caso contrario se le sumar 1.
5. Un experimento consiste en lanzar un dado normal de seis caras. Cul es el dominio?
6. Un experimento consiste en lanzar 2 monedas normales; sea Z la variable aleatoria definida por la
regla: nmero de guilas que se observa en las caras superiores. Obtener la funcin de la variable
aleatoria.
7. En un torneo de golf se tom la distancia, en metros, que recorra la pelota en cada golpe que da un
jugador, teniendo como resultados 6.50, 7.20, 8.00, 5.89, 6.30, 7.50, 7.90, 6.50, 7.40 y 7.20. Si la
variable Y se define por la regla asignar el mismo nmero que la distancia observada. Cul es el
rango de la funcin?
8. Un estudio reciente mostr que el 60% de los estudiantes universitarios fuman. Al seleccionar al azar a
cinco estudiantes de esa Universidad, la probabilidad de que tres de ellos fumen es del 34.6%, por
qu se considera que la variable es aleatoria discreta?
9. Suponga que el 70% de los estudiantes de un colegio son varones. Si se selecciona al azar una
muestra de 12 estudiantes y la probabilidad de que 4 de ellos sean varones es del 33%, por qu en
este problema se emplea una variable aleatoria discreta?
10. Suponga que la temperatura T durante junio est normalmente distribuida (su curva de frecuencias
tiene la forma de una campana de Gauss simtrica alrededor de la media). Si la probabilidad de
registrar temperaturas entre los 70 C y 80 C es del 34.79%, porqu este problema trata de una
variable aleatoria continua?
11. Suponga que la estatura de 800 estudiantes est normalmente distribuida y la probabilidad de que
cierto numero de estudiantes estn entre 65 y 70 pulgadas es del 36.74%. Por qu este problema
trata de una variable continua?
10
UNIDAD 1
TABLA DE COMPROBACIN
Nmero de pregunta
Respuesta correcta
Discreta
Continua
3: (a)
Discreta
(b)
Continua
(c)
Discreta
(d)
Continua
R = 1, 2, 4, 6, 8
El dominio es: = 1, 2, 3, 4, 5, 6
La funcin es: f = (AA, 2), (AS, 1), (SA, 1), (SS, 0)
El rango es: R = 5.89, 6.30, 6.50, 7.20, 7.40, 7.50, 7.90, 8.00
Se trata de una variable aleatoria discreta porque de acuerdo con el
problema, el nmero de los datos es menor que 100.
Los resultados que se obtienen al hacer este experimento, son nmeros
enteros y adems el tamao de muestra es menor que 100 datos (n=100),
por lo tanto se trata de una variable aleatoria discreta.
Las temperaturas que se pueden registrar en este experimento, son todos
nmeros reales que existen entre los 70 y 80 grados. Adems se trata de
una medicin, por lo que se refiere a una variable aleatoria continua.
El tamao de la muestra es mayor que 100 datos (n = 800) y las estaturas
que se buscan son todas aquellas que se encuentran en el intervalo entre
las 65 y las 70 pulgadas; es considerada una variable aleatoria continua.
Sugerencias
8
9
10
11
Para el caso de los problemas del 1 al 3 debes leer las definiciones de variable aleatoria discreta y
continua, as como sus caractersticas.
Para el caso de los problemas 4 al 7 debes comprender la diferencia entre el dominio y rango de una
funcin de variable aleatoria.
Para completar la informacin necesaria para resolver las preguntas de los problemas 8 al 11, se
sugiere que leas las pginas 92-99 del libro de MENDENHALL, WILLIAM: Estadstica para
Administradores, para reafirmar tus conceptos sobre las diferencias entre la variable aleatoria
continua y la variable aleatoria discreta.
11
1.2 FUNCIONES PROBABILSTICAS
Aprendizajes
Calcular la probabilidad de la variable aleatoria.
Construir la grfica de la funcin de distribucin estocstica.
Calcular los valores de la funcin de distribucin acumulada.
Identificar las caractersticas de la funcin valor esperado.
Calcular los valores de la funcin valor esperado.
La probabilidad de ocurrencia de que la variable aleatoria tome un valor determinado se refiere a la

posibilidad que tiene la imagen de ese valor de aparecer o ser observado, con respecto al total de
elementos del espacio muestral o dominio; es decir, son las veces que aparece un nmero del rango
entre el total de los elementos del dominio. Matemticamente la expresamos de la siguiente forma:
Veces que se repite un valor del rango
P(Xi) =
Total de resultados del dominio
Por ejemplo, al lanzar una moneda cul ser la probabilidad de que aparezca un guila?
Solucin:
El dominio es = (S, A) y el rango es R = (0, 1)
Como slo aparece un guila en dos resultados posibles, la probabilidad de que esto ocurra es:
P A
1
2
Funcin de probabilidad. Una vez determinadas las probabilidades de cada elemento del rango, la
funcin de probabilidad (fdp) se representa en una tabla de dos renglones; un rengln representa los
valores de la variable aleatoria y el otro, sus correspondientes probabilidades. El formato general de una
fdp es el siguiente:
X1
X2
X3
...
Xn
P(X1)
P(X2)
P(X3)
P(Xn)
Xi
P(Xi)
Continuando con el ejemplo de la moneda tenemos que la fdp del problema es:
Xi
P(Xi)
12
UNIDAD 1
Otra manera de construir la funcin de probabilidad (fdp) es ordenar en parejas las imgenes y las
probabilidades de ocurrencia de cada elemento del dominio del experimento que dio origen a la variable
aleatoria, siendo el primer elemento el valor del rango y el segundo elemento su respectiva probabilidad.
Se expresa matemticamente de la siguiente manera:
fdp =
(X1, P(X1)), (X2, P(X2)), ............., (Xn, P(Xn))
Donde:
Xn,
es el elemento del rango y
P(Xn), es la probabilidad de ocurrencia
de cada elemento del rango.
Para el caso de la moneda, la funcin de probabilidad es:

fdp = (0, ), (1, )
Una forma de comprobar si los clculos han sido bien realizados, hasta este momento, es determinando la
funcin de distribucin acumulada (fda). sta se refiere a la suma acumulativa de las probabilidades de
cada uno de los elementos del rango de la variable aleatoria, teniendo como resultado el valor de 1
(recuerda que la probabilidad mxima es de 1 para la suma de los elementos del espacio muestral). La
expresin resultante es la siguiente:
i n
P( X i )
fda =
i 1
Retomando el ejemplo de la moneda quedara:

fda =
1
2
1
2
A partir de la tabla se puede construir una grfica de probabilidad, donde los valores de la variable
aleatoria se colocan en el eje horizontal y sus probabilidades en el eje vertical. Esta grfica es una forma
ms de representar la fdp de la variable aleatoria.
La grfica de nuestro ejemplo quedara de la siguiente manera:
P(Xi)
1/ 2
Xi
0
1
Un parmetro importante de la variable aleatoria es el valor esperado o esperanza matemtica que se
considera como la media de los datos de la variable aleatoria. Aplicado a los juegos de azar, el valor
esperado se caracteriza por presentar dos casos: el de ganar y el de perder; en otras palabras, se tienen
dos resultados conocidos como xito y fracaso. Se refiere a un xito cuando se gana, menos lo que se
invierte, tomando la variable un valor positivo y se refiere a un fracaso todo lo que se pierde, tomando la
variable un valor negativo.
Otra aplicacin se presenta cuando se quiere predecir con cierto grado de certeza qu va a suceder con
algn evento o situacin, cul es el volumen esperado de las ventas de un producto, etc. El valor esperado
se explica en trminos de la conveniencia o no de participar en algn evento.
13
El valor esperado se calcula sumando cada uno de los productos de las imgenes de la variable y su
respectiva probabilidad utilizando la expresin siguiente:
i n
X i P ( X i ) = X1 P(X1) + X2 P(X2 ) + ......... + Xn P(Xn)
E (X) =
i 1
Continuando con el caso de la moneda, su esperanza matemtica ser:

E(X) = (0)(1/2) + (1)(1/2) = 1/2 = 0.5 = 50%
En conclusin, por cada vez que se realice el experimento existe el 50% de probabilidad de que aparezca
un guila.
14
UNIDAD 1
Un jugador tira cuatro monedas. Gana $20 si salen tres guilas, $10 si salen dos y $1 si sale un guila; por
otra parte, el jugador pierde $30 si salen cuatro guilas o ninguna. A continuacin se explicaran los pasos
para construir la grfica de probabilidades y poder indicar si es conveniente participar en el juego.
Paso 1. Determinar el dominio utilizando un diagrama de rbol. Se muestra a continuacin:
Recuerda que debes seguir las lneas para formar los elementos del dominio, quedando ste de la
siguiente forma:
AAAA, AAAS, AASA, AASS, ASAA, ASAS, ASSA, ASSS,
=
SAAA, SAAS, SASA, SASS, SSAA, SSAS, SSSA, SSSS

Paso 2. Determinar el conjunto imagen. De acuerdo con la variable aleatoria, la imagen de cada
elemento del dominio es el nmero de guilas que aparecen en cada cuarteta. Por lo tanto, tenemos que
para el primer elemento del dominio, la cuarteta AAAA, aparecen cuatro guilas, lo que simblicamente
puede ser expresado en la forma X (AAAA) = 4. As, para todos los elementos del dominio, las imgenes
quedaran como se muestra a continuacin:
X (AAAA) = -$ 30
X (ASAA) =$ 20
X (SAAA) = $ 20
X (SSAA) = $ 10
X (AAAS) = $ 20
X (ASAS) = $ 10
X (SAAS) = $ 10
X (SSAS) =$ 1
X (AASA) =$ 20
X (ASSA) =$ 10
X (SASA) = $ 10
X (SSSA) = $ 1
X (AASS) =$ 10
X (ASSS) =$ 1
X (SASS) =$ 1
X (SSSS) = -$ 30
15
R=
- $ 30, $ 1, $ 10, $ 20
Recuerda que slo se ponen una vez los nmeros aunque se repitan varias veces, ordenados de menor a
mayor.
Paso 3. Calcular la probabilidad de cada elemento de la imagen con la frmula de probabilidad y
representndolas en una tabla.
Veces que se repite un valor de la imagen
Recuerda que P (Xi) =
.
Total de resultados del dominio
Se debe tomar al primer elemento del conjunto imagen como X1, que para este caso es igual a cero. Su
posibilidad de aparecer es uno y se tienen 16 resultados en total (elementos del dominio), por lo que la
probabilidad queda expresada en la forma:
P(X1 = 0) = 1/16
Procediendo de igual manera con todos los dems elementos se obtienen las diferentes imgenes
relacionadas con los elementos del dominio. Finalmente los elementos de conjunto imagen y sus
probabilidades correspondientes se concentran en la siguiente tabla:
- 30
10
20
2/16
4/16
6/16
4/16
Xi
P(Xi)
Paso 4. Determinar la funcin de distribucin acumulada.

Como mencionamos anteriormente debemos comprobar si nuestros clculos son correctos, y lo haremos
determinando la funcin de distribucin acumulada de acuerdo con la expresin matemtica siguiente:
i n
P( X i )
fda =
i 1
Por lo tanto, la fda de la variable quedara en la forma siguiente:

fda =
2
16
4
16
6
16
4
16
16
16
Como sabemos que el valor mximo de la probabilidad es 1, podemos decir que estn bien los clculos,
por lo tanto, podemos continuar determinando lo que falta.
16
UNIDAD 1
Paso 5. Elaborar la grfica de acuerdo con los valores que contiene la tabla fdp.
P(X)
6/16_
5/16_
4/16_
3/16_
2/16_
1/16_
- 30
1
10
20
Paso 6. Determinar la conveniencia de participar en el juego.
Para saber si es conveniente participar en el juego, se determina el valor esperado para cada valor del
rango de la variable, de acuerdo con las condiciones del problema.
Recuerda que en este caso los valores de la imagen son los que van en el parntesis y los resultados son
los valores del xito o fracaso.
Antes de aplicar la frmula del valor esperado es importante que observes que el subndice de la variable
indica el nmero de guilas observadas y el valor a la derecha del signo igual, la aplicacin de la regla de
correspondencia, quedando los valores de la variable establecidos de la siguiente manera.
X1 = 1
X2 = 10
X3 = 20
X0 4 = - 30
La frmula a aplicar es la frmula del valor esperado que se establece matemticamente de la siguiente
manera:
E(X) = X0 4 P(X0 4) + X1 P(X1) + X2 P(X2) + X3 P(X3)
Al sustituir los valores anteriores en dicha frmula se obtiene:
E(X) =
30
E (X) =
2
16
60
16
4
16
4
16
60
16
10
80
16
6
16
84
16
20
4
16
5.25
Por lo tanto, s conviene participar en el juego, ya que se espera que l gane $5.25 de participar un gran
nmero de veces.
Ahora resuelve el siguiente planteamiento siguiendo el procedimiento anterior. Sea el experimento de
lanzar 3 monedas. Sea Y la variable aleatoria: si salen 3 soles gana $50, si salen 2 soles gana $40 y si
sale 1 o ningn sol pierde $20.
17
I.
Construye su grfica de probabilidad.
II.
Indica si es conveniente o no participar en el experimento.
18
UNIDAD 1
EJERCICIOS
INSTRUCCIONES: Lee con atencin los siguientes enunciados y anota sobre la(s) lnea(s) la(s)
palabra(s) que lo completen correctamente.
1. Cuando hablamos de esperanza matemtica en los juegos de azar tenemos 2 resultados conocidos
como ______________ y _____________________.
2. Cuando se trata de un caso desfavorable, al determinar la esperanza matemtica la variable
toma un valor ____________________.
aleatoria
3. Si es un caso favorable o xito la variable aleatoria va a tomar un valor _________________

4. En Estadstica, la esperanza matemtica es considerada como _____________________ de un
conjunto de datos.
5. Al sumar las probabilidades de la variable aleatoria para alcanzar el valor mximo uno; nos
refiriendo a la funcin de _____________________________.
estamos
6. Una grfica de probabilidad se construye colocando en el eje vertical ___________________________

y en el eje horizontal _________________________________.
INSTRUCCIONES: Lee con atencin los siguientes planteamientos y realiza lo que se te solicita. Incluye
en el espacio el desarrollo y obtn el resultado.
7. Un experimento consiste en lanzar dos monedas. Sea X la variable aleatoria definida por la regla:
nmero de guilas menos el nmero de soles, cules son los diferentes resultados del rango?
8. Se lanza un dado no trucado. Sea Y la variable aleatoria definida por la regla: asignar el nmero que
aparezca.
I.
Cul es la probabilidad de cada valor del rango?
19
II.
Construye su grfica de probabilidades.
9. Se lanza un dado y una moneda. Sea Z la variable aleatoria definida por la regla: si sale nmero par
asignarle el nmero 1 en caso contrario asignar el nmero 2, cul es la probabilidad de los valores del
rango?
10. Supongamos que una variable aleatoria tiene la distribucin de probabilidad que se muestra en la
tabla. Cul es su grfica?
Xi
0
1
2
3
4
P(Xi) 1/11 2/11 4/11 3/11 1/11
11. Se gira una perinola de 6 caras numeradas del 1 al 6. Sea Y la variable aleatoria definida por la regla:
si se observa nmero primo en la cara superior elevar al cuadrado ese nmero, en caso contrario
sumarle 2 al nmero observado. Construye su grfica de probabilidad.
20
UNIDAD 1
12. Se lanzan dos monedas. Sea Z la variable aleatoria definida por: nmero de guilas menos 2 veces el
nmero de soles. Calcula la funcin de distribucin acumulada.
13. Se escoge al azar un elemento del conjunto A = 3, 6, 9, 12, 15, 18 . Sea W la variable aleatoria
definida por: si el nmero es par asociarle el mismo nmero, si es impar sumarle 1. Determina la
funcin de distribucin acumulada.
14. Se tiene una perinola de 8 caras numeradas del 1 al 8. Sea Y la variable aleatoria definida por la regla:
si el nmero observado es mltiplo de 2 multiplicar por 2, en caso contrario sumar 2, cul es la
funcin de distribucin acumulada?
15. Se lanza un dado de 6 caras. Sea X la variable aleatoria definida por la regla: si sale un nmero par
gana $100 y si sale impar pierde $50. Conviene participar o no en el experimento?
21
16. Un vendedor de globos gana $7 por cada globo que vende, pero si sale defectuoso pierde $2. Si el
95% de los globos que produce no son defectuosos, cul es su ganancia esperada?
17. Sea X el nmero de soles observados en las caras superiores al lanzar 2 monedas normales.
Obtener el valor esperado de la variable aleatoria.
22
UNIDAD 1
Nmero de pregunta
Respuesta correcta
xito y fracaso
negativo
positivo
la media o promedio
de distribucin acumulada
las probabilidades asociadas
las imgenes de la variable
6
7
R = -2, 0, 2
I
1/6
II
P(X)
8
1/6
P(X1) = 6 / 12
P(X2) = 6 / 12
P(Xi)
4/11
3/11
10
2/11
1/11
Xi
0
23
La probabilidad de cada elemento de la imagen es: 1/ 6

P (X)
11
1/6
Xi
3
25
14
6
1
4
fda
12
13
2
4
8
1
4
4
4
fda
1
6
1
6
1
6
1
6
1
6
1
6
6
6
1
8
1
8
1
8
1
8
1
8
1
8
1
8
1
8
8
8
50
3
6
fda
E X
100
15
3
6
25
Le conviene participar, ya que ganar $25 por cada vez que juegue.
16
17
E X
E X
7 0.95
0
1
4
2 0.05
1
2
4
6.55
1
4
Sugerencias
Para de los problemas 1 al 6 lee en el texto las definiciones y caractersticas que tiene cada una
de las variables.
Para los problemas 7 al 9 observa cul es el dominio y verifica tus operaciones aritmticas.
Para el caso de los problemas 15 al 17 verifica el dominio y la imagen, as coma las veces que
se repite un dato para conocer las probabilidades. Revisa las operaciones aritmticas.
24
UNIDAD 1
EJERCICIOS DE AUTOEVALUACIN
Cuentas con 90 minutos para resolver los siguientes ejercicios
INSTRUCCIONES: Lee con atencin los siguientes reactivos y realiza lo que se te solicita.
1. Una empresa compra 25 computadoras. Si se registra en una hoja el nmero de computadoras
descompuestas y el nmero de computadoras en buen estado, a qu tipo de variable se refiere?
2. Se controla la produccin de leche de 10 vacas. Si la cantidad de leche se mide en litros, a qu tipo

de variable aleatoria se refiere?
3. Se selecciona al azar una carta de un mazo que tiene 6 cartas numeradas de la siguiente manera: 7,
8, 9, 10, 11 y 12. Sea W la variable aleatoria definida por la regla: si la carta seleccionada muestra
nmero par restar 2, en caso contrario sumar 1. Determina el dominio de la variable aleatoria.
4. Se lanzan tres monedas. Sea Y la variable aleatoria definida por: el nmero de soles observados en
las caras superiores menos el triple de guilas. Construya el rango de la funcin.
5. Se escoge al azar un nmero del conjunto A = 2, 4, 6 y un elemento del conjunto B =

Establezca cual es el dominio de la variable aleatoria.
a, b, c .
25
6. Se giran dos perinolas (una de 5 caras y otra de 7 caras). Sea X la variable aleatoria definida como:
la suma de los elementos de cada pareja. Obtener la funcin de distribucin acumulada.
7. Se extrae al azar una carta de un mazo que contiene 8 cartas numeradas del 1 al 8. Sea S la variable
aleatoria definida por la regla: si la carta extrada es par se multiplica el valor por 2, y si es impar se
eleva al cubo el valor de la carta. Elabora la fdp de la variable aleatoria S.
8. En una bolsa hay 10 esferas numeradas del 1 al 10. Se selecciona al azar una de ellas. La variable
aleatoria W se define por la regla siguiente: si sale un nmero par se gana $50, en caso contrario
pierde $30. Cul es el valor esperado de la variable?
26
UNIDAD 1
CLAVE DE RESPUESTAS
Nmero de pregunta
Respuesta correcta
Discreta
Continua
=
3
4
R=
=
5
6
7, 8, 9,10, 11, 12
fda
1
35
fdp
2
35
3
35
-5,-9,-1,3
2a, 2b, 2c, 4a, 4b, 4c, 6a , 6b, 6c
4
35
5
35
5
35
5
35
4
35
3
35
2
35
1
35
35
1
35
1
1
1
1
1
1
1
1
(1, ), (4, ), (8, ), (12 , ), (16 , ), (27 , ), (125 , ), (343 , )
8
8
8
8
8
8
8
8
E X
( 30 )
5
10
(50 )
5
10
15
25
10
27
28
UNIDAD 2
FUNCIONES PROBABILSTICAS DISCRETAS
30
UNIDAD 2
2.1 EXPERIMENTOS DE BERNOULLI
Aprendizaje
Identificar las caractersticas bsicas del experimento de Bernoulli.
Varias de las distribuciones de probabilidad discreta se basan en experimentos o procesos en los que se
realiza una secuencia de pruebas llamada Experimentos de Bernoulli.
Los experimentos de Bernoulli tienen uno de dos resultados mutuamente exclusivos, que por lo regular se
denotan como xito o fracaso. Por ejemplo, el lanzamiento de una moneda, ya que slo puede ocurrir
uno de los dos resultados distintos: guila o sol.
Un xito es lo que se espera como resultado y en caso que suceda lo contrario se considerar un fracaso.
La probabilidad de un xito es dada en cada planteamiento que se hace, y la de fracaso la obtienes
restando uno menos la probabilidad de xito.
Para que un experimento pueda ser considerado como un experimento de Bernoulli, ste debe tener las
siguientes caractersticas:
Hay n intentos independientes idnticos y repetidos (n es el valor de la muestra).
Cada uno da lugar a exactamente dos resultados llamados xito o fracaso, es decir, solo hay dos
resultados posibles.
La probabilidad p de un xito permanece constante de un intento al otro, pues se muestrea con

reemplazo.
La probabilidad de fracaso q es igual a uno menos la probabilidad de xito (q = 1 p).
La probabilidad de xito ms la probabilidad de fracaso es igual a uno. Al hablar de xito se refiere a lo

que deseamos que suceda de acuerdo con las estadsticas.
31

La semilla de trigo tiene un porcentaje de germinacin del 83%. Al sembrar 32 semillas se desea saber la
probabilidad de que germinen todas. Observa que se trata de un experimento de Bernoulli porque:
Sabemos que el tamao de la muestra es el total de los datos recolectados, por lo tanto, del
planteamiento, observamos que n = 32 y son considerados como intentos independientes.
Se considera como xito el que germine una semilla y hay una probabilidad del 83% de que esto
suceda. sta se representa en decimales de la siguiente forma: p = 0.83.
Un fracaso es que no germine la semilla, por lo tanto, la probabilidad es de q = 1 - p = 1 - 0.83 = 0.17.
En el siguiente planteamiento indica si se trata de un experimento de Bernoulli.
En cierta universidad se grada el 35% de los estudiantes que ingresan. Se desea saber la probabilidad de
que de cinco principiantes que recin ingresan se reciban cuatro.
32
UNIDAD 2
EJERCICIOS
INSTRUCCIONES: Lee con atencin los siguientes reactivos y contesta lo que se te pide. Anexa el
procedimiento en los espacios.
1. Se inspecciona un paquete que contiene 100 camisetas, cada una se califica como de primera
calidad o irregular. Despus de que se han inspeccionado las 100 camisetas, el nmero de
irregulares se reporta como una variable aleatoria. Explica porqu se trata de un experimento de
Bernoulli.
2. En el ltimo lote de 100 piezas producidas por una mquina, 10 son defectuosas. Existe un 5% de
probabilidad de que salgan defectuosas, si se toman 3 de 20. Explique si es un experimento de
Bernoulli.
3. En una fertilizacin cruzada de plantas de especies similares, una produce el 20% de flores blancas
y l el porcentaje restante de flores azules. Si de 10 plantas que haba, 2 produjeron flores blancas.
Explica si es un experimento de Bernoulli
4. En una campaa poltica contienden 6 partidos. Para conocer las preferencias del electorado se
encuesta a 80 personas para saber por cual partido poltico votarn en las prximas elecciones.
Explica si ste es un experimento de Bernoulli.
33
Nmero de pregunta
Respuesta correcta
Se trata de un experimento de Bernoulli porque slo existen dos

resultados: camisetas irregulares y las no irregulares entre el total de
camisetas.
Donde n = 100; x = regular; p = irregulares / 100
Se trata de un experimento de Bernoulli porque un xito es la pieza

defectuosa, con n = 20; x = 3; p = 0.05.
Un xito es tener una flor blanca y p = 0.20 con n = 10 y x = 2; por lo

tanto, es un experimento de Bernoulli.
No se trata de un experimento de Bernoulli porque existen ms de dos

opciones para la variable. En condiciones de igualdad podemos
suponer que la probabilidad de que un votante elija sufragar a favor de
cualquier partido es de p = 1/6 0.16, si el nmero de partidos es de 6.
Sugerencias
Lee con atencin cada planteamiento.
Trata de identificar cada variable en el problema.
Lee con atencin las caractersticas de un experimento de Bernoulli.
34
UNIDAD 2
2.2 LA DISTRIBUCIN BINOMIAL
Aprendizajes
Aplicar el modelo de la distribucin Binomial en la resolucin de problemas.
Calcular los parmetros de la distribucin Binomial.
Para conocer la probabilidad de un experimento de Bernoulli se debe obtener un nmero especfico de

xitos en un nmero fijo de intentos. La probabilidad de un xito aislado se conoce como distribucin
Binomial.
Esto no se aplicar a problemas como los siguientes: saber el nmero de vestidos que una mujer puede
probarse antes de comprar uno (donde el nmero de intentos no es fijo), verificar la afluencia de vehculos
a un cierto crucero cada hora si el trnsito est congestionado (donde la probabilidad de xito no siempre
es constante). Slo puede aplicarse en la solucin de problemas cuando se cumplen cada una de las
caractersticas de un experimento de Bernoulli y para cuando n < 100.
Para determinar la distribucin de probabilidad de un experimento de Bernoulli se usa la siguiente frmula:
P (X) =
nC x
p q
n-x
Donde:
p = Probabilidad de xito
q = Probabilidad de fracaso
n = Nmero de intentos o ensayos independientes
x = Nmero de xitos (puede asumir cualquier valor entero de cero a n)
C = Simboliza una combinacin del nmero de intentos con el nmero de xitos. Recuerda
que se obtiene aplicando la siguiente frmula
n
x
Cx
n!
x! n x !
Para resolver un problema de distribucin Binomial utilizamos el siguiente procedimiento:

1. Identificar cul es el xito y cul es el fracaso.
2. Identificar la probabilidad de xito.
3. Calcular el valor de la probabilidad de fracaso q = (1 - p).
4. Identificar el valor de n.
5. Encontrar los valores posibles de x, el nmero de xitos.
6. Usar la frmula de distribucin Binomial para encontrar la probabilidad.
7. Identificar qu rango de probabilidad se est pidiendo. Esto significa que:
35
Si es exactamente la probabilidad de x = k, tenemos:
P(X = k) =
n
k
pk qn
Si aparecen las frases a lo ms, cuando mucho, como mximo, en el planteamiento de un

problema, se utiliza la expresin:
P(X k) = P (X = 0) + P (X = 1) + P(X = 2) +... + P (X = k)

Si aparecen las frases por lo menos, como mnimo, en el planteamiento de un problema
se emplear la expresin:
P(X
k) = 1 -
P (X = 0) + P(X = 1) +... + P (X = k - 1)
Donde: k es cualquier nmero entero y positivo.

Ejemplo: Un estudio reciente mostr que 60% de los estudiantes universitarios fuman. Cul es la
probabilidad de que al elegir a cinco estudiantes?
I)
II)
III)
Tres de ellos fumen

A lo ms tres de ellos fumen
Por lo menos tres de ellos fumen
Observa en el siguiente cuadro los pasos del procedimiento de solucin para cada uno de los
planteamientos anteriores.
Tamao de la muestra: n = 5
Nmero de xitos: I) x = 3 II) x 3 III) x 3
xito que fumen: p = 60% = 0.6
Fracaso que no fumen: q = 40% = 0.4
I
II
III
Como el nmero es igual se tiene:
Como aparece la palabra a lo Como aparece la palabra por lo
ms:
menos:
3
5-3
P (X = 3) = 5C3 (0.6) (0.4) = (10) P (X 3) = P (x = 0) + P (X = 1) +
P (X 3) = 1 - P (X = 0) + P(X = 1)
(0.216) (0.16) = 0.3456
P (X = 2) + P(X = 3)
+ P ( X = 2)
P (X
3) = 0.0102 + 0.0768+ 0.2304 P (X

+ 0.3456 = 0.6630
3) = 1 (0.0102 + 0.0768 +
0.2304 ) = 0.6826
Se
tiene
un
34.56%
de Existe un 66.30% de probabilidad Hay un 68.26% de probabilidad que
probabilidad que tres estudiantes que a lo ms tres estudiantes al menos tres estudiantes fumen.
fumen.
fumen.
NOTA: Los valores de n, p y q permanecen constantes de un caso a otro, solamente vara el valor de x.
Ms adelante se establece el procedimiento para obtener los valores que aparecen.
36
UNIDAD 2
En algunos casos, el calcular una distribucin Binomial de probabilidad es laborioso y tardado, por lo que
una forma de reducir trabajo y tiempo es utilizando la TABLA 1 (distribucin Binomial), que ya estn
elaborada. (Ver anexos).
Para poder utilizar la tabla se debe realizar lo siguiente:
1. Se identifica el valor de x, n y p del problema.
2. Se localizan los valores correspondientes en la tabla.
3. Cualesquiera que sea el valor de n y x, se sigue una lnea recta horizontal hacia la derecha y a partir de
los valores de p se sigue una lnea recta vertical hacia abajo, y donde se cruzan ambas lneas es el valor
de la probabilidad que estamos buscando.
Por ejemplo, si tenemos que n = 5, x = 4 y p = 0.5
Buscando en la tabla los valores, cul es la probabilidad de xito?
n
5
x
0
1
2
3
4
5
0.01
0.05
P
0.10
0.20
0.30
0.40
-------------------------------
0.50
0.1560
Por lo tanto, la probabilidad que buscamos es de 0.1560 15.60% (la probabilidad se expresa en tres
formas bsicas: como un decimal, como un porcentaje o como una fraccin).
Los parmetros de una distribucin de probabilidad Binomial son la media y la desviacin estndar
y pueden encontrarse aplicando las siguientes frmulas.
La media se representa con la letra griega
(mu).
= np
La desviacin estndar representada con la letra griega
(sigma).
npq
Por ejemplo, se tiene un experimento con n = 10, p = 0.90 y q = 0.10.
La media es:
La desviacin estndar es:
= np = (10) (0.9) = 9
=
(10)(0.9)(0.1)
0.9
0.9486
37

El 90% de los artculos electrodomsticos que produce una fbrica no tienen defecto.
Observa el procedimiento que se realiza para conocer la probabilidad de que en un lote de 8 artculos se
encuentren:
I.
A. Tres defectuosos
B. Al menos 3 defectuosos
C. A lo ms 3 defectuosos
II. Tambin observa cmo se calcula la media y la desviacin estndar.
I. Solucin:
A. Tres artculos defectuosos.
Paso 1. Identificar los datos de la variable:
n = 8, x = 3, p = 0.10, q = 0.90
Paso 2. Aplicar la frmula de distribucin Binomial:
P (X) =
P(X = 3) = 8C3 0.1
nC x
p q
0.90
n-x
8 3
0.03306
En este caso es sencillo obtener el resultado, pero utilizaremos la TABLA 1 en todos los problemas
siguientes.
Por tablas tenemos que:
P(X = 3) = 0.033 solamente se redondea el ltimo nmero.
Existe un 3.3% de que 3 artculos sean defectuosos

B. Al menos tres artculos sean defectuosos
Recuerda que los valores de n, p y q permanecen constantes en todos los casos, slo cambia el valor de
x. En este caso aparece la frase al menos tres, lo que significa que X 3.
Paso 1. Utilizar la expresin:
P(X
k) = 1 -
Al sustituir tenemos que:
P(X = 0) +P(X = 1) + ... + P(X = k 1)
P(X
3) = 1 -
P(X = 0) +P(X = 1) + P(X = 2)
Paso 2. Usar la TABLA 1para obtener la probabilidad de cero, uno y dos, para despus restrsela a uno:
P(X
3) = 1 -
0.430 + 0.383 + 0.149 = 0.038
Existe una probabilidad del 3.8% de que al menos 3 sean defectuosos.
38
UNIDAD 2
C. A lo ms tres artculos sean defectuosos
Recuerda cules son los valores que permanecen constantes en todos los casos.
Paso 1. Utilizar la expresin:
k) = P(X = 0) +P(X = 1) +. P(X = k)
P(X
Paso 2. Utilizar la tabla para determinar las probabilidades de uno, dos y tres, para despus sumarlas:
P(X
3) = P(X = 0) +P(X = 1) + P(X = 2) + P(X = 3) = 0.430 + 0.383 + 0.149 + 0.0330 = 0.995
Existe una probabilidad del 99.5% de que a lo ms 3 sean defectuosos.

II. Solucin
Encontrar la media y la desviacin estndar
De acuerdo con las frmulas tenemos que:
Media
Desviacin estndar
npq
= np
La media vale:
La desviacin estndar es:
= (8)(0.1) = 0.8
8 0.1 0.9
0.72
0.8485
Resuelve el siguiente planteamiento realizando el procedimiento anterior.

Un artculo mdico del 1 de diciembre de 1994 indica que slo alrededor del 60% de las personas que
requieren un transplante de mdula encuentra un donante idneo, cuando acuden a buscarlo en los
registros de donantes no emparentados. Suponiendo que existe un grupo de 10 personas que requieren
un transplante de mdula.
I.
Obtn la probabilidad de que:
A. las 10 personas encuentren un donante idneo.
39
B. al menos 8 encuentren un donante idneo.
C. a lo ms 5 encuentren un donante idneo.
II.
40
Encuentra la media y la desviacin estndar
UNIDAD 2
EJERCICIOS
INSTRUCCIONES: Lee con atencin los siguientes reactivos y contesta lo que se te pide. Anexa el
1. Un estudio reciente mostr que el 80% de los estudiantes universitarios asisten a la biblioteca. Cul
es la probabilidad de que al elegir al azar a diez estudiantes de esa Universidad, cuatro acudan a la
biblioteca?
2. Se encontr que el 40% de las personas que acampan en un lugar de veraneo sufren de irritacin
cutnea debida a una ortiga. Si 8 estudiantes acuden a dicho campamento este verano, encuentra la
probabilidad de que:
I.
Todos padezcan de irritacin cutnea.
II.
Dos padezcan la molestia cutnea.
III.
A lo ms tres sufran los efectos de la ortiga.
IV.
Por lo menos 7 presenten irritacin de la piel.
41
3. Se ha observado que Ricardo logra 60% de sus tiros libres en los partidos de bsquetbol. Calcula la
probabilidad de que Ricardo logre:
I.
Tres de los siguientes 6 tiros.
II.
Todos los 4 tiros siguientes.
4. La probabilidad de que un paciente se recupere de una ciruga de pulmn es 0.95. Si 25 personas se

someten a esta ciruga, encuentra:
I.
La media.
II.
La desviacin estndar.
42
UNIDAD 2
5. David y Ricardo estn jugando a tirar un dado. Si el dado muestra el 2, 3 o 4 gana David, de lo
contrario gana Ricardo; si el dado se lanza tres veces, encuentra, para el nmero de veces que gana
David:
I.
La media.
II.
6. El 75% de los automviles extranjeros vendidos en EU en 1984 ahora estn cayendo en pedazos. Si
se toman 5 automviles como muestra aleatoria, determina:
I.
La media.
II.
43
Nmero de pregunta
Respuesta correcta
x=4
p = 80%
n = 10
1
q = 20%
p(x = 4) = 10 C 4 (0.6) (0.4) = 0.0017 0.17%

I
n=8
p =0.4
q = 0.6
P(x = 8) = 8C8 (0.4) (0.6) = 0.001 0.1%

II
P(x = 2) = 8C2 (0.4) (0.6) = 0.209 20.9%
III
P(x 3) = p(x = 0) + p(x = 1) + p(x = 2) + p(x = 3) = 0.017 + 0.090 + 0.209 + 0.279 =
0.595 59.5%
2
IV
P(x 7) = 1- p(x = 0) + p(x = 1) + p(x = 2) +p(x = 3) +p(x = 4) +p(x = 5) + p(x = 6)
= 1 ( 0.017 + 0.090 + 0.0209 + 0.279 + 0.232 + 0.124 + 0.041 = 1 0.992 = 0.008
0.8%
Observacin: Puede calcularse , alternativamente, P(x 7) en la forma comn; es decir: P(x 7) =
P(x = 7) + P(x = 8). En este sentido, el estudiante debe evaluar cuando es recomendable y cuando no
emplear la expresin:
P(x k) = 1 P(x < k - 1). Se sugiere emplear el camino ms corto al momento de realizar los clculos
para economizar tiempo de respuesta.
I
3
n = 6 x = 3 p = 0.6 q = 0.4
P (x = 3) = 0.276 27.6%
II
P (x = 4) = 0.130 13%
P = 0.95
n = 25
q = 0.05
= 23.75 24
= 1.089
n=3
5
3
6
I
= 1.5 2
II
N=5
= 0.866
p = 0.75
I
= 3.75 4
6
II
= 0.968
Sugerencias
En el caso de los problemas 1 al 3, identifica cuidadosamente si los eventos que se tienen son independientes y si n es
menor que 100 datos, para que pertenezca a un experimento de Bernoulli.
En los problemas del 4 al 6 debes tener cuidado al utilizar la expresin de la distribucin de Bernoulli, al sustituir los
valores de las variables y al hacer las operaciones aritmticas.
A usar las tablas localiza correctamente los valores de n, x y p, usa una regla.
Al establecer los problemas de x identifcalo correctamente de acuerdo con la frase que aparezca en el planteamiento.
44
UNIDAD 2
2.3 DISTRIBUCIN DE POISSON
Aprendizajes
Aplicar el modelo de la distribucin de Poisson en la resolucin de problemas.
Identificar las caractersticas del modelo de Poisson.
El clculo de probabilidades binomiales puede ser tedioso, especialmente si el nmero de intentos es

grande. Cuando la muestra es mayor que 100 datos y su media menor que 10 las probabilidades
binomiales pueden aproximarse mediante una forma particular de la funcin de probabilidad de Poisson
que se define por la frmula siguiente:
px
e
k!
Donde el parmetro es mayor que 0 y es considerado como la media de la distribucin de Poisson. Los
otros elementos de la frmula se identifican en la forma siguiente:
e = constante que vale 2.7182818284590452353602874713527 2.7182
k = valores enteros en el intervalo 0 k n.
= np
Ejemplo:
Encuentra la probabilidad P(X = 2) si n = 400 y p = 0.01
Calculando
=np = (400) (0.01) = 4
Sustituyendo en la frmula:
P( X
2)
P(X
2)
P(X
2)
2.7182
2!
16 0.1831
2 1
0.1465 14.65%
La distribucin de Poisson se usa para determinar la probabilidad del nmero de xitos que tiene lugar por
unidad de tiempo o de espacio, ms que un nmero especifico de intentos; adems de utilizarla para
aproximar probabilidades binomiales cuando n 100 y < 10; pudiendo usarla tambin para determinar
45
probabilidades asociadas con experimentos referentes a fenmenos aleatorios, como el nmero de

llamadas telefnicas, errores en una pgina, etc.
Para encontrar los valores de las probabilidades tambin se usan tablas ya elaboradas, donde slo
debemos conocer el valor de x y . Para usar la TABLA 2 (Probabilidad de Poisson) se sigue el mismo
procedimiento que en la de distribucin Binomial.
Usando el ejemplo anterior tenemos que:
X
0
1
2
0.01
1.0
.....
4.0
-----------------------------0.1465
P(X = 2) = 0.1465
En este caso las tablas ya tienen los valores redondeados.

Para determinar las probabilidades cuando aparecen las palabras cuando ms, como mximo,
cuando mucho, por lo menos, como mnimo, se utilizarn las mismas expresiones que en el
caso de la distribucin Binomial.
Si un experimento referente a procesos relacionados con el espacio satisface las tres condiciones
siguientes, se denomina experimento de Poisson.
1. El nmero promedio de veces (
constante.
) que ocurre un xito por cada unidad de tiempo o de espacio es
2. La probabilidad de ms de un suceso en una unidad de tiempo o de espacio es muy pequea.

3. El nmero de acontecimientos en intervalos ajenos de tiempo o espacio es muy pequeo.
46
UNIDAD 2
Doscientos estudiantes de medicina presentan el examen de admisin al Colegio de Medicina y la
probabilidad de que alguien obtenga un puntaje promedio de 16 es de 0.001. A continuacin se te
presentan los pasos que se realizan para calcular las probabilidades que se solicitan:
I.
Dos estudiantes obtengan un puntaje de 16.
Paso 1. Identificar las variables:

n = 200, p = 0.001; por lo tanto,
=(200)(0.001) = 0.2
Paso 2. Sustituir en la frmula de Poisson:
px
P( X
(0.2) 2 (2.7182 )
2 1
2)
e
k!
0.2
0.016 1.6%
Por las tablas tenemos que:

P(X = 2) = 0.0164 1.64%
II.
Al menos dos estudiantes consigan un promedio de 16.
Paso 1. Utilizar la misma expresin de la distribucin Binomial dado que aparece la frase al menos.
P(X
2) = 1 P(X = 0) + P(X = 1)
Paso 2. Obtener los valores de la TABLA 2 (distribucin de Poisson)

P(X
III.
2) = 1
0.8187 + 0.1637 = 0.0176 1.76%
A lo ms dos aspirantes logren el 16 de promedio.
Paso 1. Usar la expresin de la distribucin Binomial donde aparece la frase no ms de.

P(X
2) = P(X = 0) + P(X = 1) + P(X = 2) = 0.8187 +0.1637 + 0.016 = 0.9984 99.84%
47
Resuelve el siguiente planteamiento realizando el procedimiento del primer problema.

Los registros de polica muestran que hay un promedio de 3 accidentes por semana en la ruta 40. Si
suponemos que esos percances siguen una distribucin de Poisson, determina la probabilidad de que
durante cierta semana seleccionada al azar haya:
I. Cuatro accidentes.
II. Cuatro o cinco accidentes.
III. A lo ms 3 accidentes.
IV. Al menos 3 percances.
48
UNIDAD 2
EJERCICIOS
INSTRUCCIONES: Lee con atencin los siguientes reactivos y realiza lo que se solicita. Anexa el
1. Suponga que la probabilidad de sacar una esfera amarilla de una caja es de 0.04. Si la caja
contiene 100 esferas, obtn la probabilidad de que en una caja:
I. Cuatro sean amarillas.
II. Cuando ms 2 sean amarillas.
III. Cuando menos una sea amarilla.
2. Ciento cincuenta estudiantes principiantes de leyes presentan el examen para ingresar a la barra de
abogados de un estado. La probabilidad de que un estudiante de primer ao pase ese examen es de
0.05. Calcula la probabilidad de que:
I. Ocho estudiantes pasen el examen.
II. Al menos tres aspirantes pasen el examen.
III. A lo ms dos estudiantes aprueben.
49
3. Una escuela tiene 2 000 estudiantes y se sabe que 3 de cada 1 000 estudiantes tienen auto nuevo.
Calcula la probabilidad de encontrar en esa escuela:
I. Exactamente 4 estudiantes con auto nuevo.
II. Cuando ms 2 estudiantes con auto nuevo.
III. Cuando menos 2 estudiantes con auto nuevo.
4. La probabilidad de que un aeroplano comercial choque durante el vuelo es de 0.0001. Se toma una
muestra de 30 000 aeroplanos y se desea comprobar esta probabilidad. Explica si se trata de una
distribucin de Poisson.
5. En una escuela se sabe que tres estudiantes de cada mil tienen auto nuevo. Se toma una muestra de
2 000 estudiantes para comprobar esta afirmacin. Explica si se trata de una variable de Poisson.
50
UNIDAD 2
Nmero de Pregunta
Respuesta correcta
I
P = 0.04
n = 100
=4
P (x = 4) = 0.1954 19.54%
II
P(X
III
2) = P(X= 0) + P (X=1) + P(X=2) = 0.0183 + 0.0733 + 0.1465 = 0.2381

P(X
1) = 1 0.0183 = 0.9817 98.17%
I
P = 0.05 n = 150
= 7.5
P(x = 8) = 0.1374 13.74%
2
II
P (x
3) = 0.9797 97.97%
P(x
2) = 0.0203 2.03%
III
I
P=
3
n = 2000
1000
=6
P (x = 4) = 0.1339 13.39%
3
II
P(x 2) = 0.062 6.2%

III
P(x 2) = 1 0.0174 = 0.9826 98.26%
4
Como la muestra es mayor que 100 y la media es menor que 10, se trata de
una variable de Poisson.
Se trata de una variable Poisson porque n es mayor que 100 y la media es

menor que 10.
Sugerencias
En los problemas 1, 2 y 3 debes aplicar la frmula correctamente, hacer las operaciones aritmticas e
identificar los valores de x, p y n.
Aplica las expresiones correctamente dependiendo de las frases (no ms de, al menos) que
aparece en cada planteamiento.
En los problemas 4 y 5 identifica cunto vale la media y cual es el tamao de muestra.
Utiliza adecuadamente la tabla 2 cuando es es nmero entero y cuando es decimal.
51
EJERCICIOS DE AUTO EVALUACIN

Cuentas con un tiempo mximo de 90 minutos.
INSTRUCCIONES: Lee con atencin los siguientes reactivos y realiza lo que se te solicita.
1. Al probar cierta clase de llanta para tractor sobre un terreno escabroso, se encontr que el 25 % de
los tractores no terminaban la prueba sin experimentar un pinchazo. De los 5 siguientes de 15 en total
sufrieron este problema. Identifica si se trata se un experimento de Bernoulli.
2. La proporcin de estudiantes que egresan de la secundaria es de 5 de cada 7 que ingresan a primer

ao. Se toma una muestra de 6 estudiantes.
I.
Cul es la probabilidad de que ninguno egrese de la secundaria?
II.
Cul es la probabilidad de que al menos dos egresen de la escuela?
3. El 2% de todos los radios fabricados por la AJAX Company son defectuosos. De un lote de 50 radios
defectuosos encuentre:
I.
52
La media.
UNIDAD 2
II.
4. El 2% de las llantas producidas por una fbrica son defectuosas. Cul es la probabilidad de que en
200 llantas?
I.
Se encuentren 7 llantas con defecto.
II.
A lo ms 2 llantas tengan defecto
III.
Al menos 2 llantas tengan defecto
5. Se sabe que 3 de cada 100 estudiantes tienen computadora nueva. Si la escuela tiene 2000
estudiantes en total y se desea comprobar si la distribucin de los estudiantes con computadora nueva
sigue una distribucin de Poisson. Identifica si la distribucin es efectivamente de Poisson o no.
53
CLAVE DE RESPUESTAS
Nmero de pregunta
Respuesta correcta
El tamao de la muestra es menor que 100 (n = 15); el xito es un

tractor con pinchazo, la probabilidad es p = 25%. Se trata de un
experimento de Bernoulli.
I
N = 6 p = 5/7 q = 2/7 x = 0
6
P (x = 0) =
0
2
5
7
2
7
.0005 0.05%
II
P (x 2)=1 -
6
0
5
7
2
7
6
1
5
7
2
7
P = 5/7
P (x 2) = 1 {.0005+.0081} = 1 - .0086= 0.9914 99.14%
n = 50 p = 0.02 q = 0.98
3
=(0.02)(50) =1
50(0.02)(0.98)
0.9899
I
X = 7 p = 0.02
n = 200
=4
Por tablas P (x = 7) = 0.0595 5.95%

4
II
P (x 2) = p(x = 0 ) + p(x = 1) + p(x = 2)
P(x 2) = 0.0183 + 0.0733 + 0.1465 = 0.2381 23.81%
III
P(x > 2) = 1- (0.0183 + 0.0733) = 1 - .0916 = 0.9084 90.84%
54
El tamao de la muestra es mayor por 100 datos; por lo tanto, se trata de

una distribucin probabilstica de Poisson.
UNIDAD 3
FUNCIONES PROBABILSTICAS
CONTINUAS
56
UNIDAD 3
3.1 DISTRIBUCIN NORMAL ESTNDAR
Aprendizajes
Calcular los valores estandarizados de una variable aleatoria continua.
Aplicar el concepto de rea bajo la curva normal en la resolucin de problemas.
El comportamiento de una variable aleatoria continua se puede conocer a travs de un procedimiento

llamado distribucin normal o de Gauss, que se considera como uno de las ms importantes dentro
de la Estadstica. Hay una cantidad ilimitada de variables aleatorias continuas que tienen una distribucin
normal.
Para determinar sus valores de probabilidad se utiliza la siguiente funcin:
f ( x)
1
.e
2
1 x
2
La grfica de una variable aleatoria continua es una lnea sin huecos. La funcin de distribucin
normal es una curva en forma de campana o montaa. Se construye colocando una lnea horizontal y
sobre ella se traza la curva en forma de campana como se muestra en la siguiente figura, colocndose en
la parte central una lnea recta vertical que divide a la grfica en dos partes iguales. Del lado derecho se
encuentran los valores mayores de y del izquierdo los menores.
En el caso de una funcin normalizada
, a la derecha de los valores son positivos y a la
izquierda son valores negativos, ya que la estandarizacin consiste en transformar la media a cero y la
desviacin estndar a uno; es decir
= 0 y = 1.
Valores
negativos
Valores
positivos
No usaremos la frmula para la solucin de problemas ya que es complicada su aplicacin; es preferible

utilizar la TABLA 3 (distribucin normal) que est estandarizada, de modo que sta puede usarse para
encontrar las probabilidades de todas las combinaciones de valores de las medias y desviacin estndar
para toda variable que presente una distribucin normal. En esta tabla no existen valores negativos.
57
Para poder ocupar la TABLA 3, tendremos que transformar los valores de x a un valor estndar
representado con la letra z. Para ello utilizaremos la frmula:
Donde:
x = dato de la muestra
= media
= desviacin estndar
Ejemplo: Dados los siguientes datos: x = 100,
= 100 y
= 16, cul es el valor estndar de x?
Frmula
Sustituyendo
100 100
16
0
16
Nota: Si los valores que nos proporcionan son de z, ya no es necesario transformar y se va directamente a
buscar las probabilidades en la TABLA 3.
La distribucin normal estndar acumulada presenta las siguientes propiedades:
El rea total bajo la curva normal es igual a 1 por tratarse de una curva probabilstica
Su grfica tiene forma de campana y es simtrica; se extiende indefinidamente en ambas direcciones
a lo largo del eje de las X, pero sin tocarlo
Tiene una media = 0 y una desviacin estndar = 1
El rea acumulada bajo la curva la representaremos por (z), que es el rea desde z = -3.49 hasta z =
3.49 (de hecho, el rea bajo la curva normal estandarizada en esta regin es de 0.9996 99.96%)
No hay probabilidades negativas, ya que se trata de un rea bajo la curva
Como la curva es simtrica, valen lo mismo los valores positivos y negativos de z para reas iguales
Para resolver un problema de distribucin normal se realizan los siguientes pasos:

1. Identificar cada uno de los datos que se dan en el planteamiento (media, desviacin estndar y
tamao de la muestra).
2. Transformar los valores de x a valores z (si es que no estn estandarizados) utilizando la siguiente
frmula:
3. Construir la grfica de z.
Para ello se dibuja la grfica de campana y se ilumina el rea comprendida entre 3.49 y el valor dado,
de la siguiente forma:
58
UNIDAD 3
a) Si la probabilidad est localizada a la izquierda de un valor x1, se estandariza para buscarla en z;
como la tabla est construida para este tipo de reas, el valor del rea se busca directamente en
la tabla. La grfica representativa queda de la siguiente forma:
-4 -3 -2 -1
1x
-4 -3 -2 -1
z12
La probabilidad que buscamos se determina con la expresin:
P ( x < x1 ) = P ( z z1 ) = ( z1 )
b) Si la probabilidad est a la derecha de un valor x1, se estandariza para buscar en la tabla de z.

Puesto que la tabla solo contiene valores a la izquierda del valor conocido x1, empleando la regla
del complemento le restamos a 1 el valor obtenido en la tabla para obtener el valor de probabilidad
del lado derecho, quedando la grfica representativa de la siguiente forma:
-4 -3 -2 -1
0 x11
-4 -3 -2 -1
z11
Para este caso se aplica la siguiente expresin:
P ( x > x1 ) = P ( z -z1 ) = 1 - P ( z z1 ) = 1 ( z1 )
59
c) Si la probabilidad est entre - x1 y - x2, se estandarizan los valores para buscar entre - zI y - z2.
Como la tabla de z es acumulativa, para calcular esta rea restaremos al valor de rea mayor el
valor de rea menor, para as obtener solo la probabilidad de la franja de inters, quedando la
grfica representativa de la siguiente forma:
- x
- x2
1
-
z1
- z2
Aplicndose la expresin siguiente:
P ( - x1 < x < - x2 ) = P (- z1 z - z2) = P ( z - z2 ) - P ( z - z1 ) = ( -z2 ) ( -z1 )
d) Si la probabilidad est entre x1 y x2 se operar como en la forma anterior, considerando ahora que
tanto x1 como x2 son ambas positivas. La grfica representativa queda de la forma siguiente:
-
x1
- x2
-
z1
- z2
La probabilidad se determina aplicando la expresin:
P ( x1 < x < x2 ) = P ( z z2 ) P ( z z1 ) = ( z2 ) ( z1 )
e) Si la probabilidad est entre - x1 y x2 se estandarizan y se resta al rea acumulativa mayor, el rea

acumulativa menor. La grfica representativa es la siguiente:

- x
1
60
-x
- z1
- z2
UNIDAD 3
La expresin matemtica a utilizar es ahora la siguiente:
P(- x1 < x < x2) = P( -z1 z z2) = P( z z2 ) - P( z -z1 ) = ( z2 ) ( -z1 )

f) Si la probabilidad es menor que x1 o mayor x2 , stos se estandarizan y se buscan en la tabla - ZI y
Z2. Para obtener el resultado final se suma al acumulativo de Z1 la resta de 1 menos el acumulativo de
Z2; en otras palabras, el resultado final se obtiene restndole a 1 el acumulativo de Z 2 y sumndole el
acumulativo de Z1. Su grfica representativa es la siguiente:
- x1
- x2
- z1
- z2
Su expresin matemtica queda de la siguiente manera:
P ( x < - x1) + P ( x > x2 ) = P ( z - z1 ) + P ( z z2 ) = 1 + P ( z - z1 ) - P ( z z2 ) = 1 + ( - z1) ( z2)
g) Si la probabilidad es exactamente igual a X 1, se crea un intervalo sumando y restando una cifra

suficientemente pequea x para formar el intervalo (en la prctica se acepta comnmente que x =
0.5). La grfica representativa sera la siguiente:

x1
x1
x1 x1 + x
1

z1
z1
z1 z1
+ z
1
La expresin matemtica queda como sigue:
P(x = x1) = P(
x1 0.5
x1 0.5
)=
x1
0.5
x1
0.5
61
De acuerdo con la probabilidad de la variable que se quiere conocer, es la parte de la grfica que se
ilumina; por lo tanto, se aplicarn las expresiones que se encuentran debajo de cada una de ellas para
resolver problemas de distribucin normal.
4. Usar la TABLA 3 para encontrar las probabilidades.
Para ello slo debemos conocer el valor de z; el valor entero con el primer decimal se localiza en la
primera columna de la izquierda y el segundo decimal en el rengln superior que va de 0.00 hasta 0.09,
donde se cruzan ambas lneas est el valor de la probabilidad.
Ejemplo: Localiza la probabilidad correspondiente a un valor z = 1.32
Z
0.0
0.1
0.2
1.3
0.00
0.01
0.02
0.03
0.04
..........
0.09
--------------------------- 0.4066
La probabilidad de que z = 1.32 es igual a 0.4066 y esto se tiene que representar en porcentaje; por lo
tanto, existe un 40.66% de probabilidad de que z sea igual a 1.32.
62
UNIDAD 3
Si las medidas x de la presin sangunea sistlica de un grupo de hombres cuyas edades oscilan entre 20
y 24 aos, se distribuyen normalmente con media = 120 y desviacin estndar = 20, encuentra las
probabilidades que se te solicitan a continuacin:
I.
P (X = 130)
Paso1. Identificar los datos.

X1 = 130
= 120
= 20
Paso 2. Este valor hay que transformarlo a un valor estndar, usando para ello la frmula.
Frmula
Sustituyendo
x1 0.5
130 0.5 120

20
9.5
20
Sustituyendo
0.475
130 0.5 120

20
10.5
20
0.525
Paso 3. Construir la grfica. Como el valor es positivo y se pide que sea igual a 130, entonces se utiliza la
grfica del inciso (g), as como la expresin que se encuentra debajo de ella.
119.5 120 120.5
P(x = x1) = P(
x1 0.5
0.475 0.5 0.525
x1 0.5
)=
x1
0.5
x1
0.5
Paso 4. Buscar en la tabla 3 el valor de z. Tenemos que la probabilidad es:

P(x = 130) = ( 0.525 ) ( 0.475 ) = 0.7002 0.6826 = 0.0176 1.76%
Interpretando esta probabilidad se dice que existe un 1.76% de que las presiones sean iguales a 130.
II.
P(X > 135)
Paso 1. Identificar datos.

X = 135
= 120
= 20
63
Paso 2. Estandarizar el valor de x.
Frmula
Sustituyendo
135 120
20
0.75
Paso 3. Construir la grfica e identificar la expresin a utilizar.

Como el planteamiento dice mayor que 135, utilizamos la grfica del inciso (b).
135
0.75
Paso 4. Buscar el valor de z en la tabla y hacer operaciones

P ( X > 135 ) = P ( Z 0.75 )
P ( Z 0.75 ) = 1 P ( Z 0.75 ) = 1 ( 0.75 )
= 1 0.7734 = 0.2266 22.66%
Viendo esta probabilidad podemos decir que hay un 22.66% de que las presiones sean mayores que 135.
III.
P(X < 146)
Paso 1. Identificar los datos

X = 146
= 120
= 20
Paso 2. Estandarizar el valor de x
Frmula
64
Sustituyendo
146 120
1.3
20
UNIDAD 3
Paso 3. Construir la grfica y buscar la expresin adecuada. Como aparece el smbolo menos se ilumina
la parte izquierda de 146.
146
1.3
P(Z < Z1) = 0.5 + P(Z = Z1)
P(Z < Z1) = 0.5 + P(Z = Z1)
P ( X < 146 ) = P ( Z 1.3 ) = ( Z 1.3 ) = 0.9032 90.32%
Existe un 90.32% de que sea menor que 146.

IV.
P(105 < X < 110)
Paso 1: Estandarizando los valores de x

Considerando X1 = 105 y X2 = 110
z1 =
105 120
20
0.75
Z2 =
110 120
20
0.5
Paso 2: Construyendo la grfica tenemos que:

105 110

0.75
0.5
P ( 105 < X < 110 ) = P ( - 0.75 Z - 0.5 ) = P ( Z - 0.50 ) P ( Z - 0.75 )

= ( 0.75 ) ( 0.5 )
= 0.7734 0.6915 = 0.0819 8.19%
Interpretando los resultados existe un 8.19% de que estn entre este intervalo.
65
Resuelve el siguiente planteamiento utilizando el procedimiento anterior.

Una compaa fabrica focos con vida media de 500 horas y desviacin estndar de 100. Si se supone que
los tiempos de vida til de los focos se distribuyen normalmente, esto es, que los tiempos de vida forman
una distribucin normal, encuentre la probabilidad de que tenga una vida til de:
I.
650 horas
II.
Ms de 750 horas
III.
Menos de 650 horas
IV.
Entre 650 y 750 horas
66
UNIDAD 3
EJERCICIOS
INSTRUCCIONES: Lee con atencin
los siguientes
reactivos y contesta lo que se pide. Anexa el
1. La media y la desviacin estndar de un examen son 74 y 12, respectivamente, hallar los resultados
en unidades estndar de los estudiantes que recibieron notas de
I.
65
II.
74
2. Suponga que la temperatura T durante junio est distribuida normalmente con media 69 y desviacin
estndar 6 . Cules son las unidades estndar de las temperaturas de los das que hubo
70
80
3. Encuentre las probabilidades siguientes asociadas con la distribucin normal estndar, usando la
tabla 3.
I.
P ( Z est entre 1.34 y 1.68 )
II.
P ( 1.34 Z 2.38 )
III.
P ( Z - 1.25 )
67
4. Las puntuaciones de una prueba se distribuyen normalmente con media de 400 puntos y
desviacin estndar 100 puntos. Cul es la probabilidad de que un estudiante obtenga
I.
Menos de 450 puntos
II.
Menos de l98 puntos
III.
Entre 150 y 330 puntos
IV.
Ms de 366 puntos
5. Una mquina est diseada para llenar botellas de crema para el cuerpo con una media de 750 ml y
una desviacin estndar de 10 ml. Si se considera que la cantidad que se utiliza para llenar las
botellas se distribuye normalmente y se escoge una botella al azar, cul es la probabilidad de que
contenga
I.
Menos de 770.8 ml
II.
Ms de 751.6 ml
III.
Entre 740 y 761 ml?
68
UNIDAD 3
Nmero
de
pregunta
Respuesta correcta
I
z1 =
65 74
12
0.75
1
II
z2 =
74 74
12
I
z =
70 69
6
0.16
z=
80 69
6
1.83
2
II
I
p ( -1.34 z 1.68 ) = ( 1.68 ) ( - 1.34 ) = 0.8634
3
II
p ( 1.34 z 2.38 ) = ( 2.38 ) ( 1.34 ) = 0.0814
III
p ( z - 1.25 ) =( - 1.25 ) = 0.1056
I
z=
450 400
100
0.5 , P(z 0.5) = ( 0.5 ) = 0.6915
II
P(x < 198) = P(z - 2.02) = ( - 2.02 ) = 0.0217
III
p ( 150 < x < 330 ) = ( - 0.7 ) ( - 2.5 ) = 0.2420 0.0062 = 0.2358
IV
p ( x > 366 ) = p (z - 0.34 ) = 1 ( - 0.34 ) = 1 0.3669 = 0.6331
I
p (x < 770.8 ) = p ( z 2.03) = ( 2.03 ) = 0.9812
II
p ( x > 751.6 ) = p (z 0.16) = 1 ( 0.16 ) = 1 0.5636 = 0.4364
5
III
P (740 < x < 761) = p (-1.0 z 1.1) = ( 1.1 ) ( - 1.0 )

= 0.8643 0.1587 = 0.7056
69
Sugerencias
En los problemas 1 y 2 slo utiliza la frmula de valores estndar, siguiendo el ejemplo de
aplicacin.
En el caso de los problemas 3, 4 y 5 se tienen las respuestas; pero si te equivocas, traza las
grficas para que observes qu rea necesitas calcular.
Observa las grficas que ya estn establecidas para obtener el rea bajo la curva.
Revisa los ejemplos de aplicacin y sigue el mismo procedimiento.
70
UNIDAD 3
3.2 DISTRIBUCIONES MUESTRALES Y TEOREMA CENTRAL DEL LMITE
Aprendizajes
Aplicar el concepto de distribucin muestral en la resolucin de problemas.
Aplicar el teorema central del lmite en la resolucin de problemas.
Una poblacin contiene un gran nmero de elementos, por lo que es difcil tener un parmetro que los
compare con exactitud. Por ello, es preferible dividirla en pequeas partes llamadas muestras; dichas
muestras tienen la misma probabilidad de aparecer por lo que se conocen como muestras aleatorias.
Una poblacin cualquiera se compone de k diferentes muestras:
M1
M2
M3
..........
..........
.........
..........
Mk
Estas muestras aleatorias son por naturaleza propia impredecibles. No se puede esperar que dos
muestras aleatorias sean del mismo tamao, tengan la misma media o sean completamente parecidas.
Por ello se determina la distribucin de todos los valores posibles de un estadstico muestral (la media, la
varianza, la desviacin estndar), y a esto se le conoce como distribucin muestral; por consecuencia,
denotaremos a la media poblacional por y a la media muestral por x . Si se analiza una poblacin
que tiene una distribucin normal, entonces cada muestra tiene una distribucin normal; en caso contrario,
una condicin para que una distribucin muestral se aproxime a ser normal es que el tamao de la
muestra debe ser mayor que 30.
Para determinar la probabilidad de la distribucin muestral utilizamos la TABLA 3, que es la misma de la
distribucin normal, pero los valores se estandarizaran con cualquiera de las siguientes frmulas:
n (x
n
Donde:
= media poblacional
= desviacin estndar poblacional
x = media muestral
n = tamao de la muestra
Otra forma para determinar las probabilidades de una poblacin es aplicando el teorema del lmite
central, el cual dice que una poblacin se aproxima a una distribucin normal cuando el tamao de la
muestra es mayor que 30. En otras palabras indica que el promedio de las medias muestrales se acerca a
la media poblacional a medida que n aumenta.
71
Utilizaremos la misma frmula de distribucin muestral para estandarizar los valores.

stas son dos formas de determinar la distribucin de probabilidad de una variable aleatoria continua. La
diferencia entre ellas es el tamao de las muestras para saber cul se va aplicar.
En este caso no aplicaremos la tcnica de muestreo para identificar con ms detalle la diferencia entre los
dos mtodos, lo nico ser el tamao de la muestra en cada planteamiento.
72
UNIDAD 3
Considere que los resultados de una prueba de matemticas se distribuyen normalmente con una media
de 6 y una desviacin estndar de 1.6. Cul es la probabilidad de que al seleccionar una muestra de 16
alumnos la media muestral sea mayor que 5.44?
x = 5.44
=6
= 1.6
n = 16
Paso 2. Estandarizar los valores de x sustituyendo en la frmula.
Frmula
n (x
Sustituyendo
Z=
16 (5.44 6)
=
1.6
0.56
0.4
1.4
Paso 3. Construir la grfica de la misma forma que en el caso de la distribucin normal y utilizar las
mismas expresiones.
5.44
-1.44
Paso 4. Buscar en la tabla 3 el valor de z.

P(
x > 5.44 ) = P ( z - 1.40 ) = 1 - P ( z - 1.4 ) = 1 ( - 1.4 ) = 1 0.0808 = 0.9192
Existe una probabilidad del 91.92% de que la media muestral sea mayor que 5.44.
Siguiendo el mismo procedimiento resuelve el planteamiento que se te presenta a continuacin.
Suponga que las ventas semanales de una nevera se distribuyen normalmente con una media de $ 250 y
una desviacin estndar de $ 15. Cul es la probabilidad de que el promedio de 25 semanas est entre $
243.1 y $ 252.4?
73
EJERCICIOS
INSTRUCCIONES: Contesta correctamente cada uno de los planteamientos siguientes colocando en el
espacio en blanco el procedimiento e identificando, si se trata de una distribucin muestral o del teorema
central del lmite.
1. Las estaturas de los estudiantes de cierto grupo se distribuyen normalmente con media de 150 cm y
desviacin estndar de 10 cm Cul es la probabilidad de que la estatura promedio de una muestra
aleatoria de 25 estudiantes de ese grupo est entre 145 cm y 147 cm?
2. Se considera que los pesos de pollos de una granja son una distribucin normal de media 1.5 kg y
desviacin estndar de 0.5 kg. Si se toma una muestra de 25 pollos y se calcula su peso promedio,
cul ser la probabilidad de que este promedio sea menor que 1.33 kg o mayor que 1.72 kg?
3. La duracin promedio de las pelculas en los cines es de 100 minutos con una desviacin tpica de 14
minutos. Si se toma una muestra de 49 pelculas y se calcula su duracin promedio, cul ser la
probabilidad de que sea mayor que 95 minutos?
4. Se investiga a un grupo de bolichistas sus rcord de juego, obtenindose una media de 150 pinos con
una desviacin estndar de 10 pinos. Se sospecha que esta distribucin no es normal. Si se
selecciona al azar una muestra de 49 bolichistas. Cul ser la probabilidad de que la media muestral
sea mayor que 147.1 pinos?
74
UNIDAD 3
Nmero de pregunta
Respuesta correcta
P ( 145 <
1
x < 147 ) = P
P( - 2.5 z - 1.5 ) =
25 (145 150)
25 (147 150)
z
10
10
( 1.5)
( 2.5) = 0.0668 0.0062 = 0.0606
Se trata de una distribucin muestral.
P ( x < 1.33 x > 1.72) = P ( z - 1.7 ) + P ( z 2.2 ) =

1 + ( - 1.7 ) ( 2.2 ) = 1 + 0.0446 0.9861 = 0.0585 5.85%
Es una distribucin muestral
P ( x > 95 ) = P ( z - 2.5 ) = 1 ( - 2.5 ) = 1 0.0062 = 0.9938
3
Se aplica el teorema central del lmite
P ( x > 147.1 ) = P ( z - 2.03 ) = 1 ( - 2.03 ) = 1 - 0.0212 = 0.9788

Se aplica el teorema central del lmite
Sugerencias
Como en todos los problemas se utiliza la misma frmula para obtener la probabilidad slo debes
tener en claro la distancia entre la distribucin muestral y el teorema del lmite central es del tamao
de la muestra.
Es importante que consideres que puedes operar indistintamente la frmula de estandarizacin de la
variable con cualquiera de las expresiones
n (x
. Las dos expresiones
n
matemticas conducen a la misma respuesta, sin embargo hay estudiantes que prefieren emplear la
segunda expresin para no realizar una doble divisin; sin embargo, como podrs constatar en la
pgina 79 la solucin es exactamente la misma empleando cualquiera de ellas.
Traza las grficas ya sea con los valores de
saber qu rea ests calculando.
x o con los valores normalizados para que puedas
Recuerda lo que significa cada smbolo.

Comprende correctamente los enunciados.
75
3.3 DISTRIBUCIN T-STUDENT
Aprendizajes
Identificar las caractersticas de la distribucin t -Student.
Aplicar la distribucin t -Student en la solucin de problemas.
Cuando las muestras se toman de una poblacin normal, la distribucin muestral de medias es normal; sin
embargo, si la desviacin estndar de la poblacin es desconocida no podemos transformar la media
muestral a un puntaje estndar. En muchas situaciones prcticas la desviacin estndar poblacional es
desconocida y se usa la desviacin estndar muestral para estimar y por ello es que aplicaremos la
distribucin t -Student.
La distribucin t -Student presenta las siguientes propiedades:
Su media es igual a cero.

T est distribuida simtricamente alrededor de su media.
T est distribuida de modo que forma una familia de distribuciones, una distribucin por separado
para cada nmero diferente de grados de libertad (Gl 1).
La distribucin t se aproxima a la normal estndar a medida que aumenta el nmero de grados de
libertad.
T est distribuida con una varianza mayor que 1, pero a medida que aumenta el nmero de grados de
libertad la varianza se aproxima a 1.
T est distribuida de modo que es menos puntiaguda en la media y ms ancha en las colas que la
distribucin normal.
Es ms variable que la distribucin normal estndar.
Su grfica es de forma acampanada y depende de los grados de libertad.
Cuando n crece, la distribucin muestral de t se aproxima a la distribucin normal estndar z.
La verdadera ecuacin de la distribucin t es muy complicada y la omitiremos usando la TABLA 4 (valores

de la t -Student) que contiene una coleccin de valores t ya estandarizados, as como sus probabilidades
asociadas. En esta distribucin se tienen que estandarizar los valores para poder utilizar la tabla y esto se
hace aplicando cualquiera de las expresiones siguientes:
Donde:
x = Nmero promedio de xitos

= Media muestral
s = Desviacin estndar muestral
n = Tamao de la muestra
76
s
n
n (x
s
UNIDAD 3
La forma exacta de una distribucin t est especificada completamente por un nico valor, el parmetro
conocido como el nmero de grados de libertad (Gl) que se obtiene utilizando la siguiente expresin:
Gl = n 1
A diferencia de la tabla normal estndar, la tabla de la t Student contiene slo siete probabilidades o
reas. Al principio esto puede parecer una gran desventaja, pero para nuestras aplicaciones estas
probabilidades sern suficientes. La tabla 4 se usar de la misma forma que la distribucin normal para
encontrar las probabilidades; la nica diferencia es que ahora las probabilidades se encuentran en el
rengln superior de la tabla y los valores de t en el interior de la misma.
Ejemplo de uso de la TABLA 4.
Encuentre la probabilidad del estadstico t = 1.316 con n = 26.
Como en la tabla slo aparecen los grados de libertad tenemos que calcularlos.
Frmula
Sustituyendo
Gl = n 1
Gl = 26 1 = 25
Buscando este valor en la columna de Gl el valor de 25 y en el rengln localizando 1.316 y a partir de este
subir hasta el rengln donde aparece t con un valor como subndice es el valor de la probabilidad de t.
Gl
1
2
3
:
25
:
:
t 0.100
t.050.......................... t.0005
1.316
Por lo tanto, la probabilidad de que t = 1.316 es de 0.100. Tambin se expresa en porcentaje 10% de que
la variable sea mayor o igual que 1.316.
77

Suponga que de una poblacin normal con = 20 se toma una muestra de tamao 16. Si la desviacin
estndar es s = 4, encuentra la probabilidad de P ( x > 21.753 ).
s = 4;
= 20;
n = 16;
x = 21.753
Paso 2. Calcular el valor de t para 21.753 usando la frmula.

Frmula
x
s
n
Sustituyendo
n (x
s
21.753 20
4
16
1.753 t
16 (21 .753
4
20 )
1.753
As P ( x > 21.753 ) = P ( t 1.753 ).

Paso 3. Calcular los grados de libertad.
Gl = n 1
Gl = 16 1 = 15
Paso 4. Buscar en la TABLA 4 el valor de 1.753 en el rengln de Gl = 15, tenemos que

P ( t 1.753 ) = 0.05 5%
Los valores de la tabla se relacionan con el rea de probabilidad situado en la parte derecha de un
valor dado, por ello cuando aparece el smbolo > no es necesario hacer ninguna operacin adicional;
en algn otro caso se debe hacer la grfica para saber qu rea buscamos y hacer las operaciones
necesarias empleando la regla del complemento:
P (t < k) = 1 P (t k)
Resuelve el siguiente planteamiento.
Si de una poblacin cuya media es 50 y tiene una desviacin estndar de 30 se toma una muestra de
tamao 31, encuentra P ( x < 60 ).
78
UNIDAD 3
EJERCICIOS
INSTRUCCIONES: Lee con atencin cada uno de los siguientes enunciados y anota sobre la lnea la
respuesta correcta.
1. La media de una distribucin t es igual a _____________________
2. Los valores de la distribucin t son simtricos con respecto a ____________________
3. Las curvas de la distribucin t- Student son ms _________ que las curvas de la distribucin normal.
4. Su grfica tiene una forma _____________ y depende de ________________
5. Cuando n crece, la distribucin muestral t- Student se aproxima a la __________________________
INSTRUCCIONES: Resuelve los siguientes planteamientos colocando el procedimiento en los espacios.
6. Suponga que de una poblacin normal con una media de 14 se toma una muestra de tamao 11; si la
media muestral es 18 y la desviacin estndar poblacional 14.3, calcule el valor del estadstico t.
7. Si n = 6 encuentre P ( t 4.032 ).
8. Si x = 15,
= 20, s = 7 y gl = 8, calcule el valor del estadstico t.
9. Si n = 16 encuentre P ( -2.131 t 2.131 ).
79
Nmero de pregunta
Respuesta correcta
Cero
La media
Planas
Simtrica; los grados de libertad
Distribucin normal
18 14
14 .3
11
t0.005, =
6 1 gl =
4.032,
15 20
7
9
11 (18 14 )
14 .3
0.9277
P(t 4.032) = 0.005 0.5%
9 (15 20 )
7
2.14
P(- 2.131 t 2.131) = 1 2(0.025) = 0.95 95%

Sugerencias
En los reactivos del 1 al 5, slo comprende las propiedades de la distribucin t.

En los siguientes reactivos utiliza la frmula adecuadamente y construye la grfica.
Revisa las pginas 387 a la 393 del libro de Levin, Richard y Rubin, David: Estadstica
para Administradores para reafirmar tus conceptos acerca del tema distribucin t
Student.
80
UNIDAD 3
Cuentas con un tiempo de 90 minutos para resolverlos.
INSTRUCCIONES: Llena los espacios en blanco con la palabra de la respuesta correcta.
1.
El rea bajo la curva de una distribucin normal equivale a ____________________________.
2. La curva de una distribucin normal se caracteriza por ser de forma____________________.

3. Slo se toma el lado derecho de la grfica de una distribucin normal al determinar el rea bajo la
curva porque la curva es___________________ con respecto a la_______________.
4. Al aplicar la distribucin normal, distribucin muestral, t-Student es porque se quiere conocer la
probabilidad de una variable aleatoria___________________.
5. Una distribucin muestral se aproxima a una normal cuando___________________ crece.
6. Una distribucin t-Student se aproxima a una normal cuando________________ actan.
INSTRUCCIONES: Resuelve los siguientes planteamientos colocando el desarrollo en los espacios en

blanco.
7. El peso medio de los estudiantes varones de cierta escuela es de 151 lb., y la desviacin estndar de
15 lb. Suponiendo que los pesos se distribuyen normalmente y que se selecciona un estudiante varn
de esa escuela, ste pese:
I.
Entre 120 y 155 lb.
II.
Ms de 185 lb.
III.
Menos de 128 lb.
8. Un estudio de transito revela que el nmero promedio de ocupantes de un coche es 1.75 y la

desviacin estndar 0.65. En una muestra de 50 coches encuentre la probabilidad de que el nmero
promedio de ocupantes sea mayor que 2, si se considera que la distribucin es normal.
9. Si n = 13 encuentre P ( 1.782 t 3.055 ).
81
CLAVE DE RESPUESTAS
Nmero de pregunta
Respuesta correcta
uno
acampanada
simtrica
la media
continua
tamao de la muestra
Los grados de libertad

I
P (120 < x < 155) =
120 151
155 151
P(120 x 155) P(
z
) P( 2.06 z 0.26)
15
15
P( z 0.26) P( z
2.06) 0.6026 0.0197 0.5829 59.29%
II
P(
x > 185 ) = P z
185 151
15
P( z
2.27 ) = 1 ( 2.27 ) = 0.0116
III
P(
82
P( x 2)
P z
x < 128 ) = ( - 1.53 ) = 0.0630 6.3%
50 (2 1.72)
P( z 2.71) 1
0.65
0.5000 0.4966 0.0034 0.34 %
(2.71)
P ( 1.282 < t < 3.055) = P(t 1.782) P(t 3.055) = 0.10 0.01 = 0.09 9%
UNIDAD 3
83
UNIDAD 4
INFERENCIA ESTADSTICA
UNIDAD 4
85
4.1 PLANTEAMIENTO DE UNA HIPTESIS ESTADSTICA
Aprendizajes
Identificar los elementos bsicos de una prueba de Hiptesis estadstica.
Desarrollar una prueba de Hiptesis estadstica en problemas sencillos.
Hasta ahora sabemos determinar la media y la desviacin estndar, as como su distribucin de

probabilidad por diferentes mtodos. Pero no basta con conocer dichos valores; es preferible saber cmo
las vamos a utilizar en la prctica.
En esta unidad se realizarn inferencias con respecto a la media para tomar una decisin sobre un evento.
Al hablar de decisiones, uno se refiere a la conveniencia de participar en un evento con un grado menor de
cometer alguna equivocacin. Para tener una mejor decisin sobre la participacin en un evento se realiza
un proceso llamado prueba de Hiptesis que permite hacer una eleccin ms acertada.
La Hiptesis estadstica es la afirmacin que se hace de un parmetro de la poblacin.
Est afirmacin se toma como tentativa, ya que el verdadero valor del parmetro no se
conoce. Tiene los siguientes elementos:
Hiptesis nula. Es aquella en la que ya se conoce del planteamiento con cierta certeza, es decir, lo
que regularmente sucede y se denota por H0. Ejemplo: una investigacin muestra que el medicamento
A es en promedio un 90% efectivo contra la hipertensin.
Del planteamiento tenemos que H0:
menos un 90% de efectividad).
90 (la desigualdad establece que el medicamento tiene al
Hiptesis alterna o alternativa. Es aquella que se cree va a suceder, y se denota por H a o H1. En
nuestro caso utilizaremos esta ltima.
Retomando el ejemplo anterior, tenemos que hay otros investigadores que indican que la efectividad
del medicamento es menor. En consecuencia, la Hiptesis alterna quedara como H1: < 90.
Nivel de significancia. Es el valor de probabilidad de la regin en donde puede ser rechazada la

Hiptesis nula y se representa con el smbolo .
Nivel de confiabilidad o intervalo de confianza. Es el valor de probabilidad de la regin donde se

acepta la Hiptesis nula y sta se determina usando la expresin 1 - .
Regla de decisin. sta se establece con base en el nivel de significancia. Especifica aquellos
valores en la distribucin muestral del estadstico ms all de cuales puede rechazarse H 0.
Valor crtico. Es aquel que divide la distribucin muestral en dos regiones: la regin de rechazo o
regin crtica y la regin de aceptacin de la Hiptesis nula. Denotaremos al valor crtico con el
smbolo Z ; es el valor que divide a la curva en dos partes.
Conclusin de la prueba. Es la frase que indica el porqu de aceptar o no la Hiptesis nula.
La prueba de Hiptesis consta de los siguientes pasos:
86
UNIDAD 4
1. Formular y establecer la Hiptesis nula (H0).

2. Formular y establecer la Hiptesis alterna (H1), sta deber estar expresada matemticamente con un
smbolo de desigualdad opuesto al empleado en la Hiptesis nula.
3. Escoger un estadstico de prueba que sea apropiado (en este caso usaremos la distribucin muestral).
4. Formular una regla de decisin. sta se establece con base en el nivel de significancia ( ), que es la
probabilidad de rechazar la H0 cuando es cierta.
5. Calcular el valor del estadstico de prueba Z para una muestra con ayuda de la TABLA 5 (valores de
la distribucin normal en porcentajes), que contiene valores normales de Z en porcentajes, se utiliza la
columna de Z( ) para la prueba unilateral y para la prueba bilateral se utiliza la columna Z(1 /2).
Ejemplo: Supongamos que el intervalo de confianza es del 98%. Cunto vale Z(
Se busca en la TABLA 5 el valor deseado en la columna de los porcentajes.
) y
Z(1 /2) ?
Z(
Z(1 /2)
1
2
.
.
98
-2.326
-2.054
.
.
2.054
1
2
.
.
98
0.013
0.025
.
.
2.326
Para un 98% el valor de Z(
Para un 98% el valor de Z(1 /2) = 2.326
) = 2.054
6. Tomar una decisin o conclusin sobre la Hiptesis nula H 0: (a) se acepta o (b) se rechaza. Para
conocer esto debemos saber donde cae el valor de la distribucin muestral (Z) con respecto al valor
crtico (Z ). Para tomar esta decisin se debe construir la grfica de forma acampanada (la misma que
en el caso de la distribucin normal), de acuerdo con las condiciones siguientes.
A) Si en H1 el valor de la media es mayor que el valor que en H 0, el Z (valor crtico) que se busca es
positivo. Se dice entonces que la prueba es unilateral derecha.
REGIN DE ACEPTACIN
REGIN DE RECHAZO
+Z
87
B) Si en H1 el valor de la media es menor que la de H0, Z (el valor crtico) que se busca es negativo y la
prueba ser ahora unilateral izquierda.
REGIN DE RECHAZO
REGIN DE ACEPTACIN
-Z
C) Si en H1 slo se sabe que el valor de la media es diferente de H 0, el valor crtico ser
Z que se busca
2
a ambos lados de la media, siendo uno positivo y la otro negativo. Esta prueba se llama bilateral porque
las regiones de rechazo son ahora dos, una izquierda y otra derecha.
REGIN DE RECHAZO
REGIN DE ACEPTACIN
REGIN DE RECHAZO
Z
2
La Hiptesis nula siempre debe estar con su parmetro igual a una constante y de acuerdo con estas
grficas se compara Z y Z para saber de qu lado cae Z con respecto al valor crtico y saber si se acepta
o rechaza la Hiptesis nula.
88
UNIDAD 4

El tiempo de duracin de servicio de los focos de cierta compaa es de 1 000 horas, con una desviacin
estndar de 200 horas. Debido al cambio de maquinaria se espera que la duracin de focos sea de 1 200
horas. Se selecciona una muestra de 16 focos de la nueva produccin y se obtiene una media de 1 100
horas. Si el nivel de significancia es de 0.02, es cierto que
1 000?
Paso 1. Plantear la Hiptesis nula.
Del planteamiento se sabe que la media es 1 000; por lo tanto
Ho:
1 000
Paso 2. Plantear la Hiptesis alterna.

Se espera que la media sea mayor a 1 000, quedando H1 como
H1:
> 1 00; por consiguiente
> 1 000
Paso 3. Calcular el estadstico de prueba (distribucin muestral).

Identificar los datos
x = 1 100
= 1 000
= 200
n = 16
Usar la formula
n (x
16 (1100 1000 )
200
Paso 4. La regla de decisin se basa en el nivel de significancia:

En este caso
= 0.02.
Paso 5. Buscar el valor de P (z k) correspondiente a un del 2% localizado en la cola derecha de la

curva. Para buscar este valor empleamos la columna Z( ) en la TABLA 5.
Se busca el porcentaje del nivel de confianza 1 encuentra en la columna de Z( ).
Por lo tanto, el valor que buscamos es Z(
en la primera columna y el valor que buscamos se
Z(
1
.
.
-2.326
.
.
98
2.054
) = 2.054
89
Paso 6. Para tomar una decisin, sta se hace con base en la regin de aceptacin y de rechazo, de
acuerdo con las condiciones antes mencionadas.
En este caso como la media de la Hiptesis alterna, es mayor que la de la Hiptesis nula, la grfica a
utilizar es la del caso A.
2 2.054
Esto indica que si los valores de la distribucin muestral son mayores que 2.054 la Hiptesis nula se
rechaza.
En este caso el valor de Z es menor que el valor de Z ; es decir: Z < Z
(2.00 < 2.054). Por lo tanto, se
acepta la Hiptesis nula. Esto quiere decir que se acepta que la media es igual a 1 000 horas.
Plantea y resuelve el siguiente problema de acuerdo con el procedimiento anterior.
La estatura de los nios de cero a cinco aos se distribuye normalmente con media = 51 cm y desviacin
estndar = 19 cm. En una guardera se hicieron cambios en la alimentacin y se sospecha que la
estatura promedio es mayor a los 53 cm. Si en una muestra de 25 nios se obtiene una estatura promedio
de 55.2 cm, se rechazar la hiptesis nula al 5% de significancia?
90
UNIDAD 4
EJERCICIOS
INSTRUCCIONES: En cada uno de los siguientes planteamientos determina lo que se te pide. Anexa el
procedimiento en los espacios en blanco.
1. Generalmente los meseros reciben el 15 % de propina sobre el consumo. Establece la Hiptesis nula y
la Hiptesis alterna en los siguientes casos.
I.
Se tiene la sospecha que no reciben el 15 % de propina.
II.
Se sospecha que reciben cuando ms el 15 % de propina.
III.
Se cree que reciben menos del 15%.
2. El dirigente de un partido poltico piensa que en cierta colonia cuando menos el 70% de los votantes
simpatizan con el partido. El dirigente del partido opositor no le cree. Si se toma una muestra de 35
votantes de esa colonia y se encuentra una desviacin estndar de 5 y una media de 20, determina los
elementos de la prueba de Hiptesis con un nivel de significancia de 0.02.
3. En una escuela particular, el 60% de los alumnos tienen automvil ltimo modelo. Se piensa que ese
porcentaje ha aumentado. Cul es la Hiptesis alterna y cul la Hiptesis nula?
91
INSTRUCCIONES: En cada uno de los siguientes planteamientos determina si se acepta o se rechaza la

Hiptesis nula.
4. Una empresa elctrica fabrica focos que tienen una duracin que est distribuida aproximadamente en
forma normal con una media de 800 h y una desviacin estndar de 40 hr. Probar la Hiptesis de que
800 hr., si una muestra aleatoria de 30 focos tiene una duracin promedio de 788 h. Utilice un
nivel de significancia de 0.05.
5. El contenido de fijador para un perfume se distribuye normalmente con media 8 g y desviacin tpica
2.5 g. Se introduce un nuevo proceso para mejorar el fijador y disminuirlo en el perfume. Una muestra
de 25 perfumes con el nuevo fijador proporciona una media de 6.4 g. Se rechazar la hiptesis nula
al 1% de significancia?
6. El llenado de botellas de refresco se considera distribucin normal con una media de 300 ml y
desviacin estndar de 150 ml. Los consumidores alegan que los refrescos contienen menos de esa
cantidad. Se realiza una investigacin con una muestra de 16 botellas de refresco, obtenindose una
media de 286 ml. Quin tiene la razn con un al 0.01?
92
UNIDAD 4
Nmero de pregunta
Respuesta correcta
I
H0:
H1:
= 15%
15%
H0:
H1:
> 15%
15%
II
1
III
2
3
H0: 15%
H1: < 15%
H0 : 70%
H1 : < 70%
n = 35
=5
= 20
= 2%
H0 : 60%
H1 : > 60%
H0 : = 800 h
H1 :
800 h
Z = - 1.643
Z1 - /2 = - 1.96
Se acepta H0
H0: 8 g
H1: < 8 g
Z = - 3.2
Z = - 2.326
Se rechaza H0
H0: 300
H1: < 300
Z = - 0.373
Z = - 2.326
Se acepta H0
Sugerencias
Lee cuidadosamente cada planteamiento para que identifiques H0 y H1.

Lee las definiciones dadas de cada uno de los elementos de la prueba de Hiptesis.
En los planteamientos 4, 5 y 6, establece adecuadamente tus Hiptesis y sigue el procedimiento escrito en la aplicacin, observa qu datos tienes.
Es importante que no pierdas de vista que las expresiones matemticas que representan a la Hiptesis
nula y a la Hiptesis alternativa son mutuamente excluyentes (de signos contrarios). Por ejemplo: si H 0
plantea que k, entonces H1 plantear < k; si H0 es < k, entonces H1 ser k, etc.
Calcula el valor crtico con Z( ) para pruebas unilaterales y con Z( 1 /2 ) para pruebas bilaterales. Ten
mucho cuidado de emplear la tabla correcta segn la regla de decisin que hallas planteado.
93
4.2 ESTIMACIN
Aprendizajes
Comparar los dos tipos de estimacin de parmetros estadsticos
puntual y por intervalos.
Identificar las caractersticas de la estimacin por intervalos.
El objetivo de la estadstica inferencial es la estimacin, es decir, suponer el valor de un parmetro de la

poblacin dada una muestra, para generalizar las conclusiones al total de elementos de dicha poblacin y
para saber qu garanta podemos tener de lograr un xito.
Existen dos tipos de estimaciones para parmetros: puntual y por intervalo.
Estimacin puntual. Es la que emplea un nico nmero para representar la estimacin; esto es
semejante a localizar un punto sobre una recta. Slo utiliza la informacin de una muestra para llegar a un
slo nmero o punto que estima el parmetro de inters. La estimacin real se hace a travs de un
estimador (regla que expresa cmo calcular la estimacin basndose en la informacin de la muestra y se
anuncia generalmente mediante una frmula; puede ser la media, mediana o desviacin estndar). Por
ejemplo, un bilogo desea determinar el nmero promedio de huevos puestos en una estacin y en cada
nido por pjaros Febe. Se sabe que el promedio de huevos para la muestra de 50 nidos es de 4.62; en tal
caso la media muestral es el estimador y el valor de 4.62 es de una estimacin puntual.
Estimacin por intervalo. Utiliza los datos de una muestra para determinar los valores extremos o los
puntos que puedan abarcar el valor real del parmetro estimado. Retomando el ejemplo de los huevos de
la ave Febe, el intervalo (4.57 4.67) sera una estimacin por intervalo del verdadero nmero promedio
de huevos en cada nido. Cuando se trata de intervalos, la estimacin presenta las siguientes modalidades
de acuerdo con el parmetro que se desea conocer.
Estimacin de la media
Sea
la probabilidad de tener error en la estimacin del parmetro, entonces 1- es un valor que indica
que el intervalo contiene el parmetro en cuestin; si este valor se localiza en el rea bajo la curva normal
estndar (acumulada), los lmites de 1son - Z y + Z
. Como la distribucin muestral de x se
1
y error tpico e( x ) =
puede aproximar mediante la distribucin normal de media

intervalo que contiene la verdadera media de la poblacin ser:
x -Z
2
94
x +Z
, entonces el
UNIDAD 4
La expresin 1 se conoce como nivel de confianza de encontrar el parmetro, que se encuentra

entre los dos valores crticos y bajo la curva normal; es el intervalo de confiabilidad para localizar algn
evento.
Esta estimacin se representa en la grfica siguiente:
1-
1
2
Estimacin de la proporcin de la poblacin

Sea p la proporcin muestral, donde x es el nmero de xitos y n el tamao de la muestra. Como
p1 p
es la desviacin tpica estimada de la proporcin muestral, entonces la expresin que nos
n
otorga un intervalo de confianza para P, la verdadera proporcin de la poblacin, es:
p Z
2
Donde: p =
p(1 p)
n
p Z
1
p(1 p)
n
x
n
95
Estimacin de la diferencia entre dos medias

sta se representa con d y es la diferencia entre las medias muestrales independientes x1
tomadas de una poblacin, donde:
x2
d = x1 - x 2
El error tpico es:
2
e(d) = Z
2
n1
n2
Donde:
2
1
2
2
n1 y n2
Son varianzas de la poblacin

Son tamao de muestras de la poblacin
En el intervalo de confianza (d) la verdadera diferencia de las medias de la poblacin est en el intervalo:
z
2
96
z
1
n n
1
UNIDAD 4

La desviacin estndar de una distribucin normal es de 16. Si se toma una muestra de 36 puntuaciones
de esa distribucin y se encuentra que su media es 62, obtener un intervalo de confianza del 96% para ,
la media verdadera de la distribucin.
= 16
x = 62
n = 36
1-
= 96%
Paso 2. Obtener el valor de Z( 1 /2 ) de la tabla 5 directamente, slo conociendo el valor del nivel de
significancia buscndolo en la columna de Z( 1 /2 ), por tratarse de un intervalo de confianza.
Z( 1 /2 )
1.695
1.751
.
.
2.054
%
91
92
.
.
96
2.054
Z
2
Paso 3. Sustituir los valores en la frmula de estimacin de la media:
x - z
2
62 ( 2.054)
16
62 5.4773
x + z
2
62 + (2.054)
16
6
62 + 5.4773
Por lo tanto, el intervalo es: 56.52
67.47
NOTA: Para saber qu formula aplicar, en el planteamiento aparece el ttulo de los diferentes casos de estimacin.
Resuelve el siguiente problema utilizando el procedimiento anterior.

Se desea estimar la verdadera proporcin de fumadores de cierta ciudad. Una muestra aleatoria de 500
personas indica que el 70% fuman. Cul es la verdadera proporcin estimada para un intervalo de
confianza del 92%?
97
EJERCICIOS
INSTRUCCIONES: En los parntesis de la izquierda coloca la letra de la respuesta correcta.
1. ( ) La estimacin, que es un nico valor estadstico y se usa para estimar un parmetro, se
como
a)
b)
c)
d)
conoce
Estimacin por intervalo

Estimacin puntual
Estimacin de la media
Estimacin de proporcin
2. ( ) La estimacin usa un estadstico llamado

a)
b)
c)
d)
Estimacin
Nivel de confianza
Estimador
Valor crtico
3. ( ) Se define como un intervalo de ancho finito que se espera contenga al parmetro

a)
b)
c)
d)
Estadstica inferencial
Estimacin
Estimacin puntual
estimacin por intervalo
4. ( ) La estimacin de la diferencia de dos medias pertenece a una

a)
b)
c)
d)
Estimacin
Estimacin por intervalos
Estimacin puntual
Estimacin estadstica
INSTRUCCIONES: En los planteamientos siguientes determina lo que se te pide en cada caso colocando
el desarrollo en los espacios en blanco.
5. De la tabla siguiente determina la estimacin puntual (
DATO
FRECUENCIA
98
1
2
2
1
3
1
)
4
8
5
36
6
2
UNIDAD 4
6. Las alturas de una muestra aleatoria de 50 estudiantes mostraron una media de 174.5 cm y una
desviacin estndar de 8.9 cm. Determina un intervalo de confianza de 98% para la altura promedio
de todos los estudiantes.
7. Una encuesta realizada para saber si vean el programa de televisin NDALE proporciona los
siguientes resultados: de 200 personas entrevistadas 162 contestaron que s. Obtener un intervalo de
confianza de 99% para P a la verdadera proporcin de las personas que ven ese programa.
8. Se aplic un examen diagnstico a dos grupos obteniendo los resultados siguientes:
No. de alumnos
Media muestral
Varianza
Muestra 1
n = 121
Muestra 2
n = 121
x1 = 5
x2 = 3
2
1
=8
2
2
=6
Obtener un intervalo de confianza del 97% para estimar d, la verdadera diferencia entre la media de los
dos grupos.
99
Nmero de pregunta
Respuesta correcta
= 8.33
Intervalo:
171.57
Intervalo:
0.7385 P 0.8814
177.42
Intervalo: 1.2109 d 2.7381

Sugerencias
En los ejercicios del 1 al 4 slo lee el texto y cada una de las definiciones dadas.
En los ejercicios del 5 al 8 identifica cada uno de los datos dados en cada planteamiento. Sigue los
pasos que se desarrolla en cada ejemplo resuelto.
De acuerdo con la Tabla 5 busca en Z ( 1 -
/ 2 ), as como el nivel de significancia en porcentaje.
Revisa el libro de Mendenhall, William: Estadstica para Administradores, en las pginas 195 235
para reafirmar tus conocimientos sobre la resolucin de problemas de estimacin.
100
UNIDAD 4
Cuentas con 90 minutos para contestar.
INSTRUCCIONES: Coloca en el parntesis de la izquierda de cada enunciado la letra de
la respuesta correcta.
1. ( ) El proceso de decisin de aceptar o de rechazar una hiptesis estadstica se conoce como:
a)
b)
c)
d)
Hiptesis alterna
Hiptesis nula
Prueba de Hiptesis
Hiptesis estadstica
2. ( ) La Hiptesis que se conoce del planteamiento se llama

a)
b)
c)
d)
Hiptesis nula
Hiptesis experimental
Prueba de Hiptesis
Hiptesis estadstica
3. ( ) La afirmacin que se hace de un parmetro de la poblacin se conoce como:

a)
b)
c)
d)
Hiptesis alterna
Hiptesis estadstica
Hiptesis
Hiptesis nula
4. ( ) El objetivo principal de la estadstica inferencial es desarrollar una

a)
b)
c)
d)
Hiptesis
estimacin
Error
Estimacin puntual
5. ( ) La estimacin tiene dos tipos que se conocen como

a)
b)
c)
d)
Puntual y prueba de Hiptesis

Puntual y por intervalos
Por intervalos y valor crtico
Puntual y nivel de significanca
6. ( ) La diferencia entre una estimacin puntual y una estimacin por intervalo se debe a que la primera
slo maneja un valor y la otra un
a)
b)
c)
d)
Error estadstico
Valor crtico
Intervalo
Nivel de significanca
101
INSTRUCCIONES: En los planteamientos siguientes determina lo que se te pide segn sea el caso,
colocando en el espacio en blanco el procedimiento.
7. Se sabe que una distribucin normal tiene una varianza de 225. Determine un intervalo de confianza del
93% para la media verdadera si se tiene una muestra de 25 puntuaciones con una media muestral de
102.
8. En una muestra aleatoria de 100 casas de determinada ciudad se encuentra que 28% de ellos tiene
calefaccin de petrleo. Encuentre el intervalo de confianza del 99% para la proporcin de hogares en
esta ciudad que tiene este tipo de calefaccin.
9. Se quiere estimar la verdadera diferencia en las ventas diarias realizadas por 2 empleados. Se toman
dos muestras con los siguientes resultados.
No. Das
Promedio diario
Varianza
Empleado 1
n1 = 50
x1 = $10,000
2
1
= $ 6000,000
Empleado 2
n2 = 50
x 2 = $12,000
2
2
= $ 6000,000
Calcule el intervalo de confianza del 98% para la verdadera diferencia en los valores promedio de ventas
diarias.
102
UNIDAD 4
CLAVE DE RESPUESTA
Nmero de pregunta
Respuesta correcta
Intervalo: 96.564
107.436
Intervalo: 0.1643 P 0.3956
Intervalo: 3139.50 d - 860.49
103
104
UNIDAD 5
APLICACIONES DE LA INFERENCIA ESTADSTICA
106
UNIDAD 5
5.1 MUESTREO DE ACEPTACIN

Aprendizajes
Aplicar los elementos esenciales de un plan de muestreo por lotes.
Relacionar el concepto de error tipo I al riesgo del productor en un
muestreo de aceptacin.
Relacionar el concepto de error tipo II al riesgo del consumidor en un
muestreo de aceptacin.
La inferencia estadstica trata de llegar a conocer o explicar el comportamiento de la poblacin mediante

los datos de una muestra (recoleccin de datos).
Las ventajas que tiene el muestreo es que se trata de un proceso econmico y rpido, sin embargo, tiene
como desventaja que al seleccionar la muestra sta debe ser lo ms representativa de la poblacin.
Al seleccionar una muestra se debe especificar:
El mtodo de seleccin de los individuos de la poblacin (tipo de muestreo a utilizar)

El tamao de la muestra
El grado de fiabilidad de las conclusiones que se van a obtener
Se entiende por lote a una agrupacin de artculos producidos por una fbrica y pueden ser de dos o
ms artculos, dependiendo de la naturaleza (tamao) del producto.
Un plan de muestreo por lotes es una prueba de hiptesis para determinar si se acepta o no un lote de
acuerdo con un nmero de aceptacin de productos defectuosos impuesto por el productor y por el
consumidor. Sirve para controlar la calidad de un producto durante su elaboracin y se aplica justo antes
de enviar el producto a los clientes; su propsito es reducir la proporcin de artculos defectuosos.
El plan de muestreo tiene los siguientes elementos:
Una muestra aleatoria de n artculos de cada lote.

El nmero x de artculos defectuosos en cada muestra.
Un nmero de artculos defectuosos c aceptados por el productor.
La proporcin de artculos defectuosos p0 aceptados por el consumidor (cliente).
La proporcin de artculos defectuosos p aceptados por el productor.
El procedimiento que se sigue en la elaboracin de un plan de muestreo es el siguiente:
Se toma una muestra fija n de artculos de cada lote.

Se identifica si cada artculo es o no defectuoso.
Se establece un nmero de aceptacin c previamente establecido, tomando la decisin de que si
el nmero de artculos defectuosos es mayor que c se rechaza el lote y se retiene para hacer un
segundo muestreo.
Grficamente se tiene que:
1
se acepta el lote
c +1
se rechaza el lote
107
Es decir, si el nmero de artculos defectuosos es menor o igual que el lote se acepta (valores del
lado izquierdo de c); pero si son mayores que c se rechaza (valores del lado derecho de c), slo se
consideran valores enteros, ya que se trata de productos y no pueden existir decimales.
Anteriormente se mencion que el plan de muestreo por lotes es una prueba de hiptesis, pero con
respecto a la probabilidad de aceptar un cierto nmero de artculos defectuosos.
Como sabemos, al tomar decisiones se cometen errores y en una prueba de hiptesis se conocen dos:
Error tipo I: Es la probabilidad de rechazar la hiptesis nula cuando sta es verdadera, y se representa
con el smbolo que se conoce como nivel de significancia.
Error tipo II: Es la probabilidad de aceptar la hiptesis nula cuando es falsa y se representa con el
smbolo .
En este caso como se trata de tomar una decisin con respecto a la aceptacin de un lote considerando
el nmero de productos defectuosos de acuerdo con el productor y el consumidor tenemos que:
El productor establece una fraccin de productos defectuosos por lote denominada p0. Para decir si el
lote se acepta se debe cumplir que p (probabilidad de productos defectuosos de un lote) sea menor que
p0. De acuerdo con esto, el riesgo del productor es la probabilidad de rechazar lotes si en realidad la
fraccin de artculos defectuosos en el lote p es igual o menor que la que establece el productor p 0. En
trminos de la prueba de hiptesis, el riesgo del productor es la probabilidad de cometer un error tipo I.
El riesgo en que incurre el cliente se conoce como riesgo del consumidor, que es la probabilidad de
aceptar lotes que contienen una fraccin de artculos defectuosos por lote mayor que la establecida por el
consumidor. En trminos de prueba de hiptesis, el riesgo del consumidor es la probabilidad de cometer
un error tipo II.
Estos riesgos los podemos asociar a travs de una grfica conocida como curva caracterstica
operativa. Se trata de una grfica de la probabilidad de aceptacin de los lotes P(c).
Contra la fraccin de productos defectuosos por lote p, de acuerdo con la siguiente figura:
Riesgo del productor
Riesgo del consumidor
p0
p1
NOTA: La forma de esta grfica nunca cambia.

Para encontrar el riesgo del productor se aplica la expresin:
= P(x > c) =1 P( x c), cuando p = po
108
UNIDAD 5
El riesgo del consumidor se determina con la expresin:
= P (x c), cuando p = p1
Donde:
riesgo del productor en porcentaje
riesgo del consumidor en porcentaje
P(c) probabilidad de aceptacin
p0 probabilidad de aceptar un nmero de artculos defectuosos del productor
p1 probabilidad de aceptar un nmero de artculos defectuosos del consumidor
c nmero de aceptacin de artculos defectuosos
p probabilidad de que aparezca un artculo defectuoso.
Para construir la curva caracterstica operativa se realiza el siguiente procedimiento:
Se identifican los datos n, p, c, N, po , p1 del planteamiento
Se determina el riesgo del productor con la expresin
= P(x > c) = 1 P(x c)
Recuerda que es el nmero de aceptacin de productos defectuosos y sta se obtiene con la frmula de
distribucin Binomial.
P(x = k) =
k c
De donde se sigue que P(x c) =

k 0
n
k
n
k
pk qn
p k q n k . Por ejemplo, si c = 1, se toman los valores de 0 y 1,
quedando el clculo de la probabilidad de c como P(x 1) = P(x = 0) + P(x = 1); es decir, se toman los
valores menores e iguales que el de c.
Determinar el riesgo del consumidor con la expresin
= P(x c)
Trazar la curva caracterstica operativa utilizando los datos obtenidos de
o
Colocando los valores de los riesgos en el eje vertical
o
En el eje horizontal se colocan los valores de po y p1
y .
Recuerda cmo construyes una grfica (repasa tus notas de la materia Matemticas II), cuando los
intervalos en que se dividen los ejes deben ser iguales (del mismo tamao). Como se trata de graficar
probabilidades en ambos ejes, estos valores van de 0 a 1. Por consiguiente se sugiere dividir los intervalos
en una escala de dcimas, como por ejemplo 0.0, 0.1, 0.2, ......... 0.9, 1.0 o ms pequeos si hace falta.
109

Un fabricante de empaques metlicos embarca un producto en lotes de 500. El plan de muestreo de
aceptacin empleado antes del embarque se hace en un tamao de muestra n = 10 y un nmero de
aceptacin c = 1.
Observa los pasos que se siguen para calcular el riesgo del productor (po= 0.05), del consumidor (p1=
0.20), y cmo se elabora su grfica.
Riesgo del productor
Paso 1. Identificar datos:
N = 500
Paso 2. Usar la expresin:
c=1
po = 0.05
= 1 p(x c)
c = 1, la p(x c) = p(x = 0) + p (x = 1)
Como
Por lo tanto
8.6%.
n = 10
= 1 p(x 1) = 1 - p (x = 0) + p (x = 1) = 1 0.599 0.315 = 0.086
Riesgo del consumidor

Paso 1. Identificar datos:
N = 500
Paso 2. Usar la expresin
n = 10
c=1
p1 = 0.20
= p(x c), cuando p1 = 0.20.
= p(x 1) = p(x = 0) + p(x = 1) = 0.107 + 0.268 = 0.375
Sustituyendo valores:
37.5%.
Curva caracterstica operativa
Paso 1. Trazar la grfica
P(a)
= 0.086
= 0.375
0.05 0.20
Para colocar los valores sabemos que la mxima probabilidad es 1 en el eje horizontal, el cual se puede
dividir de 0, 0.1, 0.2, ....1. En el vertical se coloca el riesgo del productor en la parte superior de la curva y
110
UNIDAD 5
en la parte inferior el riesgo del consumidor, aunque los valores deben ir de menor a mayor, de abajo hacia
arriba, pero como las llaves lo sealan slo sta indica la probabilidad de los riesgos.
Esto significa que:
-
El productor rechazar el 8.6% de los lotes, incluso si la fraccin de artculos defectuosos es tan
pequea como 0.05.
El consumidor se arriesga a aceptar lotes que contienen una fraccin de artculos defectuosos de
p1 = 0.20, el 37.6% del tiempo.
Resuelve el planteamiento siguiente como en el procedimiento anterior.

Un plan de muestreo para aceptar lotes utiliza una muestra aleatoria de tamao n = 25, con un nmero de
aceptacin c = 2. Construye la curva caracterstica con p0 = 0.01 y p1 = 0.30.
111
EJERCICIOS
INSTRUCCIONES: Lee con atencin cada planteamiento y contesta correctamente lo que se pide y anexa
el procedimiento.
1. Un comprador y un vendedor convienen en utilizar un plan de muestreo con un tamao muestral n = 5
y un nmero de aceptacin c = 0. Cual es la probabilidad de que el comprador acepte un lote con las
siguientes fracciones de defectuosos?
P
0.0
0.1
0.3
0.5
1.0
2. Repite el mismo ejercicio anterior con n = 5 y c = 1
3. Usando los mismos datos del ejercicio calcula p, cuando n = 10 y c = 0
4. Calcule el riesgo del productor para un plan de muestreo con n = 25, c = 0 y P o = 0.05
5. Con los datos del problema 4, calcule el riesgo del consumidor de aceptar lotes con una fraccin de
defectos de PI = 0.20
6. Un ingeniero de control de calidad desea conocer la probabilidad de aceptar un lote cuando c = 5, n

= 25 y P1 = 0.05, P1 = 0.10, P1 = 0.20, P1 = 0.30 y P1 = 0.40.
7. Un fabricante de radios y televisores que compra grandes lotes de transistores a un proveedor de

equipos electrnicos, quiere aceptar todos los lotes con una fraccin de defectuosos menor que 6%. El
inspector de lotes del fabricante selecciona n = 25 transistores de cada lote, enviado por el proveedor
y registra el nmero de defectuosos. Establezca el riesgo del productor cuando c = 2.
112
UNIDAD 5
Nmero. de pregunta
Respuesta Correcta
P (0.0) = 1.000
P (0.1) = 0.590
P (0.3) = 0.168
P (0.5) = 0.031
P (1.0) = 0.000
P (0.0) = 1.000
2
P (0.1) = 0.918
P (0.3) = 0.528
P (0.5) = 0.187
P (1.0) = 0.000
P (0.0) = 1.000
P ( 0.1) = 0.349
P (0.3) = 0.028
P ( 0.5) = 0.001
p ( 1.0) = 0.000
Riesgo del productor = 72.3%
Riego del consumidor = 0.4%
P (0.05) = 0.999
P (0.10) = 0.966
P (0.20) = 0.618
P (0.30) = 0.192
P (0.40) = 0.029
Riesgo del productor = P(x > 2) = 1 P(x =0) P(x = 1)

P(x = 2) = 1 0.2129 0.3397 0.2602 = 0.1872 18.72%
Sugerencias
Para cada problema, utiliza la frmula de distribucin Binomial si los valores no aparecen en
la tabla.
Recuerda que el valor de c es como si fuera x.
113
114
UNIDAD 5
5.2 DIAGRAMA DE CONTROL
Aprendizajes
Identificar las caractersticas de un diagrama de control estadstico de calidad.
Identificar las caractersticas de un proceso de control estadstico.
Construir un diagrama de control estadstico.
Durante un proceso de produccin no slo se toman decisiones sobre aceptar o rechazar

un lote por la cantidad de artculos defectuosos, se debe buscar tambin por qu el nmero
de artculos defectuosos est rebasando los lmites establecidos por el productor y esto se
lleva a cabo controlando el proceso de produccin a travs de un diagrama de control
estadstico de calidad.
Al decir calidad se hace referencia a ciertas caractersticas que debe cumplir un producto, tales como la
adecuacin para su uso, la consistencia y la conformidad con respecto a los requisitos, etc. Actualmente
existen varios productores o fabricantes de un artculo, los cuales entran en una constante competencia
para saber cul es de mejor calidad. Durante su produccin lo mantienen bajo control a travs de un
diagrama de control estadstico de calidad.
Un diagrama de control presenta las siguientes caractersticas:
Es una representacin en el plano (x, y) del tiempo contra una caracterstica del producto
En el eje x se coloca el tiempo o nmero de muestra
En el eje y se coloca el valor de la media y los lmites de control
Todos los puntos son positivos
Slo se grafica las medias muestrales o el rango de dichas muestras
Lleva una lnea recta central horizontal como punto de referencia
Tiene dos lneas rectas horizontales, una en la parte superior (LCS) y otra en la parte inferior (LCI), a
partir de la lnea central, conocidas como lmites de control, como se muestra a continuacin:
Lmite superior de control
(LCS)
Caracterstica de la variable
* *
*
*
* *
*
*
*
*
*
Lnea central
*
*
Lmite inferior de control
(LCI)
Tiempo o nmero de muestra
Representa el comportamiento del proceso de produccin
115
La variacin de una variable que mide una caracterstica de calidad de un producto se debe a una
causa asignable o bien una variacin aleatoria
Las caractersticas de calidad sobre las cuales se construyen los diagramas de control generalmente
toman dos categoras: variables y atributos.
En el caso de los diagramas de control de variables se refiere a una variable continua; para el caso de
los atributos es una variable discreta; refleja si el producto individual es aceptable o no.
Para construir el diagrama de control se toman en cuenta los siguientes elementos:
Las caractersticas de la variable

El tiempo
Los lmites de control inferior y superior (LCI y LCS)
La lnea central que representa las medias de las mediciones de la muestra,
Existen diferentes diagramas de control, pero nosotros nicamente estudiaremos el de las medias (grfica
de x ) y el del rango (grfica R).
Para el caso de la grfica
se realiza el siguiente procedimiento
Se calcula la media muestral de las mediciones. Recuerda que esto se hace usando la siguiente
frmula:
n
xi
x
i 1
El nmero de la muestra y las mediciones se proporcionan como datos en una tabla como la siguiente.
Muestra
Mediciones muestrales
Media muestral x i
1.0050
1
0.992
1.007
1.016
0.9917
2
1.015
0.984
0.976
0.9973
3
0.988
0.993
1.011
1.0067
4
0.996
1.020
1.004
1.0077
5
1.015
1.006
1.002
NOTA: n = 3 porque n es el nmero de mediciones muestrales.
Rango muestral Ri
0.024
0.039
0.023
0.024
0.013
Para la muestra 1
x1
0.992 1.007 1.016

3
3.015
1.005
3
Para la muestra 2
x2
1.015 0.984 0.976

3
2.975
3
0.9917
NOTA: As se calculan las dems medias muestrales para cada muestra y se van colocando los resultados
en la tabla anterior en la columna de x .
116
UNIDAD 5
Se calcula la media de todas las medias muestrales

Frmula
Sustituyendo
i k
xi
x
Donde:
i 1
1.0050 0.9917 0.9973 1.0067 1.0077

5
5.0084
5
1.00168
k = total de muestras
xi = medias muestrales
Se calcula el rango de las mediciones muestrales
Esto se hace con la frmula
Ri = Valor mayor - Valor menor
Retomando los datos de la tabla anterior se obtiene.

Para la muestra 1
R1 = 1.016 - 0.992 = 0.024
Para la muestra 2
R2 = 1.015 - 0.976 = 0.039
NOTA: As se calculan el rango para cada muestra y se van colocando los resultados en la tabla anterior
en la columna de Ri
.
El rango medio se determina en la forma siguiente:
Frmula
Sustituyendo
i k
Ri
R
Donde:
i 1
0.024 0.039 0.023 0.024 0.013

5
0.123
5
0.0246
k = total de muestras
Ri = rangos muestrales
117
Se calculan los lmites de control
Para el lmite de control superior

Frmula
LCS = x
A2 R
Para el lmite de control inferior

Frmula
LCI = x
Donde:
A2 R
x = media de las medias

R = rango medio
A2= constante que se obtiene en la TABLA 6 (factores
utilizados en la elaboracin de diagramas de control) slo
tomando en cuenta el valor de n.
Para buscar en la TABLA 6 el valor de A2 tenemos que para n = 3

Nmero de
observaciones
en la muestra
Diagrama para
medidas
Factores para
lmites de control
Diagramas para desviaciones estndares

Factores para
lnea central
A1
A2
C2
I/C2
B1
B2
B3
2.121
1.880
1.880
0.5642
1.7725
1..843
1.732
2.394
1.023
0.7236
1.3820
1.858
4
.
.
1.501
1.880
0.729
0.7979
1.2533
1.756
Por lo tanto
Factores para lmites de

control
A2 = 1.023
Se construye la grfica de control

o
o
o
El eje horizontal se divide en el nmero de horas, das, meses, etc.

El eje vertical se divide de acuerdo con los valores de la media muestral y los lmites de control.
Se grafican los valores de las medias muestrales, es decir, los valores de la columna de x i
formando coordenadas (parejas ordenadas del tipo: (muestra, x i ).
118
UNIDAD 5
Por ejemplo, si se tienen los datos siguientes:

Muestra
Media muestral x i
Amplitud muestral Ri
0.992
1.007
1.016
1.0050
0.024
1.015
0.984
0.976
0.9917
0.039
0.988
0.993
1.011
0.9973
0.023
0.996
1.020
1.004
1.0067
0.024
1.015
1.006
1.002
1.0077
0.013
Como los valores tienen varios decimales se toman dos y se redondea de acuerdo con la precisin que se
desee tener.
LCI = 0.9765142
LCS = 1.0268458
xi = 1.00168
R = 0.0246
LCI 0.98
LCS 1.03
xi 1.00
Ri 0.02
El diagrama de control queda de la siguiente forma:
1.02
0.99
LCS
*
*
*
0.97
1
2
3
4
Para el caso de la grfica de R se llevan acabo los siguientes pasos:
x
LCI
Se calcula el rango para cada muestra

Se determina la lnea central usando la frmula
119
i k
Ri
R
i 1
Se calculan los lmites de control
Lmite superior de control

Frmula
LCS =
R D4
Lmite inferior de control

Frmula
LCI =
Donde:
R D3
R = rango
D3 y D4 = son constantes que se obtienen de la TABLA 6 (Factores

utilizados en diagramas de control) conociendo solamente el
nmero de mediciones muestrales (n).
Para buscar en la TABLA 6 el valor de D3 y D4 tenemos que para n = 3
Nmero
de
observa
ciones
en la
muestra
Diagrama para
medidas
Factores para
lmites de control
Diagramas para amplitudes
Factores para
lnea de control
Factores para lmites de control
A1
A2
d2
I/d2
d3
D1
D2
D3
D4
2.121
1.880
1.880
1.128
0.8865
0.853
3.686
3.276
1.732
2.394
1.023
1.693
0.5907
0.888
4.358
2.575
4
.
.
1.501
1.880
0.729
2.059
0.4857
0.880
4.698
2.282
Para construir el diagrama de R se siguen los mismos pasos que la grfica de las medias solamente
que aqu se graficarn los valores de los rangos de cada muestra.
120
UNIDAD 5

Un sistema de control de calidad muestrea cada hora los dimetros interiores de 3 cojinetes. En la tabla
siguiente se observan los datos para 25 muestras. Observa cmo se construye su diagrama de control.
NOTA: Los datos son las columnas de la muestra y de las medias muestrales, las columnas de la
medias muestrales ( x i ) y de los rangos (Ri) son los que se calculan.
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.992
1.015
0.988
0.996
1.015
1.000
0.989
0.994
1.018
0.997
1.020
1.007
1.016
0.982
1.001
0.992
1.020
0.993
0.978
0.984
0.990
1.015
0.986
1.011
0.987
1.007
0.984
0.993
1.020
1.006
0.982
1.009
1.010
1.016
1.005
0.986
0.986
1.002
0.995
1.000
1.008
0.988
0.987
1.006
1.009
1.012
0.983
0.990
1.012
0.987
TOTALES
1.016
0.976
1.011
1.004
1.002
1.005
1.019
1.009
0.990
0.989
1.002
0.981
1.010
1.011
0.983
1.001
1.015
1.006
1.002
0.983
1.010
1.003
0.994
0.991
1.007
Media muestral x i
Amplitud muestral Ri
1.0050
0.9917
0.9973
1.0067
1.0077
0.9957
1.0057
1.0043
1.0080
0.9970
1.0027
0.9913
1.0093
0.9960
0.9947
1.0003
1.0077
0.9953
0.9953
0.9920
1.0040
1.0003
0.9900
1.0047
0.9937
0.024
0.039
0.023
0.024
0.013
0.023
0.030
0.016
0.028
0.016
0.034
0.026
0.014
0.029
0.018
0.016
0.032
0.019
0.028
0.026
0.022
0.032
0.008
0.021
0.020
x i = 24.9964
Ri = 0.581
121
Paso1. Calcular la media muestral para cada muestra, recuerda que se utiliza la siguiente frmula:
i n
xi
x
Donde:
i 1
n = el total de muestras
Xi = el valor de cada muestra
Para la muestra 1
x1
0.992 1.007 1.016

3
3.015
1.0050
3
x2
1.015 0.984 0.976

3
2.975
3
Para la muestra 2
0.9917
As se calculan las 25 muestras y se colocan los resultados en la tabla en la columna de Xi.

Paso 2. Calcular la media de las medias
x , aplicando la frmula:
i k
xi
x
Donde:
k = 25 (recuerda que el smbolo
significa sumatoria de ...) por lo tanto tenemos que:
122
i 1
24.9964
25
0.9999
UNIDAD 5
Paso 3. Calcular el rango para cada muestra.
Rango = valor mayor menos valor menor de las mediciones de las muestras
Para la muestra 1 tenemos que

R1 = 1.016 - 0.992 = 0.024
Para la muestra 2
R2 = 1.015 - 0.976 = 0.039
As para cada muestra, los resultados se colocan en la tabla en la columna de Ri.
Paso 4. Calcular el rango medio:
i k
Ri
R
Por lo tanto
i 1
0.581
25
0.02324
Paso 5. Calcular los lmites de control
LCS = x
A2 R
LCI = x
A2 R
Por lo tanto: LCS = (0.9999) + (1.023) (0.02324) = 1.0237

LCI = (0.9999) (1.023) (0.02324) = 0.9761
NOTA: Toma slo 4 decimales como mnimo y redondea el ltimo.
123
Paso 6. Construir el diagrama de control
1.0237
0
.
9
9
9
9
* LCS
*
*
*
*
*
*
*
*
0.9761
L
S
I
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Recuerda que al construir una grfica los intervalos en que se divide el eje X y el eje Y son iguales, en
este caso el eje Y se divide empezando de 0.97, 0.98, 0.99, ....., 1.02 (no se ponen todos los valores
porque el espacio es pequeo y por lo tanto los puntos se ponen de forma aproximada).
Un aspecto importante de considerar al analizar un diagrama de control es que cuando los puntos o
muestras caen dentro de los lmites superior e inferior, se dice que el proceso est bajo control. Si por el
contrario, algunos puntos caen fuera de estos lmites, entonces el proceso se encontrar fuera de
control.
Con los mismos datos, y siguiendo el procedimiento anterior, ahora traza un diagrama de control para R.
124
UNIDAD 5
EJERCICIOS
INSTRUCCIONES: Llena los espacios en blanco con las respuestas correctas.
1. Un diagrama de control es til para mejorar _____________ de un proceso.
2. Un diagrama de control se caracteriza por tener elementos principales que son la ______________
_____________, y ___________________________________________ .
3. Un diagrama de control es un plano cartesiano en el que en el eje horizontal se coloca ____________
y en el vertical se colocan ____________________ que representan a __________________.
4. Un proceso est bajo control cuando la variacin es de tipo _________________.
5. Cuando un proceso est bajo control no significa que va a producir artculos ______________.
INSTRUCCIONES: Contesta correctamente cada planteamiento de acuerdo con lo que se te pide

anexando el procedimiento.
6. De la siguiente figura indica si los procesos estn dentro o fuera de control.
LSC
Dimetro de los
tubos
*
*
*
*
*
*
*
*
LCI
*
Das
7. Un fabricante de botellas observ que durante un tiempo, cuando supuestamente su proceso de

manufactura estaba bajo control, el peso medio de las botellas terminadas era de 5.2 onzas, con una
desviacin estndar de 0.3 onzas. Se obtuvieron los datos observados de muestras de seis botellas
seleccionadas del proceso de produccin en 50 momentos diferentes. La amplitud media de todas las
muestras es igual a 0.6 onzas y la desviacin estndar de las amplitudes, era 0.2; durante cada uno de
los siguientes cinco das se seleccionaron muestras de n = 6 del proceso de manufactura, con los
siguientes resultados.
Da
1
2
3
4
5
Construye un diagrama de control de
proceso estaba bajo control.
X
5.70
5.32
6.21
6.09
5.63
R
0.43
0.51
1.25
0.98
0.60
x y R para los datos obtenidos para el periodo durante el cual el
125
Nmero de pregunta
Respuesta correcta
La calidad
La media o el rango (la lnea central)

Lmite superior de calidad
Lmite inferior de calidad
El tiempo
Caracterstica de la variable
aleatoria
Productos 100% sin defectos
Estn fuera de control

Para la media
*
*
6.15
5.79
LCS
x
*
5.43
LCI
I *
I
I
da
Para el rango
7
1.50
*
0.75
LCS
*
*
0.00
*
I
LCI
I
I
I
I
da
Nota: La colocacin de los valores son aproximados
Sugerencias
En los planteamientos del 1 al 6 comprende las preguntas.
En el problema 7 sigue el procedimiento para la construccin de un diagrama de control que se
encuentra en el texto.
Para una mayor comprensin de qu es un diagrama de control lee las pginas 699706 del libro de
William Mendenhall Estadstica para Administradores y en el libro Probabilidad y Estadstica de
Murray Spiegel.
126
UNIDAD 5
Cuentas con 90 minutos para contestar.
INSTRUCCIONES: Contesta correctamente lo que te pide cada planteamiento.
1.- Un comprador est de acuerdo con aceptar un lote de 100 cajas de pilas para reloj con el supuesto de
que tiene un porcentaje muy bajo de defectuosas. Para ello propone al vendedor realizar un muestreo con
20 piezas y decide probar slo 5 y aceptar las 15 restantes, si las cinco funcionan correctamente o
rechazar el lote si alguna falla en la prueba.
I) Cul es la probabilidad de aceptar el lote, si la muestra contiene, 0, 1, 2, 3, 4, 5, 6, 7 pilas defectuosas.
II) Cul es la probabilidad de rechazar el lote, si ste tiene 3 focos defectuosos.
2.- Los datos de la tabla miden la radiactividad en partculas de aire dentro de una planta de energa
nuclear. Se registraron cuatro mediciones semanarias durante 26 semanas. Utilice los datos para trazar un
diagrama de x para localizar los 26 valores de la variable.
Das
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
0.031
0.025
0.029
0.035
0.022
0.030
0.019
0.027
0.034
0.017
0.022
0.016
0.015
0.029
0.031
0.014
0.019
0.024
0.029
0.032
0.041
0.034
0.021
0.029
0.016
0.020
Radiacin
0.032
0.030
0.026
0.025
0.029
0.031
0.037
0.034
0.024
0.022
0.029
0.030
0.019
0.018
0.028
0.028
0.032
0.033
0.016
0.018
0.020
0.020
0.018
0.017
0.017
0.018
0.028
0.029
0.029
0.030
0.016
0.016
0.019
0.021
0.024
0.024
0.027
0.028
0.030
0.031
0.042
0.038
0.036
0.036
0.022
0.024
0.029
0.030
0.017
0.017
0.021
0.020
0.031
0.025
0.030
0.035
0.023
0.030
0.019
0.028
0.033
0.018
0.021
0.017
0.017
0.029
0.031
0.017
0.020
0.025
0.028
0.030
0.039
0.035
0.022
0.029
0.016
0.022
127
CLAVE DE RESPUESTA
Nmero de pregunta
Respuesta correcta
Existe un 64.2% de que el productor cometa un error tipo I y el consumidor un

12.2% de cometer un error tipo II.
Para
x
*
0.0271
* * * *
LCS
*
0.0257
0.0243
*
*
*
*
* *
*
*
I I I I I * I I I * I * * I I I I I I I I I I * I I I I I
Das
LCI
Para R
*
0.0043
*
*
LCS
0.0019
*
*
*
* *
* * *
* *
*
*
*
**
*
*
0.0000
LCI
I I I I I I I I I I I I I I I I I I I I I I I I I I I I I
Das
Nota: La colocacin de los valores son aproximados
128
ANEXOS
TABLA 1. DISTRIBUCIONES BINOMIALES
TABLA 2. PROBABILIDAD DE POISSON
TABLA 3. REA DE CURVAS NORMALES
TABLA 4. VALORES DE LA T-STUDENT
TABLA 5. VALORES DE LA DISTRIBUCIN NORMAL
EN PORCENTAJE
TABLA 6. FACTORES UTILIZADOS EN LA ELABORACIN
DE DIAGRAMAS DE CONTROL
TABLA 1
DISTRIBUCIONES BINOMIALES
P
n x
1 0
1
2 0
1
2
3 0
1
2
3
4 0
1
2
3
4
5 0
1
2
3
4
5
6 0
1
2
3
4
5
6
7 0
1
2
3
4
5
6
7
8 0
1
2
3
4
5
6
7
8
9 0
1
2
3
.01
.990
.010
.098
.020
.000
.970
.029
.000
.000
.961
.039
.001
.000
.000
.951
.048
.001
.000
.000
.000
.941
.057
.001
.000
.000
.000
.000
.932
.066
.002
.000
.000
.000
.000
.000
.923
.075
.003
.000
.000
.000
.000
.000
.000
.914
.083
.003
.000
.05
.950
.050
.903
.095
.003
.857
.135
.007
.000
.815
.171
.014
.000
.000
.774
.204
.021
.001
.000
.000
.735
.232
.031
.002
.000
.000
.000
.698
.257
.041
.004
.000
.000
.000
.000
.663
.279
.051
.005
.000
.000
.000
.000
.000
.630
.299
.063
.005
.10
.900
.100
.810
.180
.010
.729
.243
.027
.001
.656
.292
.049
.004
.000
.590
.328
.073
.008
.000
.000
.531
.354
.098
.015
.001
.000
.000
.478
.372
.124
.023
.003
.000
.000
.000
.430
.383
.149
.033
.005
.000
.000
.000
.000
.387
.337
.172
.045
.20
.800
.200
.640
.320
.040
.512
.384
.096
.008
.410
.410
.154
.026
.002
.328
.410
.205
.051
.006
.000
.262
.393
.246
.082
.015
.002
.000
.210
.367
.275
.115
.029
.004
.000
.000
.168
.336
.294
.147
.046
.009
.001
.000
.000
.134
.302
.302
.176
.30
.700
.300
.490
.420
.090
.343
.441
.189
.027
.240
.412
.265
.076
.008
.168
.360
.309
.132
.028
.002
.118
.303
.324
.185
.060
.010
.001
.082
.247
.318
.227
.097
.025
.004
.000
.058
.198
.296
.254
.136
.047
.010
.001
.000
.040
.156
.267
.267
.40
.600
.400
.360
.480
.160
.216
.432
.288
.064
.130
.346
.346
.154
.026
.078
.259
.346
.230
.077
.010
.047
.187
.311
.276
.138
.037
.004
.028
.131
.261
.290
.194
.077
.017
.002
.017
.090
.209
.279
.232
.124
.041
.008
.001
.010
.060
.161
.251
.50
.500
.500
.250
.500
.250
.125
.375
.375
.125
.063
.250
.375
.250
.063
.031
.156
.313
.313
.156
.031
.016
.094
.234
.313
.234
.094
.016
.008
.055
.164
.273
.273
.164
. 055
.008
.004
.031
.109
.219
.273
.219
.109
.031
.004
.002
.018
.070
.164
.60
.400
.600
.160
.480
.360
.064
.288
.432
.216
.026
.154
.346
.346
.130
.010
.077
.230
.346
.259
.078
.004
.037
.138
.276
.311
.187
.047
.002
.017
.077
.194
.290
.261
.131
.028
.001
.008
.041
.124
.232
.279
.209
.090
.017
.000
.004
.021
.074
.70
.300
.700
.090
.420
.490
.027
.189
.441
.343
.008
.076
.265
.412
.240
.002
.028
.132
.309
.360
.168
.001
.010
.060
.185
.324
.303
.118
.000
.004
.025
.097
.227
.318
.247
.082
.000
.001
.010
.047
.136
.254
.296
.198
.058
.000
.000
.004
.021
.80
.200
.800
.040
.320
.640
.008
.096
.384
.512
.002
.026
.154
.410
.410
.000
.006
.051
.205
.410
.328
.000
.002
.015
.082
.246
.393
.262
.000
.000
.004
.029
.115
.275
.367
.210
.000
.000
.001
.009
.046
.147
. 294
.336
.168
.000
.000
.000
.003
.90
.100
.900
.010
.180
.810
.001
.027
.243
.729
.000
.004
.049
.292
.656
.000
.000
.008
.073
.328
.590
.000
.000
.001
.015
.098
.354
.531
.000
.000
.000
.003
.023
.124
.372
.478
.000
.000
.000
.000
.005
.033
.149
.383
.430
.000
.000
.000
.000
.95
.050
.950
.003
.090
.903
.000
.007
.135
.857
.000
.000
.014
.171
.815
.000
.000
.001
.021
.204
.774
.000
.000
.000
.002
.031
.232
.735
.000
.000
.000
.000
.004
.041
.257
.698
.000
.000
.000
.000
.000
.005
.051
.279
.663
.000
.000
.000
.000
.99
.010
.990
.000
.020
.980
.000
.000
.029
.970
.000
.000
.001
.039
.961
.000
.000
.000
.001
.048
.951
.000
.000
. 000
.000
.001
.057
.941
.000
.000
.000
.000
.000
.002
.066
.932
.000
.000
.000
.000
.000
.000
.003
.075
.923
.000
.000
.000
.000
P
n
10
11
12
13
x
4
5
6
7
8
9
0
1
2
3
4
5
6
7
8
9
10
0
1
2
3
4
5
6
7
8
9
10
11
0
1
2
3
4
5
6
7
8
9
10
11
12
0
1
2
3
4
5
6
7
8
9
10
.01
.000
.000
.000
.000
.000
.000
.904
.091
.004
.000
.000
.000
.000
.000
.000
.000
.000
.895
.099
.005
.000
.000
.000
.000
.000
.000
.000
.000
.000
.885
.107
.006
.030
.000
.000
.000
.000
.000
.000
.000
.000
.000
.878
.115
.007
.000
.000
.000
.000
.000
.000
.000
.000
.05
.001
.000
.000
.000
.000
.000
.599
.315
.075
.010
.001
.000
.000
.000
.000
.000
.000
.569
.329
.057
.014
.001
.000
.000
.000
.000
.000
.000
.000
.540
.341
.099
.017
.002
.000
.000
.000
.000
.000
.000
.000
.000
.513
.351
.111
.021
.003
.000
.000
.000
.000
.000
.000
.10
.007
.001
.000
.000
.000
.000
.349
.387
.194
.057
.011
.001
.000
.000
.000
.000
.000
314
.384
.213
.071
.016
.002
.000
.000
.000
.000
.000
.000
.282
.377
.230
.055
.021
.004
.000
.000
.000
.000
.000
.000
.000
.254
.367
.245
.100
.028
.006
.001
.000
.000
.000
.000
.20
.066
.017
.003
.000
.000
.000
.107
.268
.302
.201
.088
.026
.006
.001
.000
.000
.000
.086
.236
.295
.221
.111
.039
.057
.002
.000
.000
.000
.000
.069
.206
.283
.236
.133
.053
.016
.003
.001
.000
.000
.000
.000
.055
.179
.268
.246
.154
.069
.023
.006
.001
.000
.000
.30
.172
.074
.021
.004
.000
.000
.028
.121
.233
.267
.200
.103
.037
.009
.001
.000
.000
.020
.093
.200
.257
.220
.132
.147
.017
.004
.001
.000
.000
.014
.071
.168
.240
.231
.158
.079
.029
.008
.001
.000
.000
.000
.010
.054
.139
.218
.234
.180
.103
.044
.014
.003
.001
.40
.251
.167
.074
.021
.004
.000
.006
.040
.121
.215
.251
201
.111
.042
.011
.002
.000
.004
.027
.089
.177
.236
.221
.226
.070
.023
.005
.001
.000
.002
.017
.064
.142
.213
.227
.177
.101
.042
.012
.002
.000
.000
.001
.011
.045
.111
.184
.221
.197
.131
.066
.024
.006
.50
.246
.246
.164
.070
.018
.002
.001
.010
.044
.117
.205
246
.205
.117
.044
.010
.001
.000
.005
.027
.081
.161
.226
.221
.161
.081
.027
.005
.000
.000
.003
.016
.054
.121
.193
.226
.193
.121
.054
.016
.003
.000
.000
.002
.010
.035
.087
.157
.209
.209
.157
.087
.035
.60
.167
.251
.251
.161
.060
.010
.000
.002
.011
.042
.111
.201
.251
.215
.121
.040
.006
.000
.001
.005
.023
.070
.147
.132
.236
.177
.089
.027
.004
.000
.000
.002
.012
.042
.101
.177
.227
.213
.142
.064
.017
.002
.000
.000
.001
.006
.024
.066
.131
.197
.221
.184
.111
.70
.074
.172
.267
.267
.156
.040
.000
.000
.001
.009
.037
.103
.200
.267
.233
.121
.028
.000
.000
.001
.004
.017
.057
.039
.220
.257
.200
.093
.020
.000
.000
.000
.001
.008
.029
.079
.158
.231
.240
.168
.071
.014
.000
.000
.000
.001
.003
.014
.044
.103
.180
.234
.218
.80
.016
.066
.176
.302
.302
.134
.000
.000
.000
.001
.006
.026
.088
.201
.302
.268
.107
.000
.000
.000
.000
.002
.010
.002
.115
.221
.295
.236
.086
.000
.000
.000
.000
.001
.003
.016
.053
.133
.236
.283
.206
.069
.000
.000
.000
.000
.000
.001
.006
.023
.069
.154
.246
.90
.001
.007
.045
.172
.387
.387
.000
.000
.000
.000
.000
.001
.011
.057
.194
.387
.349
.000
.000
.000
.000
.000
.000
.000
.016
.071
.213
.384
.314
.000
.000
.000
.000
.000
.000
.000
.004
.021
.085
.230
.377
.282
.000
.000
.000
.000
.000
.000
.000
.001
.006
.028
.100
.95
.000
.005
.008
.063
.299
.630
.000
.000
.000
.000
.000
.000
.001
.010
.075
.315
.599
.000
.000
.000
.000
.000
.000
.000
.001
.014
.087
.329
569
006
.000
.000
.000
.000
.000
.000
.000
.002
.017
.099
.341
.540
.000
.000
.000
.000
.000
.000
.000
.000
.000
.003
.021
.99
.000
.090
.000
.003
.083
.914
.000
.000
.000
.000
.000
.000
.000
.000
.004
.091
.904
.000
.000
.000
.000
.000
.000
.000
.000
.000
.005
.099
.895
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.006
.107
.886
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
14
15
20
x
11
12
13
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
.01
.000
.000
.000
.869
.123
.008
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.860
.130
.009
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.818
.165
.016
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.05
.000
.000
.000
.488
.359
.123
.026
.004
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.463
.366
.135
.031
.005
.001
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.358
.377
.189
.060
.013
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.10
.000
.000
.000
.229
.356
.257
.014
.035
.008
.001
.000
.000
.000
.000
.000
.000
.000
.000
.206
.343
.267
.129
.043
.010
.043
.000
.000
.000
.000
.000
.000
.000
.000
.000
.122
.270
.285
.190
.090
.032
.009
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.20
.000
.000
.000
.044
.154
.250
.250
.172
.086
.032
.009
.002
.000
.000
.000
.000
.000
.000
.035
.132
.231
.250
.188
.103
.147
.014
.003
.001
.000
.000
.000
.000
.000
.000
.012
.058
.137
.205
.218
.175
.109
.055
.022
.007
.002
.000
.000
.000
.000
.000
.000
.000
.30
.000
.000
.000
.007
.041
.113
.194
.229
.196
.126
.062
.023
.007
.001
.000
.000
.000
.000
.005
.031
.092
.370
.219
.206
.207
.081
.035
.012
.003
.001
.000
.000
.000
.000
.001
.007
.028
.072
.130
.179
.192
.164
.114
.065
.031
.012
.004
.001
.000
.000
.000
.000
P
.40
.001
.000
.000
.001
.007
.032
.085
.155
.207
.207
.157
.092
.041
.014
.003
.001
.000
.000
.000
.005
.022
.063
.127
.186
.153
.177
.118
.061
.024
.007
.002
.000
.000
.000
.000
.000
.003
.012
.035
.075
.124
.166
.180
.160
.117
.071
.035
.015
.005
.001
.000
.000
.50
.010
.002
.000
.000
.001
.006
.022
.061
.122
.183
209
.183
.122
.061
.022
.006
.001
.000
.000
.000
.003
.014
.042
.092
.061
.196
.196
.153
.092
.042
.014
.003
.000
.000
.000
.000
.000
.001
.005
.015
.037
.074
.120
.160
.176
.160
.120
.074
.037
.015
.005
.001
.60
.045
.011
.001
.000
.000
.001
.003
.014
.041
.092
.157
.207
.207
.155
.085
.032
.007
.001
.000
.000
.000
.002
.007
.024
.012
.118
.177
.207
.186
.127
.063
.022
.005
.000
.000
.000
.000
.000
.000
.001
.005
.015
.035
.071
.117
.160
.180
.166
.124
.075
.035
.012
.70
.139
.054
.010
.000
.000
.000
.000
.001
.007
.023
.062
.126
.196
.229
.394
.113
.041
.007
.000
.000
.000
.000
.001
.003
.001
.035
.081
.147
.206
.219
.170
.092
.031
.005
.000
.000
.000
.000
.000
.000
.000
.001
.004
.012
.031
.065
.114
.164
.192
.179
.130
.072
.80
.268
.179
.055
.000
.000
.000
.000
.000
.000
.002
.009
.032
.086
.172
.250
.250
.154
.044
.000
.000
.000
.000
.000
.000
.000
.003
.014
.043
.103
.188
.250
.231
.132
.035
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.007
.022
.055
.109
.175
.218
.205
.90
.245
.367
.254
.000
.000
.000
.000
.000
.000
.000
.000
.001
.008
.035
.114
.257
.356
.229
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.010
.043
.129
.267
.343
.206
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.009
.032
.090
.190
.95
.111
.351
.513
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.004
.026
.123
.359
.448
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.005
.033
.135
.366
.463
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.013
.060
.99
.007
.115
.878
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.008
.123
.869
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.009
.130
.860
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
25
x
18
19
20
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
.01
.000
.000
.000
.778
.196
.024
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.05
.000
.000
.000
.277
.365
.231
.093
.027
.006
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.10
.000
.000
.000
.072
.199
.266
.226
.138
.065
.024
.007
.002
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.20
.000
.000
.000
.004
.024
.071
.136
.187
.196
.163
.111
.062
.029
.012
.004
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.30
.000
.000
.000
.000
.001
.007
.024
.057
.103
.147
.171
.165
.134
.092
.054
.027
.011
.004
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
P
.40
.000
.000
.000
.000
.000
.000
.002
.007
.020
.044
.080
.120
.151
.161
.147
.114
.076
.043
.021
.009
.003
.001
.000
.000
.000
.000
.000
.000
.000
.50
.000
.000
.000
.000
.000
.000
.000
.000
.002
.005
.014
.032
.061
.097
.133
.155
.155
.133
.097
.061
.032
.014
.005
.002
.000
.000
.000
.000
.000
.60
.003
.000
.000
.000
.000
.000
.000
.000
.000
.000
. 001
.003
.009
.021
.043
.076
.114
.147
.161
.151
.120
.080
.044
.020
.007
.002
.000
.000
.000
.70
.028
.007
.001
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.004
.011
.027
.054
.092
.134
.165
.171
.147
.103
.057
.024
.007
.001
.000
.80
.137
.058
.012
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.001
.004
.012
.029
.062
.111
.024
.196
.187
.136
.071
.024
.004
.90
.285
.270
.122
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.007
.001
.065
.338
.226
.266
.199
.072
.95
.189
.377
.358
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.007
.000
.006
.027
.093
.231
.365
.277
.99
.016
.165
.818
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.002
.024
.196
.778
TABLA 2
PROBABILIDAD DE POISSON
X
0
1
2
3
4
5
6
7
0.1
0.9048
0.0905
0.0045
0.0002
0.2
0.8187
0.1637
0.0164
0.0011
0.0001
0.3
0.7408
0.2222
0.0333
0.0033
0.0002
0.4
0.6703
0.2681
0.0536
0.0072
0.0007
0.0001
0.5
0.6065
0.3033
0.0758
0.0126
0.0016
0.0002
0.6
0.5488
0.3293
0.0988
0.0198
0.0030
0.0004
0.7
0.4966
0.3476
0.1217
0.0284
0.0050
0.0007
0.0001
0.8
0.4493
0.3595
0.1438
0.0383
0.0077
0.0012
0.0002
0.9
0.4066
0.3659
0.1647
0.0494
0.0111
0.0020
0.0003
.10
0.3679
0.3679
0.1839
0.0613
0.0153
0.0031
0.0005
0.0001
X
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
1.5
0.2231
0.3347
0.2510
0.1255
0.0471
0.0141
0.0035
0.0008
0.0001
2.0
0.1353
0.2707
0.2707
0.1804
0.0902
0.0361
0.0120
0.0034
0.0009
0.0002
2.5
0.0821
0.2052
0.2565
0.2138
0.1336
0.0668
0.0278
0.0099
0.0031
0.0009
0.0002
3.0
0.0498
0.1494
0.2240
0.2240
0.1680
0.1008
0.0504
0.0216
0.0081
0.0027
0.0008
0.0002
0.0001
3.5
0.030
0.1057
0.1850
0.2158
0.1888
0.1322
0.0771
0.0385
0.0169
0.0066
0.0023
0.0007
0.0002
0.0001
4.0
0.0183
0.0733
0.1465
0.1954
0.1954
0.1563
0.1042
0.0595
0.0298
0.0132
0.0053
0.0019
0.0006
0.0002
0.0001
4.5
0.0111
0.0500
0.1125
0.1687
0.1898
0.1708
0.1281
0.0824
0.0463
0.0232
0.0104
0.0043
0.0016
0.0006
0.0002
0.0001
5.0
0.0067
0.0337
0.0842
0.1404
0.1755
0.1755
0.1462
0.1044
0.0653
0.0363
0.0181
0.0082
0.0034
0.0013
0.0005
0.0002
6.0
0.0025
0.0149
0.0446
0.0892
0.1339
0.1606
0.1606
0.1337
0.1033
0.0688
0.0413
0.0225
0.0113
0.0052
0.0022
0.0009
0.0003
0.0001
7.0
0.0009
0.0064
0.0223
0.0521
0.0912
0.1277
0.1490
0.1490
0.1304
0.1014
0.0710
0.0452
0.0264
0.0142
0.0071
0.0033
0.0014
0.0006
0.0002
0.0001
X
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
8.0
0.0003
0.0027
0.0107
0.0286
0.0573
0.0916
0.1221
0.1396
0.1396
0.1241
0.0993
0.0772
0.0481
0.0296
0.0169
0.0090
0.0045
0.0021
0.0009
0.0004
0.0002
0.0001
9.0
0.0001
0.0011
0.0050
0.0150
0.0337
0.0607
0.0901
0.1171
0.1318
0.1318
0.1186
0.0970
0.0728
0.0504
0.0324
0.0194
0.0109
0.0058
0.0029
0.0014
0.0006
0.0003
0.0001
1O.O
0.0000
0.0005
0.0023
0.0076
0.0189
0.0378
0.0631
0.0901
0.1126
0.1251
0.1251
0.1137
0.0948
0.0729
0.0521
0.0347
0.0217
0.0128
0.0071
0.0037
0.0019
0.0009
0.0004
0.0002
0.0001
15.0
0.0000
0.0000
0.0000
0.0002
0.0006
0.0019
0.0048
0.0104
0.0194
0.0324
0.0486
0.0663
0.0829
0.0956
0.1024
0.1024
0.0960
0.0847
0.0706
0.0557
0.0418
0.0299
0.0204
0.0133
0.0833
0.0050
0.0029
0.0016
0.0009
0.0004
0.0002
20.0
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0002
0.0005
0.0013
0.0029
0.0058
0.0106
0.0176
0.0271
0.0387
0.0516
0.0646
0.0760
0.0844
0.0888
0.0888
0.0846
0.0769
0.0669
0.0557
0.0446
0.0343
0.0254
0.0181
0.0125
0.0083
TABLA 3
REAS ACUMULADAS DE LA DISTRIBUCIN NORMAL ESTNDAR
(z = k) = P(z k)
k
Z
-3.4
0.00
.0003
0.01
.0003
0.02
.0003
0.03
.0003
0.04
.0003
0.05
.0003
0.06
.0003
0.07
.0003
0.08
.0003
0.09
.0002
-3.3
-3.2
.0005
.0007
.0005
.0007
.0005
.0006
.0004
.0006
.0004
.0006
.0004
.0006
.0004
.0006
.0004
.0005
.0004
.0005
.0003
.0005
-3.1
-3.0
.0010
.0013
.0009
.0013
.0009
.0013
.0009
.0012
.0008
.0012
.0008
.0011
.0008
.0011
.0008
.0011
.0007
.0010
.0007
.0010
-2.9
.0019
.0018
.0018
.0017
.0016
.0016
.0015
.0015
.0014
.0014
-2.8
-2.7
.0026
.0035
.0025
.0034
.0024
.0033
.0023
.0032
.0023
.0031
.0022
.0030
.0021
.0029
.0021
.0028
.0020
.0027
.0019
.0026
-2.6
-2.5
.0047
.0062
.0045
.0060
.0044
.0059
.0043
.0057
.0041
.0055
.0040
.0054
.0039
.0052
.0038
.0051
.0037
.0049
.0036
.0048
-2.4
.0082
.0080
.0078
.0075
.0073
.0071
.0069
.0068
.0066
.0064
-2.3
-2.2
.0107
.0139
.0104
.0136
.0102
.0132
.0099
.0129
.0096
.0125
.0094
.0122
.0091
.0119
.0089
.0116
.0087
.0113
.0084
.0110
-2.1
-2.0
.0179
.0228
.0174
.0222
.0170
.0217
.0166
.0212
.0162
.0207
.0158
.0202
.0154
.0197
.0150
.0192
.0116
.0188
.0143
.0183
-1.9
.0287
.0281
.0274
.0268
.0262
.0256
.0250
.0244
.0239
.0233
-1.8
-1.7
.0359
.0446
.0351
.0436
.0344
.0427
.0336
.0418
.0329
.0409
.0322
.0401
.0314
.0392
.0307
.0384
.0301
.0375
.0294
.0367
-1.6
-1.5
.0548
.0668
.0537
.0655
.0526
.0643
.0516
.0630
.0505
.0618
.0495
.0606
.0485
.0594
.0475
.0582
.0465
.0571
.0455
.0559
-1.4
.0808
.0793
.0778
.0764
.0749
.0735
.0721
.0708
.0694
.0681
-1.3
-1.2
.0968
.1151
.0951
.1131
.0934
.1112
.0918
.1093
.0901
.1075
.0885
.1056
.0869
.1038
.0853
.1020
.0838
.1003
.0823
.0985
-1.1
-1.0
.1357
.1587
.1335
.1562
.1314
.1539
.1292
.1515
.1271
.1492
.1251
.1469
.1230
.1446
.1210
.1423
.1190
.1401
.1170
.1379
-0.9
.1841
.1814
.1788
.1762
.1736
.1711
.1685
.1660
.1635
.1611
-0.8
-0.7
.2119
..2420
.2090
.2389
.2061
.2358
.2033
.2327
.2005
.2296
.1977
.2266
.1949
.2236
.1922
.2206
.1894
.2177
.1867
.2148
-0.6
-0.5
.2743
.3085
.2709
.3050
.2676
.3015
.2643
.2981
.2611
.2946
.2522
.2912
.2546
.2877
.2514
.2843
.2483
.2810
.2451
.2776
-0.4
.3446
.3409
.3372
.3336
.3300
.3264
.3228
.3192
.3156
.3121
-0.3
-0.2
.3821
.4207
.3783
.4168
.3745
.4129
.3707
.4090
.3669
.4052
.3632
.4013
.3594
.3974
.3557
.3936
.3520
.3897
.3483
.3859
-0.1
-0.0
.4602
.5000
.4562
.4960
.4522
.4920
.4483
.4880
.4443
.4840
.4404
.4801
.4364
.4761
.4325
.4721
.4286
.4681
.4247
.4641
TABLA 3
REAS ACUMULADAS DE LA DISTRIBUCIN NORMAL ESTNDAR
(z = k) = P(z k)
Z
0.0
0.1
0.2
0.3
0.4
0.00
.5000
.5398
.5793
.6179
.6554
0.01
.5040
.5438
.5832
.6217
.6591
0.02
.5080
.5478
.5871
.6255
.6628
0.03
.5120
.5517
.5910
.6293
.6664
0.04
.5160
.5557
.5948
.6331
.6700
0.05
.5199
.5596
.5987
.6368
.6736
0.06
.5239
.5636
.6026
.6406
.6772
0.07
.5279
.5675
.6064
.6443
.6808
0.08
.5319
.5714
.6103
.6480
.6844
0.09
.5359
.5753
.6141
.6517
.6879
0.5
0.6
0.7
0.8
0.9
.6915
.7257
.7580
.7801
.8159
.6950
.7291
.7611
.7910
.8186
.6985
.7324
.7642
.7939
.8212
.7019
.7357
.7673
.7967
.8238
.7054
.7389
.7704
.7995
.8264
.7088
.7422
.7734
.8023
.8289
.7123
.7454
.7764
.8051
.8315
.7157
.7486
.7794
.8078
.8340
.7190
.7517
.7823
.8106
.8365
.7224
.7549
.7852
.8133
.8389
1.0
1.1
1.2
1.3
1.4
.8413
.8643
.8849
.9032
.9192
.8438
.8665
.8869
.9049
.9207
.8461
.8686
.8888
.9066
.9222
.8485
.8708
.8907
.9082
.9236
.8508
.8729
.8925
.9099
.9251
.8531
.8749
.8944
.9115
.9265
.8554
.8770
.8962
.9131
.9279
.8577
.8790
.8980
.9147
.9292
.8599
.8810
.8997
.9162
.9306
.8621
.8830
.9015
.9177
.9319
1.5
1.6
1.7
1.8
1.9
.9332
.9452
.9554
.9641
.9713
.9345
.9463
.9564
.9649
.9719
.9357
.9474
.9573
.9656
.9726
.9370
.9484
.9582
.9664
.9732
.9382
.9495
.9591
.9671
.9738
.9394
.9505
.9599
.9678
.9744
.9406
.9515
.9608
.9686
.9750
.9418
.9525
.9616
.9693
.9756
.9429
.9535
.9625
.9699
.9761
.9441
.9545
.9633
.9706
.9767
2.0
2.1
2.2
2.3
2.4
.9772
.9821
.9861
.9893
.9918
.9778
.9826
.9864
.9896
.9920
.9783
.9830
.9868
.9898
.9922
.9788
.9834
.9871
.9901
.9925
.9763
.9838
.9875
.9904
.9927
.9798
.9842
.9878
.9906
.9929
.9803
.9846
.9881
.9909
.9931
.9808
.9850
.9884
.9911
.9932
.9812
.9854
.9887
.9913
.9934
.9817
.9857
.9890
.9916
.9936
2.5
2.6
2.7
2.8
2.9
.9938
.9953
.9965
.9974
.9981
.9940
.9955
.9966
.9975
.9982
.9941
.9956
.9967
.9976
.9982
.9943
.9957
.9968
.9977
.9983
.9945
.9959
.9969
.9977
.9984
.9946
.9960
.9970
.9978
.9984
.9948
.9961
.9971
.9979
.9985
.9949
.9962
.9972
.9979
.9985
.9951
.9963
.9973
.9980
.9986
.9952
.9964
.9974
.9981
.9986
3.0
3.1
3.2
3.3
3.4
.9987
.9990
.9993
.9995
.9997
.9987
.9991
.9993
.9995
.9997
.9987
.9991
.9994
.9995
.9997
.9988
.9991
.9994
.9996
..9997
.9988
.9992
.9994
.9996
.9997
.9989
.9992
.9994
.9996
.9997
.9989
.9992
.9994
.9996
.9997
.9989
.9992
.9995
.9996
.9997
.9990
.9993
.9995
.9996
.9997
.9990
.9993
.9995
.9997
.9998
TABLA 4
VALORES DE LA T-STUDENT
Gl
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
t.100
3.078
1.886
1.638
1.533
1.476
1.440
1.415
1.397
1.383
1.372
1.363
1.356
1.350
1.345
1.341
1.337
1.333
1.330
1.328
1.325
1.323
1.321
1.319
1.318
1.316
1.315
1.314
1.313
1.311
1.310
1.303
1.296
1.289
1.282
t.050
6.314
2.920
2.353
2.132
2 .015
1.943
1.895
1.860
1.833
1.812
1.796
1.782
1.771
1.761
1.753
1.746
1.740
1.734
1.729
1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.697
1.684
1.671
1.658
1.645
t.025
12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
2.042
2.021
2.000
1.980
1.960
t.010
31.821
6.965
4.541
3.747
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.567
2.552
2.539
2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.457
2.423
2.390
2.358
2.326
t0.10,
13 Gl =
t.005
63.657
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.750
2.704
2.660
2.617
2.576
t.001
318.31
22.326
10.213
7.173
5.893
5.208
4.785
4.501
4.297
4.144
4.025
3.930
3.852
3.787
3.733
3.686
3.646
3.610
3.579
3.552
3.527
3.505
3.485
3.467
3.450
3.435
3.421
3.408
3.396
3.385
3.307
3.232
3.160
3.090
t.0005
636.62
31.598
12.924
8.610
6.869
5.959
5.408
5.041
4.781
4.587
4.437
4.318
4.221
4.140
4.073
4.015
3.965
3.922
3.883
3.850
3.819
3.792
3.767
3.745
3.725
3.707
3.690
3.674
3.659
3.646
3.551
3.460
3.373
3.291
1.35
Los valores de la tabla t-Student pueden aplicarse siguiendo dos procedimientos alternativos, considerando que la regin sombreada
nos determina el valor de probabilidad del rea bajo la curva. Ejemplos:
La probabilidad representada por el rea bajo la curva ms all de 1.35 unidades a la derecha de la media
libertad, es: P(t 1.35) = 0.100 10%.
x , con 13 grados de
El valor de probabilidad (con 11 grados de libertad) de P( t 3.106) es 0.005 0.5%
. TABLA 5
VALORES DE LA DISTRIBUCIN NORMAL EN PORCENTAJE
%
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Z( )
-2.326
-2.054
-1.881
-1.751
-1.645
-1.555
-1.476
-1.405
-1.341
-1.282
-1.227
-1.175
-1.126
-1.080
-1.036
-0.994
-0.954
-0.915
-0.878
-0.842
-0.806
-0.772
-0.739
-0.706
-0.674
-0.643
-0.613
-0.583
-0.553
-0.524
Z(1-/2)
0.013
0.025
0.038
0.050
0.063
0.075
0.088
0.100
0.113
0.126
0.138
0.151
0.184
0.176
0.189
0.202
0.215
0.228
0.240
0.253
0.266
0.279
0.292
0.305
0.319
0.332
0.345
0.358
0.272
0.385
%
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
Z( )
-0.496
-0.468
-0.440
-0.412
-0.385
-0.358
-0.332
-0.305
-0.279
-0.253
-0.228
-0.202
-0.176
-0.121
-0.126
-0.100
-0.075
-0.050
-0.025
0.000
0.025
0.050
0.075
0.100
0.126
0.151
0.176
0.202
0.228
0.253
Z(1-/2)
0.399
0.412
0.426
0.440
0.454
0.468
0.482
0.496
0.510
0.524
0.539
0.553
0.568
0.583
0.598
0.613
0.628
0.643
0.659
0.674
0.690
0.706
0.722
0.739
0.755
0.772
0.789
0.806
0.824
0.842
%
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
Z( )
0.279
0.305
0.332
0.358
0.385
0.412
0.440
0.468
0.496
0.524
0.553
0.583
0.613
0.643
0.674
0.706
0.739
0.772
0.506
0.842
0.878
0.915
0.954
0.994
1.036
1.080
1.126
1.175
1.227
1.282
Z(1-/2)
0.860
0.878
0.896
0.915
0.935
0.954
0.974
0.994
1.015
1.038
1.058
1.080
1.103
1.126
1.150
1.175
1.200
1.227
1.254
1.282
1.311
1.341
1.372
1.405
1.440
1.478
1.514
1.555
1.596
1.645
%
91
92
93
94
95
96
97
97.5
98
99
99.1
99.2
99.3
99.4
99.5
99.6
99.7
99.8
99.9
99.91
99.92
99.93
99.94
99.95
99.96
99.97
99.98
99.99
Z( )
1.341
1.405
1.476
1.555
1.645
1.751
1.881
1.980
2.054
2.326
2.388
2.409
2.457
2.512
2.576
2.852
2.748
2.878
3.090
3.121
3.156
3.195
3.239
3.291
3.353
3.432
3.540
3.719
Z(1-/2)
1.695
1.751
1.812
1.881
1.960
2.054
2.170
2.241
2.326
2.576
2.612
2.652
2.697
2.748
2.807
2.878
2.968
3.090
3.291
3.320
3.353
3.390
3.432
3.481
3.540
3.615
3.719
3.891
TABLA 6
FACTORES UTILIZADOS EN LA ELABORACIN DE DIAGRAMAS DE CONTROL
Nmero de
observaciones
en la muestra
n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Diagrama para medias

Factores para limites de
control
A
A1
A2
2.121
3.760
1.880
1.732
2.394
1.023
1.501
1.880
0.729
1.342
1.596
0.577
1.225
1.410
0.483
1.134
1.277
0.419
1.061
1.175
0.373
1.000
1.094
0.337
0.949
1.028
0.308
0.905
0.973
0.285
0.866
0.925
0.266
0.832
0.832
0.249
0.802
0.802
0.235
0.775
0.775
0.223
0.750
0.750
0.212
0.728
0.728
0.203
0.707
0.707
0.194
0.688
0.688
0.187
0.671
0.671
0.180
0.655
0.655
0.173
0.640
0.640
0.167
0.626
0.626
0.162
0.612
0.612
0.157
0.600
0.619
0.153
Mas de 25 se utiliza:
3
n
Diagrama para desviaciones

estndares
Factores para lnea
Factores para limites de
central
control
C2
I/C2
B1
B2
B3
B4
0.5642
1.7725
0
1.843
0
3.267
0.7236
1.3820
0
1.858
0
2.568
0.7979
1.2533
0
1.808
0
2.266
0.8407
1.1894
0
1.756
0
2.089
0.8686
1.1512
0.026 1.711 0.030 1.970
0.8882
1.1259
0.105 1.672 0.118 1.882
0.9027
1.1078
0.167 1.638 0.185 1.815
0.9139
1.0942
0.219 1.609 0.239 1.761
0.9227
1.0837
0.262 1.584 0.284 1.716
0.9300
1.0753
0.299 1.561 0.321 1.679
0.9359
1.0684
0.331 1.541 0.354 1.646
0.9410
1.0627
0.359 1.523 0.382 1.618
0.9453
1.0579
0.384 1.507 0.406 1.594
0.9490
1.0537
0.406 1.492 0.428 1.572
0.9523
1.0501
0.427 1.478 0.448 1.552
0.9551
1.0470
0.445 1.465 0.466 1.534
0.9576
1.0442
0.461 1.454 0.482 1.518
0.9599
1.0418
0.477 1.443 0.497 1.503
0.9619
1.0396
0.491 1.443 0.510 1.490
0.9638
1.0376
0.504 1.424 0.523 1.477
0.9655
1.0358
0.516 1.415 0.534 1.466
0.9670
1.0342
0.527 1.407 0.545 1.445
0.9684
1.0327
0.538 1.399 0.555 1.445
0.9696
1.0313
0.548 1.392 0.565 1.435
Diagrama para amplitudes

Factores para
lnea control
d2
I/d2
1.128 0.8865
1.693 0.5907
2.059 0.4857
2.326 0.4299
2.534 0.3946
2.704 0.3698
2.847 0.3512
2.970 0.3367
3.078 0.3249
3.173 0.3152
3.258 0.3069
3.336 0.2998
3.407 0.2935
3.472 0.2880
3.532 0.2831
3.588 0.2787
3.640 0.2747
3.689 0.2711
3.735 0.2677
3.778 0.2647
3.819 0.2618
3.858 0.2592
3.895 0.2567
3.931 0.2544
Factores para limites de control

d3
0.853
0.888
0.880
0.864
0.848
0.833
0.820
0.808
0.797
0.787
0.778
0.770
0.762
0.755
0.749
0.743
0.738
0.733
0.729
0.724
0.720
0.716
0.712
0.709
D1
0
0
0
0
0
0.205
0.387
0.546
0.687
0.812
0.924
1.026
1.121
1.207
1.285
1.359
1.426
1.490
1.548
1.606
1.659
1.710
1.759
1.804
D2
3.686
4.358
4.698
4.918
5.078
5.203
5.307
5.394
5.469
5.534
5.592
5.646
5.693
5.737
5.779
5.817
5.854
5.888
5.922
5.950
5.979
6.006
6.031
6.058
D3
0
0
0
0
0
0.076
0.136
0.184
0.223
0.256
0.284
0.308
0.329
0.348
0.364
0.379
0.392
4.404
0.414
0.425
0.434
0.443
0.452
0.459
D4
3.276
2.575
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.744
1.719
1.692
1.671
1.652
1.636
1.621
1.608
1.596
1.586
1.575
1.566
1.557
1.548
1.541
BIBLIOGRAFA
1. JOHNSON, ROBERT: Estadstica Elemental. Grupo Editorial Iberoamrica. Mxico, 1990.
2. LEVIN, RICHARD y RUBIN, DAVID: Estadstica para Administradores. Editorial Prentice-Hall

Hispanoamericana. Mxico, 1996.
3. MENDENHALL, WILLIAM: Estadstica para Administradores. Grupo Editorial Iberoamrica. Mxico,

1990.
4. NAIMAN, A. ROSENFELD, R. y ZIRKEL, G.: Introduccin a la Estadstica. Editorial McGraw-Hill. Mxico,

1987.
5. PORTILLA C., ENRIQUE: Estadstica, Primer Curso. Nueva Editorial Interamericana, Mxico, 1987.
6. PORTUS G., LINCOYN: Curso Prctico de Estadstica. Editorial McGraw-Hill, Mxico, 1994.
7. ROBLES A., GLORIA: Estadstica Descriptiva e Inferencial II. Editorial Perspectiva Crtica, Mxico, 1996.
8. SNCHEZ C., OCTAVIO: Probabilidad y Estadstica. Editorial McGraw-Hill, Mxico, 1996.
SUGERENCIAS PARA PRESENTAR

EXMENES DE RECUPERACIN
O ACREDITACIN ESPECIAL
Para evitar cualquier contratiempo al presentar el examen de recuperacin o acreditacin especial debes
considerar las siguientes recomendaciones:
Organizacin:
Presntate al menos con 10 minutos de anticipacin al saln indicado. Debes presentarle al profesor
aplicador esta Gua resuelta.
Lleva el comprobante de inscripcin al examen y tu credencial actualizada.
Lleva dos lpices del No. 2 o 2 .
No olvides llevar una goma que no manche.
Durante el examen:
Lee con atencin tanto las instrucciones como las preguntas y si tienes alguna duda consltala con el
aplicador.
Contesta primero las preguntas que te parezcan fciles y despus concentra toda tu atencin en las
difciles.
Si te solicitan explicar o desarrollar algn tema, identifica las ideas principales que quieras exponer y
escrbelas de la manera ms concreta y clara que puedas, evita el planteamiento de ideas
innecesarias.
Escribe tus respuestas con letra clara, legible y sin faltas de ortografa.
Al terminar de contestar el examen, revsalo nuevamente para asegurarte que todas las preguntas
estn contestadas.
Centra tu atencin en el examen, no trates de copiar, recuerda que el compaero de junto puede estar
equivocado.
La Gua para presentar exmenes de

Recuperacin o Acreditacin especial de
se termin de reimprimir en el mes de abril de 2006
en los talleres de la Impresora y Encuadernadora Progreso, S.A. de C.V.
Calz. San Lorenzo Tezonco nm. 244, Col. Paraje San Juan
Delegacin Iztapalapa, C.P. 09830
El tiraje fue de 1 800 ejemplares

ms sobrantes para reposicin

Edi II (Plan 1992)

Uploaded by

Document Information

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

Edi II (Plan 1992)

Uploaded by

Copyright:

Available Formats

Gua para presentar exmenes de

Recuperacin o Acreditacin Especial

ESTADSTICA DESCRIPTIVA E INFERENCIAL II

Estadstica Descriptiva e Inferencial II

Gua para presentar exmenes de

Colegio de Bachilleres, Mxico

Estadstica Descriptiva e Inferencial II

UNIDAD 1. Variables aleatorias...................................................................................

1.1 Variable aleatoria....................................................................

UNIDAD 2. Funciones probabilsticas discretas........................................................

2.1 Experimento de Bernoulli...................................................................................

UNIDAD 3. Distribuciones probabilsticas continuas................................................

3.1 Distribucin normal estndar............................................

Estadstica Descriptiva e Inferencial II

UNIDAD 4. Inferencia estadstica. ..................................................

4.1 Planteamiento de una hiptesis estadstica........................................................

UNIDAD 5. Aplicaciones de la inferencia estadstica................................................

5.1 Muestreo de aceptacin.........................................................................................

SUGERENCIAS PARA PRESENTAR EXMENES DE

Estadstica Descriptiva e Inferencial II

La evaluacin de recuperacin y la de acreditacin especial son oportunidades extraordinarias que debes

Sigue al pie de la letra las instrucciones de la gua.

Estadstica Descriptiva e Inferencial II

Estadstica Descriptiva e Inferencial II

Estadstica Descriptiva e Inferencial II

Estadstica Descriptiva e Inferencial II

I1, I2, I3, , In

Estadstica Descriptiva e Inferencial II

Las imgenes son:

X (A) =1, X (S) =0.

Por lo tanto, la funcin de la variable es

f = (A, 1); (S, 0) .

Existen dos tipos de variable aleatoria: la discreta y la continua.

Estadstica Descriptiva e Inferencial II

Estadstica Descriptiva e Inferencial II

APLICACIN DEL CONOCIMIENTO

Paso 2. Determinar el conjunto imagen.

Estadstica Descriptiva e Inferencial II

Paso 3. Identificar el tipo de variable.

Cul es la funcin de la variable aleatoria?

A qu tipo de variable se refiere?

Estadstica Descriptiva e Inferencial II

Estadstica Descriptiva e Inferencial II

5. Un experimento consiste en lanzar un dado normal de seis caras. Cul es el dominio?

Estadstica Descriptiva e Inferencial II

Estadstica Descriptiva e Inferencial II

La funcin es: f = (AA, 2), (AS, 1), (SA, 1), (SS, 0)

Estadstica Descriptiva e Inferencial II

1.2 FUNCIONES PROBABILSTICAS

La probabilidad de ocurrencia de que la variable aleatoria tome un valor determinado se refiere a la

Estadstica Descriptiva e Inferencial II

(X1, P(X1)), (X2, P(X2)), ............., (Xn, P(Xn))

Para el caso de la moneda, la funcin de probabilidad es:

Retomando el ejemplo de la moneda quedara:

Estadstica Descriptiva e Inferencial II

X i P ( X i ) = X1 P(X1) + X2 P(X2 ) + ......... + Xn P(Xn)

Continuando con el caso de la moneda, su esperanza matemtica ser:

Estadstica Descriptiva e Inferencial II

SAAA, SAAS, SASA, SASS, SSAA, SSAS, SSSA, SSSS

Estadstica Descriptiva e Inferencial II

Paso 4. Determinar la funcin de distribucin acumulada.

Por lo tanto, la fda de la variable quedara en la forma siguiente:

Estadstica Descriptiva e Inferencial II

Estadstica Descriptiva e Inferencial II