Professional Documents
Culture Documents
TOMO 1
COMPULIBRO
ESTADISTICA II DE
CIR
ESCRITO POR
CARLOS IVAN
RESTREPO
CONTENIDO
LA IMPORTANCIA DE LA ESTADISTICA
6
CAPITULO 1
7
RESUMEN
7
FUNDAMENTOS DEL AREA DE MODELOS PROBABILISTICOS 7
COMPETENCIASYHABILIDADESSOCIALES
9
1) COMPETENCIASESPECFICAS
9
2) COMPETENCIASTRANSVERSALES
9
HISTORIA DE LA ESTADSTICA Y LA PROBABILIDAD
9
TOMA DE DESICIONES
10
TEORIA DE PROBABILIDADES
10
TIPOS DE PROBABILIDAES
12
APLICACIONES
12
ELEMENTOS DE ESTADISTICA DESCRIPTIVA
13
DEFINICIN DE ESTADSTICA
13
POBLACION
13
INDIVIDUO
13
MUESTRA
13
MUESTREO
14
VALOR
14
DATO
14
DEFINICIN DE VARIABLE
14
VARIABLE CUALITATIVA
14
VARIABLE CUALITATIVA NOMINAL
14
VARIABLE CUALITATIVA ORDINAL
14
VARIABLE CUANTITATIVA
15
a) VARIABLE DISCRETA
15
b) VARIABLE CONTINA
15
PRUEBA DE STURGES
15
FACTORIAL DE UN NMERO NATURAL
17
VARIACIONES
17
VARIACIONES CON REPETICIN
18
PERMUTACIONES
18
PERMUTACIONES CON REPITICION
19
COMBINACIONES
20
COMBINACIONES CON REPETICIN
21
ELEMENTOS DE PROBABILIDAD
22
ZONA DE EJEMPLOS
23
EJERCICIOS DE REPASO DEL CAPITULO 1
32
3
a)
b)
c)
d)
e)
f)
11
11
aprendeenlinea.udea.edu.co/lms/moodle/mod/.../view.php?...true...
13
no
ORDINAL
VARIABLE
14
(amplitud de intervalo)
15
-par, ajuste 2
-impar, ajuste se limita, ejm: 7= 34 y 43
EJEMPLO 1.1
Distribuir en intervalos los siguientes datos:
4
10
21
9
18
8
11
22
9
19
12
12
23
11
20
16
13
24
11
20
20
14
15
11
20
24
15
15
11
21
5
16
15
13
20
6
17
15
15
15
7
18
5
16
15
8
19
7
17
15
9
20
9
17
14
) K= 7
) Ri= 24-4= 20
iii) Ci=
iv) Cn= 3
v) Rn= (3)(7)= 21
vi) Dr= 21- 20= 1
vii) AJ= 1-1= 0
Intervalos
4-6
7-9
10-12
13-15
16-18
19-21
22-24
Ni
4
8
8
13
8
10
4
55
X
5
8
11
14
|7
20
23
98
(xni)
20
64
88
182
136
200
92
782
16
VARIACIONES
Se llama variaciones ordinarias de m elementos tomados de n en n (m
n) a los distintos grupos formados por n elementos de forma que:
No entran todos los elementos.
S importa el orden.
No se repiten los elementos.
EJEMPLO 1.3
Cuntos nmeros de tres cifras diferentes se puede formar con los
dgitos: 1, 2, 3, 4, 5 ?
m=5
n=3 mn
EJEMPLO 1.4
Cuntos nmeros de tres cifras se puede formar con los dgitos: 1, 2, 3,
4, 5 ?
m=5
n=3
PERMUTACIONES
S entran todos los elementos.
S importa el orden.
No se repiten los elementos.
18
n=5
PERMUTACIONES CIRCULARES
Se utilizan cuando los elementos se han de ordenar "en crculo", (por
ejemplo, los comensales en una mesa), de modo que el primer elemento
que "se site" en la muestra determina el principio y el final de muestra.
EJEMPLO 1.6
Calcular las permutaciones circulares de 7 elementos.
PC7= (7 1)! = 6! = 6 5 4 3 2 1 = 720
PERMUTACIONES CON REPETICIN
Permutaciones
con
repeticin de m
elementos donde
elprimer
elemento se repite a veces , el segundo b veces , el tercero c veces, ...(m
= a + b + c + ... = n) son los distintos grupos que pueden formarse con
esos m elementos de forma que :
S entran todos los elementos.
S importa el orden.
S se repiten los elementos.
19
a=3
b=4
c=2
a+b+c=9
COMBINACIONES
Se llama combinaciones de m elementos tomados de n en n (m n) a
todas las agrupaciones posibles que pueden hacerse con los m
elementos de forma que:
No entran todos los elementos.
No importa el orden.
No se repiten los elementos.
EJMEPLO 1.8
En una clase de 35 alumnos se quiere elegir un comit formado por tres
alumnos. Cuntos comits diferentes se pueden formar?
No entran todos los elementos.
No importa el orden: Juan, Ana.
No se repiten los elementos.
20
Nmeros combinatorios
El nmero
por
1.
2.
3.
EJEMPLO 1.9
En una bodega hay cinco tipos diferentes de botellas. De cuntas
formas se pueden elegir cuatro botellas?
No entran todos los elementos. Slo elije 4..
21
ELEMENTOS DE PROBABILIDAD
Probabilidad de la unin de sucesos incompatibles
A
p(A
B=
B) = p(A) + p(B)
B
B) = p(A) + p(B) p(A
B)
Probabilidad condicionada
B) = p(A) p(B)
B) = p(A) p(B/A)
22
0 p(A) 1
p(E) = 1
ZONA DE EJEMPLOS
ALGUNOS EJEMPLOS TOMADOS DE http://www.vitutor.net/1/52.html
EJEMPLO 1.10
Se tira 2 dados, Cul es la probabilidad de que salga: 5, 7, 9, 10?
LEY
DE
(4,1)(4,6)
(5,1)(5,6)
(6,1)(6,6)
Para 5: (1,4)(4,1)(2,3)(3,2)
P(5)= 4/36= 0,1111= 11,11%
Para 7:(1,6)(6,1)(2,5)(5,2)(3,4)(4,3)
P(7)= 6/36= 0,1667= 16,67%
Para 9: (4,5)(5,4)(3,6)(6,3)
P(9)= 4/36= 0,1111= 11,11%
23
LAPLACE
EJEMPLO 1.12
Dados los puntos (-20,0) y (30,1) hallar
a)
b)
c)
d)
La pendiente
La ecuacin de la recta que pasa por esos puntos
La grafica
Dada la grafica escriba anlisis a travs de
intervalos
SOLUCION
a)
24
1 0
1
30 (20) 50
b)
CUAL ES EL VALOR DE b
c)La grafica
si
si
x<=-20
x>10
EJEMPLO 1.13
Hallar la probabilidad de que al levantar unas fichas de domin el maestro
Alfonso Acua obtenga un nmero de puntos mayores que 9 o que sea
mltiplo de 4.
25
EJEMPLO 1.14
NEWTON lanza dos dados al aire y se anota la suma de los puntos
obtenidos. Se pide:
1)La probabilidad de que salga el 7.
EJEMPLO 1.15
De una urna que contiene 4 bolas verde, 5 blancas y 6 negras, se extrae
una bola cul es la probabilidad de que la bola sea verde o blanca?
Cul es la probabilidad de que no sea blanca?
EJEMPLO 1.16
26
EJEMPLO 1.17
A una pareja de esposos cuarentones le realizaron un diagnostico de
supervivencia y se encontr que la probabilidad de que un hombre viva 20
aos es y la de que su seora viva 20 aos es 1/3. Se pide calcular la
probabilidad:
1)De que ambos vivan 20 aos.
EJEMPLO 1.18
En la Uceva los estudiantes de las carreas ofrecidas por esta institucin
educativa pueden optar por cursar como lengua extranjera ingls o
Italiano. En un determinado curso, el 90% de los alumnos estudia ingls y
el resto italiano. El 30% de los que estudian ingls son chicos y de los que
estudian italiano son chicos el 40%. El elegido un alumno al azar, cul
es la probabilidad de que sea chica?
27
EJEMPLO 1.20
En un taller de autos se sabe que por trmino medio acuden: por la
maana tres automviles con problemas elctricos, ocho con problemas
mecnicos y tres con problemas de chapa, y por la tarde dos con
problemas elctricos, tres con problemas mecnicos y uno con problemas
de chapa.
1 Hacer una tabla ordenando los datos anteriores.
28
EJEMPLO 1.21
Un estudiante dormiln cuenta, para un examen con la ayuda de un
despertador, el cual consigue despertarlo en un 80% de los casos. Si oye
el despertador, la probabilidad de que realiza el examen es 0.9 y, en caso
contrario, de 0.5.
1 Si va a realizar el examen, cul es la probabilidad de que haya odo el
despertador?
29
EJEMPLO 1.22
En la biblioteca de la Uceva existe una seccin de entretenimiento en las
estanteras donde hay 60 novelas y 20 libros de poesa. Una persona A
elige un libro al azar de la estantera y se lo lleva. A continuacin otra
persona B elige otro libro al azar.
1 Cul es la probabilidad de que el libro seleccionado por B sea una
novela?
30
En estas direcciones
explicados en internet
encontraras
mas
ejemplos
en
videos
1)http://www.youtube.com/watch?v=J-B-Enaphw4
2)http://www.youtube.com/watch?v=J-B-Enaphw4
3)http://www.youtube.com/watch?v=WY80AY6XU0Q&feature=related
4)http://www.youtube.com/watch?v=qCKZKDWRXAA&feature=relate
d
5)http://www.youtube.com/watch?v=LGZbeW-vCW8&feature=related
6)http://www.youtube.com/watch?v=v2autI4LAyA&feature=related
7)http://www.youtube.com/watch?v=4O2waWg5cTg
8)http://www.youtube.com/watch?v=v2autI4LAyA&feature=related
9)http://www.youtube.com/watch?v=4hbNgJc-qR0&feature=related
10)http://www.youtube.com/watch?v=cGT_YHZ7M7s&feature=related
11)http://www.youtube.com/watch?v=VM8uBmr3EkQ&feature=related
12)http://www.youtube.com/watch?v=VM8uBmr3EkQ&feature=related
13)http://www.youtube.com/watch?v=-5EG28z2E08
14)http://www.youtube.com/watch?v=fFbY6dPOacM&feature=relmfu
15)http://www.youtube.com/watch?v=wJn-JqqKcu8&feature=relmfu
31
cules
son discretas y
5, 2, 4, 9, 7, 4, 5, 6, 5, 7, 7, 5, 5, 2, 10, 5, 6, 5, 4, 5, 8, 8, 4, 0, 8, 4, 8, 6, 6,
3, 6, 7, 6, 6, 7, 6, 7, 3, 5, 6, 9, 6, 1, 4, 6, 3, 5, 5, 6, 7.
Construir la tabla de distribucin de frecuencias para dato no agrupados y
agrupados aplicando le a los agrupados sturges y dibuja el diagrama de
barras.
5. Los 40 estudiantes de una clase han obtenido las siguientes
puntuaciones, sobre 50, en un examen de Estadstica.
3, 15, 24, 28, 33, 35, 38, 42, 23, 38, 36, 34, 29, 25, 17, 7, 34, 36, 39, 44,
31, 26, 20, 11, 13, 22, 27, 47, 39, 37, 34, 32, 35, 28, 38, 41, 48, 15, 32,
13.
a. Construir la tabla de frecuencias aplicando sturges
b. Dibujar el histograma y el polgono de frecuencias.
9. Sea una distribucin estadstica que viene dada por la siguiente tabla:
xi
61
64
67
70
73
fi
18
42
27
Calcular:
1 La moda, mediana y media.
2 El rango, desviacin media, varianza y desviacin tpica.
6.Calcular la media, la mediana y la moda de la siguiente serie de
nmeros: 5, 3, 6, 5, 4, 5, 2, 8, 6, 5, 4, 8, 3, 4, 5, 4, 8, 2, 5, 4. Si agrupan
7. Hallar la varianza y la desviacin tpica de la siguiente serie de datos:
12, 6, 7, 3, 15, 10, 18, 5.
8. Hallar la media, mediana y moda de la siguiente serie de nmeros:
3, 5, 2, 6, 5, 9, 5, 2, 8, 6.
16. Una distribucin estadstica viene dada por la siguiente tabla:
33
[15, 20)
[20, 25)
[25, 30)
[30, 35)
Hallar:
La moda, mediana y media.
El rango, desviacin media y varianza.
Los cuartiles 1 y 3.
Los deciles 3 y 6.
Los percentiles 30 y 70.
9. Dada la distribucin estadstica:
[0,
5)
fi 3
[5,
10)
[10,
15)
[15,
20)
[20,
25)
[25,
)
Calcular:
La mediana y moda.
Cuartil 2 y 3.
Media.
10) Cuntos nmeros de tres cifras diferentes se puede formar con los
dgitos: 0, 1, 2, 3, 4, 5 ?R/100
11) En un concurso literario de la UCEVA se han presentado 10
candidatos con sus novelas. El cuadro de honor lo forman el ganador, el
finalista y un accsit. Cuntos cuadros de honor se pueden formar?R/
720
12) Cuntos nmeros de tres cifras se puede formar con los dgitos: 0, 1,
2, 3, 4, 5? R/ 180
13) De cuntas formas distintas pueden sentarse ocho personas en una
fila de butacas? 40320
34
1 .
2.
R/ X=6
R/ X=7
3.
R/ X=7
4.
R/ X=17
R/ X=12
2)
R/ X=5
3)
R/ X=5
4)
R/ X=5
36
R/ X= 19
6)
R/ X= 10
Hallar:
1
R/ 5/8
R/ 5/8
R/ 1/2
R/ 3/8
37
R/ 3/4
R/ 1/8
R/ 1/4
Hallar:
1
R/ 1/3
R/ 2/3
R/ 1/12
R/ 5/12
41) Se sacan dos bolas de una urna que se compone de una bola blanca,
otra amarilla, otra verde y otra negra. Escribir el espacio muestral cuando:
A) La primera bola se devuelve a la urna antes de sacar la segunda R/16
ELEMENTOS EN EL ESPACIO MUESTRAL
B) La primera bola no se devuelve R/ 12 ELEMENTOS EN EL ESPACIO
MUESTRAL
42) Una urna tiene ocho bolas negras, 5 amarilla y siete azules. Si se
extrae una bola al azar calcular la probabilidad de:
A) Sea negra. R/40%
amarilla R/75%
C)
No
sea
43) Una urna contiene tres bolas rojas y siete blancas. Se extraen dos
bolas al azar. Escribir el espacio muestral y hallar la probabilidad de los
sucesos:
a) Con reemplazamiento. R/
b) Sin reemplazamiento/ 6/90
38
21/90
21/90
42/90
a)
R/ 75%
b)
R/ 50%
c)
R/ 7/12
d)
R/ 5/8
e)
R/ 5/6
50) En Colombia los alumnos pueden optar por cursar como lengua
extranjera ingls o francs. En un determinado curso, el 90% de los
alumnos estudia ingls y el resto francs. El 30% de los que estudian
39
40
a) Cara.
b) Sello
55) El maestro Uriel Quitian tiene una urna contiene 5 bolas rojas y 8
verdes. Se extrae una bola y se reemplaza por dos del otro color. A
continuacin, se extrae una segunda bola. Se pide:
a) Dibuje el diagrama de rbol
b) Probabilidad de que la segunda bola sea verde. R / 58.2%
C) Probabilidad de que las dos bolas extradas sean del mismo color. R/
41.8%
56) En una clase dirigida por Idelfonso Cobo y en un diagnostico
acostumbrado por el docente encontr que todos los estudiantes de su
curso practican algn deporte, donde el 60% de los alumnos juega al
ftbol o al baloncesto y el 10% practica ambos deportes. Si adems hay
un 60% que no juega al ftbol, cul ser la probabilidad de que escogido
al azar un alumno de la clase:
A) Juegue slo al ftbol. R/ 40%
B) Juegue slo al baloncesto
R/20%
43
CAPITULO II
DISTRIBUCIONES
I) LA DISTRIBUCIN BINOMIAL: B(n, p)
Si en una experiencia aleatoria nicamente consideramos dos
posibilidades: que ocurra el suceso A o que no ocurra ( que ocurra A, el
complementario de A ) , se trata de una experiencia dicotmica.
Al suceso A se le suele llamar xito y a la probabilidad de que ocurra, p.
Es decir p=P(A).
A la probabilidad de que no ocurra A P(A)=1-P(A) se le llama con la letra
q. Es decir, q=1-p
Si repetimos n veces una experiencia dicotmica y lamamos X a la
variable que cuenta el nmero de xitos, resulta que:
X es una variable
0,1,2,3,4,5,...........n.
discreta
que
puede
tomar
los
valores:
n. p
y la desviacin tpica es
n. p.q .
n
P( X k ) . p k .q n k
k
La probabilidad de que X tome el valor k es :
n
n!
Donde k k!.(n k )!
n! 1.2.3.4.5.......(n 1).n
n
El nmero k se llama nmero combinatorio y representa todas las
combinaciones posibles de n elementos tomados de k en k. Es decir:
44
45
En donde:
EJEMPLO: 2.1
5
10 Mire
3
porque
EJEMPLO 2.2
SIMPLIFICAR:
EJEMPLO2.3:
Cul es la probabilidad de obtener exactamente 2 caras en 6 tiradas de
monedas?
X= salga exactamente 2 caras
46
Si n=6
PRUEBE SI ES CORRECTO
P(4)+P(5)+P(6)= 34,38% la probabilidad de obtener al menos 4 caras en 6
tiradas es de 34,38%
EJEMPLO 2.5 EN VIDEOS
47
Varianza
Desviacin tpica
0 pi 1
p1 + p2 + p3 + + pn = pi = 1
Distribucin binomial
n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.
El nmero combinatorio
Media
Varianza
48
Desviacin tpica
Donde:
p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero
promedio de ocurrencia de ellos es l
50
EJEMPLO 2.7
En Grafiartes en el proceso de impresin, se realizo una inspeccin de
hojalata producida por un proceso electroltico continuo, donde se
identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfeccin en 3 minutos, b) al
menos dos imperfecciones en 5 minutos, c) cuando ms una imperfeccin
en 15 minutos.
Solucin:
a)
x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
b)
x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
51
1-(0.367918+0.367918) = 0.26416
R/La imperfeccin en promedio por cada 5 minutos en la hojalata es de
26,64%
c)
x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
=
0.0498026 + 0.149408 = 0.1992106
R/ 19,92% Presenta 3 imperfecciones en promedio por cada 15 minutos
en la hojalata
NOTA
Por lo general se toma para muestras grandes, no indicando que no se
puede aplicar en muestras pequeas y sino observemos los siguientes
ejemplos.
P(x)=
x.e -
X!
donde: = n.p
es un promedio
EJEMPLO: 2.8
En la clnica Maria Angel la estadstica muestra que la probabilidad de
que un individuo sufra una reaccin negativa de cierto suero es de 0,001.
Hallar la probabilidad de que entre 300 individuos exactamente 3
individuos sufra reacciones negativas.
Por poisson
Datos: n=300
52
= n.p
x= 3
P(3)=
= 0,003= 0,33%
planteamiento
Terminar el ejercicio
EJEMPLO 2.9
El 10% de tornillos producido en la fbrica metalrgica Matecho son
defectuosos. Hallar la probabilidad de que una muestra de 10 tornillos
tomadas al azar exactamente 2 sean defectuosas.
n= 10
p= 0,1
= n.p
= (10)(0,1)
p(2)=
q= 0,9
x= 2
= 1
= 0,1839= 18,39%
53
Si los sucesos E(1), E(2).. E(k) puede ocurrir con frecuencia P(1),
P(2).. P(k) respectivamente entonces la probabilidad de que E (1),
E(2).. E(k) ocurran X(1), X(2).. X(k), veces, se calcula por:
Al igual que hicimos con la distribucin binomial, en este caso partiremos
de un ejemplo para obtener la frmula general para resolver problemas
que tengan este tipo de distribucin.
P(x)=
EJEMPLO 2.11
Se lanza un dado 12 veces cual es la probabilidad de obtener el 1, 2, 3, 4,
5, 6, dos veces cada uno?
54
R/ Cada uno de los nmeros del dado que puede salir 2 veces cada uno
es del 34%
IV) DISTRIBUCION HIPERGEOMETRICA
Lo que se ha hecho hasta ahora es analizar distribuciones que modelizan
situaciones en las que se realizaban pruebas que entraaban una
dicotoma (proceso de Bernouilli o binomial ) de manera que en cada
experiencia la probabilidad de obtener cada uno de los dos posibles
resultados se mantena constante. Si el proceso consista en una serie de
extracciones o selecciones ello implicaba la reposicin de cada extraccin
o seleccin, o bien la consideracin de una poblacin muy grande. Sin
embargo si la poblacin es pequea y las extracciones no se remplazan
las probabilidades no se mantendrn constantes. En ese caso las
distribuciones anteriores no nos servirn para la modelizar la situacin. La
distribucin hipergeomtrica viene a cubrir esta necesidad de modelizar
procesos de Bernouilli o binomiales con probabilidades no constantes (sin
reemplazamiento)
La distribucin hipergeomtrica es de mucha aplicabilidad en aquellos
casos en los que se extraigan muestras o se realizan experiencias
repetidas sin devolucin del elemento extrado o sin retornar a la situacin
experimental inicial y donde se modeliza , de hecho, situaciones en las
que se repite un nmero determinado de veces una prueba dicotmica de
manera que con cada sucesivo resultado se ve alterada la probabilidad de
obtener en la siguiente prueba uno u otro resultado. Es una distribucin
.fundamental en el estudio de muestras pequeas de poblaciones
.pequeas y en el clculo de probabilidades de, juegos de azar y tiene
grandes aplicaciones en el control de calidad en otros procesos
experimentales en los que no es posible retornar a la situacin de
partida.2
Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:
http://www.uv.es/ceaces/base/modelos%20de%20probabilidad/hipergeometrica.htm
55
P(x)=
y N es
a
n-x pertenece b muestra b
EJEMPLO 2.12:
El siguiente ejemplo va por partes hasta que se aplica el concepto de
distribucin hipergeometrica
De 16 vehculos de una transportadora de leche 5 tienen los frenos
daados cuantos no tienen los frenos daados?
a= 5 frenos daados
N= 16
b= frenos buenos
5+b= 16
b= 11
Si de ese lote, 3 tienen los frenos daados, escriba el elemento
correspondiente a la formula?
X= 3
Si se toman 7 camiones al azar, como se expresa?
n= 7
56
P(3)=
5 11
3 4 =
11
7
= 0,2884= 28,84%
57
b)
59
60
99.73%
Poblacin
Muestra
x-3s
x-2s
x-s
x+s
x+2s
x+3s
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
X
x-3
x-2
x-
-2
-1
x+
x+2
x+3
z
0
El valor de z
Determina el nmero de desviaciones estndar entre algn valor X y la
media de la poblacin . Para calcular el valor de Z usamos la siguiente
frmula.
61
500 485
0 .5
30
=
30.85%
Z.05
EJEMPLO 2.16:
Encuentre las probabilidades siguientes usando la tabla Z.
a) P(-1.23 < Z > 0)
62
-1.23
0
= 72
x= 60
= 15
EJEMPLO 2.18
El peso medio de 500 estudiantes de la Uceva es de 151 Lb y la
desviacin tpica es de 15 Lb y suponiendo que los pesos estn
normalmente distribuidos. Hallar cuantos estudiantes pesan entre 120 y
155 Lb.
63
A= 0,4803+0,1026= 0,5829
500
100%
58,29%
X= 291
291.
1.
0,4418
0,4332
A=0,4418-0,4332= 0,0086
0,86%
65
f (r ) P(1 P)r
r 1
siendo su funcin de distribucin F(r ) 1 (1 P)
E( X)
1
1
P
V( X)
1 P
P 2 Respectivamente.
X1
P1
X2
P2
X3
P3
XI
PI
Xn
Pn
verifica que :
P
i 1
FUNCIN DE DISTRIBUCIN
Del mismo modo que se definan las frecuencias acumuladas,
denominamos funcin de distribucin a : F(x) = Pr(Xx)
MOMENTO ESPERANZA MATEMATICA Y Varianza
1) Momento ordinario k
K Pi . X k
1
k Pi ( xi E ( x)) K
i 1
En particular:
67
E ( X ) 1 Pi X i
i 1
V ( X ) 2 Pi ( X i E ( X )) Pi X 2i E ( X ) 2 2 1
2
ii 1
i 1
V (X )
EJEMPLO 2.21
Germn segura victoria lanza cuatro monedas, considerando que el
nmero de sellos obtenidas. Calcular, de la variable aleatoria as definida:
a) Ley de probabilidad
b) Funcin de distribucin
c) Esperanza matemtica y varianza
d) Mediana y moda de la distribucin
Del mismo modo que se definan las frecuencias acumuladas,
denominamos funcin de distribucin a : F(x) = Pr(Xx)
SOLUCION
Lanzadas cuatro monedas, consideremos el nmero de sellos obtenidas.
Calcular, de la variable aleatoria as definida:
a) Ley de probabilidad o funcin densidad
b) Funcin de distribucin
c) Esperanza matemtica y varianza
d) Mediana y moda de la distribucin
Antes de desarrollar el ejercicio primero observemos el espacio muestal
68
CCCC
Se obtienen 4 sellos=1
AHORA SI CONTIMUEMOS
a) Ley de probabilidad o funcin de densidad:
X
f(x)=Pr(X=x)
0
1/16
1
4/16
2
6/16
3
4/16
4
1/16
b) Funcin de distribucin:
X
f(x)=Pr(X=x)
F ( x) Pr( X x)
69
0
1/16
1/16
1
4/16
5/16
2
6/16
11/16
3
4/16
15/16
4
1/16
1/16
0 para x 0
1 / 16 para 0 x 1
5 / 16 Para 1 x 2
F ( x)
11 / 16 Para 2 x 3
15 / 16 Para 3 x 4
1 Para x 4
c) Para el clculo de la esperanza matemtica y la varianza de una
variable aleatoria discreta, se aconseja construir la siguiente tabla auxiliar
X
P
PX
PX2
0
1/16
0
0
1
4/16
4/16
4/16
2
6/16
12/16
24/16
3
4/16
12/16
36/16
4
1/16
4/16
16/16
TOTALES
1
32/16=2
80/16=5
D(X) = 1
PORQUE LA DESVIACION DA UNO
EXPLICALO QUERIDO AMIGO
Observando la ley de probabilidad o funcin de densidad, deducimos que
la Moda = 2 (al tener X=2 la mayor probabilidad (6/16) )
70
DISTRIBUCION HIPERGEOMETRICA
P(3VERDES)= 3.3%
P(1RY 2VERDES)=30%
P(2RY1V) =50%
P(3R)=16.7%
b) Ley de probabilidad o funcin de densidad :
X
PROB
71
0
0.033
1
0.3
2
0.5
3
0.167
0 SI X 0
0.033 SI 0 X 1
F ( X ) 0.033 SI 1 X 2
0.833 SI 2 X 3
1
SI X 3
d) Esperanza matemtica, varianza y desviacin tpica:
X
PROB=P
PX
PX2
0
0.033
0
0
1
0.0
0.0
0.3
2
0.5
1
2
3
0.167
0.5
1.5
TOTALES
1.8
3.8
V ( X )
= 3. 8
- 1.82
= 0.56
D= 0.56 =0.748
Mediana y Moda:
Observando la funcin de distribucin, deducimos que :
Mediana = 2 (al ser X=2 el valor para el que F(X) (= 0'8333) primero
iguala o supera a 0'5)
Observando la ley de probabilidad o funcin de densidad, deducimos que:
Moda = 2 (al tener X=2 la mayor probabilidad (0'5) )
EJEMPLO 2.23
El Dr Lores ha comprobado que el tiempo de vida de cierto tipo de
marcapasos sigue una distribucin exponencial con media de 16 aos.
Cul es la probabilidad de que a una persona a la que se le ha
implantado este marcapasos se le deba reimplantar otro antes de 20
aos? Si el marcapasos lleva funcionando correctamente 5 aos en un
paciente,
Solucin: Sea T la variable aleatoria que mide la duracin de un
marcapasos en una
persona.
20
72
se
dice
parmetro
que
,
sigue
una distribucin
, es tal
exponencial de
de
densidad, f,
de
74
75
ojo 3
IX) DISTRIBUCIN UNIFORME
Cuando tenemos una variable aleatoria X se dice que es uniforme en el
intervalo [a, b] si su funcin de densidad es constante dentro de l. La
distribucin uniforme se puede modelizar de algn modo la incertidumbre
ms completa sobre una variable aleatoria continua lo que hace que
tenga bastante importancia en el mbito computacional, pues es a partir
de ella que se pueden realizar simulaciones de cualquier otra variable
aleatoria. La funcin de densidad de la distribucin uniforme es
f (x)
1
ba
x a, b
F( x )
xa
ba
x (a, b)
ab
2
V( x )
1
(b a) 2
12
3T
76
OMADO DE http://www.bioestadistica.uma.es/libro/node78.htm
f (x)
1
ab
1
0.05
9160 9140
Lo que implica que el valor final est entre 9140 pesos y 9141 pesos
tiene un 5% de probabilidad, que est entre 9141 y 9142, otro 5%, etc.
El valor medio de esta distribucin se calcula: (a+b)/2
X)DISTRIBUCION UNIFORME DISCRETA
La distribucin uniforme discreta es la que aparece en situaciones como
el lanzamiento de una moneda, de un dado o en la extraccin de una bola
numerada de un urna de la lotera. En todos estos casos, si no hay truco,
existe equiprobabilidad entre todos los sucesos elementales posibles: dos
en el caso de la moneda, seis en el del dado y n en el caso de la urna de
la lotera, siendo n el nmero de bolas. La funcin de probabilidad viene
dada por
f (x)
1
n
x (1,..., n)
f ( x ) 0 x (1,..., n)
y la de distribucin por
F( x )
x
n
x 1,n
77
n2 1
V( X)
12
La funcin caracterstica es
1
e itb e ita
x (t) e
dx
a
ba
it (b a )
b
itx
ba
E(X)
2
(b a ) 3
E(X )
3
2
(b a ) 2
V(X)
12
; es decir, el
78
x u
s
n
OTRAS DISTRIBUCIONES
1) DISTRIBUCIN DE CAUCHY
La distribucin de Cauchy, o de Lorentz, de parmetros a pertenece a los
reales y b>0 es de uso frecuente en fsica para describir el patrn de
impactos de partculas sobre una recta. Tambin es de inters terico por
ser una distribucin que carece de momentos. Sus funciones de densidad
y de distribucin son
f (x)
79
b
( x a) 2 b 2
1 1
x a
F( x ) arctan
2
b
F(X )
(1 t
dt
1 arctan g ( x)
=
POR
FAVOR
f ( x; , )
1
1
x
exp( x / ), x 0
( )
1
x Ln
1/
f (x)
xa
1
exp
2b b
1 x a
F( x ) exp
2 b
x
y
1 ax
F( x ) 1 exp
2 b
f ( x ) ab a x a1
f (x) 0
x b
xb
81
b
F( x ) 1
x b
x
F( x ) 0
xb
La esperanza y la varianza de la distribucin de Pareto son
ab
E( X)
a 1
si a 1
ab 2
V( X)
(a 2)(a 1) 2
si
a2
5...DISTRIBUCIN LOGSTICA
La distribucin logstica de parmetros a pertenece a los reales y b>0 se
ha llegado a utilizar como sustituta de la normal, debido a su forma
acampanada y de ms fcil manejo. Ms frecuente es su uso en la
modelizacin de respuestas aleatorias binarias, como en la regresin
logstica. La funcin de densidad logstica toma la forma
x a
exp
f (x)
x a
b1 exp
1
F( x )
x a
1 exp
V( X)
b2 2
3
6) DISTRIBUCIN DE GUMBEL
La distribucin de Gumbel, o del valor extremo, de parmetros
a , b 0 se utiliza en el anlisis de la distribucin asinttica de los
extremos mustrales, con aplicaciones concretas en la prediccin de
catstrofes naturales y en el diseo de estructuras de ingeniera civil que
van a estar sometidas a condiciones climatolgicas extremas. Su funcin
de densidad es
82
f (x)
ax
1
a x
exp
exp
a
b
b
a x
F( X) exp exp
b
donde
es la constante de Euler - Mascheroni, cuyo valor es
aproximadamente 0.5772156649... Finalmente, la media y la varianza de
esta distribucin viene dada por la expresin
E( X) a b
b2 2
V( X)
6
7)DISTRIBUCIN DE RAYLEIGH
La distribucin de Rayleigh de parmetro a > 0, es un caso particular de la
de Weibull, estando su uso muy extendido en el contexto del anlisis de
datos censurados. La funcin de densidad es
f ( x ) 2a 2 xe a
f (x) 0
2 2
x0
x0
F( X) 1 e a
2 2
F( X) 0
x0
x0
E( X)
2
a
1
V( X) b 2 1
4
a
8) DISTRIBUCIN DE WEIBULL
La variable aleatoria X tiene distribucin de Weibull de parmetros a > 0 y
b > 0 si su funcin de densidad es
ax
f ( x)
bb
a 1
e x / b
x0
83
F( x ) PX x 1 e ( x / b )
x0
S( x ) PX x 1 F( x ) e
( x / b )a
1
E( X) b 1
a
2 1
V( X) b 2 1 1
a a
donde siendo
P>0.
(P) x P 1e x dx
0
9) DISTRIBUCIN BETA
La distribucin beta de parmetros a y b, ambos estrictamente positivos,
tiene como soporte el intervalo (0,1), por lo que suele utilizarse en la
modelizacin de datos que se encuentren dentro de este rango. La
funcin de densidad es
f (x)
1
x a1 (1 x )b1
(a, b)
x (0,1)
y la de distribucin
F( x ) 0,
x0
b 1
x
1
a 1
u
(
1
u
)
du
(a, b) 0
F( x ) 1
x 1
F( X)
x (0,1)
84
E( X)
a
ab
b) Ms de 90 kg. R/0
c) Menos de
85
87
pi
0,1
0,2
0,1
0,4
0,1
0,1
p (X < 4.5)
R/90%
p (X 3)
R/60%
p (3 X < 4.5) R/50%
88
b)
0
0.033
1
0.3
2
0.5
3
0.167
funcin de distribucin R/
0 si x 0
0.033 si 0 x 1
F ( x) 0.333 si 1 x 2
0.833 si 2 x 3
1
si x 3
0
0.2
1
M
2
N
3
0.3
0
0.2
F ( x) 0.55
0.85
1
R/ E(x)= 4.8
si
x2
si 2 x 4
si 4 x 6
si 6 x 8
si
x8
V(x)= 3.76
D=1.93
es
90
f ( x)
0.72 si 0.8 x 1.3
0
si x 1.3
Calcular:
1. los tres primeros momentos ordinarios; los cuales son
b
E(x) =
x. f ( x)dx R/ 0.7193
a
92
E(x2)
2. Varianza;
Recordar que V(x)=E(x2)--
E(x)2
93
521
522
488
475
521
511
500
500
510
500
513
521
502
506
493
510
495
512
503
520
94
133
101
45
10
95
3x
e
F ( x) 1
2
3x
e
para todo x 0
Calcular la probabilidad
96
dos
monedas,
construir
0
f(x)=
97
si
x<0
2X
si
0x1
si
x>1
una
funcin
distribucin
98
PROBLEMAS
ESTAN
EN
e=x-
(2,2)
2 4 = -2
99
(2,4)
(2,6)
44=0
(4,2)
3 4 = -1
(4,4)
44=0
(4,6)
54=1
(6,2)
44=0
(6,4)
54=1
(6,6)
64=2
100
X .
101
n4
ESTIMACIN DE UNA PROPORCIN
102
OTRAS FORMULAS
P( Z Z )
2
a 1
2
a la
probabilidad
del
area
LS LI
2
N ( p;
se aproxima a una distribucin normal
pq
)
n
EJEMPLO 3.2
El ingeniero Misael Hernndez al visitar una fbrica de componentes
electrnicos, encontr que la proporcin de componentes finales
defectuosos era del 20%. Tras una serie de operaciones e inversiones
destinadas a mejorar el rendimiento se analiz una muestra aleatoria de
500 componentes, encontrndose que 90 de ellos eran defectuosos.
Qu nivel de confianza debe adoptarse para aceptar que el rendimiento
no ha sufrido variaciones?
p = 0.2
q = 1 - p =0.8
E= z/2.
EJEMPLO: 3.3
Se desea estimar la emisin promedio diaria en toneladas de xido de
sulfuro emitidos por una planta industrial para este fin disponemos de los
datos siguientes que se constituyen en una muestra aleatoria de la planta
de xido de sulfuro en 40 das.
17 15
20
29
19
18
22
25
27
24 20
17
24
14
15
23
24
26
19 23
28
19
16
22
24
17
20
13
19 10
23
18
31
13
20
17
24
14
104
31+2= 33
Ni
1
4
11
13
9
2
40
X
6
11
16
21
26
31
-
Nix
6
44
176
273
234
62
797
E=
E= (0,475)(0,8717)
E= (1,96)(0,8717)
E= 1,71
El tamao mximo de error es del 1,71 en toneladas de xido de sulfuro
con un nivel de confianza de 95%
INTERVALO DE CONFIANZA
Objetivo: es que al analizar una muestra, este debe caer en el intervalo,
si no cae la muestra tomada no es significativa. El intervalo de confianza
esta dado por:
-E u + E
EJEMPLO: 3.4
Construya un intervalo de confianza del 95%con respecto a la emisin
diaria en promedio real de xido de sulfuro de la planta.
DATOS: = 19,6
105
E=1,71
pz
p (1 p )
n
O bien:
EJEMPLO 3.5
106
L 2Z
2
z/ 2
MUESTREO
Antes de entrar al mundo de aplicaciones resaltaremos algunos de
aspectos generales de un cuestionario pues son muy pocos libros que
abarcan una teora con respecto al modo de preguntar
A la hora de formular un cuestionario o encuesta como desarrollo de una
investigacin en el rea social y, a manera de ejemplo se debe tener en
cuenta:
1. Tener en cuenta cul es el objetivo de una investigacin y delimitar sus
caractersticas dentro de un determinado contexto.
2. Desarrollar el cuestionario de manera clara, concisa y concreta.
3. Verificar que tipo de poblacin se escoger para la realizacin del
cuestionario o encuesta
107
http://www.rrppnet.com.ar/comohacerunaencuesta.htm
111
VN , n
N!
( N n)!
EJEMPLO
POBLACION
PERSONA
A
B
C
EDAD
1
2
3
DETERMINAR
a)
b) 2
c) El numero de muestras posibles si n=2
d) COMPLETE EL SIGUIENTE CUADRO CON EL NUMERO DE
MUESTRAS OBTENIDAS EN EL PUNTO ANTERIOR
MUESTRA X1
X2
S2
PROB
X
1
1
2
112
S2
0.25
1
0,25
0.25
1
0.25
PROB
1/6
1/6
1/6
1/6
1/6
1/6
Nn
114
115
Donde:
117
correspondiente
al
nivel
de
confianza
elegido
: varianza poblacional
e: error mximo
NOTA: En el Tamao de la muestra
Comprobar
si
se
cumple
118
que
= 1.96 y
1.-
, pues en
donde
:
z correspondiente al nivel de
P:
proporcin
de
una
categora
e:
error
N: tamao de la poblacin
confianza
de
la
elegido
variable
mximo
TAMAO
DE
MUESTRA
http://www.youtube.com/watch?v=Y0XLJnGbFQs
3) CLCULO DEL TAMAO DE LA MUESTRA DE BASE
El tamao adecuado de la muestra para una encuesta relativa a la
poblacin est determinado en gran medida por tres factores: a)
prevalencia estimada de la variable considerada b) nivel deseado de
fiabilidad; y c) margen de error aceptable y para ello vamos a presentar
dos frmulas
a) Siendo la primera la que se aplica en el caso de que no se conozca
con precisin el tamao de la poblacin, y es:
Z 2 P * Q
2
E2
p=
prevalencia
estimada
en
la
zona
E = margen de error de 5% (valor estndar de 0,05)
del
proyecto
Ejemplo
En el proyecto del Dr Patarroyo con respecto la vacuna contra la malaria
en todo el pacifico colombiano, se ha calculado que cerca del 30% (0,3)
de los nios de la zona del proyecto padecen de malaria. Este dato se
basa en estadsticas nacionales sobre malaria en las zonas rurales.
Utilizando los valores estndar indicados encontrar el tamao de muestra
ideal
para
aplicar
la
vacuna:
Clculo:
SOLUCION
120
donde
n
Z
p
q
N
E
es el tamao de la muestra;
es el nivel de confianza;
es la variabilidad positiva;
es la variabilidad negativa;
es el tamao de la poblacin;
es la precisin o el error.
Con lo que se tiene una cota mnima de 370 alumnos para la muestra y
as poder realizar la investigacin sin ms costo del necesario, pero con la
seguridad de que las condiciones aceptadas para la generalizacin
(confiabilidad, variabilidad y error) se mantienen.
DISTRIBUCIONES MUESTRALES La distribucin de frecuencia de un
estadstico muestral se denomina distribucin muestral. En general, la
distribucin muestral de un estadstico es la de todos sus valores
posibles calculados a partir de muestras del mismo tamao.
Suponga que se han seleccionado muestras aleatorias de tamao 20 en
una poblacin grande. Se calcula la madia muestral x para cada muestra;
la coleccin de todas estas medias muestrales recibe el nombre de
distribucin muestral de medias, lo que se puede ilustrar en la siguiente
figura:
EJEMPLO 3.7
122
0246
3
4
media
(0,0)
(0,2)
(0,4)
(0,6)
(2,0)
(2,2)
(2,4)
(2,6)
(4,0)
(4,2)
(4,4)
(4,6)
123
(6,0)
(6,2)
(6,4)
(6,6)
fx 0 *1 1* 2 2 * 3 3 * 4 4 * 3 5 * 2 6 *1 3
n
16
x
x
124
EJEMPLO 3.10
Para la distribucin muestral de medias del ejercicio anterior, encuentre:
a) El error muestral de cada media
En la tabla siguiente se ven las muestras, las medias de las muestras y
los errores muestrales:
Muestra
media
(0,0)
0 - 3 = -3
125
(0,2)
(0,4)
2 - 3 = -1
(0,6)
33=0
(2,0)
1 3 = -2
(2,2)
2 3 = -1
(2,4)
33=0
(2,6)
43=1
(4,0)
2 3 = -1
(4,2)
33=0
(4,4)
43=1
(4,6)
53=2
(6,0)
33=0
(6,2)
43=1
(6,4)
53=2
(6,6)
63=3
Verifique que
a) La media de los errores muestrales es cero
b) La desviacin estndar de la distribucin de los errores muestrales
e e f 2
N
, y su resultado es 1.58
x e
N n
N 1
N n
se le denomina factor de correcion.
N 1
EJEMPLO 3.11
Suponga que la tabla siguiente muestra la antiguedad en aos en el
trabajo de tres decanos de tres facultades distintas:
Decanos
Antiguedad
Antigedad
A,B
(6,4)
A,C
(6,2)
B,C
(4,2)
127
Media Muestral
246
4
3
543
4
3
N n
N 1
EJEMPLO 3,12
Una empresa elctrica fabrica de lmparas que tienen una duracin que
se distribuye aproximadamente en forma normal, con media de 800 horas
y desviacin estndar de 40 horas. Encuentre la probabilidad de que una
muestra aleatoriade 16 lmparas tenga una vida promedio de menos de
775 horas.
Xf (X )
= E(X) = x( f ( x)dx
EJEMPLO 3.13
La variable edad de la clase tiene =20 y 2=2. Asumiendo que X es
normal:
a) Tomamos todas las posibles muestras de n=4 y calcular la media y
Obtener E( X ) y x2
b) Obtener la probabilidad de encontrar un sujeto con X > 22
c) Obtener la probabilidad de encontrar una muestra con media > 22
SOLUCION
130
c) Z
X u
22 20
2,83
X
Sn
n 1
y 2=(1-) y donde
proporcin ser
P=X/n
NOTA: Cuando se vaya a tomar los valores dado y la proporcin dada se
pueden diferenciar el valor esperado y la varianza a travs de las
siguientes expresiones
VALORES DADO DE X
PROPORCION DADA P
E(X)=n
E(P)=
131
=n(1-)
2
NOTA
Parmetros estadsticos de una distribucin muestral de las proporciones
de tamao n:
a) E=(X)=n=1*(0.2)=0.2
b) P=1/3= 0.33
132
y 2P
(1 )
n
=0.2*0.8/3=0.05
EJEMPLO 3.15
Suponga que se tiene un lote de 12 piezas, las cuales 4 son
defectuosos. Se van a seleccionar 5 artculos al azar de ese lote sin
reemplazo. Genere la distribucin muestral de proporciones para el
nmero de piezas defectuosas.
SOLUCION
Como se puede observar en este ejercicio la Proporcin de artculos
defectuosos de esta poblacin es 4/12=1/3. Por lo que podemos decir que
el 33% de las piezas de este lote estn defectuosas.
El nmero posible de muestras de tamao 5 a extraer de una poblacin
de 12 elementos es 12C5=792, las cuales se pueden desglosar de la
siguiente manera:
ARTICULOS ARTICULOS PROPORCION
DE ARTICULOS
BUENOS
MALOS
DEFECTUOSOS
Nro DE MANERAS
QUE SE PUEDE
OBTENER
UNA
MUESTRA
0.8
0.6
112
0.4
336
0.2
280
56
133
a) p
b)
0.3333
p 0.1681
y desviacin estndar
1,
2y
desviacin estndar
2. Ahora bien si elegimos una muestra aleatoria de
tamao n1 de la primera poblacin y una muestra independiente aleatoria
de tamao n2 de la segunda poblacin; se calcula la media muestral para
cada muestra y la diferencia entre dichas medias. La coleccin de todas
esas diferencias se llama distribucin muestral de las diferencias entre
medias o la distribucin muestral del estadstico
y que
134
EJEMPLO 3.16:
En un estudio para comparar los pesos promedio de nios y nias de
sexto grado en una escuela primaria ANTONIO JOSE DE SUCRE se
usar una muestra aleatoria de 20 nios y otra de 25 nias. Se sabe que
tanto para nios como para nias los pesos siguen una distribucin
normal. El promedio de los pesos de todos los nios de sexto grado de
esa escuela es de 105 libras y su desviacin estndar es de 14.152,
mientras que el promedio de los pesos de todas las nias del sexto grado
de esa escuela es de 90 libras y su desviacin estndar es de 12.257
libras. Si
representa el promedio de los pesos de 20 nios y es el
promedio de los pesos de una muestra de 25 nias, encuentre la
probabilidad de que el promedio de los pesos de los 20 nios sea al
menos 20 libras ms grande que el de las 25 nias.
Solucin:
Datos:
1=
105 libras
= 90 libras
1=
14.142 libras
2=
12.247 libras
n1 = 20 nios
n2 = 25 nias
=?
135
20 (105 90)
(14.142 ) 2 (12.457 ) 2
20
2
1.25
EJEMPLO:3.17
Uno de los principales fabricantes de celulares compra simcard a dos
compaas. Las simcard de la compaa A tienen una vida media de 7.2
aos con una desviacin estndar de 0.8 aos, mientras que los de la B
tienen una vida media de 6.7 aos con una desviacin estndar de 0.7.
Determine la probabilidad de que una muestra aleatoria de 34 simcard de
la compaa A tenga una vida promedio de al menos un ao ms que la
de una muestra aleatoria de 40 simcard de la compaa B.
Solucin:
Datos:
A=
7.2 aos
= 6.7 aos
A=
0.8 aos
B=
0.7 aos
nA = 34 simcard
nB = 40 simcard
136
EJEMPLO 3.18
Se prueba el rendimiento en km/L de 2 tipos de ETANOL , encontrndose
una desviacin estndar de 1.23km/L para el primer etanol y una
desviacin estndar de 1.37km/L para el segundo etanol; se prueba el
primer etanol en 35 autos y el segundo en 42 autos.
a. Cul es la probabilidad de que el primer etanol de un rendimiento
promedio mayor de 0.45km/L que el segundo etanol?
b. Cul es la probabilidad de que la diferencia en rendimientos
promedio se encuentre entre 0.65 y 0.83km/L a favor del primer
etanol?.
Solucin:
En este ejercicio no se cuenta con los parmetros de las medias en
ninguna de las dos poblaciones, por lo que se supondrn que son iguales.
Datos:
1=
1.23 Km/Lto
2=
1.37 Km/Lto
n1 = 35 autos
n2 = 42 autos
a.
137
=?
b.
138
que
y que
y que
139
EJEMPLO 3.19
Los hombres y mujeres adultos radicados en Tulua difieren en sus
opiniones sobre la promulgacin de la pena de muerte para personas
culpables de violacin de nios. Se cree que el 12% de los hombres
adultos estn a favor de la pena de muerte, mientras que slo 10% de las
mujeres adultas lo estn. Si se pregunta a dos muestras aleatorias de 100
hombres y 100 mujeres su opinin sobre la promulgacin de la pena de
muerte, determine la probabilidad de que el porcentaje de hombres a
favor sea al menos 3% mayor que el de las mujeres.
Solucin:
Datos:
PH = 0.12
PM = 0.10
nH = 100
nM = 100
p(pH-pM
0.03) = ?
140
141
142
143
EJEMPLO 3.22
En cierta empresa se fabrican productos con un promedio de 8 defectos
por unidad. Determine la probabilidad de que el prximo producto
inspeccionado tenga un nmero de defectos:
a. Mayor o igual a 6
b. Exactamente 7
c. Como mximo 9
a.
145
b.
146
que pienses
147
68,26%
R/
Z 1
(1,993,:2.007)
95,44%
R/
Z 2
(1.986 , 2,014)
99,73%
R/ (1.979; 2.021)
10
11
11
11
13
13
14
14
14
14
14
14
15
15
16
16
16
16
16
16
16
16
17
17
17
18
18
18
19
19
19
19
19
19
19
19
20
20
n=9
X
I 1
1098
138148
I 1
153
154
5
11
15
16
19
6
13
15
17
19
8
13
16
17
19
8
14
16
17
19
9
14
16
18
19
9
14
16
18
19
10
14
16
18
20
11
14
16
19
20
PREGRADO
POSGRADO
TOTAL
MUJERES
2461
67
2528
HOMBRES
2848
77
2925
TOTAL
5309
144
5453
157
a) Suponga que nos interesa obtener una muestra de las opiniones de los
profesores de una gran universidad
b) Suponga que una compaa de servicio de televisin por cable est
pensando en abrir una sucursal en una ciudad grande; la compaa
planea realizar un estudio para determinar el porcentaje de familias que
utilizaran sus servicios, como no es prctico preguntar en cada casa, la
empresa decide seleccionar una parte de la ciudad al azar
c) Para obtener una muestra de suscriptores telefnicos en una ciudad
grande, puede obtenerse primero una muestra aleatoria de los nmeros
de las pginas del directorio telefnico; al elegir el vigsimo nombre de
cada pgina obtendramos un muestreo sistemtico, tambin podemos
escoger un nombre de la primera pgina del directorio y despus
seleccionar cada nombre del lugar nmero cien a partir del ya
seleccionado. Por ejemplo, podramos seleccionar un nmero al azar
entre los primeros 100; supongamos que el elegido es el 40, entonces
seleccionamos los nombres del directorio que corresponden a los
nmeros 40, 140, 240, 340 y as sucesivamente.
63) COMPLETAR
a) La distribucin de frecuencia de un estadstico muestral se
denomina __________________________. En general, la distribucin
muestral de un estadstico es la de todos sus valores posibles
calculados a partir de muestras del mismo tamao.
b) Suponga que se han seleccionado muestras aleatorias de tamao 20
en una poblacin grande. Se calcula la media muestral x para cada
muestra; la coleccin de todas estas medias muestrales recibe el nombre
de_________________________________________,
c) Mientras mayor sea el tamao de la muestra, ms cerca estar la
distribucin muestral de ser ____________________________
158
160
161