Professional Documents
Culture Documents
MODALIDAD NO PRESENCIAL
Trimestre 14-P
Departamento de Sistemas
Unidad Azcapotzalco
ÍNDICE GENERAL
9 semana 9 65
9.1 Variable aleatoria continua. 65
9.2 Esperanza y varianza de una variable aleatoria 67
9.3 Distribución uniforme 68
10 semana 10 71
10.1 Distribución normal 71
10.2 Distribución exponencial 77
10.2.1 Pérdida de memoria 79
11 semana 11 81
11.1 Teorema del límite central 81
11.2 Intervalos de confianza 82
a tabla de ecuaciones 87
a.1 Distribución normal estándar acumulada 88
bibliografía 91
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. iii
SEMANA 9
9
9.1 variable aleatoria continua.
Hasta ahora se ha trabajado con variables aleatorias discretas, pero existen una gran
variedad de experimentos que no pueden representarse adecuadamente con un número
numerable de datos, por lo que es necesario introducir el concepto de variable aleatoria
continua.
Denición 9.1.1 Una variable aleatoria continua es aquella que puede tomar cualquier
valor en todo un intervalo de números reales.
Del mismo modo que para las variables aleatorias discretas, es importante poder
determinar la distribución de probabilidad, la función de distribución de probabilidad,
la media y varianza de las variables aleatorias continuas que se estudian.
Denición 9.1.2 Sea X una variable aleatoria continua, entonces una distribución de
probabilidad o función de densidad de probabilidad de X es una función, fX (x), tal
que para cualesquiera dos números a y b con a 6 b se tiene:
Zb
P(a 6 X 6 b) = fX (x)dx (1)
a
fX (x) = 0.5x, 0 6 x 6 2
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 65
semana 9
Ejemplo 9.2 Suponga que la variable aleatoria X es el número de horas que funciona
un aparato hasta su primera falla. En este caso sólo se considerarán valores mayores
o iguales a cero ya que los valores negativos carecen de sentido. Después de un pe-
riodo de observación se encontró que la distribución de probabilidad para la variable
aleatoria X corresponde a una función lineal definida entre 0 y 9, dada por:
2
fX (x) = 81 x si 0 6 x 6 9
De esta forma se puede calcular la probabilidad de que el aparato tenga una falla en
las primeras n horas.
Observa que en este caso no se especifica el valor de f para variables fuera del intervalo
[0,9], por lo que se le considerará como cero.
a) Determina la probabilidad de que tenga una falla en las primeras 2 horas.
La probabilidad que nos piden está dada por P(0 6 X 6 2), por lo tanto tenemos:
R2 R2 2
P(0 6 X 6 2) = 0 fX (x)dx = 0 81 xdx = 81 x |0 = 81
1 22 1 2
2 = 814
= 0.0494
Esto significa que se tiene una probabilidad baja de falla, 4.94 %, en ese lapso de
tiempo.
b) Determina la probabilidad de que ocurra una falla entre la cuarta y quinta hora de
operación.
En este caso se calcula de la siguiente forma:
R5 R5 2
P(4 6 X 6 5) = 4 fX (x)dx = 4 81 xdx = 81 x |4 = 81
1 25 1 9
(52 − 42 ) = 81 = 0.1111
Observa que:
R9
0 f(x)dx = 1
Lo cual indica que, con probabilidad 1, el aparato tendrá una falla antes de cum-
plir 9 horas de trabajo.
c) Determina la probabilidad de que ocurra una falla entre la sexta y la décima hora.
En este caso se calcula de la siguiente forma:
R10 R9 2 R10
P(6 6 X 6 10) = 6 fX (x)dx = 6 81 xdx + 9 0dx = 81 x |6 = 81
1 29 1
(92 − 62 ) =
45
81 = 0.5555
Observa que para valores mayores a 9, o menores que 0, la función es considerada
como la constante cero.
66 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
9.2 esperanza y varianza de una variable aleatoria
Denición 9.1.3 Sea X una variable aleatoria continua, entonces la función de distri-
bución acumulada de X, denotada por FX (x), está dada por:
Rx
FX (x) = P(X 6 x) = −∞ fX (u)du para −∞ < x < ∞
Z∞
µX = E(X) = xfX (x)dx (2)
−∞
Z∞
σ2X = Var(X) = (x − µ)2 fX (x)dx (3)
−∞
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 67
semana 9
Donde:
X, Y son variables aleatorias.
a, b son constantes reales.
Es importante destacar que las propiedades anteriores indican que el operador espe-
ranza es un operador lineal.
En el caso de la varianza se puede demostrar que cumple con las siguientes propieda-
des:
1. Var(X) > 0
2. Var(b) = 0
3. Var(aX + b) = a2 Var(X)
Donde:
X, Y son variables aleatorias
a, b son constantes reales
En particular, la propiedad 3. indica que la varianza, a diferencia de la esperanza, no
es un operador lineal ya que no distribuye ni la suma ni el producto de una variable
aleatoria con escalares.
Ejemplo 9.6 Considera que fX (x) = 0.25 para 0 < x < 4.
Determina la media y la varianza de X.
R∞ R∞ R4 2
µX = E(X) = −∞ xfX (x)dx = −∞ x(0.25)dx = 0 x(0.25)dx = 0.25 x2 |40
0.25 2 0.25 2
= 2 (4 ) − 2 (0 ) = 2
R∞ R4 3
σ2 = Var(X) = −∞ (x − µ)2 f(x)dx = 0 (x − 2)
2 (0.25)dx = 0.25 (x−2)
3 |40
= 32 + 23 = 43
Ejemplo 9.7 La distribución de probabilidad del peso neto de un producto, en kilo-
gramos, está dada por fX (x) = 2 para 49.75 < x < 50.25.
a) Determina la probabilidad de que un paquete pese más de 50 kg.
R50.25
P(X > 50) = 50 2dx = 2x|50.2550 = 0.5
b) Determina el peso esperado de un producto seleccionado al azar.
R∞ R50.25
µX = E(X) = −∞ x(2)dx = 49.75 2xdx = x2 |50.25
49.75 = 50
1
fX (x) = con a 6 x 6 b (4)
b−a
es una variable aleatoria continua uniforme.
Bajo estas condiciones, la media y la varianza de X están dadas por
a+b
µX = E(X) = (5)
2
y
(b − a)2
σ2X = Var(X) = (6)
12
68 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
9.3 distribución uniforme
Ejemplo 9.8 Sea X una variable aleatoria continua con distribución uniforme que
Ejemplo 9.9 Considera que la variable aleatoria continua X tiene una distribución
uniforme en el intervalo [-1,1].
a) Determina la media, la varianza y la desviación estándar de X.
µX = E(X) = −1+1
2 =0
2
σ2X = Var(X) = (1−(−1))
12 = 1
3
q
σX = 13 = 0.577
b) Determina el valor de x tal que P(−x < X < x) = 0.9. Como se trata de una distribu-
ción uniforme entoncesRfX (x) = 0.5, por lo tanto
x
0.9 = P(−x < X < x) = −x 0.5dt = 0.5t|x−x = 0.5(2x) = x
Finalmente, el valor buscado es x = 0.9.
Ejemplo 9.10 El grosor de un componente tiene una distribución uniforme entre 0.95
y 1.05 milímetros.
a) Determina la función de distribución acumulada del grosor de los componentes.
1
fX (x) = 1,05−0,95 = 10 para 0.95 6 x 6 1.05
Para determinar la función de distribución acumulada se calcula la siguiente integral
R1.05 x
0.95 10dx = 10t|0.95 = 10x − 9.5
Por lo tanto, la función de distribución acumulada es
0, x < 0.95
FX (x) = 10x − 9.5, 0.95 6 x < 1.05
1, x > 1.05
b)Determina la proporción de componentes que exceden 1.02 milímetros
P(X > 1.02) = 1 − P(X 6 1.02) = 1 − FX (1.02) = 1 − 0.7 = 0.3
c) Si elegimos un componente al azar, ¿de qué tamaño se espera que sea?
µX = E(X) = 0.95+1.05
2 =1
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 69
SEMANA 10
10
10.1 distribución normal
Denición 10.1.1 Se dice que una variable aleatoria X tiene una distribución normal
con parámetros µX y σX si su función de densidad de probabilidad está dada por:
2
x−µX
1 −1
fX (x) = √ e 2 σX
−∞ < x < ∞ (7)
σX 2π
Donde µX es su media y σX es su desviación estándar.
Al graficar la función fX (x) se obtiene una gráfica con forma de campana y simétrica
con centro en µX . El valor de σX es la distancia desde µX hasta los puntos de inflexión
de la curva.
Si X es una variable aleatoria con una distribución normal con media µX y varianza
σ2X ,N(µX , σ2X ), entonces se cumple que:
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 71
semana 10
1 −z2
fZ (z) = √ e 2 − ∞ < z < ∞ (8)
2π
y la función de densidad de probabilidad acumulada de Z es:
Zz
P(Z 6 z) = fZ (y)dy (9)
−∞
Para encontrar el valor de P(Z 6 z) se puede recurrir a una tabla para la distribución
normal estándar (ver anexo A). El uso de esta tabla se ilustra con el siguiente ejemplo.
Suponga que Z es una variable aleatoria normal estándar. La tabla del anexo A con-
tiene probabilidades de la forma P(Z 6 z). Para encontrar P(Z 6 −1.43), se lee hacia
abajo la columna z hasta el renglón -1.4. Por último se desplaza sobre este renglón
hasta la columna con el encabezado 0.03. El valor de esta celda indica la probabilidad
buscada. Por lo tanto, P(Z 6 −1.43) = 0.07636, en la siguiente figura se ilustra este pro-
72 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
10.1 distribución normal
ceso. Observa que los encabezados de las columnas indican el dígito de las centésimas
del valor de z.
En este punto es importante destacar que la forma en que son presentadas las tablas
de distribución normal acumulada puede variar de un texto a otro, y es necesario re-
conocer la forma en que deben utilizarse. La mayoría de las tablas utilizan los valores
asociados a P(Z 6 z), P(z 6 Z), o P(0 6 Z 6 z). Para determinar el tipo de datos inclui-
dos en cada tabla, es recomendable revisar los valores asociados a puntos positivos y
al valor 0.00.
• Si la probabilidad asociada a 0.00 es cero se trata de una tabla que indica los valores
de P(0 6 Z 6 z), (a).
• Si la probabilidad es 0.5 en el punto 0.00 y es menor que 0.5 ∀z > 0, entonces se trata
de una tabla que indica los valores de P(z 6 Z), (b).
• Si la probabilidad es 0.5 en el punto 0.00 y es mayor que 0.5 ∀z > 0, entonces se trata
de una tabla que indica los valores de P(Z 6 z), (c).
Ejemplo 10.1 Usa la tabla de distribución normal estándar para determinar las si-
guientes probabilidades.
a) P(Z < 1.32) = 0.90658
b) P(Z > 1.45) = 1 − P(Z < 1.45) = 1 − 0.92647 = 0.07353
c) P(−1 < Z < 1) = P(Z < 1) − P(Z < −1) = 0.84134 − 0.15866 = 0.68268
d) P(0 < Z < 1) = P(Z < 1) − P(Z < 0) = 0.84134 − 0.5 = 0.34134
Ejemplo 10.2 Usa la tabla de distribución normal estándar para determinar el valor
de z que garantiza las siguientes probabilidades.
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 73
semana 10
Sin embargo, es poco común que de un experimento surja una variable aleatoria
normal estándar. Cuando una variable aleatoria X sigue una distribución normal pero
µX 6= 0 o σX 6= 1, sus probabilidades pueden calcularse mediante una estandarización.
En este caso, la variable estandarizada es
X − µX
Z= (10)
σX
que tiene una distribución normal estándar. Por lo tanto,
a − µX b − µX
P(a 6 X 6 b) = P( 6Z6 ) (11)
σX σX
Para demostrar que Z en efecto tiene media µX = 0, se puede utilizar el operador
esperanza, de esta forma se tiene:
E(X−µX ) E(X)−E(µX )
E(Z) = E( X−µX
σX ) = σX = σX = µX −µX
σX =0
De esta forma, cualquier probabilidad en la que interviene una variable aleatoria nor-
mal se puede expresar como una probabilidad de una variable aleatoria normal están-
dar y por lo tanto se pueden utilizar las tablas de la distribución z.
De hecho, el proceso de estandarización puede verse como un “desplazamiento” del
eje x para lograr que la media de la distribución estudiada sea cero.
De esta forma, cualquier probabilidad en la que interviene una variable aleatoria nor-
mal se puede expresar como una probabilidad de una variable aleatoria normal están-
dar y por lo tanto se pueden utilizar las tablas de la distribución z. De hecho, el proceso
de estandarización puede verse como un “desplazamiento"del eje x para lograr que la
media de la distribución estudiada sea cero.
Ejemplo 10.3 Sea X una variable aleatoria continua con una distribución normal con
media 10 y desviación estándar 2. Determina las siguientes probabilidades.
a) P(X < 13)
P(X < 13) = P(Z < 13−10
2 ) = P(Z < 1.5) = 0.93319
74 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
10.1 distribución normal
b) P(X > 9)
9−10
P(X > 9) = 1 − P(X < 9) = 1 − P(Z < 2 ) = 1 − P(Z < −0.5) = 1 − 0.30854
= 0.69146
c) P(6 < X < 14)
P(6 < X < 14) = P( 6−10
2 <Z< 4−10
2 ) = P(−2 < Z < 2) = P(Z < 2) − P(Z < −2)
= 0.97725 − 0.02275 = 0.9545
d) P(4 < X < 8)
P(4 < X < 8) = P( 4−10
2 <Z< 8−10
2 ) = P(−3 < Z < −1) = P(Z < −1) − P(Z < −3)
= 0.15866 − 0.00135 = 0.15731
Ejemplo 10.4 Sea X una variable aleatoria continua con una distribución normal con
media 10 y desviación estándar 2. Determina el valor de x que garantiza las siguientes
probabilidades.
a) P(X < x) = 0.5
Primero se utiliza la tabla para encontrar el valor de z que acumula esa probabi-
lidad
P(Z < z) = 0.5, implica z = 0.0.
Ahora se emplea la ecuación de estandarización para encontrar el valor de x bus-
cado
z = x−µ
σx ,
X
Por lo tanto,
0 = x−10
2
Entonces, x = 10.
b) P(X > x) = 0.95
Primero se emplea la tabla para encontrar el valor de z que acumula esa probabi-
lidad
P(Z > z) = 0.95, implica P(Z < z) = 1 − 0.95 = 0.05.
Como no aparece el valor exacto, se utilizará el más cercano, z = −1.64.
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 75
semana 10
Por lo tanto,
−1.64 = x−10
2
Entonces, x = 6.72053.
c) P(x < X < 10) = 0.2
Primero se realiza un “despeje” para determinar el valor buscado.
0.2 = P(x < X < 10) = P(X < 10) − P(X < x)
Entonces se busca x tal que
P(X < x) = P(X < 10) − 0.2 = P(Z < 10−10
2 ) − 0.2 = P(Z < 0.5) − 0.2 = 0.5 − 0.2 =
0.3
Ahora se emplea la tabla para encontrar el valor de z que acumula esa probabili-
dad
P(Z < z) = 0.3.
Como no aparece el valor exacto, se utilizará el más cercano, z = −0.52.
Ahora se emplea la ecuación de estandarización para encontrar el valor de x bus-
cado
z = x−µ
σX ,
X
Por lo tanto,
−0.52 = x−10
2
Entonces, x = 8.96.
Ejemplo 10.5 La cantidad de agua vertida en cada botella por cierta máquina tiene
una distribución normal con un valor medio de 750 ml y una desviación estándar de
1.5 ml. Si las botellas están diseñadas para contener, a lo sumo, 752 ml.
a) ¿Cuál es la probabilidad de que ocurra un derrame?
En este caso X es la cantidad de agua depositada en cada botella y se pide P(X >
752), que se calcula de la siguiente manera:
P(X > 752) = P( X−750
1.5 > 752−750
1.5 ) = P(Z > 1.33) = 1 − P(Z 6 1.33)
= 1 − 0.9088 = 0.0912
Por lo tanto, el 9.12 % de las botellas sufrirán un derrame, por lo que puede
resultar conveniente aumentar ligeramente el tamaño de las botellas, o buscar
disminuir la varianza del proceso, para así disminuir el porcentaje de derrames.
b) Considera que el área de control de calidad indica que las botellas deben contener
al menos 746 ml de agua. Determine el porcentaje de piezas que cumple con esta
especificación.
P(X > 746) = P( X−750
1.5 > 746−750
1.5 ) = P(Z > −2.667) = 1 − P(Z 6 −2.667)
= 1 − 0.0038 = 0.9962
De esta forma, se espera que el 99.62 % de las botellas cumplan con el contenido
mínimo de agua.
c) Ahora se buscará negociar con el área de control de calidad el contenido mínimo
aceptable de las botellas, para garantizar que el 99.9 % de la producción sea acep-
tada, ¿qué cantidad de agua debería contener una botella para ser aceptada y
garantizar un porcentaje tan alto de aceptación?.
En este caso se conoce el valor de la probabilidad, pero se ignora el valor de x.
P(X > x) = 0.999
Por lo tanto, se necesita
76 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
10.2 distribución exponencial
Como se vio en la sección ?? una variable aleatoria que sigue una distribución de
Poisson cuenta el número de fallas ocurridas durante un intervalo. Sin embargo, la
distancia entre dos fallas consecutivas también define una variable aleatoria de mucho
interés, principalmente en el estudio de líneas de espera.
Una variable aleatoria X que mide la distancia entre dos observaciones consecutivas de
un proceso de Poisson con media λ > 0 es llamada variable aleatoria exponencial con
parámetro λ.
Para analizar algunas características de esta distribución, se considerará que Y es una
variable aleatoria que denota el número de observaciones en un intervalo de longitud
x en un proceso de Poisson con parámetro λ. Entonces, para cualquier longitud x, Y
tendrá una media µY = λX .
Por lo tanto, la probabilidad de que no ocurra una observación en el próximo intervalo
de longitud x está dada por:
e−λx (λx)0
P(Y = 0) = 0! = e−λx
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 77
semana 10
= 1 − 0.6872 = 0.3128
d) Determina el valor de x tal que la probabilidad de que el siguiente error ocurra
después de x metros R∞de tela sea 0.10.
P(X > x) = 0.10 = x 0.75e−0.75t dt = −e−0.75t |∞ x =e
−0.75x
78 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
10.2 distribución exponencial
tela.
= 0.9798
c) Ahora considera que han pasado 2 minutos y aún no se ha detectado ningún cam-
bio de voltaje. Determina la probabilidad de detectar el siguiente cambio en los
próximos 90.
En este caso la probabilidad buscada está dada por:
R3.5
P(2<X<3.5) 2.6e−2.6x dx −e−2.6x |3.5 0.0054049
P(X < 3.5minutos|X > 2) = = R2∞ = 2
=
P(2<X) 2 2.6e −2.6x dx −e−2.6x |∞
2
0.0055166
= 0.9798
Por lo tanto, el hecho de que hayan transcurrido 2 minutos sin cambios de voltaje no
cambia la probabilidad de una detección en los próximos 90 segundos.
Esta propiedad resulta muy interesante cuando se aplica a ejemplos cotidianos, sobre
todo porque va en contra del sentido común como se ve en el siguiente caso.
Considera que el tiempo entre los camiones que lo llevan a la escuela o al trabajo sigue
una distribución exponencial con λ = 0.1 camiones por minuto. Esto significa que en
promedio pasan 0.1 camiones cada minuto, o bien, 1 camión cada 10 minutos. Al llegar
a la parada se puede determinar que la probabilidad de que el camión pase en los
próximos 10 minutos es 0.6321. Si se espera algún tiempo, por ejemplo 7 minutos, por
lo general se considera que la probabilidad de que el camión pase ha aumentado. Sin
embargo, la propiedad de pérdida de memoria indica que la probabilidad sigue siendo
la misma que al comienzo de la espera. Esto ocurre porque una media λ de 0.1 significa
que en cada intervalo de 10 minutos se espera que pase un camión: tanto a partir del
punto de espera inicial, como en el intervalo que inicia después de los 7 minutos de
espera.
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 79
SEMANA 11
11
11.1 teorema del límite central
Si X1 , ..., Xn es una muestra aleatoria de tamaño n tomada de una población (sea fini-
ta o no) con media µ y varianza σ2 , y si X̄ es la media muestral entonces la distribución
límite de:
X̄ − µ
Z= (17)
√σ
n
Una regla empírica utilizada con frecuencia es considerar que n > 30 es suficiente
para poder emplear el teorema del límite central. Sin embargo, cuando se sabe que
la población sigue una distribución muy cercana a la normal, se pueden considerar
valores más pequeños.
Observa que la suposición de normalidad se hace sobre el promedio de la muestra, X̄,
y no sobre la población.
Ejemplo 11.1 Una compañía construye resistores con una resistencia media de 100
ohms y una desviación estándar de 10 ohms. Si la distribución de la resistencia es
normal encuentre la probabilidad de que una muestra aleatoria de 25 resistores tenga
una resistencia promedio menor de 95 ohms.
La probabilidad buscada es P(X̄ < 95). Como la distribución de la muestra es normal,
no es necesaria una muestra con más de 30 elementos, y podemos aplicar el teorema
del límite central.
Entonces tendremos:
Z = 95−100
√10
= −2.5
25
Por lo tanto:
P(X̄ < 95) = P(Z < −2.5) = 0.0062.
Ejemplo 11.3 La presión de los tanques de gas producidos por una empresa sigue
una distribución normal con una media de 75.5 psi y una desviación estándar de 3.5
psi. Determina la probabilidad de que una muestra aleatoria de 6 tanques tenga una
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 81
semana 11
Ejemplo 11.4 Suponga que se selecciona al azar una muestra de tamaño 25 de una
población normal con media 100 y desviación estándar 10, ¿cuál es la probabilidad de
que la media muestral esté en el intervalo de (µX − 1.8σX , µX + 1.8σX )?
La probabilidad buscada es
P(100 − 1.8(10) < X̄ < 100 + 1.0(10)) = P(96.4 < X̄ < 102)
Utilizando el teorema del límite central se obtiene
P(96.4 < X̄ < 102) = P(−1.8 < Z < 1) = P(Z < 1) − P(Z < −1.8) = 0.84134 − 0.03593 =
0.80541
σX σX
(x̄ − z α2 √ , x̄ + z α2 √ ) (19)
n n
Ejemplo 11.5 Considere que se tiene un proceso que sigue una distribución poblacio-
nal normal, y del cual se conoce la desviación estándar poblacional, σX .
82 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
11.2 intervalos de confianza
σX
a) ¿Cuál es el nivel de confianza para el intervalo x̄ ± 2.81 √n
?
σX
b) ¿Cuál es el nivel de confianza para el intervalo x̄ ± 1.44 √n
?
Nuevamente, el nivel de confianza de un intervalo de confianza está dado por
1 − α, por lo tanto se debe encontrar el valor de α.
Al observar el intervalo dado, se tiene que z α2 = 1.44, por lo tanto:
α
2 = P(Z < −1.44) = P(Z > 1.44) = 0.0749
Entonces, α = 0.1498. Con lo cual se concluye que el nivel de confianza es del
85.02 %.
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 83
semana 11
σ 2
n = (2z α2 ) (20)
w
Ejemplo 11.7 Una compañía se dedica a la producción de vigas de madera cuya lon-
gitud sigue una distribución normal con una desviación estándar de 25 mm. ¿De qué
tamaño debe ser la muestra necesaria para garantizar que el intervalo de confianza de
95 % tenga una longitud de 10?.
Ejemplo 11.8 Supongan que se obtiene una muestra aleatoria de 25 piezas de una
84 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
11.2 intervalos de confianza
α
P(Z < −z α2 ) = P(z α2 < Z) = 2.
Ejemplo 11.9 En una tormenta eléctrica se tomó una muestra de 48 relámpagos, dando
como resultado una duración de 54.7 milisegundos de duración con una desviación
estándar de 5.23 milisegundos. Determina un intervalo de confianza del 95 % para la
duración media real.
En este caso no se sabe el tipo de distribución que sigue el caso estudiado, pero se tiene
varias muestras, por lo cual se puede utilizar la última definición. Se sabe que X̄ = 54.7
y en este caso la desviación dada es muestral, por lo tanto tenemos s =5.23. Por último,
tenemos un nivel de confianza del 95 %, por lo tanto α = 0.05. De esta forma tenemos,
z α2 = 1.96, ya que
P(Z < −1.96) = P(1.96 < Z) = 0.05 2 = 0.025
Finalmente, el intervalo buscado es:
5.23 5.23
(5.47 − 1.96 √ 48
, 5.47 + 1.96 √ 48
) = (53.2, 56.2).
Ejemplo 11.10 Para un proceso dado se tomó una muestra de tamaño 169, el prome-
dio muestral fue de 89.10 y la desviación estándar muestral es 3.73.
a) Calcula el intervalo de confianza para la media real con un nivel de confianza del
95 %.
Se sabe que n = 169, X̄ = 89.10 y s = 3.73. Por último, se tiene un nivel de con-
fianza del 95 %, por lo tanto α = 0.05. De esta forma se tiene, z α2 = 1.96, ya que
P(Z < −1.96) = P(1.96 < Z) = 0.05 2 = 0.025
Finalmente, el intervalo buscado es:
(89.10 − 1.96 √3.73
169
, 89.10 + 1.96 √3.73
169
) = (88.54, 89.66).
b) Se creé que la desviación estándar poblacional es 4, con esta hipótesis, ¿de qué
tamaño se hubiera requerido la muestra para estimar la media poblacional en un
intervalo de longitud 1 con un nivel de confianza del 95 %?
n = (2(1.96)( 14 ))2 = 246
Se concluye que una muestra de tamaño 246 es lo adecuado.
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 85
TA B L A D E E C U A C I O N E S
A
Capítulo 9.1
1
fX (x) = b−a con a 6 x 6 b
Distribución uniforme
a+b
µX = E(X) = 2
2
σ2X = Var(X) = (b−a)
12
2
1 x−µX
−
Distribución normal fX (x) = 1
√
σX 2π
e 2 σX
−∞ < x < ∞
X−µX
Z= σX
fX (x) = λe−λx , 0 6 x
Distribución exponencial
1
µX = E(X) = λ
1
σ2X = Var(X) = λ2
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 87
tabla de ecuaciones
88 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
A.1 distribución normal estándar acumulada
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 89
tabla de ecuaciones
90 Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
BIBLIOGRAFÍA
[3] Grabinsky J., Ramírez R. J., Rivera B. J., Alonso J., López B. R., “Problemas de
probabilidad y estadística”. Universidad Autónoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/101416/101416.html.
Copyright
2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 91