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
CAPITULO II
42
3
LA IMPORTANCIA DE LA ESTADISTICA
5
CAPITULO I
6
a)
b)
c)
d)
e)
f)
COMPETENCIASYHABILIDADESSOCIALES.
1) COMPETENCIASESPECFICAS.
10
FUENTES DE PROBABILIDADES
Es posible estimar probabilidades mediante cualquiera de las tres
siguientes maneras alternativas:
1. Frecuencia relativa de eventos pasados. Las probabilidades
pueden estimarse a partir de las frecuencias relativas que se
observen en un experimento controlado, o mediante muestreo de
11
MUESTREO
El muestreo es la reunin de datos que se desea estudiar, obtenidos de
una proporcin reducida y representativa de la poblacin.
1
aprendeenlinea.udea.edu.co/lms/moodle/mod/.../view.php?...true...
13
no
ORDINAL
VARIABLE
14
(amplitud de intervalo)
-par, ajuste 2
-impar, ajuste se limita, ejm: 7= 34 y 43
15
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
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.
EJEMPLO 1.5
Cuntos nmeros de 5 cifras diferentes se puede formar con los dgitos:
1, 2, 3, 4, 5?
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.
EJEMPLO 1.7
Con las cifras 2, 2, 2, 3, 3, 3, 3, 4, 4; cuntos nmeros de nueve cifras se
pueden formar?
19
m=9
a=3
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..
No importa el orden. Da igual que elija 2 botellas de ans y 2 de ron, que 2
de ron y 2 de ans.
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)
TEOREMA DE BAYES
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%
Para 10: (5,5) (6,4)(4,6)
23
LAPLACE
La pendiente
La ecuacin de la recta que pasa por esos puntos
La grafica
Dada la grafica escriba anlisis a travs de intervalos
SOLUCION
1 0
a) m 30 (20) 50
b)
24
Y-Y1= m(X-X1)
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
Juan y Victoria son dos hermanos que salen de caza. El primero mata un
promedio de 2 piezas cada 5 disparos y el segundo una pieza cada 2
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=related
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
cules
son discretas y
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:
[10, 15)
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
14) De cuntas formas distintas pueden sentarse ocho personas
alrededor de una mesa redonda?R/ 5040
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
5)
R/ X= 19
36
R/ X= 10
Hallar:
1
R/ 5/8
R/ 5/8
R/ 1/2
R/ 3/8
R/ 3/4
37
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
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:
y la desviacin tpica es
44
n. p.q
n k nk
P(X k) .p .q
k
Donde
n n!
k !.( knk )!
n! 1.2.3.4.5.......( n 1).n
n
k
El nmero
se llama nmero combinatorio y representa todas las
combinaciones posibles de n elementos tomados de k en k. Es decir:
con n elementos, cuntos grupos distintos de k elementos pueden
formarse.
Llamamos experiencia aleatoria dicotmica a aquella que slo puede
tener dos posibles resultados A y A'. Usualmente A recibe el nombre de
xito, adems representaremos como p = p(A) y q = 1-p=p(A').
A la funcin de probabilidad de una variable aleatoria X resultado de
contar el nmero de xitos al repetir n veces una experiencia aleatoria
dicotmica con probabilidad de xito p la llamamos distribucin binomial y
la representamos por
B (n, p)
Para esta distribucin se verifica que, la variable X puede tomar los
valores:
0, 1, 2, ... , n
y que la variable toma cada uno de estos valores con probabilidad:
De acuerdo a lo anterior se puede definir la DISTRIBUCIN BINOMIAL
como una experiencia aleatoria dicotmica a aquella que slo puede
tener dos posibles resultados A y A'. Usualmente A recibe el nombre de
xito, adems representaremos como p = p(A) y q = 1-p=p(A').
45
En donde:
EJEMPLO: 2.1
5
10 Mire porque
3
EJEMPLO 2.2
46
EJEMPLO2.3:
Cul es la probabilidad de obtener exactamente 2 caras en 6 tiradas de
monedas?
X= salga exactamente 2 caras
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
48
El nmero combinatorio
Media
Varianza
Desviacin tpica
49
e = 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que
ocurren por unidad de tiempo, rea o producto es totalmente al azar y que
cada intervalo de tiempo es independiente de otro intervalo dado, as
como cada rea es independiente de otra rea dada y cada producto es
independiente de otro producto dado.
Para que una variable siga una distribucin de Poisson deben cumplirse
varias
Condiciones:
1. En un intervalo muy pequeo (p. e. de un milisegundo) la probabilidad
de que ocurra un evento es proporcional al tamao del intervalo.
2. La probabilidad de que ocurran dos o ms eventos en un intervalo muy
pequeo es tan reducida que, a efectos prcticos, se puede considerar
nula.
3. El nmero de ocurrencias en un intervalo pequeo no depende de lo
que ocurra en cualquier otro intervalo pequeo que no se solape con
aqul.
Estas propiedades pueden resumirse en que el proceso que genera una
distribucin de Poisson es estable (produce, a largo plazo, un nmero
medio de sucesos constante por unidad de observacin) y no tiene
memoria (conocer el nmero de sucesos en un intervalo no ayuda a
predecir el nmero de sucesos en el siguiente).
El parmetro de la distribucin, lambda, representa el nmero promedio
de eventos esperados por unidad de tiempo o de espacio, por lo que
tambin se suele hablar de lambda como la tasa de ocurrencia del
fenmeno que se observa.
EJEMPLOS 2.6:
50
e = 2.718
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.
51
b)
x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la
hojalata
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)=
52
.e -
donde: = n.p
X!
EJEMPLO: 2.8
P(3)=
= n.p
x= 3
= (300)(0,001)
= 0,3
= 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)
53
q= 0,9
x= 2
= 1
= 0,1839= 18,39%
54
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?
N= 12
X(1) =X(2) =X(3)=X(4)=X(5)=X(6)= 2
P(1) =P(2)=P(3)=P(4)=P(5)=P(6)= 1/6
P(x)=
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)
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
2
http://www.uv.es/ceaces/base/modelos%20de
%20probabilidad/hipergeometrica.htm
56
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
Ahora si construyamos el ejemplo en forma total
De 16 vehculos de una transportadora de leche 5 tienen los frenos
daados. Si de ese lote, 3 tienen los frenos daados .Si se toman 7
camiones al azar Cual es la probabilidad de que 3 o ms tengan los
frenos daados
Entonces:
5
3
P(3)=
11
4
11
= 0,2884= 28,84%
58
b)
60
99.73%
La poblacin incluye todos los datos, la muestra es una porcin de la
poblacin.
Poblacin
Muestra
x-3s
x-2s
x-s
x+s
x+2s
La desviacin estndar
x+3s
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
61
x-3
x-2
x-
x+
x+2
x+3
z
-3
-2
-1
F(z)
Z
0
La distribucin f (Z) se encuentra tabulada
en la tabla de distribucin
normal estndar. En esta tabla podemos determinar los valores de Z o la
probabilidad de determinado valor Z.
EJEMPLO 2.15
Siendo el seor Jairo Marn el gerente de personal de una gran compaa
de aluminios requiere que los solicitantes a un puesto efecten cierta
prueba y alcancen una calificacin de 500. Si las calificaciones de la
prueba se distribuyen normalmente con media 485 y desviacin
estndar 30 Qu porcentaje de los solicitantes pasar la prueba?
62
X
500 485
0.5
30
=
3 0 .8 5 %
Z.0 5
EJEMPLO 2.16:
Encuentre las probabilidades siguientes usando la tabla Z.
a) P(-1.23 < Z > 0)
-1.23
0
Datos:
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.
A= 0,4803+0,1026= 0,5829
500
100%
58,29%
X= 291
291.
64
0,4418
0,4332
A=0,4418-0,4332= 0,0086
0,86%
f (r ) P(1 P)r
r 1
siendo su funcin de distribucin F(r ) 1 (1 P)
1
1
P
V( X)
1 P
P 2 Respectivamente.
X1
P1
X2
P2
X3
P3
XI
PI
Xn
Pn
verifica que :
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
n
K Pi . X k
1
k Pi ( xi E ( x)) K
i 1
En particular:
Esperanza matemtica: Es el momento ordinario de orden 1
equivalente a la media aritmtica.
( 1 ) ,
E ( X ) 1 Pi X i
i 1
ii 1
i 1
V ( X ) 2 Pi ( X i E ( X )) 2 Pi X 2i E ( X ) 2 2 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
68
Se obtienen 0 sellos =1
Se obtienen 4 sellos=1
AHORA SI CONTIMUEMOS
a) Ley de probabilidad o funcin de densidad:
X
f(x)=Pr(X=x)
69
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)
0
1/16
F ( x) Pr( X x ) 1/16
1
4/16
5/16
2
6/16
11/16
70
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) )
Observando la funcin de distribucin, deducimos que :
Mediana = 2 (al ser X=2 el valor para el que F(X) (=11/16) primero iguala
o supera a 0'5)
EJEMPLO 2.22
En la extraccin simultnea de tres bolas de una urna que contiene 6
bolas Rojas y cuatro verdes, Miguel observa el nmero de bolas blancas
extradas.
De la variable aleatoria as definida, calcular:
a) L a probabilidad de que las tres sean verdes, 1 roja y dos verdes, , 2
rojas y una verde, 3 rojas ,
b) ley de probabilidad
71
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
0
0.033
1
0.3
2
0.5
3
0.167
c) Funcin de distribucin:
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
72
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
E( X ) = 1. 8
=0.748
D=
0.56
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.
P (T 20)
20
f (t ) dt 1 e 20 / 16 0.7135
73
se
dice
que
sigue
una distribucin
exponencial de
, es tal
parmetro
74
de
densidad, f,
de
75
76
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 )
x a
ba
x (a, b)
ab
2
V( x )
1
(b a ) 2
12
f (x)
1
ab
T OMADO DE http://www.bioestadistica.uma.es/libro/node78.htm
77
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
78
1 n
2
V ( X)
n2 1
12
La funcin caracterstica es
x (t)
e itx
1
e itb e ita
dx
ba
it (b a )
ba
2
E (X 2 )
(b a ) 3
3
V (X)
(b a ) 2
12
; es decir, el
79
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)
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
x 1 exp( x / ), x 0
()
1
x Ln
1/
x a
1
f ( x ) 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
x b
f (x) 0
xb
En la que se notar que toma valores no nulos para x ( b, ) . La
funcin de distribucin toma la forma
a
b
F( x ) 1
xb
x
F( x ) 0
xb
La esperanza y la varianza de la distribucin de Pareto son
82
E( X)
ab
a 1
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
xa
exp
f ( x)
x a
b 1 exp
1
F( x )
xa
1 exp
b
b2 2
3
V( X)
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
f (x)
ax
1
ax
exp
exp
a
b
b
ax
F( X) exp exp
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
83
E( X) a b
b22
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
2 2
f ( x ) 2a 2 xe a x
f (x) 0
x0
2 2
F( X) 1 e a x
F( X) 0
x0
x0
x0
2a
E( X)
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
a x
f (x)
b b
a 1
e x / b
x0
F( x ) P X x 1 e ( x / b )
x0
S( x ) P X x 1 F( x ) e
84
( x / b )a
1
1
a
E( X) b
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 )b 1
(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)
E( X)
a
ab
V( X )
ab
(a b) (a b 1)
2
b) Ms de 90 kg. R/0
c) Menos de
88
pi
0,1
0,2
0,1
0,4
0,1
0,1
R/90%
R/60%
R/50%
0
0.033
1
0.3
2
0.5
3
0.167
b) 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
c) Esperanza matemtica, varianza y desviacin tpica. E=1.8 V(x)=0.56
D=0.748
d) Mediana y moda de la distribucin.R/ Mediana = 2 Moda =2
22) Complete la ley de probabilidad siguiente, sabiendo que su esperanza
matemtica es igual a 1.8:
X
Prob
0
0.2
1
M
2
N
3
0.3
si x 2
0
0.2 si 2 x 4
F ( x) 0.55 si 4 x 6
0.85 si 6 x 8
1
si x 8
R/ E(x)= 4.8
V(x)= 3.76
D=1.93
es
91
0 si x 0
2 x si 0 x 0.8
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
E(x2)
E(x3)
R/0.6092
R/ 0.5714
2. Varianza;
Recordar que V(x)=E(x2)-- E (x)
93
500
513
496
510
505
133
101
45
10
x
3
F ( x) 1
x
3
para todo x 0
96
dos
monedas,
construir
una
funcin
distribucin
0
f(x)=
si
x<0
2X
si
0x1
si
x>1
Encontrar F(x):
65) Un sujeto responde al azar un examen de 5 preguntas, cada una con
5 alternativas.
R/ =0.2 b) Obtener E (X1) y 2x R/ E (X1) = 0.2 y 2x
2
2
=0.16 c) Obtener E (X), x , E (P) y 2p R/ E (X)= 1 x =0.8 , E (P)= 0.2
y 2p=0.023 d) Obtener P (X 3) 98.75%
a) Obtener .
66) Encuentre el valor de k tal que P(k < t < -1.761) = 0.045, para una
muestra aleatoria de tamao 15 que se selecciona de una distribucin
normal. R/K= -2.977 Lolo que significa P(-2.977 < t < -1.761) = 0.045
67) El qumico Diego Giraldo de la Institucin Moderna afirma que el
rendimiento medio de la poblacin de cierto proceso en lotes es 500
gramos por milmetro de materia prima. Para verificar esta afirmacin
toma una muestra de 25 lotes cada mes. Si el valor de t calculado cae
entre t0.05 y t0.05, queda satisfecho con su afirmacin. Qu conclusin
extraera de una muestra que tiene una media de 518 gramos por
milmetro y una desviacin estndar de 40 gramos? Suponga que la
distribucin de rendimientos es aproximadamente normal R/ Si se desea
obtener la probabilidad de obtener un valor de t con 24 grados de libertad
igual o mayor a 2.25 se busca en la tabla y es aproximadamente de 0.02.
De aqu que es probable que el fabricante concluya que el proceso
produce un mejor producto del que piensa.
68) En estudio realizado por el Dr RODRIGO BEVERRA sobre la
movilidad en Tulua encontr que 16 recorridos realizados de prueba una
hora cada uno por la buseta se encontr que, el consumo de gasolina de
98
PROBLEMAS
ESTAN
EN
CAPITULO III
ERROR MUESTRAL
Cualquier medida conlleva algn error. Si se usa la media para medir,
estimar, la media poblacional m, entonces la media muestral, como
medida, conlleva algn error. Por ejemplo, supongamos que se ha
obtenido una muestra aleatoria de tamao 20 de una poblacin con media
m = 10: si la media de la muestra es x=8, entonces a la diferencia
observada x- = -2 se le denomina el error muestral. Una media muestral
x puede pensarse como la suma de dos cantidades, la media poblacional
m y el error muestral; si e denota el error muestral, entonces: X = + e
EJEMPLO 3.1
Se toman muestras de tamao 2 de una poblacin consistente en tres
valores, 2,4 y 6, para simular una poblacin grande de manera que el
muestreo pueda realizarse un gran nmero de veces, supondremos que
ste se hace con reemplazo, es decir, el nmero elegido se reemplaza
antes de seleccionar el siguiente, adems, se seleccionan muestras
ordenadas. En una muestra ordenada, el orden en que se seleccionan las
observaciones es importante, por tanto, la muestra ordenada (2,4) es
distinta de la muestra ordenada (4,2). En la muestra (4,2), se seleccion
primero 4 y despus 2. La siguiente tabla contiene una lista de todas las
muestras ordenadas de tamao 2 que es posible seleccionar con
reemplazo y tambin contiene las medias muestrales y los
correspondientes errores muestrales. La media poblacional es igual a
99
e=x-
(2,2)
2 4 = -2
(2,4)
3 4 = -1
(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
101
102
n4
ESTIMACIN DE UNA PROPORCIN
Si en una poblacin, una determinada caracterstica se presenta en una
proporcin p, la proporcin p, de individuos con dicha caracterstica en
las muestras de tamao n, se distribuirn segn:
OTRAS FORMULAS
P( Z Z )
2
a 1
a la
2
probabilid ad
del
area
LS LI
2
N ( p;
pq
)
n
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
104
19 10
23
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
a) 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
105
E=1,71
p (1 p )
n
O bien:
106
EJEMPLO 3.5
En un estudio de prevalencia de factores de riesgo en una cohorte de 412
mujeres mayores de 15 aos en el centro del valle, se encontr que el
17.6% eran hipertensas. Un intervalo de 95% de confianza para la
proporcin de mujeres hipertensas del centro del valle est dado por:
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
107
http://www.rrppnet.com.ar/comohacerunaencuesta.htm
111
N!
( N n)!
EJEMPLO
POBLACION
PERSONA
A
B
C
DETERMINAR
112
EDAD
1
2
3
2
El numero de muestras posibles si n=2
COMPLETE EL SIGUIENTE CUADRO CON EL NUMERO DE
MUESTRAS OBTENIDAS EN EL PUNTO ANTERIOR
MUESTRA X1
X2
S2
PROB
X
1
1
2
SOLUCION
1 2 3
2
3
12 2 2 32
2 2 0.67
b) 2
3
3!
c) V3, 2 6
1!
a)
S2
0.25
1
0,25
0.25
1
0.25
PROB
1/6
1/6
1/6
1/6
1/6
1/6
114
115
117
Donde:
:
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
119
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
nivel
de
fiabilidad
de
95%
(valor
estndar
p=
prevalencia
estimada
en
la
zona
E = margen de error de 5% (valor estndar de 0,05)
del
de
1,96)
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
120
ideal
Clculo:
SOLUCION
n
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.
121
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:
122
EJEMPLO 3.7
Se eligen muestras ordenadas de tamao 2, con reemplazo, de la
poblacin de valores 0, 2, 4 y 6. Encuentre:
a) , la media poblacional
0246
3
4
media
(0,0)
(0,2)
(0,4)
(0,6)
123
(2,0)
(2,2)
(2,4)
(2,6)
(4,0)
(4,2)
(4,4)
(4,6)
(6,0)
(6,2)
(6,4)
(6,6)
fx 0 *1 1* 2 2 * 3 3 * 4 4 * 3 5 * 2 6 *1 3 d) x,
n
16
124
la desviacin
125
media
(0,0)
0 - 3 = -3
(0,2)
1 - 3 = -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
126
e e f 2
, y su resultado es 1.58
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
127
Antigedad
A,B
(6,4)
A,C
(6,2)
B,C
(4,2)
Media Muestral
246
4
3
543
4
3
128
x
N 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.
129
130
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
2
Obtener E( X ) y x
b) Obtener la probabilidad de encontrar un sujeto con X > 22
c) Obtener la probabilidad de encontrar una muestra con media > 22
SOLUCION
a) E( X ) ==20
b) Z
2
y x =
2 2
0.5
n
4
x u 22 20
X u 22 20
Z
2,83
c)
2
n
4
X
Sn
n 1
E(xi)=
y =(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)=
2 =n(1-)
2P
(1 )
n
NOTA
Parmetros estadsticos de una distribucin muestral de las proporciones
de tamao n:
132
y 2 =n(1-)= 1*0.2(0.8)=0.16
b) P=1/3= 0.33
C) E(X ) = n = 3(0,2) = 0,6 Y 2 =n(1-)=3*0.2(0.8)=0.48
E(P)==0.2
2
y P
(1 )
=0.2*0.8/3=0.05
n
2 =n(1-)=3*0.2(1-0.2)=0.16
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
133
a) p 0.3333
b) p 0.1681
DISTRIBUCIN MUESTRAL DE DIFERENCIA DE MEDIAS
Partamos de que se tienen dos poblaciones distintas, la primera con
media
y desviacin estndar
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
134
y que
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
135
= 12.247 libras
n1 = 20 nios
n2 = 25 nias
=?
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
136
= 0.8 aos
= 0.7 aos
nA = 34 simcard
nB = 40 simcard
=?
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:
137
= 1.23 Km/Lto
= 1.37 Km/Lto
n1 = 35 autos
n2 = 42 autos
a.
b.
=?
139
comprob que
que
y que
y que
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
142
EJEMPLO 3.21
Se sabe que 3 de cada 6 productos fabricados por la mquina 1 son
defectuosos y que 2 de cada 5 objetos fabricados por la mquina 2 son
defectuosos; se toman muestras de 120 objetos de cada mquina:
a. cul es la probabilidad de que la proporcin de artculos
defectuosos de la mquina 2 rebase a la mquina 1 en por lo
menos 0.10?
b. cul es la probabilidad de que la proporcin de artculos
defectuosos de la mquina 1 rebase a la mquina 2 en por lo
menos 0.15?
Solucin:
Datos:
P1 = 3/6 = 0.5
P2 = 2/5 = 0.4
n1 = 120 objetos
n2 = 120 objetos
a. p(p2-p1 0.10) = ?
143
0.15)=?
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
148
149
150
68,26%
R/ Z 1
2
(1,993,:2.007)
95,44%
R/ Z 2
99,73%
R/ (1.979; 2.021)
(1.986 , 2,014)
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
151
n=9
X I 1098
I 1
138148
I 1
154
155
156
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
MUJERES
2461
67
2528
HOMBRES
2848
77
2925
TOTAL
5309
144
5453
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
158
159
LINKGRAFIA
http://www.bioestadistica.uma.es/libro/node78.htm
aprendeenlinea.udea.edu.co/lms/moodle/mod/.../view.php?...true...
http://www.vitutor.com/pro/2/a_h.html
http://www.vitutor.com/pro/2/a_a.html
http://www.uam.es/personal_pdi/psicologia/carmenx/Tema1.pdf
http://juancarlosvergara.50webs.org/Apuntes/Ejercicios%20Parte%20I.pdf
http://personal.telefonica.terra.es/web/pegonrui/tablas-estadisticas/tablasestadisticas.html
http://dta.utalca.cl/estadistica/ejercicios/recoger/Muestro/propuesto
%20muestreo%20estra.pdf
http://sancur22ceapuntes.iespana.es/administracion/ceneval/operacionesy
metodos/02metodoscuantitativos/21pruebaship/pruebaship.htm
http://www.mitecnologico.com/Main/PotenciaDeLaPrueba
http://www.frasesypensamientos.com.ar/frases-de-estadistica.html
http://www.itch.edu.mx/academic/industrial/estadistica1/u0102.pdf
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r51634.PDF
161
162